Como Virar Analista de Dados em 2026

Você quer virar analista de dados, mas abre o LinkedIn e parece que todo mundo já sabe SQL, Python, Power BI, estatística, negócio, storytelling e ainda tem um portfólio lindo no GitHub. A sensação é: “por onde eu começo sem perder 2 anos estudando coisa errada?”

A boa notícia é que dá para entrar na área em 2026 com um plano bem mais simples do que parece. Você não precisa ser gênio em matemática, nem virar cientista de dados logo de cara, nem fazer uma faculdade nova inteira antes de aplicar para vagas.

Você precisa entender o que o mercado realmente cobra, montar provas de habilidade e aprender a se vender melhor para vagas júnior, estágio, trainee ou transição de carreira.

Como Virar Analista de Dados em 2026#

Analista de dados é uma das portas de entrada mais realistas para quem quer trabalhar com tecnologia, produto, marketing, finanças ou operações. Empresas como Itaú, Nubank, Stone, iFood, Magalu, Globo, Mercado Livre e Ambev contratam pessoas para transformar dados em decisões.

Na prática, você ajuda a responder perguntas como:

• Por que as vendas caíram em uma região?
• Qual canal de marketing traz clientes mais baratos?
• Qual produto tem mais cancelamentos?
• Qual loja está performando melhor?
• O app está perdendo usuários em qual etapa?
• Quais indicadores devem entrar no dashboard da diretoria?

Percebe que não é “mexer em planilha” apenas? É conectar número com decisão.

Em 2026, a área continua forte porque toda empresa quer reduzir custo, aumentar receita e tomar decisões mais rápidas. Só que existe uma diferença importante: o mercado está menos paciente com currículo genérico.

Não basta escrever “tenho interesse em dados”. Você precisa mostrar que consegue pegar uma base, limpar, analisar, visualizar e explicar o resultado.

O que um analista de dados faz no dia a dia#

O trabalho varia bastante conforme a empresa, mas a rotina costuma misturar quatro tipos de atividade.

1. Buscar e organizar dados

Você pode extrair dados de bancos usando SQL, baixar relatórios de ferramentas internas, consultar planilhas ou trabalhar com dados vindos de CRMs, ERPs e plataformas de marketing.

Exemplos reais:

• Um analista no iFood pode analisar pedidos, entregas e tempo médio por região.
• No Itaú, pode olhar inadimplência, uso de cartão, canais digitais e comportamento de clientes.
• Na Globo, pode medir audiência, engajamento em streaming e performance de campanhas.
• Na Stone, pode acompanhar transações, receita por cliente e churn.

Aqui entram habilidades como SQL, Excel, Google Sheets e noções de banco de dados.

2. Limpar e transformar informações

Dados quase sempre chegam bagunçados. Tem campo vazio, data em formato errado, nome duplicado, categoria sem padrão e número que não bate.

Um bom analista sabe fazer perguntas antes de sair calculando:

• Essa base está completa?
• Qual é a fonte original?
• O período faz sentido?
• Existem duplicidades?
• A métrica foi definida da mesma forma por todos?
• O que significa “cliente ativo” nessa empresa?

Essa etapa evita uma das maiores dores no trabalho com dados: entregar análise bonita com conclusão errada.

3. Criar análises e dashboards

Depois de organizar os dados, você transforma aquilo em leitura de negócio. Pode ser via Power BI, Tableau, Looker Studio, Metabase ou até Excel.

Exemplos de entregas:

• Dashboard de vendas por canal
• Relatório de churn mensal
• Funil de conversão do app
• Análise de ticket médio
• Comparativo de performance entre campanhas
• Estudo de cohort de clientes
• Ranking de produtos por margem

O ponto não é só deixar visualmente bonito. O dashboard precisa ajudar alguém a tomar uma decisão.

4. Comunicar descobertas

Essa parte separa quem cresce na carreira de quem fica escondido atrás da tabela.

