Vagas de Data Analyst em Florianopolis 2026: Guia Prático

Você está olhando vagas de Data Analyst em Florianópolis e bate aquela dúvida chata: “será que meu currículo passa?”, “será que preciso saber Python mesmo?”, “quanto dá para ganhar?”, “tem vaga remota ou só híbrida?”. E, no meio disso, você vê descrições pedindo SQL, Power BI, inglês, estatística, Python, stakeholder, negócio, experiência em produto e mais um monte de coisa que parece impossível caber numa pessoa só.

A boa notícia: dá para se preparar com método, sem tentar aprender tudo ao mesmo tempo. Em 2026, Florianópolis deve continuar forte para tecnologia, dados, produto, marketing digital, fintechs, healthtechs, e-commerce e empresas SaaS. Para quem quer trabalhar como Data Analyst, a cidade pode ser uma ótima porta de entrada, principalmente se você souber mostrar impacto no currículo e conversar bem com áreas de negócio.

Vagas de Data Analyst em Florianópolis 2026: Guia Prático#

Florianópolis já tem fama de polo tech há algum tempo. A combinação de empresas de software, startups, universidades, qualidade de vida e profissionais vindos de outras capitais criou um mercado interessante para dados.

Mas é importante ser realista: a concorrência também aumentou. Muita gente migrou para dados nos últimos anos, especialmente vindo de administração, engenharia, marketing, finanças e tecnologia.

Então, para se destacar em vagas de Data Analyst em Florianópolis em 2026, você precisa cuidar de três coisas:

1. Competências técnicas certas.
2. Currículo ajustado para ATS e recrutadores.
3. Portfólio com problemas de negócio, não só gráficos bonitos.

Vamos destrinchar isso com calma.

Como está o mercado de Data Analyst em Florianópolis#

Florianópolis tem um ecossistema forte em empresas de tecnologia B2B, SaaS, educação, saúde, turismo, serviços financeiros e marketplaces. Isso cria demanda por pessoas que saibam transformar dados em decisão.

Você pode encontrar vagas em empresas locais, empresas brasileiras com operação remota e times híbridos de companhias maiores. Também é comum ver oportunidades em empresas que têm escritório em Floripa, mas atendem clientes no Brasil todo.

Alguns tipos de empresas que costumam contratar analistas de dados:

• SaaS B2B, com foco em métricas de produto e receita.
• Fintechs, olhando risco, crédito, fraude e performance.
• E-commerces, com análise de funil, estoque e vendas.
• Healthtechs, com dados operacionais e indicadores clínicos.
• Agências e martechs, com campanhas e mídia paga.
• Empresas de educação, com retenção, engajamento e conversão.

Mesmo que sua meta seja uma empresa como Nubank, Itaú, Stone, iFood, Magalu ou Globo, começar por uma empresa média em Florianópolis pode ser uma excelente estratégia. Você ganha experiência real, monta cases e depois usa isso para disputar vagas maiores, inclusive remotas.

O que faz um Data Analyst na prática#

Data Analyst não é só “fazer dashboard”. Essa frase aparece muito porque várias empresas ainda confundem análise com relatório.

Na prática, um bom analista de dados ajuda o time a responder perguntas como:

• Por que a conversão caiu?
• Quais clientes têm maior chance de cancelar?
• Qual canal de marketing traz clientes melhores?
• O ticket médio subiu por causa de preço ou mix de produtos?
• O produto está sendo usado do jeito esperado?
• Qual região performa melhor?
• O time comercial está perdendo oportunidades em alguma etapa?

Seu trabalho pode envolver SQL, planilhas, ferramentas de BI, análise exploratória, apresentação de resultados e conversa com pessoas de produto, marketing, financeiro, operações ou vendas.

Em empresas menores, você pode fazer de tudo um pouco. Em empresas maiores, como Itaú, iFood ou Globo, a função tende a ser mais especializada: dados de produto, dados de risco, dados comerciais, growth analytics, people analytics, revenue analytics e por aí vai.

