Analista de Dados - GoogleCoursera - CURSO 2

Prévia do material em texto

Curso 2 - Fazer perguntas para tomar decisões com base em dados
SEMANA 1 - PERGUNTAS EFETIVAS
RESOLUÇÃO DE PROBLEMAS E QUESTIONAMENTO EFICAZ
VÍDEO 1 - Introdução à resolução de problemas e questionamento eficaz - Seja bem-vindo ao segundo curso do
certificado de Análise de Dados do Google. Se você concluiu o Curso Um, nós nos encontramos brevemente no início, mas
para aqueles que estão se juntando a nós agora, meu nome é Ximena e sou analista de dados do Google Finance. Eu fico
maravilhada pelo fato de que vocês estejam aqui comigo aprendendo sobre o fascinante campo da análise de dados. A
aprendizagem e a educação sempre foram muito importantes para mim. Quando eu era jovem, minha mãe sempre dizia:
"Não posso deixar uma herança para você, mas posso te dar uma educação que vai abrir portas". Isso sempre me
incentivou a continuar aprendendo e essa busca por conhecimento me deu confiança para me candidatar a meu atual
emprego no Google. Agora eu consigo fazer um trabalho realmente significativo todos os dias. Recentemente, trabalhei
como analista em uma equipe chamada Verily Life Sciences. Estávamos ajudando a levar suprimentos médicos que
salvam vidas para aqueles que mais precisam. Para fazer isso, previmos o que os profissionais de saúde precisariam ter à
mão e imediatamente compartilhamos essa informação na internet. As informações que minha equipe forneceu ajudaram a
tomar decisões baseadas em dados que realmente salvaram vidas. Estou muito feliz em ser sua professora neste curso.
Vamos abordar a diferença entre perguntas eficazes e ineficazes e aprender a fazer boas perguntas, que levam a insights
que podem ajudá-lo a resolver problemas de negócios. Você vai descobrir que perguntas eficazes o ajudam a aproveitar ao
máximo todo o processo de análise de dados. Você deve se lembrar que essas fases incluem perguntar, preparar,
processar, analisar, compartilhar e agir. Na etapa de perguntar, definimos o problema que estamos resolvendo e garantimos
que entendemos totalmente as expectativas das partes interessadas. Isso vai ajudar você a manter foco no problema real, o
que leva a melhores resultados. Então, vamos começar este curso falando sobre resolução de problemas e alguns dos tipos
mais comuns de problemas de negócios que os analistas de dados ajudam a resolver. Já que este curso foca no processo
de questionamento, você vai aprender como fazer perguntas eficazes que ajudam a coletar os dados certos para resolver
esses problemas. Em seguida, falaremos sobre os diferentes tipos de dados. Você aprenderá como e quando cada um é
mais útil. Você também terá a chance de explorar mais as planilhas e descobrir como elas podem ajudar a tornar sua
análise de dados ainda mais eficaz. E então começaremos a aprender sobre o pensamento estruturado. O pensamento
estruturado é o processo de reconhecimento do problema atual ou situação, organizando as informações
disponíveis, revelando lacunas e oportunidades e identificando as opções. Neste processo, você aborda um problema
vago, complexo, dividindo-o em partes menores e essas etapas levam a uma solução lógica. Vamos trabalhar juntos para
ter certeza de que você entendeu completamente como usar o pensamento estruturado e a análise de dados. Finalmente,
aprenderemos algumas estratégias comprovadas para se comunicar com outras pessoas de forma eficaz. Mal posso
esperar para compartilhar mais sobre minha paixão por análise de dados com você, então vamos começar.
Plano de estudos do curso
Seja bem-vindo ao segundo curso de Certificado de Análise de Dados do Google. Nesta parte do programa, você
aprenderá como os analistas de dados usam o pensamento estruturado para resolver problemas de negócios.
Pense que você é um grande detetive que descobre um caso buscando evidências e as organiza em uma
história convincente para resolver o mistério. Você vai entender como fazer perguntas eficazes e usar as
respostas para contar uma história significativa sobre os seus dados. Além disso, você aprenderá por que é tão
importante estar na mesma página que suas partes interessadas ao definir o problema e apresentar os dados
com uma análise.
1. Fundamentos: Dados, Dados, Dados em todos os lugares
2. Fazer perguntas para tomar decisões com base em dados (este curso)
3. Preparar os dados para exploração
4. Processar os dados para limpá-los
5. Analisar os dados para responder às perguntas
6. Compartilhar os dados com a arte da visualização
7. Análise de dados com programação em R
https://www.coursera.org/learn/fundamentos-dados-dados-em-todos-os-lugares/home/week/1
https://www.coursera.org/learn/preparar-os-dados-para-exploracao/home/welcome
https://www.coursera.org/learn/processar-os-dados-para-limpa-los/home/welcome
https://www.coursera.org/learn/analisar-os-dados-para-responder-as-perguntas/home/welcome
https://www.coursera.org/learn/compartilhar-os-dados-com-a-arte-da-visualizacao/home/welcome
https://www.coursera.org/learn/analise-de-dados-com-programacao-em-r/home/welcome
Curso 2 - Fazer perguntas para tomar decisões com base em dados
8. Clímax do Google Data Analytics: conclua um estudo de caso.
Conteúdo do curso
Curso 2 - Fazer perguntas para tomar decisões com base em dados
1. Realizar perguntas efetivas: Para fazer o trabalho de um analista de dados, você precisa fazer
perguntas e resolver problemas. Nesta parte do curso, você vai analisar alguns problemas de análise
comuns e como os analistas os resolvem. Você também aprenderá sobre técnicas eficazes para fazer
perguntas que podem ajudar você a orientar sua análise.
2. Tomar decisões melhores e com base em dados: Na análise, os dados orientam a tomada de
decisões. Durante essa parte do curso, você explorará dados de todos os tipos e seu impacto nas
escolhas feitas. Além disso, você aprenderá como compartilhar seus dados através de relatórios e
painéis.
3. Dominar os fundamentos de planilhas: As planilhas são uma importante ferramenta de análise de
dados. Nesta parte do curso, você aprenderá por que e como os analistas de dados usam planilhas em
seu trabalho. Você também explorará como o pensamento estruturado pode ajudar os analistas a
entender melhor os problemas e a encontrar soluções.
4. Tenha sempre em mente a parte interessada: Os analistas de dados de sucesso aprendem a
equilibrar as necessidades e as expectativas. Nesta parte do curso, você aprenderá estratégias para
gerenciar as expectativas das partes interessadas enquanto estabelece uma comunicação clara com sua
equipe para atingir seus objetivos.
5. Conclusão do Desafio do Curso: Ao final deste curso, você poderá colocar em prática tudo o que
aprendeu com o Desafio do Curso. O Desafio do Curso fará perguntas sobre os princípios-chave que
você aprendeu e, em seguida, dará a você a oportunidade de aplicar esses princípios em três cenários.
O que esperar do curso?
Cada semana deste curso inclui tarefas e projetos práticos baseados no dia-a-dia de um analista de dados. Para
mantê-lo envolvido, cada série de aulas oferece muitos tipos diferentes de oportunidades de aprendizagem,
incluindo:
● Vídeos de instrutores ensinando novos conceitos e demonstrando o uso de ferramentas
● Perguntas em vídeo que surgem durante ou no final de um vídeo para verificar o seu aprendizado
● Textos para apresentar novas ideias e desenvolver os conceitos dos vídeos.
● Fóruns de discussões para discutir, explorar e reforçar novas ideias para uma melhor aprendizagem
● Sugestões de discussão para promover o pensamento e o envolvimento nos fóruns de discussão.
● Atividades práticas para apresentar situações do mundo real no trabalho e as ferramentas e tarefas
para concluir seus trabalhos
● Simulados para servir como preparação para os testes que valem nota.
● Testes que valem nota para medir seu progresso e oferecer um feedback valioso.
Atividades práticas que promovem mais oportunidades para desenvolver suas habilidades. Tente fazer o máximo
possível delas. As avaliações se baseiam na abordagem do curso para oferecer uma ampla variedade de
materiais de aprendizado e atividadesque reforçam habilidades importantes. Os testes (com e sem nota)
ajudarão a absorver o conteúdo. Os simulados sem nota são uma oportunidade para você se preparar para os
testes que valem nota. Ambos os tipos de testes podem ser respondidos várias vezes.
Como um rápido lembrete, este curso é projetado para todos os tipos de alunos, sem necessidade de graduação
ou experiência anterior. Todo mundo aprende de maneira diferente, então o Certificado de Análise de Dados do
Google foi desenvolvido com isso em mente. Os prazos personalizados são apenas um guia, portanto, fique à
vontade para trabalhar no seu próprio ritmo. Não há penalidade para os trabalhos atrasados. Se preferir, você
pode estender seus prazos voltando para Visão geral no painel de navegação e clicando em Alternar sessões.
Se você já perdeu os prazos anteriores, clique em Redefinir meus prazos. Se quiser revisar o conteúdo anterior
ou dar uma olhada no conteúdo que está por vir, você pode usar os links de navegação no topo desta página
para ir para outro curso do programa. Quando você passar em todos os trabalhos obrigatórios, estará no
https://www.coursera.org/learn/projeto-final-conclua-um-estudo-de-caso/home/welcome
https://www.coursera.org/learn/fazer-perguntas-para-tomar-decisoes-com-base-em-dados/discussions
Curso 2 - Fazer perguntas para tomar decisões com base em dados
caminho certo para ganhar seu certificado. E, depois de obter o certificado, você estará pronto para um trabalho
de nível básico como analista de dados júnior ou associado, ajudando organizações em diversos setores a tomar
decisões com estratégias baseadas em dados.
Atalho opcional para quem tem experiência em análise de dados
O Certificado de Análise de Dados do Google oferece instruções e feedback para alunos que querem conseguir
uma posição como analista de dados de nível básico. Muitos alunos são novos no mundo da análise de dados,
mas outros podem já estar familiarizados com a área e só quererem aperfeiçoar certas habilidades.
