Consumo em Restaurantes e Supermercados

A Fipe (Fundação Instituto de Pesquisas Econômicas), em parceria com a Alelo, criou dois índices de consumo em restaurantes e supermercados que são bastante interessantes para verificar o impacto da pandemia nos hábitos de consumo dos brasileiros. Nesse Comentário de Conjuntura, fazemos uma análise dos índices. O código completo está disponível para os membros do Clube AM.


library(readxl)
library(tidyverse)
library(zoo)

Com o código acima, nós carregamos os pacotes utilizados nesse exercício. A seguir, nós baixamos a planilha excel disponível no site da FIPE.


url = 'https://downloads.fipe.org.br/indices/indicesconsumoalelo-serieshistoricas.xlsx'
download.file(url, destfile = 'seriehistorica.xlsx', mode='wb')
data = read_excel('seriehistorica.xlsx', sheet=1, skip=1) %>%
select(dia, "Índice de Consumo em Supermercados (ICS) - Valor",
"Índice de Consumo em Restaurantes (ICR) - Valor") %>%
rename('Consumo em Supermercados (diário)' = "Índice de Consumo em Supermercados (ICS) - Valor",
'Consumo em Restaurantes (diário)' = "Índice de Consumo em Restaurantes (ICR) - Valor") %>%
mutate(`Consumo em Supermercados (mensal)` = rollapply(`Consumo em Supermercados (diário)`, 30,
mean, align='right',
fill=NA)) %>%
mutate(`Consumo em Restaurantes (mensal)` = rollapply(`Consumo em Restaurantes (diário)`, 30,
mean, align='right',
fill=NA)) %>%
drop_na() %>%
gather(variavel, valor, -dia)

A seguir, nós podemos gerar o gráfico múltiplo abaixo.

A análise dos gráficos sugere que o consumo em supermercados aumentou no início da pandemia, enquanto houve uma queda brusca no consumo em restaurantes. Enquanto aquele parece ter voltado ao seu nível normal, este ainda não completou a volta ao nível anterior à pandemia.

A esse respeito, é interessante verificar se haverá uma mudança permanente nos hábitos de consumo, isto é, mais pessoas cozinhando em casa, por exemplo, o que reduz o consumo potencial em restaurantes.

_______________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.