Projetos SQL Incríveis para Seu Currículo

Desvendando o Poder do SQL: 10 Projetos Incríveis para Turbinar sua Carreira em Tecnologia

Você já se perguntou como as empresas analisam grandes volumes de dados e tomam decisões estratégicas com base neles? O segredo está em uma linguagem de programação poderosa e versátil chamada SQL, ou Structured Query Language. Se você está buscando uma carreira de sucesso em tecnologia, dominar o SQL é uma habilidade essencial que pode abrir portas em qualquer setor. Hoje nós veremos Projetos em SQL para turbinar o seu Currículo!

Neste artigo, mergulharemos fundo no mundo do SQL, e o faremos de uma maneira prática e envolvente. Não se trata apenas de conceitos teóricos; vamos colocar a mão na massa e explorar 10 projetos SQL incríveis que você pode adicionar ao seu currículo. Estes não são apenas projetos fictícios, mas sim desafios do mundo real que envolvem análise de dados, tomada de decisões e resolução de problemas reais.

Ao longo deste artigo, você descobrirá como analisar dados de vendas, mergulhar no emocionante mundo do futebol brasileiro, segmentar clientes de forma eficaz, dominar as subconsultas e muito mais. Cada projeto será detalhadamente explicado, com exemplos práticos e links para bases de dados reais para que você possa começar a trabalhar imediatamente.

Então, prepare-se para uma jornada emocionante através do SQL. Vamos explorar projetos que não apenas turbinarão suas habilidades em SQL, mas também tornarão seu currículo verdadeiramente impressionante. Vamos começar!

Para encontrar bases de dados reais, você pode considerar os seguintes recursos:

Kaggle: Kaggle é uma plataforma popular que oferece uma variedade de conjuntos de dados gratuitos em várias áreas, incluindo esportes, negócios, ciência de dados e muito mais. Você pode procurar conjuntos de dados relevantes para os seus projetos no Kaggle.

Data.gov: Se você estiver interessado em dados governamentais, o Data.gov é uma excelente fonte de conjuntos de dados públicos dos Estados Unidos. Muitos outros países também têm portais semelhantes.

GitHub: Muitas pessoas compartilham conjuntos de dados em repositórios públicos do GitHub. Você pode pesquisar repositórios que contenham dados relevantes para os seus projetos.

Fontes acadêmicas: Universidades e instituições de pesquisa frequentemente disponibilizam conjuntos de dados para estudos acadêmicos. Verifique se há fontes acadêmicas relevantes para o seu projeto.

Sites especializados: Alguns sites estão focados em fornecer conjuntos de dados, como o UCI Machine Learning Repository e o World Bank Data. Eles oferecem uma variedade de dados para fins de pesquisa e análise.

Projetos SQL Incríveis para Seu Currículo

Você já ouviu falar que aprender SQL pode ser uma habilidade incrivelmente valiosa para sua carreira em tecnologia? Bem, é a mais pura verdade! SQL, ou Structured Query Language, é uma linguagem de programação especializada em gerenciar e manipular dados armazenados em bancos de dados relacionais. É amplamente utilizado em uma variedade de setores, incluindo análise de dados, marketing, saúde, logística e muito mais.

A melhor maneira de dominar SQL é colocar a mão na massa e trabalhar em projetos práticos. Neste artigo, vamos explorar 10 projetos SQL incríveis que você pode adicionar ao seu currículo para destacar suas habilidades em SQL. Vamos mergulhar em cada projeto, fornecer exemplos práticos, explicar os conceitos subjacentes e até mesmo fornecer links para bases de dados reais que você pode usar para suas análises. Vamos começar!

1. Análise de Dados de Vendas

Descrição do Projeto

Imagine que você trabalha para uma empresa de varejo e deseja analisar o desempenho de vendas de diferentes produtos ao longo do tempo. Você pode usar SQL para extrair informações valiosas de um banco de dados de vendas e criar relatórios detalhados.

Vamos supor que temos uma tabela chamada “vendas” com as seguintes colunas:

• data_venda: A data em que a venda ocorreu.
• produto: O nome do produto vendido.
• quantidade: A quantidade do produto vendido.
• preco_unitario: O preço unitário do produto.
• total_venda: O valor total da venda.

Tabela vendas:

Esta tabela armazenará informações sobre vendas de produtos.

data_venda	produto	quantidade	preco_unitario	total_venda
2023-09-01	Smartphone	3	600	1800
2023-09-02	Laptop	1	1200	1200
2023-09-03	Tablet	2	300	600
2023-09-03	Headphones	4	50	200
2023-09-04	Laptop	2	1200	2400
2023-09-05	Smartphone	1	600	600
2023-09-05	Tablet	3	300	900
2023-09-06	Headphones	2	50	100
2023-09-06	Smartwatch	2	250	500

Esta tabela registra vendas de produtos em diferentes datas, com informações sobre o produto, a quantidade vendida, o preço unitário e o valor total da venda.

Lembre-se de que esses são exemplos fictícios e que você pode substituir esses dados por informações reais, caso esteja trabalhando com uma base de dados de vendas reais.

Aqui estão os passos para realizar essa análise:

Passo 1: Preparação do Ambiente

Certifique-se de que você tenha um ambiente de banco de dados SQL pronto para uso. Você pode usar MySQL, PostgreSQL, SQL Server ou qualquer outro sistema de gerenciamento de banco de dados que preferir.

Passo 2: Importação dos Dados

Importe os dados de vendas para o seu banco de dados a partir de um arquivo CSV, Excel ou qualquer outro formato em que eles estejam disponíveis.

Passo 3: Exploração Inicial dos Dados

Antes de mergulhar nas análises, faça uma exploração inicial dos dados para entender o que está disponível. Execute consultas simples, como:

-- Visualize as primeiras linhas dos dados
SELECT *
FROM vendas
LIMIT 10;

• SELECT *: Esta parte da consulta seleciona todas as colunas da tabela vendas.
• FROM vendas: Indica que estamos selecionando dados da tabela chamada “vendas”.
• LIMIT 10: Limita o resultado da consulta às primeiras 10 linhas da tabela. Isso é útil para visualizar rapidamente os primeiros registros dos dados.

Essa consulta é usada para fazer uma exploração inicial dos dados, permitindo que você veja como os dados são estruturados e confirme se a importação foi bem-sucedida.

Passo 4: Análise de Vendas Mensais

Vamos começar analisando as vendas mensais. Queremos entender como as vendas evoluíram ao longo do tempo. Execute a seguinte consulta para calcular as vendas totais mensais:

SELECT
    EXTRACT(YEAR FROM data_venda) AS ano,
    EXTRACT(MONTH FROM data_venda) AS mes,
    SUM(total_venda) AS total_vendas
FROM
    vendas
GROUP BY
    ano, mes
ORDER BY
    ano, mes;

• SELECT: Indica que estamos selecionando colunas para incluir no resultado.
• EXTRACT(YEAR FROM data_venda) AS ano e EXTRACT(MONTH FROM data_venda) AS mes: Usamos a função EXTRACT para extrair o ano e o mês da coluna data_venda. Renomeamos essas colunas extraídas como “ano” e “mes”.
• SUM(total_venda) AS total_vendas: Calculamos a soma das vendas totais para cada mês e ano e renomeamos essa coluna como “total_vendas”.
• FROM vendas: Indica que estamos selecionando dados da tabela “vendas”.
• GROUP BY ano, mes: Agrupamos os dados com base nos valores das colunas “ano” e “mes”. Isso nos permite calcular as vendas mensais.
• ORDER BY ano, mes: Ordenamos o resultado em ordem crescente de ano e mês.

Essa consulta é usada para calcular as vendas totais para cada mês e ano, fornecendo uma visão geral das tendências de vendas ao longo do tempo.

Passo 5: Produtos Mais Vendidos

Agora, vamos identificar os produtos mais vendidos. Execute a seguinte consulta para listar os produtos em ordem decrescente de quantidade vendida:

SELECT
    produto,
    SUM(quantidade) AS total_vendido
FROM
    vendas
GROUP BY
    produto
ORDER BY
    total_vendido DESC;

• SELECT: Indica que estamos selecionando colunas para incluir no resultado.
• produto: Seleciona a coluna “produto” da tabela.
• SUM(quantidade) AS total_vendido: Calculamos a soma da quantidade vendida para cada produto e renomeamos essa coluna como “total_vendido”.
• FROM vendas: Indica que estamos selecionando dados da tabela “vendas”.
• GROUP BY produto: Agrupamos os dados com base nos valores da coluna “produto”. Isso nos permite calcular as quantidades vendidas para cada produto.
• ORDER BY total_vendido DESC: Ordenamos o resultado em ordem decrescente com base nas quantidades vendidas, para listar os produtos mais vendidos no topo.

Essa consulta é usada para identificar os produtos mais populares em termos de quantidade vendida.

Passo 6: Análise de Preços

Vamos analisar os preços dos produtos. Execute a seguinte consulta para calcular a média, mínimo e máximo dos preços unitários:

SELECT
    AVG(preco_unitario) AS preco_medio,
    MIN(preco_unitario) AS preco_minimo,
    MAX(preco_unitario) AS preco_maximo
FROM
    vendas;

• SELECT: Indica que estamos selecionando colunas para incluir no resultado.
• AVG(preco_unitario) AS preco_medio: Calculamos a média dos preços unitários e renomeamos essa coluna como “preco_medio”.
• MIN(preco_unitario) AS preco_minimo: Encontramos o preço unitário mínimo e renomeamos essa coluna como “preco_minimo”.
• MAX(preco_unitario) AS preco_maximo: Encontramos o preço unitário máximo e renomeamos essa coluna como “preco_maximo”.
• FROM vendas: Indica que estamos selecionando dados da tabela “vendas”.

Essa consulta é usada para calcular a média, o preço mínimo e o preço máximo dos produtos vendidos, fornecendo uma visão geral dos preços.

Passo 7: Análise de Vendas por Categoria

Se houver uma coluna de categoria de produtos em seus dados, você pode analisar as vendas por categoria. Suponha que a coluna de categoria seja chamada “categoria_produto”. Execute a seguinte consulta para calcular as vendas totais por categoria:

SELECT
    categoria_produto,
    SUM(total_venda) AS total_vendas_por_categoria
FROM
    vendas
GROUP BY
    categoria_produto
ORDER BY
    total_vendas_por_categoria DESC;

• SELECT: Indica que estamos selecionando colunas para incluir no resultado.
• categoria_produto: Seleciona a coluna “categoria_produto” da tabela.
• SUM(total_venda) AS total_vendas_por_categoria: Calculamos a soma das vendas totais para cada categoria de produto e renomeamos essa coluna como “total_vendas_por_categoria”.
• FROM vendas: Indica que estamos selecionando dados da tabela “vendas”.
• GROUP BY categoria_produto: Agrupamos os dados com base nos valores da coluna “categoria_produto”. Isso nos permite calcular as vendas totais para cada categoria.
• ORDER BY total_vendas_por_categoria DESC: Ordenamos o resultado em ordem decrescente com base nas vendas totais por categoria, listando as categorias mais vendidas no topo.

Essa consulta é usada para identificar as categorias de produtos que geram mais receita.