Se você acredita que este curso será principalmente uma atualização para você, recomendamos que você faça o
teste de diagnóstico prático (encontre-o no conteúdo desta semana). Isso permitirá que você determine se deve
seguir o atalho, que é uma oportunidade de prosseguir para o Curso 3 depois de ter realizado cada um dos
Desafios Semanais do Curso 2 e o Desafio do Curso Geral. Os alunos que conseguirem 100% de pontuação no
teste de diagnóstico poderão tratar os vídeos, os textos e as atividades do Curso 2 como opcionais. Os alunos
que seguirem o atalho ainda poderão receber o certificado.
Dicas
● É altamente recomendável que você veja os tópicos do curso com cuidado e na ordem em que
aparecem, pois cada nova seção se baseia em informações e conceitos abordados nas anteriores.
● Aproveite os recursos adicionais vinculados ao longo do curso. Eles foram projetados para auxiliar seu
aprendizado.
● Quando você encontrar links úteis no curso, marque-os como favoritos para consultar as informações
para estudo ou revisão.
● Os recursos adicionais são gratuitos, mas alguns sites estabelecem limites para o número de artigos
que podem ser acessados gratuitamente por mês. Às vezes, é possível se registrar no site para receber
acesso total, mas você pode sempre marcar um recurso como favorito e voltar para visualizá-lo mais
tarde.
● Participe de todas as oportunidades de aprendizagem para ter o máximo de conhecimento e experiência
possível.
● Se você não entender algo, fique à vontade para assistir novamente a um vídeo, revisitar uma leitura ou
buscar recursos adicionais.
Prepare-se para dar o próximo passo em sua jornada de análise de dados!
Registro de aprendizado: Considere o que os dados significam para você
Visão geral
Este curso tem como objetivo abordar como fazer boas perguntas e planejar projetos de análise de dados. Você
já começou a aprender como os dados podem ser usados para responder perguntas. Agora, você fará anotações
em seu registro de aprendizagem para captar seus pensamentos e reflexões sobre o que os dados significam
para você e como se relacionam com a resolução de problemas. No momento em que você concluir a anotação
desta atividade, terá um entendimento mais sólido sobre análise de dados e do processo de solução de
problemas. Isso será importante à medida que você aprende a fazer perguntas que podem ser respondidas com
a análise de dados e você encontrará essas perguntas novamente mais tarde neste curso.
Dados e resolução de problemas
Faça uma pausa e pense na palavra "dados". O que isso significa para você?
Embora esteja claro que os dados são uma parte importante do trabalho de um analista de dados, são apenas
parte do quadro geral. A outra parte é a resolução de problemas. Ser um analista de dados bem-sucedido
significa entender que cada problema é único e trabalhar metodicamente para resolvê-lo com dados. Por
definição, a maioria dos novos problemas enfrentados pelos analistas de dados começa em território
desconhecido. Cabe ao analista de dados e às suas habilidades de resolução de problemas pensar
Curso 2 - Fazer perguntas para tomar decisões com base em dados
estrategicamente, fazer boas perguntas e usar os dados para chegar a soluções desses problemas. Você vai
analisar algumas dessas questões em seu modelo de registro de aprendizagem, que está vinculado a seguir.
Acessar seu registro de aprendizado
Para usar o registro de aprendizado deste item do curso, clique no link abaixo e selecione “Usar modelo”.
Link para o modelo de registro de aprendizado:Considere o que os dados significam para você
OU
Caso você não tenha uma conta do Google, faça o download direto do modelo pelo anexo abaixo.
DAC2M1L1R2ATTACHMENT_POR
DOCX File
Reflexão
Em seu modelo de registro de aprendizagem, escreva de 3 a 5 sentenças (60 a 100 palavras) refletindo sobre o
que dados significam para você. Aqui estão algumas perguntas para ajudá-lo a começar:
● Como você descreveria “dados” para alguém que não está familiarizado com a palavra?
● O que os dados representam?
● Para que são usados os dados?
● De onde vêm os dados?
● Como você consegue dados?
● Como você se sente em relação aos dados?
Em seguida, escreva 2 a 3 frases (40 a 60 palavras) sobre o processo de resolução de problemas, respondendo
a cada uma das perguntas abaixo:
● Quando você se depara com um problema e não tem certeza da resposta ou solução, o que você faz?
Dados são informações coletadas e marcas registradas de maneira estruturada. Eles representam fatos, estatísticas,
observações ou medidas que podem ser usadas para obter insights e conhecimento sobre um determinado assunto.
● Como você identifica problemas novos e interessantes? Existe um processo que você usa para
identificar os problemas que deseja resolver?
Quando possível peço a colaboração de pessoas que podem me auxiliar nesse problema, recorrendo a dados de
resolução de problemas parecidos.
Quando você terminar sua anotação no modelo de registro de aprendizado, salve o documento para que sua
resposta fique guardada em um lugar acessível. Isso ajudará você a continuar aplicando a análise de dados na
vida cotidiana. Você também poderá acompanhar seu progresso e crescimento como analista de dados.
TOMAR AÇÕES COM OS DADOS
VÍDEO - Dados em ação - Neste vídeo, vou compartilhar um interessante estudo de caso sobre análise de dados, que vai
ilustrar como a resolução de problemas está relacionada a cada fase de do processo de análise de dados e também lançar
alguma luz sobre como essas fases funcionam no mundo real. É sobre uma pequena empresa que usou dados para
resolver um único problema que estava enfrentando. A empresa se chama Anywhere Gaming Repair. É um provedor de
serviços que vai até você para consertar seus videogames ou acessórios quebrados. O proprietário queria expandir seu
negócio. Ele sabia que a publicidade é uma forma comprovada de obter mais clientes, mas não sabia por onde começar.
Existem vários tipos de estratégias de publicidade, incluindo impressos, outdoors, comerciais de TV,transporte público,
podcasts e rádio. Uma das principais coisas que devem ser analisadas ao se escolher um método de publicidade é o seu
público-alvo, em outras palavras, as pessoas específicas que você está tentando alcançar. Por exemplo, se um fabricante
de equipamentos médicos quiser falar com médicos, colocar um anúncio em uma revista de saúde seria uma escolha
inteligente. Ou se uma empresa de catering quiser encontrar novos cozinheiros, pode anunciar usando um pôster em um
ponto de ônibus perto de uma escola de culinária. Ambas são ótimas maneiras de fazer seu anúncio ser visto pelo seu
público-alvo. A segunda coisa a se pensar é seu orçamento e quanto custarão os diferentes métodos de publicidade. Por
exemplo, um anúncio de TV provavelmente é ser mais caro do que um anúncio de rádio. Um grande outdoor provavelmente
https://docs.google.com/document/d/1cOnIGQo-Yymu8Bz7-bvSIiKh1779D0iFl_UAi0LAOSU/template/preview?resourcekey=0-jOCAk1D_j99vHbbk97D_-g
https://d3c33hcgiwev3.cloudfront.net/QBwnGlV5TW2cJxpVeQ1tsA_56b0aed558644f4a8e914f34a3fd65f1_DAC2M1L1R2ATTACHMENT_POR.docx?Expires=1687305600&Signature=EHPdKKT0jlvWDUhVu6N7Cdbvry~5yD79PwNw4XOrF3yaRoQKtzDYL2HH3QnDFVeA-r6XyCzfOs38U0JZb2KfRRP0i-XKqSbbw3dfOMzeC6iJV8cgzX9LY1M46FjwLxIFnyrCRKKPySkCjh0dS8AqToEbGertWdI2og4eBJxu4Zk_&Key-Pair-Id=APKAJLTNE6QMUY6HBC5A
https://d3c33hcgiwev3.cloudfront.net/QBwnGlV5TW2cJxpVeQ1tsA_56b0aed558644f4a8e914f34a3fd65f1_DAC2M1L1R2ATTACHMENT_POR.docx?Expires=1687305600&Signature=EHPdKKT0jlvWDUhVu6N7Cdbvry~5yD79PwNw4XOrF3yaRoQKtzDYL2HH3QnDFVeA-r6XyCzfOs38U0JZb2KfRRP0i-XKqSbbw3dfOMzeC6iJV8cgzX9LY1M46FjwLxIFnyrCRKKPySkCjh0dS8AqToEbGertWdI2og4eBJxu4Zk_&Key-Pair-Id=APKAJLTNE6QMUY6HBC5A
Curso 2 - Fazer perguntas para tomar decisões com base em dados
custará mais do que um pequeno pôster na parte traseira de um ônibus da municipal. O dono da empresa pediu a uma
analista de dados, chamada Maria, que fizesse uma recomendação. Ela começou pelo primeiro passo no processo de
análise de dados: Perguntar. Maria começou definindo o problema que precisava ser resolvido. Para fazer isso, ela
primeiro teve que ampliar e visualizar toda a situação do contexto. Dessa forma, ela poderia ter certeza de que estava se
concentrando no verdadeiro problema e não apenas nos seus sintomas. Isso nos leva a outra parte importante do processo
de resolução de problemas: colaborar com as partes interessadas e entender suas necessidades. Para o conserto de jogos
em qualquer lugar, as partes interessadas incluíam o dono, o vice-presidente de comunicações e o diretor de marketing e
finanças. Trabalhando juntos, Maria e as partes interessadas concordaram com o problema, sem conhecer o tipo preferido
de publicidade de seu público-alvo. A próxima etapa foi a fase de preparação, onde Maria coletou dados para o processo
de análise à frente. Mas primeiro, ela precisava entender melhor o público-alvo da empresa, pessoas com videogames.
Depois disso, Maria recolheu os dados sobre os diferentes métodos de publicidade. Dessa forma, ela seria capaz de
determinar qual era o mais popular junto ao público-alvo da empresa. Em seguida, ela passou para a próxima etapa do
processo. Aqui Maria limpou os dados para eliminar todos os erros ou imprecisões que poderiam atrapalhar o resultado.
