Painel Geral de Atendimentos | STI - IPRN

Dashboard desenvolvido para tornar visíveis os números de atendimentos dos setores de informática de uma Instituição Pública do Rio Grande do Norte.

Dados reais integralmente anonimizados para fins de portfólio (LGPD)
Python

🔍 O Desafio de Negócio

O órgão enfrentava desafios na gestão de Chamados de TI, com pouca visibilidade sobre a real demanda de trabalho e distribuição geográfica. O projeto foi guiado por três questões estratégicas:

Priorização Real

Qual é o setor com o maior volume de atendimentos e qual a prioridade real dos problemas (Pareto)?

Custo Logístico

Quais localidades concentram a demanda, impactando o custo de deslocamento e combustível?

Decisão de Pessoal

Qual é o problema mais comum de cada setor para subsidiar decisões de investimento e contratação?

Análise Interativa

Dados atualizados em tempo real

🚀 Descobertas e Impacto

A análise revelou gargalos críticos para a gestão de custos e planejamento de RH

Risco Operacional (Nível 2)

83% da demanda depende de estagiários e terceirizados.

Apenas 2 técnicos terceirizados e 6 estagiários cobriram 3007 demandas anuais, gerando alto risco de interrupção em caso de rotatividade.

Gargalo de Licitação

21% dos chamados de hardware não resolvidos.

A morosidade no processo de compra de equipamentos trava o SLA do setor SAU, que concentra 62% da demanda.

Foco Geográfico de Custo

Concentração em Natal e Mossoró.

O mapa de calor evidenciou a necessidade de rever a estratégia de deslocamento para reduzir custos de viagem e combustível.

Oportunidade de Outsourcing

Alta demanda por Impressão.

Dados sugerem viabilidade econômica para contratação de outsourcing, mitigando dependência de manutenção interna.

Pipeline de Engenharia de Dados

Da extração automatizada à visualização: um fluxo focado em eficiência e privacidade

Fluxo de Dados (ETL)

1

Extração (Selenium)

Coleta automatizada de tickets do sistema GLPI via script Python e Selenium.

2

Tratamento (Pandas)

Limpeza, normalização de datas/cidades e estruturação dos dados brutos.

3

Anonimização (LGPD)

Aplicação de hash em IDs e remoção de dados sensíveis para garantir privacidade.

4

Visualização (Power BI)

Modelagem Star Schema e criação de métricas DAX para análise interativa.

Stack Tecnológica

Python
Selenium, Pandas, Regex
Power BI
DAX, Power Query, Modelagem
Geoanálise
GeoJSON, Mapas de Calor
Segurança
Anonimização de Dados

Resultado Técnico

A automação do processo eliminou a necessidade de planilhas manuais, garantindo integridade dos dados e permitindo foco total na análise estratégica em vez da coleta operacional.