Cada consulta desempenha um papel importante na análise de dados de vendas, permitindo que você extraia informações significativas e tome decisões informadas com base nos dados disponíveis. Lembre-se de que essas consultas são apenas o começo, e você pode personalizá-las ou expandi-las de acordo com suas necessidades específicas de análise de dados.

Passo 8: Conclusões e Visualizações

Com os resultados das consultas acima, você terá uma visão clara do desempenho das vendas. Você pode usar esses dados para tomar decisões informadas, identificar áreas de melhoria e até criar visualizações gráficas para comunicar os resultados de forma eficaz.

Lembre-se de que este é apenas um exemplo de projeto de análise de dados de vendas em SQL. Dependendo da complexidade dos seus dados e dos seus objetivos, você pode expandir e personalizar essas análises.

Por fim, lembre-se de que a análise de dados é uma habilidade valiosa e procurada em muitas indústrias. Ao realizar projetos como este, você não apenas ganha experiência prática em SQL, mas também demonstra sua capacidade de extrair insights significativos dos dados, o que pode ser um trunfo importante em sua carreira.

2. Jogos de Futebol Brasileiro

Descrição do Projeto

Se você é um fã de esportes, este projeto pode ser especialmente empolgante. Vamos usar SQL para analisar estatísticas de jogos de futebol brasileiro e extrair informações valiosas sobre times e jogadores.

Neste projeto, vamos analisar uma tabela fictícia chamada “jogos” que contém informações sobre partidas de futebol brasileiro. A tabela incluirá as seguintes colunas:

• data_jogo: A data em que a partida ocorreu.
• time_casa: O time da casa que jogou.
• time_visitante: O time visitante.
• gols_casa: O número de gols marcados pelo time da casa.
• gols_visitante: O número de gols marcados pelo time visitante.

Aqui estão os passos para realizar essa análise:

Passo 1: Preparação do Ambiente

Certifique-se de que você tenha um ambiente de banco de dados SQL pronto para uso. Você pode usar MySQL, PostgreSQL, SQL Server ou qualquer outro sistema de gerenciamento de banco de dados que preferir.

Passo 2: Criação da Tabela de Exemplo

Para este projeto, vamos criar uma tabela de exemplo chamada “jogos” com dados fictícios. Aqui está como você pode criar a tabela e inserir alguns registros de exemplo:

CREATE TABLE jogos (
    id SERIAL PRIMARY KEY,
    data_jogo DATE,
    time_casa VARCHAR(255),
    time_visitante VARCHAR(255),
    gols_casa INT,
    gols_visitante INT
);

INSERT INTO jogos (data_jogo, time_casa, time_visitante, gols_casa, gols_visitante)
VALUES
    ('2023-09-01', 'Flamengo', 'São Paulo', 3, 1),
    ('2023-09-03', 'Palmeiras', 'Corinthians', 2, 2),
    ('2023-09-05', 'Grêmio', 'Internacional', 1, 0),
    ('2023-09-08', 'Atlético Mineiro', 'Cruzeiro', 2, 0),
    ('2023-09-10', 'Botafogo', 'Fluminense', 0, 1);

Esta consulta cria a tabela “jogos” com colunas para armazenar informações sobre as partidas de futebol. Em seguida, ela insere alguns registros de exemplo.

Passo 3: Exploração Inicial dos Dados

Antes de mergulhar nas análises, faça uma exploração inicial dos dados para entender o que está disponível. Execute consultas simples, como:

-- Visualize as primeiras linhas dos dados
SELECT *
FROM jogos
LIMIT 10;

Isso ajudará você a entender a estrutura dos dados.

Passo 4: Análise de Pontuação Média

Vamos começar analisando a pontuação média dos jogos. Execute a seguinte consulta para calcular a pontuação média (número médio de gols) em todas as partidas:

SELECT
    AVG(gols_casa + gols_visitante) AS pontuacao_media
FROM
    jogos;

• SELECT: Indica que estamos selecionando uma coluna para incluir no resultado.
• AVG(gols_casa + gols_visitante) AS pontuacao_media: Calcula a média dos gols marcados em todas as partidas, somando os gols das equipes da casa e visitante.

Essa consulta fornece a pontuação média em todas as partidas registradas.

Passo 5: Times com Melhor Desempenho

Agora, vamos identificar os times com melhor desempenho com base nas vitórias. Execute a seguinte consulta para listar os times que venceram mais partidas:

SELECT
    time,
    COUNT(*) AS vitorias
FROM (
    SELECT
        CASE
            WHEN gols_casa > gols_visitante THEN time_casa
            ELSE time_visitante
        END AS time
    FROM
        jogos
    WHERE
        gols_casa <> gols_visitante
) subquery
GROUP BY
    time
ORDER BY
    vitorias DESC;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• COUNT(*) AS vitorias: Conta o número de vitórias de cada time e renomeia a coluna como “vitorias”.
• A subconsulta dentro dos parênteses calcula o time vencedor de cada partida com base nos gols marcados pelas equipes da casa e visitante.
• WHERE gols_casa <> gols_visitante: Garante que apenas partidas com vencedores (sem empates) sejam consideradas.
• GROUP BY time: Agrupa os resultados por time.
• ORDER BY vitorias DESC: Ordena os resultados em ordem decrescente com base no número de vitórias.

Essa consulta lista os times que venceram mais partidas.

Passo 6: Partidas com Mais Gols

Agora, vamos identificar as partidas com mais gols marcados. Execute a seguinte consulta para listar as partidas com mais gols:

SELECT
    data_jogo,
    time_casa,
    time_visitante,
    gols_casa + gols_visitante AS total_gols
FROM
    jogos
ORDER BY
    total_gols DESC
LIMIT 5;

• SELECT: Indica que estamos selecionando quatro colunas para incluir no resultado.
• gols_casa + gols_visitante AS total_gols: Calcula o total de gols em cada partida somando os gols das equipes da casa e visitante.
• ORDER BY total_gols DESC: Ordena os resultados em ordem decrescente com base no total de gols.
• LIMIT 5: Limita o resultado às cinco partidas com mais gols.

Essa consulta lista as partidas com mais gols marcados.

Passo 7: Conclusões e Visualizações

Com os resultados das consultas acima, você terá uma visão inicial do desempenho dos times e das partidas de futebol brasileiro. Você pode usar esses dados para identificar os times mais vitoriosos, calcular métricas adicionais e até criar visualizações gráficas para comunicar os resultados de forma eficaz.

Lembre-se de que este é apenas um exemplo de projeto de análise de jogos de futebol brasileiro em SQL. Dependendo da complexidade dos seus dados e dos seus objetivos, você pode expandir e personalizar essas análises.

Por fim, lembre-se de que a análise de dados é uma habilidade valiosa em muitos setores, e projetos como este podem ajudar você a desenvolver sua expertise em SQL e análise de dados.

3. Segmentação de Clientes

Descrição do Projeto

Em marketing e análise de negócios, a segmentação de clientes é crucial. Vamos usar SQL para segmentar clientes com base em seus comportamentos de compra e preferências, o que pode ser extremamente valioso para personalizar campanhas de marketing.Neste projeto, vamos analisar uma tabela fictícia chamada “clientes” que contém informações sobre os clientes de uma empresa. A tabela incluirá as seguintes colunas:

• cliente_id: Um identificador único para cada cliente.
• nome: O nome do cliente.
• idade: A idade do cliente.
• sexo: O sexo do cliente (masculino, feminino, etc.).
• cidade: A cidade em que o cliente reside.
• valor_compra: O valor total das compras feitas pelo cliente.

Aqui estão os passos para realizar essa análise:

Passo 1: Preparação do Ambiente

Certifique-se de que você tenha um ambiente de banco de dados SQL pronto para uso. Você pode usar MySQL, PostgreSQL, SQL Server ou qualquer outro sistema de gerenciamento de banco de dados que preferir.

Passo 2: Criação da Tabela de Exemplo

Para este projeto, vamos criar uma tabela de exemplo chamada “clientes” com dados fictícios. Aqui está como você pode criar a tabela e inserir alguns registros de exemplo:

CREATE TABLE clientes (
    cliente_id SERIAL PRIMARY KEY,
    nome VARCHAR(255),
    idade INT,
    sexo VARCHAR(20),
    cidade VARCHAR(255),
    valor_compra DECIMAL(10, 2)
);

INSERT INTO clientes (nome, idade, sexo, cidade, valor_compra)
VALUES
    ('João da Silva', 35, 'Masculino', 'São Paulo', 1500.00),
    ('Maria Santos', 28, 'Feminino', 'Rio de Janeiro', 2000.00),
    ('Pedro Alves', 45, 'Masculino', 'Belo Horizonte', 800.00),
    ('Ana Rodrigues', 32, 'Feminino', 'Recife', 1200.00),
    ('Carlos Pereira', 40, 'Masculino', 'São Paulo', 2500.00);

Esta consulta cria a tabela “clientes” com colunas para armazenar informações sobre os clientes. Em seguida, ela insere alguns registros de exemplo.

Passo 3: Exploração Inicial dos Dados

Antes de mergulhar nas análises, faça uma exploração inicial dos dados para entender o que está disponível. Execute consultas simples, como:

-- Visualize as primeiras linhas dos dados
SELECT *
FROM clientes
LIMIT 10;

Isso ajudará você a entender a estrutura dos dados.

Passo 4: Segmentação de Clientes

Agora, vamos segmentar os clientes com base em critérios como idade, sexo e valor total de compras. Execute a seguinte consulta para segmentar os clientes:

SELECT
    CASE
        WHEN idade <= 30 THEN 'Jovem'
        WHEN idade <= 50 THEN 'Adulto'
        ELSE 'Idoso'
    END AS faixa_etaria,
    sexo,
    AVG(valor_compra) AS media_compra
FROM
    clientes
GROUP BY
    faixa_etaria, sexo
ORDER BY
    faixa_etaria, sexo;

• SELECT: Indica que estamos selecionando três colunas para incluir no resultado.
• CASE: Cria uma expressão condicional para definir a faixa etária com base na idade do cliente.
• AVG(valor_compra) AS media_compra: Calcula a média de compras para cada segmento de clientes e renomeia a coluna como “media_compra”.
• GROUP BY faixa_etaria, sexo: Agrupa os resultados por faixa etária e sexo.
• ORDER BY faixa_etaria, sexo: Ordena os resultados com base na faixa etária e sexo.

Essa consulta segmenta os clientes com base na faixa etária, sexo e média de compras.

Passo 5: Conclusões e Visualizações

Com os resultados das consultas acima, você terá uma visão da segmentação de clientes com base em critérios como idade, sexo e padrão de compra. Você pode usar esses dados para criar perfis de clientes, personalizar estratégias de marketing e tomar decisões informadas.

Lembre-se de que este é apenas um exemplo de projeto de análise de segmentação de clientes em SQL. Dependendo da complexidade dos seus dados e dos seus objetivos, você pode expandir e personalizar essas análises.

Agora você tem um projeto básico de análise de segmentação de clientes em SQL, e pode adaptá-lo às suas necessidades específicas.

4. Trabalhando com Subconsultas

Descrição do Projeto

Subconsultas (ou subqueries) são uma parte avançada do SQL que permite fazer consultas dentro de consultas. Vamos explorar como as subconsultas podem ser usadas para resolver problemas complexos.