Salários de Data Analyst em Florianópolis em 2026#

Salário varia muito por senioridade, setor, modelo remoto e inglês. Mesmo assim, dá para trabalhar com faixas realistas.

Para Florianópolis em 2026, uma estimativa prática seria:

• Data Analyst Júnior: R$4k a R$7k.
• Data Analyst Pleno: R$7k a R$12k.
• Data Analyst Sênior: R$12k a R$18k.
• Analytics Engineer ou Data Analyst mais técnico: R$14k a R$22k.
• Vagas remotas internacionais: $50k a $90k por ano, dependendo do nível e da empresa.

Em empresas grandes no Brasil, como Nubank, Stone, iFood, Magalu e Itaú, posições plenas e seniores podem passar de R$15k mensais, principalmente quando incluem bônus, PLR ou stock options.

Se você fala inglês bem e consegue trabalhar para fora, o jogo muda. Uma vaga remota em dólar pagando $80k por ano pode ser transformadora. Mas ela costuma exigir mais autonomia, comunicação escrita forte e experiência com métricas de produto ou negócio.

Habilidades técnicas que mais aparecem nas vagas#

Você não precisa aprender todas as ferramentas do planeta. O melhor caminho é dominar uma base forte e depois adaptar conforme a vaga.

1. SQL

SQL é o arroz com feijão de Data Analyst. Se você quer uma vaga boa, precisa saber mais do que SELECT * FROM tabela.

Você deve praticar:

• Joins.
• CTEs.
• Window functions.
• Group by.
• Tratamento de nulos.
• Datas.
• Funis.
• Coortes.
• Agregações por período.
• Subqueries.
• Otimização básica.

Exemplo de pergunta comum em teste técnico:

“Calcule a taxa de conversão por canal nos últimos 30 dias, considerando usuários que visitaram, criaram conta e compraram.”

Isso exige entender negócio, tabelas, eventos e lógica. Não é só sintaxe.

2. Power BI, Looker Studio, Tableau ou Metabase

Em Florianópolis, muitas empresas usam Power BI, Looker Studio, Tableau, Metabase ou alguma ferramenta interna. Você não precisa dominar todas, mas precisa entender como construir um dashboard útil.

Um bom dashboard responde perguntas de negócio. Ele não é uma colagem de gráficos.

Pense em:

• Métricas principais no topo.
• Filtros simples.
• Comparação temporal.
• Segmentação por canal, região, produto ou perfil.
• Alertas visuais para variações importantes.
• Clareza para quem não é técnico.

3. Excel ou Google Sheets

Sim, planilha ainda importa. Muito.

Mesmo em empresas tech, você vai encontrar análises rápidas em Google Sheets, controles manuais, bases exportadas e pedidos urgentes de liderança.

Você deve saber:

• PROCV ou XLOOKUP.
• Tabelas dinâmicas.
• Fórmulas condicionais.
• Tratamento básico de texto.
• Datas.
• Gráficos.
• Validação de dados.
• Importação de CSV.

4. Python

Python não é obrigatório para toda vaga de Data Analyst, mas ajuda bastante. Ele aparece mais em vagas plenas, seniores ou empresas com time de dados mais maduro.

O foco não é virar desenvolvedor Python. Para análise, você precisa de:

• Pandas.
• Numpy.
• Matplotlib ou Seaborn.
• Jupyter Notebook.
• Leitura de CSV e APIs.
• Limpeza de dados.
• Análise exploratória.
• Automatização simples.

Se você está começando, priorize SQL antes de Python. Um candidato bom em SQL e BI geralmente compete melhor do que alguém que sabe um pouco de tudo e não aprofunda nada.

Habilidades de negócio que fazem diferença#

Aqui é onde muita gente se separa da multidão. Ferramenta todo mundo aprende. O que pouca gente faz bem é conectar dado com decisão.

