Portfolio Projects for Data Analyst

Você fez três cursos, tem certificado de Python e SQL, e mesmo assim não passa da triagem para vagas de Data Analyst. O problema quase nunca é a falta de certificado. É a falta de evidência de que você resolve problemas de verdade.

Recrutador e gestor técnico olham seu material por menos de dois minutos. Nesse tempo, eles procuram uma coisa: sinais de que você pensa antes de codar. Projeto de portfólio bom mostra pergunta de negócio, escolhas e resultado. Projeto ruim mostra que você copiou um tutorial.

Por que certificado não substitui projeto#

Certificado mostra que você assistiu a algo. Projeto mostra que você terminou algo. São coisas diferentes, e quem contrata sabe a diferença.

O detalhe que ninguém conta: a maioria dos candidatos juniores tem os mesmos certificados. Quando todo mundo tem o mesmo selo, o selo deixa de separar candidatos. Projeto bem documentado continua separando.

O que quem analisa realmente procura#

Antes de escrever uma linha de código, entenda a régua. Quem abre seu GitHub ou currículo está caçando quatro sinais.

Raciocínio sobre negócio. Você entendeu o problema antes de abrir o notebook? Sabe dizer para quem aquela análise serve?

Tratamento de dados. Dados reais são bagunçados. Se seu projeto usa um CSV já limpinho do Kaggle, você pulou a parte que mais aparece no dia a dia.

Clareza de comunicação. Gráfico bonito sem legenda e sem conclusão é ruído. Quem lê quer saber o que fazer com aquele número.

Reprodutibilidade. Alguém consegue rodar seu projeto? Tem requirements.txt ou ambiente declarado, README com passos e dados acessíveis ou uma amostra realista?

Três projetos que separam candidato de tutorial#

Projeto 1: análise de funil com dados de negócio

Pegue um dataset de e-commerce ou de eventos de um site. Pergunta de partida: onde a empresa está perdendo dinheiro?

Entregue: definição das etapas do funil, taxa de conversão por etapa, corte por canal de aquisição ou dispositivo, e uma recomendação específica. Um exemplo de recomendação: "o abandono no checkout mobile é 22 pontos maior que no desktop; testar checkout em uma etapa antes de investir mais em tráfego".

Por que funciona: mostra pensamento de negócio, não só pandas.

Projeto 2: painel operacional com SQL e ferramenta de BI

Escolha um processo que alguém realmente acompanha: estoque, atendimento, churn, tempo de resposta. Modele as tabelas em SQL, defina métricas com nome e fórmula escrita, e monte um dashboard no Power BI, Metabase ou Looker Studio.

Entregue: o modelo de dados, as queries comentadas, o dashboard público e um texto curto explicando cada métrica. Mostre também uma métrica que você decidiu não usar e por quê.

Por que funciona: mostra que você sabe traduzir processo em número e que aguenta manutenção.

Projeto 3: análise exploratória com hipótese e limite honesto

Pegue um dataset público com ruído de verdade: dados abertos de prefeitura, registros de mobilidade, dados de saúde agregados. Levante uma hipótese antes de analisar, teste, e escreva o que os dados não permitem concluir.

Entregue: notebook com narrativa, visualizações sóbrias e uma seção de limitações. Exemplo de limitação: "a amostra de 2024 tem subregistro no bairro X, então a comparação de ano para ano é inconclusiva ali".

Por que funciona: maturidade é saber onde a análise para.

Como apresentar no currículo#

Uma linha por projeto, no máximo duas. Fórmula que funciona: ação + método + resultado ou conclusão.

Exemplo ruim: "Realizei uma análise de dados de vendas utilizando Python e Pandas".

Exemplo reescrito: "Analisei 18 meses de vendas de e-commerce em Python, identifiquei que 61% da perda de receita vinha do abandono no checkout mobile e propus prioridade de teste para o time de produto".

A diferença não é o verbo bonito. É o número e a consequência. Se você não tem número real, use a ordem de grandeza e diga que é estimativa do próprio projeto.

Se quiser conferir se o texto passa por leitura automática, use a nossa ferramenta de conferência de currículo para ATS. E antes de escrever, decodifique a descrição da vaga para saber quais termos o recrutador está caçando.

Como organizar no GitHub#

Seu GitHub não é galeria. É documentação de trabalho.

