Fluência em Dados para Concursos

Prévia do material em texto

Fluência em Dados – Analista
Apostila Completa + Resumo de Véspera
Material completo e estruturado para concursos públicos, abordando conceitos essenciais de Fluência em
Dados com foco em prova.
Capítulo I – Metodologias Ágeis
Metodologias Ágeis priorizam entregas contínuas, adaptação a mudanças e colaboração entre equipes.
Scrum trabalha com Sprints, papéis definidos (Product Owner, Scrum Master e Time) e eventos formais.
Kanban utiliza fluxo contínuo e visualização do trabalho.
XP foca na qualidade técnica do software.
Lean busca eliminar desperdícios.
O Guia de Prática Ágil do PMI integra abordagens tradicionais e ágeis.
Capítulo II – Pipeline de Dados
Pipeline de dados representa o fluxo completo desde a origem até o consumo dos dados.
ETL (Extract, Transform, Load) é parte do pipeline e garante qualidade e padronização.
Orquestração coordena a execução das etapas.
Integração de dados unifica múltiplas fontes.
Capítulo III – Business Intelligence
BI transforma dados brutos em informação para tomada de decisão.
O processo de BI envolve coleta, organização, análise e compartilhamento.
Power BI é ferramenta para criação de dashboards e relatórios analíticos.
KPIs são indicadores-chave ligados a objetivos estratégicos.
Capítulo IV – Análise de Dados com SQL
Bancos relacionais organizam dados em tabelas relacionadas.
PK garante unicidade e FK garante integridade referencial.
JOINs combinam dados de múltiplas tabelas.
GROUP BY agrupa dados e HAVING filtra grupos.
Funções agregadas incluem COUNT, SUM, AVG, MIN e MAX.
Capítulo V – Análise de Dados com Excel
Excel é amplamente usado para análise exploratória de dados.
Funções lógicas: SE, E, OU e SEERRO.
Funções de busca: PROCV, PROCX e ÚNICO.
SOMASES e CONT.SES permitem agregações condicionais.
Excel é essencial para tratamento de dados faltantes e duplicados.
Capítulo VI – Inteligência Artificial
IA simula inteligência humana por meio de sistemas computacionais.
Machine Learning permite aprendizado a partir de dados.
Modelos supervisionados realizam previsões.
Modelos não supervisionados descobrem padrões.
IA apoia a tomada de decisão, mas não substitui o decisor humano.