Como aprendemos, quando você limpa os dados, você os transforma para um formato mais útil, cria informações mais
completas e remover os pontos fora da curva. Depois era hora de fazer a análise. Nesta etapa, Maria queria descobrir duas
coisas. Primeiro, quem provavelmente possui um videogame? Segundo, onde estão essas pessoas com maior chance de
ver um anúncio? Maria descobriu que as pessoas com idades entre 18 e 34 são mais propensas a fazer compras
relacionadas a videogames. Ela poderia confirmar em qualquer lugar que o público-alvo dos consertos de jogos era
pessoas de 18 a 34 anos. Eram essas pessoas que eles deveriam tentar alcançar. Com isso em mente, Maria então
descobriu que os comerciais de TV e podcasts são muito populares entre as pessoas do público-alvo. Como a Maria sabia
que a Anywhere Gaming Repair tinha um orçamento limitado e sabia do alto custo dos comerciais de TV, a recomendação
dela foi anunciar em podcasts porque são mais econômicos. Agora que ela tinha sua análise, era hora de Maria
compartilhar a sua recomendação para que a empresa pudesse tomar uma decisão baseada em dados. Ela resumiu seus
resultados usando visuais claros e atraentes de análise. Isso ajudou suas partes interessadas a compreender a solução
para o problema original. Finalmente, a Anywhere Gaming Repair entrou em ação: eles trabalharam com uma agência local
de produção de podcast para criar um anúncio de 30 segundos sobre seus serviços. O anúncio foi exibido em um podcast
por um mês e funcionou. Eles viram um aumento de clientes logo após a primeira semana. No final da 4ª semana, eles
tinham 85 novos clientes. Aí está. Resolução de problemas eficaz usando fases de análise de dados em ação. Agora, você
viu como as seis fases da análise de dados podem ser aplicadas à resolução de problemas e como você pode usar isso
para resolver problemas do mundo real.
Do problema à ação: As seis fases da análise de dados
Existem seis fases da análise de dados que o ajudarão a tomar as melhores decisões: perguntar, preparar,
processar, analisar, compartilhar e agir. Lembre-se de que eles são diferentes do ciclo de vida dos dados, que
descreve as alterações pelas quais os dados passam durante sua vida útil. Vamos percorrer as etapas para ver
como elas podem ajudá-lo a resolver problemas que você pode enfrentar no trabalho.
Etapa 1: Perguntar
É impossível resolver um problema se você não sabe o que é. Você deve considerar os seguintes aspectos:
● Defina o problema que você está tentando resolver.
● Certifique-se que você entendeu totalmente as expectativas das partes interessadas.
● Concentre-se no problema real e evite distrações
● Colabore com as partes interessadas e mantenha uma linha de comunicação aberta
● Reflita sobre todo o contexto da situação
Perguntas que devem ser feitas nesta etapa:
Curso 2 - Fazer perguntas para tomar decisões com base em dados
1. Quais questões as partes interessadas dizem ser da minha alçada?
2. Agora que identifiquei essas questões, como posso ajudar as partes interessadas a resolver suas
dúvidas?
Etapa 2: Preparar
Você decidirá quais dados você precisa coletar para responder às suas perguntas e como organizá-los para que
sejam úteis. Você pode usar sua tarefa de negócios para decidir:
● Quais métricas medir
● Localizar os dados em seu banco de dados
● Criar medidas de segurança para proteger esses dados
Perguntas que devem ser feitas nesta etapa:
1. O que preciso descobrir como resolver este problema?
2. Que pesquisa eu preciso fazer?
Etapa 3: Processar
Dados limpos são os melhores dados e você precisará limpá-los para se livrar de quaisquer erros, imprecisões
ou possíveis inconsistências. Isso pode significar:
● Usar funções de planilha para encontrar dados que foram inseridos incorretamente
● Usar funções SQL para verificar se há espaços extras
● Remover dados duplicados
● Verificar o máximo possível a parcialidade dos dados
Perguntas que devem ser feitas nesta etapa:
1. Quais erros de dados ou imprecisões podem me atrapalhar na obtenção da melhor resposta possível
para o problema que estou tentando resolver?
2. Como posso limpar meus dados para que as informações que tenho sejam mais consistentes?
Etapa 4: Analisar
Curso 2 - Fazer perguntas para tomar decisões com base em dados
Você deve pensar analiticamente sobre seus dados. Nesta fase, você pode classificar e formatar seus dados
para tornar mais fácil:
● Realizar cálculos
● Combine dados de diferentes fontes
● Criar tabelas com seus resultados
Perguntas que devem ser feitas nesta etapa:
1. Que história meus dados estão me contando?
2. Como meus dados me ajudarão a resolver esse problema?
3. Quem precisa do produto ou serviço da minha empresa? Que tipo de pessoa tem maior probabilidade de
usá-lo?
Etapa 5:Compartilhar
Todos compartilham seus resultados de maneira diferente, portanto, certifique-se de resumir seus resultados
com efeitos visuais claros e atraentes de sua análise usando ferramentas de visualização de dados, como
gráficos ou painéis. Esta é a sua chance de mostrar as partes interessadas que você resolveu o problema deles
e como chegou lá. Compartilhar certamente ajudará sua equipe a:
● Tomar melhores decisões
● Tomar decisões com mais base
● Levar a resultados mais efetivos
● Comunicar suas descobertas com sucesso
Perguntas que devem ser feitas nesta etapa:
1. Como posso tornar o que apresentei para as partes interessadas, envolvente e fácil de entender?
2. O que me ajudaria a entender isso se eu fosse o ouvinte?
Etapa 6: Agir
Agora é hora de agir de acordo com seus dados. Você pegará tudo o que aprendeu com a análise de dados e
colocará em uso. Isso pode significar fornecer às partes interessadas recomendações com base em suas
descobertas, para que possam tomar decisões baseadas em dados.
Perguntas que devem ser feitas nesta etapa:
1. Como posso usar o feedback que recebi durante a fase de compartilhamento (etapa 5) para realmente
atender às necessidades e expectativas das partes interessadas?
Essas seis etapas podem ajudá-lo a quebrar o processo de análise de dados em partes menores e gerenciáveis,
o que é chamado de pensamento estruturado. Este processo envolve quatro atividades básicas:
1. Reconhecer o problema ou situação atual
2. Organizar as informações disponíveis
3. Revelar lacunas e oportunidades
Curso 2 - Fazer perguntas para tomar decisões com base em dados
4. Identificar suas opções
Quando você está iniciando sua carreira como analista de dados, é normal se sentir inclinado para algumas
direções diferentes em sua função e expectativas. Seguir os processos descritos aqui e usar habilidades de
pensamento estruturado podem ajudá-lo a voltar com tudo, preencher todas as lacunas e informar exatamente o
que você precisa.
VÍDEO - Nikki: O processo de dados funciona - Sou Nikkii e gerencio o time de educação, avaliação, e pesquisa. Minha
parte favorita do processo de análise de dados é encontrar o problema mais difícil e fazer um milhão de perguntas sobre
isso e ver se é mesmo possível obter uma resposta. Um dos problemas que abordamos aqui no Google é o nosso
programa de integração Noogler, que é como trazemos os novos funcionários a bordo. Uma das coisas que fizemos foi
perguntar: «como sabemos se os Nooglers estão se integrando mais rápido com o nosso novo programa de integração que
com nosso antigo programa, onde apresentávamos palestras para eles?». Nós trabalhamos juntos com os fornecedores de
conteúdo para entender exatamente o que significa integrar alguém mais rápido? Ao fazer todas as perguntas, o que
fizemos foi preparar os dados por entender quem eram as pessoas das novas contratações que estávamos examinando.
Preparamos nossos dados repassando e compreendendo quem eram essas pessoas, entendendo quem era nosso conjunto
de amostras, quem era nosso grupo de controle, quem era nosso grupo teste, onde estavam nossas fontes de dados, e
garantindo que ela estava em um conjunto, em um formato que era limpo e agradável para que escrevêssemos os scripts
adequados. Então, o próximo passo para nós foi processar os dados para garantir que estavam num formato que realmente
poderíamos analisar em SQL, tendo certeza de que era o formato certo, nas colunas certas e nas tabelas certas para nós.
Para analisar os dados, escrevemos scripts em SQL e em R para correlacionar os dados ao grupo de controle ou o grupo
teste e interpretar os dados para entender se onde houve alguma mudança nos indicadores comportamentais que vimos?
Ao analisarmos todos os dados, procuramos relatar isso de uma forma que as partes interessadas pudessem entender.
Dependendo de quem eram as nossas partes interessadas, preparamos relatórios, painéis e apresentações, e
compartilhamos essa informação. Depois que todos os nossos relatórios foram concluídos, vimos resultados realmente
positivos e decidimos agir com base nisso, continuando nosso programa de integração com base no projeto. Foi realmente
gratificante saber que temos os dados para fundamentar nosso projeto e que ele realmente funcionou. E não apenas que os
dados estavam lá, mas sabíamos que nossos alunos estavam aprendendo e que eles eram mais produtivos e mais rápidos
ao voltar ao seu trabalho.