• Um repositório por projeto, com nome descritivo em inglês ou português, sem "projeto-final-2".
• README que começa com o problema de negócio em duas frases, não com "este projeto foi feito no curso X".
• Estrutura clara: data, notebooks, src, outputs, e um arquivo de ambiente.
• Dados: ou link para a fonte original, ou amostra pequena incluída com aviso de licença.
• Uma seção "Como rodar" com comandos copiáveis.
• Uma seção "O que eu faria com mais tempo". Isso mostra que você pensa em continuidade.

Coloque o link do GitHub e do dashboard público no currículo e no LinkedIn. Vagas abertas hoje já pedem esses links na triagem. Se está começando a buscar, veja as vagas de analista de dados no jobrise para entender o que cada empresa pede.

Erros que fazem projeto parecer tutorial#

O erro mais comum: título genérico. "Análise de dados do Titanic" diz que você fez lição de casa. Diga o problema, não o dataset.

Segundo erro: gráfico demais, conclusão de menos. Cinco visualizações com uma frase de insight valem mais que vinte gráficos.

Terceiro erro: esconder o caminho. Se você limpou dados, mostre o antes e o depois em poucas linhas. É ali que está o trabalho real.

Quarto erro: prometer demais. Não escreva "insights poderosos" nem "análise completa". Escreva o que a análise permite e o que não permite.

Quinto erro: projeto parado há muito tempo. Data sem atualização recente pesa. Se não tem tempo de criar novo, atualize o README e a data de revisão de um projeto existente.

Como falar dos projetos na entrevista#

Prepare uma resposta de 90 segundos por projeto. Estrutura: contexto, decisão, resultado, limite.

Exemplo de resposta: "O problema era entender por que a receita caiu no segundo semestre. Puxei 18 meses de dados de vendas e vi que a queda vinha de um canal só. Testei a hipótese de que era sazonalidade comparando com o ano anterior, e não era. O achado foi abandono de checkout no mobile. Eu recomendei priorizar o teste de checkout antes de investir em mais tráfego, e sinalizei que não tinha dado de sessão para provar a causa exata".

Repere no final. Admitir limite aumenta credibilidade. Quem responde tudo com certeza parece ter decorado.

Prepare também a pergunta "por que escolheu esse dataset". Responda com motivo de negócio ou curiosidade real, não com "estava disponível".

Vale a pena ter três projetos ou um só?#

Três projetos curtos e bem documentados valem mais que um projeto gigante parado. Mas três cópias de tutorial valem menos que um projeto autoral.

Se tem pouco tempo, faça o projeto 1 e o projeto 2. Eles cobrem o que mais aparece em vaga júnior e pleno. O projeto 3 entra quando você quiser disputar vaga que pede pesquisa e autonomia.

Para se manter atualizado sobre o que o mercado tem pedido, acompanhe os textos do blog do jobrise. O que recrutador busca muda, e seu portfólio precisa refletir isso.

Ferramentas grátis#

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

Perguntas frequentes#

Quantos projetos preciso ter para conseguir a primeira vaga?

Três projetos completos e legíveis bastam para a maioria das vagas júnior. O que pesa é profundidade e clareza, não quantidade. Um projeto com problema definido e resultado explicado vale mais que dez notebooks soltos.

Posso usar dataset do Kaggle no portfólio?

Pode, desde que você não copie a abordagem dos notebooks mais votados. Escolha um recorte diferente, levante uma pergunta própria e trate os dados com suas próprias decisões. O que se avalia é o raciocínio, não a origem do CSV.

Preciso saber Python e SQL ou só uma das duas?

Para a maioria das vagas de Data Analyst, as duas aparecem na descrição. Se tiver que priorizar, comece por SQL para consulta e modelagem, e use Python para limpeza e análise mais elaborada. Ferramenta de BI entra depois, como camada de apresentação.

Meu projeto não tem resultado financeiro, isso conta contra mim?

Não, desde que você deixe claro qual foi o resultado analítico. Pode ser uma conclusão sobre padrão de dados, uma hipótese descartada ou uma recomendação de próximo passo. Inventar número de faturamento é pior do que assumir que o projeto é didático.

Devo gravar vídeo ou escrever sobre os projetos?

Escrever primeiro. README e um texto curto no LinkedIn são mais fáceis de avaliar e indexam melhor em busca. Vídeo ajuda em entrevista, mas não substitui documentação que alguém consome em dois minutos.