Análise de Dados: ETL, visualização e qualidade
Escopo
O conteúdo cobre ciclo analítico (coleta, limpeza, transformação, modelagem, visualização), ETL/ELT, data warehouse e data lake, qualidade de dados, métricas e KPIs, visualização e noções de estatística aplicada e storytelling com dados.
Conceitos essenciais
ETL transforma antes de carregar; ELT carrega e transforma no destino, comum em nuvem. Data warehouse armazena dados estruturados e modelados; data lake guarda dados brutos em vários formatos. Dimensões e fatos compõem o modelo estrela. Qualidade de dados envolve completude, acurácia, consistência, tempestividade e unicidade. KPIs devem ser específicos, mensuráveis e acionáveis. Em visualização, escolha o gráfico pelo tipo de dado: barras para comparação, linhas para tendência, dispersão para correlação. Correlação não implica causalidade.
Armadilhas
Confundir data lake com data warehouse; achar que mais dados sempre melhoram a análise; tratar média como representação universal; apresentar correlação como causa; escolher gráfico de pizza com muitas categorias.
Regra prática
Antes de analisar, responda: qual é a pergunta de negócio? Sem ela, a métrica vira ruído. Depois verifique granularidade e período.
Exemplo trabalhado: Um relatório mostra queda de transações no app. Antes de concluir “piora do serviço”, verifique se a base mudou (nova versão do app, período, filtro). Muitas “quedas” são artefatos de medição.
Inteligência Artificial e Automação: conceitos e uso responsável
Escopo
Cobram-se fundamentos de IA (aprendizado supervisionado, não supervisionado, reforço), machine learning (treino, validação, teste, overfitting), processamento de linguagem natural, IA generativa, RPA e automação de processos, além de ética, viés e LGPD.
Conceitos essenciais
Supervisionado usa rótulos (classificação, regressão); não supervisionado busca estrutura (clusterização); reforço aprende por recompensa. Overfitting ocorre quando o modelo decora o treino e falha na generalização; combate-se com mais dados, regularização e validação cruzada. Métricas: acurácia, precisão, recall, F1. Em classificação desbalanceada, acurácia engana. IA generativa produz conteúdo novo a partir de padrões aprendidos; pode alucinar. RPA automatiza tarefas repetitivas baseadas em regras; é diferente de IA, que lida com padrões complexos.
Armadilhas
Dizer que IA “entende” como humano; confundir RPA com IA; ignorar viés nos dados de treino; achar que mais parâmetros sempre melhoram; esquecer que dados pessoais exigem base legal na LGPD.
Regra prática
Pergunte: a tarefa é baseada em regra ou baseada em padrão? Regra → RPA. Padrão → IA/ML.
Exemplo trabalhado: Um modelo com 99% de acurácia em base com 99% de casos negativos pode ser inútil: ele acerta tudo prevendo “negativo”. Por isso, avalie precisão e recall.
Governança de TI: COBIT, ITIL e alinhamento estratégico
Escopo
Governança de TI trata de alinhamento entre TI e negócio, gestão de riscos, conformidade, COBIT, ITIL, gestão de serviços, contratos e SLA, auditoria e LGPD.
Conceitos essenciais
Governança define direção (avaliar, dirigir, monitorar); gestão executa. COBIT é framework de governança e controle, com foco em objetivos corporativos de TI. ITIL organiza o ciclo de vida de serviços: estratégia, desenho, transição, operação e melhoria contínua. SLA define níveis de serviço acordados; OLA é acordo interno. Gestão de riscos envolve identificar, avaliar, tratar e monitorar. LGPD exige base legal, finalidade, segurança e direitos do titular.
Armadilhas
Trocar COBIT por ITIL (governança × serviços); confundir SLA com OLA; achar que governança é responsabilidade exclusiva da TI; ignorar que conformidade não garante eficiência; confundir incidente com problema no ITIL.
Regra prática
Classifique a questão: se fala em direção, risco e conformidade, pense COBIT; se fala em serviço, incidente e melhoria, pense ITIL.
Exemplo trabalhado: “Reduzir o tempo de restauração de um serviço após falha.” É gestão de serviços (ITIL), não governança (COBIT).
Metodologias Ágeis e Inovação: Scrum, Kanban e cultura
Escopo
O conteúdo cobra Manifesto Ágil, Scrum (papéis, eventos, artefatos), Kanban, XP, SAFe em nível introdutório, métricas ágeis e cultura de inovação (design thinking, lean startup, MVP).
Conceitos essenciais
Scrum tem três papéis: Product Owner (valor), Scrum Master (processo) e Developers (execução). Eventos: Sprint, Planejamento, Daily, Revisão e Retrospectiva. Artefatos: Product Backlog, Sprint Backlog e Incremento. Kanban usa quadro visual com limites de WIP, otimizando fluxo. XP enfatiza práticas de engenharia (TDD, pair programming, integração contínua). MVP é a menor versão que gera aprendizado validado - não é versão “incompleta”. Design thinking combina empatia, definição, ideação, prototipação e teste.
Armadilhas
Dizer que Scrum Master é gerente de projeto; confundir Product Backlog com Sprint Backlog; achar que ágil significa ausência de planejamento; tratar MVP como produto final; confundir Kanban com Scrum (Kanban não prescreve papéis nem sprints).
Regra prática
Pergunte: a questão trata de valor/produto (PO), processo/facilitação (SM) ou execução técnica (Developers)? A resposta elimina alternativas rapidamente.
Exemplo trabalhado: “Quem prioriza o Product Backlog?” O Product Owner. O Scrum Master facilita o processo, mas não define prioridade de negócio.