Carreira

O que é análise de dados

Análise de dados é o processo de coletar, organizar, tratar e interpretar dados para responder perguntas e apoiar decisões. Em uma empresa, isso significa transformar registros de vendas, clientes, estoque ou atendimento em respostas claras, como "por que as vendas caíram em março?" ou "quais clientes têm mais chance de cancelar?". Ela pode ser descritiva, diagnóstica, preditiva ou prescritiva, e usa ferramentas como Excel, SQL, Power BI e Python.

Por Felipy MoraisAnalista e engenheiro de dados, certificado Microsoft PL-300, DP-600 e DP-700

Publicado em 12 de novembro de 2026 · Atualizado em 12 de novembro de 2026

Para que serve a análise de dados

Toda empresa gera dados o tempo todo: cada venda, cada clique, cada atendimento vira um registro em algum sistema. Sozinhos, esses registros são só linhas em tabelas. A análise de dados é o trabalho de transformar isso em informação útil para decidir melhor.

Acompanhar o negócio: indicadores como faturamento, margem, ticket médio e satisfação.
Entender problemas: descobrir a causa de uma queda, de um aumento de custo ou de reclamações.
Antecipar: estimar demanda, risco de cancelamento ou necessidade de estoque.
Escolher entre opções: qual campanha manter, qual preço testar, onde abrir uma unidade.

Os 4 tipos de análise de dados

Uma forma clássica de organizar a análise é por pergunta que ela responde. Os tipos se complementam e costumam ser usados em sequência.

Tipo	Pergunta	Exemplo	Técnicas comuns
Descritiva	O que aconteceu?	Faturamento por mês e por região	Somas, médias, tabelas dinâmicas, dashboards
Diagnóstica	Por que aconteceu?	Vendas caíram porque um produto ficou sem estoque	Comparações, segmentação, correlação, drill-down
Preditiva	O que deve acontecer?	Previsão de demanda para o próximo trimestre	Séries temporais, regressão, machine learning
Prescritiva	O que devemos fazer?	Quanto comprar de cada item para não faltar nem sobrar	Otimização, simulação, regras de decisão

No dia a dia de um analista de dados, a maior parte do trabalho é descritiva e diagnóstica. Análises preditivas e prescritivas aparecem mais na ciência de dados, mas um bom analista também faz projeções simples e recomendações baseadas no que encontrou.

O processo de análise de dados em 6 etapas

1. Definir a pergunta

Comece pelo problema de negócio, não pelos dados. "Analisar as vendas" é vago; "entender por que o ticket médio caiu no Nordeste em setembro" é uma pergunta que dá para responder.

2. Coletar os dados

Identifique onde estão as informações: banco de dados do sistema, planilhas, ferramentas de marketing, APIs. Aqui entram SQL e conectores do Power BI ou do Python.

SELECT p.data_pedido, p.valor, c.estado, c.segmento
FROM pedidos p
JOIN clientes c ON c.id = p.cliente_id
WHERE p.data_pedido >= '2026-07-01';

3. Limpar e preparar

Corrigir tipos, tratar valores ausentes, remover duplicados, padronizar nomes e criar colunas úteis (mês, faixa de valor). É a etapa que costuma tomar mais tempo e a que mais evita conclusões erradas.

4. Explorar e analisar

Calcular indicadores, comparar períodos e grupos, procurar padrões e exceções. Estatística básica ajuda a separar variação normal de mudança real.

5. Visualizar

Escolher o gráfico certo para cada mensagem: linha para evolução, barras para comparação, dispersão para relação entre duas medidas. Um dashboard bem feito responde às perguntas sem precisar de explicação longa.

6. Comunicar e recomendar

Contar o que os dados mostram, com contexto e limites, e sugerir uma ação. Uma boa análise termina em "o que fazer com isso", não só em um gráfico.

Ferramentas mais usadas na análise de dados

Excel: fórmulas, tabela dinâmica, gráficos e Power Query. A porta de entrada. Veja como aprender Excel.
SQL: para buscar e cruzar dados nos bancos. Veja o que é SQL.
Power BI: dashboards interativos com atualização automática. Veja o que é Power BI.
Python: pandas para tratar dados, gráficos, estatística e automação. Veja como aprender Python.
Estatística: não é ferramenta, mas é o que dá segurança para interpretar médias, variações, amostras e correlações.

