/
Dados Internos Dexco

Dados Internos Dexco

Owned by Anonymous
Last updated: Oct 07, 2022 by Anonymous
20 min read

Conjunto de notebooks que tem como objetivo fazer a ingestão de dados e indicadores de diversas áreas da Dexco e disponibilizar da forma mais automatizada possível para serem consumidos pelo dashboard desenvolvido para o projeto.

Índice

  1. Indicadores Carteira Deca

  2. Indicadores Devolução Deca

  3. Indicadores Devolução Madeira

  4. Indicadores Financeiros

  5. Indicadores Gente

  7. Indicadores Margem Madeira

  9. Indicadores OEE Madeira

  10. Indicadores OTIF Deca

  11. Indicadores OTIF Madeira

  12. Indicadores Panorama Mercado Madeira

  13. Indicadores Produtividade Deca

  14. Indicadores SAC

  15. Indicadores Sell-in Deca - Chuveiros

  16. Indicadores Sell-in Deca - Cubas

  17. Indicadores Sell-in Deca - Torneiras

  18. Indicadores Market Share, Sell-in e Sell-out Madeira

  19. Indicadores Vendas Deca

1. Indicadores Carteira Deca

Indicadores para pedidos em carteira Deca.

  • Notebook: indicadores_carteira_deca

  • Job: inteligencia-mercado_job_prod_indicadores_carteira_deca

  • Schedule: diário/18:00h

  • Base fim: indicadores_mercado.tb_indicadores_carteira_deca

1.1 Origem:

Database DEV do Redshift (dtx-deca-sellin.czcbob9woqfg.us-east-1.redshift.amazonaws.com), schema small e tabela tb_ordem_pendente.

1.2 Transformação:

Fazendo uma query com um select de todos os campos da tabela origem:

query = "select * from small.tb_ordem_pendente" multiple_run_parameters = dbutils.notebook.entry_point.getCurrentBindings() bucket_name = multiple_run_parameters["bucket_name"] pedidos_carteira = redshift_to_dataframe(query = query, filename = "tb_ordem_pendente", bucket_name = bucket_name)

Renomeando as colunas:

colunas_pedidos_carteira = ["codigo_empresa", "numero_ordem_venda", "numero_sequencia_item_ordem_venda", "codigo_organizacao_vendas", "codigo_canal_distribuicao", "codigo_setor_atividade", "codigo_escritorio_vendas", "codigo_equipe_vendas", "codigo_emissor_ordem", "data_primeira_remessa", "data_emissao", "data_pedido_cliente", "motivo_recusa", "tipo_documento_ordem_venda", "quantidade_itens", "quantidade_faturada_ordem", "quantidade_pendente", "valor_liquido", "valor_faturado_ordem", "valor_pendente", "status_faturamento", "bloqueio_remessa_cliente", "status_verificacao_credito", "status_carteira", "codigo_produto", "descricao_produto", "data_atualizacao", "remessa", "data_desejada_remessa", "status_recusa", "status_item", "codigo_centro"] df_pedidos_carteira = pedidos_carteira.toDF(*colunas_pedidos_carteira)

Utilizando Spark SQL para fazer alguns ajustes e aplicar algumas regras de negócio:

df_carteira = spark.sql(""" select to_date(data_atualizacao) as data_referencia, (case when codigo_setor_atividade == 'HY' then 'hydra' when codigo_setor_atividade == 'MS' then 'metais' when codigo_setor_atividade == 'CS' then 'loucas' end) as negocio, sum(case when status_carteira in('Bloqueio Adm.', 'Credito', 'Limbo', 'Limbo Programado', 'Não classificado') then valor_pendente else 0 end) as valor_bloqueado, sum(case when status_carteira in('Programado', 'Remetido') then valor_pendente else 0 end) as valor_livre from pedidos_carteira where to_date(data_atualizacao) == current_date() and codigo_setor_atividade in('CS', 'HY', 'MS') group by 1, 2 """)

Fazendo append na tabela final na database indicadores_mercado:

1.3 Base Final:

col_name

data_type

col_name

data_type

data_referencia

date

negocio

string

valor_bloqueado

double

valor_livre

double

 

2. Indicadores Devolução Deca

Indicadores para pedidos em status de devolução para Deca.