Você precisa explicar para pessoas não técnicas:

• O que aconteceu
• Por que aconteceu
• Qual é o impacto
• O que você recomenda fazer agora
• Quais são os riscos da análise

Por exemplo: “A queda de 12% nas vendas não veio de todos os canais. Ela está concentrada em mídia paga, principalmente no Google Ads, onde o custo por aquisição subiu de R$ 42 para R$ 61. Minha recomendação é revisar palavras-chave e realocar parte da verba para CRM, que manteve conversão estável.”

Isso é muito mais forte do que dizer: “segue dashboard atualizado”.

Quanto ganha um analista de dados em 2026#

Os salários variam por cidade, empresa, senioridade, inglês e modelo remoto. Mas dá para trabalhar com faixas realistas no Brasil.

Faixas comuns em empresas brasileiras

• Estágio em dados: R$ 1.500 a R$ 3.000
• Analista de dados júnior: R$ 3.500 a R$ 6.500
• Analista de dados pleno: R$ 7.000 a R$ 12.000
• Analista de dados sênior: R$ 12.000 a R$ 18.000
• Analytics Engineer ou BI Sênior: R$ 14.000 a R$ 22.000
• Coordenador de Analytics: R$ 16.000 a R$ 28.000

Em empresas maiores, como Nubank, Itaú, iFood, Stone e Mercado Livre, cargos de dados podem passar de R$ 15k com benefícios, bônus e stock options dependendo da senioridade.

Para vagas internacionais remotas, um Data Analyst pode ganhar algo como $50k a $90k por ano. Em vagas mais técnicas, com SQL forte, Python, produto e inglês bom, $80k não é absurdo.

Só que vale o papo reto: vaga internacional exige comunicação muito boa, portfólio claro e experiência comprovável. Não é impossível, mas normalmente não é o primeiro passo de quem está começando do zero.

As habilidades que você precisa aprender#

Você não precisa estudar tudo ao mesmo tempo. O melhor caminho é montar uma base empregável.

1. Excel ou Google Sheets

Mesmo em empresas modernas, planilhas continuam vivas. Você vai usar para exploração rápida, validação e comunicação com áreas de negócio.

Aprenda:

• PROCV ou XLOOKUP
• Tabela dinâmica
• SE, SOMASES, CONT.SES
• Tratamento de texto
• Gráficos simples
• Validação de dados
• Formatação condicional

Você não precisa decorar 200 fórmulas. Precisa resolver problemas práticos.

2. SQL

SQL é provavelmente a habilidade mais importante para analista de dados. Se você quer ser levado a sério em processos seletivos, aprenda SQL.

Priorize:

• SELECT, WHERE, ORDER BY
• GROUP BY
• JOINs
• CASE WHEN
• Subqueries
• CTEs
• Window functions
• Tratamento de datas
• Agregações

Exemplo de pergunta de negócio: “Qual foi a receita mensal por canal nos últimos 12 meses?”

Você precisa saber transformar isso em consulta.

3. Power BI, Tableau ou Looker Studio

No Brasil, Power BI aparece muito nas vagas. Tableau também é usado em empresas grandes. Looker Studio é comum em marketing e empresas menores.

Se você está começando, eu iria de Power BI primeiro.

Aprenda:

• Importar dados
• Modelagem básica
• Relacionamentos
• Medidas em DAX
• Segmentações
• Gráficos limpos
• Publicação e atualização
• Boas práticas de layout

Um dashboard bom não precisa ter 18 cores e 35 gráficos. Precisa responder uma pergunta.

4. Estatística básica

Você não precisa virar estatístico para entrar na área. Mas precisa entender o básico para não tirar conclusões ruins.

Estude:

• Média, mediana e percentis
• Desvio padrão
• Correlação
• Amostragem
• Teste A/B
• Significância estatística
• Viés
• Outliers

Exemplo simples: se uma campanha teve taxa de conversão de 6% e outra de 7%, isso é realmente melhor ou pode ser ruído? Estatística te ajuda a não vender certeza onde só existe hipótese.

