Data Analysis

• Você precisa depurar um KPI, investigar um pico ou queda em uma métrica, ou explicar por que um número mudou.
• Você está executando um teste A/B, análise de coorte ou revisão de funil e precisa de uma interpretação estatisticamente sólida — não apenas um número bruto.
• Você está preparando um relatório executivo ou briefing para stakeholders e precisa que os resultados sejam enquadrados como uma decisão, não como um despejo de dados.
• Você está trabalhando com SQL, notebooks Python, planilhas ou exportações de ferramentas de BI e a parte difícil é o julgamento analítico: o que medir, como comparar e o que isso realmente significa.

• Você só precisa de formatação mecânica de planilhas ou ajuda com sintaxe SQL pura sem nenhuma camada analítica — as skills complementares sql ou csv podem ser suficientes.
• Você precisa construir ou configurar um dashboard ao vivo ou pipeline de relatórios; considere as skills dashboard ou business-intelligence em vez disso.
• A qualidade dos dados é muito baixa ou o tamanho da amostra é pequeno demais para suportar qualquer inferência confiável — esta skill irá sinalizar isso e bloquear conclusões sem embasamento em vez de gerar falsa confiança.

Antes de tocar em qualquer dado, a skill ancora toda análise em uma decisão concreta: quem é o responsável por ela, o que mudaria se o resultado fosse X ou Y, e qual é o prazo relevante. Uma análise sem uma decisão clara é tratada como incompleta.

Todo cálculo é vinculado a um contrato de métrica explícito: entidade, granularidade, numerador, denominador, janela de tempo, fuso horário, filtros, exclusões e fonte de verdade. As ambiguidades são identificadas antes que os resultados sejam apresentados, evitando mudanças silenciosas de definição.

A skill valida a suficiência do tamanho da amostra, a equidade entre grupos de comparação, o risco de comparações múltiplas, a significância prática versus estatística e a quantificação de incertezas. Os resultados são apresentados como intervalos (ex.: "aumento de 12–18%") em vez de estimativas pontuais imprecisas.

A skill mapeia perguntas analíticas para o método correto: testes de hipótese para comparações, regressão para previsão, análise de coorte para retenção, segmentação para diferenças entre grupos e detecção de anomalias para padrões incomuns — cada um com os principais resultados adequados.

Cada resultado é estruturado da seguinte forma: resposta, evidências, nível de confiança, ressalvas e próxima ação recomendada. Os outputs voltados para stakeholders traduzem descobertas técnicas em implicações de negócio, em vez de apresentar a metodologia em primeiro plano.

A skill sinaliza ativamente armadilhas de análise como nomes de KPI reutilizados após mudanças de definição, mistura de grãos de agregação em um único gráfico, exibição de percentuais sem as contagens subjacentes e busca de narrativas post-hoc — antes que comprometam uma decisão.

Após executar um experimento de produto, use esta skill para validar o tamanho da amostra, verificar efeitos de novidade, calcular o tamanho do efeito com intervalos de confiança e produzir um resumo para stakeholders indicando se o resultado está pronto para tomada de decisão ou requer testes adicionais.

Quando uma métrica-chave se move de forma inesperada, a skill percorre a verificação do contrato da métrica, decomposição por segmento, consistência de granularidade temporal e verificações de fatores de confusão para identificar se o movimento é um sinal real ou um artefato de problemas de definição ou qualidade dos dados.

Converta resultados brutos de consultas ou saídas de notebooks em resumos estruturados para tomada de decisão — começando pela principal descoberta, quantificando a incerteza, declarando o que os dados não são capazes de revelar e recomendando a próxima ação — adequados para lideranças ou partes interessadas multifuncionais.

Analise como diferentes coortes de usuários se comportam ao longo do tempo, produza curvas de retenção segmentadas por período de aquisição ou segmento, e interprete se as diferenças observadas são estatisticamente significativas ou estão dentro do ruído esperado.