Saber fazer boas perguntas

Antes de abrir o banco de dados, pergunte:

1. Qual decisão será tomada com essa análise?
2. Quem vai usar essa resposta?
3. Qual métrica realmente importa?
4. Existe alguma hipótese inicial?
5. Qual prazo e nível de precisão esperado?

Um exemplo simples: o gerente pede “quero saber por que as vendas caíram”.

Você pode sair puxando todos os dados possíveis. Ou pode quebrar melhor:

• Caiu em todas as regiões ou só em algumas?
• Foi queda de tráfego, conversão ou ticket médio?
• Algum canal de aquisição mudou?
• Teve ruptura de estoque?
• Alguma campanha acabou?
• Houve aumento de preço?
• O problema começou em uma data específica?

Isso mostra maturidade.

Storytelling com dados

Não basta mostrar gráfico. Você precisa contar uma história clara.

Uma boa apresentação de análise costuma ter:

• Contexto.
• Pergunta.
• Método.
• Principais achados.
• Impacto financeiro ou operacional.
• Recomendação.
• Próximos passos.

Imagine que você analisou churn em um SaaS local em Florianópolis. Em vez de falar “clientes com baixo uso cancelam mais”, você pode dizer:

“Clientes que usam menos de 3 funcionalidades no primeiro mês têm churn 2,4 vezes maior. Se o time de onboarding aumentar a ativação dessas funcionalidades, podemos reduzir cancelamentos em uma base que representa R$180k de receita mensal.”

Percebe a diferença? Isso soa como decisão de negócio.

Comunicação com áreas não técnicas

Você vai falar com marketing, vendas, produto, financeiro, atendimento e liderança. Nem todo mundo sabe SQL, estatística ou modelagem de dados.

Sua função é traduzir sem parecer arrogante.

Troque frases como:

• “A query usa window function com particionamento por cohort.”

Por:

• “Eu comparei clientes que entraram no mesmo período para ver como o comportamento muda mês a mês.”

Isso ajuda você a ganhar confiança.

Tipos de vaga que você deve procurar#

Nem toda vaga terá o nome “Data Analyst”. Em Florianópolis e em vagas remotas para o Brasil, procure também por:

• Analista de Dados.
• Analista de BI.
• Business Intelligence Analyst.
• Product Analyst.
• Growth Analyst.
• Marketing Analyst.
• Revenue Analyst.
• Operations Analyst.
• People Analytics Analyst.
• Analytics Engineer Júnior.
• Data Insights Analyst.

Se você está em transição de carreira, nomes como Marketing Analyst, Operations Analyst e BI Analyst podem ser portas de entrada melhores. Muitas dessas funções pedem dados, mas aceitam experiência anterior na área.

Por exemplo, se você já trabalhou com atendimento, pode buscar vagas de dados em Customer Success. Se veio de financeiro, pode mirar FP&A, risco, crédito ou revenue analytics.

Como montar um currículo que passa no ATS#

ATS é o sistema que muitas empresas usam para filtrar currículos antes de um humano olhar. Se o seu currículo não estiver bem escrito, ele pode ser ignorado mesmo que você seja bom.

A regra é simples: seu currículo precisa falar a língua da vaga.

O que colocar no resumo profissional

Evite frases genéricas como:

“Profissional proativo, comunicativo e em busca de novos desafios.”

Isso não vende você.

Prefira algo assim:

“Analista de Dados com experiência em SQL, Power BI e análise de indicadores comerciais. Atuei na criação de dashboards de vendas, acompanhamento de funil e identificação de oportunidades que apoiaram decisões de marketing e operações.”

Se você for júnior:

“Profissional em transição para Data Analytics, com projetos práticos em SQL, Power BI e Python. Desenvolvi análises de funil, churn e vendas usando bases públicas e simulações de negócio, com foco em transformar dados em recomendações claras.”

Como descrever experiências

Use números sempre que possível. Recrutador gosta de impacto concreto.

Em vez de:

• “Criei relatórios no Power BI.”