  • Notebook: indicadores_devolucao_deca

  • Job: inteligencia-mercado_job_prod_indicadores_devolucao_deca

  • Schedule: diário/14:00h

  • Base fim: indicadores_mercado.tb_indicadores_devolucoes_deca

2.1 Origem:

Database large e tabela tb_resultado_comercial.

2.2 Transformação:

Utilizando o Spark SQL para query da tabela origem já aplicando regras de negócio:

Calculando o valor de devolução ajustado, conforme regra de negócio:

Sobrescrevendo a tabela final na database indicadores_mercado:

2.3 Base Final:

col_name

data_type

col_name

data_type

mes

date

negocio

string

valor_faturamento

double

valor_devolucao

double

 

3. Indicadores Devolução Madeira

Indicadores para pedidos em status de devolução para Madeira.

  • Notebook: indicadores_devolucao_madeira

  • Job: inteligencia-mercado_job_prod_indicadores_devolucao_madeira

  • Schedule: diário/12:00h

  • Base fim: indicadores_mercado.tb_indicadores_devolucoes_madeira

3.1 Origem:

Database analytics_prd e tabela custos_rem.

3.2 Transformação:

Utilizando o Spark SQL para query da tabela origem já aplicando regras de negócio:

Sobrescrevendo a tabela final na database indicadores_mercado:

3.3 Base Final:

col_name

data_type

col_name

data_type

mes

date

negocio

string

valor_faturamento

decimal(29,2)

valor_devolucao

decimal(29,2)

 

4. Indicadores Financeiros

Indicadores financeiros disponibilizados pela Controladoria.

  • Notebook: indicadores_financeiros

  • Job: inteligencia-mercado_job_prod_indicadores_financeiros

  • Schedule: diário/15:00h

  • Base fim: indicadores_mercado.tb_indicadores_financeiros_2022

4.1 Origem:

A Controladoria atualiza mensalmente alguns arquivos Excel disponibilizados em no Sharepoint Relatório Controladoria.

4.2 Transformação:

Foi desenvolvida uma função para fazer o download desses arquivos e gravar no diretório do dbfs:

Fazendo o download dos arquivos:

4.2.1 Arquivo Fechamento_Gerencial_2022.xlsm

4.2.1.1 Indicadores do DRE

Definindo função para Indicadores do DRE:

Aplicando a função para cada negócio, passando o parâmetro de range de células onde se encontram os dados:

Fazendo união de todos os dataframes gerados:

4.2.1.2 Indicadores do EVA

Definindo função para Indicadores do EVA, lendo a sheet EVA do arquivo:

Aplicando a função para cada negócio, passando o parâmetro de range de células onde se encontram os dados:

Fazendo união de todos os dataframes gerados e ajustando a ordem de grandeza do campo eva_recorrente:

4.2.2 Arquivo Fluxo_de_Caixa_Oficial_2022.xlsx

4.2.2.1 Indicadores de Fluxo de Caixa

Definindo função para Indicadores de Fluxo de Caixa, lendo a sheet F.C. REAL do arquivo:

Aplicando a função para cada negócio, passando o parâmetro de range de células onde se encontram os dados:

Fazendo união de todos os dataframes gerados:

4.2.2.2 Indicadores de PMP

Definindo função para Indicadores de PMP, lendo a sheet CGL.ROL do arquivo:

Aplicando a função para cada negócio, passando o parâmetro de range de células onde se encontram os dados:

Fazendo união de todos os dataframes gerados:

4.2.3 Arquivo Forecast_3_9_2022.xlsx

4.2.3.1 Indicadores de Forecast

Definindo função para Indicadores de Forecast:

Aplicando a função para cada negócio, passando o parâmetro de range de células onde se encontram os dados:

Fazendo união de todos os dataframes gerados:

4.2.3.2 Indicadores de Forecast EVA

Definindo função para Indicadores de Forecast EVA, lendo a sheet Base EVA ROIC:

Aplicando a função para cada negócio, passando o parâmetro de range de células onde se encontram os dados:

Fazendo união de todos os dataframes gerados e ajustando a ordem de grandeza do campo frc_eva_recorrente:

4.2.4 Arquivo FCST_2_10___Fluxo_de_Caixa_Livre_2022.xlsx

4.2.4.1 Indicadores Forecast Fluxo de Caixa

Definindo função para Indicadores de Forecast fluxo de Caixa, lendo a sheet F.C. FCST:

Aplicando a função para cada negócio, passando o parâmetro de range de células onde se encontram os dados:

