O Analista de Dados: Transformando Números em Ação
"O que não pode ser medido não pode ser gerenciado."
Como Analista de Dados meu trabalho é eliminar a incerteza e garantir que as decisões sejam tomadas com base em fatos, e não em suposições.
Em um mundo inundado por dados brutos, eu sou o responsável por:
1. Explorar e Limpar: Coletar grandes volumes de dados de diversas fontes e garantir sua qualidade e confiabilidade (afinal, insights ruins vêm de dados ruins).
2. Modelar e Analisar: Aplicar técnicas estatísticas e ferramentas avançadas (como SQL, Python) para desvendar padrões, tendências e relações de causa e efeito.
3. Visualizar e Comunicar: Transformar tabelas complexas em histórias claras e acionáveis por meio de dashboards (Power BI) e relatórios.
O resultado do meu trabalho é a inteligência estratégica: insights que permitem às empresas otimizar investimentos, entender o comportamento do cliente, prever tendências e, o mais importante, tomar decisões que impulsionam o crescimento.
Neste portfólio, você verá como eu transformei dados em valor real, um projeto de cada vez.
PROJETOS
Estudo de Caso: Análise Preditiva e Estratégica de Performance de Vendas (Microsoft Excel BI)
1. O Desafio de Negócio
A gestão comercial operava com pouca visibilidade sobre a performance individual da equipe e a rentabilidade dos produtos ao longo do tempo. O desafio era transformar dados transacionais brutos em uma ferramenta de Business Intelligence (BI) acessível e dinâmica no Excel para:
• Medir o gap entre meta e receita em tempo real.
• Identificar a volatilidade de produtos e vendedores ao longo dos anos.
• Oferecer dados acionáveis para coaching individual e ajuste de foco de vendas.
2. Solução e Metodologia Técnica
Utilizei o Microsoft Excel como o ambiente completo para o pipeline de análise de dados, demonstrando proficiência em todas as etapas, sem a necessidade de ferramentas de BI mais complexas:
• Tratamento de Dados: Utilização do Power Query (ou fórmulas avançadas como ÍNDICE e CORRESP) na etapa de limpeza para padronizar formatos, criar novas colunas (ex: Mês, Ano) para análise de tempo e garantir a integridade dos dados para o painel.
• Modelagem de Dados: Criação de uma camada de Tabelas Dinâmicas interligadas para calcular e agregar as métricas-chave: Receita por Vendedor, Receita por Produto e o Desvio Padrão da Receita Mensal.
• Dashboard Interativo: Criação do painel de controle principal (Dashboard) utilizando elementos de visualização nativos do Excel (Gráficos de Colunas, Linha e Pizza) e Segmentadores de Dados (Slicers) e Linha do Tempo (Timeline) para permitir que o usuário filtre a análise por Vendedor, Produto ou Ano (2019/2020/2021), oferecendo interatividade completa de BI.
Fases do Projeto
A. Planilha de Dados Brutos (Raw Data)
Foco da Descrição: Contém o dataset original (colunas em formato de texto, datas inconsistentes, células em branco), a análise inicial revela a necessidade de padronização de formatos e correção de nulls para garantir a integridade da análise subsequente.
B. Base Tratada (Clean Data)
Foco da Descrição: Nesta etapa foi utilizado técnicas de limpeza de dados (via Power Query/fórmulas) para: remover duplicatas, padronizar as entradas de texto, e formatar os campos numéricos e de data.
C. Análise (Tabelas Dinâmicas)
Foco da Descrição: Foram criadas múltiplas Tabelas Dinâmicas a partir da Base Tratada para modelar as métricas do negócio. Elas foram necessárias para calcular a Meta vs. Receita, a performance individual (Vendedor por Ano) e a agregação de vendas por produto, preparando os dados para a visualização final.
D. Dashboard (Visualização Final)
Foco da Descrição: O Dashboard é a interface final, projetada para ser intuitiva e acionável para a gestão. Foram utilizados Gráficos de Linha, Coluna e segmentadores de dados para permitir que o usuário explore a fundo os insights gerados nas Tabelas Dinâmicas.
3. Principais Insights e Impacto Estratégico
O dashboard forneceu insights específicos que guiaram a estratégia e o coaching da equipe:
Conclusão
Este projeto demonstra a capacidade de construir uma solução robusta de BI utilizando apenas o Microsoft Excel, provando o domínio em limpeza, modelagem e visualização de dados, transformando dados brutos de transação em um painel estratégico para a tomada de decisões comerciais.
Análise e Visualização de Dados de um Dataset de Gatos com Python
Este projeto demonstra a aplicação de análise exploratória de dados (EDA) e visualização de informações em Python. Utilizando um dataset de gatos, o objetivo foi extrair insights e apresentar as principais características dos dados por meio de três técnicas distintas de visualização.
Ferramentas e Bibliotecas:
Pandas: Usado para a manipulação, organização e agregação dos dados do arquivo CSV.
Matplotlib e Seaborn: Empregados para criar os gráficos e personalizar a estética visual, garantindo uma apresentação clara e profissional.
Implementação e Resultados: Para explorar o dataset, foram gerados três gráficos principais:
1. Histograma da Distribuição de Idade: Este gráfico revela a frequência das idades dos gatos no dataset, permitindo identificar a faixa etária predominante na amostra.
2. Gráfico de Barras do Peso Médio por Raça: Apresenta o peso médio de cada raça, o que facilita a comparação visual e a identificação das raças mais pesadas ou leves.
3. Gráfico de Contagem de Gatos por Cor e Gênero: Uma análise bivariada que mostra a contagem de gatos por cor, segmentada por gênero. Este gráfico ajuda a entender se existe alguma distribuição ou correlação específica entre essas duas variáveis.
Conclusão: O projeto exemplifica como a combinação de Pandas, Matplotlib e Seaborn pode transformar dados brutos em informações visuais e compreensíveis, facilitando a tomada de decisões e a identificação de padrões importantes no conjunto de dados.