Analista de Dados em Seguros 2026: SQL, Python, Claims e Pricing
Você olha uma vaga de Analista de Dados em Seguros e parece que pediram três pessoas em uma: alguém que saiba SQL, Python, negócio de seguros, claims, pricing, Power BI, estatística e ainda “boa comunicação com stakeholders”. Aí bate aquela dúvida chata: será que eu preciso virar atuário, cientista de dados e especialista em produtos ao mesmo tempo para conseguir uma vaga boa em 2026?
A resposta curta: não. Mas você precisa entender onde os dados realmente geram dinheiro em seguradoras, insurtechs, bancos e corretoras. Em seguros, análise de dados não é só fazer dashboard bonito. É ajudar a empresa a precificar melhor, reduzir fraude, acelerar indenizações, melhorar retenção e cumprir regras.
Neste guia, vou te mostrar o que estudar, como montar portfólio, quais palavras usar no currículo e como se posicionar para vagas em empresas como Itaú, Porto, Zurich, Tokio Marine, Youse, Pier, Nubank, Stone, iFood, Magalu e Globo.
Analista de Dados em Seguros 2026: SQL, Python, Claims e Pricing#
Se você quer entrar ou crescer em dados dentro do mercado de seguros, 2026 tende a ser um bom ano. O setor segue digitalizando processos que eram lentos, manuais e cheios de planilhas soltas.
Seguro auto, vida, saúde, celular, residencial, empresarial, garantia, viagem, agrícola, todos esses produtos geram muitos dados. Propostas, apólices, sinistros, pagamentos, vistorias, cancelamentos, renovações, atendimento, fraude, comissões e campanhas.
O Analista de Dados em Seguros fica no meio disso tudo, traduzindo perguntas de negócio em consultas, métricas, modelos simples e análises acionáveis.
Alguns exemplos reais de perguntas que você pode receber:
- “Por que a sinistralidade do seguro auto subiu no Nordeste?”
- “Quais perfis estão cancelando antes da renovação?”
- “O preço novo reduziu conversão em quais faixas?”
- “Existe padrão suspeito em claims de celular?”
- “Qual canal vende mais, mas traz pior risco?”
- “Quanto economizamos com uma nova regra antifraude?”
- “O tempo médio de liquidação de sinistro caiu mesmo?”
Percebe? Não é só tecnologia. É tecnologia aplicada a dinheiro, risco e operação.
Receba o próximo guia por email
Guias novos e vagas recentes em um email curto. Grátis.
O que faz um Analista de Dados em Seguros no dia a dia#
O cargo pode mudar bastante conforme a empresa. Em uma seguradora grande, você pode ficar em pricing, sinistros, comercial, retenção, fraude ou operações. Em uma insurtech menor, talvez você mexa em tudo.
Na prática, o dia a dia costuma envolver:
- Extrair dados com SQL.
- Limpar e transformar bases com Python ou planilhas.
- Criar dashboards em Power BI, Tableau, Looker ou Metabase.
- Medir KPIs de seguro, como prêmio, sinistralidade, frequência e severidade.
- Analisar funil de cotação, proposta, emissão e renovação.
- Apoiar times de produto e atuarial.
- Investigar desvios de custo, conversão, fraude ou churn.
- Preparar apresentações para liderança.
- Garantir que as definições de métricas estejam corretas.
Em empresas como Itaú ou Nubank, você pode atuar mais perto de produtos financeiros embutidos, como seguro de vida, cartão protegido ou celular. Na Stone, pode aparecer seguro para lojistas, maquininha, garantia ou soluções B2B.
No iFood, Magalu e Globo, seguros podem aparecer como serviços agregados, parcerias, proteção de compra, seguro para entregadores, seguro de eletrônicos ou produtos financeiros dentro do ecossistema.
Ou seja: seguro não é só seguradora tradicional. Tem banco, varejo, fintech, marketplace e empresa de mídia vendendo ou distribuindo proteção.
Salários em 2026: quanto dá para ganhar#
Os salários variam por cidade, senioridade, empresa e modelo de contratação. Mas dá para trabalhar com faixas realistas para o Brasil.