Fazendo união de todos os dataframes gerados:

4.2.5 Arquivo indicadores_poa_2022.csv

Foi feito o upload desse arquivo diretamente no dbfs do Databricks:

Tratando alguns tipos de campos e ajustando a ordem de grandeza de outro:

4.2.6 Base Final

Todos os dataframes gerados nos passos anteriores agora são unidos para formar um único, utilizando os campos mes e negocio:

Sobrescrevendo a tabela final no database :

4.3 Base Final:

col_name

data_type

col_name

data_type

mes

date

negocio

string

receita_liquida_vendas

double

ebitda_recorrente

double

eva_recorrente

double

fluxo_caixa_livre_total

double

pmp

double

frc_receita_liquida_vendas

double

frc_ebitda_recorrente

double

frc_eva_recorrente

double

frc_fluxo_caixa_livre_total

double

poa_receita_liquida_vendas

double

poa_ebitda_recorrente

double

poa_eva_recorrente

double

poa_fluxo_caixa_livre_total

double

 

5. Indicadores Gente

Indicadores de Recursos Humanos.

  • Notebook: indicadores_gente

  • Job: inteligencia-mercado_job_prod_indicadores_gente

  • Schedule: sextas-feiras, 14:00h

  • Base fim: indicadores_mercado.tb_indicadores_gente

5.1 Origem:

O arquivo indicadores_gente.csv é disponibilizado e atualizado mensalmente no Sharepoint.

5.2 Transformação:

Definindo função para o download do arquivo para o dbfs:

Lendo o arquivo:

Aplicando regra de negócio para o campo taxa_afastamento:

Sobrescrevendo a tabela final na database indicadores_mercado:

5.3 Base Final:

col_name

data_type

col_name

data_type

mes

date

negocio

string

quantidade_cargos_lideranca_mulheres

int

quantidade_cargos_lideranca_total

int

taxa_desligamentos_voluntarios

double

taxa_desligamentos_involuntarios

double

taxa_desligamentos_total

double

taxa_absenteismo_sem_afastamento

double

taxa_absenteismo_com_afastamento

double

taxa_afastamento

double

 

7. Indicadores Margem Madeira

Indicadores de Margem para Madeira.

  • Notebook: indicadores_margem_madeira

  • Job: inteligencia-mercado_job_prod_indicadores_margem_madeira

  • Schedule: diário/14:22h

  • Base fim: indicadores_mercado.tb_indicadores_margem_madeira

7.1 Origem:

É feita uma consulta na fonte de dados vw_ren_rateio_aj_SQL, no site Madeira do Tableau Server:

7.2 Transformação:

São utilizadas as bibliotecas tableauserverclient e tableauhyperapi do Python:

Definindo variáveis para conexão no Tableau Server:

Definindo parâmetros da conexão com o Tableau Server:

Fazendo o download do arquivo .tdsx:

O arquivo de extensão .tdsx nada mais é que uma compactação dos arquivos de fonte de dados do Tableau. Portanto foi utilizada a biblioteca zipfile do Python para fazer essa descompactação em diretório do dbfs:

Após a descompactação, é utilizada a biblioteca tableauhyperapi para extrair os dados do arquivo .hyper, que foi descompactado no diretório /dbfs/FileStore/shared_uploads/arquivos_diversos_cognitivo/Data/Extracts/ no processo anterior. É feita uma query para trazer apenas os campos necessários:

Definindo schema para o dataframe que será criado a partir da lista resultado_consulta:

Criando o dataframe:

Utilizando o Spark SQL para aplicar algumas regras de negócio:

Aplicando mais algumas regras de negócio:

Sobrescrevendo a tabela final na database indicadores_mercado:

7.3 Base Final:

col_name

data_type

col_name

data_type

mes

string

produto

string

receita_m3

double

cit_m3

double

cco_m3

double

mop_m3

double

9. Indicadores OEE Madeira

Indicadores de OEE para Madeira.

  • Notebook: indicadores_oee_madeira

  • Job: inteligencia-mercado_job_prod_indicadores_oee_madeira

  • Schedule: diário/12:00h

  • Base fim: indicadores_mercado.tb_indicadores_oee_madeira

9.1 Origem:

O arquivo indicadores_oee_madeira.xlsx é disponibilizado e atualizado mensalmente no Sharepoint.