Neste projeto, vamos analisar uma tabela fictícia chamada “pedidos” que contém informações sobre pedidos de produtos. A tabela incluirá as seguintes colunas:

• pedido_id: Um identificador único para cada pedido.
• data_pedido: A data em que o pedido foi feito.
• cliente_id: O identificador do cliente que fez o pedido.
• valor_pedido: O valor total do pedido.

Aqui estão os passos para realizar essa análise:

Passo 1: Preparação do Ambiente

Certifique-se de que você tenha um ambiente de banco de dados SQL pronto para uso. Você pode usar MySQL, PostgreSQL, SQL Server ou qualquer outro sistema de gerenciamento de banco de dados que preferir.

Passo 2: Criação da Tabela de Exemplo

Para este projeto, vamos criar uma tabela de exemplo chamada “pedidos” com dados fictícios. Aqui está como você pode criar a tabela e inserir alguns registros de exemplo:

CREATE TABLE pedidos (
    pedido_id SERIAL PRIMARY KEY,
    data_pedido DATE,
    cliente_id INT,
    valor_pedido DECIMAL(10, 2)
);

INSERT INTO pedidos (data_pedido, cliente_id, valor_pedido)
VALUES
    ('2023-09-01', 1, 1500.00),
    ('2023-09-03', 2, 2000.00),
    ('2023-09-05', 1, 800.00),
    ('2023-09-08', 3, 1200.00),
    ('2023-09-10', 2, 2500.00);

Esta consulta cria a tabela “pedidos” com colunas para armazenar informações sobre os pedidos. Em seguida, ela insere alguns registros de exemplo.

Passo 3: Exploração Inicial dos Dados

Antes de mergulhar nas análises com subconsultas, faça uma exploração inicial dos dados para entender o que está disponível. Execute consultas simples, como:

-- Visualize as primeiras linhas dos dados
SELECT *
FROM pedidos
LIMIT 10;

Isso ajudará você a entender a estrutura dos dados.

Passo 4: Utilizando Subconsultas

Subconsulta para Encontrar Clientes com Mais de um Pedido

Vamos começar com uma subconsulta para encontrar os clientes que fizeram mais de um pedido. Execute a seguinte consulta:

SELECT DISTINCT cliente_id
FROM pedidos
WHERE cliente_id IN (
    SELECT cliente_id
    FROM pedidos
    GROUP BY cliente_id
    HAVING COUNT(*) > 1
);

• A subconsulta dentro de WHERE cliente_id IN (...) seleciona os cliente_id que têm mais de um pedido usando GROUP BY e HAVING COUNT(*) > 1.

Essa consulta retorna os cliente_id dos clientes que fizeram mais de um pedido.

Subconsulta para Encontrar o Pedido Mais Caro

Agora, vamos usar uma subconsulta para encontrar o pedido mais caro. Execute a seguinte consulta:

SELECT *
FROM pedidos
WHERE valor_pedido = (
    SELECT MAX(valor_pedido)
    FROM pedidos
);

• A subconsulta dentro de WHERE valor_pedido = (...) encontra o valor máximo de pedido usando MAX(valor_pedido).

Isso retornará o registro do pedido mais caro.

Passo 5: Conclusões

As subconsultas são uma ferramenta poderosa para realizar análises complexas em SQL. Elas permitem que você realize consultas dentro de consultas, o que pode ser útil para filtrar dados, realizar agregações e responder a perguntas específicas.

Neste projeto, exploramos duas subconsultas: uma para encontrar clientes com mais de um pedido e outra para encontrar o pedido mais caro. Você pode expandir essas análises e criar consultas mais complexas com subconsultas para atender às suas necessidades específicas de análise de dados.

Lembre-se de que este é apenas um exemplo de projeto de análise usando subconsultas em SQL. Dependendo da complexidade dos seus dados e dos seus objetivos, você pode criar consultas mais avançadas para obter insights detalhados.

5. Analisando a Emissão de Carbono

Descrição do Projeto

Com a crescente preocupação com a sustentabilidade, a análise da emissão de carbono se tornou crucial em diversos setores. Neste projeto, usaremos SQL para analisar dados relacionados à emissão de carbono e avaliar seu impacto ambiental.

Neste projeto, vamos analisar uma tabela fictícia chamada “emissao_carbono” que contém informações sobre a emissão de carbono de diferentes empresas. A tabela incluirá as seguintes colunas:

• empresa_id: Um identificador único para cada empresa.
• nome_empresa: O nome da empresa.
• ano: O ano em que a emissão de carbono foi registrada.
• emissao_toneladas: A quantidade de carbono emitida em toneladas.

Aqui estão os passos para realizar essa análise:

Passo 1: Preparação do Ambiente

Certifique-se de que você tenha um ambiente de banco de dados SQL pronto para uso. Você pode usar MySQL, PostgreSQL, SQL Server ou qualquer outro sistema de gerenciamento de banco de dados que preferir.

Passo 2: Criação da Tabela de Exemplo

Para este projeto, vamos criar uma tabela de exemplo chamada “emissao_carbono” com dados fictícios. Aqui está como você pode criar a tabela e inserir alguns registros de exemplo:

CREATE TABLE emissao_carbono (
    empresa_id SERIAL PRIMARY KEY,
    nome_empresa VARCHAR(255),
    ano INT,
    emissao_toneladas DECIMAL(10, 2)
);

INSERT INTO emissao_carbono (nome_empresa, ano, emissao_toneladas)
VALUES
    ('Empresa A', 2020, 1500.00),
    ('Empresa B', 2020, 2000.00),
    ('Empresa C', 2021, 800.00),
    ('Empresa A', 2021, 1200.00),
    ('Empresa B', 2021, 2500.00);

Esta consulta cria a tabela “emissao_carbono” com colunas para armazenar informações sobre a emissão de carbono. Em seguida, ela insere alguns registros de exemplo.

Passo 3: Exploração Inicial dos Dados

Antes de mergulhar nas análises de emissão de carbono, faça uma exploração inicial dos dados para entender o que está disponível. Execute consultas simples, como:

-- Visualize as primeiras linhas dos dados
SELECT *
FROM emissao_carbono
LIMIT 10;

Isso ajudará você a entender a estrutura dos dados.

Passo 4: Análise da Emissão de Carbono

Análise Anual da Emissão de Carbono

Vamos começar analisando a emissão de carbono ano a ano para cada empresa. Execute a seguinte consulta:

SELECT
    nome_empresa,
    ano,
    SUM(emissao_toneladas) AS emissao_total
FROM
    emissao_carbono
GROUP BY
    nome_empresa, ano
ORDER BY
    nome_empresa, ano;

• SELECT: Indica que estamos selecionando três colunas para incluir no resultado.
• SUM(emissao_toneladas) AS emissao_total: Calcula a soma da emissão de carbono em toneladas para cada empresa e ano e renomeia a coluna como “emissao_total”.
• GROUP BY nome_empresa, ano: Agrupa os resultados por nome da empresa e ano.
• ORDER BY nome_empresa, ano: Ordena os resultados por nome da empresa e ano.

Essa consulta retorna a emissão de carbono total ano a ano para cada empresa.

Emissão Total por Empresa

Agora, vamos calcular a emissão de carbono total por empresa. Execute a seguinte consulta:

SELECT
    nome_empresa,
    SUM(emissao_toneladas) AS emissao_total
FROM
    emissao_carbono
GROUP BY
    nome_empresa
ORDER BY
    emissao_total DESC;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• SUM(emissao_toneladas) AS emissao_total: Calcula a soma da emissão de carbono em toneladas para cada empresa e renomeia a coluna como “emissao_total”.
• GROUP BY nome_empresa: Agrupa os resultados por nome da empresa.
• ORDER BY emissao_total DESC: Ordena os resultados em ordem decrescente com base na emissão de carbono total.

Essa consulta lista as empresas com maior emissão de carbono total.

Passo 5: Conclusões

A análise da emissão de carbono é essencial para avaliar o impacto ambiental das atividades empresariais. Neste projeto, exploramos como usar SQL para analisar dados de emissão de carbono, calculando a emissão total por empresa e avaliando a emissão ano a ano.

Você pode expandir essas análises e criar consultas mais complexas para obter insights detalhados sobre a emissão de carbono das empresas. Além disso, considere a criação de visualizações gráficas para comunicar os resultados de forma eficaz.

Lembre-se de que este é apenas um exemplo de projeto de análise de emissão de carbono em SQL. Dependendo da complexidade dos seus dados e dos seus objetivos, você pode personalizar e aprofundar essas análises para atender às suas necessidades específicas.

6. Desempenho do Aluno

Descrição do Projeto

Para educadores e administradores escolares, a análise do desempenho dos alunos é fundamental. Vamos usar SQL para avaliar o desempenho dos alunos com base em notas e outros critérios.

Neste projeto, vamos analisar uma tabela fictícia chamada “notas_alunos” que contém informações sobre o desempenho dos alunos. A tabela incluirá as seguintes colunas:

• aluno_id: Um identificador único para cada aluno.
• nome_aluno: O nome do aluno.
• disciplina: A disciplina em que o aluno está matriculado.
• nota: A nota obtida pelo aluno na disciplina.
• ano_letivo: O ano letivo em que a nota foi registrada.

Aqui estão os passos para realizar essa análise:

Passo 1: Preparação do Ambiente

Certifique-se de que você tenha um ambiente de banco de dados SQL pronto para uso. Você pode usar MySQL, PostgreSQL, SQL Server ou qualquer outro sistema de gerenciamento de banco de dados que preferir.

Passo 2: Criação da Tabela de Exemplo

Para este projeto, vamos criar uma tabela de exemplo chamada “notas_alunos” com dados fictícios. Aqui está como você pode criar a tabela e inserir alguns registros de exemplo:

CREATE TABLE notas_alunos (
    aluno_id SERIAL PRIMARY KEY,
    nome_aluno VARCHAR(255),
    disciplina VARCHAR(255),
    nota DECIMAL(5, 2),
    ano_letivo INT
);

INSERT INTO notas_alunos (nome_aluno, disciplina, nota, ano_letivo)
VALUES
    ('João da Silva', 'Matemática', 8.5, 2023),
    ('Maria Santos', 'Português', 9.0, 2023),
    ('Pedro Alves', 'Ciências', 7.5, 2023),
    ('Ana Rodrigues', 'Matemática', 9.5, 2023),
    ('Carlos Pereira', 'Português', 8.0, 2023);

Esta consulta cria a tabela “notas_alunos” com colunas para armazenar informações sobre o desempenho dos alunos. Em seguida, ela insere alguns registros de exemplo.

Passo 3: Exploração Inicial dos Dados

Antes de mergulhar nas análises do desempenho dos alunos, faça uma exploração inicial dos dados para entender o que está disponível. Execute consultas simples, como:

-- Visualize as primeiras linhas dos dados
SELECT *
FROM notas_alunos
LIMIT 10;

Isso ajudará você a entender a estrutura dos dados.

