Introdução à Ciência de Dados

Prof. Washington Santos da Silva

IFMG - Campus Formiga

9 de maio de 2025

Diário de Bordo

O que vimos até hoje?

  • Aula 1 ✅

    • Introdução e Contextualização ✅
    • O que é Ciência de Dados? ✅
    • Papéis Profissionais na Área de Dados ✅
    • Áreas de Aplicações ✅
    • Habilidades Interpessoais e Analíticas ✅
    • Apresentação da Disciplina ✅

  • Aula 2 ✅

    • Metodologia CRISP-DM ✅

    • Tipos de Análise ✅

      • Descritiva ✅
      • Diagnóstica ✅
      • Preditiva ✅
      • Prescritiva ✅

    • Configurações: Git/GitHub ✅

  • Aula 3 ✅

    • Introdução ao RStudio ✅

      • Criação do seu Projeto RStudio da Disciplina ✅

  • Aula 4 ✅

    • Introdução ao Git e GitHub ✅

      • Criação do seu repositório do projeto RStudio da disciplina no GitHub ✅

  • Aula 5 ✅

    • Breve Revisão do IDE RStudio ✅

    • Introdução ao Sistema de Publicação Quarto ✅

    • Sessão Prática Guiada com Relatório 1 ✅

      • Execução dos comandos git essenciais ✅

  • Aula 6 ✅

    • Parte I ✅

      • O Relatório Junglivet e a Metodologia CRISP-DM ✅
      • Primeiro contato com a linguagem R por meio dos códigos do relatório ✅

    • Parte II ✅

      • Para alunos com projetos estruturados ✅
      • Atividade prática ✅
      • Para alunos com dificuldades técnicas ✅
      • Atendimento individualizado para estruturação de projetos ✅

  • Aula 7 ✅

    • Introdução ao sistema Quarto (continuação) ✅

      • Gerar relatório no formato pdf ✅
      • Gerar relatório no formato docx ✅

    • Introdução à Linguagem R (continuação) ✅

      • Conceitos: Variáveis e observações ✅
      • Estrutura tabular organizada de dados ✅
      • Tipos e classes de dados principais em R ✅
      • Estruturas de dados: vetores e data frames ✅

  • Aula 8 ✅

    • Início do estudo do pacote dplyr para manipulação de dados ✅

      • CRISP-DM: Fase 2 (Entendimento dos dados) e Fase 3 (Preparação dos dados) ✅
        de um projeto de análise ou ciência de dados ✅
      • O que é o dplyr? ✅
      • A Filosofia Tidy Data (Dados Organizados) ✅
      • Dados Organizados (Tidy Data) ✅
      • Por que usar o dplyr? ✅
      • Fluxo de trabalho com dplyr ✅
      • Boas Práticas com dplyr ✅
      • Função dplyr::select() ✅
      • Função dplyr::filter() ✅

  • Aula 9 ✅

    • Solução dos exercícios práticos sobre as funções select e filter ✅
    • Função dplyr::mutate() ✅

  • Aula 10 ✅

    • Soluções dos exercícios práticos sobre a função mutate ✅
    • funções dplyr::group_by(), dplyr::summarize() e dplyr::arrange() ✅

  • Aula 11 ✅

    • Metodologia CRISP-DM e Pacote dplyr
    • Revisão sobre Dados Organizados (Tidy Data)
    • Exemplos de Dados Desorganizados Comuns em Administração
    • Introdução ao Pacote tidyr: Função pivot_longer

Nesta Aula

Tópicos - Continuação da Aula 11

  • Metodologia CRISP-DM e o tidyverse

  • Dados Organizados: Potencializando Análises

  • Exercícios

Arquivo para esta Aula

Instruções

  • Abra o RStudio e o seu Projeto da Disciplina

  • Crie a subpasta 06-relatorio dentro da pasta relatorios.

  • Acesse o site da disciplina e baixe o arquivo 06-relatorio.zip

  • Descompacte o arquivo, copie/recorte o arquivo 06-relatorio.qmd e cole dentro da subpasta 06-relatorio.