Use:

• “Criei dashboard em Power BI para acompanhar vendas semanais, reduzindo em 6 horas por semana o tempo gasto com relatórios manuais.”

Em vez de:

• “Analisei dados de clientes.”

Use:

• “Analisei comportamento de 25 mil clientes e identifiquei segmentos com churn 35% maior, apoiando ações de retenção do time de CS.”

Mesmo que você não tenha todos os números, tente estimar com honestidade. Tempo economizado, volume de dados, número de usuários, receita acompanhada, taxa de conversão, redução de erro e melhoria de SLA são ótimos indicadores.

Palavras-chave importantes

Inclua palavras que aparecem nas vagas, desde que você realmente saiba falar sobre elas:

• SQL.
• Power BI.
• Tableau.
• Looker Studio.
• Excel.
• Google Sheets.
• Python.
• Pandas.
• ETL.
• KPIs.
• Métricas.
• Dashboard.
• Análise exploratória.
• Funil de conversão.
• Churn.
• Retenção.
• Receita.
• Cohort analysis.
• A/B testing.
• BigQuery.
• Snowflake.
• Redshift.
• Metabase.
• dbt.

Não coloque uma lista gigante sem contexto. O ideal é conectar ferramentas a resultados nas experiências e projetos.

Portfólio para Data Analyst: o que realmente impressiona#

Portfólio não precisa ser perfeito. Precisa provar que você pensa como analista.

Um bom portfólio tem 3 a 5 projetos bem explicados. Melhor isso do que 20 dashboards soltos.

Projeto 1: análise de vendas

Você pode usar uma base pública de e-commerce e responder:

• Qual categoria mais vende?
• Qual região tem maior ticket médio?
• Quais meses têm sazonalidade?
• Onde há queda de conversão?
• Quais produtos geram maior receita?

Entregáveis:

• Dashboard.
• SQL usado.
• Resumo executivo.
• Recomendações.

Projeto 2: churn em SaaS

Simule ou use uma base pública de clientes.

Perguntas:

• Quem cancela mais?
• O churn muda por plano?
• O uso do produto afeta retenção?
• O tempo de onboarding influencia?
• Quais ações poderiam reduzir cancelamento?

Esse tipo de projeto conversa muito com empresas SaaS de Florianópolis.

Projeto 3: marketing e funil

Use dados de campanhas ou uma base pública.

Analise:

• Custo por lead.
• Conversão por canal.
• CAC.
• ROAS.
• Receita por campanha.
• Qualidade dos leads.

Esse projeto é ótimo para vagas em growth, marketing analytics e performance.

Projeto 4: produto digital

Aqui você pode trabalhar com eventos de usuário.

Métricas interessantes:

• Ativação.
• Retenção D1, D7 e D30.
• Frequência de uso.
• Adoção de funcionalidades.
• Funil de cadastro.
• Conversão para plano pago.

Empresas como Nubank, iFood, Magalu e Globo valorizam muito esse tipo de raciocínio em times de produto.

Como se preparar para entrevistas#

Entrevista de Data Analyst costuma misturar conversa comportamental, técnica e case.

Você deve treinar respostas para três blocos.

1. Perguntas comportamentais

Exemplos:

• Conte sobre uma análise que gerou impacto.
• Como você lida com pedido mal definido?
• Fale de uma vez em que discordou de uma área de negócio.
• Como você prioriza demandas?
• Como explica dados para uma pessoa não técnica?

Use a estrutura:

1. Contexto.
2. Problema.
3. Ação.
4. Resultado.

Exemplo:

“No time comercial, recebíamos pedidos semanais de relatório manual. Mapeei as perguntas mais frequentes, criei um dashboard no Power BI com filtros por vendedor e região, e treinei o time. O tempo de fechamento semanal caiu de 8 horas para 2 horas, e a liderança passou a acompanhar oportunidades em atraso com mais rapidez.”

2. SQL ao vivo ou teste técnico

Você pode receber uma base e perguntas para resolver. O segredo é explicar seu raciocínio.

