Data Analyst
O agente escreve o SQL, constrói os dashboards e roda as queries. Seu dia são as perguntas que só um humano consegue fazer e a interpretação que só um humano consegue fazer. O ofício vai de escrever query para enquadrar pergunta.
O trabalho
Você responde perguntas com as quais decisores se importam: sobre clientes, produto, operações, receita. O agente cuida de grande parte do que costumava consumir a maior parte do seu dia: escrever SQL, construir dashboards, rodar queries ad hoc, montar gráficos, limpeza básica de dados. Você cuida do enquadramento da pergunta, da interpretação, do storytelling e do julgamento sobre o que é, de fato, verdade.
No dia a dia, você:
- Enquadra a pergunta corretamente. Quando um líder pergunta "os clientes estão usando a feature X?", em geral significa algo mais específico. Seu trabalho é traduzir o pedido em pergunta precisa e respondível. O agente não faz isso bem; você sim.
- Especifica que dado puxar e como interpretá-lo. O que conta como "uso", o que conta como "cliente", qual janela de tempo, qual segmentação. O agente roda a query contra sua especificação.
- Cura output produzido pelo agente. Gráficos, tabelas, dashboards: o agente constrói; você seleciona, refina e decide o que conta a verdade sem induzir a erro.
- Conta a história. Achados, implicações, recomendações. O dado não fala por si só; você o faz falar.
- Cuida de anomalias e surpresas. Quando o dado mostra algo inesperado, você investiga antes de reportar. Dado ruim, métrica mal-rotulada, edge cases: o agente não nota; você sim.
- Valida em gates graduados por risco. Reporting rotineiro flui pela revisão somente-agente. Achados que dirigem decisões maiores, análises voltadas a executivos, dado voltado ao cliente e análises metodologicamente novas exigem sua assinatura direta.
- Mantém o modelo de dados e as definições. O que significa "usuário ativo" nesta empresa? Qual é o cálculo oficial de churn? As definições são a fundação; você cuida delas.
- Faz parceria entre áreas. Produto, Vendas, CS, Marketing, Engenharia, Finanças: todos fazem perguntas a você. Com trabalho rotineiro de query absorvido, você consegue engajar de forma substantiva com cada um.
Como é o sucesso
Resultados concretos neste nível:
- Qualidade de apoio à decisão. Decisões tomadas a partir das suas análises se sustentam ao longo do tempo. Suas análises informam o que de fato acontece, não só o que é discutido.
- Coerência de definição. Métricas em toda a empresa têm definições consistentes. As pessoas param de discutir se estão olhando o mesmo número.
- Tempo para insight. Perguntas são respondidas rápido: horas a dias, não semanas. O agente faz a maior parte do trabalho; seu julgamento transforma trabalho em insight.
- Confiança entre áreas. Líderes em várias funções confiam nos seus números e na sua interpretação. Seu trabalho informa estratégia.
- Qualidade de dado. Problemas de qualidade, instrumentação ou rotulagem são capturados e abordados. A fundação de dado melhora ao longo do tempo.
O que não conta como sucesso: dashboards construídos, queries rodadas, slides produzidos, relatórios "self-service" que ninguém lê.
O que torna esse trabalho interessante
A parte interessante não é o SQL. É a interpretação, o storytelling e o assento estratégico à mesa.
Você faz as perguntas que só um humano consegue fazer. "O que isso significa?" "Devemos nos preocupar?" "O que faríamos diferente se soubéssemos disso?" O agente traz padrões; você traz significado.
O alcance entre áreas se amplia substancialmente. Vendas, Produto, Marketing, CS, Operações, Finanças: todos precisam de você. Com o trabalho de query absorvido, você tem tempo para engajamento substantivo com cada um. Poucos papéis enxergam tanto da empresa.
Interpretação é um ofício. O dado tem muitas histórias possíveis. Escolher a certa (a que é verdadeira, acionável e honesta sobre incerteza) é habilidade real. Pessoas que gostavam de trabalho com dado porque gostavam de fazer sentido das coisas acham isso concentrado.
Você é parceiro estratégico, não gerador de relatório. Quando decisores pensam em decisões grandes, você está na conversa. O papel no T3 é mais perto de consultoria interna do que de analytics histórico.
As perguntas ficam mais difíceis. Com reporting rotineiro absorvido, o trabalho que sobra são as perguntas genuinamente interessantes. Por que esse segmento está dando churn? Qual é o indicador líder de expansão? Qual feature de fato dirige retenção? As perguntas recompensam pensamento, não só query.
