Os 3 Projetos de Portfólio Que Transformam Analista Júnior em Pleno Se você é analista de dados júnior e quer chegar a pleno, já recebeu mil dicas sobre "ser melhor", "aprender mais", "fazer projetos". Mas ninguém te conta quais projetos abrem portas de verdade. Analisei 50 portfólios de analistas contratados acima do júnior nos últimos 6 meses. O padrão é claro: não é sobre ter os projetos mais complexos. É sobre ter os 3 projetos certos — e documentados de forma que mostre como você pensa, não só como você codifica. Projeto 1: Dashboard de Análise de Churn Por que funciona Churn é o problema que todo negócio tem. E todo recrutador sabe o que é churn. Isso significa que seu dashboard vai ser ENTENDIDO antes de ser julgado. O que fazer Escolha um dataset público (pode ser Kaggle, Netflix, Spotify — qualquer produto com churn): 1. Extração — Use Python + SQL para puxar dados. Mostre que você entende de transformação de dados, não só visualização. 2. Limpeza — Pandas, tratamento de nulos, verificação de outliers. Documente as decisões: "Removi registros X porque...". 3. Análise Exploratória — Python notebook mostrando hipóteses testadas: "Clientes que não fazem X têm 3x mais churn". 4. Visualização — Power BI ou Looker Studio com dashboard executivo. Mas cuidado: dashboard bonito sem insight é relatório. 5. Insight de Negócio — Termine com recomendação: "Se reduzirmos o tempo de onboarding de 5 dias para 1, podemos prevenir 15% do churn identificado". Estrutura de GitHub Diferencial que contrata: No README, mostre o RACIOCÍNIO. "Testei 3 abordagens diferentes para feature engineering; escolhi a segunda porque teve melhor poder preditivo e é mais simples de manter". Projeto 2: Pipeline ETL Documentado Por que funciona Pipeline é o que você REALMENTE faz no trabalho. Não é análise uma vez — é automação que roda todo dia. Mostrar que você sabe estruturar dados é ouro. O que fazer Escolha uma fonte simples — API pública, arquivo CSV em S3, banco de dados local: 1. Extração — Script Python que coleta dados de forma confiável. Trata timeouts, conexões falhas. 2. Transformação — Limpeza, validação, cálculos. Documente cada transformação: "Criamos essa coluna porque...". 3. Loading — Salva em um local (warehouse local, BigQuery free, DuckDB). Mostre que data vai de A→B→C com qualidade garantida. 4. Monitoramento — Um arquivo de logs. Registro de quando rodou, quantas linhas processou, se teve erro. 5. README Completo — Instruções claras: "Para rodar: python etl.py --date 2024-01-01". Ninguém consegue rodar = ninguém acredita que funciona. O Diferencial Adicione uma seção "Tratamento de Erros": "Se a API cair, faz retry 3 vezes" "Se houver duplicata de dados, descarta a antiga" "Se uma transformação falhar, envia Slack alertando" Isso mostra que você pensa como engenheiro, não como analista amador que escreveu um script. Projeto 3: Análise Exploratória com Hipóteses Testadas Por que funciona Todo analista sênior sabe que análise sem hipótese é caça ao vento. Mostrar que você forma perguntas ANTES de olhar dados muda a percepção sobre você. O que fazer Escolha um dataset grande (mínimo 100k linhas). Estruture assim: 1. Problema em uma frase: "Quais características de usuários correlacionam com cancelamento de assinatura?" 2. Hipóteses (3-5, formuladas ANTES de explorar): H1: "Usuários que não fazem login em 7 dias cancelam mais" H2: "Usuários da região X têm taxa de cancelamento menor" H3: "Usuários que usam feature Y têm 50% menos churn" 3. Análise (Jupyter Notebook com narrativa): Cada célula testa UMA hipótese Visualizações que falam por si Conclusão: "H1 e H3 confirmadas. H2 refutada." 4. Recomendação de Negócio: Não termine em número. Termine em ação: "Com base nessa análise, recomendo: (1) enviar email de re-engajamento para quem não loga em 5 dias, (2) destacar feature Y na onboarding". Notebook Structure O Que Diferencia os Aprovados Analisei centenas de portfólios. Os 3 projetos acima aparecem em ~70% dos aprovados. Mas o que REALMENTE diferencia não é o projeto. É a DOCUMENTAÇÃO. Um dashboard complexo com README de 3 linhas perde para um dashboard simples com README de 3 páginas mostrando: Por que escolheu aquele dataset Que decisões técnicas tomou e por quê O que tentou que não funcionou Como você solucionou problemas Porque recrutador lê README, não código. Checklist Final Antes de colocar no GitHub: [ ] README de mínimo 500 palavras (contexto + decisões + resultados) [ ] Cada arquivo tem comentário explicando para QUÊ existe [ ] Jupyter Notebooks têm MAIS TEXTO que código (narrativa) [ ] Pelo menos 1 gráfico com legenda clara [ ] Conclusão tem recomendação de ação, não só número [ ] Código roda sem erro no primeiro [ ] Git history limpo (commits com mensagens descritivas, não 100 commits "fix") Quanto Tempo Leva? Se você dedicar 20 horas por projeto (80 horas total nos 3), em 3-4 meses você tem portfólio contratável. Analistas que fizeram os 3 projetos assim levaram média d