🏍️ Análise Estatística do Mercado de Motos Usadas

Um estudo de dados end-to-end sobre ~1.050 anúncios de motocicletas usadas — da limpeza à modelagem preditiva — para entender o que dirige o preço de revenda e a depreciação, com regressão linear, Random Forest e clusterização.

---

👤 Autor

Gustavo Caldeira — Analista de Dados

---

📌 Contexto do problema de negócio

No mercado de motos usadas, precificar corretamente é o que separa um bom negócio de um prejuízo. Compradores querem saber se um anúncio está caro; revendedores precisam estimar o valor de revenda; plataformas querem detectar preços fora da curva. A pergunta central: o que determina o preço de uma moto usada e quanto ela deprecia?

A base reúne 1.051 motocicletas (após limpeza) do mercado indiano, com preço de venda, ano, quilometragem, número de donos, tipo de vendedor e o preço de tabela (ex-showroom). Buscamos responder:

• 📉 Quanto uma moto deprecia por ano e por km rodado?
• 🏷️ Quais marcas retêm mais valor?
• 👥 O número de donos anteriores realmente derruba o preço?
• 🤖 É possível prever o preço de revenda com boa precisão?

Decisão de dados: o ex_showroom_price (preço de tabela) tem ~41% de ausência e é, essencialmente, o preço de onde o usado deprecia. Usá-lo como preditor seria vazamento de alvo — então ele fica de fora do modelo e serve apenas para medir a taxa de revenda. Também removemos registros implausíveis (ex.: uma moto com 880.000 km).

---

🧪 Metodologia estatística

#	Etapa	Técnicas	Por que foi escolhida
1	Limpeza & Preparação	Extração de marca/idade/nº de donos, regras de negócio	Cria preditores úteis e remove erros de digitação que distorceriam tudo.
2	Estatística Descritiva	Média, mediana, CV, assimetria, curtose, normalidade	O preço é fortemente assimétrico — daí o uso de log na modelagem.
3	EDA Avançada	Outliers (IQR/Z-score), correlação Pearson e Spearman, bivariada	Spearman revela a depreciação não-linear que Pearson subestima.
4	Estatística Inferencial	Teste t de Welch, ANOVA, intervalos de confiança	Testa o efeito do nº de donos e das marcas sobre o preço.
5	Modelagem	Regressão Linear (OLS) sobre log(preço) + Random Forest + K-Means	Explica, prevê (comparando linear vs não-linear) e segmenta o mercado.

---

💡 Principais insights

Resultados obtidos na execução completa do pipeline (python main.py).

1. 📉 A idade é o maior carrasco do preço

A depreciação é o fator dominante: cada ano a mais reduz o preço em ~8% (regressão OLS; p < 0,001), e a idade responde por 49% da importância no Random Forest. A correlação de Spearman (−0,70) é bem mais forte que a de Pearson (−0,40), revelando uma queda de valor não-linear — acentuada nos primeiros anos.

2. 🏆 Royal Enfield é a campeã de retenção de valor

Diferenças de preço entre marcas são altamente significativas (ANOVA: F = 169; p ≈ 10⁻¹²⁹). A Royal Enfield se destaca em dobro:

Marca	Preço mediano	Taxa de revenda*
Royal Enfield	₹124.000	0,81
Yamaha	₹55.500	0,69
Honda	₹42.000	0,67
Bajaj	₹40.000	0,59
Hero	₹30.900	0,65

_{Taxa de revenda = preço usado / preço de tabela. Quanto maior, menos a moto deprecia.}

Na regressão, ser Royal Enfield multiplica o preço por ~2,7× (coef. log = +0,99) frente à referência. No geral, motos usadas vendem por ~66% do preço de tabela.

3. 👥 O número de donos não afeta o preço (resultado nulo)

Contrariando a intuição, motos de 1º dono (₹60.186) não valem significativamente mais que as de múltiplos donos (₹57.481) — teste t: p = 0,71, e o coeficiente é não significativo na regressão (p = 0,20). O que pesa é a idade e a quilometragem, não quantas mãos passaram pela moto.

4. 🤖 Modelo preditivo sólido (R² ≈ 0,68)

A Regressão Linear sobre log(preço) atinge R² = 0,68 em teste — e o Random Forest (R² = 0,66) não supera a versão linear, indicando que a relação, em escala log, é essencialmente linear. As variáveis mais importantes: idade (0,49), quilometragem (0,20) e a marca Royal Enfield (0,17).

5. 🧩 Quatro segmentos de mercado (K-Means)

Cluster	Perfil	Nº motos	Preço médio	Idade	Km
1	🔝 Premium/seminovas	130	₹165.369	2,4 anos	10k
0	🟢 Recentes populares	551	₹52.309	4,4 anos	22k
2	🟡 Usadas medianas	128	₹45.898	8,5 anos	37k
3	📉 Antigas/rodadas	242	₹27.664	10,6 anos	57k

---

📂 Estrutura do repositório

Motorcycle/
├── data/
│   ├── raw/bike.csv                     # fonte
│   └── processed/                       # base limpa (gerada pelo pipeline)
├── src/
│   ├── config.py                        # caminhos e parâmetros centralizados
│   ├── data_loader.py                   # 1. carregamento
│   ├── preprocessing.py                 # 2. limpeza + feature engineering
│   ├── descriptive_stats.py             # 3. descritiva (assimetria, curtose, normalidade)
│   ├── eda_advanced.py                  # 4. outliers + correlação + preço por marca
│   ├── inferential_stats.py             # 5. teste t, ANOVA, IC
│   ├── modeling.py                      # 6. regressão linear + Random Forest + K-Means
│   └── visualization.py                 # funções de plotagem
├── notebooks/
│   ├── notebook_de_analise.ipynb        # narrativa importando src/
│   └── notebook_eda_original.ipynb      # EDA original (versão anterior do projeto)
├── reports/figures/                     # gráficos exportados
├── main.py                              # orquestra o pipeline completo
├── requirements.txt
├── .gitignore
└── README.md

🧱 Decisões de engenharia

• Modularidade, tipagem e dataclasses para resultados estruturados.
• Configuração central em config.py (sem números mágicos).
• Reprodutibilidade: random_state fixo e dependências travadas.

---

🚀 Como executar localmente

1. Clonar

git clone https://github.com/gustavocaldeirasantos/Motorcycle.git
cd Motorcycle

2. Ambiente virtual

Windows (PowerShell):

py -m venv .venv
.\.venv\Scripts\Activate.ps1

Linux / macOS:

python3 -m venv .venv && source .venv/bin/activate

3. Dependências

pip install -r requirements.txt

4. Rodar o pipeline completo

python main.py

Executa todas as etapas, salva a base limpa em data/processed/ e os gráficos em reports/figures/.

5. (Opcional) Módulo isolado

python -m src.eda_advanced
python -m src.modeling

6. (Opcional) Notebook

Abra notebooks/notebook_de_analise.ipynb no VS Code/Jupyter e selecione o kernel do .venv.

---

🛠️ Tecnologias

Python · Pandas · NumPy · SciPy · statsmodels · scikit-learn · Seaborn · Matplotlib

---

📜 Licença

Distribuído sob a licença MIT.

---

_{📊 Projeto de portfólio — análise de dados com fundamentação estatística. Dataset público de motos usadas (mercado indiano; preços em ₹).}