Diretrizes para Aulas Mais Produtivas

🔊 Mantenha conversas em volume baixo

⌨️ Código com método:

95% dos erros são evitáveis com:

  • Atenção na digitação
  • Respeitar a sequência lógica de etapas
  • Revisão antes de pedir ajuda

🤝 Inteligência colaborativa:

  • Compartilhe conhecimento
  • Resolva questões técnicas simples com colegas próximos
  • Reserve ao professor as dúvidas conceituais complexas

💪 Capacidade de Resolver Problemas

Cada erro resolvido é uma evolução da sua habilidade analítica

Metodologia CRISP-DM e o tidyverse

Metodologia CRISP-DM

Figura 1: Principal Metodologia para Projetos de Ciência/Análise de dados

Metapacote tidyverse

Descrição

  • O tidyverse é um ecossistema coerente de pacotes R para ciência de dados que compartilham uma filosofia de design e gramática comuns.

  • O tidyverse facilita todo o fluxo de trabalho de análise de dados através de pacotes integrados.

Alguns dos Principais Pacotes do tidyverse:

  • readr/readxl: Importação eficiente de dados retangulares

  • tidyr: Estruturação de dados no formato “organizado”

  • dplyr: Manipulação de dados com funções intuitivas (filter, select etc.)

  • ggplot2/gt: Visualização de dados baseada na gramática dos gráficos e das tabelas

  • O tidyverse implementa o princípio de “tidy data”, criando um fluxo de trabalho coeso através do operador pipe (%>% ou |>).

CRISP-DM e tidyverse

Figura 2: Os pacotes do tidyverse implementam as fases de CRISP-DM envolvendo dados (fases 2, 3, 4 principalmente), transformando princípios metodológicos em ferramentas computacionais que agilizam o processo científico de análise de dados

CRISP-DM e o tidyverse

Fluxo de análise de dados com tidyverse

  1. Importação de Dados (readr/readxl)

    • here(): Definição de caminhos relativos dos arquivos de dados
    • read_csv(), read_excel(): Importação eficiente de arquivos

  2. Organização dos Dados

    • Dados já organizados? → Seguir para manipulação
    • Dados desorganizados? → tidyr::pivot_longer() para transformar em dados organizados

  3. Transformação/Análise de Dados (dplyr)

    • filter(): Selecionar observações (linhas)
    • select(): Selecionar variáveis (colunas)
    • mutate(): Criar/modificar variáveis
    • group_by() + summarize(): Agrupar e calcular estatísticas
    • arrange(): Ordenar resultados

  4. Visualização (ggplot2)

    • Visualização de distribuições, tendências e relações
    • Gráficos exploratórios: histogramas, boxplots, dispersão
    • Tabelas (gt/kableExtra): Tabelas com qualidade de publicação
    • Gráficos (ggplot2): Visualizações refinadas com anotações e temas

  5. Comunicação (Sistema Quarto)

    • Relatórios (html/pdf), apresentações e dashboards

Dados Organizados: Potencializando Análises

Dados Longos = Dados Organizados

Vantagens

Com os dados organizados (formato longo), podemos facilmente, por exemplo:

  • Calcular indicadores de desempenho por categoria e período
  • Calcular indicadores de desempenho por produto e período
  • Analisar tendências mensais para decisões de estoque e marketing
  • etc.

Aplicações

Dados organizados permitem:

  • Finanças e Controladoria: Análise de tendências financeiras entre períodos, detecção de anomalias em despesas, comparação de desempenho entre unidades de negócio

  • Marketing: Avaliação de ROI por canal e campanha, análise de comportamento do consumidor, segmentação de clientes baseada em múltiplas variáveis

  • Operações e Cadeia de Suprimentos: Otimização de estoques baseada em tendências sazonais, previsão de demanda, monitoramento da cadeia de suprimentos

  • Recursos Humanos: Análise de desempenho ao longo do tempo, identificação de fatores de turnover, planejamento de capacitação

  • Estratégia de Negócios: Consolidação de KPIs de diversas áreas para tomada de decisão, identificação de correlações entre variáveis de negócio

  • Na prática: Administradores frequentemente recebem dados em formatos inadequados para análise (relatórios estáticos, planilhas “bonitas”). A capacidade de reorganizar esses dados rapidamente para análise representa uma vantagem competitiva significativa.