Antes de escrever código, confirme:

• Qual é a unidade da análise?
• O que conta como usuário ativo?
• Qual período deve ser considerado?
• Existem registros duplicados?
• Qual tabela é a fonte confiável?

Se travar em sintaxe, fale seu caminho lógico. Muitas empresas avaliam pensamento, não só resposta final.

3. Case de negócio

Exemplo:

“As vendas do app caíram 20% no último mês. Como você investigaria?”

Uma boa resposta:

1. Confirmaria se o dado está correto.
2. Quebraria por período, canal, região, plataforma e categoria.
3. Separaria tráfego, conversão e ticket médio.
4. Verificaria mudanças em campanhas, preço, estoque ou produto.
5. Compararia com sazonalidade e histórico.
6. Montaria hipóteses.
7. Indicaria ações e próximos testes.

Isso mostra que você não sai culpando o primeiro gráfico que aparece.

Networking em Florianópolis sem ser chato#

Muita vaga boa nem chega a ser publicada. Ou chega, mas quem tem indicação sai na frente.

Em Florianópolis, vale acompanhar eventos, comunidades e pessoas de tecnologia. Você não precisa virar influencer. Só precisa aparecer com consistência.

Algumas ações simples:

• Atualize seu LinkedIn com foco em dados.
• Publique aprendizados de projetos.
• Comente em posts de empresas locais.
• Converse com analistas que trabalham onde você quer entrar.
• Participe de meetups de dados, produto e tecnologia.
• Mande mensagens curtas e educadas.

Mensagem boa para LinkedIn:

“Oi, Ana. Vi que você trabalha com dados em uma empresa SaaS em Florianópolis. Estou me preparando para vagas de Data Analyst e achei interessante sua trajetória. Posso te fazer 2 perguntas rápidas sobre como é o dia a dia da área?”

Sem pedir emprego logo de cara. Primeiro crie conversa.

Depois, se fizer sentido:

“Obrigado pelas dicas. Vi uma vaga de Data Analyst no time de vocês e meu perfil parece alinhado com SQL, Power BI e análise de funil. Você se sentiria confortável em me indicar?”

Simples e respeitoso.

Plano de 90 dias para conseguir entrevistas#

Se você está meio perdido, siga um plano enxuto. O objetivo não é estudar para sempre. É chegar em entrevistas.

Dias 1 a 30: base técnica

Foque em:

• SQL todos os dias, pelo menos 45 minutos.
• Um curso ou prática de Power BI.
• Revisão de Excel ou Google Sheets.
• Leitura de descrições de vagas.
• Lista das 30 empresas que você quer monitorar.

Meta do mês:

• Resolver 50 exercícios de SQL.
• Criar 1 dashboard simples.
• Montar primeira versão do currículo.
• Ajustar LinkedIn.

Dias 31 a 60: portfólio e currículo

Foque em:

• 2 projetos completos de dados.
• Descrição dos projetos em formato de case.
• Currículo com palavras-chave das vagas.
• Simulações de entrevista.
• Aplicação para vagas júnior e pleno inicial.

Meta do mês:

• Publicar 2 projetos no GitHub, Notion ou site pessoal.
• Fazer 20 candidaturas bem ajustadas.
• Pedir feedback para 3 pessoas.
• Conversar com 5 profissionais no LinkedIn.

Dias 61 a 90: entrevistas e refinamento

Foque em:

• Treinar cases.
• Revisar SQL intermediário.
• Melhorar respostas comportamentais.
• Aplicar para vagas remotas.
• Acompanhar retorno das candidaturas.

Meta do mês:

• Fazer 40 candidaturas qualificadas.
• Ter pelo menos 5 conversas de networking.
• Simular 3 entrevistas.
• Ajustar currículo com base nos resultados.

Não mande o mesmo currículo para tudo. Se a vaga fala muito de marketing, destaque funil, CAC, campanhas e conversão. Se fala de produto, destaque ativação, retenção, comportamento de usuário e experimentos.

