Day in the Life of a Data Analyst

Você abriu a vaga de Data Analyst, leu "ambiente dinômico" e quer saber o que acontece de verdade entre o primeiro café e o fechamento do notebook. Vou descrever a rotina de um profissional de nível pleno a sênior, com os atritos reais. Sem romantizar.

O dia começa por e-mail, não por SQL#

Primeiro erro de quem entra na área: imaginar que o trabalho é 8 horas escrevendo consultas e criando gráficos. A maior parte do tempo vai para entender o que estão te pedindo.

Entre 8h30 e 9h30, o analista costuma limpar a caixa de entrada, checar alertas de dashboards que quebraram de madrugada e responder mensagens de stakeholders. Muitas vezes, o pedido veio incompleto. "Quero ver a performance de vendas" não é uma tarefa. É um convite para uma conversa.

Depois disso, o trabalho profundo. Duas a três horas de foco, quando dá. Nesse bloco entram SQL, Python, modelagem no dbt, ajustes no Power BI ou no Looker. Na prática, esse bloco é interrompido duas ou três vezes por semana. No resto dos dias, você tem 40 minutos de foco e mais reuniões.

Ferramentas que realmente aparecem#

A stack varia por empresa, mas algumas coisas se repetem. SQL é o dia inteiro. Não é opcional, é a alfabetização da função.

Além do SQL, o comum é:

• Excel ou Google Sheets, mais do que você imagina, para validações rápidas
• Python com pandas, quando a consulta fica grande demais ou precisa de automação
• Power BI, Looker, Tableau ou Metabase, para visualização
• dbt, em empresas com times de engenharia de dados estruturados
• Git, para versionar scripts e modelos
• Slack ou Teams, onde metade do trabalho de alinhamento acontece
• Figma ou Miro, ocasionalmente, para desenhar fluxos de dados com o time

Ferramenta nova entra quase todo trimestre. Capacidade de aprender rápido vale mais do que dominar cinco delas.

Um exemplo concreto de pedido e resposta#

Chega no Slack: "Preciso do número de clientes ativos do mês passado até as 15h".

Perguntas que o analista sênior faz antes de rodar qualquer consulta:

• O que conta como "ativo"? Comprou, logou, usou o produto?
• "Mês passado" é calendário completo ou últimos 30 dias?
• Clientes pagos e trial juntos ou separados?
• Esse número vai para onde? Um slide para diretoria ou um relatório recorrente?

A resposta muda o número. Sem essas perguntas, você entrega uma resposta que parece certa e está errada. Isso é o que separa quem faz relatório de quem faz análise.

Onde a pressão aparece#

O estresse do cargo não vem de código complexo. Vem de prazo, ambiguidade e dependência de dados que não são seus.

Quatro pontos de pressão recorrentes:

• O número mudou no meio do mês e ninguém sabe por quê. Você tem que explicar a diferença entre dois relatórios, com confiança, mesmo quando a causa ainda está sendo investigada.
• Alguém da liderança pede um dado com prazo de duas horas, no meio de uma análise que já estava em andamento.
• A tabela de origem mudou de esquema sem aviso. Seu dashboard quebra e o erro aparece na sua frente, não na do time de engenharia.
• Vários times pedem coisas ao mesmo tempo e o backlog não para de crescer. Dizer "não" faz parte do trabalho.

Nada disso está no edital da vaga. Mas é o dia.

O que surpreende quem está entrando#

A maior surpresa é a quantidade de comunicação. Uma estimativa honesta: de 30 a 50% do tempo vai para reuniões, escrita de documentação, alinhamentos e explicação de resultados. Se você odeia escrever e falar com gente, repense.

Outra coisa que pega de surpresa: metade das análises é sobre dados que você não confia. Parte do trabalho é auditar, questionar, comparar fontes. Não é glamour de dashboard bonito.

E tem o detalhe do negócio. Entender o produto, o cliente e o modelo de receita faz mais diferença do que saber mais uma biblioteca de Python. Analista que não entende o negócio vira relator.

O que muda do júnior para o sênior#

No nível júnior, você recebe perguntas já definidas. Escopo fechado, caminho indicado, entrega supervisionada. O foco é executar bem.

No nível pleno, você já questiona o escopo. Sugere métricas, aponta problemas na definição, conversa direto com o time de produto ou marketing. Ainda escreve bastante SQL.

No nível sênior, o trabalho muda de natureza. Você define o que medir, prioriza análises, mentora pessoas mais novas e defende decisões diante de quem discorda. Escreve menos código. Escreve mais documentos, propostas e comentários de revisão.