Função pivot_longer() - Revisão

Figura 3: Aplicando a função pivot_longer()

Sintaxe da função pivot_longer() - Revisão

Como usar pivot_longer() na prática

# Formato básico
dados %>%
  pivot_longer(
    cols = "valores_de_uma_nova_coluna",
    names_to = "nome_nova_coluna",
    values_to = "nome_outra_nova_coluna"
  )

  • valores_de_uma_nova_coluna: as colunas que contêm valores de uma variável e serão transformadas.

  • nome_nova_coluna: nome da nova coluna/variável que conterá os nomes das colunas originais.

  • nome_outra_nova_coluna: nome da nova coluna/variável que conterá os valores originais.

Exemplo Típico em Administração

Dados (Amplos/Wide) de Vendas Mensais por Categoria e Produto

# formato típico de planilhas gerenciais
dados_vendas_wide <- tribble(
  ~produto, ~categoria, ~Jan, ~Fev, ~Mar, ~Abr, ~Mai, ~Jun,
  "Notebook Pro", "Eletrônicos", 45000, 38000, 42000, 47000, 52000, 49000,
  "Smartphone X", "Eletrônicos", 38000, 41000, 40000, 39000, 45000, 50000,
  "Monitor 24pol", "Informática", 22000, 19000, 23000, 25000, 24000, 26000,
  "Mouse Gamer", "Informática", 12000, 14000, 13500, 15000, 16000, 17500,
  "Mesa Office", "Mobiliário", 28000, 25000, 24000, 26500, 27000, 29000,
  "Cadeira Ergo", "Mobiliário", 35000, 32000, 38000, 36000, 39000, 42000
)

# Visualizando os dados no formato amplo (wide)
dados_vendas_wide
# A tibble: 6 × 8
  produto       categoria     Jan   Fev   Mar   Abr   Mai   Jun
  <chr>         <chr>       <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 Notebook Pro  Eletrônicos 45000 38000 42000 47000 52000 49000
2 Smartphone X  Eletrônicos 38000 41000 40000 39000 45000 50000
3 Monitor 24pol Informática 22000 19000 23000 25000 24000 26000
4 Mouse Gamer   Informática 12000 14000 13500 15000 16000 17500
5 Mesa Office   Mobiliário  28000 25000 24000 26500 27000 29000
6 Cadeira Ergo  Mobiliário  35000 32000 38000 36000 39000 42000

Transformando para Analise de Dados

Aplicando pivot_longer para organizar os dados

# Transformando os dados para o formato longo (tidy)
dados_vendas_longo <- dados_vendas_wide %>%
  pivot_longer(
    cols = Jan:Jun, # colunas que serão transformadas em valores de mes
    names_to = "mes", # nome da nova coluna
    values_to = "valor_vendas" # nome de outra nova coluna para as vendas
  )

# Visualizando o resultado
dados_vendas_longo
# A tibble: 36 × 4
   produto      categoria   mes   valor_vendas
   <chr>        <chr>       <chr>        <dbl>
 1 Notebook Pro Eletrônicos Jan          45000
 2 Notebook Pro Eletrônicos Fev          38000
 3 Notebook Pro Eletrônicos Mar          42000
 4 Notebook Pro Eletrônicos Abr          47000
 5 Notebook Pro Eletrônicos Mai          52000
 6 Notebook Pro Eletrônicos Jun          49000
 7 Smartphone X Eletrônicos Jan          38000
 8 Smartphone X Eletrônicos Fev          41000
 9 Smartphone X Eletrônicos Mar          40000
10 Smartphone X Eletrônicos Abr          39000
# ℹ 26 more rows