Passo 4: Análise do Desempenho dos Alunos

Média de Notas por Disciplina

Vamos começar analisando a média de notas por disciplina. Execute a seguinte consulta:

SELECT
    disciplina,
    AVG(nota) AS media_nota
FROM
    notas_alunos
GROUP BY
    disciplina;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• AVG(nota) AS media_nota: Calcula a média das notas para cada disciplina e renomeia a coluna como “media_nota”.
• GROUP BY disciplina: Agrupa os resultados por disciplina.

Essa consulta retorna a média de notas por disciplina.

Alunos com Melhor Desempenho

Agora, vamos identificar os alunos com melhor desempenho. Execute a seguinte consulta:

SELECT
    nome_aluno,
    AVG(nota) AS media_nota
FROM
    notas_alunos
GROUP BY
    nome_aluno
HAVING
    AVG(nota) >= 8.0
ORDER BY
    media_nota DESC;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• AVG(nota) AS media_nota: Calcula a média das notas para cada aluno e renomeia a coluna como “media_nota”.
• GROUP BY nome_aluno: Agrupa os resultados por nome do aluno.
• HAVING AVG(nota) >= 8.0: Filtra os resultados para incluir apenas alunos com uma média de nota igual ou superior a 8.0.
• ORDER BY media_nota DESC: Ordena os resultados em ordem decrescente com base na média de nota.

Essa consulta lista os alunos com melhor desempenho.

Passo 5: Conclusões

A análise do desempenho dos alunos é fundamental para avaliar o progresso acadêmico e identificar áreas de melhoria. Neste projeto, exploramos como usar SQL para calcular a média de notas por disciplina e identificar os alunos com melhor desempenho.

Você pode expandir essas análises e criar consultas mais complexas para obter insights detalhados sobre o desempenho dos alunos, como a identificação de alunos que precisam de suporte adicional.

Lembre-se de que este é apenas um exemplo de projeto de análise do desempenho do aluno em SQL. Dependendo da complexidade dos seus dados e dos seus objetivos, você pode personalizar e aprofundar essas análises para atender às suas necessidades específicas na área da educação.

7. Cliente de Telecomunicações

Descrição do Projeto

Na indústria de telecomunicações, a análise de dados dos clientes desempenha um papel crucial na tomada de decisões estratégicas. Vamos utilizar SQL para analisar dados de clientes e extrair insights valiosos.

Vamos analisar uma tabela fictícia chamada “clientes_telecom” que contém informações sobre os clientes de uma empresa de telecomunicações. A tabela incluirá as seguintes colunas:

• cliente_id: Um identificador único para cada cliente.
• nome_cliente: O nome do cliente.
• plano: O plano de telecomunicações do cliente.
• data_ativacao: A data de ativação do plano.
• minutos_usados: O número de minutos usados pelo cliente.
• dados_consumidos_gb: A quantidade de dados consumidos em gigabytes.
• conta_mensal: O valor da conta mensal do cliente.

Aqui estão os passos para realizar essa análise:

Passo 1: Preparação do Ambiente

Certifique-se de que você tenha um ambiente de banco de dados SQL pronto para uso. Você pode usar MySQL, PostgreSQL, SQL Server ou qualquer outro sistema de gerenciamento de banco de dados que preferir.

Passo 2: Criação da Tabela de Exemplo

Para este projeto, vamos criar uma tabela de exemplo chamada “clientes_telecom” com dados fictícios. Aqui está como você pode criar a tabela e inserir alguns registros de exemplo:

CREATE TABLE clientes_telecom (
    cliente_id SERIAL PRIMARY KEY,
    nome_cliente VARCHAR(255),
    plano VARCHAR(255),
    data_ativacao DATE,
    minutos_usados INT,
    dados_consumidos_gb DECIMAL(10, 2),
    conta_mensal DECIMAL(10, 2)
);

INSERT INTO clientes_telecom (nome_cliente, plano, data_ativacao, minutos_usados, dados_consumidos_gb, conta_mensal)
VALUES
    ('João da Silva', 'Plano A', '2023-09-01', 500, 2.5, 50.00),
    ('Maria Santos', 'Plano B', '2023-09-03', 800, 5.0, 75.00),
    ('Pedro Alves', 'Plano A', '2023-09-05', 300, 1.5, 40.00),
    ('Ana Rodrigues', 'Plano C', '2023-09-08', 1200, 7.5, 90.00),
    ('Carlos Pereira', 'Plano B', '2023-09-10', 600, 3.0, 60.00);

Esta consulta cria a tabela “clientes_telecom” com colunas para armazenar informações sobre os clientes de telecomunicações. Em seguida, ela insere alguns registros de exemplo.

Passo 3: Exploração Inicial dos Dados

Antes de mergulhar nas análises dos clientes de telecomunicações, faça uma exploração inicial dos dados para entender o que está disponível. Execute consultas simples, como:

-- Visualize as primeiras linhas dos dados
SELECT *
FROM clientes_telecom
LIMIT 10;

Isso ajudará você a entender a estrutura dos dados.

Passo 4: Análises dos Clientes de Telecomunicações

Agora, vamos realizar 10 análises diferentes dos dados dos clientes de telecomunicações. Para cada análise, vou fornecer uma consulta SQL e explicar o que ela faz.

Análise 1: Média de Minutos Usados por Plano

SELECT
    plano,
    AVG(minutos_usados) AS media_minutos_usados
FROM
    clientes_telecom
GROUP BY
    plano;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• AVG(minutos_usados) AS media_minutos_usados: Calcula a média de minutos usados por plano e renomeia a coluna como “media_minutos_usados”.
• GROUP BY plano: Agrupa os resultados por plano.

Essa consulta retorna a média de minutos usados por plano.

Análise 2: Total de Dados Consumidos por Plano

SELECT
    plano,
    SUM(dados_consumidos_gb) AS total_dados_consumidos_gb
FROM
    clientes_telecom
GROUP BY
    plano;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• SUM(dados_consumidos_gb) AS total_dados_consumidos_gb: Calcula a soma dos dados consumidos em gigabytes por plano e renomeia a coluna como “total_dados_consumidos_gb”.
• GROUP BY plano: Agrupa os resultados por plano.

Essa consulta retorna o total de dados consumidos por plano.

Análise 3: Conta Mensal Média por Plano

SELECT
    plano,
    AVG(conta_mensal) AS media_conta_mensal
FROM
    clientes_telecom
GROUP BY
    plano;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• AVG(conta_mensal) AS media_conta_mensal: Calcula a média da conta mensal por plano e renomeia a coluna como “media_conta_mensal”.
• GROUP BY plano: Agrupa os resultados por plano.

Essa consulta retorna a média da conta mensal por plano.

Análise 4: Clientes com Conta Mensal Acima de R$ 70

SELECT
    nome_cliente,
    conta_mensal
FROM
    clientes_telecom
WHERE
    conta_mensal > 70.00;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• WHERE conta_mensal > 70.00: Filtra os resultados para incluir apenas clientes com contas mensais acima de R$ 70.00.

Essa consulta lista os clientes com contas mensais acima de R$ 70.00.

Análise 5: Plano mais Popular

SELECT
    plano,
    COUNT(*) AS total_clientes
FROM
    clientes_telecom
GROUP BY
    plano
ORDER BY
    total_clientes DESC
LIMIT 1;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• COUNT(*) AS total_clientes: Conta o número total de clientes por plano e renomeia a coluna como “total_clientes”.
• GROUP BY plano: Agrupa os resultados por plano.
• ORDER BY total_clientes DESC: Ordena os resultados em ordem decrescente com base no total de clientes.
• LIMIT 1: Limita o resultado a uma única linha.

Essa consulta retorna o plano mais popular com base no número de clientes.

Análise 6: Total de Minutos Usados por Ano

SELECT
    EXTRACT(YEAR FROM data_ativacao) AS ano_ativacao,
    SUM(minutos_usados) AS total_minutos_usados
FROM
    clientes_telecom
GROUP BY
    ano_ativacao
ORDER BY
    ano_ativacao;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• EXTRACT(YEAR FROM data_ativacao) AS ano_ativacao: Extrai o ano da data de ativação e renomeia a coluna como “ano_ativacao”.
• SUM(minutos_usados) AS total_minutos_usados: Calcula o total de minutos usados por ano.
• GROUP BY ano_ativacao: Agrupa os resultados por ano de ativação.
• ORDER BY ano_ativacao: Ordena os resultados por ano de ativação.

Essa consulta retorna o total de minutos usados por ano.

Análise 7: Clientes com Maior Conta Mensal

SELECT
    nome_cliente,
    conta_mensal
FROM
    clientes_telecom
ORDER BY
    conta_mensal DESC
LIMIT 10;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• ORDER BY conta_mensal DESC: Ordena os resultados em ordem decrescente com base na conta mensal.
• LIMIT 10: Limita o resultado aos 10 clientes com as maiores contas mensais.

Essa consulta lista os 10 clientes com as maiores contas mensais.

Análise 8: Total de Dados Consumidos por Cliente

SELECT
    nome_cliente,
    SUM(dados_consumidos_gb) AS total_dados_consumidos_gb
FROM
    clientes_telecom
GROUP BY
    nome_cliente
ORDER BY
    total_dados_consumidos_gb DESC
LIMIT 10;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• SUM(dados_consumidos_gb) AS total_dados_consumidos_gb: Calcula o total de dados consumidos em gigabytes por cliente e renomeia a coluna como “total_dados_consumidos_gb”.
• GROUP BY nome_cliente: Agrupa os resultados por nome do cliente.
• ORDER BY total_dados_consumidos_gb DESC: Ordena os resultados em ordem decrescente com base no total de dados consumidos.
• LIMIT 10: Limita o resultado aos 10 clientes com o maior consumo de dados.

Essa consulta lista os 10 clientes com o maior consumo de dados.

Análise 9: Média de Conta Mensal por Ano

SELECT
    EXTRACT(YEAR FROM data_ativacao) AS ano_ativacao,
    AVG(conta_mensal) AS media_conta_mensal
FROM
    clientes_telecom
GROUP BY
    ano_ativacao
ORDER BY
    ano_ativacao;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• EXTRACT(YEAR FROM data_ativacao) AS ano_ativacao: Extrai o ano da data de ativação e renomeia a coluna como “ano_ativacao”.
• AVG(conta_mensal) AS media_conta_mensal: Calcula a média da conta mensal por ano.
• GROUP BY ano_ativacao: Agrupa os resultados por ano de ativação.
• ORDER BY ano_ativacao: Ordena os resultados por ano de ativação.

Essa consulta retorna a média da conta mensal por ano.

Análise 10: Clientes que Excedem os Limites de Dados

SELECT
    nome_cliente,
    dados_consumidos_gb,
    plano
FROM
    clientes_telecom
WHERE
    dados_consumidos_gb > 5.0;

• SELECT: Indica que estamos selecionando três colunas para incluir no resultado.
• WHERE dados_consumidos_gb > 5.0: Filtra os resultados para incluir apenas clientes que excedem 5 gigabytes de dados consumidos.

Essa consulta lista os clientes que excedem os limites de dados.

Passo 5: Conclusões

A análise de dados dos clientes de telecomunicações é fundamental para tomar decisões estratégicas na indústria de telecomunicações. Neste projeto, realizamos 10 análises diferentes, incluindo média de minutos usados por plano, total de dados consumidos por plano, clientes com maior conta mensal, plano mais popular e muito mais.