5. Python, mas sem pressa

Python ajuda muito, principalmente para automação, análise exploratória e tratamento de bases maiores. Mas se você está do zero, não precisa começar por Python.

Primeiro, fique bom em SQL, planilhas e visualização. Depois entre em Python com foco em:

• pandas
• numpy
• matplotlib ou seaborn
• leitura de CSV e Excel
• limpeza de dados
• notebooks
• automação simples

Python é ótimo, mas não substitui pensamento analítico.

O plano de estudos de 90 dias para virar analista de dados#

Se você estudar 1h30 por dia, 5 dias por semana, dá para construir uma base forte em 90 dias. Não perfeita, mas suficiente para começar a aplicar para vagas júnior e estágio com mais confiança.

Dias 1 a 15: base de planilhas e pensamento analítico

Objetivo: ficar confortável com dados tabulares.

Faça:

1. Revise Excel ou Google Sheets.
2. Crie tabelas dinâmicas.
3. Monte gráficos simples.
4. Analise uma base pública.
5. Escreva conclusões em texto.

Bases boas para começar:

• Dados de vendas fictícias
• Dados do Kaggle
• Dados públicos do governo
• Base de e-commerce
• Relatórios de marketing

Projeto simples: análise de vendas de uma loja.

Responda:

• Qual mês vendeu mais?
• Qual produto teve maior receita?
• Qual região teve menor ticket médio?
• Quais produtos concentram 80% da receita?
• O que você recomendaria ao gerente?

Dias 16 a 40: SQL todo dia

Objetivo: conseguir extrair e combinar dados.

Estude SQL com prática diária. Use plataformas como:

• Mode SQL Tutorial
• SQLBolt
• HackerRank
• LeetCode Database
• DataLemur
• BigQuery Sandbox

Treine consultas de negócio:

• Receita por mês
• Clientes ativos por semana
• Produtos mais vendidos
• Usuários que compraram mais de uma vez
• Churn mensal
• Conversão por etapa do funil

Não estude SQL só vendo vídeo. SQL entra na cabeça quando você erra query, corrige, roda de novo e entende o resultado.

Dias 41 a 60: Power BI e dashboards

Objetivo: transformar análise em visual claro.

Monte pelo menos dois dashboards:

1. Dashboard de vendas
2. Dashboard de marketing ou produto

Inclua:

• Receita total
• Ticket médio
• Vendas por canal
• Vendas por região
• Evolução mensal
• Top produtos
• Filtros úteis
• Observações com insights

Evite dashboard carnaval. Use cores com intenção, títulos claros e gráficos simples.

Uma dica de ouro: escreva no topo do dashboard qual pergunta ele responde. Exemplo: “Como as vendas evoluíram por canal e região nos últimos 12 meses?”

Dias 61 a 75: estatística básica e análise de negócio

Objetivo: melhorar sua qualidade de interpretação.

Estude casos como:

• Teste A/B de página de checkout
• Análise de cancelamento
• Queda de conversão
• Aumento de custo em campanha
• Segmentação de clientes
• Análise de cohort

Aqui você começa a pensar como analista, não só como operador de ferramenta.

Perguntas que você deve treinar:

• O que mudou?
• Desde quando mudou?
• Onde mudou mais?
• Qual público foi afetado?
• Isso é sazonal?
• Existe outra explicação?
• Que dado falta para confirmar?

Dias 76 a 90: portfólio, currículo e aplicações

Objetivo: sair do modo estudante e entrar no modo candidato.

Monte 3 projetos publicáveis:

1. Um projeto de SQL
2. Um dashboard em Power BI
3. Um estudo de caso com recomendação de negócio

Para cada projeto, escreva:

• Problema
• Fonte dos dados
• Ferramentas usadas
• Principais métricas
• Insights
• Recomendação final
• Limitações da análise

Depois, atualize seu LinkedIn e currículo com foco em resultado, não em lista de cursos.

Como montar um portfólio que chama atenção#

Seu portfólio não precisa ser sofisticado. Precisa ser claro, organizado e mostrar raciocínio.

