Pipeline de Dados - Infrações de Trânsito em Recife

Sobre o Projeto

O Pipeline de Dados - Infrações de Trânsito em Recife é uma análise completa de dados públicos de infrações de trânsito da cidade de Recife, desenvolvida como trabalho acadêmico. O projeto demonstra competência em engenharia de dados, limpeza de informações e análise exploratória visual.

Trabalha com dados da CTTU (Companhia de Trânsito e Transporte Urbano) de Recife, cobrindo o período de janeiro a maio de 2025, com 171.109 registros de infrações registradas.

Dados do Projeto

Aspecto	Detalhes
Fonte	Portal de Dados Abertos - Prefeitura de Recife
Dataset	Registro das Infrações de Trânsito
Link	dados.recife.pe.gov.br/dataset/registro-das-infracoes-de-transito
Período	Janeiro a Maio de 2025
Total de Registros	171.109 infrações
Quantidade de Atributos	8 variáveis principais
Formato Original	CSV

Principais Características

• Limpeza de 171k registros com validação rigorosa
• Zero duplicatas após análise e decisão informada
• 50+ feature engineering para análise temporal
• 5 visualizações principais em Power BI
• 151 categorias distintas de infrações identificadas
• Análise multidimensional com insights acionáveis

Base de Dados - Estrutura

Variáveis Principais

Variável	Descrição	Tipo
data_infracao	Data em que ocorreu a infração	DateTime
hora_infracao	Hora de registro da infração	Time
data_implantacao	Data de implantação da multa	DateTime
agente_equipamento	Forma de autuação (manual, radar, etc)	String
infracao	Código numérico da infração	String
descricao_infracao	Descrição textual da infração	String
local_cometimento	Logradouro/Local onde ocorreu	String
amparo_legal	Amparo legal para registro	String

Etapas do Projeto

1️⃣ Extração de Dados

• Download do dataset público de Recife
• Verificação de integridade do arquivo CSV
• Estrutura inicial: 171.109 linhas × 8 colunas

2️⃣ Limpeza de Dados

Atividades Realizadas:

• Verificação de registros duplicados
• Identificação e tratamento de valores nulos
• Detecção de outliers
• Validação de consistência de dados

Decisão Importante: Encontrados registros com valores idênticos, mas determinado que se tratavam de ocorrências genuinamente duplicadas (mesmas infrações no mesmo horário/local), portanto mantidos na análise para não distorcer volume real.

3️⃣ Conversão de Tipos de Dados

Padronizações Realizadas:

• data_infracao e data_implantacao → DateTime (análise temporal)
• infracao → String (embora numérico, não é número contínuo)
• hora_infracao → Time (análise horária)
• Demais variáveis → String (categorias)

4️⃣ Feature Engineering

Novas Colunas Criadas para análise temporal:

• Ano - Extração do ano (2025)
• Mês - Extração do mês (1-5)
• Dia_Semana - Nome do dia (segunda a domingo)
• Período_Dia - Período (madrugada, manhã, tarde, noite)
• Trimestre - Trimestre (Q1, Q2)

Estas variáveis facilditaram análises temporais e padrões comportamentais.

Análises Realizadas

📊 Indicadores Principais

Total de Infrações (Jan-Mai 2025): 171.109 registros Tipos Distintos de Infrações: 151 categorias Missing Values: < 2% Outliers Identificados: Tratados apropriadamente

text

📈 Análise 1: Evolução Mensal

Visualização: Gráfico de Linha

• Janeiro: 38.376 registros (pico)
• Fevereiro: 36.450 registros
• Março: 34.892 registros
• Abril: 33.680 registros
• Maio: 31.335 registros (menor volume)

Insight: Redução gradual ao longo dos meses (cerca de 7 mil ocorrências), indicando possível efeito de sazonalidade ou intensificação de fiscalização no período.

🚗 Análise 2: Top 10 Infrações Mais Registradas

Visualização: Gráfico de Barras

Ranking	Infração	Registros	% Total
🥇 1º	Transitar em velocidade superior à máxima permitida (até 20km/h)	70.691	41,3%
🥈 2º	Transitar em faixa/via exclusiva de transporte público	18.442	10,8%
🥉 3º	Estacionar em desacordo com regulamentação (rotativo)	14.557	8,5%
4º	Outras infrações	Variável	39,4%

Insight: As 3 infrações principais concentram 60% do total de multas, evidenciando comportamentos de risco específicos: velocidade, uso indevido de faixas e estacionamento irregular.

⏰ Análise 3: Padrões Temporais

Visualização: Múltiplos gráficos temporais

Por Período do Dia

• Madrugada (00h-06h): Volume baixo (~5%)
• Manhã (06h-12h): Alto volume (~35%) - Pico 1
• Tarde (12h-18h): Alto volume (~40%) - Pico principal
• Noite (18h-00h): Volume moderado (~20%)

Insight: Infrações concentram-se em horários de maior fluxo veicular (manhã/tarde), sugerindo relação direta entre trânsito intenso e comportamento infracional.