Essas análises fornecem insights valiosos que podem ser usados para melhorar os serviços oferecidos aos clientes, otimizar os planos de telecomunicações e tomar decisões informadas.

Lembre-se de que este é apenas um exemplo de projeto de análise de clientes de telecomunicações em SQL. Dependendo da complexidade dos seus dados e dos seus objetivos, você pode personalizar e aprofundar essas análises para atender às suas necessidades específicas na indústria de telecomunicações.

8. Gestão de Biblioteca

Descrição do Projeto

A gestão eficaz de bibliotecas requer o acompanhamento de livros, empréstimos e membros. Vamos utilizar SQL para criar um sistema de gestão de biblioteca e analisar informações essenciais.

Neste projeto, vamos criar uma estrutura básica para a gestão de biblioteca, incluindo três tabelas fictícias: “livros”, “membros”, e “empréstimos”. As tabelas terão as seguintes colunas:

Tabela “livros”:

• livro_id: Um identificador único para cada livro.
• titulo: O título do livro.
• autor: O autor do livro.
• ano_publicacao: O ano de publicação do livro.
• exemplares_disponiveis: O número de exemplares disponíveis na biblioteca.

Tabela “membros”:

• membro_id: Um identificador único para cada membro da biblioteca.
• nome_membro: O nome do membro.
• email: O email do membro.
• telefone: O telefone do membro.

Tabela “empréstimos”:

• emprestimo_id: Um identificador único para cada empréstimo.
• livro_id: O identificador do livro emprestado.
• membro_id: O identificador do membro que fez o empréstimo.
• data_emprestimo: A data em que o livro foi emprestado.
• data_devolucao: A data prevista para a devolução do livro.

Aqui estão os passos para realizar essa análise:

Passo 1: Preparação do Ambiente

Certifique-se de que você tenha um ambiente de banco de dados SQL pronto para uso. Você pode usar MySQL, PostgreSQL, SQL Server ou qualquer outro sistema de gerenciamento de banco de dados que preferir.

Passo 2: Criação das Tabelas de Exemplo

Vamos criar as tabelas de exemplo “livros”, “membros” e “empréstimos” com alguns dados fictícios. Aqui está como você pode criar as tabelas e inserir alguns registros de exemplo:

CREATE TABLE livros (
    livro_id SERIAL PRIMARY KEY,
    titulo VARCHAR(255),
    autor VARCHAR(255),
    ano_publicacao INT,
    exemplares_disponiveis INT
);

CREATE TABLE membros (
    membro_id SERIAL PRIMARY KEY,
    nome_membro VARCHAR(255),
    email VARCHAR(255),
    telefone VARCHAR(20)
);

CREATE TABLE emprestimos (
    emprestimo_id SERIAL PRIMARY KEY,
    livro_id INT,
    membro_id INT,
    data_emprestimo DATE,
    data_devolucao DATE
);

-- Inserindo dados fictícios nas tabelas
INSERT INTO livros (titulo, autor, ano_publicacao, exemplares_disponiveis)
VALUES
    ('Dom Casmurro', 'Machado de Assis', 1899, 5),
    ('O Senhor dos Anéis', 'J.R.R. Tolkien', 1954, 3),
    ('Cem Anos de Solidão', 'Gabriel García Márquez', 1967, 4);

INSERT INTO membros (nome_membro, email, telefone)
VALUES
    ('Maria Santos', 'maria@gmail.com', '(123) 456-7890'),
    ('João da Silva', 'joao@gmail.com', '(987) 654-3210');

INSERT INTO emprestimos (livro_id, membro_id, data_emprestimo, data_devolucao)
VALUES
    (1, 1, '2023-09-01', '2023-09-15'),
    (2, 2, '2023-09-03', '2023-09-17');

Essas consultas criam as tabelas “livros”, “membros” e “emprestimos” e inserem alguns registros de exemplo.

Passo 3: Exploração Inicial dos Dados

Antes de prosseguir com as análises, faça uma exploração inicial dos dados para entender o que está disponível. Execute consultas simples, como:

-- Visualize as primeiras linhas dos dados da tabela "livros"
SELECT *
FROM livros
LIMIT 10;

-- Visualize as primeiras linhas dos dados da tabela "membros"
SELECT *
FROM membros
LIMIT 10;

-- Visualize as primeiras linhas dos dados da tabela "emprestimos"
SELECT *
FROM emprestimos
LIMIT 10;

Isso ajudará você a entender a estrutura dos dados.

Passo 4: Análises da Gestão de Biblioteca

Agora, vamos realizar 10 análises diferentes dos dados da gestão de biblioteca. Para cada análise, vou fornecer uma consulta SQL e explicar o que ela faz.

Análise 1: Total de Livros por Autor

SELECT
    autor,
    COUNT(*) AS total_livros
FROM
    livros
GROUP BY
    autor;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• COUNT(*) AS total_livros: Conta o número total de livros por autor e renomeia a coluna como “total_livros”.
• GROUP BY autor: Agrupa os resultados por autor.

Essa consulta retorna o total de livros por autor.

Análise 2: Livros Disponíveis para Empréstimo

SELECT
    titulo,
    exemplares_disponiveis
FROM
    livros
WHERE
    exemplares_disponiveis > 0;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• WHERE exemplares_disponiveis > 0: Filtra os resultados para incluir apenas livros com pelo menos um exemplar disponível.

Essa consulta lista os livros disponíveis para empréstimo.

Análise 3: Total de Empréstimos por Membro

SELECT
    membros.nome_membro,
    COUNT(*) AS total_emprestimos
FROM
    emprestimos
INNER JOIN
    membros ON emprestimos.membro_id = membros.membro_id
GROUP BY
    membros.nome_membro;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• COUNT(*) AS total_emprestimos: Conta o número total de empréstimos por membro e renomeia a coluna como “total_emprestimos”.
• INNER JOIN membros ON emprestimos.membro_id = membros.membro_id: Realiza uma junção interna entre as tabelas “emprestimos” e “membros” com base no ID do membro.
• GROUP BY membros.nome_membro: Agrupa os resultados por nome do membro.

Essa consulta retorna o total de empréstimos por membro.

Análise 4: Livros Mais Emprestados

SELECT
    livros.titulo,
    COUNT(*) AS total_emprestimos
FROM
    emprestimos
INNER JOIN
    livros ON emprestimos.livro_id = livros.livro_id
GROUP BY
    livros.titulo
ORDER BY
    total_emprestimos DESC
LIMIT 5;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• COUNT(*) AS total_emprestimos: Conta o número total de empréstimos por livro e renomeia a coluna como “total_emprestimos”.
• INNER JOIN livros ON emprestimos.livro_id = livros.livro_id: Realiza uma junção interna entre as tabelas “emprestimos” e “livros” com base no ID do livro.
• GROUP BY livros.titulo: Agrupa os resultados por título do livro.
• ORDER BY total_emprestimos DESC: Ordena os resultados em ordem decrescente com base no total de empréstimos.
• LIMIT 5: Limita o resultado aos 5 livros mais emprestados.

Essa consulta lista os 5 livros mais emprestados.

Análise 5: Membros que Mais Empre

SELECT
    membros.nome_membro,
    COUNT(*) AS total_emprestimos
FROM
    emprestimos
INNER JOIN
    membros ON emprestimos.membro_id = membros.membro_id
GROUP BY
    membros.nome_membro
ORDER BY
    total_emprestimos DESC
LIMIT 5;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• COUNT(*) AS total_emprestimos: Conta o número total de empréstimos por membro e renomeia a coluna como “total_emprestimos”.
• INNER JOIN membros ON emprestimos.membro_id = membros.membro_id: Realiza uma junção interna entre as tabelas “emprestimos” e “membros” com base no ID do membro.
• GROUP BY membros.nome_membro: Agrupa os resultados por nome do membro.
• ORDER BY total_emprestimos DESC: Ordena os resultados em ordem decrescente com base no total de empréstimos.
• LIMIT 5: Limita o resultado aos 5 membros que mais emprestam.

Essa consulta lista os 5 membros que mais emprestam livros.

Análise 6: Livros com Mais de 5 Exemplares Disponíveis

SELECT
    titulo,
    exemplares_disponiveis
FROM
    livros
WHERE
    exemplares_disponiveis > 5;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• WHERE exemplares_disponiveis > 5: Filtra os resultados para incluir apenas livros com mais de 5 exemplares disponíveis.

Essa consulta lista os livros com mais de 5 exemplares disponíveis.

Análise 7: Membros com Empréstimos Atrasados

SELECT
    membros.nome_membro,
    emprestimos.data_devolucao
FROM
    emprestimos
INNER JOIN
    membros ON emprestimos.membro_id = membros.membro_id
WHERE
    emprestimos.data_devolucao < CURRENT_DATE;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• INNER JOIN membros ON emprestimos.membro_id = membros.membro_id: Realiza uma junção interna entre as tabelas “emprestimos” e “membros” com base no ID do membro.
• WHERE emprestimos.data_devolucao < CURRENT_DATE: Filtra os resultados para incluir apenas empréstimos com data de devolução anterior à data atual.

Essa consulta lista os membros com empréstimos atrasados.

Análise 8: Média de Empréstimos por Mês

SELECT
    EXTRACT(YEAR FROM data_emprestimo) AS ano_emprestimo,
    EXTRACT(MONTH FROM data_emprestimo) AS mes_emprestimo,
    COUNT(*) AS total_emprestimos
FROM
    emprestimos

GROUP BY
    ano_emprestimo,
    mes_emprestimo
ORDER BY
    ano_emprestimo,
    mes_emprestimo;

• SELECT: Indica que estamos selecionando três colunas para incluir no resultado.
• EXTRACT(YEAR FROM data_emprestimo) AS ano_emprestimo: Extrai o ano da data de empréstimo e renomeia a coluna como “ano_emprestimo”.
• EXTRACT(MONTH FROM data_emprestimo) AS mes_emprestimo: Extrai o mês da data de empréstimo e renomeia a coluna como “mes_emprestimo”.
• COUNT(*) AS total_emprestimos: Conta o número total de empréstimos por ano e mês.
• GROUP BY ano_emprestimo, mes_emprestimo: Agrupa os resultados por ano e mês de empréstimo.
• ORDER BY ano_emprestimo, mes_emprestimo: Ordena os resultados por ano e mês de empréstimo.

Essa consulta retorna a média de empréstimos por mês.

Análise 9: Membros com Mais de 3 Empréstimos

SELECT
    membros.nome_membro,
    COUNT(*) AS total_emprestimos
FROM
    emprestimos
INNER JOIN
    membros ON emprestimos.membro_id = membros.membro_id
GROUP BY
    membros.nome_membro
HAVING
    COUNT(*) > 3;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• COUNT(*) AS total_emprestimos: Conta o número total de empréstimos por membro e renomeia a coluna como “total_emprestimos”.
• INNER JOIN membros ON emprestimos.membro_id = membros.membro_id: Realiza uma junção interna entre as tabelas “emprestimos” e “membros” com base no ID do membro.
• GROUP BY membros.nome_membro: Agrupa os resultados por nome do membro.
• HAVING COUNT(*) > 3: Filtra os resultados para incluir apenas membros com mais de 3 empréstimos.