Você pode usar:

• GitHub
• Notion
• Medium
• LinkedIn
• Power BI Service
• Google Drive organizado
• Um site simples no Carrd ou Framer

O recrutador ou gestor precisa entender em 2 minutos o que você fez.

Estrutura de um bom projeto

Use este modelo:

1. Contexto: qual era o problema?
2. Objetivo: qual pergunta você queria responder?
3. Dados: de onde vieram e quais campos tinham?
4. Tratamento: o que precisou limpar ou ajustar?
5. Análise: quais métricas foram calculadas?
6. Visualização: quais gráficos ou dashboards foram criados?
7. Conclusões: o que você descobriu?
8. Recomendações: o que a empresa deveria fazer?
9. Limitações: o que você não conseguiu confirmar?

Esse último ponto passa maturidade. Todo dado tem limite, e reconhecer isso mostra que você não está chutando.

Ideias de projetos para 2026

Se você quer fugir do projeto genérico de Titanic, faça algo mais próximo do mercado brasileiro.

Boas ideias:

• Análise de preços de produtos no Magalu
• Dashboard de pedidos fictícios para um delivery tipo iFood
• Análise de churn de clientes de uma fintech tipo Nubank
• Estudo de inadimplência fictícia para banco como Itaú
• Dashboard de mídia paga para e-commerce
• Análise de audiência de conteúdo inspirado na Globo
• Estudo de vendas por região para varejo
• Análise de avaliações de clientes em apps

Você não precisa usar dados internos dessas empresas, claro. Use dados públicos ou fictícios bem estruturados e deixe isso transparente.

Como conseguir a primeira vaga#

A primeira vaga costuma ser a mais difícil porque você ainda não tem experiência formal. Então seu objetivo é reduzir o risco percebido pelo recrutador.

Você faz isso mostrando três coisas:

• Você sabe usar as ferramentas básicas.
• Você entende problema de negócio.
• Você consegue se comunicar bem.

Onde procurar vagas

Procure por títulos variados, não apenas “Analista de Dados Júnior”.

Busque também:

• Analista de BI Júnior
• Assistente de BI
• Estágio em Dados
• Estágio em Analytics
• Analista de Performance
• Analista de CRM
• Analista de Marketing Analytics
• Analista de Produto Júnior
• Analista de Operações
• Analista de Planejamento
• Business Intelligence Analyst
• Data Analyst Junior

Muita gente perde vaga porque procura só um nome de cargo.

Como adaptar seu currículo

Seu currículo precisa bater com a descrição da vaga. Se a vaga fala SQL, Power BI e indicadores de vendas, essas palavras precisam aparecer no seu currículo de forma honesta.

Exemplo ruim:

• “Conhecimento em dados e vontade de aprender.”

Exemplo melhor:

• “Criei dashboard em Power BI para análise de vendas, com receita mensal, ticket médio, ranking de produtos e segmentação por região.”
• “Usei SQL para consultar bases relacionais, aplicar JOINs, agregações e análise de receita por canal.”
• “Analisei base de e-commerce com 50 mil pedidos fictícios e identifiquei queda de 18% na conversão em determinada categoria.”

Mesmo projeto pessoal pode entrar, desde que você deixe claro que é projeto acadêmico ou portfólio.

Como escrever seu resumo profissional

Se você está em transição, diga isso sem pedir desculpa.

Exemplo:

“Profissional em transição para Análise de Dados, com experiência prévia em atendimento e operações. Desenvolvi projetos com SQL, Power BI e Excel para análise de vendas, funil de conversão e indicadores de performance. Busco posição júnior ou estágio em dados, BI ou analytics.”

Se você veio de áreas como financeiro, logística, vendas, marketing, suporte ou RH, isso pode ser vantagem. Você já conhece problemas reais de negócio.

Como se preparar para entrevistas#

Entrevista para analista de dados costuma avaliar raciocínio, ferramenta e comunicação.