Erros comuns que te tiram do processo#

Alguns erros parecem pequenos, mas pesam muito.

Currículo genérico

Se o currículo poderia servir para qualquer vaga, ele provavelmente não serve bem para nenhuma.

Personalize o resumo, habilidades e principais experiências.

Portfólio sem contexto

Dashboard bonito sem explicação não convence.

Explique:

• Qual era o problema.
• Qual base você usou.
• O que analisou.
• Quais insights encontrou.
• O que recomendaria.

Focar só em ferramenta

Power BI e Python são meios, não fim.

Empresas contratam você para melhorar decisão, reduzir custo, aumentar receita, encontrar risco, entender cliente e priorizar ações.

Não saber falar de métricas

Se você quer Data Analyst, precisa se sentir confortável com métricas como:

• Conversão.
• Retenção.
• Churn.
• Receita.
• Margem.
• CAC.
• LTV.
• Ticket médio.
• NPS.
• SLA.
• Ativação.
• Engajamento.

Você não precisa ser especialista em todas, mas deve entender o básico e saber perguntar.

Aplicar pouco

Muita gente manda 5 currículos, não recebe resposta e conclui que o mercado está impossível.

Processo seletivo tem volume, ajuste e timing. Para uma pessoa júnior, pode ser normal fazer 50 a 100 candidaturas até conseguir boas entrevistas.

A diferença é não mandar tudo no automático.

Remoto, híbrido ou presencial em Floripa#

Em 2026, você provavelmente verá os três modelos.

O presencial pode aparecer em empresas menores ou times que valorizam proximidade. O híbrido deve continuar comum, com 2 ou 3 dias no escritório. O remoto segue forte, mas mais concorrido, porque recebe candidatos do Brasil inteiro.

Se você mora em Florianópolis, São José, Palhoça ou Biguaçu, destaque disponibilidade para híbrido quando isso for vantagem. Algumas empresas gostam de candidatos locais porque facilita onboarding e encontros de time.

Mas não se limite. Candidate-se também para vagas remotas em São Paulo, Curitiba, Rio, Belo Horizonte e empresas internacionais.

Como negociar salário#

Quando perguntarem pretensão salarial, responda com faixa, não número fechado.

Exemplo:

“Para posições plenas em Data Analytics, considerando escopo com SQL, BI e análise de negócio, estou mirando algo entre R$9k e R$12k CLT, mas posso avaliar o pacote completo.”

Se for sênior:

“Para uma posição sênior, estou considerando faixas entre R$14k e R$18k CLT, dependendo de escopo, bônus e modelo de trabalho.”

Para vaga internacional:

“Para contrato remoto internacional, minha expectativa está na faixa de $60k a $80k anuais, dependendo de responsabilidades e benefícios.”

Pesquise antes. E lembre que pacote inclui:

• CLT ou PJ.
• Bônus.
• PLR.
• Stock options.
• Vale refeição.
• Plano de saúde.
• Férias.
• Horário flexível.
• Modelo remoto.
• Orçamento para cursos.

Às vezes uma vaga de R$12k CLT com benefícios bons vale mais do que R$15k PJ sem segurança nenhuma.

Seu próximo passo#

Vagas de Data Analyst em Florianópolis em 2026 vão recompensar quem une técnica, clareza e visão de negócio. Você não precisa ser perfeito, mas precisa mostrar que consegue pegar uma pergunta confusa, organizar os dados, encontrar padrões e recomendar um caminho.

Comece pelo básico bem feito: SQL forte, BI apresentável, currículo com impacto, portfólio com contexto e networking simples. Depois, aplique com consistência e melhore a cada resposta.

Antes de mandar mais candidaturas, confira se seu currículo está pronto para passar pelos filtros automáticos. Faça uma análise gratuita no JobRise e veja onde melhorar: https://jobrise.io/pt/free-ats-checker/