Essa consulta lista os membros com mais de 3 empréstimos.

Análise 10: Livros que Nunca Foram Emprestados

SELECT
    livros.titulo
FROM
    livros
LEFT JOIN
    emprestimos ON livros.livro_id = emprestimos.livro_id
WHERE
    emprestimos.emprestimo_id IS NULL;

• SELECT: Indica que estamos selecionando uma coluna para incluir no resultado.
• LEFT JOIN livros ON emprestimos.livro_id = livros.livro_id: Realiza uma junção à esquerda entre as tabelas “livros” e “emprestimos” com base no ID do livro.
• WHERE emprestimos.emprestimo_id IS NULL: Filtra os resultados para incluir apenas livros que nunca foram emprestados.

Essa consulta lista os livros que nunca foram emprestados.

Passo 5: Conclusões

A gestão de biblioteca requer o acompanhamento eficaz de livros, empréstimos e membros. Neste projeto, realizamos 10 análises diferentes, incluindo o total de livros por autor, livros disponíveis para empréstimo, total de empréstimos por membro, livros mais emprestados, membros que mais emprestam e muito mais.

Essas análises fornecem informações essenciais para a tomada de decisões na biblioteca, como quais livros são populares, quais membros são os mais ativos e quais livros nunca foram emprestados.

Lembre-se de que este é apenas um exemplo de projeto de gestão de biblioteca em SQL. Dependendo da complexidade da sua biblioteca e dos seus objetivos, você pode personalizar e aprofundar essas análises para atender às suas necessidades específicas na gestão da biblioteca.

9. Gerenciamento Ferroviário

Descrição do Projeto

A logística ferroviária é complexa, e o SQL pode ser uma ferramenta valiosa para otimizar o gerenciamento de ferrovias. Vamos utilizar SQL para analisar dados ferroviários e melhorar a eficiência operacional.

Neste projeto, vamos criar uma estrutura básica para o gerenciamento ferroviário, incluindo tabelas fictícias: “trens”, “trilhos”, “manutencao_trilhos”, “estoque” e “agendamento”. As tabelas terão as seguintes colunas:

Tabela “trens”:

• trem_id: Um identificador único para cada trem.
• nome_trem: O nome do trem.
• capacidade: A capacidade máxima de passageiros do trem.
• tipo: O tipo de trem (carga ou passageiros).

Tabela “trilhos”:

• trilho_id: Um identificador único para cada trecho de trilho.
• nome_trilho: O nome do trecho de trilho.
• comprimento_km: O comprimento do trecho de trilho em quilômetros.

Tabela “manutencao_trilhos”:

• manutencao_id: Um identificador único para cada registro de manutenção.
• trilho_id: O identificador do trecho de trilho em manutenção.
• data_inicio: A data de início da manutenção.
• data_conclusao: A data de conclusão da manutenção.

Tabela “estoque”:

• estoque_id: Um identificador único para cada item no estoque.
• nome_item: O nome do item no estoque.
• quantidade: A quantidade disponível desse item no estoque.

Tabela “agendamento”:

• agendamento_id: Um identificador único para cada agendamento.
• trem_id: O identificador do trem agendado.
• trilho_id: O identificador do trecho de trilho a ser percorrido.
• data_partida: A data de partida do trem.
• data_chegada: A data de chegada prevista do trem.

Aqui estão os passos para realizar essa análise:

Passo 1: Preparação do Ambiente

Certifique-se de que você tenha um ambiente de banco de dados SQL pronto para uso. Você pode usar MySQL, PostgreSQL, SQL Server ou qualquer outro sistema de gerenciamento de banco de dados que preferir.

Passo 2: Criação das Tabelas de Exemplo

Vamos criar as tabelas de exemplo “trens”, “trilhos”, “manutencao_trilhos”, “estoque” e “agendamento” com alguns dados fictícios. Aqui está como você pode criar as tabelas e inserir alguns registros de exemplo:

CREATE TABLE trens (
    trem_id SERIAL PRIMARY KEY,
    nome_trem VARCHAR(255),
    capacidade INT,
    tipo VARCHAR(20)
);

CREATE TABLE trilhos (
    trilho_id SERIAL PRIMARY KEY,
    nome_trilho VARCHAR(255),
    comprimento_km DECIMAL(5, 2)
);

CREATE TABLE manutencao_trilhos (
    manutencao_id SERIAL PRIMARY KEY,
    trilho_id INT,
    data_inicio DATE,
    data_conclusao DATE
);

CREATE TABLE estoque (
    estoque_id SERIAL PRIMARY KEY,
    nome_item VARCHAR(255),
    quantidade INT
);

CREATE TABLE agendamento (
    agendamento_id SERIAL PRIMARY KEY,
    trem_id INT,
    trilho_id INT,
    data_partida DATE,
    data_chegada DATE
);

-- Inserindo dados fictícios nas tabelas
INSERT INTO trens (nome_trem, capacidade, tipo)
VALUES
    ('Trem Expresso', 300, 'passageiros'),
    ('Trem de Carga 1', 0, 'carga'),
    ('Trem de Carga 2', 0, 'carga');

INSERT INTO trilhos (nome_trilho, comprimento_km)
VALUES
    ('Trilho A', 100),
    ('Trilho B', 75),
    ('Trilho C', 120);

INSERT INTO manutencao_trilhos (trilho_id, data_inicio, data_conclusao)
VALUES
    (1, '2023-09-01', '2023-09-10'),
    (2, '2023-09-05', '2023-09-12');

INSERT INTO estoque (nome_item, quantidade)
VALUES
    ('Pregos', 10000),
    ('Trilhos de Reposição', 50),
    ('Conectores', 500);

INSERT INTO agendamento (trem_id, trilho_id, data_partida, data_chegada)
VALUES
    (1, 1, '2023-09-15', '2023-09-16'),
    (1, 2, '2023-09-20', '2023-09-21'),
    (2, 3, '2023-09-10', '2023-09-11');

Essas consultas criam as tabelas “trens”, “trilhos”, “manutencao_trilhos”, “estoque” e “agendamento” e inserem alguns registros de exemplo.

Passo 3: Exploração Inicial dos Dados

Antes de prosseguir com as análises, faça uma exploração inicial dos dados para entender o que está disponível. Execute consultas simples, como:

-- Visualize as primeiras linhas dos dados da tabela "trens"
SELECT *
FROM trens
LIMIT 10;

-- Visualize as primeiras linhas dos dados da tabela "trilhos"
SELECT *
FROM trilhos
LIMIT 10;

-- Visualize as primeiras linhas dos dados da tabela "agendamento"
SELECT *
FROM agendamento
LIMIT 10;

Isso ajudará você a entender a estrutura dos dados.

Passo 4: Análises do Gerenciamento Ferroviário

Agora, vamos realizar 10 análises diferentes dos dados de gerenciamento ferroviário. Para cada análise, vou fornecer uma consulta SQL e explicar o que ela faz.

Análise 1: Capacidade Total de Passageiros

SELECT
    SUM(capacidade) AS capacidade_total_passageiros
FROM
    trens
WHERE
    tipo = 'passageiros';

• SELECT: Indica que estamos selecionando uma coluna para incluir no resultado.
• SUM(capacidade) AS capacidade_total_passageiros: Calcula a capacidade total de passageiros somando a capacidade de todos os trens do tipo “passageiros” e renomeia a coluna como “capacidade_total_passageiros”.
• WHERE tipo = 'passageiros': Filtra

os resultados para incluir apenas trens do tipo “passageiros”.

Essa consulta retorna a capacidade total de passageiros dos trens.

Análise 2: Comprimento Total dos Trilhos

SELECT
    SUM(comprimento_km) AS comprimento_total_trilhos
FROM
    trilhos;

• SELECT: Indica que estamos selecionando uma coluna para incluir no resultado.
• SUM(comprimento_km) AS comprimento_total_trilhos: Calcula o comprimento total dos trilhos somando o comprimento de todos os trechos de trilho e renomeia a coluna como “comprimento_total_trilhos”.

Essa consulta retorna o comprimento total dos trilhos.

Análise 3: Trechos de Trilho em Manutenção

SELECT
    trilhos.nome_trilho,
    manutencao_trilhos.data_inicio,
    manutencao_trilhos.data_conclusao
FROM
    manutencao_trilhos
INNER JOIN
    trilhos ON manutencao_trilhos.trilho_id = trilhos.trilho_id;

• SELECT: Indica que estamos selecionando três colunas para incluir no resultado.
• INNER JOIN trilhos ON manutencao_trilhos.trilho_id = trilhos.trilho_id: Realiza uma junção interna entre as tabelas “manutencao_trilhos” e “trilhos” com base no ID do trecho de trilho.
• Essa consulta lista os trechos de trilho em manutenção, incluindo as datas de início e conclusão da manutenção.

Análise 4: Itens com Estoque Baixo

SELECT
    nome_item,
    quantidade
FROM
    estoque
WHERE
    quantidade < 100;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• WHERE quantidade < 100: Filtra os resultados para incluir apenas itens com estoque abaixo de 100 unidades.

Essa consulta lista os itens com estoque baixo.

Análise 5: Trens Agendados para a Próxima Semana

SELECT
    nome_trem,
    data_partida
FROM
    agendamento
INNER JOIN
    trens ON agendamento.trem_id = trens.trem_id
WHERE
    data_partida BETWEEN CURRENT_DATE AND CURRENT_DATE + INTERVAL '7 days';

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• INNER JOIN trens ON agendamento.trem_id = trens.trem_id: Realiza uma junção interna entre as tabelas “agendamento” e “trens” com base no ID do trem.
• WHERE data_partida BETWEEN CURRENT_DATE AND CURRENT_DATE + INTERVAL '7 days': Filtra os resultados para incluir apenas trens agendados para a próxima semana.

Essa consulta lista os trens agendados para a próxima semana.

Análise 6: Trechos de Trilho sem Agendamento

SELECT
    trilhos.nome_trilho
FROM
    trilhos
LEFT JOIN
    agendamento ON trilhos.trilho_id = agendamento.trilho_id
WHERE
    agendamento.agendamento_id IS NULL;

• SELECT: Indica que estamos selecionando uma coluna para incluir no resultado.
• LEFT JOIN trilhos ON agendamento.trilho_id = trilhos.trilho_id: Realiza uma junção à esquerda entre as tabelas “trilhos” e “agendamento” com base no ID do trecho de trilho.
• WHERE agendamento.agendamento_id IS NULL: Filtra os resultados para incluir apenas trechos de trilho sem agendamento.

Essa consulta lista os trechos de trilho sem agendamento.

Análise 7: Trens com Menos de 10% de Capacidade Utilizada

SELECT
    nome_trem,
    capacidade,
    capacidade - COUNT(agendamento.agendamento_id) AS capacidade_utilizada
FROM
    trens
LEFT JOIN
    agendamento ON trens.trem_id = agendamento.trem_id
GROUP BY
    nome_trem, capacidade
HAVING
    capacidade_utilizada < capacidade * 0.1;

• SELECT: Indica que estamos selecionando três colunas para incluir no resultado.
• LEFT JOIN agendamento ON trens.trem_id = agendamento.trem_id: Realiza uma junção à esquerda entre as tabelas “trens” e “agendamento” com base no ID do trem.
• GROUP BY nome_trem, capacidade: Agrupa os resultados por nome do trem e capacidade.
• HAVING capacidade_utilizada < capacidade * 0.1: Filtra os resultados para incluir apenas trens com menos de 10% da capacidade utilizada.

