Programa completo de Data Analytics cobrindo toda a cadeia de valor dos dados. Da manipulação de dados com Google Sheets e SQL à criação de dashboards interativos com Power BI e Looker Studio, passando pela automação com ferramentas ELT (dbt, Zapier) e análise preditiva com Python (Pandas, Scikit-Learn). Aprenda a identificar fontes de dados, construir funis, analisar retenção de clientes e recomendar ações concretas a partir das suas análises.
Manipulação de dados com Google Sheets e fórmulas avançadas
SQL avançado com BigQuery: consultas analíticas, CTEs, window functions
Modelagem de dados para equipes de marketing, vendas e produto
Ferramentas ELT: dbt para transformação, Zapier para automação
Web tracking com Google Tag Manager e planos de rastreamento
APIs e webhooks para extração de dados
Visualização de dados com Power BI e Looker Studio (Google Data Studio)
Análise estatística e AB testing
Python para análise: Pandas, Plotly, Jupyter, Google Colab
Machine Learning aplicado: previsão de churn, segmentação de clientes com Scikit-Learn
Metodologia de análise: KPIs, funis de vendas, retenção, coortes
Projeto end-to-end: da identificação do problema ao dashboard automatizado
Os conceitos mais importantes para entender esta tecnologia e mandar bem nas entrevistas
Google Sheets: fórmulas avançadas (VLOOKUP, INDEX/MATCH, ARRAYFORMULA), tabelas dinâmicas, automação
SQL: SELECT, JOIN, GROUP BY, HAVING, window functions (ROW_NUMBER, RANK, LAG/LEAD), CTEs, subconsultas
BigQuery: particionamento, clustering, consultas aninhadas, otimização de custos, UDFs
Modelagem de Dados: esquemas estrela, tabelas fato e dimensão, normalização, desnormalização
KPIs e métricas: CAC, LTV, MRR, ARR, churn rate, NPS, taxa de conversão, ARPU
Funis e coortes: análise de conversão, retenção por coorte, análise RFM
ELT e Data Pipeline: Extract-Load-Transform, dbt (models, tests, sources), orquestração
Zapier e automação: triggers, actions, workflows multi-etapa, webhooks
Google Tag Manager: tags, triggers, variables, dataLayer, planos de tracking
Power BI: DAX, medidas calculadas, relacionamentos, visualizações, filtros, drill-down
Looker Studio: fontes de dados, campos calculados, filtros, parâmetros, blending
Visualização: escolher o gráfico certo, data storytelling, princípios de design (Tufte)
AB Testing: hipóteses, tamanho da amostra, significância estatística, p-value, teste t de Student
Python e Pandas: DataFrames, Series, groupby, merge, pivot_table, limpeza
Plotly: gráficos interativos, subplots, animações, dashboards
Scikit-Learn: regressão, classificação, clustering (K-Means), train/test split, métricas
Metodologia: definição do problema, identificação de fontes, limpeza, análise, recomendações
Descubra nossos ultimos artigos e guias sobre Data Analytics
Pandas 3.0 traz Copy-on-Write por padrão, um dtype string baseado em PyArrow e o novo construtor de expressões pd.col(). Este mergulho profundo cobre as mudanças principais, padrões de migração e perguntas de entrevista que todo data engineer precisa dominar.
Guia completo sobre visualizacao de dados com Python voltado para entrevistas tecnicas de Data Analytics. Aborda a API orientada a objetos do Matplotlib, graficos estatisticos com Seaborn, heatmaps de correlacao, estilizacao profissional e exercicio pratico de dashboard.
Comparativo completo entre Power BI e Tableau em 2026. Preços, recursos de IA, visualizações e mercado de trabalho.