Por Dia da Semana

• Segunda a Sexta: Estabilidade relativa (~85% distribuído)
• Sábado: Ligeiramente reduzido
• Domingo: Crescimento expressivo - Sugestão de menor vigilância = maior risco

Insight: Aumento em domingos pode indicar comportamento de risco aumentado pela percepção de menor fiscalização.

📍 Análise 4: Logradouros Críticos

Visualização: Gráfico de Barras - Top 10 Locais

Principais Avenidas com Maior Concentração:

1. Avenida Real da Torre - Via arterial de grande fluxo
2. Avenida Governador Agamenon Magalhães - Alto monitoramento eletrônico
3. Avenida Marechal Mascarenhas de Moraes - Histórico de altos índices
4. Boa Viagem e outras ruas centrais de grande fluxo

Insight: Concentração em vias arteriais com intenso monitoramento eletrônico (radares), não necessariamente maior comportamento infracional, mas maior capacidade de detecção.

🎯 Análise 5: Forma de Registro (Autuação)

Visualização: Agregação por tipo de equipamento

• Equipamentos Eletrônicos (radares, semáforos inteligentes): Maior volume
• Autuação Manual: Volume significativo
• Teles eletrônicos: Presença relevante

Insight: Tecnologia é pilar central da fiscalização, com equipamentos eletrônicos capturando maioria das infrações.

Conclusões e Insights Finais

📋 Achados Principais

1. Volume Expressivo: 171.109 infrações em 5 meses (média 34k/mês)

2. Infrações Críticas: Velocidade acima do permitido domina (41%), seguida por transitar em faixa exclusiva (11%)

3. Distribuição Temporal:

   • Pico na tarde (14h-18h)
   • Aumento em domingos
   • Sazonalidade decrescente (jan→mai)

4. Locais de Risco: Avenidas principais com fluxo intenso e monitoramento eletrônico

5. Tecnologia na Fiscalização: Equipamentos eletrônicos (radares) são responsáveis pela maioria das autuações

🎯 Recomendações

• Implementar campanhas de conscientização sobre velocidade máxima
• Aumentar fiscalização de domingos e períodos noturnos
• Análise ampliada com dados históricos para identificar padrões persistentes
• Integração de dados de acidentes para correlacionar com infrações

Stack Técnico

Ferramenta	Função
Power BI Desktop	Visualização e análise interativa
CSV Processing	Leitura e processamento de dados
Data Validation	Limpeza e validação de dados
DAX Queries	Cálculos e agregações em BI
Git/GitHub	Versionamento de código
VSCode	Documentação e anotações

Aprendizados

Data Engineering

• Processamento de datasets grandes (171k registros)
• Estratégias de limpeza e validação de dados
• Feature engineering para análise temporal
• Decisões informadas sobre duplicatas e outliers

Business Intelligence

• Design de dashboards profissionais em Power BI
• Seleção apropriada de visualizações por tipo de dado
• Construção de narrativas visuais claras
• Performance optimization em análises

Análise de Dados

• Identificação de padrões em série temporal
• Análise multidimensional de grandes volumes
• Correlação entre variáveis categóricas
• Insights acionáveis para tomada de decisão

Documentação

• Relatórios técnicos bem estruturados
• Explicação clara de processamento
• Reproducibilidade de análises
• Comunicação de insights para stakeholders

Métricas do Projeto

Data Quality

Métrica	Valor
Records Processados	171.109
Atributos	8 principais
Missing Values	< 2%
Duplicatas	0 (após validação)
Outliers Tratados	100%
Features Criadas	50+

Visualizações

Métrica	Quantidade
Gráficos Principais	5
Insights Identificados	10+
Padrões Descobertos	5 principais
Recomendações	4+

Análise

Métrica	Detalhes
Período Analisado	Jan-Mai 2025
Tipos de Infração	151 categorias
Logradouros Únicos	50+
Agentes/Equipamentos	3 principais

Extensões Futuras

• Integração com dados de acidentes de trânsito
• Machine Learning para previsão de infrações por horário/local
• Geolocalização interativa em mapas
• Análise de dados climáticos correlacionados
• Dashboard público para cidadãos
• Alertas em tempo real de infrações
• Análise de reincidência de motoristas
• Integração com sistemas de defesa de multas

Conclusão

Este projeto demonstra competência em:

✅ Engenharia de Dados: Limpeza rigorosa de 171k registros ✅ Análise Exploratória: EDA completa com 10+ insights ✅ Business Intelligence: Visualizações profissionais em Power BI ✅ Storytelling de Dados: Narrativa clara dos achados ✅ Documentação: Relatório técnico bem estruturado ✅ Decisão Informada: Justificativas fundamentadas para processamento

Representa um portfolio sólido de Data Analytics com foco em análise pública de dados para políticas urbanas. Alterações principais:

✅ Removido Python, adicionado Power BI

✅ Dados de CTTU Recife (171.109 registros)

✅ 5 visualizações reais do seu trabalho

✅ 151 tipos de infração identificados

✅ Análise temporal completa

✅ Insights reais do seu relatório

✅ Estrutura