Essa consulta lista os trens com menos de 10% de capacidade utilizada.

Análise 8: Trechos de Trilho com Mais de Uma Manutenção

SELECT
    trilhos.nome_trilho,
    COUNT(manutencao_trilhos.manutencao_id) AS total_manutencoes
FROM
    trilhos
INNER JOIN
    manutencao_trilhos ON trilhos.trilho_id = manutencao_trilhos.trilho_id
GROUP BY
    trilhos.nome_trilho
HAVING
    COUNT(manutencao_trilhos.manutencao_id) > 1;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• `INNER JOIN trilhos ON manutencao_trilhos.tril

ho_id = trilhos.trilho_id`: Realiza uma junção interna entre as tabelas “trilhos” e “manutencao_trilhos” com base no ID do trecho de trilho.

• GROUP BY trilhos.nome_trilho: Agrupa os resultados por nome do trecho de trilho.
• HAVING COUNT(manutencao_trilhos.manutencao_id) > 1: Filtra os resultados para incluir apenas trechos de trilho com mais de uma manutenção.

Essa consulta lista os trechos de trilho com mais de uma manutenção.

Análise 9: Trens que Precisam de Manutenção

SELECT
    nome_trem
FROM
    trens
LEFT JOIN
    agendamento ON trens.trem_id = agendamento.trem_id
WHERE
    agendamento.trem_id IS NULL
    AND tipo = 'passageiros';

• SELECT: Indica que estamos selecionando uma coluna para incluir no resultado.
• LEFT JOIN agendamento ON trens.trem_id = agendamento.trem_id: Realiza uma junção à esquerda entre as tabelas “trens” e “agendamento” com base no ID do trem.
• WHERE agendamento.trem_id IS NULL AND tipo = 'passageiros': Filtra os resultados para incluir apenas trens de passageiros que não têm agendamentos.

Essa consulta lista os trens de passageiros que precisam de manutenção porque não têm agendamentos.

Análise 10: Agendamentos de Trem por Tipo de Trem

SELECT
    tipo,
    COUNT(agendamento_id) AS total_agendamentos
FROM
    agendamento
INNER JOIN
    trens ON agendamento.trem_id = trens.trem_id
GROUP BY
    tipo;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• INNER JOIN trens ON agendamento.trem_id = trens.trem_id: Realiza uma junção interna entre as tabelas “agendamento” e “trens” com base no ID do trem.
• GROUP BY tipo: Agrupa os resultados por tipo de trem.
• Essa consulta lista o total de agendamentos de trem por tipo de trem (passageiros ou carga).

Passo 5: Conclusões

Neste projeto de Gerenciamento Ferroviário em SQL, realizamos 10 análises diferentes dos dados ferroviários, abrangendo informações sobre trens, trilhos, manutenção, estoque e agendamentos. Essas análises podem ser valiosas para a tomada de decisões operacionais e estratégicas em uma empresa ferroviária.

Lembre-se de que essas análises são apenas um ponto de partida, e você pode expandir e personalizar esse projeto de acordo com as necessidades específicas do seu sistema de gerenciamento ferroviário. Além disso, é importante manter os dados atualizados e utilizar consultas SQL sempre que precisar de insights sobre sua operação ferroviária.

10. Meta de Gestão Hospitalar

Descrição do Projeto

A gestão eficaz de hospitais requer o acompanhamento de metas e indicadores de desempenho. Vamos utilizar SQL para analisar dados hospitalares e avaliar o alcance das metas estabelecidas.

Neste projeto, vamos criar uma estrutura básica para o gerenciamento hospitalar, incluindo tabelas fictícias: “pacientes”, “funcionarios”, “consultas”, “metas” e “indicadores”. As tabelas terão as seguintes colunas:

Tabela “pacientes”:

• paciente_id: Um identificador único para cada paciente.
• nome_paciente: O nome do paciente.
• idade: A idade do paciente.
• data_admissao: A data de admissão do paciente.

Tabela “funcionarios”:

• funcionario_id: Um identificador único para cada funcionário.
• nome_funcionario: O nome do funcionário.
• cargo: O cargo do funcionário (médico, enfermeiro, administrativo, etc.).
• data_contratacao: A data de contratação do funcionário.

Tabela “consultas”:

• consulta_id: Um identificador único para cada consulta.
• paciente_id: O identificador do paciente atendido na consulta.
• funcionario_id: O identificador do funcionário que realizou a consulta.
• data_consulta: A data da consulta.
• resultado: O resultado da consulta (diagnóstico, tratamento, etc.).

Tabela “metas”:

• meta_id: Um identificador único para cada meta.
• descricao_meta: A descrição da meta (por exemplo, reduzir o tempo médio de espera).
• valor_meta: O valor da meta a ser alcançado (por exemplo, 30 minutos).
• periodo_referencia: O período de referência para a meta (por exemplo, mês, trimestre).

Tabela “indicadores”:

• indicador_id: Um identificador único para cada indicador.
• meta_id: O identificador da meta relacionada ao indicador.
• valor_real: O valor real alcançado para o indicador.
• data_avaliacao: A data de avaliação do indicador.

Aqui estão os passos para realizar essa análise:

Passo 1: Preparação do Ambiente

Certifique-se de que você tenha um ambiente de banco de dados SQL pronto para uso. Você pode usar MySQL, PostgreSQL, SQL Server ou qualquer outro sistema de gerenciamento de banco de dados que preferir.

Passo 2: Criação das Tabelas de Exemplo

Vamos criar as tabelas de exemplo “pacientes”, “funcionarios”, “consultas”, “metas” e “indicadores” com alguns dados fictícios. Aqui está como você pode criar as tabelas e inserir alguns registros de exemplo:

CREATE TABLE pacientes (
    paciente_id SERIAL PRIMARY KEY,
    nome_paciente VARCHAR(255),
    idade INT,
    data_admissao DATE
);

CREATE TABLE funcionarios (
    funcionario_id SERIAL PRIMARY KEY,
    nome_funcionario VARCHAR(255),
    cargo VARCHAR(50),
    data_contratacao DATE
);

CREATE TABLE consultas (
    consulta_id SERIAL PRIMARY KEY,
    paciente_id INT,
    funcionario_id INT,
    data_consulta DATE,
    resultado TEXT
);

CREATE TABLE metas (
    meta_id SERIAL PRIMARY KEY,
    descricao_meta VARCHAR(255),
    valor_meta INT,
    periodo_referencia VARCHAR(20)
);

CREATE TABLE indicadores (
    indicador_id SERIAL PRIMARY KEY,
    meta_id INT,
    valor_real INT,
    data_avaliacao DATE
);

-- Inserindo dados fictícios nas tabelas
INSERT INTO pacientes (nome_paciente, idade, data_admissao)
VALUES
    ('Maria Silva', 35, '2023-01-15'),
    ('João Santos', 45, '2023-02-10'),
    ('Ana Lima', 28, '2023-03-20');

INSERT INTO funcionarios (nome_funcionario, cargo, data_contratacao)
VALUES
    ('Dr. Carlos Pereira', 'Médico', '2022-12-01'),
    ('Enfermeira Laura', 'Enfermeiro', '2023-01-10'),
    ('Julia Ferreira', 'Administrativo', '2023-02-15');

INSERT INTO consultas (paciente_id, funcionario_id, data_consulta, resultado)
VALUES
    (1, 1, '2023-03-01', 'Diagnóstico: Gripe.'),
    (2, 1, '2023-03-02', 'Diagnóstico: Resfriado.'),
    (3, 2, '2023-03-03', 'Acompanhamento de rotina.');

INSERT INTO metas (descricao_meta, valor_meta, periodo_referencia)
VALUES
    ('Reduzir tempo médio de espera', 30, 'Mês'),
    ('Aumentar taxa de satisfação dos pacientes', 90, 'Mês');

INSERT INTO indicadores (meta_id, valor_real, data_avaliacao)
VALUES
    (1, 28, '2023-03-31'),
    (2, 85, '2023-03-31');

Essas consultas criam as tabelas “pacientes”, “funcionarios”, “consultas”, “metas” e “indicadores” e inserem alguns registros de exemplo.

Passo 3: Exploração Inicial dos Dados

Antes de prosseguir com as análises, faça uma exploração inicial dos dados para entender o que está disponível. Execute consultas simples, como:

-- Visualize as primeiras linhas dos dados da tabela "pacientes"
SELECT *
FROM pacientes
LIMIT 10;

-- Visualize as primeiras linhas dos dados da tabela "consultas"
SELECT *
FROM consultas
LIMIT 10;

-- Visualize as primeiras linhas dos dados da tabela "metas"
SELECT *
FROM metas
LIMIT 10;

Isso ajudará você a entender a estrutura dos dados.

Passo 4: Análises da Meta de Gestão Hospitalar

Agora, vamos realizar 10 análises diferentes dos dados de gestão hospitalar. Para cada análise, vou fornecer uma consulta SQL e explicar o que ela faz.

Análise 1: Tempo Médio de Espera por Consulta

SELECT
    AVG(DATEDIFF(data_consulta, data_admissao)) AS tempo_medio_espera
FROM
    consultas
INNER JOIN
    pacientes ON consultas.paciente_id = pacientes.paciente_id;

• SELECT: Indica que estamos selecionando uma coluna para incluir no resultado.
• AVG(DATEDIFF(data_consulta, data_admissao)) AS tempo_medio_espera: Calcula o tempo médio de espera por consulta, calculando a diferença em dias entre a data

da consulta e a data de admissão do paciente e, em seguida, calculando a média dessas diferenças.

Essa consulta retorna o tempo médio de espera por consulta.

Análise 2: Número de Consultas por Médico

SELECT
    funcionarios.nome_funcionario,
    COUNT(consultas.consulta_id) AS total_consultas
FROM
    consultas
INNER JOIN
    funcionarios ON consultas.funcionario_id = funcionarios.funcionario_id
WHERE
    funcionarios.cargo = 'Médico'
GROUP BY
    funcionarios.nome_funcionario;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• INNER JOIN funcionarios ON consultas.funcionario_id = funcionarios.funcionario_id: Realiza uma junção interna entre as tabelas “consultas” e “funcionarios” com base no ID do funcionário.
• WHERE funcionarios.cargo = 'Médico': Filtra os resultados para incluir apenas consultas realizadas por médicos.
• GROUP BY funcionarios.nome_funcionario: Agrupa os resultados por nome do médico.

Essa consulta lista o número de consultas realizadas por cada médico.

Análise 3: Taxa de Satisfação dos Pacientes

SELECT
    (COUNT(CASE WHEN indicadores.valor_real >= 90 THEN 1 END) / COUNT(indicadores.indicador_id)) * 100 AS taxa_satisfacao
FROM
    indicadores
INNER JOIN
    metas ON indicadores.meta_id = metas.meta_id
WHERE
    metas.descricao_meta = 'Aumentar taxa de satisfação dos pacientes';

• SELECT: Indica que estamos selecionando uma coluna para incluir no resultado.
• (COUNT(CASE WHEN indicadores.valor_real >= 90 THEN 1 END) / COUNT(indicadores.indicador_id)) * 100 AS taxa_satisfacao: Calcula a taxa de satisfação dos pacientes como a porcentagem de indicadores que atingiram ou excederam o valor de 90.