Trabalho de definição compõe. Um modelo de dado limpo com definições coerentes é um dos ativos mais valiosos que uma empresa tem. Construir e mantê-lo é um ofício; o trabalho compõe ao longo dos anos.
Você enxerga o negócio em tempo real. Reconhecimento de padrão entre muitas análises te dá uma perspectiva que a maior parte dos líderes funcionais não tem. Data analysts no T3 frequentemente viram conselheiros do time executivo bem além do seu escopo formal.
A mobilidade de carreira é real. Data analysts que se desenvolvem no T3 vão para Produto, Operações, Estratégia, Finanças, papéis executivos de analytics. As habilidades transferíveis (enquadramento de pergunta, interpretação, comunicação entre áreas) são valiosas em todo lugar.
O que pode não agradar. Se sua identidade profissional estava enraizada em arte de SQL (a satisfação de escrever uma query bonita, construir um dashboard inteligente, ajustar uma pipeline analítica complexa), esse trabalho se absorve no agente. Analistas que vieram para o papel pelo ofício técnico da análise às vezes acham o novo papel mais difuso e menos hands-on. Você também vive no desconforto de informação parcial; as perguntas que você responde raramente têm fechamento limpo, e às vezes pessoas vão ignorar o que sua análise mostra. A sensação histórica de data analyst de "entreguei o relatório e o problema agora é deles" em grande parte desaparece no T3: você está na conversa sobre o que fazer, o que é mais difícil e às vezes frustrante.
Quem prospera nesse papel
As aptidões que mais importam no T3 são intelectuais, interpretativas e de parceria, diferentes das forças de artesão de query.
Você é genuinamente curioso sobre o que está realmente acontecendo. Não só o que o dado mostra, o que é verdade. Analistas que perseguem o porquê superam analistas que entregam o quê.
Você enquadra perguntas bem. A maior parte dos pedidos analíticos é ambígua no primeiro pedido. Pessoas que clarificam antes de rodar query produzem análises mais úteis do que quem encaixa padrão e mergulha.
Você desconfia de histórias limpas. Quando o dado conta uma narrativa arrumada, você investiga. Quando os números parecem consistentes demais ou dramáticos demais, você confere a instrumentação. Ceticismo saudável é a proteção do analista contra estar errado.
Você comunica sem perder nuance. Traduzir achados complexos em recomendações claras sem achatar a incerteza. Analistas que sustentam "isso é o que vemos, isso é o que é robusto, isso é o que não é" produzem confiança.
Você é paciente com trabalho de definição. Construir definições coerentes de métricas é nada sexy e composto. Analistas que não toleram isso produzem empresas inconsistentes; analistas que aguentam constroem as fundações em que todo o resto se apoia.
Você faz parceria entre áreas sem ser capturado por uma. Analistas fortes mantêm perspectiva mesmo trabalhando de perto com uma função única. Analistas que viram extensão de Produto ou Vendas perdem o valor de julgamento independente que poderiam, de outro jeito, oferecer.
Você escreve com clareza. Achados, memos, dashboards com texto explicativo. Analistas que escrevem com clareza são ouvidos; analistas que só entregam números sem narrativa são desviados.
Você lida bem com estar errado. Análise às vezes está errada: dado ruim, pergunta mal enquadrada, variável perdida. Analistas que atualizam com elegância quando provados errados constroem confiança; analistas que defendem análises ruins perdem credibilidade.
Menos essencial do que antes: profundidade em qualquer dialeto específico de SQL, domínio de qualquer ferramenta de BI específica, capacidade de otimizar queries complexas à mão, velocidade de produção de dashboard. O agente absorve isso. Seu valor está em enquadramento de pergunta, interpretação e julgamento.
Habilidades para desenvolver
As aptidões descrevem disposição. As habilidades abaixo são o que você constrói ativamente.
Enquadramento de pergunta. Transformar pedidos ambíguos em perguntas precisas e respondíveis. Como praticar: antes de qualquer análise, escreva a pergunta que você vai responder. Peça ao solicitante para revisar. Onde ele disser "não era bem isso que eu quis dizer" é onde seu enquadramento precisa de trabalho.
Especificação de análise. Escrever o que puxar, como segmentar, como interpretar, o que conta como sucesso. Como praticar: para qualquer análise, escreva a spec antes de o agente rodar. Acompanhe quando a spec deixou algo passar; refine.
