Análise de dados é o trabalho de transformar registro bruto em resposta que muda uma decisão. A parte que se aprende em curso é a técnica; a parte que decide o resultado é escolher a pergunta certa e ter dado confiável para respondê-la, e nenhuma das duas é técnica.
Este texto mostra os quatro tipos de análise, o processo completo em seis etapas, onde o esforço realmente vai, os erros que produzem conclusão errada com aparência de rigor e o que fazer para começar.
Os quatro tipos de análise
| Tipo | Responde | Exemplo |
|---|---|---|
| Descritiva | o que aconteceu? | a receita caiu 8% no trimestre |
| Diagnóstica | por que aconteceu? | caiu por perda de clientes de um segmento específico |
| Preditiva | o que provavelmente acontece? | estes clientes têm alta chance de cancelar no trimestre |
| Prescritiva | o que fazer a respeito? | priorizar contato com esta lista, por este motivo |
A ordem importa: quase toda empresa quer pular para o terceiro tipo antes de ter o primeiro funcionando. Sem descrição confiável não existe diagnóstico, e sem diagnóstico a previsão é chute com decimais. Vale ainda dizer que a maior parte do valor está nos dois primeiros, e eles não exigem estatística avançada.
O processo em seis etapas
- Escreva a pergunta. Específica e com decisão associada: “devemos manter o atendimento no sábado?” e não “vamos analisar o atendimento”. Pergunta vaga produz relatório vago.
- Descubra onde o dado está, e aceite que ele está em mais de um lugar: sistema de gestão, plataforma de venda, planilha de alguém.
- Limpe e padronize. Nome escrito de três formas, data em dois formatos, registro duplicado, campo vazio. É a etapa mais longa e a que ninguém mostra.
- Explore antes de concluir. Olhe distribuição, extremos e valores impossíveis. É aqui que se descobre que a média está sendo puxada por três casos.
- Responda a pergunta, com o número e com o quanto se pode confiar nele.
- Comunique para decidir. Uma frase de conclusão, o número que a sustenta e o que muda se ela estiver errada.
A sexta etapa é onde boa análise morre. Resultado apresentado como despejo de gráficos não gera decisão, e quem apresenta conclui que faltou dado quando faltou tradução.
Onde o esforço realmente vai
A distribuição real de tempo em um trabalho de análise surpreende quem espera modelagem:
- Entender a pergunta e o contexto: uma fatia grande, e cortá-la é o que produz análise tecnicamente correta e inútil.
- Encontrar, juntar e limpar dado: a maior fatia de todas, com folga.
- Analisar de fato: menor do que se imagina, especialmente em análise descritiva e diagnóstica.
- Comunicar: subestimado quase sempre, e é o que determina se algo muda.
Essa distribuição explica por que organizar a origem do dado rende mais que aprender uma técnica nova: ela ataca a maior fatia. A camada que resolve isso de forma permanente está em business intelligence.
Os erros que enganam
- Confundir correlação com causa. Duas coisas que sobem juntas podem ter uma terceira causa comum, e agir sobre a errada custa dinheiro.
- Usar média onde a distribuição é torta. Ticket médio de dez mil pode significar nove clientes pequenos e um enorme, e as duas realidades pedem decisões opostas.
- Comparar períodos diferentes, ignorando sazonalidade.
- Sobrevivência na amostra. Analisar só quem ficou responde por que os que ficaram ficaram, e não por que os outros saíram.
- Mudar a definição no meio da série, o que reinicia a comparação sem avisar.
- Analisar para confirmar. É o erro mais frequente e o menos técnico: a decisão já estava tomada e o dado foi buscado para justificar.
Os quatro primeiros se corrigem com método. Os dois últimos são comportamento, e o assunto está em cultura de dados.
O que usar
- Planilha, que resolve mais do que o mercado admite e é a escolha certa para a maior parte das perguntas de empresa pequena.
- Ferramenta de painel, quando a mesma pergunta é feita toda semana e o trabalho manual passa a se repetir. A comparação das opções está em ferramentas de BI.
- SQL, que é a habilidade com melhor relação entre esforço e retorno para quem trabalha com dado em empresa.
- Python ou R, quando a análise exige estatística, repetição programática ou volume que a planilha não suporta, com o caminho em como criar uma IA com Python.
- Assistente de IA, útil para acelerar consulta e primeira leitura, e que continua exigindo alguém que saiba se a resposta faz sentido.
O setup mínimo para começar
- Escolha três perguntas que a empresa faz sempre e responde mal.
- Defina os termos por escrito: o que conta como cliente, venda, receita e período. Sem isso, o número não será aceito, por mais correto que esteja.
- Consolide as fontes em um lugar, ainda que seja uma planilha alimentada automaticamente.
- Responda as três perguntas e apresente em uma tela, com comparação.
- Coloque o resultado na reunião que já existe, em vez de criar uma nova.
- Repita com as três seguintes.