RESOLVER PROBLEMAS COM DADOS
VÍDEO - Tipos de problemas comuns - Em um vídeo anterior, mostrei como a análise de dados ajudou uma empresa a
descobrir onde anunciar seus serviços. Uma parte importante deste processo foi uma boa habilidade em resolução de
problemas. Como analista de dados, você descobrirá que os problemas são o centro do que você faz todos os dias. Isso é
bom. Pense nos problemas como oportunidades para colocar suas habilidades em prática e encontrar soluções criativas e
perspicazes. Os problemas podem ser pequenos ou grandes, simples ou complexos, nenhum problema é igual a outro e
todos eles precisam de abordagens diferentes. Mas o primeiro passo é sempre o mesmo: entender que tipo de problema
você está tentando resolver, e é sobre isso que vamos falar sobre agora. Os analistas de dados trabalham com diversos
problemas. Neste vídeo, vamos nos concentrar em seis tipos comuns. Estes são: fazer previsões, categorizar coisas,
identificar algo fora do normal, identificar temas, descobrir conexões e encontrar padrões. Vamos definir cada um
deles agora. Primeiro, fazer previsões. Este tipo de problema envolve usar dados para tomar uma decisão
consciente sobre como as coisas podem ser no futuro. Por exemplo, um sistema hospitalar pode usar monitoramento
remoto de pacientes para prever eventos de saúde em pacientes com doenças crônicas. Os pacientes fariam a leitura de
seus sinais vitais em casa todos os dias, e essa informação combinada com dados sobre sua idade, fatores de risco e
outros detalhes importantes podem permitir que o algoritmo do hospital preveja futuros problemas de saúde e até reduza
futuras internações. O próximo tipo de problema é de categorização de coisas. Isso significa atribuir informações
para diferentes grupos ou clusters com base em recursos comuns. Um exemplo desse tipo de problema é um
fabricante que analisa os dados de desempenho dos funcionários do chão de fábrica. Um analista pode criar um grupo
para funcionários que são mais e menos eficazes em engenharia. Um grupo para funcionários que são mais e menos
efetivos no reparo e na manutenção, mais e menos efetivos na linha de montagem, e muito outros grupos ou clusters. Em
seguida, temos a detecção de algo incomum. Nesse tipo de problema, o analista de dados identifica os dados que
são diferentes do padrão. Um exemplo de detecção de algo incomum no mundo real é um sistema escolar que tem um
Curso 2 - Fazer perguntas para tomar decisões com base em dados
aumento repentino no número de alunos matriculados, talvez de até 30 por cento no número de alunos. Um analista de
dados pode olhar para a curva ascendente e descobrir que vários prédios novos foram construídos no distrito escolar no
início daquele ano. Seria possível usar esta análise para ter certeza que a escola tem recursos suficientes para lidar com
os alunos extras. A identificação de temas é o próximo tipo de problema. A identificação de temas leva a
categorização um passo adiante, agrupando as informações em conceitos mais amplos. Voltando ao nosso fabricante
que acabou de revisar os dados dos funcionários de chão de fábrica. Primeiro, essas pessoas são agrupadas por tipos e
tarefas. Mas agora um analista de dados poderia pegar todas essas categorias e agrupá-las em um conceito mais amplo de
baixa produtividade e alta produtividade. Isso faria com que a empresa pudesse ver quem é mais e menos produtivo, a fim
de recompensar os melhores desempenhos e providenciar apoio extra para aqueles funcionários que precisam de mais
treinamento. Agora, o tipo de problema de descoberta de conexões permite que o analista dedados encontre
desafios semelhantes enfrentados por diferentes entidades, e então combine os dados e insights para abordá-los.
Aqui está o que quero dizer; digamos que uma empresa de scooters está enfrentando um problema com as rodas que
recebe do seu fornecedor. A empresa teria que parar a produção até que pudesse conseguir rodas seguras e de qualidade
de novo no estoque. Mas, enquanto isso, as empresas de rodas enfrentam um problema com a borracha que usam para
fazer as rodas, e acontece que o fornecedor de borracha também não consegue encontrar o material certo. Se todas essas
entidades pudessem conversar sobre os problemas que estão enfrentando e pudessem compartilhar os dados
abertamente, elas encontrariam diversos desafios semelhantes e, melhor ainda, poderiam colaborar para encontrar uma
solução. O tipo final de problema é o de encontrar padrões. Os analistas de dados usam dados para encontrar
padrões usando dados históricos, a fim de entender o que aconteceu no passado e, portanto, o que provavelmente
acontecerá novamente. Empresas de e-commerce usam dados para encontrar padrões o tempo todo. Os analistas de
dados olham dados de transações a fim de entender hábitos de compras dos clientes em certos momentos ao longo do
ano. Eles podem descobrir que os clientes compram mais alimentos enlatados logo antes de um furação, ou que compram
menos acessórios de frio como chapéus e luvas durante meses mais quentes. As empresas de e-commerce podem usar
esses insights para ter certeza de que podem estocar a quantidade certa de produtos nesses momentos chave. Certo, você
aprendeu seis tipos básicos de problemas que os analistas de dados tipicamente enfrentam. Enquanto um futuro analista
de dados, esses serão conhecimentos valiosos para a sua carreira. Em seguida, falaremos um pouco mais sobre todos
esses tipos de problemas e eu vou dar ainda mais exemplos deles sendo resolvidos por analistas de dados.
Particularmente, eu amo exemplos do mundo real. Eles realmente me ajudam a entender novos conceitos. Mal posso
esperar para mostrar ainda mais casos reais para você. Vejo você lá.
Seis tipos de problemas
A análise de dados é muito mais do que apenas inserir informações em uma plataforma para encontrar insights.
Trata-se de resolver problemas. Para chegar à raiz desses problemas e encontrar soluções práticas, existe muito
espaço para o pensamento criativo. Não importa o problema, o primeiro e mais importante passo é entendê-lo. A
partir daí, é bom adotar uma abordagem no sentido de solucionar os problemas em sua análise para ajudá-lo a
decidir quais informações devem ser incluídas, como você pode transformar os dados e como os dados serão
usados.
Os analistas de dados normalmente trabalham com seis tipos de problemas
1. Fazer previsões
2. Categorizar coisas
3. Identificar algo incomum
4. Identificação de temas
5. Descobrir conexões
6. Encontrar padrões.
Um vídeo, Tipos de problemas comuns,
apresentou os seis tipos de problemas
com um exemplo para cada um. Os
exemplos são resumidos abaixo para
avaliação.
https://www.coursera.org/learn/fazer-perguntas-para-tomar-decisoes-com-base-em-dados/lecture/E8HxZ/tipos-de-problemas-comuns
Curso 2 - Fazer perguntas para tomar decisões com base em dados
Fazer previsões
Uma empresa que deseja saber o melhor método de publicidade para atrair novos clientes é um exemplo de
problema que exige que os analistas façam previsões. Analistas com dados sobre localização, tipo de mídia e
número de novos clientes adquiridos como resultado de anúncios anteriores não podem garantir resultados
futuros, mas podem ajudar a prever o melhor posicionamento de publicidade para atingir o público-alvo.
Categorizar coisas
Um exemplo de problema que exige que os analistas categorizem as coisas é o objetivo da empresa de melhorar
a satisfação do cliente. Os analistas podem classificar as chamadas de atendimento ao cliente com base em
certas palavras-chave ou pontuações. Isso pode ajudar a identificar representantes de atendimento ao cliente de
alto desempenho ou ajudar a correlacionar certas ações tomadas com pontuações mais altas de satisfação do
cliente.
Identificar algo incomum
Uma empresa que vende smartwatches que ajudam as pessoas a monitorar sua saúde estaria interessada em
projetar seu software para detectar algo incomum. Os analistas que analisaram dados agregados de saúde
podem ajudar os desenvolvedores de produtos a determinar os algoritmos certos para detectar e disparar
alarmes quando certos dados não apresentarem tendências regulares.
Identificação de temas
Os designers de experiência do usuário (UX) podem precisar dos analistas para analisar os dados de interação
do usuário. Assim como problemas que exigem que os analistas categorizem as coisas, os projetos de melhoria
de usabilidade podem exigir que os analistas identifiquem temas para ajudar a priorizar os recursos certos do
produto que se deseja melhorar. Os temas são usados com mais frequência para ajudar os pesquisadores a
explorar certos aspectos dos dados. Em um estudo para usuários, as crenças, práticas e necessidades do
usuário são exemplos de temas. Agora você deve estar se perguntando se há uma diferença entre categorizar
coisas e identificar temas. A melhor maneira de pensar sobre isso é: categorizar coisas envolve atribuir itens
a categorias; identificar temas leva essas categorias um passo à frente, agrupando-as em temas mais
amplos.
Descobrir conexões
Uma empresa de logística terceirizada trabalhando com outra empresa para fazer com que as remessas sejam
entregues aos clientes no prazo é um exemplo de problema que exige que os analistas descubram as conexões.
Ao analisar os períodos de espera nos centros de remessa, os analistas podem determinar as mudanças de
programação apropriadas para aumentar o número de entregas no prazo.
Encontrar padrões
Minimizar o tempo de inatividade causado por uma falha em uma máquina é um exemplo de problema que exige
que os analistas encontrem padrões nos dados. Por exemplo, ao analisar os dados de manutenção, eles podem
descobrir que a maioria das falhas ocorre se a manutenção regular for atrasada por mais de 15 dias.
Principal conclusão
À medida que avança neste programa, você desenvolverá uma visão mais apurada dos problemas e você vai
trabalhar seu raciocínio nos diferentes tipos de problema ao iniciar a análise. Este método de resolução de
problemas o ajudará a descobrir soluções que atendam às necessidades de todas as partes interessadas.
VÍDEO - Problemas no mundo real - Você vem aprendendo sobre os seis tipos de problemas mais comuns que os
analistas de dados encontram: fazer previsões, categorizar coisas, identificar algo incomum, identificar temas, descobrir
conexões e encontrar padrões. Vamos pensar em um exemplo do mundo real de um vídeo mostrado anteriormente. Nesse
exemplo, em qualquer lugar, o conserto de jogos queria descobrir como atrair novos clientes. Então, o problema era como
determinar o melhor método de publicidade para o público-alvo de consertos de jogos. Para ajudar a resolver esse
Curso 2 - Fazer perguntas para tomar decisões com base em dados
problema, a empresa usou dados para visualizar o que aconteceria se anunciasse em lugares diferentes. Ninguém pode
prever o futuro, mas os dados ajudam a tomar uma decisão informada sobre como as coisas provavelmente dariam certo.