Exemplos de análise de dados em empresas

Varejo: identificar quais produtos são comprados juntos para montar combos e organizar a loja.
Saúde: medir tempo de espera e ocupação da agenda para ajustar a escala de profissionais.
Financeiro: acompanhar inadimplência por perfil de cliente e ajustar a política de crédito.
Marketing: comparar custo por cliente adquirido em cada canal e realocar investimento.
Logística: encontrar as rotas e transportadoras com mais atrasos.
Recursos humanos: entender em quais áreas a rotatividade é maior e quando ela acontece.
Educação: acompanhar engajamento dos alunos e identificar quem está prestes a desistir.

Um exemplo completo, do problema à recomendação

Uma rede de lojas percebe que o faturamento de setembro ficou abaixo de agosto. O caminho de uma análise típica:

Descritiva: o faturamento caiu, mas a quantidade de pedidos ficou estável. Logo, o que caiu foi o ticket médio.
Diagnóstica: separando por loja e categoria, a queda se concentra em duas lojas e na categoria de produtos de maior valor, que ficou sem estoque em parte do mês.
Preditiva: com o histórico, estima-se quanto daquela categoria deve ser vendido no próximo mês.
Prescritiva: a recomendação é ajustar o pedido de compra dessas lojas e criar um alerta de estoque mínimo.

Repare que a resposta útil não foi "as vendas caíram", e sim "faltou estoque de um grupo de produtos em duas lojas, e eis o que fazer".

Erros comuns em análises de dados

Começar sem pergunta clara e produzir gráficos que não ajudam ninguém a decidir.
Confundir correlação com causa: duas coisas subirem juntas não significa que uma causa a outra.
Ignorar a qualidade dos dados: duplicados e nulos mudam totalmente uma média.
Olhar só a média, sem ver a distribuição e os valores extremos.
Comparar períodos diferentes sem ajuste, como um mês de 28 dias com outro de 31 ou um mês com feriado prolongado.
Esconder limitações da análise em vez de deixá-las claras para quem vai decidir.

Como começar a aprender análise de dados

Excel para pensar em tabelas, filtros e agregações.
SQL para buscar dados direto nos bancos.
Power BI para modelar dados e construir dashboards.
Estatística básica para interpretar com segurança.
Python como diferencial para automação e análises mais avançadas.
Projetos de portfólio que mostram todo o processo, da pergunta à recomendação.

Se o seu objetivo é trabalhar na área, veja o que o dia a dia envolve em o que faz um analista de dados e o caminho completo em como virar analista de dados.

Formação Analista de Dados

A Formação Analista de Dados da Educadados reúne Excel, SQL, Power BI, Python e Estatística, com projetos reais, portfólio e preparação para a PL-300.

Conhecer a Formação

Perguntas frequentes

O que faz quem trabalha com análise de dados?

Busca dados nas fontes, limpa e organiza, calcula indicadores, investiga causas de variações, monta relatórios e dashboards e comunica conclusões e recomendações para as áreas de negócio.

Quais são os 4 tipos de análise de dados?

Descritiva (o que aconteceu), diagnóstica (por que aconteceu), preditiva (o que deve acontecer) e prescritiva (o que fazer). Elas se complementam e costumam ser usadas em sequência.

Qual a diferença entre análise de dados e ciência de dados?

A análise de dados foca em entender o que aconteceu e por quê, com relatórios, dashboards e investigações. A ciência de dados vai mais fundo em estatística, programação e modelos de machine learning, geralmente para prever e automatizar decisões.

Preciso saber programar para fazer análise de dados?

Para começar, não. Excel e Power BI permitem muito sem programação. SQL é quase sempre necessário e é simples de aprender. Python é um diferencial importante, principalmente para automação e análises mais avançadas.

Quais ferramentas de análise de dados aprender primeiro?

Uma ordem comum é Excel, SQL e Power BI, com estatística básica ao longo do caminho e Python em seguida. Essas ferramentas aparecem na maioria das vagas de analista de dados.

Análise de dados serve para empresas pequenas?

Serve. Mesmo uma planilha de vendas bem organizada já permite acompanhar faturamento, produtos mais vendidos e clientes que pararam de comprar. O princípio é o mesmo, só muda o volume e as ferramentas.

Continue lendo

Sobre o autor

Felipy Morais é analista e engenheiro de dados com mais de 6 anos de experiência, certificado Microsoft PL-300, DP-600 e DP-700 e Databricks Fundamentals. É fundador e instrutor da Educadados. Conheça a trajetória.