Para Analista de Dados em Seguros em 2026, você pode esperar algo perto de:
- Júnior: R$4k a R$7k por mês.
- Pleno: R$7k a R$12k por mês.
- Sênior: R$12k a R$18k por mês.
- Especialista ou Lead: R$18k a R$25k por mês.
- Coordenação ou Analytics Manager: R$22k a R$35k por mês.
Em empresas maiores, como Itaú, Porto, Nubank, Globo ou grandes seguradoras multinacionais, pacotes podem incluir bônus, PLR, benefícios fortes e modelo híbrido. Isso pode mudar bastante a remuneração total.
Para vagas remotas internacionais, um perfil forte em SQL, Python, analytics e insurance pode mirar algo como $50k a $90k por ano em posições contractor. Para cargos mais técnicos, com machine learning, pricing e cloud, pode passar de $100k.
Mas aqui vai um ponto importante: o salário sobe quando você deixa de ser “a pessoa que tira relatório” e passa a ser “a pessoa que explica margem, risco, fraude, crescimento e decisão”.
Claims: o que são sinistros e por que isso importa#
Claims é o termo em inglês para sinistros. Em português, sinistro é quando acontece o evento coberto pelo seguro.
Exemplos:
- Bateram no carro segurado.
- Um celular foi roubado.
- Uma pessoa acionou seguro viagem por atendimento médico.
- Um cliente morreu e a família acionou seguro de vida.
- Uma empresa teve dano em equipamento segurado.
- Um entregador sofreu acidente e acionou cobertura.
Para a seguradora, sinistro é onde o dinheiro sai. Então qualquer melhoria em claims pode gerar muito impacto.
Você pode analisar:
-
Frequência de sinistro
Quantos sinistros ocorrem em relação ao número de apólices expostas. -
Severidade
Quanto custa, em média, cada sinistro. -
Sinistralidade
Relação entre sinistros pagos e prêmio ganho. Se a empresa recebeu R$10 milhões de prêmio e pagou R$7 milhões em sinistros, a sinistralidade é 70%. -
Tempo de aviso
Quanto tempo o cliente leva entre o evento e a abertura do sinistro. -
Tempo de regulação
Quanto tempo a empresa leva para analisar o caso. -
Tempo de pagamento
Quanto tempo até pagar a indenização. -
Taxa de negativa
Percentual de claims negados, por falta de cobertura, documentação ou suspeita. -
Fraude provável
Padrões fora do normal em comportamento, documentos, horários, localização, valores ou repetição.
Um bom analista não olha só o total de claims. Ele quebra por produto, canal, região, faixa de idade, valor segurado, oficina, prestador, corretor, tempo de vigência e tipo de cobertura.
É aí que mora o valor.
Pricing: como dados entram na precificação de seguros#
Pricing é precificação. Em seguros, preço não é só “quanto o cliente aceita pagar”. É quanto a seguradora deve cobrar para cobrir risco, despesas, comissão, impostos, margem e incerteza.
Se o preço fica baixo demais, a empresa vende muito e perde dinheiro. Se fica alto demais, ninguém compra, ou só ficam clientes de risco muito alto.
O seu trabalho em dados pode apoiar pricing de várias formas:
- Analisar conversão por faixa de preço.
- Comparar prêmio cobrado com sinistro esperado.
- Medir elasticidade, ou seja, como a demanda muda quando o preço muda.
- Identificar segmentos com boa margem.
- Apontar regiões com risco maior.
- Avaliar impacto de descontos.
- Monitorar perda de competitividade.
- Criar tabelas e relatórios para o time atuarial.
Você não precisa ser atuário para atuar em pricing analytics, mas precisa respeitar conceitos básicos.
Algumas métricas úteis:
Prêmio emitido
É o valor do seguro emitido em apólice. Se 10 mil clientes compraram seguros de R$500, o prêmio emitido é R$5 milhões.
Prêmio ganho
É a parte do prêmio correspondente ao período já coberto. Em seguros anuais, a receita costuma ser reconhecida ao longo do tempo.
