Analista de DadosRespostas de Entrevista

Começo por clarificar a pergunta de negócio — um pedido vago como "analise nossas vendas" é amplo demais. Investigo para entender qual decisão a análise irá informar. Depois avalio disponibilidade e qualidade dos dados, desenho a abordagem analítica e valido as suposições com as partes interessadas antes de construir. Apresento as conclusões com o "so what" logo no início e, em seguida, sustento com evidências. O objetivo é insight acionável, não um despejo de dados.

Incorporo validação de dados em todos os pipelines: verificando valores nulos, duplicados, outliers e integridade referencial. Perfilo os dados antes da análise — entendendo distribuições, contagem de linhas e faixas de valores esperadas. Documento a linhagem dos dados e as transformações para que outros possam auditar meu trabalho. Quando encontro anomalias, investigo a causa raiz antes de prosseguir. Uma boa análise só é tão boa quanto os dados subjacentes, então não hesito em sinalizar problemas de qualidade à equipe de engenharia.

Analisei padrões de churn de clientes para um produto SaaS e descobri que clientes que não completavam o onboarding dentro de 14 dias tinham uma taxa de churn 3x maior. Apresentei isso à equipe de produto com análise de coortes e curvas de sobrevivência. Eles redesenharam o fluxo de onboarding e adicionaram check-ins humanos no dia 7. Três meses depois, a retenção em 90 dias melhorou 18%. Esse é o tipo de análise que muda a forma como um negócio opera.

SQL é minha ferramenta principal para extração e transformação de dados — estou confortável com funções de janela, CTEs e otimização de consultas. Uso Python (pandas, NumPy, matplotlib, seaborn) para análises mais complexas e automação. Para visualização e relatórios, uso Tableau, Power BI ou Looker, dependendo do stack. Já trabalhei com BigQuery, Snowflake e Redshift como data warehouses na nuvem. Escolho a ferramenta certa para a pergunta — não a mais impressionante.

Traduzo números para a linguagem de negócio. Em vez de "o R-quadrado é 0,87", eu digo "nosso modelo explica 87% da variação na receita." Começo pelo insight e recomendação, depois forneço evidências para quem quiser se aprofundar. Uso visuais claros e bem rotulados — evitando elementos visuais desnecessários — e construo narrativas que contam uma história. Também me preparo para perguntas: conheço meus dados o suficiente para responder a perguntas do tipo "e se" na hora.

Recebo contradições de forma positiva — elas frequentemente revelam os insights mais valiosos. Primeiro, confero minha análise em busca de erros. Se os dados se mantiverem, investigo por que contradizem as expectativas. Às vezes é um problema de qualidade de dados a montante; outras vezes os dados estão revelando uma verdade de negócio que as suposições ainda não captaram. Apresento contradições com transparência, com contexto e uma recomendação para investigação adicional. Nunca ajusto os dados para que eles se encaixem na resposta esperada.

Projetei e analisei dezenas de testes A/B — desde otimização de landing pages até experimentos de precificação. Calculo o tamanho de amostra necessário antecipadamente para evitar testes subdimensionados, determino a duração do experimento com base no tráfego e verifico diferenças pré-existentes entre grupos (testes A/A). Uso testes estatísticos apropriados — testes t, qui-quadrado ou métodos bayesianos, dependendo do contexto — e sempre considero significância prática junto com significância estatística. Também sei quando não executar um teste A/B.

Avalio as solicitações por impacto potencial no negócio, disponibilidade de dados e urgência das partes interessadas. Mantenho um backlog transparente e discuto prioridades com meu gestor e stakeholders-chave regularmente. Não tenho medo de contrapor pedidos de baixo valor ou questionar a formulação de uma pergunta se outra análise seria mais útil. Também proponho proativamente análises que considero valiosas — esperar por solicitações faz perder oportunidades de agregar valor.