bizanalyticsai 1.0.1

Biblioteca avançada de análise de dados e inteligência de negócios para Python

BizAnalyticsAI

Advanced Data Analysis & Business Intelligence Library for Python

BizAnalyticsAI é uma biblioteca Python avançada para análise de grandes volumes de dados de negócios. Combina ferramentas estatísticas, KPIs financeiros, simulação de Monte Carlo, análise de coorte, clustering, forecasting de séries temporais e geração automática de relatórios — tudo em uma API fluente e intuitiva.

---

Instalação

pip install bizanalyticsai

Com suporte a Supabase:

pip install bizanalyticsai[supabase]

Instalação completa (inclui XGBoost, LightGBM, Prophet):

pip install bizanalyticsai[full]

---

Início Rápido

import bizanalyticsai as bai

# ── Carregar e limpar dados ──────────────────────────────────────────────────
df = bai.read_csv("vendas.csv")
df = bai.clean(df)

# ── Perfil dos dados ─────────────────────────────────────────────────────────
profile = df.profile()
print(f"Rows: {profile['shape']['rows']:,} | Cols: {profile['shape']['cols']}")

desc = bai.describe(df)
print(desc)   # stats + insights automáticos

# ── KPIs Financeiros ─────────────────────────────────────────────────────────
kpis = bai.finance.kpis(
    df,
    revenue_col="revenue",
    cost_col="cost",
    customer_col="customer_id",
    date_col="date",
    cac=350,
    monthly_churn_pct=4.5,
)
print(kpis.summary())
print("Investable?", kpis.is_investable())   # LTV/CAC ≥ 3, margin ≥ 60%, payback ≤ 24mo

# ── Simulação Monte Carlo ────────────────────────────────────────────────────
mc = bai.finance.montecarlo(
    initial_revenue=50_000,
    growth_pct=8,
    fixed_costs=20_000,
    variable_cost_pct=25,
    initial_investment=300_000,
    months=24,
    iterations=10_000,
    seed=42,
)
print(mc.summary())
# P10: -124.500  |  P50: 342.800  |  P90: 1.2M  |  Bankruptcy: 4.2%

# ── Análise de Churn & LTV ───────────────────────────────────────────────────
churn = bai.finance.churn(df, customer_col="customer_id", date_col="date")
print(churn.summary())

# ── Cohort Retention ─────────────────────────────────────────────────────────
retention = bai.finance.cohort_retention(df, "customer_id", "date", "M")
print(retention.head())

# ── Segmentação RFM ──────────────────────────────────────────────────────────
rfm = bai.ml.rfm_segments(df, "customer_id", "date", "revenue")
print(rfm["segment"].value_counts())

# ── Detecção de Anomalias ────────────────────────────────────────────────────
anomalies = bai.ml.detect_anomalies(df, method="isolation_forest")
print(anomalies.summary())

# ── Forecasting de Séries Temporais ─────────────────────────────────────────
import pandas as pd
monthly_revenue = df.set_index("date")["revenue"].resample("M").sum()
forecast = bai.timeseries.forecast(monthly_revenue, horizon=6, method="holtwinters")
print(forecast.forecast)

# ── Market Sizing ────────────────────────────────────────────────────────────
market = bai.market.tam_sam_som(tam=5e9, sam_pct=12, som_pct=8)
print(market.summary())

# ── Probabilidade de Sucesso ─────────────────────────────────────────────────
sp = bai.market.success_probability(
    segment="Tecnologia / SaaS",
    margin_pct=65, payback_months=12, cac_ratio=3.8,
    churn_rate=3, market_size=2e9, growth_trend=2,
    team_score=4, has_revenue=True, has_customers=True,
)
print(f"{sp['emoji']} {sp['label']}: {sp['score']}/100")

# ── Relatório HTML ───────────────────────────────────────────────────────────
bai.report.summary_report(df, output="report.html")