Loss ratio ou sinistralidade
Sinistros divididos por prêmio. É uma das métricas mais importantes do setor.
Combined ratio
Sinistralidade mais despesas e comissões. Se passa de 100%, a operação pode estar perdendo dinheiro tecnicamente.
Conversão
Percentual de cotações que viram proposta ou apólice. Pricing afeta diretamente isso.
Retenção e renovação
Clientes que permanecem depois do fim da vigência. Um preço ruim na renovação derruba retenção.
SQL para seguros: o que você precisa saber de verdade#
Se você quer uma vaga de Analista de Dados em Seguros, SQL é o seu arroz com feijão. Não precisa decorar tudo, mas precisa consultar bases grandes com segurança.
Você deve saber:
- SELECT, WHERE, GROUP BY, ORDER BY.
- JOINs, especialmente LEFT JOIN e INNER JOIN.
- CTEs.
- Window functions.
- CASE WHEN.
- Datas e funções de tempo.
- Agregações por mês, produto, canal e região.
- Tratamento de nulos e duplicidades.
- Criação de tabelas temporárias.
- Boas práticas para não travar banco.
Exemplos de tabelas comuns em seguros:
- customers, clientes.
- policies, apólices.
- quotes, cotações.
- claims, sinistros.
- payments, pagamentos.
- renewals, renovações.
- coverages, coberturas.
- brokers, corretores.
- channels, canais.
- risk_scores, scores de risco.
Uma pergunta típica de entrevista:
“Calcule a sinistralidade mensal por produto nos últimos 12 meses.”
Você precisaria juntar apólices, prêmios e sinistros. Depois, agrupar por mês e produto.
Outra pergunta:
“Quais clientes abriram mais de 2 sinistros em 90 dias?”
Aqui entram window functions, datas e agregação por cliente.
Se você quer treinar, monte um banco fictício com 5 tabelas:
- clientes
- apolices
- cotacoes
- sinistros
- pagamentos
Depois, crie queries para responder perguntas de negócio. Isso vira portfólio rápido e muito mais convincente do que “curso de SQL intermediário” no currículo.
Python: onde ele entra sem exagero#
Python é muito valorizado, mas em vagas de Analista de Dados você não precisa começar por redes neurais ou modelos complicados.
O que mais aparece:
- Pandas para limpeza e análise.
- NumPy para cálculos.
- Matplotlib, Seaborn ou Plotly para gráficos.
- Jupyter Notebook para exploração.
- Requests para puxar APIs.
- Scikit-learn para modelos simples, quando fizer sentido.
- Openpyxl ou exportação para Excel, porque o mundo corporativo ainda ama planilha.
Casos reais em seguros:
- Limpar bases de sinistros com campos inconsistentes.
- Padronizar nomes de cobertura.
- Criar análise de coortes de renovação.
- Simular impacto de aumento de preço.
- Detectar outliers em valores de claims.
- Criar score simples de suspeita.
- Cruzar dados de cotação, apólice e pagamento.
- Automatizar relatório semanal.
Um projeto muito bom para portfólio seria:
Projeto: análise de sinistralidade e fraude em seguro celular
Você cria uma base simulada com:
- ID do cliente.
- Cidade.
- Canal de venda.
- Valor segurado.
- Prêmio.
- Data de início.
- Data do sinistro.
- Tipo de claim, roubo, quebra, furto.
- Valor indenizado.
- Status, aprovado, negado, em análise.
Depois, analisa:
- Sinistralidade por canal.
- Tempo entre emissão e sinistro.
- Claims com valor alto demais.
- Clientes com múltiplos eventos.
- Cidades com frequência fora do padrão.
- Impacto de uma regra antifraude simples.
Isso mostra raciocínio de negócio, não só código.
Power BI, Looker e dashboards: menos gráfico bonito, mais decisão#
Em seguros, dashboard bom é aquele que alguém usa para decidir algo.
Não adianta encher a tela de pizza, velocímetro e cores. O gestor quer saber se o produto está saudável, onde está o problema e qual ação tomar.
Dashboards úteis para seguros:
Dashboard de sinistros
Inclui:
- Sinistros avisados.