Ofício do ceticismo. Detectar dado ruim, visualizações enganosas, correlações espúrias. Como praticar: antes de reportar qualquer achado, gere três explicações alternativas. Teste cada uma. A versão disciplinada disso previne decisões ruins.
Storytelling com dado. Achados, implicações, recomendações: escritos para que não-analistas consigam agir. Como praticar: para cada achado relevante, escreva um memo de uma página. Peça a alguém não-analista para ler; refine até ele conseguir agir.
Custódia de definição. Manter definições coerentes de métrica em toda a empresa. Como praticar: pegue uma métrica que as pessoas discutem. Escreva a especificação definitiva. Obtenha buy-in entre áreas. A disciplina compõe.
Comunicação entre áreas. Escrever para Produto, Vendas, Marketing, CS, Finanças, Engenharia ao mesmo tempo. Como praticar: rascunhe um achado. Mostre a uma pessoa de cada função. Onde se confundirem ou interpretarem diferente é onde a escrita precisa de trabalho.
Investigação de anomalia. Quando o dado mostra algo surpreendente, investigar antes de reportar. Como praticar: acompanhe surpresas. Para cada uma, escreva um breve sobre se era real, problema de instrumentação ou deriva de definição. O padrão é seu treino.
Disciplina de relevância para decisão. Não rodar análises em que ninguém vai agir. Como praticar: antes de qualquer análise nova, escreva qual decisão ela vai informar. Se você não consegue nomear a decisão, não rode.
Escolha a habilidade que mapeia para sua decepção analítica mais recente. Pratique-a por um mês.
Como isso difere do papel histórico de Data Analyst
| Data Analyst histórico (pré-IA) | Data Analyst (nativo em IA) |
|---|---|
| Tempo considerável escrevendo SQL, construindo dashboards, atendendo pedidos ad hoc | SQL, construção de dashboard e queries ad hoc se absorvem no agente; o tempo vai para enquadramento de pergunta e interpretação |
| A maior parte do trabalho é reativa: alguém pede, você entrega | A maior parte do trabalho é proativa: você enquadra e prioriza o que vale investigar |
| Dashboards proliferam; poucos são lidos consistentemente | Dashboards são curados; os que existem são usados |
| Definições são inconsistentes entre relatórios | Definições são cuidadas; a coerência é real |
| Os melhores analistas são os mais fluentes tecnicamente | Os melhores analistas são os enquadradores de pergunta mais afiados e os escritores mais claros |
| Stakeholders tratam analistas como geradores de relatório | Stakeholders tratam analistas como parceiros estratégicos |
| Trajetória: Analyst → Senior Analyst → Manager of Analytics | Mesma trajetória, mais movimento lateral para Produto, Operações, Estratégia, papéis executivos |
O papel não é um data analyst mais rápido. É um papel diferente: o ofício técnico se absorve e o ofício interpretativo se expande.
Quais padrões de evolução de papéis estão em jogo
- Elevação (primário, drástico). Este é um dos papéis mais transformados no catálogo. O valor migra do ofício de query para enquadramento de pergunta, interpretação e storytelling.
- Especialização (secundário). O papel se estreita ao núcleo humano irredutível: o trabalho interpretativo e de parceria que o agente faz mal.
- Convergência (parcial). As fronteiras com Produto (analytics), Operações (business intelligence) e Specification Owner (trabalho de definição) se diluem à medida que o papel de analista ganha tempo para engajamento substantivo entre áreas.
Absorção se aplica fortemente a tarefas específicas (escrita de SQL, produção de dashboard, limpeza manual de dado). Emergência se aplica a algumas responsabilidades novas (custódia de definição no escopo da empresa, curadoria de output do agente).
Papéis relacionados no catálogo
parceiro frequente; trabalho de analytics de produto intersecciona com a medição de resultado do PM
papel emergente adjacente; alguns analistas evoluem em direção a ele
parceiro em desenho de fluxo de pipeline de dado em escala nativa em IA
Fontes e leituras adicionais
- Patel, N. (2026). From Tasks to Roles: How Agentic AI Reconfigures Occupational Structures. Análise de dado é citada como papel com forte pressão de Elevação.
- Jain, R. et al. (2026). Agentic Generative AI in Enterprise Contexts. Implicações organizacionais e analíticas.
- Deste framework: Estrutura de referência e Guia de especificação.
← Voltar para Papéis · Padrões de evolução de papéis · Estrutura de referência · Transformar seu papel