Data Analytics: o que é, os 4 tipos e por onde começar

Data analytics (análise de dados) é o processo de coletar, organizar e analisar dados para responder perguntas de negócio e apoiar decisões. Ela transforma números soltos, como cliques, vendas e leads, em informação que alguém consegue usar para decidir o que fazer na semana seguinte.

Na prática, a maioria das empresas não sofre com falta de dados. Sofre com dados espalhados em ferramentas que não conversam, métricas sem dono e relatórios que ninguém usa. Este guia mostra como organizar isso, do conceito ao primeiro passo.

Os 4 tipos de análise de dados

Cada tipo responde a uma pergunta diferente. Quanto mais para a direita da tabela, mais valor e mais dificuldade.

	Descritiva	Diagnóstica	Preditiva	Prescritiva
Pergunta	O que aconteceu?	Por que aconteceu?	O que deve acontecer?	O que devo fazer?
Exemplo em marketing	Leads gerados no mês	Por que o custo por lead subiu	Quais leads têm mais chance de comprar	Onde realocar o orçamento de mídia
Base necessária	Dados coletados e confiáveis	Dados segmentados e cruzáveis	Histórico longo e modelos estatísticos	Modelos e regras de negócio claras

A maior parte do valor que uma empresa extrai no começo está nos dois primeiros tipos. Modelos preditivos só funcionam bem quando a base descritiva é sólida.

Data analytics, BI, ciência de dados e analytics de marketing

Os termos se misturam, mas têm focos diferentes:

Data analytics: analisar dados para responder perguntas específicas.
Business Intelligence (BI): painéis e relatórios recorrentes que acompanham os indicadores do negócio.
Ciência de dados: modelos estatísticos e de machine learning para prever ou automatizar.
Analytics de marketing: análise aplicada a canais, campanhas e jornada do cliente, normalmente com Google Analytics 4, CRM e plataformas de mídia.

As etapas do processo

Definir a pergunta. Sem pergunta, vira relatório. Exemplo: "qual canal traz os leads que mais viram venda?".
Coletar. Reunir dados de site, mídia paga, CRM, e-mail e vendas.
Limpar e organizar. Padronizar nomes, remover duplicidades e definir uma fonte única para cada métrica.
Analisar. Segmentar, comparar períodos, cruzar fontes e buscar o motivo por trás do número.
Visualizar. Montar um painel simples, com poucos indicadores e um dono para cada um.
Agir e medir de novo. A análise só conta quando muda uma decisão. Depois, mede-se o efeito.

Por onde começar

A ordem importa, porque cada passo prepara o seguinte.

Escolha de 3 a 5 perguntas de negócio. Por exemplo: de onde vêm os clientes, quanto custa conquistar um e quais etapas do funil perdem mais gente.
Defina as métricas e quem responde por cada uma. Escreva a fórmula. "Lead" precisa significar a mesma coisa para marketing e vendas.
Garanta a coleta. Instale o Google Tag Manager, configure o GA4 com os eventos de conversão importantes (formulário, clique no WhatsApp, compra) e respeite o consentimento do usuário.
Conecte as fontes. Una site, mídia e CRM com parâmetros UTM padronizados. É aqui que a maioria dos projetos trava.
Monte um painel enxuto. Uma página, poucos números e comparação com o período anterior.
Crie uma rotina. Uma reunião curta e recorrente para olhar os números e decidir uma ação.

Ferramentas por categoria

Não existe a ferramenta certa, e sim a combinação que cabe no seu momento:

Coleta: Google Tag Manager e GA4.
Armazenamento: planilhas no início, depois um data warehouse como o BigQuery.
Transformação: SQL e rotinas de tratamento.
Visualização: Looker Studio, Power BI ou Tableau.
Ativação: CRM e automação, para usar o dado na comunicação e na mídia.

Erros comuns

Começar pela ferramenta e não pela pergunta.
Medir tudo e priorizar nada.
Ter números diferentes para a mesma métrica em cada área.
Não padronizar UTMs, o que quebra a origem dos leads.
Ignorar a qualidade do dado e confiar em um painel bonito com base errada.
Entregar relatório sem recomendação de ação.

Como saber se está funcionando

Três sinais simples: as áreas concordam sobre os números, as decisões citam os dados e é possível explicar por que um resultado subiu ou caiu. Se os relatórios continuam gerando dúvidas sobre a origem do número, a base ainda precisa de trabalho.

Perguntas rápidas

O que é data analytics em uma frase?

É o processo de transformar dados em informação útil para decisões, passando por coleta, organização, análise e ação.

Qual a diferença entre data analytics e BI?

BI acompanha indicadores de forma recorrente, em painéis e relatórios. Data analytics é mais amplo e inclui análises sob demanda para responder perguntas específicas, como investigar a causa de uma queda.

Preciso de um data warehouse para começar?

Não. Muitas empresas começam bem com GA4, planilhas e um painel no Looker Studio. O data warehouse faz sentido quando o volume cresce ou quando é preciso cruzar muitas fontes.

Por onde começar a carreira em data analytics?

Pelos fundamentos: Excel ou planilhas, SQL, noções de estatística e uma ferramenta de visualização. Praticar com dados reais de um negócio acelera mais do que qualquer curso isolado.

Quer organizar os dados do seu marketing? Veja também SEO, AEO e GEO: a diferença e por onde começar ou fale comigo.