- Sinistros pagos.
- Valor médio.
- Sinistralidade.
- Tempo médio de regulação.
- Taxa de negativa.
- Top prestadores.
- Abertura por região e cobertura.
Dashboard de pricing
Inclui:
- Prêmio médio.
- Conversão por faixa de preço.
- Sinistralidade por segmento.
- Margem estimada.
- Renovação.
- Desconto médio.
- Comparação antes e depois de mudança tarifária.
Dashboard comercial
Inclui:
- Cotações.
- Propostas.
- Emissões.
- Conversão por canal.
- Ticket médio.
- Receita por parceiro.
- Cancelamento nos primeiros 30 dias.
Dashboard executivo
Inclui:
- Prêmio emitido.
- Prêmio ganho.
- Sinistralidade.
- Combined ratio.
- Retenção.
- Crescimento mensal.
- Principais alertas.
Se você consegue explicar o “e daí?” de cada indicador, você se diferencia muito.
Conceitos de seguros que você deve aprender antes da entrevista#
Você não precisa saber tudo, mas alguns termos são quase obrigatórios.
Aprenda estes:
- Apólice: contrato do seguro.
- Proposta: pedido antes da emissão.
- Cotação: simulação de preço.
- Prêmio: valor pago pelo cliente.
- Franquia: parte paga pelo segurado em alguns sinistros.
- Cobertura: risco protegido.
- Vigência: período de validade.
- Endosso: alteração na apólice.
- Cancelamento: fim antes da vigência.
- Renovação: continuação do seguro.
- Sinistro: evento coberto.
- Regulação: análise do sinistro.
- Indenização: valor pago.
- Salvado: bem recuperado depois do sinistro.
- Subscrição: avaliação e aceitação de risco.
- Resseguro: seguro da seguradora.
- Corretor: intermediário autorizado.
- Comissão: remuneração de venda.
Se você usar esses termos corretamente em uma entrevista, já transmite maturidade.
Por exemplo, em vez de dizer:
“Eu analisei pagamentos de clientes.”
Diga:
“Eu analisaria prêmio emitido, prêmio ganho, inadimplência e cancelamento por canal, separando o efeito de aquisição e renovação.”
A diferença é enorme.
Como montar um portfólio que chama atenção#
Portfólio para dados em seguros não precisa ter 12 projetos. Três projetos bem feitos já ajudam muito.
Sugestão de estrutura:
Projeto 1: Claims Analytics
Tema: análise de sinistros em seguro auto ou celular.
Entregáveis:
- Notebook em Python.
- Queries SQL.
- Dashboard.
- Texto explicando descobertas.
- Recomendações de negócio.
Métricas:
- Frequência.
- Severidade.
- Sinistralidade.
- Tempo de pagamento.
- Claims suspeitos.
- Custo por região.
Projeto 2: Pricing e conversão
Tema: impacto de preço na conversão.
Entregáveis:
- Simulação de cotações.
- Análise por faixa de prêmio.
- Segmentação por perfil.
- Gráfico de conversão.
- Recomendação de preço.
Perguntas que você responde:
- Onde o preço está alto demais?
- Onde existe margem para reajuste?
- Quais segmentos compram mesmo com preço maior?
- O desconto está atraindo risco ruim?
Projeto 3: Retenção e renovação
Tema: prever ou explicar cancelamento e renovação.
Entregáveis:
- Análise de coortes.
- Taxa de renovação por produto.
- Churn por canal.
- Motivos de cancelamento.
- Modelo simples de propensão, se souber fazer.
Aqui você pode conectar com empresas como Nubank, Itaú ou Magalu, que valorizam muito retenção, CRM e ciclo de vida do cliente.
Como escrever seu currículo para vagas em seguros#
Seu currículo precisa passar por ATS e também convencer uma pessoa. Então você precisa usar palavras-chave da vaga, mas sem virar uma lista fria.
Inclua termos como:
- SQL
- Python
- Power BI
- Tableau
- Looker
- Databricks
- BigQuery
- Snowflake
- ETL
- KPIs
- Pricing
- Claims
- Sinistros
- Loss ratio
- Churn
- Retenção
- Forecast
- Teste A/B
- Segmentação
- Automação
- Modelagem de dados
- Storytelling com dados
Mas o mais importante é transformar tarefas em impacto.
