%20(1).png){kind=logo}
Visualização de Dados como Produto: Conceitos, Ferramentas e Melhores Práticas
- Karen Barros
- 19 de fev.
- 9 min de leitura
Atualizado: 18 de mar.
Muitos profissionais tratam dashboards como simples entregas, sem considerar que eles são produtos vivos, que precisam evoluir constantemente para atender às necessidades dos usuários e do negócio.
Neste artigo, exploramos como a Visualização de Dados pode ser construída como um produto escalável e de alta performance, garantindo não apenas eficiência na entrega de insights, mas também usabilidade e satisfação do usuário.
Além disso, vamos discutir as principais ferramentas de análise de dados para quem deseja ingressar no mercado de Business Intelligence (BI) e construção de dashboards estratégicos.
Tópicos do artigo:
Produto x Projeto: Por que é Importante Distinguir?
Você sabe a diferença entre Produto e Projeto? Em um curso de Product Management na PM3, aprendi algumas coisas que gostaria de compartilhar com vocês.
Um Projeto tem início, meio e fim. Um Produto começa e tem continuidade: por isso que um Product Manager acompanha o ciclo de vida de um produto - a ideia é que ele não tenha fim, que ele evolua com o tempo de acordo com mudanças de mercado e adaptações às necessidades do cliente e negócio.
Se formos comparar o universo de Produtos com Dados, podemos dizer que uma Análise de Dados é como se fosse um Projeto, pois geralmente estamos tentando provar ou refutar uma hipótese que foi levantada por negócios e faremos uma apresentação com a nossa conclusão final baseada em dados, tornando essa análise algo que teve início, meio e fim.
Mas quando pensamos em Visualização de Dados, estamos lidando com um Produto de Dados, pois ele teve início para resolver um problema de negócio específico e vai continuar recebendo manutenção e evoluindo ao longo do tempo. Também é necessário que acompanhemos o ciclo de vida deste produto.
Continuaremos desenvolvendo performance, design, e adaptando às mudanças do negócio. O nosso Produto de Dados se transforma para que ele possa gerar novos insights tanto a nível operacional quanto a nível estratégico de acordo com as necessidades da companhia.
Construção de Uma Visualização de Dados: Como Tudo Começa
Para que seja possível a construção de uma Visualização de Dados útil para o negócio, escalável e performática, é necessário que tenhamos o mindset de Desenvolvimento de Produtos de Dados.
Esse mindset nos leva ao conceito de Brilliant Basics: garantir que cada etapa da construção da Visualização de Dados – desde o levantamento de requisitos até a entrega e treinamento dos usuários – seja bem feita.
O conceito de Brilliant Basics enfatiza que um produto digital precisa primeiro atender às necessidades básicas do usuário de maneira impecável antes de investir em diferenciais e inovação. Negligenciar esses fundamentos pode comprometer a adoção e a retenção dos usuários.
Conceitos Essenciais Para Uma Boa Construção de DataViz
Existem muitas coisas que são esperadas pelos usuários de Visualizações de Dados, no caso, nossos consumidores. Vou listar alguns princípios abaixo para que você possa absorver e aplicá-los no seu dia a dia:
Alta Performance: importante que ela seja considerada, pois é totalmente desagradável para o usuário selecionar um filtro e ter que esperar mais de 1 segundo para trazer o resultado desejado;
Personalização: as visualizações de dados devem estar totalmente ligadas às necessidades do negócio, portanto trabalhos genéricos não irão atendê-lo completamente e isso gera uma frustração gigante ao usuário;
Continuidade: jamais devemos colocar em produção algo que não foi testado antes e que não há a garantia da atualização dos dados - por isso a importância de um ETL bem feito, considerando que ela permanecerá ativa por muito tempo;
Evolução e escalabilidade: o objetivo principal de uma empresa é crescer, e conforme a empresa cresce, os dados crescem também - tanto em volume como em tipos de informação, portanto precisamos garantir que aquela estrutura que construímos funcione com 50 linhas ou com 50 milhões de linhas;
Design: um design bonito é essencial para que o usuário queira utilizar a visualização de dados nas suas tarefas diárias, além de gerar maior credibilidade nos números que são apresentados.
Golden Circle Aplicado à Visualização de Dados: Um Divisor de Águas
Conhecem o Golden Circle de Simon Sinek? Ele nos ajuda a pensar no “porquê” das coisas que fazemos no trabalho, e em um desenvolvimento de Visualização de Dados não é diferente, é necessário ter esse tipo de pensamento crítico e assim sairmos da ideia comum do: “tenho que entregar”.