Perguntas comuns

Você pode ouvir:

• Como você explicaria um dashboard para uma pessoa não técnica?
• Qual a diferença entre INNER JOIN e LEFT JOIN?
• Como você investigaria queda de vendas?
• Como lidaria com dados faltantes?
• O que é uma métrica boa?
• Conte sobre um projeto de dados que você fez.
• Como você validaria se uma campanha performou melhor?
• Qual foi uma decisão que você tomou com base em dados?

Treine respostas com exemplos. Não responda só teoria.

Exemplo de resposta forte

Pergunta: “Como você investigaria uma queda de vendas?”

Resposta:

“Eu começaria confirmando se a queda é real ou erro de dados, comparando fontes e período. Depois quebraria por canal, região, produto e tipo de cliente para ver onde a queda está concentrada. Também olharia sazonalidade, preço, estoque, campanhas e mudanças no funil. Se a queda estivesse em um canal específico, como mídia paga, analisaria investimento, CPC, conversão e ticket médio. No final, apresentaria hipóteses com evidências e recomendaria próximos testes.”

Essa resposta mostra método. É isso que o gestor quer ver.

Erros que atrasam sua entrada na área#

Vamos falar de coisas que fazem muita gente perder tempo.

Erro 1: estudar ferramenta sem projeto

Você assiste 40 horas de Power BI, mas não consegue explicar uma análise própria. Isso não convence.

A cada curso, faça um projeto.

Erro 2: querer aprender tudo antes de aplicar

Você nunca vai se sentir 100% pronto. Aplique quando tiver uma base mínima e um portfólio simples.

Base mínima:

• SQL intermediário inicial
• Excel bom
• 1 dashboard publicado
• 2 projetos explicados
• Currículo adaptado
• LinkedIn organizado

Erro 3: ignorar comunicação

Dados não falam sozinhos. Você precisa escrever e apresentar.

Treine resumos como:

• “O principal problema é...”
• “A métrica mais afetada foi...”
• “A hipótese mais provável é...”
• “Minha recomendação é...”
• “Eu validaria isso com...”

Erro 4: currículo cheio de curso e vazio de entrega

Curso ajuda, mas não substitui evidência.

Em vez de listar 12 certificados, destaque 3 projetos bons.

Erro 5: aplicar para 5 vagas e desistir

Processo seletivo é volume com qualidade. Talvez você precise aplicar para 80, 120, 200 vagas até conseguir entrevistas boas.

Mas não mande o mesmo currículo para tudo. Ajuste palavras-chave, projetos e resumo conforme a vaga.

Faculdade é obrigatória para analista de dados?#

Não é obrigatória em todas as vagas, mas ajuda em muitas. Empresas grandes ainda filtram por graduação, principalmente em programas de estágio e trainee.

Cursos comuns na área:

• Estatística
• Ciência da Computação
• Sistemas de Informação
• Administração
• Economia
• Engenharia
• Matemática
• Marketing
• Contabilidade

Mas dá para entrar vindo de outras áreas. O mais importante é provar habilidade.

Se você já tem graduação em qualquer área, use isso a seu favor. Um profissional de RH que aprende dados pode virar ótimo analista de people analytics. Alguém de logística pode ir para operações. Uma pessoa de marketing pode migrar para performance ou CRM.

A transição mais fácil geralmente acontece quando você combina sua área anterior com dados.

Inglês é necessário?#

Para vagas no Brasil, inglês nem sempre é obrigatório. Mas para crescer, estudar melhor e buscar vaga remota internacional, inglês ajuda muito.

Você não precisa esperar ficar fluente para começar. Mas comece a evoluir em paralelo.

Priorize inglês técnico:

• Ler documentação
• Entender vídeos curtos
• Explicar projetos
• Falar sobre métricas
• Participar de entrevista simples

Uma vaga internacional pagando $80k por ano não costuma exigir só ferramenta. Exige que você consiga discutir problema, alinhamento, prazo e impacto em inglês.