Agora os dados estão organizados para análise:

  • Cada linha representa uma combinação única de produto, categoria e mês
  • As vendas mensais estão em uma única coluna (valor_vendas)
  • A informação do mês está em uma coluna própria (mes)

Análise 1 - Nível Básico

Análise da Receita Bruta Mensa de Vendas

# pipeline de análise
receita_bruta_mes <- dados_vendas_longo %>%
  group_by(mes) %>%
  summarize(vendas_total = sum(valor_vendas)) %>%
  arrange(desc(vendas_total))

# visualiza o resultado
receita_bruta_mes
# A tibble: 6 × 2
  mes   vendas_total
  <chr>        <dbl>
1 Jun         213500
2 Mai         203000
3 Abr         188500
4 Mar         180500
5 Jan         180000
6 Fev         169000

Análise 2 - Nível Básico

Análise das Vendas Mensais de um Produto Específico

# pipeline de análise
vendas_mensais_notebookpro <- dados_vendas_longo %>%
  filter(produto == "Notebook Pro") %>%
  select(produto, mes, valor_vendas) %>%
  arrange(mes)

# visualiza o resultado
vendas_mensais_notebookpro
# A tibble: 6 × 3
  produto      mes   valor_vendas
  <chr>        <chr>        <dbl>
1 Notebook Pro Abr          47000
2 Notebook Pro Fev          38000
3 Notebook Pro Jan          45000
4 Notebook Pro Jun          49000
5 Notebook Pro Mai          52000
6 Notebook Pro Mar          42000

Análise 3 - Nível Básico

Análise das Vendas Totais por Categoria e Mês

# pipeline de análise
vendas_totais_categoria_mes <- dados_vendas_longo %>%
  group_by(categoria, mes) %>%
  summarize(vendas_totais = sum(valor_vendas)) %>%
  arrange(desc(vendas_totais))

# visualiza o resultado
vendas_totais_categoria_mes
# A tibble: 18 × 3
# Groups:   categoria [3]
   categoria   mes   vendas_totais
   <chr>       <chr>         <dbl>
 1 Eletrônicos Jun           99000
 2 Eletrônicos Mai           97000
 3 Eletrônicos Abr           86000
 4 Eletrônicos Jan           83000
 5 Eletrônicos Mar           82000
 6 Eletrônicos Fev           79000
 7 Mobiliário  Jun           71000
 8 Mobiliário  Mai           66000
 9 Mobiliário  Jan           63000
10 Mobiliário  Abr           62500
11 Mobiliário  Mar           62000
12 Mobiliário  Fev           57000
13 Informática Jun           43500
14 Informática Abr           40000
15 Informática Mai           40000
16 Informática Mar           36500
17 Informática Jan           34000
18 Informática Fev           33000

Análise 4 - Nível Intermediário

Análise do Desempenho mensal por produto

# pipeline
desempenho_mensal_produto <- dados_vendas_longo %>%
  group_by(produto) %>%
  summarize(
    vendas_total = sum(valor_vendas),
    vendas_media = mean(valor_vendas),
    vendas_min = min(valor_vendas),
    vendas_max = max(valor_vendas)
  ) %>%
  arrange(desc(vendas_total))

# visualiza o resultado
desempenho_mensal_produto
# A tibble: 6 × 5
  produto       vendas_total vendas_media vendas_min vendas_max
  <chr>                <dbl>        <dbl>      <dbl>      <dbl>
1 Notebook Pro        273000       45500       38000      52000
2 Smartphone X        253000       42167.      38000      50000
3 Cadeira Ergo        222000       37000       32000      42000
4 Mesa Office         159500       26583.      24000      29000
5 Monitor 24pol       139000       23167.      19000      26000
6 Mouse Gamer          88000       14667.      12000      17500