9.2 Transformação:

Definindo função para ler o arquivo:

Lendo a sheet cru do arquivo, definindo os parâmetros de range de células, nome das células e quantidade de linhas a serem desconsideradas. Utilizando o while e a função isinstance() para repetir o processo até que o dataframe esteja criado:

Definindo o nome do produto como constante:

Lendo a sheet revestido do arquivo, definindo os parâmetros de range de células, nome das células e quantidade de linhas a serem desconsideradas:

Definindo o nome do produto como constante:

Lendo a sheet historico do arquivo, definindo os parâmetros de range de células, nome das células e quantidade de linhas a serem desconsideradas:

Fazendo a união de todos os dataframes criados:

Sobrescrevendo a tabela final na database indicadores_mercado:

9.3 Base Final:

col_name

data_type

col_name

data_type

mes

date

oee

double

oee_meta_global

double

produto

string

10. Indicadores OTIF Deca

Indicadores de OTIF para Deca.

  • Notebook: indicadores_otif_deca

  • Job: inteligencia-mercado_job_prod_indicadores_otif_deca

  • Schedule: diário/12:00h

  • Base fim: indicadores_mercado.tb_indicadores_otif_deca

10.1 Origem:

O arquivo dados_otif_deca.csv é disponibilizado e atualizado mensalmente no Sharepoint.

10.2 Transformação:

Definindo função para fazer o download do arquivo em diretório do dbfs:

Lendo arquivo:

Sobrescrevendo a tabela final na database indicadores_mercado:

10.3 Base Final:

col_name

data_type

col_name

data_type

mes

date

segmento_deca

string

otif_deca

double

meta_otif_deca

double

11. Indicadores OTIF Madeira

Indicadores de OTIF para Madeira.

  • Notebook: indicadores_otif_madeira

  • Job: inteligencia-mercado_job_prod_indicadores_otif_madeira

  • Schedule: diário/12:00h

  • Base fim: indicadores_mercado.tb_indicadores_otif_madeira

11.1 Origem:

O arquivo dados_otif_madeira.csv é disponibilizado e atualizado mensalmente no Sharepoint.

11.2 Transformação:

Definindo função para fazer o download do arquivo em diretório do dbfs:

Lendo arquivo:

Sobrescrevendo a tabela final na database indicadores_mercado:

11.3 Base Final:

col_name

data_type

col_name

data_type

mes

date

segmento_madeira

string

otif_madeira

double

meta_otif_madeira

double

12. Indicadores Panorama Mercado Madeira

Indicadores de Panorama de Mercado para Madeira.

  • Notebook: indicadores_panorama_mercado_madeira

  • Job: inteligencia-mercado_job_prod_indicadores_panorama_mercado_madeira

  • Schedule: diário/13:00h

  • Base fim: indicadores_mercado.tb_indicadores_panorama_mercado_madeira

12.1 Origem:

Database DEV do Redshift (dtx-deca-sellin.czcbob9woqfg.us-east-1.redshift.amazonaws.com), schema madeira e tabela vw_mercado_panorama_v2.

12.2 Transformação:

É feita uma query da tabela já aplicando algumas regras de negócio:

Renomeando campos:

Ajustando campo mes:

Sobrescrevendo a tabela final na database indicadores_mercado:

12.3 Base Final:

col_name

data_type

col_name

data_type

mes

date

mercado

string

produto

string

volume_m3_total

double

13. Indicadores Produtividade Deca

Indicadores de Produtividade para Deca.

  • Notebook: indicadores_produtividade_deca

  • Job: inteligencia-mercado_job_prod_indicadores_produtividade_deca

  • Schedule: diário/12:00h

  • Base fim: indicadores_mercado.tb_indicadores_minuto_homem_deca

13.1 Origem:

O arquivo Produtividade DECA&RC.xlsx é disponibilizado e atualizado mensalmente no Sharepoint.

13.2 Transformação:

Definindo função para fazer o download do arquivo para diretório do dbfs:

Fazendo o download do arquivo:

Lendo o arquivo:

Definindo função para ler os dados dos diferentes segmentos Deca. Passando os parâmetros de negócio, range de células, quantidade de linhas desconsideradas e quantidade de linhas consideradas, a função gera dois dataframes, um para produtividade e outro para POA. Isso é feito através de filtro na coluna: quando é diferente de POA, então é produtividade.