Portanto, o tipo de problema era fazer previsões. Agora vamos pensar sobre o segundo tipo de problema, categorizar as
coisas. Aqui está um exemplo de um problema que envolve categorização. Digamos que uma empresa deseja melhorar os
níveis de satisfação do cliente. Os analistas de dados podem revisar os registrados de chamadas para o departamento de
atendimento ao cliente da empresa e avaliar os níveis de satisfação de cada pessoa que realizou a chamada. Eles podem
identificar certas palavras-chave ou frases que surgem durante os telefonemas e atribuir categorias como educação,
satisfação, insatisfação, empatia e muito mais. Categorizar essas palavras-chave nos fornece dados quepermitem à
empresa identificar representantes de atendimento ao cliente com melhor desempenho e aqueles que talvez precisem de
mais treinamento. Isso leva os clientes a ficarem mais satisfeitos e, consequentemente, a pontuações de atendimento ao
cliente mais altas. Ok, agora vamos falar sobre um problema que envolve detectar algo incomum. Alguns de vocês podem
ter um smartwatch, meu aplicativo favorito é para acompanhamento de saúde. Esses aplicativos podem ajudar as pessoas
a se manterem saudáveis coletando dados como sua frequência cardíaca, padrões de sono, rotina de exercícios e muito
mais. Existem muitas histórias por aí sobre aplicativos de saúde que realmente salvam a vida das pessoas. Um é sobre
uma mulher que era jovem, atlética e não tinha históricos de problemas médicos. Uma noite ela ouviu um bip em seu
smartwatch, uma notificação disse que sua frequência cardíaca havia disparado. Agora, neste exemplo, pense no relógio
como um analista de dados. O relógio estava coletando e analisando dados de saúde. Então, quando sua frequência
cardíaca descansando foi de repente para 120 batidas por minuto, o relógio viu algo incomum porque de acordo com seus
dados, a taxa era normalmente em torno de 70. Graças aos dados que seu smartwatch coletou, a mulher foi para o hospital
e descobriu que ela tinha uma condição que poderia levar a complicações fatais se ela não tivesse procurado ajuda
médica. Agora, vamos passar para o próximo tipo de problema, identificando temas. Vemos muitos exemplos disso no
campo de experiência do usuário. Os designers de experiência de usuário estudam e trabalham para melhorar as
interações que as pessoas têm com os produtos que usam todos os dias. Digamos que um designer de experiência do
usuário quer ver o que os clientes acham da cafeteira que ele fabrica em sua empresa. Esta empresa coleta dados de
pesquisas anônimas de usuários, que podem ser usado para responder a esta pergunta. Mas primeiro, para dar sentido a
tudo isso, ele precisará encontrar temas que representam os dados mais valiosos, especialmente as informações que ele
pode usar para tornar a experiência do usuário ainda melhor. Portanto, o problema que a empresa de designers de
experiência do usuário enfrenta é como melhorar a experiência do usuário para suas cafeteiras. O processo aqui se
resume a encontrar categorias para as palavras-chave, frases e conversas de atendimento ao cliente. Mas identificar temas
vai além do agrupamento de cada insight em um tema mais amplo. Em seguida, o designer pode identificar os temas mais
comuns. Neste caso, ele aprendeu que os usuários não conseguiam identificar se a cafeteira estava ligada ou desligada.
Ele acabou otimizando o design com melhor posicionamento e iluminação para o botão liga/desliga, levando ao
aprimoramento do produto e deixando os usuários mais satisfeitos. Agora chegamos ao problema sobre descobrir
conexões. Este exemplo é da indústria de transporte e usa algo chamado logística de terceiros. Os parceiros de logística
terceirizados ajuda as empresas a enviar produtos quando eles não têm seus próprios caminhões, aviões ou navios. Um
problema comum que esses parceiros enfrentam é descobrir como reduzir o tempo de espera. O tempo de espera acontece
quando um motorista de caminhão do provedor de logística terceirizado chega para pegar uma remessa, mas esta não está
pronta. Então ela tem que esperar. Isso custa tempo e dinheiro para ambas as empresas e impede que os caminhões
voltem para a estrada para fazer mais entregas. Então, como eles podem resolver isso? Bem, ao compartilhar dados, as
empresas parceiras podem ver os cronogramas umas das outras e ver o que está causando atrasos nas remessas. Então,
eles podem descobrir como evitar esses problemas no futuro. Portanto, o problema de uma empresa não causa impacto
negativo para a outra. Por exemplo, se as remessas estão atrasadas porque uma empresa só entrega às segundas, quartas
e sextas-feiras, e a outra empresa só entrega terças e quintas-feiras, então as empresas podem optar por entregar no
mesmo dia para reduzir o tempo de espera para os clientes. Tudo bem, chegamos ao nosso último tipo de problema,
encontrar padrões. As empresas de petróleo e gás trabalham constantemente para manter suas máquinas funcionando
corretamente. Então o problema é: como impedir que as máquinas quebrem? A maneira que os analistas de dados podem
fazer isso é analisando os padrões do histórico de dados da empresa. Por exemplo, eles podem investigar como e quando
uma determinada máquina quebrou no passado e gerar perspectivas sobre o que levou a este dano. Neste caso, a
empresa notou um padrão indicando que as máquinas começavam a quebrar em taxas mais rápidas quando a manutenção
não era feita em ciclos de 15 dias. Eles podem, então, acompanhar as condições atuais e intervir se algum desses
problemas acontecer novamente. Parece legal, não é? Sempre fico surpresa ao saber como os dados ajudam pessoas
reais e empresas reais a fazerem mudanças significativas. Eu espero que você também esteja. Vejo você em breve.
Curso 2 - Fazer perguntas para tomar decisões com base em dados
VÍDEO - Anmol: Da hipótese ao resultado - Olá, eu me chamo Anmol. Sou o chefe de Análise de Marketing de Grandes
Anunciantes dentro da Equipe de Marketing do Google. No fundo, meu trabalho tem a ver com conectar o usuário certo
com a mensagem certa no momento certo. Este primeiro passo é ter uma ideia geral de determinado padrão que está
ocorrendo. Por exemplo, sabemos que este segmento de usuários em particular é mais adequado para este tipo de
conteúdo. Quando somos capazes de visualizar esta hipótese por meio dos dados, nós testamos para assegurar que a
hipótese está realmente correta. Por exemplo, nós testaríamos o envio dessas peças de conteúdo para este segmento de
usuários, e realmente confirmar dentro de um ambiente controlado se a taxa de resposta é alta para este tipo de conteúdo,
ou se não é. Assim que formos capazes de realmente confirmar essa hipótese, nós entramos em contato com as partes
interessadas, neste caso, nossos profissionais de marketing, e contamos que, provamos com um grau de certeza
relativamente alto que este segmento em particular é mais adequado para este tipo de conteúdo, e por causa disso,
estamos recomendando que você produza mais deste tipo de conteúdo. Nossas partes interessadas realmente conseguem
ver toda a evolução, desde a hipótese até o conceito comprovado, e eles podem nos acompanhar na jornada de como
estamos provando essas hipóteses para elas então eventualmente se transformarem em estratégias e recomendações para
o negócio. O resultado neste caso foi que nós fomos capazes de mudar a maneira como todo o nosso time de marketing
trabalhava para realmente fazer isso muito mais centrado no usuário. Em vez de focar na nossa perspectiva, criando um
conteúdo que pensamos que os usuários precisam, na verdade estamos indo na outra direção de descobrir o que os
usuários precisam primeiro, provando que eles precisam de certas coisas ou não, e então usando estas informações para
levar de volta aos nossos profissionais de marketing e criando um conteúdo que atenda às suas necessidades. Então,
realmente mudou a direção sobre como produzir as coisas.
CRIAR PERGUNTAS EFETIVAS
VÍDEO - Perguntas SMART - Agora que falamos sobre os seis tipos básicos de problemas, é hora de começar a
resolvê-los. Para fazer isso, os analistas de dados começam fazendo as perguntas certas. Neste vídeo, nós vamos
aprender como fazer perguntas efetivas que levam a insights importantes onde você pode usar para resolver todos os tipos
de problemas. Como analista de dados, eu faço perguntas constantemente. É a parte mais importante do trabalho. Se
alguém solicitar que eu trabalhe em um projeto, eu faço perguntas para ter certeza de que estamos em sintonia sobre o
plano e os objetivos. E quando eu consigo um resultado, eu questiono isso. Os dados estão me mostrando algo superficial?
Existe algum conflito em algum lugar que precisa ser resolvido? Quanto maisperguntas você faz, mais você vai aprender
sobre seus dados e mais eficazes suas percepções serão no fim do dia. Algumas perguntas são mais efetivas do que
outras. Vamos dizer que você esteja almoçando com um amigo e eles dizem: "Esses são os melhores sanduíches de todos
os tempos, não são?" Bem, essa pergunta realmente não lhe dá a oportunidade de compartilhar sua opinião,
especialmente se você discordar e não gostar muito do sanduíche. Isso é chamado de pergunta dirigida porque o leva a
responder de uma certa maneira. Ou talvez você esteja trabalhando em um projeto e decida entrevistar um membro da
família. Digamos que você pergunte ao seu tio: «Você gostou de morar na Malásia?». Ele pode responder, "Sim." Mas você
não aprendeu muito sobre as experiências dele lá. Sua pergunta foi fechada. Isso significa que pode ser respondida
com sim ou não. Esse tipo de pergunta raramente leva a percepções valiosas. Agora, e se alguém perguntar a você,
você prefere chocolate ou baunilha? Bem, do que estão falando especificamente? Sorvete, pudim, aroma de café ou outra
coisa? E se você gosta de sorvete de chocolate, mas de baunilha no café? E se você não gostar de nenhum dos sabores?