---

Módulos

Módulo	Descrição
bai.io	Leitura de CSV, JSON, Excel, Parquet, SQL, Supabase
bai.clean	Limpeza, normalização, outliers, encoding
bai.stats	Estatísticas descritivas, correlação, distribuições
bai.finance	MRR/ARR, LTV, CAC, Churn, Monte Carlo, Coorte, Break-Even
bai.ml	Clustering (K-Means, DBSCAN), RFM, detecção de anomalias
bai.timeseries	Holt-Winters, ARIMA, SARIMA, trend, sazonalidade
bai.market	TAM/SAM/SOM, benchmarks por setor, probabilidade de sucesso
bai.viz	Gráficos Plotly e Matplotlib (bar, line, scatter, heatmap)
bai.report	Relatórios HTML, Markdown e JSON automatizados
BizFrame	DataFrame com métodos de BI embutidos
Pipeline	Pipeline declarativo com timing por etapa

---

Pipeline Declarativo

from bizanalyticsai import Pipeline, read_csv, clean, normalize, remove_outliers

result = (
    Pipeline("etl_vendas")
    .read(read_csv, "vendas.csv")
    .step("clean",      clean)
    .step("outliers",   remove_outliers)
    .step("normalize",  lambda df: normalize(df, cols=["revenue"], method="minmax"))
    .filter("revenue > 0")
    .select("customer_id", "revenue", "cost", "date")
    .sort("revenue", ascending=False)
    .limit(10_000)
    .run()
)

print(result.pipeline.report())

---

CLI

# Perfil de dados
bizai profile dados.csv

# Relatório HTML
bizai report dados.csv --output report.html --title "Análise de Vendas"

# Simulação Monte Carlo
bizai montecarlo \
  --revenue 50000 \
  --growth 8 \
  --fixed-costs 20000 \
  --investment 300000 \
  --months 24

# Versão
bizai version

---

Monte Carlo — Detalhes

A simulação usa o método Box-Muller para gerar números aleatórios gaussianos sem dependências externas. Em cada iteração:

1. Receita é perturbada: actualRevenue = revenue × N(1, σ)
2. Custos calculados: totalCost = fixedCosts + actualRevenue × variablePct
3. Fluxo de caixa: cash += actualRevenue - totalCost
4. Crescimento: revenue *= (1 + N(growthPct, 0.02))
5. Falência se cash < -3 × investimento inicial

Retorna: P10, P25, P50, P75, P90, média, desvio padrão, % de falência.

---

Benchmarks por Setor

A biblioteca inclui benchmarks para 9 setores brasileiros baseados em dados reais (SaaStr, ChartMogul, Bessemer, McKinsey, CB Insights):

Setor	Churn/mês	LTV/CAC médio	Margem Bruta	Taxa Sucesso 5a
Tecnologia / SaaS	3.2%	3.5×	72%	22%
E-commerce	6.5%	2.2×	38%	18%
Saúde	2.5%	4.2×	55%	28%
Educação	4.8%	2.8×	60%	20%
Indústria	1.8%	4.5×	30%	32%

---

Deploy para PyPI

Configuração Trusted Publisher (recomendado — sem API keys)

1. Acesse pypi.org/manage/account/publishing

2. Adicione um novo publisher:

   • PyPI project name: bizanalyticsai
   • Owner: seu usuário GitHub
   • Repository: bizanalyticsai-python
   • Workflow: publish.yml
   • Environment: pypi

3. Crie a tag e faça push:

   git tag v1.0.0
   git push origin v1.0.0
   

   O GitHub Actions fará o build, testes e publish automaticamente.

Publicação manual

pip install build twine
python -m build
twine upload dist/*          # PyPI
twine upload --repository testpypi dist/*   # TestPyPI

Testando a instalação

pip install --index-url https://test.pypi.org/simple/ bizanalyticsai
# ou após o publish oficial:
pip install bizanalyticsai

---

Requisitos

• Python ≥ 3.9
• numpy ≥ 1.24
• pandas ≥ 2.0
• scipy ≥ 1.10
• scikit-learn ≥ 1.3
• statsmodels ≥ 0.14
• matplotlib ≥ 3.7
• plotly ≥ 5.15
• rich ≥ 13.0
• jinja2 ≥ 3.1
• pyarrow ≥ 12.0

---

Licença

MIT — veja LICENSE.

---

BizAnalyticsAI © 2024 — bizanalyticsai.com.br