Análise de dados, também conhecida pelo termo em inglês data analysis, é o processo de coletar, organizar, examinar e interpretar dados para responder perguntas e apoiar decisões. Ela está presente quando uma loja decide quanto comprar de cada produto, quando um hospital organiza escalas ou quando um aplicativo escolhe o que mostrar na tela inicial.
Os quatro tipos de análise de dados
Descritiva: responde o que aconteceu. Exemplo: quanto vendemos por mês no último ano.
Diagnóstica: responde por que aconteceu. Exemplo: as vendas caíram em março porque um produto ficou sem estoque.
Preditiva: estima o que deve acontecer, usando estatística e machine learning. Exemplo: quanto devemos vender no próximo trimestre.
Prescritiva: sugere o que fazer. Exemplo: quanto comprar de cada item para evitar falta e excesso de estoque.
As etapas de uma análise de dados
1. Definir a pergunta. Uma boa análise começa com uma pergunta clara e ligada a uma decisão, como quais clientes têm maior risco de cancelar.
2. Coletar os dados. Eles podem vir de sistemas de gestão, planilhas, sites, aplicativos, pesquisas ou fontes públicas.
3. Limpar e preparar. Corrigir erros, padronizar formatos, tratar valores ausentes e remover duplicidades. É comum essa etapa levar a maior parte do tempo.
4. Explorar e analisar. Calcular indicadores, comparar grupos, buscar tendências e testar hipóteses.
5. Visualizar e comunicar. Gráficos e painéis simples ajudam a mostrar o resultado para quem vai decidir. A conclusão deve caber em poucas frases.
6. Decidir e acompanhar. A análise só gera valor quando leva a uma ação, e o resultado dessa ação deve ser medido depois.
As ferramentas mais usadas
Planilhas, como Excel e Google Sheets, continuam sendo a porta de entrada e resolvem muitos problemas. SQL é a linguagem para consultar bancos de dados e uma das habilidades mais pedidas na área. Python e R são usados para análises estatísticas, automação e machine learning. Ferramentas de visualização, como Power BI, Tableau e Looker Studio, transformam os dados em painéis interativos.
Métricas e o cuidado com conclusões
Correlação não é causalidade: duas coisas que acontecem juntas não significam que uma causa a outra. Médias podem esconder diferenças importantes entre grupos. Amostras pequenas geram conclusões frágeis. E um gráfico pode enganar dependendo da escala escolhida. Boa análise de dados é tanto rigor quanto honestidade sobre os limites.
Dados pessoais e LGPD
No Brasil, a análise de dados pessoais precisa seguir a Lei Geral de Proteção de Dados (Lei 13.709/2018): ter uma base legal para o uso, usar apenas o necessário, proteger as informações e respeitar os direitos dos titulares. Sempre que possível, trabalhe com dados agregados ou anonimizados.
Como começar na área
Comece pelas planilhas e por estatística básica, depois aprenda SQL e uma ferramenta de visualização. Pratique com bases de dados públicas, como as de órgãos de estatística e portais de dados abertos, e monte um portfólio com perguntas, análises e conclusões explicadas. Com essa base, Python e machine learning são o passo seguinte; veja nosso guia de machine learning explicado.