Ele aplica as três principais perguntas guias: Por que? Como? O que?
Por que?
É a causa daquilo que estamos criando existir e assim que ele é definido, ele acompanha todo o ciclo de vida do produto ao longo do desenvolvimento.
Como?
É a forma que iremos desenvolver o nosso trabalho e é nessa fase onde precisamos estar atentos aos princípios de performance e escalabilidade.
O que?
É o nosso produto final, a entrega ao usuário e o que aquilo vai gerar para o negócio.
No contexto de Visualização de Dados é essencial que tenha sido pensado pela pessoa desenvolvedora perguntas como:
Quem vai usar?
Pra que vai usar?
Como vai usar?
Como posso construí-la de forma que seja útil para o negócio?
Como posso adaptar o produto a novos contextos de negócio?
Como é o dia a dia do usuário final?
Ao pensar nos "porquês" e "comos", em breve saberemos “o que” fazer e quais técnicas aplicaremos para obter a melhor forma de entregar.
Visualização de Dados como Produto: Exemplo Prático
Caso de Uso: Dashboard de Vendas
Imagine um dashboard de vendas para uma rede de varejo. Este é um exemplo perfeito de Visualização de Dados como Produto, pois ele abrange os conceitos que falamos anteriormente:
Continuidade: O dashboard é atualizado continuamente com novos dados de vendas, não tendo um "fim" definido.
Evolução e Escalabilidade: À medida que a empresa cresce, o dashboard pode ser adaptado para incluir novas métricas ou filiais, além de um processo de ETL bem estruturado.
Personalização: Pode ser personalizado para diferentes níveis de usuários (ex: gerentes regionais vs. executivos C-level) ou até mesmo para diferentes áreas dentro do negócio.
Performance: Deve ser otimizado para carregar rapidamente, mesmo com milhões de registros de vendas.
Design: A interface deve ser intuitiva e visualmente atraente para incentivar o uso regular.
Aplicação do Golden Circle
Por que? Para fornecer insights em tempo real sobre o desempenho de vendas, permitindo decisões rápidas e informadas.
Como? Através de uma integração eficiente de dados de várias fontes, processamento em tempo real e visualizações interativas.
O que? Um dashboard interativo mostrando KPIs de vendas, tendências ao longo do tempo, comparações entre regiões/produtos, e previsões futuras.
Ferramentas de Visualização de Dados
Nos aprofundaremos agora em algumas ferramentas úteis para o desenvolvimento de Visualização de Dados e em quais contextos cada uma delas devem ser aplicadas. Vale lembrar que raramente faremos uma Visualização de Dados sem antes termos passado por um processo de ETL dos dados.
Por mais simples que seja, é necessário que ele aconteça para que possamos desenvolver o melhor trabalho possível levando em consideração a performance e com isso a escalabilidade do nosso produto.
Power BI: Uma das Ferramentas que Abre Portas de Entrada no Universo de Dados
Que ela é uma ferramenta popular, todos nós sabemos e o motivo não é um só: é uma ferramenta da Microsoft, assim como o Excel e tem uma linguagem popular, facilitando assim o aprendizado.
O DAX possui uma sintaxe familiar para quem já utiliza fórmulas no Excel, mas sua lógica é mais robusta e voltada para modelagem de dados.
Já a linguagem M, usada no Power Query, tem uma estrutura mais próxima de linguagens como Python, facilitando a manipulação e transformação dos dados.
Essa ferramenta é muito utilizada para a construção dos famosos Dashboards, One Pages, Análises Exploratórias de Dados e construção de Storytelling Corporativos.
Um bom lugar para aprender Power BI é assistindo o canal do YouTube da Karine Lago e praticando sempre, claro. Para mim a melhor forma de aprender sempre foi na prática, lidando com problemas reais de negócio.
Segundo a Gartner, ele ainda continua sendo a plataforma de Business Intelligence mais relevante do mundo, estando à frente de gigantes como o Tableau, Qlik e ThoughtSpot. No Power BI, sempre há atualizações e novidades - então esteja de olho nos reviews para se manter tão atualizado quanto a ferramenta.
SQL: Linguagem de Programação Básica Para Consultas de Dados
Todas as pessoas que trabalham com Análise de Dados precisam ter como bagagem inicial os conhecimentos em SQL, isso porque é uma linguagem comumente utilizada para fazer consultas de bancos de dados - trazendo em um click grandes volumes de dados.