Ruim:
“Criação de dashboards para acompanhamento de indicadores.”
Melhor:
“Criei dashboard em Power BI para acompanhar sinistralidade, tempo de regulação e valor médio de sinistro, reduzindo em 40% o tempo de fechamento do relatório mensal.”
Ruim:
“Análise de bases em SQL.”
Melhor:
“Desenvolvi consultas SQL com CTEs e window functions para identificar clientes com múltiplos sinistros em até 90 dias, apoiando revisão de regras antifraude.”
Ruim:
“Relatórios para área comercial.”
Melhor:
“Analisei conversão por canal e faixa de prêmio, identificando queda de 12% em vendas após reajuste em um segmento de alto volume.”
Mesmo se você ainda não trabalhou com seguros, traduza experiências parecidas.
Exemplo: se você veio de e-commerce no Magalu ou iFood, pode falar de funil, conversão, retenção, ticket, fraude, pagamento e atendimento. Esses conceitos conversam bem com seguros.
Perguntas comuns em entrevistas#
Prepare respostas para perguntas técnicas e de negócio.
SQL
Podem pedir:
- Diferença entre LEFT JOIN e INNER JOIN.
- Como tratar duplicidade.
- Como calcular acumulado mensal.
- Como encontrar a última apólice de cada cliente.
- Como calcular sinistralidade por mês.
- Como comparar renovados e não renovados.
Python
Podem pedir:
- Como tratar dados nulos.
- Como identificar outliers.
- Como agrupar dados por mês.
- Como juntar DataFrames.
- Como automatizar relatório.
- Como explicar um notebook para área de negócio.
Negócio de seguros
Podem perguntar:
- O que é sinistralidade?
- O que é prêmio?
- O que você analisaria em um aumento de claims?
- Como investigaria fraude?
- Como avaliaria mudança de preço?
- Quais KPIs colocaria em um dashboard executivo?
Uma boa resposta para “como investigaria aumento de sinistros?” seria:
- Confirmaria se o aumento é real ou problema de dados.
- Separaria por produto, cobertura, canal, região e safra de emissão.
- Compararia frequência e severidade.
- Verificaria mudanças de mix, preço ou regra de aceitação.
- Analisaria prestadores, corretores e comportamento de clientes.
- Criaria hipóteses e estimaria impacto financeiro.
- Recomendaria ações, como ajuste de regra, revisão de preço ou investigação.
Essa resposta mostra método.
Como se posicionar se você vem de outra área#
Muita gente entra em dados de seguros vindo de bancos, varejo, atendimento, operações, financeiro, logística ou BI.
Se esse é o seu caso, não tente fingir que já é especialista em seguros. Faça ponte.
Se você veio de banco, destaque:
- Risco.
- Crédito.
- Receita.
- Inadimplência.
- Compliance.
- Produtos financeiros.
- Segmentação de clientes.
Se veio de varejo, destaque:
- Conversão.
- Campanhas.
- Ticket médio.
- Retenção.
- Fraude.
- Meios de pagamento.
- Jornada do cliente.
Se veio de operações, destaque:
- SLA.
- Tempo de atendimento.
- Gargalos.
- Produtividade.
- Custo por etapa.
- Qualidade.
Se veio de atendimento, destaque:
- Motivos de contato.
- NPS.
- Reclamações.
- Tempo de resposta.
- Resolução.
- Experiência do cliente.
Seguros é um setor cheio de operação, finanças, produto e cliente. Seu passado pode ser útil se você contar a história certa.
Plano de estudos de 90 dias para entrar em dados de seguros#
Se você quer se preparar com foco, siga um plano simples.
Dias 1 a 30: base técnica
Estude:
- SQL todos os dias.
- Joins, CTEs e window functions.
- Pandas básico.
- Métricas de negócio.
- Power BI ou Looker.
Entregue:
- 30 queries resolvidas.
- 1 dashboard simples.