Aplicando função para metais, já definindo os parâmetros de range de células, quantidade de linhas ignoradas e quantidade de linhas consideradas:

Aplicando função para loucas:

Aplicando função para Hydra:

Aplicando função para revestimento:

Fazendo a união de todos os dataframes criados:

Sobrescrevendo a tabela final na database indicadores_mercado:

13.3 Base Final:

col_name

data_type

col_name

data_type

mes

date

segmento

string

poa_produtividade

double

produtividade

double

14. Indicadores SAC

Indicadores de SAC.

  • Notebook: indicadores_sac

  • Job: inteligencia-mercado_job_prod_indicadores_sac

  • Schedule: diário/12:00h

  • Base fim: indicadores_mercado.tb_indicadores_sac

14.1 Origem:

O arquivo dados_sac.csv é disponibilizado e atualizado mensalmente no Sharepoint.

14.2 Transformação:

Definindo função para fazer o download do arquivo em diretório do dbfs:

Lendo arquivo:

Aplicando regra de negócio para o campo saldo:

Sobrescrevendo a tabela final na database indicadores_mercado:

14.3 Base Final:

col_name

data_type

col_name

data_type

mes

date

visao

string

negocio

string

casos_abertos

int

casos_fechados

int

saldo

int

15. Indicadores Sell-in Deca - Chuveiros

Indicadores de Sell-in para Deca.

  • Notebook: indicadores_sell_in_deca_chuveiros

  • Base fim: indicadores_mercado.tb_indicadores_sell_in_deca_chuveiros

15.1 Origem:

O arquivo foi disponibilizado e foi feito seu upload direto no dbfs do Databricks. Motivo é que esses dados não são atualizáveis. Diretório de upload: /dbfs/FileStore/shared_uploads/arquivos_diversos_cognitivo/sell_in_deca_chuveiros.xlsx.

15.2 Transformação:

Lendo sheet do arquivo:

Renomeando colunas:

Tratando os valores missing:

Transformando em dataframe do Spark:

Sobrescrevendo a tabela final na database indicadores_mercado:

15.3 Base Final:

col_name

data_type

col_name

data_type

marca

string

canal_abastecimento

string

regiao

string

macro_categoria

string

material

string

tipo

string

sku

string

meses

timestamp

desviador

string

linha

string

tensao

string

potencia

string

modelo

string

ean

string

valor

double

volume

double

16. Indicadores Sell-in Deca - Cubas

Indicadores de Sell-in para Deca.

  • Notebook: indicadores_sell_in_deca_cubas

  • Base fim: indicadores_mercado.tb_indicadores_sell_in_deca_cubas

16.1 Origem:

O arquivo foi disponibilizado e foi feito seu upload direto no dbfs do Databricks. Motivo é que esses dados não são atualizáveis. Diretório de upload: /dbfs/FileStore/shared_uploads/arquivos_diversos_cognitivo/sell_in_deca_cubas.xlsx.

16.2 Transformação:

Lendo sheet do arquivo:

Renomeando colunas:

Tratando os valores missing:

Transformando em dataframe do Spark:

Sobrescrevendo a tabela final na database indicadores_mercado:

16.3 Base Final:

col_name

data_type

col_name

data_type

marca

string

canal_abastecimento

string

regiao

string

macro_categoria

string

material

string

aplicacao

string

instalacao

string

sku

string

meses

timestamp

formato

string

cor

string

acabamento

string

ean

string

valor

double

volume

double

17. Indicadores Sell-in Deca - Torneiras

Indicadores de Sell-in para Deca.

  • Notebook: indicadores_sell_in_deca_torneiras

  • Base fim: indicadores_mercado.tb_indicadores_sell_in_deca_torneiras

17.1 Origem:

O arquivo foi disponibilizado e foi feito seu upload direto no dbfs do Databricks. Motivo é que esses dados não são atualizáveis. Diretório de upload: /dbfs/FileStore/shared_uploads/arquivos_diversos_cognitivo/sell_in_deca_torneiras.xlsx.

17.2 Transformação:

Lendo sheet do arquivo:

Renomeando colunas:

Tratando os valores missing:

Transformando em dataframe do Spark:

Sobrescrevendo a tabela final na database indicadores_mercado:

17.3 Base Final:

col_name

data_type

col_name

data_type

marca

string

canal_abastecimento

string

regiao

string

macro_categoria

string

material

string

subcategoria

string

aplicacao

string

instalacao

string

sku

string

meses

timestamp

bica

string

linha

string

tensao

string

potencia

string

modelo

string

ean

string

valor

double

volume

double

18. Indicadores Market Share, Sell-in e Sell-out Madeira

Indicadores para Market Share, Sell-in e Sell-out de Madeira.