Análise 4 - Tabela para Apresentação

Tabela 1: Desempenho mensal de Vendas por produto 
# Formata a tabela de desempenho por produto com kableExtra
desempenho_mensal_produto %>%
  kable(
    # Renomeia as colunas para melhor apresentação
    col.names = c(
      "Produto",
      "Vendas Totais (R$)",
      "Média Mensal (R$)",
      "Venda Mínima (R$)",
      "Venda Máxima (R$)"
    ),
    # Formata números com 2 casas decimais
    digits = 2,
    # Define vírgula como separador decimal e ponto como separador de milhares
    format.args = list(decimal.mark = ",", big.mark = ".", nsmall = 2)
  ) %>%
  # Aplica um estilo clássico e limpo
  kable_classic_2(
    # Ajusta o tamanho da fonte
    font_size = 18,
    # Define largura para se ajustar melhor ao slide
    full_width = TRUE,
    # Centraliza a tabela
    position = "center"
  ) %>%
  # Destaca as colunas de valores em negrito
  column_spec(2:5, bold = TRUE) %>%
  # Destaca as 3 primeiras linha da tabela
  row_spec(1:3, bold = T, color = "white", background = "#011f4b")

Tabela 2: Desempenho mensal de Vendas por produto
Produto Vendas Totais (R$) Média Mensal (R$) Venda Mínima (R$) Venda Máxima (R$)
Notebook Pro 273.000,00 45.500,00 38.000,00 52.000,00
Smartphone X 253.000,00 42.166,67 38.000,00 50.000,00
Cadeira Ergo 222.000,00 37.000,00 32.000,00 42.000,00
Mesa Office 159.500,00 26.583,33 24.000,00 29.000,00
Monitor 24pol 139.000,00 23.166,67 19.000,00 26.000,00
Mouse Gamer 88.000,00 14.666,67 12.000,00 17.500,00

Análise 5 - Nível Intermediário

Identificando meses de pico de vendas para cada categoria

# Pipeline para identificar mês de melhor desempenho por categoria
meses_pico_categoria <- dados_vendas_longo %>%
  # Agrupa por categoria e mês
  group_by(categoria, mes) %>%
  # Calcula as vendas totais
  summarize(vendas_totais = sum(valor_vendas)) %>%
  # Filtra para o mês de maior venda
  filter(vendas_totais == max(vendas_totais)) %>%
  # Ordena o resultado pelas vendas totais
  arrange(desc(vendas_totais))

# visualiza o resultado
meses_pico_categoria
# A tibble: 3 × 3
# Groups:   categoria [3]
  categoria   mes   vendas_totais
  <chr>       <chr>         <dbl>
1 Eletrônicos Jun           99000
2 Mobiliário  Jun           71000
3 Informática Jun           43500

Análise 6 - Nível Intermediário

Identificando meses de pior venda para cada categoria

# Pipeline para identificar mês de pior desempenho por categoria
meses_pior_categoria <- dados_vendas_longo %>%
  # Agrupa por categoria e mês
  group_by(categoria, mes) %>%
  # Calcula as vendas totais
  summarize(vendas_totais = sum(valor_vendas)) %>%
  # Filtra para o mês de menor venda
  filter(vendas_totais == min(vendas_totais)) %>%
  # Ordena o resultado pelas vendas totais
  arrange(desc(vendas_totais))

# visualiza o resultado
meses_pior_categoria
# A tibble: 3 × 3
# Groups:   categoria [3]
  categoria   mes   vendas_totais
  <chr>       <chr>         <dbl>
1 Eletrônicos Fev           79000
2 Mobiliário  Fev           57000
3 Informática Fev           33000

Funções which.max() e which.min()

Localizando posições de valores máximos e mínimos

As funções which.max() e which.min() são extremamente úteis em análise de dados:

  • which.max(x): Retorna a posição (índice) do valor máximo no vetor x
  • which.min(x): Retorna a posição (índice) do valor mínimo no vetor x

Exemplo simples:

# Vetor de valores
vendas_mensais <- c(120, 150, 140, 160, 110, 130)

# Qual a posição do valor máximo?
posicao_max <- which.max(vendas_mensais)
posicao_max
[1] 4
# Qual o valor máximo?
vendas_mensais[posicao_max]
[1] 160
# Supondo que temos nomes para os meses
nomes_meses <- c("Jan", "Fev", "Mar", "Abr", "Mai", "Jun")

# Em qual mês ocorreu a venda máxima?
mes_maior_venda <- nomes_meses[which.max(vendas_mensais)]
mes_maior_venda
[1] "Abr"

Estas funções são perfeitas para encontrar quando ocorreram eventos importantes nos seus dados (máximos, mínimos, picos) em vez de apenas quais foram os valores.

Análise 7 - Nível Avançado

Identificando os Meses de Maior e Menor Venda por Produto

# Pipeline de análise para identificar os meses de pico e vale por produto
resumo_comparativo_produto <- dados_vendas_longo %>%
  # Agrupa os dados por produto para analisar cada um separadamente
  group_by(produto) %>%
  # Para cada produto, calculamos:
  summarize(
    # 1. Qual o mês da maior venda:
    # - which.max(valor_vendas) encontra a POSIÇÃO da maior venda
    # - mes[which.max(valor_vendas)] seleciona o nome do mês de maior venda
    melhor_mes = mes[which.max(valor_vendas)],

    # 2. Qual foi o valor da maior venda
    maior_venda = max(valor_vendas),

    # 3. Qual o mês da menor venda (mesma lógica do melhor mês)
    pior_mes = mes[which.min(valor_vendas)],

    # 4. Qual foi o valor da menor venda
    menor_venda = min(valor_vendas)
  )

# Visualiza o resultado
resumo_comparativo_produto
# A tibble: 6 × 5
  produto       melhor_mes maior_venda pior_mes menor_venda
  <chr>         <chr>            <dbl> <chr>          <dbl>
1 Cadeira Ergo  Jun              42000 Fev            32000
2 Mesa Office   Jun              29000 Mar            24000
3 Monitor 24pol Jun              26000 Fev            19000
4 Mouse Gamer   Jun              17500 Jan            12000
5 Notebook Pro  Mai              52000 Fev            38000
6 Smartphone X  Jun              50000 Jan            38000

Explicação do código:

  1. Primeiro agrupamos por produto para realizar a análise para cada item

  2. A função which.max(valor_vendas) retorna a posição (índice) do valor máximo

  3. Ao usar mes[which.max(valor_vendas)], extraímos o nome do mês na posição com valor máximo

  4. Este tipo de análise é essencial para identificar padrões sazonais de produtos

Este relatório permite identificar rapidamente quais meses foram melhores e piores para cada produto - informação valiosa para planejamento de estoque e promoções.

Assim, esta análise permite otimizar o planejamento de estoque e ações promocionais sazonais.

Análise 7 - Tabela para Apresentação

Tabela 3: Meses de Maior e Menor Venda por Produto 
# Formata a tabela comparativa com kableExtra
resumo_comparativo_produto %>%
  kable(
    # Renomeia as colunas para melhor apresentação
    col.names = c(
      "Produto",
      "Melhor Mês",
      "Maior Venda (R$)",
      "Pior Mês",
      "Menor Venda (R$)"
    ),
    # Formata números com 2 casas decimais
    digits = 2,
    # Define vírgula como separador decimal e ponto como separador de milhares
    format.args = list(decimal.mark = ",", big.mark = ".", nsmall = 2)
  ) %>%
  # Aplica um estilo clássico e limpo
  kable_paper(
    # Ajusta o tamanho da fonte
    font_size = 22,
    # Define largura para se ajustar melhor ao slide
    full_width = FALSE,
    # Centraliza a tabela
    position = "center"
  ) %>%
  # Destaca as colunas de valores monetários em negrito
  column_spec(c(3, 5), bold = TRUE) %>%
  # Destaca a quarta linha da tabela
  row_spec(4, bold = T, color = "white", background = "#D7261E")