- 1 análise curta no LinkedIn.
Dias 31 a 60: seguros e projetos
Estude:
- Sinistros.
- Pricing.
- Prêmio, apólice, renovação.
- Sinistralidade.
- Fraude.
- Retenção.
Entregue:
- Projeto de claims.
- Projeto de pricing.
- README explicando decisões.
- Dashboard com KPIs de seguros.
Dias 61 a 90: currículo, entrevistas e aplicação
Faça:
- Ajuste do currículo para ATS.
- Simulados de SQL.
- Simulados de negócio.
- LinkedIn com palavras-chave.
- Aplicação para 5 a 10 vagas por dia.
- Networking com pessoas de analytics em seguradoras e fintechs.
Empresas para monitorar:
- Itaú
- Nubank
- Porto
- Tokio Marine
- Zurich
- SulAmérica
- Bradesco Seguros
- Youse
- Pier
- Stone
- iFood
- Magalu
- Globo
Não aplique só para “Analista de Dados em Seguros”. Procure também:
- Analista de BI Seguros
- Pricing Analyst
- Claims Analyst
- Fraud Analytics
- Product Analyst Insurance
- Risk Analyst
- Operations Analytics
- Customer Analytics
- Data Analyst Financial Services
Erros que travam sua evolução#
Alguns erros são muito comuns.
Estudar tecnologia sem estudar negócio
SQL e Python ajudam, mas você precisa entender o que está medindo. Em seguros, um número errado pode levar a uma decisão cara.
Fazer dashboard sem recomendação
Não entregue só gráfico. Entregue leitura.
Use frases como:
- “O aumento está concentrado em seguro celular vendido via canal parceiro.”
- “A severidade subiu, mas a frequência ficou estável.”
- “A queda de conversão veio após reajuste acima de 15%.”
- “A sinistralidade é pior em clientes emitidos nos últimos 60 dias.”
Ignorar qualidade de dados
Em seguros, datas são perigosas. Data de cotação, emissão, vigência, aviso, ocorrência, pagamento e cancelamento podem contar histórias diferentes.
Se você usa a data errada, a análise muda.
Não saber explicar para não técnicos
Você pode falar com atuários, produto, jurídico, comercial, sinistros, diretoria e TI. Nem todo mundo quer ouvir detalhe de código.
Treine explicar em português claro.
O perfil que vai se destacar em 2026#
O Analista de Dados em Seguros mais forte em 2026 não será necessariamente quem sabe a biblioteca mais nova. Vai ser quem combina técnica, curiosidade de negócio e comunicação.
Esse perfil consegue:
- Escrever SQL bom.
- Automatizar análises com Python.
- Criar dashboards úteis.
- Entender claims e pricing.
- Questionar métrica estranha.
- Falar com pessoas de negócio.
- Transformar análise em decisão.
- Mostrar impacto no currículo.
Se você quer mirar R$12k, R$15k ou mais como pleno forte ou sênior, pense menos em “ferramenta” e mais em “problema caro”.
Problemas caros em seguros são:
- Sinistralidade alta.
- Fraude.
- Preço errado.
- Baixa conversão.
- Churn na renovação.
- Operação lenta.
- Dados inconsistentes.
- Canal com risco ruim.
- Comissão desalinhada.
- Cliente bom indo embora.
Se você mostra que sabe atacar esses problemas com dados, você vira alguém muito mais valioso.
Fechando: seu próximo passo#
Você não precisa esperar estar 100% pronto para aplicar. Se você já tem SQL razoável, sabe fazer análise em Python ou BI, e consegue estudar os conceitos de seguros deste artigo, já dá para começar a se posicionar.
Ajuste seu currículo para mostrar impacto, use palavras-chave de seguros e prepare 2 ou 3 projetos focados em claims, pricing e retenção.
Antes de enviar candidatura para Itaú, Nubank, Stone, iFood, Magalu, Globo ou qualquer seguradora, confira se seu currículo passa bem pelos filtros automáticos.
Teste agora seu currículo grátis no JobRise: https://jobrise.io/pt/free-ats-checker/
Mande para quem tem entrevista esta semana.