Esse é o problema deste tipo de pergunta. É muito vaga e não tem contexto. Saber a diferença entre perguntas eficazes e
ineficazes é essencial para sua futura carreira como analista de dados. Afinal, o processo do analista de dados começa
com a fase de perguntas. Portanto, é importante que façamos as perguntas certas. Perguntas eficazes seguem a
metodologia SMART. Isso significa que elas são eSpecíficas, Mensuráveis, orientadas para a Ação, Relevantes e
com prazo deTerminado. Vamos ver isso em mais detalhes. As perguntas específicas são simples, significativas e
focadas em um único tópico ou algumas ideias intimamente relacionadas. Isso nos ajuda a coletar informações
relevantes para o que estamos investigando. Se uma pergunta for muito geral, tente restringi-la focando apenas em um
elemento. Por exemplo, em vez de fazer uma pergunta fechada, como: «As crianças estão praticando atividades físicas o
suficiente hoje em dia?», pergunte que porcentagem de crianças atinge os 60 minutos recomendados de atividade física
pelo menos cinco dias por semana? Essa pergunta é muito mais específica e pode fornecer informações mais úteis. Agora,
vamos falar sobre questões mensuráveis. Perguntas mensuráveis podem ser quantificadas e avaliadas. Um exemplo
de questão não mensurável seria, por exemplo, por que um vídeo recente se tornou viral? Em vez disso, você pode
perguntar quantas vezes nosso vídeo foi compartilhado nas redes sociais na primeira semana que foi postado? Essa
Curso 2 - Fazer perguntas para tomar decisões com base em dados
pergunta é mensurável porque nos permite contar as ações e chegar a um número concreto. Ok, agora chegamos às
questões orientadas para a ação. Perguntas orientadas para a ação incentivam a mudança. Você deve se lembrar que
resolver o problema é ver o estado atual e descobrir como transformá-lo no estado futuro ideal. Bem, perguntas orientadas
para a ação ajudam você a chegar lá. Então, ao invés de perguntar: «Como podemos fazer com que os clientes reciclem as
embalagens dos nossos produtos?», você pode perguntar: «Quais características de design podem tornar nossa
embalagem mais fácil de ser reciclada?» Isso traz respostas para as quais você pode tomar alguma ação. Tudo bem,
vamos ver agora sobre perguntas relevantes. Questões relevantes importam, são importantes e têm significado para o
problema que você está tentando resolver. Vamos dizer que você esteja trabalhando em um problema relacionado a uma
determinada espécie ameaçada de rã. E você pergunta: «Por que é importante que as rãs de Pine Barrens tenham
começado a desaparecer?» Esta é uma pergunta irrelevante porque a resposta não vai ajudar a achar uma maneira de
evitar que essas rãs sejam extintas. Uma pergunta mais relevante seria: «Quais fatores ambientais mudaram em Durham,
Carolina do Norte, entre 1983 e 2004 que poderiam causar o desaparecimento das rãs de Pine Barrens das regiões de
Sandhills?» A pergunta pode nos levar a uma resposta que pode ajudar a resolver esse problema. Esse também é um
ótimo exemplo para nosso item final, as perguntas com limite de tempo. As perguntas com limite de tempo especificam
o tempo do estudo. O período que queremos estudar é de 1983 a 2004. Isso limita a gama de possibilidades e permite
que o analista de dados foque nos dados relevantes. Ok, agora que você tem uma compreensão geral das perguntas
SMART, vamos falar de outra coisa que é muito importante que você deve ficar atento ao fazer perguntas: imparcialidade.
Falamos de imparcialidade antes, mas como um lembrete rápido, imparcialidade significa garantir que sua pergunta
não crie ou reforce algum ponto de vista. Para falar sobre isso, vamos voltar ao nosso exemplo do sanduíche. Lá,
tivemos uma pergunta injusta porque foi formulada para levar você a uma certa resposta. Isso dificulta uma resposta
honesta caso você discorde sobre a qualidade do sanduíche. Outro exemplo comum de pergunta injusta é aquela que faz
suposições. Por exemplo, digamos que uma pesquisa de satisfação seja dada às pessoas que visitam um museu de
ciências. Se a pesquisa perguntar: «O que você mais gostou em nossas exposições?», isso pressupõe que o cliente
gostou das exposições, o que pode ou não ser verdadeiro. Imparcialidade também significa elaborar perguntas que
façam sentido para todos. É importante que as perguntas sejam claras e tenham uma redação direta, que qualquer
pessoa possa entender facilmente. Perguntas injustas também podem dificultar seu trabalho como analista de dados. Eles
levam a feedback não confiável e oportunidades perdidas de obter insights verdadeiramente valiosos. Você aprendeu muito
sobre como elaborar perguntas eficazes, como usar a estrutura SMART para criar suas perguntas e como garantir que suas
perguntas sejam justas e objetivas. Em seguida, você explorará diferentes tipos de dados e aprenderá como cada um é
usado para orientar as decisões de negócios. Você também aprenderá mais sobre visualizações e como métricas ou
medições podem ajudar a criar sucesso. Vai ser ótimo!
Mais sobre perguntas SMART
Hoje, empresas em muitos setores estão lidando com mudanças rápidas e incertezas crescentes. Mesmo
empresas bem estabelecidas estão sob pressão para se manter a par das novidades e descobrir o que vem a
seguir. Para fazer isso, eles precisam fazer perguntas. Fazer as perguntas certas pode ajudar a despertar as
ideias inovadoras que tantas empresas desejam hoje em dia. O mesmo se aplica à análise de dados. Não
importa quantas informações você tenha ou quão avançadas sejam suas ferramentas, seus dados não dirão
muito se você não começar com as perguntas certas. Pense que você é um detetive com toneladas de
evidências que não faz perguntas a um dos principais suspeitos a respeito delas. A seguir, você aprenderá mais
sobre como fazer perguntas altamente eficazes, junto com algumas práticas que você deve evitar.
Perguntas altamente eficazes são perguntas SMART:
SMART
Específica S
Mensurável M
Orientada para a ação A
Relevante R
Com duração definida T
A pergunta é específica? Ela aborda o problema? Tem contexto? Ela revelará muitas das informações que você
precisa? A pergunta fornecerá respostas que você pode mensurar? As respostas fornecerão informações que o
Curso 2 - Fazer perguntas para tomar decisões com base em dados
ajudem a elaborar algum tipo de plano de ação? A pergunta é sobre o problema específico que você está
tentando resolver? As respostas são relevantes para o período específico que está sendo estudado?
Exemplos de perguntas SMART
Aqui está um exemplo que divide o processo de pensamento de transformar uma pergunta problemática em uma
ou mais perguntas SMART usando o método SMART: Quais recursos as pessoas procuram ao comprar um carro
novo?
Específica: A pergunta se concentra em um recurso específico do carro?
Mensurável: A pergunta inclui um sistema declassificação de recursos?
Orientada para a ação: A pergunta influencia a criação de pacotes de recursos novos ou diferentes?
Relevante: A pergunta identifica quais recursos fazem ou quebram uma potencial compra do carro?
Com duração definida: A pergunta valida os dados sobre os recursos mais populares dos últimos três anos?
As perguntas devem ser abertas. Esta é a melhor maneira de obter respostas que o ajudarão a qualificar ou
desqualificar com precisão potenciais soluções para seu problema específico. Portanto, com base no processo
de pensamento, as possíveis perguntas SMART podem ser:
Em uma escala de 1 a 10 (sendo 10 o mais importante), qual a importância de seu carro ter tração nas quatro rodas?
Quais são os cinco principais recursos que você gostaria de ver em um pacote de carro?
Quais recursos, se incluídos na tração nas quatro rodas, fariam você mais propenso a comprar o carro?
Quanto a mais você pagaria por um carro com tração nas quatro rodas?
A tração nas quatro rodas tornou-se mais ou menos popular nos últimos três anos?
Coisas que devem ser evitadas ao fazer perguntas
Perguntas sugestivas: perguntas que só têm uma resposta em particular
Exemplo: Esse produto é muito caro, não é?
Esta é uma pergunta sugestiva porque sugere uma resposta como parte da pergunta. Uma pergunta melhor
poderia ser: “Qual é a sua opinião sobre este produto?” Existem inúmeras respostas para essa pergunta e elas
podem incluir informações sobre usabilidade, recursos, acessórios, cores, confiabilidade e popularidade, além
do preço. Agora, se o seu problema está realmente focado em preços, você poderia fazer uma pergunta do tipo
"Qual preço (ou faixa de preço) faria você considerar a compra deste produto?" Esta pergunta forneceria muitas
respostas mensuráveis diferentes.
Perguntas fechadas: perguntas que pedem uma resposta de uma palavra ou não contém muitas informações
Exemplo: Você ficou satisfeito com a avaliação do cliente?
Esta é uma pergunta fechada porque não incentiva as pessoas a expandir suas respostas. É muito fácil para eles
responder com uma única palavra que não seja muito informativa. Uma pergunta melhor poderia ser: “O que
você aprendeu sobre a experiência do cliente no teste?” Isso incentiva as pessoas a fornecerem mais detalhes
além de “Foi tudo bem”.
Perguntas vagas: perguntas que não são específicas ou não fornecem contexto
Exemplo: A ferramenta funciona para você?
Esta questão é muito vaga porque não há contexto. Trata-se de comparar a nova ferramenta com a que ela
substitui? Você simplesmente não sabe. Uma pergunta melhor poderia ser: “Quando se trata de entrada de
dados, a nova ferramenta é mais rápida, mais lenta ou quase igual à antiga? Se for mais rápido, quanto tempo
você consegue economizar? Se for mais lento, quanto tempo você perde?” Essas perguntas fornecem contexto
(entrada de dados) e ajudam a estruturar respostas que são mensuráveis (tempo).
Curso 2 - Fazer perguntas para tomar decisões com base em dados
Autorreflexão: Cenários para analistas de dados
1.
Visão geral
Agora que você conhece a estrutura SMART para fazer perguntas, pode fazer uma pausa para aplicar o que está
aprendendo. Nesta autorreflexão, você irá considerar as perguntas que faria em um cenário específico. Essa
autorreflexão o ajudará a desenvolver percepções sobre seu próprio aprendizado e a prepará-lo para aplicar seu
conhecimento da estrutura de perguntas SMART em suas próprias investigações de dados. Ao responder a
perguntas (e fazer as suas próprias perguntas), você irá considerar conceitos, práticas e princípios para ajudar a
refinar sua compreensão e a reforçar seu aprendizado. Você fez o trabalho duro, então não deixe de aproveitá-lo
ao máximo: Essa reflexão ajudará a fixar o seu conhecimento!
