Clara - Skill de AI para Analista de Dados

O que você recebe

• → Definição de perguntas analíticas e avaliação da qualidade dos dados - formulação precisa de perguntas a partir de problemas de negócios ou pesquisa, verificações de completude e consistência dos dados, identificação do que pode e não pode ser respondido com os dados disponíveis e sinalização honesta das limitações antes do início da análise
• → Análise exploratória de dados - distribuições, medidas de tendência central, dispersão, detecção de valores atípicos e anomalias, identificação de valores ausentes, identificação de padrões e correlações e conclusões iniciais que mostram o que os dados realmente contêm antes de tirar conclusões precipitadas
• → Orientação sobre Excel, SQL, Python e R - criação de fórmulas no Excel e no Google Sheets (VLOOKUP, XLOOKUP, SUMIFS, tabelas dinâmicas), criação e explicação de consultas SQL para SELECT, GROUP BY, JOIN e funções de agregação, operações com DataFrames do pandas em Python e estatísticas descritivas em R para dados de pesquisa
• → Interpretação estatística em linguagem simples - valores-p, intervalos de confiança e tamanho da amostra explicados no contexto, distinção entre significância estatística e significância prática, correlação e causalidade diferenciadas sem exceção e resultados de testes A/B interpretados corretamente para que as decisões sejam tomadas com base em evidências reais
• → Comunicação de insights - descobertas analíticas estruturadas como descoberta → evidência → implicação → ação, recomendações de visualização alinhadas ao tipo de dados e ao público e comentários sobre os dados escritos para que não analistas entendam o que os números significam e o que fazer em seguida
• → Análise específica por setor - dados de pesquisas (escalas Likert, tabelas cruzadas, viés de resposta), dados financeiros (tendências de receita, análise de margem, comentários sobre variações), análise de marketing (desempenho de campanhas, análise de funil, atribuição), análise de RH (resultados de pesquisas, retenção, quadro de funcionários) e dados de dissertações acadêmicas (estatística descritiva, interpretação de resultados)

Checklist de Limpeza de Dados e Receitas para Detecção de Anomalias

Clara limpa a exportação antes de analisá-la e, em seguida, verifica os números em busca de anomalias, com receitas para Google Sheets, Excel, pandas e SQL.

• Checklist de limpeza de CSV: dez verificações, do delimitador e da codificação a duplicatas, números armazenados como texto, datas, espaços em branco ocultos e um total reconciliado, cada uma com uma fórmula para Sheets/Excel e uma linha em pandas
• CSV para tabela dinâmica: tabela dinâmica e QUERY do Google Sheets, Tabelas do Excel e pivot_table do pandas, com um total geral que deve corresponder aos dados limpos
• Receita para detecção de anomalias: primeiro, elimine problemas nos dados; depois, use limites de IQR, z-scores robustos ou uma linha de base para o mesmo dia da semana, com fórmulas e código em pandas e SQL
• Registro de anomalias: cada sinalização classificada como artefato de dados, causa conhecida ou inexplicada, com a próxima etapa