Além disso, a linguagem SQL pode ser utilizada tanto para análise quanto para ETL de dados e mesmo que você não esteja trabalhando na área é possível treinar utilizando emuladores para aprendizado como o SQLZoo, por exemplo, que traz problemas para você resolver utilizando o SQL e retorna o resultado em tempo real.
Quando programamos, aprendemos com os nossos próprios erros, portanto é importante que consigamos pesquisar os erros para trazer soluções. Costumo usar o Google para esse fim, que acaba geralmente redirecionando para o Stackoverflow, um site onde pessoas levam problemas reais e recebem soluções de especialistas.
Se você tiver dúvidas quanto às funções de cada código, recomendo que faça uma pesquisa no Google escrevendo o nome da função e a palavra “SQL” na frente, assim é possível que ele te redirecione para explicações aprofundadas sobre cada uma.
Também recomendo a leitura de livros que podem trazer explicações de funções de maneira detalhada e mais estruturadas. Se você tiver dificuldades de aprender de maneira autodidata, hoje existem vários cursos gratuitos na internet que ensinam como utilizar esse recurso tão poderoso.
Tableau: O Gigante do Storytelling
O Tableau é muito reconhecido no mercado por ser uma ferramenta completa, além de ter uma interface bem amigável, voltada para drag & drop, o que facilita muito o desenvolvimento de visualizações de dados. Isso reduz a necessidade de programação, tornando-o acessível para iniciantes.
É uma ferramenta cara em relação a outros players do mercado, portanto não é muito comum encontrá-las, se você trabalha em uma empresa que a usa, você tem sorte - embora empresas que trabalhem com o Salesforce como principal ferramenta de CRM acabam aderindo ao uso dela internamente por serem da mesma companhia.
No Tableau, também podemos criar conexões diretas com plataformas de programação em nuvem, como o Databricks, por exemplo, que permite que os dados de toda a companhia sejam tratados na própria plataforma e depois acessados através do Tableau para geração de insights.
Uma das melhores partes de utilizar o Tableau é a facilidade em construir as histórias de dados, pois ele tem ferramentas nativas que tornam esse trabalho muito mais prazeroso, rápido e prático.
Dica Extra: Vale à Pena Aprender Sobre Python
Com o aumento constante do volume de dados, chega um momento em que precisamos de maior performance para que nossas análises sejam feitas em tempo hábil e com isso, possamos responder às questões do dia a dia sem passar muito stress com tempo baixo de resposta das nossas consultas.
É aí que entra a necessidade dos conhecimentos em Python, uma linguagem de programação que, se usada corretamente, nos responde em poucas linhas o que construiríamos em queries enormes de SQL.
Existe um intermediário entre o SQL e o Python: é o PySpark, utilizado no Databricks - ele é uma junção de Python com Spark e contém alguns comandos comumente utilizados em SQL, facilitando assim o aprendizado para quem já programa em SQL.
Achei muito bom ter começado a aprender por aí, e para ajudar na minha jornada, fiz muito a leitura da documentação direto no site do Spark, onde eu aprendi a ter noção sobre dataframes e como escrever de maneira otimizada. Com o tempo fui me aprofundando no uso de bibliotecas de Python como o matplotlib e o numpy, por exemplo, para análises avançadas.
Conclusão
Lembre-se, essas ferramentas são para o uso de análise de grandes conjuntos de dados e às vezes não vale a pena matar uma formiga com um canhão! Se o seu conjunto de dados for menor do que 1 milhão de linhas, vale muito a pena o uso do querido Excel para análises simples.
Por isso aproveito para deixar aqui a consideração de que depende muito do tipo de problema que você vai resolver para que seja escolhida a ferramenta adequada à ele - até para trabalhar com a economia de recursos, utilizar o PySpark no Databricks costuma ser mais caro do que utilizar o SQL, então escolha com sabedoria.
De qualquer forma iremos aderir ao padrão da empresa, por isso é que é importante poder estudar pelo menos as principais delas para que você saiba como utilizá-las quando se deparar com uma empresa que as disponibiliza e assim você pode tirar o melhor proveito de cada uma.
Transformar a Visualização de Dados em um produto escalável e centrado no usuário não é apenas uma prática essencial, mas uma estratégia que impulsiona decisões informadas e gera resultados concretos. A jornada com dados nunca é estática – ela é sempre uma evolução constante que nos desafia e nos motiva a buscar o novo.