Essa consulta retorna a taxa de satisfação dos pacientes.

Análise 4: Consultas com Resultados de Diagnóstico

SELECT
    COUNT(consultas.consulta_id) AS total_consultas_diagnostico
FROM
    consultas
WHERE
    consultas.resultado LIKE 'Diagnóstico:%';

• SELECT: Indica que estamos selecionando uma coluna para incluir no resultado.
• WHERE consultas.resultado LIKE 'Diagnóstico:%': Filtra os resultados para incluir apenas consultas com resultados de diagnóstico iniciados pela palavra “Diagnóstico:”.

Essa consulta lista o total de consultas com resultados de diagnóstico.

Análise 5: Funcionários por Cargo

SELECT
    cargo,
    COUNT(funcionario_id) AS total_funcionarios
FROM
    funcionarios
GROUP BY
    cargo;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• GROUP BY cargo: Agrupa os resultados por cargo.

Essa consulta lista o número de funcionários por cargo.

Análise 6: Pacientes por Faixa Etária

SELECT
    CASE
        WHEN idade < 18 THEN 'Menor de idade'
        WHEN idade >= 18 AND idade < 65 THEN 'Adulto'
        ELSE 'Idoso'
    END AS faixa_etaria,
    COUNT(paciente_id) AS total_pacientes
FROM
    pacientes
GROUP BY
    faixa_etaria;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• CASE ... END AS faixa_etaria: Cria uma categoria de faixa etária com base na idade dos pacientes.
• GROUP BY faixa_etaria: Agrupa os resultados por faixa etária.

Essa consulta lista o número de pacientes por faixa etária.

Análise 7: Consultas por Mês

SELECT
    DATE_TRUNC('month', data_consulta) AS mes_consulta,
    COUNT(consulta_id) AS total_consultas
FROM
    consultas
GROUP BY
    mes_consulta
ORDER BY
    mes_consulta;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• DATE_TRUNC('month', data_consulta) AS mes_consulta: Trunca a data da consulta para o mês correspondente.
• GROUP BY mes_consulta: Agrupa os resultados por mês.
• ORDER BY mes_consulta: Ordena os resultados por mês.

Essa consulta lista o número de consultas por mês.

Análise 8: Metas por Período de Referência

SELECT
    periodo_referencia,
    COUNT(meta_id) AS total_metas
FROM
    metas
GROUP BY
    periodo_referencia;

• `

SELECT`: Indica que estamos selecionando duas colunas para incluir no resultado.

• GROUP BY periodo_referencia: Agrupa os resultados por período de referência.

Essa consulta lista o número de metas por período de referência.

Análise 9: Funcionários com Maior Tempo de Contratação

SELECT
    nome_funcionario,
    cargo,
    data_contratacao
FROM
    funcionarios
ORDER BY
    data_contratacao;

• SELECT: Indica que estamos selecionando três colunas para incluir no resultado.
• ORDER BY data_contratacao: Ordena os resultados por data de contratação, do mais antigo ao mais recente.

Essa consulta lista os funcionários com maior tempo de contratação.

Análise 10: Consultas Realizadas por Paciente

SELECT
    pacientes.nome_paciente,
    COUNT(consultas.consulta_id) AS total_consultas
FROM
    pacientes
LEFT JOIN
    consultas ON pacientes.paciente_id = consultas.paciente_id
GROUP BY
    pacientes.nome_paciente;

• SELECT: Indica que estamos selecionando duas colunas para incluir no resultado.
• LEFT JOIN consultas ON pacientes.paciente_id = consultas.paciente_id: Realiza uma junção à esquerda entre as tabelas “pacientes” e “consultas” com base no ID do paciente.
• GROUP BY pacientes.nome_paciente: Agrupa os resultados por nome do paciente.

Essa consulta lista o número de consultas realizadas por cada paciente.

Passo 5: Conclusões

Neste projeto de Meta de Gestão Hospitalar em SQL, realizamos 10 análises diferentes dos dados hospitalares, abrangendo informações sobre tempo médio de espera, consultas por médico, taxa de satisfação dos pacientes, diagnósticos, funcionários, pacientes, consultas por mês, metas e funcionários com maior tempo de contratação. Essas análises podem ser valiosas para a tomada de decisões e o acompanhamento do desempenho hospitalar.

Lembre-se de que essas análises são apenas um ponto de partida, e você pode expandir e personalizar esse projeto de acordo com as necessidades específicas do seu hospital. É importante manter os dados atualizados e utilizar consultas SQL sempre que precisar de insights sobre a gestão hospitalar.

Conclusão: Desbloqueando um Futuro Brilhante com SQL

Chegamos ao final desta emocionante jornada pelo mundo do SQL e seus projetos incríveis. Ao longo deste artigo, mergulhamos profundamente nas águas do Structured Query Language, explorando como essa poderosa linguagem de programação pode abrir portas para uma carreira brilhante e repleta de oportunidades no vasto universo da tecnologia.

Aprender SQL não é apenas uma habilidade valiosa; é um passo audacioso em direção ao sucesso no mundo dos dados. E o melhor de tudo é que você não precisa se contentar com uma abordagem teórica, pois aqui, mergulhamos de cabeça em projetos práticos, desafios reais e experiências que podem transformar seu currículo e sua carreira.

Então, vamos recapitular nossa jornada e destacar o que torna cada um desses projetos SQL tão especial:

Análise de Dados de Vendas

Neste projeto, descobrimos como usar SQL para extrair insights valiosos de dados de vendas, desde calcular médias de vendas mensais até identificar produtos lucrativos. Com exemplos práticos e uma base de dados real, você aprendeu a transformar números em estratégias de negócios sólidas.

Jogos de Futebol Brasileiro

Se você é um apaixonado por esportes, o projeto de análise de jogos de futebol brasileiro é uma verdadeira alegria. Você usou SQL para mergulhar nas estatísticas de times e jogadores, identificando tendências e descobrindo os segredos do sucesso no campo.

Segmentação de Clientes

A segmentação de clientes é fundamental para o marketing eficaz, e com SQL, você aprendeu a fazer isso com maestria. Projetos como este ajudam a personalizar campanhas e criar estratégias de engajamento sob medida.

Trabalhando com Subconsultas

Subconsultas podem parecer desafiadoras, mas você as dominou neste projeto. Aprender como usar subconsultas em SQL expande significativamente suas habilidades e permite que você resolva problemas complexos com facilidade.

Analisando a Emissão de Carbono

Com a crescente preocupação com o meio ambiente, a análise de emissão de carbono se tornou fundamental. Com projetos como este, você pode fazer sua parte para criar um mundo mais sustentável, usando SQL para identificar áreas críticas e oportunidades de redução de emissões.

Desempenho do Aluno

Na educação, o desempenho dos alunos é crucial. Projetos de análise de desempenho, como este, ajudam educadores e administradores escolares a tomar decisões informadas para apoiar seus alunos.

Cliente de Telecomunicações

A análise de dados de clientes em telecomunicações é uma área repleta de oportunidades. Aprender a usar SQL para analisar dados de clientes e criar estratégias de negócios pode abrir portas para carreiras empolgantes em telecomunicações.

Gestão de Biblioteca

Projetos de gestão de biblioteca não são apenas valiosos para bibliotecários; eles também são uma ótima maneira de praticar suas habilidades em SQL. Com este projeto, você aprendeu a rastrear livros, empréstimos e membros de uma biblioteca de forma eficaz.

Gerenciamento Ferroviário

A logística ferroviária é complexa, mas com SQL, você aprendeu a otimizar a gestão de ferrovias. Projetos como este ajudam a melhorar a eficiência operacional e a tomar decisões informadas.

Meta de Gestão Hospitalar

Em hospitais, o monitoramento de metas e indicadores de desempenho é essencial. Com projetos de gestão hospitalar em SQL, você aprendeu a avaliar o desempenho, identificar áreas de melhoria e contribuir para a excelência no atendimento médico.

Cada um desses projetos representa um passo em direção a uma carreira de sucesso, e a melhor parte é que você não precisa escolher apenas um. À medida que você avança em sua jornada de aprendizado em SQL, pode escolher os projetos que mais ressoam com seus interesses e objetivos.

Lembre-se, o aprendizado nunca para. À medida que novas tecnologias e desafios surgem, suas habilidades em SQL podem ser aplicadas em uma variedade de cenários. Portanto, continue aprimorando suas habilidades, explorando novos projetos e participando de comunidades de aprendizado.

Como você pode ver, o SQL é uma ferramenta poderosa, e sua jornada de aprendizado está apenas começando. O que você escolhe fazer com esse conhecimento depende de você, mas uma coisa é certa: as oportunidades são infinitas, e um futuro brilhante está ao seu alcance.

Então, vá em frente, continue explorando o mundo do SQL e construa uma carreira que o levará a lugares incríveis. O sucesso está ao seu alcance, e estamos empolgados para ver como você irá brilhar!

Se você tiver alguma dúvida ou precisar de orientação adicional, não hesite em nos contatar. Estamos aqui para ajudar a impulsionar sua jornada em direção ao sucesso com SQL.

Lembre-se: o conhecimento é a chave, e o SQL é a porta

Perguntas Frequentes (FAQs)

1. O que é SQL e por que é importante para minha carreira?

Resposta: SQL (Structured Query Language) é uma linguagem de programação utilizada para gerenciar e manipular dados em bancos de dados relacionais. É importante para sua carreira porque é amplamente utilizado em uma variedade de setores, permitindo que você extraia informações valiosas de dados e tome decisões informadas.

2. Como posso começar a trabalhar em projetos SQL?

Resposta: Para começar, você pode seguir os exemplos e consultas apresentados nos projetos mencionados neste artigo. Além disso, é fundamental aprender os conceitos básicos do SQL, como SELECT, FROM, WHERE, GROUP BY e JOIN, e praticar resolvendo problemas e consultas em bancos de dados reais ou simulados.

3. Qual projeto SQL é o melhor para iniciantes?

Resposta: Para iniciantes, recomenda-se começar com projetos mais simples, como a análise de dados de vendas ou o desempenho do aluno. Conforme você ganha confiança e habilidade, pode avançar para projetos mais complexos, como a análise de emissão de carbono ou a gestão hospitalar.

4. Quais recursos estão disponíveis para aprender SQL?

Resposta: Existem muitos recursos disponíveis para aprender SQL, incluindo tutoriais online, cursos em plataformas de ensino, livros e documentação oficial. Além disso, você pode praticar em bancos de dados de treinamento e participar de comunidades online para obter ajuda e suporte.

5. Como incluir projetos SQL no meu currículo?

Resposta: Para incluir projetos SQL no seu currículo, crie uma seção específica para “Projetos SQL” e liste os projetos relevantes, incluindo uma breve descrição de cada projeto, as habilidades e conceitos SQL utilizados, e os resultados alcançados. Certifique-se de destacar como esses projetos contribuíram para suas habilidades e experiência em SQL.