O detalhamento desse setup, com o que priorizar quando não há equipe técnica, está em como fazer um dashboard, e o formato de entrega recorrente em relatórios gerenciais.
O que muda em empresa pequena
Empresa pequena tem menos dado e decide mais rápido, e isso muda o que faz sentido:
- Volume pequeno não impede análise, impede previsão. Descrição e diagnóstico funcionam bem com centenas de registros.
- Não contrate cientista de dados primeiro. Contrate a organização do dado, que costuma ser trabalho de configuração, e não de modelagem.
- Aceite o número aproximado. Resposta razoável hoje decide melhor que resposta exata em três meses.
- Escolha os indicadores com critério, porque acompanhar poucos de verdade rende mais que medir muitos de vez em quando, tema de KPI.
A conclusão prática: análise de dados em empresa começa por escrever a pergunta e acordar os termos, e não por escolher ferramenta ou contratar especialista. Feito nessa ordem, as três primeiras perguntas costumam ser respondidas em semanas com o que a empresa já tem. E se a organização que você construir passar a valer para outras empresas do setor, vale product market fit.
Perguntas frequentes
O que é análise de dados?
É o trabalho de transformar registro bruto em resposta que muda uma decisão. A parte que se aprende em curso é a técnica; a parte que decide o resultado é escolher a pergunta certa e ter dado confiável para respondê-la, e nenhuma das duas é técnica. Sem decisão associada, o resultado é relatório, e não análise.
Quais são os tipos de análise de dados?
Quatro. Descritiva, que responde o que aconteceu. Diagnóstica, que responde por que aconteceu. Preditiva, que estima o que provavelmente vai acontecer. E prescritiva, que indica o que fazer a respeito. A maior parte do valor está nas duas primeiras, e elas não exigem estatística avançada.
Por que não começar pela análise preditiva?
Porque sem descrição confiável não existe diagnóstico, e sem diagnóstico a previsão é chute com decimais. Empresa que tenta prever cancelamento sem saber quantos clientes cancelaram no trimestre passado, e por qual motivo, está construindo modelo sobre um número que ninguém confirma. A ordem dos quatro tipos não é hierarquia de sofisticação: é dependência.
Como é o processo de análise de dados?
Em seis etapas: escrever a pergunta, específica e com decisão associada; descobrir onde o dado está, aceitando que está em mais de um lugar; limpar e padronizar, que é a etapa mais longa; explorar antes de concluir, olhando distribuição e extremos; responder a pergunta com o quanto se pode confiar no número; e comunicar para decidir, com uma frase de conclusão e o que muda se ela estiver errada.
Onde vai o tempo em um trabalho de análise?
A maior fatia, com folga, vai em encontrar, juntar e limpar dado. Depois vem entender a pergunta e o contexto, cuja ausência produz análise tecnicamente correta e inútil. Analisar de fato é menor do que se imagina, sobretudo em análise descritiva e diagnóstica. E comunicar é subestimado quase sempre, apesar de ser o que determina se algo muda.
Quais erros mais comprometem uma análise?
Confundir correlação com causa. Usar média onde a distribuição é torta, já que ticket médio pode esconder nove clientes pequenos e um enorme. Comparar períodos diferentes ignorando sazonalidade. Analisar só quem ficou, o que responde por que os que ficaram ficaram. Mudar a definição no meio da série. E analisar para confirmar uma decisão já tomada, que é o erro mais frequente e o menos técnico.
Que ferramenta usar para análise de dados?
Planilha resolve mais do que o mercado admite e é a escolha certa para a maior parte das perguntas de empresa pequena. Ferramenta de painel entra quando a mesma pergunta se repete toda semana. SQL é a habilidade com melhor relação entre esforço e retorno para quem trabalha com dado em empresa. Python ou R quando há estatística ou volume que a planilha não suporta. E assistente de IA para acelerar, com revisão.
Preciso de muito dado para analisar?
Volume pequeno não impede análise, impede previsão. Descrição e diagnóstico funcionam bem com centenas de registros, e é justamente aí que está a maior parte do valor para empresa pequena. O que impede análise não é a quantidade: é dado espalhado, sem definição acordada e sem ninguém responsável por mantê-lo.
Como começar a analisar dados na empresa?
Escolha três perguntas que a empresa faz sempre e responde mal. Defina os termos por escrito, dizendo o que conta como cliente, venda, receita e período. Consolide as fontes em um lugar, ainda que seja uma planilha alimentada automaticamente. Responda as três em uma tela, com comparação. Coloque o resultado na reunião que já existe. E repita com as três seguintes.
Devo contratar um cientista de dados?
Em empresa pequena, quase nunca como primeiro passo. O gargalo costuma ser organização do dado, que é trabalho de configuração e definição, e não de modelagem. Contratar modelagem antes de arrumar a origem produz alguém caro limpando planilha. O cientista de dados passa a fazer sentido quando existe base organizada e uma pergunta que exige estatística de verdade.