Como usar IA sem virar dependente#

Em 2026, ferramentas de IA vão estar em todo lugar. Você pode usar ChatGPT, Gemini, Claude e copilotos para acelerar estudos e trabalho.

Use IA para:

• Explicar conceitos
• Gerar exercícios de SQL
• Revisar queries
• Sugerir hipóteses de análise
• Melhorar texto de apresentação
• Criar documentação
• Simular entrevista

Mas não use IA para fingir que sabe. Em entrevista técnica, isso aparece rápido.

Um bom uso seria pedir:

“Me dê 10 perguntas de SQL para uma vaga júnior de analista de dados em uma fintech.”

Ou:

“Revise meu resumo de projeto e deixe mais claro para um gestor de produto.”

IA é assistente, não muleta.

Um roteiro semanal realista para quem trabalha#

Se você já trabalha 8 horas por dia, não adianta montar plano impossível. Você precisa de consistência.

Segunda a sexta

• 30 minutos de SQL
• 30 minutos de projeto
• 20 minutos lendo ou vendo aula
• 10 minutos anotando aprendizados

Sábado

• 2 horas para avançar projeto
• 1 hora para LinkedIn, currículo ou aplicação

Domingo

• Revisão leve
• Planejamento da semana
• Descanso sem culpa

Em 3 meses, isso vira muita coisa. Em 6 meses, você pode ter um portfólio competitivo.

O caminho mais rápido: entrar por uma área próxima#

Nem sempre sua primeira vaga precisa ter o título “Analista de Dados”. Às vezes o melhor caminho é entrar em uma função que usa dados e migrar internamente.

Cargos bons para isso:

• Analista de operações
• Analista financeiro
• Analista de marketing
• Analista de CRM
• Analista de planejamento
• Analista comercial
• Analista de suporte com indicadores
• Assistente administrativo com BI
• Analista de qualidade
• Analista de produto júnior

Se você entra em uma empresa como Magalu, Stone, Itaú ou iFood em uma área operacional e começa a criar relatórios, automatizar planilhas e propor dashboards, você pode construir experiência real.

Muita carreira em dados começa assim: resolvendo problema chato que ninguém queria resolver.

Checklist para virar analista de dados em 2026#

Use esta lista para saber se você está no caminho.

Você já tem:

• Um currículo focado em dados?
• LinkedIn com título claro?
• Pelo menos 2 projetos publicados?
• Um dashboard em Power BI?
• SQL praticado com JOIN, GROUP BY e CTE?
• Um projeto explicado com problema, análise e recomendação?
• Exemplos de impacto, mesmo em projeto pessoal?
• Lista de vagas-alvo?
• Rotina semanal de aplicação?
• Respostas treinadas para entrevista?
• Noção de estatística básica?
• Clareza sobre cargos alternativos?

Se você marcou menos de 6 itens, foque em construir base. Se marcou 8 ou mais, provavelmente já está na hora de aplicar com consistência.

Conclusão: o que fazer agora#

Virar analista de dados em 2026 não é sobre estudar tudo que aparece na internet. É sobre montar uma base prática, criar evidências e se posicionar bem.

O caminho mais seguro é:

1. Aprender Excel ou Google Sheets.
2. Praticar SQL até conseguir resolver perguntas de negócio.
3. Criar dashboards simples e úteis.
4. Entender estatística básica.
5. Montar 2 ou 3 projetos de portfólio.
6. Adaptar currículo para cada vaga.
7. Aplicar para cargos de dados e áreas próximas.
8. Treinar entrevistas com exemplos reais.

Você não precisa esperar permissão para começar. Pegue uma base pública hoje, faça uma análise simples e publique seu primeiro projeto.

E antes de mandar currículo para vaga de analista de dados, passe ele por uma checagem ATS. Isso ajuda você a ver se o currículo tem as palavras-chave certas e se está legível para os sistemas usados por recrutadores.

Faça agora sua análise gratuita no JobRise: https://jobrise.io/pt/free-ats-checker/