De R$ 3.500 para R$ 8.000 em 18 Meses - O Roadmap que Funcionou Esta é a história real de como um analista saiu de R$ 3.500/mês (Excel básico) para R$ 8.000/mês (Data Engineer) em menos de 2 anos. O segredo? Não foi sorte ou inteligência excepcional. Foi planejamento. A Situação Inicial Mês 0 — O Ponto de Partida Cargo: Analista de Dados (título apenas) Habilidades: Excel avançado, alguns gráficos em Power BI, SQL básico Salário: R$ 3.500 Objetivo: Subir de salário ou trocar de cargo O Problema: Empresa oferecia aumentos de 10-15% ao ano. Precisava crescer 2.3x em 18 meses. Não seria interno. A Solução: Render-se ao fato de que aumentos salariais reais vêm de mudanças de cargo, não de aumento no mesmo cargo. O Roadmap: 18 Meses, 6 Fases Fase 1: Python Básico (Mês 1-3) — Fundação Objetivo: Aprender programação (Python + Pandas) O que estudar: Python: tipos de dados, loops, funções Pandas: leitura de CSVs, filtros, agregações, merge Jupyter: ambiente prático Tempo: 1 hora/dia, 5 dias por semana Resultado esperado: Conseguir ler dados com Pandas e fazer análises simples Por que Python primeiro? Porque é a ponte entre Excel e Data Engineering. Python com Pandas é Excel esteróide. Marcos: Final de semana: pequeno projeto pessoal (analisar dataset Kaggle) Semana 4: dominar Pandas básico Semana 12: conseguir ler dados reais e fazer limpeza Fase 2: SQL Avançado (Mês 4-6) — Especialização Objetivo: Dominar SQL não SQL básico, mas avançado O que estudar: Window Functions (ROW_NUMBER, RANK, LAG, LEAD) CTEs (WITH statements) Subqueries complexas JOINs múltiplos Tempo: 1 hora/dia, 5 dias por semana Resultado esperado: Conseguir extrair dados sem ajuda de IT, escrever queries otimizadas Por que agora? Porque SQL é filtro de seleção em empresas maiores. Sem SQL avançado, você fica "analista de ferramentas" (Excel/Power BI), não "engenheiro de dados". Marcos: Semana 16: conseguir usar window functions Semana 20: escrever CTEs eficientes Semana 24: otimizar queries lentas Fase 3: Power BI com DAX (Mês 7-9) — Integração Objetivo: Aprender DAX e criar relatórios profissionais O que estudar: Conectar dados SQL em Power BI DAX fundamentals (CALCULATE, SUMX) Row context vs Filter context Criar dashboards que respeitam performance Tempo: 1 hora/dia, 5 dias por semana Resultado esperado: Dominar Power BI de verdade (não só gráficos, mas lógica) Por que aqui? Porque agora você tem Python e SQL. Aprender Power BI sem essa base é aprender a apertar botões. Com Python + SQL, você aprender a pensar em dados. Marcos: Semana 28: criar primeira medida DAX complexa Semana 32: resolver problema de performance em relatório Semana 36: criar dashboard do zero até produção Fase 4: Portfólio no GitHub (Mês 10-12) — Visibilidade Objetivo: Ter 3-4 projetos públicos que mostram suas habilidades Projetos recomendados: 1. Projeto SQL: Análise de dataset público (Kaggle), com queries complexas. Publicar os SQLs no GitHub. 2. Projeto Python: Análise com Pandas + visualização com Matplotlib/Seaborn 3. Projeto Integrado: Extrair dados com SQL, processar com Python, visualizar com Power BI (screenshots no GitHub) 4. Projeto de Dados Reais: Pegar dados públicos de uma empresa/mercado e analisar (ex: financeiro de empresa listada) Tempo: Fim de semana (6-8 horas por semana) Resultado esperado: 3-4 repositórios públicos mostrando fluência em Python, SQL e Power BI Por que GitHub? Porque recrutadores procuram portfolio público. Um GitHub com 3 bons projetos é mais valioso que um currículo. Marcos: Semana 40: primeiro projeto SQL publicado Semana 44: projeto Python completo Semana 48: projeto integrado (SQL + Python + Power BI) Fase 5: Mudança de Cargo (Mês 13-18) — Aumento Objetivo: Sair do cargo atual e entrar numa vaga melhor Estratégia: 1. Mês 13: Começar a candidatar 2. Mês 14-16: 20-30 entrevistas (assume taxa de rejeição realista) 3. Mês 17: Receber ofertas 4. Mês 18: Aceitar melhor oferta O que impacta salário: Portfolio no GitHub (peso: 40%) — mostra que você faz de verdade SQL avançado (peso: 30%) — filtro mais importante Experiência anterior (peso: 20%) — seus projetos pessoais contam Comunicação (peso: 10%) — como você apresenta suas habilidades Marcos: Semana 52-56: preparar CV e LinkedIn focados em projetos Semana 57-65: candidatar agressivamente Semana 66-75: entrevistas e negociação Semana 76-78: começar novo cargo Salário esperado: R$ 6.500-8.500 (dependendo de empresa/mercado) Os Números Reais Tempo de Dedicação | Fase | Semanas | Horas/Semana | Total | |------|---------|--------------|-------| | Python | 12 | 5 | 60 horas | | SQL | 12 | 5 | 60 horas | | Power BI | 12 | 5 | 60 horas | | Portfólio | 12 | 8 | 96 horas | | TOTAL | 48 | ~6 média | 276 horas | 276 horas de estudo = 2 anos de estudo amador = salário 2.3x maior. Investimento Financeiro Se você pagar cursos (recomendado): Curso SQL: R$ 300-500 Curso Python: R$ 300-500 Curso Power BI: R$ 300-500 Curso Portfólio: R$ 500-800 Total: R$ 1.400-2.300 Co