Cenário:
Você está há três semanas em seu novo emprego como analista de dados júnior. A empresa para a qual você
trabalha acabou de coletar dados sobre as vendas de fim de semana. Seu gerente pede que você faça um
“mergulho profundo” nesses dados. Para iniciar este projeto, você deve fazer algumas perguntas e obter algumas
informações.
Perguntas SMART
Lembrando, perguntas SMART são:
● Específicas: As perguntas são simples, significativas e focadas em um único tópico ou em algumas
ideias intimamente relacionadas.
● Mensuráveis: As perguntas podem ser quantificadas e avaliadas.
● Orientadas para a ação: As perguntas incentivam a mudança.
● Relevantes: As perguntas são importantes, e têm importância para o problema que você está tentando
resolver
● Com duração definida: As perguntas com limite de tempo especificam o tempo do estudo.
A seguir, você usará a estrutura SMART para fazer perguntas eficazes sobre o cenário acima. Em seguida, você
irá refletir sobre os tópicos que suas perguntas SMART devem abordar.
1. Objetivos (Specific - Específico):
● Quais são os principais objetivos da análise dos dados de vendas de fim de semana? Podemos estar buscando identificar
tendências sazonais, analisar o desempenho de produtos específicos ou explorar padrões de compra do público-alvo?
2. Público-alvo (Mensurável - Mensurável):
● Quem são os principais interessados nos resultados desta análise? É o gerente de vendas, a equipe de marketing, a alta
administração ou outras partes interessadas específicas?
3. Tempo (Achievable - Alcançável):
● Qual é o prazo para concluir a análise e apresentar os resultados? Temos um limite de dados ou um período de tempo específico
para fornecer as informações?
4. Segurança (Relevante - Relevante):
● Existe alguma consideração especial em relação à segurança dos dados ao realizar essa análise? Precisamos garantir a
privacidade e conformidade com regulamentações, como a Lei Geral de Proteção de Dados (LGPD)?
5. Recursos (Time-bound - Limitado no tempo):
● Quais recursos estão disponíveis para realizar essa análise? Temos acesso a ferramentas de análise de dados específicos,
especialistas técnicos ou qualquer outro recurso relevante para nos ajudar a extrair informações valiosas dos dados?
Faça o tipo certo de perguntas
Você pode aplicar a estrutura SMART a todos os tipos de perguntas. O tipo de pergunta que você faz pode
ajudá-lo a explorar mais a fundo seus dados. Considere como suas perguntas o ajudam a examinar objetivos,
público, tempo, segurança e recursos.
Curso 2 - Fazer perguntas para tomar decisões com base em dados
Alguns tópicos comuns para perguntas incluem:
● Objetivos: Quais são os objetivos do mergulho profundo? Quais perguntas, se houver, devem ser
respondidas por este mergulho profundo?
● Público: Quem são as partes interessadas? Quem está interessado ou preocupado com os resultados
deste mergulho profundo? Quem é o público da apresentação?
● Tempo: Qual é o prazo para conclusão? Em que data isso precisa ser feito?
● Recursos: Quais recursos estão disponíveis para atingir os objetivos principais?
● Segurança: Quem deve ter acesso às informações?
Pense em como você pode fazer perguntas SMART sobre cada um desses tópicos.
Reflexão
Considere o cenário acima:
● Com base na estrutura SMART, quais perguntas são mais importantes?
● Como essas perguntas esclarecerão os requisitos e objetivos do projeto?
● Como fazer perguntas detalhadas e específicas é um benefício ao se planejar um projeto? As perguntas
vagas ou pouco claras podem prejudicar um projeto?
Agora, escreva de duas a três frases (40 a 60 palavras) em resposta a cada uma dessas perguntas. Digite sua
resposta na caixa de texto abaixo.
Fazer perguntas específicas e específicas é benéfica ao planejar um projeto porque ajuda a definir claramente os objetivos,
expectativas e restrições. Essas perguntas fornecem direcionamento e clareza sobre o que precisa ser alcançado, quem
são as partes interessadas, qual é o cronograma e quais são os recursos disponíveis.
Por outro lado, perguntas vagas ou pouco claras podem ajudar um projeto, pois levam a uma compreensão insuficiente dos
requisitos e objetivos. Isso pode resultar em entregas inconsistentes, atrasos, falta de direcionamento e até mesmo no
desperdíciode recursos. É fundamental esclarecer as dúvidas desde o início para garantir um planejamento adequado e
uma análise eficaz dos dados.
VÍDEO - Evan: Dados abrem portas - Olá, Meu nome é Evan. Sou gerente de portfólio de aprendizagem aqui no Google.
Tenho um dos trabalhos mais legais do mundo onde tenho contato com todo tipo de tecnologia que afeta Big Data, e depois
trabalhar com elas em cursos de treinamento como este para os alunos. Eu queria ter tido um curso como este quando
estava saindo da faculdade ou do ensino médio. Honestamente, foi um curso de analista de dados orientado desta forma,
se você já assistiu alguns dos vídeos, eles realmente te preparam para fazer o que quiser. Ele irá abrir todas as portas que
você quiser para qualquer posição dentro do currículo de dados. Bem, quais são algumas dessas posições? Existem tantas
rotas profissionais diferentes para quem está interessado em dados. Geralmente, se você for como eu, você entrará pela
porta como um analista de dados, talvez trabalhando com planilhas, talvez trabalhando com bancos de dados pequenos,
médios e grandes, mas tudo que você tem que lembrar são 3 funções principais diferentes. Agora, existem muitas
especialidades, dentro de cada uma dessas diferentes carreiras, mas esses três são analistas de dados, que geralmente
trabalham com SQL, planilhas, banco de dados, podem trabalhar com um time de business intelligence para criar esses
painéis. Agora, de onde vêm todos esses dados? Geralmente, um analista de dados trabalha com um engenheiro de dados
para transformar os dados brutos em pipelines acionáveis. Então você tem analistas de dados, engenheiros de dados,
e, por último, você pode ter cientistas de dados que basicamente dizem que os engenheiros de dados construíram
esses belos pipelines. Às vezes o analista também faz isto. Os analistas nos forneceram produtos limpos e dados
acionáveis. Então os cientistas de dados trabalharam de fato para transformar em modelos super legais de machine
learning ou inferências estatísticas que estão além de tudo que você possa ter imaginado. Compartilharemos muitos
recursos em links para que você fique animado com cada uma dessas posições diferentes. E a melhor parte é que, se você
for como eu, quando eu estava na escola, eu não sabia o que queria fazer, e você não precisa saber desde o começo qual
caminho você quer seguir. Experimente todos. Descubra o que você realmente quer. É algo muito pessoal. Tornar-se um
analista de dados é muito emocionante: por quê? Porque não é somente um meio para um fim. É seguir um plano de
carreira que muitas pessoas brilhantes já seguiram e tornaram as ferramentas e tecnologias muito mais fáceis para você e
Curso 2 - Fazer perguntas para tomar decisões com base em dados
eu. Por exemplo, quando eu estava começando a aprender SQL, ou linguagem de consulta estruturada, que você
aprenderá como parte deste curso, eu estava fazendo isso no meu laptop local e cada uma das consultas levava algo em
torno de 20, 30 minutos para processar e foi muito difícil para mim acompanhar as diferentes declarações de SQL que eu
estava escrevendo ou compartilhar com outra pessoa. Isso foi há aproximadamente 10 ou 15 anos. Agora, com todas as
empresas diferentes e todas as ferramentas diferentes que estão tornando as ferramentas de análise de dados e
tecnologias mais fáceis para você, você vai se divertir muito criando esses insights com muito menos sobrecarga do que
eu tinha quando comecei. Estou muito curioso em ouvir o que você acha e como será a sua experiência.
Autorreflexão: Faça suas próprias perguntas SMART
Pergunta 1
Visão geral
Agora que você aprendeu mais sobre as perguntas SMART, você pode pausar por um momento e fazer as suas
próprias. Nesta autorreflexão, você vai considerar suas ideias sobre a estrutura das perguntas SMART
Esta autorreflexão vai ajudar você a desenvolver insights sobre seu próprio aprendizado e a se preparar para a
aplicação da estrutura SMART nas suas próprias investigações de dados Ao responder a perguntas (e fazer suas
próprias perguntas), você irá considerar conceitos, práticas e princípios para ajudar a refinar sua compreensão e
a reforçar seu aprendizado. Você fez o trabalho pesado, então não deixe de aproveitá-lo ao máximo: Essa
reflexão ajudará a fixar o seu conhecimento!
Fazendo perguntas do mundo real
Nesta atividade, você terá uma conversa sobre dados com alguém que você conhece. Pode ser presencialmente,
pelo telefone ou em um chat de vídeo.
Escolha alguém em sua vida que usa dados para tomar decisões melhores. Pode ser um membro da família que
dirige uma pequena empresa, um amigo que lidera um comitê da Associação de Pais e Mestres ou um vizinho
que dá aulas de piano. Todas essas pessoas recorrem de alguma forma aos dados para serem mais eficazes em
suas funções.
Informe que você está treinando para ser um analista de dados e gostaria de bater um papo sobre dados para
praticar suas habilidades de fazer perguntas. Ao final desta conversa, você terá alguns insights úteis que
beneficiarão ambos.
Plano da conversa
Primeiro, decida com quem você falará e como eles podem usar os dados. Seu objetivo é planejar uma conversa
de sucesso. Pense em quanto tempo você precisa e como o usará. Para esta etapa, reveja o seguinte conselho:
● Priorize suas perguntas: Prepare-se para fazer as perguntas mais importantes e interessantes primeiro.
● Faça o seu tempo contar: Mantenha-se no assunto durante a conversa.
● Esclareça sua compreensão: Para evitar confusão, reserve um tempo para resumir as respostas e
garantir que as entendeu corretamente. Isso ajudará muito a evitar erros. Por exemplo, em uma conversa
com um professor, você pode verificar seu entendimento com uma afirmação como: “Só para confirmar
se entendi o que você está dizendo corretamente, atualmente você usa as pontuações dos testes das
seguintes maneiras...”