  • Notebook: indicadores_share_sell_in_sell_out_madeira

  • Job: inteligencia-mercado_job_prod_indicadores_share_sell_in_sell_out_madeira

  • Schedule: diário/12:00h

  • Base fim: indicadores_mercado.tb_indicadores_share_sell_in_sell_out_madeira

18.1 Origem:

Database DEV do Redshift (dtx-deca-sellin.czcbob9woqfg.us-east-1.redshift.amazonaws.com), schema madeira e view vw_base_mktshare_sellin_sellout.

18.2 Transformação:

Fazendo uma query com um select de todos os campos da tabela origem:

Renomeando as colunas:

Ajustando tipos dos campos:

Sobrescrevendo a tabela final na database indicadores_mercado:

18.3 Base Final:

col_name

data_type

col_name

data_type

tipo

string

ano

int

competencia

int

mercado

string

produto

string

produto_detalhe

string

volume_m3

double

volume_m2

double

volume_m3_cap_dtx

double

volume_m3_cap_mercex

double

data_atualizacao_base

date

produto_segmento

string

quantidade_volume_m3_liquido

double

quantidade_volume_m2

double

19. Indicadores Vendas Deca

Indicadores para Vendas de Deca.

  • Notebook: indicadores_venda_deca

  • Job: inteligencia-mercado_job_prod_indicadores_venda_deca

  • Schedule: diário/10:00h

  • Base fim: indicadores_mercado.tb_indicadores_vendas_deca

19.1 Origem:

Consulta da tabela tb_resultado_comercial da database large e consulta database DEV do Redshift (dtx-deca-sellin.czcbob9woqfg.us-east-1.redshift.amazonaws.com), schema large e tabela tb_metas_comercial_hierarquia_produto.

19.2 Transformação:

Definindo função para criação de dataframe com range de datas, desde 01/01/2022 até hoje.

Sobrescrevendo a tabela de datas na database indicadores_mercado, para ser utilizada em outra etapa do processo:

Fazendo consulta para vendas na large, já aplicando algumas regras de negócio:

Fazendo join entre o dataframe de datas e o de vendas, com o objetivo de agregar todos os dias do range na base, mesmo que sem registro de vendas:

Definindo um particionamento no dataframe df_vendas_ajustado, com o objetivo de posteriormente fazer uma soma acumuladas das vendas agrupada por negócio e mês:

Criando campo com soma acumulada, utilizando a partição criada anteriormente:

Criando campo com soma acumulada, utilizando a partição criada anteriormente:

Sobrescrevendo a tabela de datas na database indicadores_mercado, para ser utilizada em outra etapa do processo:

Então, é feita uma query, já aplicando algumas regras de negócio, na large do Redshift, com o objetivo de obter as metas:

Renomeando colunas:

Próximo passo é definir uma função para cálculo de quantidade de dias dentro de cada mês, com o objetivo de posteriormente calcular a meta diárias através da mensal:

Aplicando a função e calculando a meta diária:

Sobrescrevendo a tabela de datas na database indicadores_mercado, para ser utilizada em outra etapa do processo:

Criando colunas para cada tipo de meta, PEV e POA:

Criando dataframe unindo as duas metas:

Fazendo join entre a base de datas e a de metas:

Por fim, criando a tabela final. Fazendo query na database para vendas e join com o dataframe de metas:

Criando particionamento, para posteriormente calcular as metas acumuladas por mês e negócio:

Criando as metas acumuladas utilizando o particionamento:

Sobrescrevendo a tabela final na database indicadores_mercado:

19.3 Base Final:

col_name

data_type

col_name

data_type

data

date

mes

date

negocio

string

receita_liquida_vendas

double

receita_liquida_vendas_acumuladas

double

valor_meta_diaria_pev

double

valor_meta_diaria_poa

double

metas_acumuladas_pev

double

metas_acumuladas_poa

double

 

Add label

Related content

Transformações Camada Gold
Transformações Camada Gold
Arquitetura e Governança D&A
Read with this
API Clube Marceneiros MKT
API Clube Marceneiros MKT
Documentar Analtytics
More like this