A progressão não é linear nem rápida. Em empresas grandes, passar de pleno para sênior pode levar de três a seis anos, dependendo de escopo e oportunidade. Varia bastante.

Um dia real, hora a hora#

Para dar concretude, um dia possível de um analista pleno em empresa de tecnologia:

• 8h30: checa alertas de dashboard, responde três mensagens pendentes
• 9h00: daily com o time de dados, 15 minutos
• 9h30: bloco de foco, escreve consulta para análise de churn
• 11h00: reunião com marketing para definir métrica de campanha
• 12h00: almoço
• 13h00: revisa PR de um colega, comenta no GitHub
• 13h30: bloco de foco, ajusta modelo dbt
• 15h00: apresentação de resultado para o time de produto
• 16h00: limpa backlog, documenta definições de métrica
• 17h00: responde mensagens, planeja o dia seguinte

Nem todo dia é assim. Tem dia que é quatro reuniões seguidas e nenhum minuto de código. Tem dia que é oito horas de análise concentrada. A média fica no meio.

Como se preparar, na prática#

Se você está mirando a área, o caminho é mais direto do que parece:

• Aprenda SQL de verdade, com joins, window functions e CTEs. É o filtro da maioria das vagas.
• Entenda estatística básica: média, mediana, distribuição, correlação, sampling.
• Aprenda a escrever e falar sobre dados. Comunicação é metade do trabalho.
• Monte um portfólio com dois ou três projetos que resolvem perguntas reais, não exercícios de curso.
• Estude o negócio de empresas que te interessam. Leia relatórios, entenda o modelo de receita.
• Use o decodificador de vagas para entender o que a empresa realmente pede na descrição.
• Faça o teste gratuito de ATS no seu currículo antes de enviar, para ver se passa nos filtros automáticos.
• Acompanhe as vagas de analista de dados para ver quais ferramentas aparecem com mais frequência nos anúncios.

Vale a pena?#

Depende do que você busca. Paga razoavelmente bem, tem demanda consistente e permite trabalhar remoto em muitas empresas. Os salários reportados para analista de dados no Brasil variam bastante por senioridade, setor e cidade, com faixas amplas entre níveis júnior e sênior. Consulte fontes oficiais atualizadas, como o site do CAGED, pesquisas de sindicatos e o Glassdoor, para números atuais.

O lado ruim é real: pressão por prazo, dados quebrados, escopo ambíguo, reuniões demais. Se isso te irrita mais do que te motiva, talvez engenharia de dados ou ciência de dados seja um caminho melhor.

Mais relatos de rotina e carreira estão no nosso blog de carreira.

Ferramentas grátis#

• jobrise.io/pt/free-ats-checker/
• jobrise.io/pt/free-jd-decoder/
• jobrise.io/pt/jobs/
• jobrise.io/pt/blog/

Perguntas frequentes#

Quanto tempo de foco um Data Analyst tem por dia?

Depende da empresa e do nível. Em times com muitos stakeholders, o foco real fica entre uma e três horas diárias, com o resto dividido entre reuniões, mensagens e documentação. Times com rituais mais leves permitem blocos maiores, mas é raro ter o dia inteiro livre para código.

Data Analyst precisa saber programar?

Precisa de SQL, sem exceção. Python ou R ajudam bastante em análises mais complexas e automações, mas muitos analistas trabalham só com SQL e ferramenta de BI. O nível de programação exigido é bem menor do que em engenharia de dados.

Qual a diferença entre Data Analyst e Data Scientist?

O analista foca em entender o que aconteceu e o que fazer agora, com relatórios, métricas e análises descritivas. O cientista de dados trabalha mais com modelos preditivos, machine learning e experimentação estatística. Na prática, a fronteira varia muito entre empresas.

É possível entrar na área sem formação em TI ou estatística?

Sim, é comum. Muitos profissionais vêm de administração, economia, engenharia, psicologia e outras formações. O que importa é conseguir mostrar domínio de SQL, pensamento analítico e compreensão de negócio, normalmente através de projetos próprios ou experiências anteriores.

Como é a progressão de carreira depois de sênior?

Os caminhos mais comuns são: especialista técnico, líder de time de dados, ou migração para áreas adjacentes como ciência de dados, analytics engineering ou produto. Cada um exige habilidades diferentes, e a escolha depende mais do que você gosta de fazer do que de uma trilha única.