Dependendo do campo em que estão, a pessoa com quem você conversa pode não se sentir confortável em
compartilhar dados detalhados com você. Tudo bem! Certifique-se de respeitar o que eles estão dispostos a
compartilhar durante a conversa.
Curso 2 - Fazer perguntas para tomar decisões com base em dados
Crie perguntas
Agora, faça perguntas para ajudá-lo a entender seus objetivos de negócios, o tipo de dados com os quais eles
interagem e quaisquer limitações dos dados.
Use a estrutura de perguntas SMART para garantir que cada pergunta que você faça, faça sentido com base em
seu campo. Cada pergunta deve atender ao maior número possível de critérios SMART.
Lembrando, perguntas SMART são
● Específicas: As perguntas são simples, significativas e focadas em um único tópico ou em algumas
ideias intimamente relacionadas.
● Mensuráveis: As perguntas podem ser quantificadas e avaliadas.
● Orientadas para a ação: As perguntas incentivam a mudança.
● Relevantes: As perguntas são importantes, e tem importância para o problema que você está tentando
resolver
● Com duração definida: As perguntas com limite de tempo especificam o tempo do estudo.
Por exemplo, se você tiver uma conversa com alguém que trabalha em uma loja, pode fazer perguntas como:
● Específicas:Atualmente, você usa dados para orientar decisões em sua empresa? Em caso afirmativo,
qual(is) tipo(s) de dados você coleta e como os usa?
● Mensuráveis:Você sabe qual a porcentagem das vendas de seus produtos mais vendidos?
● Orientadas para a ação:Existem decisões de negócios ou mudanças que você faria se tivesse as
informações certas? Por exemplo, se você tivesse informações sobre como as vendas de guarda-chuvas
mudam com o clima, como você as usaria?
● Relevantes:Com que frequência você analisa os dados da sua empresa?
● Com duração definida:Você pode descrever como os dados o ajudaram a tomar boas decisões para
sua(s) loja(s) no ano passado?
Se estiver conversando com um professor, você pode fazer perguntas diferentes, como:
● Específicas:Que tipo de dados você usa para construir suas aulas?
● Mensuráveis:Qual a correlação entre as pontuações dos alunos os testes debenchmark e suas notas?
● Orientadas para a ação: Você compartilha seus dados com outros professores para melhorar as aulas?
● Relevantes:Você compartilhou dados de notas com a turma inteira? Em caso afirmativo, os alunos
parecem estar mais ou menos motivados, ou ficaram iguais?
● Com duração definida: Nos últimos cinco anos, quantas vezes você revisou dados de anos acadêmicos
anteriores?
Se você estiver conversando com o proprietário de uma pequena empresa de uma sorveteria, pode perguntar:
● Específicas:Quais dados você usa para ajudar na compra e no estoque?
● Mensuráveis:Você pode ordenar (classificar) esses fatores do mais para o menos influente nas vendas:
preço, sabor e época do ano (estação)?
● Orientadas para a ação: Existe um único fator sobre o qual você precisa de mais dados para que possa
potencialmente aumentar as vendas?
● Relevantes:Como você anuncia ou se comunica com os clientes?
● Com duração definida: Como é o crescimento das vendas ano a ano nos últimos três anos?
Faça boas anotações
É importante fazer boas anotações durante a conversa. Suas anotações devem ser abrangentes e úteis. Para
ajudá-lo a fazer anotações significativas, você deve seguir o processo de fazer uma pergunta, esclarecer sua
compreensão da resposta e, em seguida, registrá-la brevemente em suas anotações.
Lembre-se: Se vale a pena fazer uma pergunta, vale a pena registrar a resposta. Comprometa-se a fazer ótimas
anotações durante a conversa.
Aspectos úteis de sua conversa a serem observados incluem:
● Fatos: Anote quaisquer informações concretas, como datas, horários, nomes e outros detalhes.
Curso 2 - Fazer perguntas para tomar decisões com base em dados
● Contexto:Fatos sem contexto são inúteis. Observe todos os detalhes relevantes que são necessários
para compreender as informações que você coletou.
● Desconhecidas: Às vezes, você pode perder uma pergunta importante durante uma conversa. Anote
quando isso acontecer para que você possa descobrir a resposta mais tarde.
Por exemplo, se as perguntas SMART anteriores levaram o proprietário da sorveteria a propor um projeto para
analisar as preferências de sabor do cliente, suas anotações podem ser semelhantes a isto:
● Projeto: Colete dados de preferência de sabor do cliente.
● Plano geral de negócios: Use dados para oferecer ou criar mais sabores populares.
● Duas fontes de dados: Recibos de caixa registradora e pesquisas de clientes preenchidas (e-mail).
● Data alvo de conclusão: Q2
● Para fazer: Ligue novamente mais tarde e fale com o gerente sobre a localização dos dados da
pesquisa.
As anotações que você fará serão muito diferentes com base na conversa sobre dados que você tiver. O
importante é que suas anotações sejam claras, organizadas e concisas.
Agora você está pronto para ter uma ótima conversa sobre dados na vida real.
Reflexão
Antes de começar sua conversa sobre dados, considere cada uma das etapas acima. Pense em candidatos em
potencial, faça um brainstorming de algumas perguntas SMART e tenha uma ideia das informações que deseja
registrar durante a conversa. Em seguida, reflita sobre sua conversa:
● Que perguntas SMART você fez? Como essas perguntas se relacionam com o campo da pessoa com
quem você conversou?
Quais as principais informações necessárias no Banco de Dados da Rede? Onde podemos encontrar esses
dados? Quais os equipamentos necessários para a tarefa? Todas elas em relação ao Banco de Dados dos
professores da Rede;
● Que ideias você descobriu durante a sua conversa?
Ideias relativas ao formato e ao modo como interagir com os operadores do sistema e que necessitarão
visualizar essas informações
● Como a estrutura SMART o ajudou a chegar a suas conclusões?
As perguntas sendo claras e objetivas nos dão uma resposta melhor sobre a tarefa a ser realizada.
ENTENDA O POTENCIAL DOS DADOS
VÍDEO - Dados e decisões - Bem-vindo de volta! Agora é hora de ir mais além e consolidar o que você aprendeu sobre
resolução de problemas em Data Analytics e elaborar perguntas práticas. Em breve, falaremos sobre vários assuntos. Você
aprenderá sobre como os dados podem impulsionar nossas decisões, grandes e pequenas; a diferença entre a análise
qualitativa e quantitativa, e quando usá-las; os prós e contras das diferentes ferramentas de visualização de dados; o que
são métricas e como os analistas usam; e como usar a lógica matemática para ligar os pontos. Sinceramente falando,
ainda estou aprendendo mais sobre essas coisas todos os dias, assim como você! Como, por exemplo, dados qualitativos
e quantitativos podem trabalhar juntos. Em meu papel financeiro, a maioria do meu trabalho é quantitativa; recentemente,
porém, eu trabalhei em um projeto com foco em muita empatia e confiança, algo bastante novo para mim. Mas nós levamos
esse aspecto qualitativo muito mais em conta durante a análise, e isso me ajudou bastante a entender como dados
qualitativos e quantitativos podem, juntos, nos ajudar a fazer decisões mais eficazes. Você está no caminho para criar seu
próprio kit de ferramentas de analista de dados. Antes que você perceba, você estará analisando todos os tipos de dados e
aprendendo coisas novas enquanto faz isso. Antes de tudo, vamos nos limitar ao potencial da observação.
VÍDEO - Como os dados induzem as decisões - Nós falamos bastante sobre o que são os dados e o papel que
desempenham na tomada de decisão. O que já sabemos? Bem, os dados são uma coleção de fatos. Também sabemos
que a análise de dados revela insights e padrões importantes sobre tais dados. Por fim, sabemos que a análise de dados
pode nos ajudar a tomar decisões mais informadas. Agora, veremos o papel que os dados desempenham no processo
de tomada de decisão e daremos uma olhada nas diferenças entre decisões com base em dados e decisões inspiradas em
Curso 2 - Fazer perguntas para tomar decisões com base em dados
dados. Vejamos um exemplo da vida real. Pense na última vez que pesquisou "restaurantes próximos" e ordenou os
resultados pela classificação, para ajudar a decidir qual o melhor. Foi uma decisão que fez com o uso de dados. As
empresas e outras organizações usam dados para tomar decisões melhores o tempo todo. Há duas formas de se fazer
isso: com base em dados ou inspirada em dados. Falaremos mais sobre a tomada de decisão inspirada em dados mais
para frente, mas vejamos uma breve definição por hora. A tomada de decisão inspirada em dados explora diferentes
fontes de dados para identificar o que há em comum. No Google, usamos dados todos os dias, de formas
surpreendentes. Usamos, por exemplo, dados para ajudar a reduzir a energia gasta com a refrigeração das centrais de
dados. Após a análise de anos de dados coletados com inteligência artificial, pudemos tomar decisões que ajudaram a
reduzir em 40% a energia usada para refrigerar as centrais de dados. A equipe de Operações de pessoas do Google
também usa dados para melhorar a forma como contratamos novos Googlers e como conseguir que eles comecem com o
pé direito. Queríamos ter a certeza de que não ignorássemos nenhum candidato talentoso e que fizéssemos a transição
deles para novas funções da maneira mais tranquila possível. Após analisar dados sobre candidaturas, entrevistas e
processos de orientação de novos contratados, começamos a usar um algoritmo. Algoritmo é um processo ou conjunto
de normas a serem seguidas para uma tarefa específica. Com ele, analisamos candidatos que não foram aprovados no
processo de triagem inicial para encontrar ótimos candidatos. Os dados também nos ajudaram a determinar o número ideal
de entrevistas que levassem às melhores decisões de contratação possíveis. Criamos novas pautas de integração para
ajudar novos funcionários no início de suas funções. Os dados estão em toda parte. Hoje, criamos tantos dados que os
cientistas estimam que 90% dos dados mundiais foram criados apenas nos últimos anos. Pense no potencial disso. Quanto
mais dados temos, maiores são os problemas que podem ser resolvidos e mais influentes nossas soluções podem ser. A
coleta responsável de dados