Tabela 4: Meses de Maior e Menor Venda por Produto
Produto Melhor Mês Maior Venda (R$) Pior Mês Menor Venda (R$)
Cadeira Ergo Jun 42.000,00 Fev 32.000,00
Mesa Office Jun 29.000,00 Mar 24.000,00
Monitor 24pol Jun 26.000,00 Fev 19.000,00
Mouse Gamer Jun 17.500,00 Jan 12.000,00
Notebook Pro Mai 52.000,00 Fev 38.000,00
Smartphone X Jun 50.000,00 Jan 38.000,00

Análise de Dados - Nível Básico 1

Exercício

  1. A partir da data frame dados_vendas_longo, calcule o valor médio de vendas por categoria e ordene do maior para o menor.

Análise de Dados - Nível Básico 2

Exercício

  1. A partir da data frame dados_vendas_longo, filtre apenas os produtos da categoria “Mobiliário” e mostre as vendas totais de cada produto desta categoria, ordenando do maior para o menor.

Análise de Dados - Nível Intermediário

Exercício

  1. A partir da data frame dados_vendas_longo, analise o desempenho mensal por categoria de produto. Calcule o total de vendas, a média mensal, o valor mínimo e o valor máximo para cada categoria, ordenando do maior para o menor valor total.

Dados em Seu Ambiente de Trabalho

Reflexão

Considere os dados com os quais você já trabalha ou espera trabalhar em sua carreira:

  1. Que tipos de dados desorganizados você encontra ou espera encontrar?

    • Relatórios gerenciais?
    • Planilhas financeiras?
    • Arquivos de sistemas ERP/CRM?

  2. Como esses dados poderiam ser melhor organizados para análise?

    • Quais são as verdadeiras “observações” nesses dados?
    • Quais são as verdadeiras “variáveis”?

  3. Quais insights de negócio você poderia extrair se esses dados estivessem organizados adequadamente?

    • Padrões temporais?
    • Comparações entre unidades/produtos/regiões?
    • Correlações entre diferentes métricas?

  4. Como você aplicaria o conhecimento desta aula em um exemplo concreto do seu interesse profissional?

  • Dica para sua carreira: Manter um repositório pessoal de códigos R para transformações comuns que você encontra no seu trabalho pode economizar horas de trabalho repetitivo no futuro.

Dados Organizados: Um Investimento

Benefícios de longo prazo para organizações

  • Ciclos de análise mais rápidos: Dados corretamnte organizados reduzem o tempo de preparação em análises de dados

  • Consistência em decisões baseadas em dados: Garante que diferentes analistas trabalhem com a mesma estrutura de dados

  • Integração com ferramentas modernas: Dados organizados são mais facilmente integrados com dashboards, ferramentas de BI e modelos preditivos

  • Cultura de dados: Promove uma cultura organizacional onde dados são vistos como ativos estratégicos

  • Mensagem-chave: O tempo investido em organizar dados adequadamente é compensado múltiplas vezes pela facilidade de análise, velocidade de insights e melhor qualidade das decisões de negócio baseadas nesses dados.

Bibliografia Recomendada e Referências

Bibliografia Recomendada

Atualizando os Repositórios

Instruções

  1. No terminal do RStudio, verifique quais arquivos/pastas foram modificados ou criados com:
git status
  1. Você pode adicionar todos os arquivos de uma vez com:
git add .
  1. Execute git status novamente para confirmar que todos os arquivos foram adicionados (aparecerão em verde sob “Changes to be committed”):
git status
  1. Se tudo estiver em verde, faça um commit com uma mensagem descritiva:
git commit -m "atualizacoes aula 12"
  1. Se algum arquivo ou pasta ainda aparecer em vermelho após o segundo git status, adicione as pastas/arquivos um por um:
git add relatorios/06-relatorio/06-relatorio.qmd
  1. Execute git status novamente e faça o commit quando todos os arquivos estiverem em verde:
git commit -m "atualizacoes aula 12"
  1. Envie o repositório local atualizado para o GitHub:
git push origin main