MAO NA MASSA: ANALISANDO PLANILHA E GERANDO GRÁFICOS

Utilizando o ChatGPT e os conceitos aprendidos nas aulas da Alura, criei um prompt para analisar uma planilha de médias de notas e gerar uma análise dos dados nela contidos.
Tecnicamente, solicitei que o modelo assumisse o papel de um Analista de Dados e utilizei a Alura apenas como um contexto hipotético para a construção do cenário.

Você é um Analista de Dados.
Analise a planilha chamada "000_mediaNotas (Versao 2).xlsx" contendo dados de alunos.
Sua tarefa é realizar uma análise completa e gerar insights e materiais visuais.

1. Estrutura dos dados:
- Identifique os nomes das colunas
- Identifique os tipos de dados de cada coluna

2. Cálculo de métricas:
- Calcule a média aritmética das notas das Provas 1 a 4 para cada aluno (Nota Final)
  - Média da turma
  - Mediana da turma
  - Moda da turma
  - Nota mínima
  - Nota máxima

3. Análise por grupo:
- Considere a coluna "Sexo": M = Masculino e F = Feminino, calcule:
  - Quantidade de meninos e meninas
  - Média das notas dos meninos
  - Média das notas das meninas

4. Ranking:
- Liste: Os 5 alunos com melhores notas (Top 5) e os 5 alunos com piores notas

5. Análise estatística:
- Interprete os resultados: Distribuição das notas, Concentração dos alunos, Diferenças entre grupos, Identifique possíveis pontos de atenção

6. Geração de infográfico:
Crie um infográfico em formato de imagem PNG com:
- Título: "Estudo do Desempenho dos Alunos da Imersão Alura"
- Incluir elementos visuais: Gráficos (barras, pizza, histogramas), Ícones e ilustrações
- Incluir uma seção final com análise do desempenho da turma

7. Explicações:
- Uma explicação executiva (para gestores)

O Resultado obtido foi o infográfico a seguir:

Após gerar o infográfico, solicitei que a IA voltasse a assumir seu papel de Analista e me apresentasse o material como se estivesse apresentando para um gerente.

Visão geral

A turma é composta por 20 alunos, com uma distribuição equilibrada entre os sexos (55% feminino e 45% masculino).

Desempenho geral

1. A média da turma é 6,1, acima do mínimo esperado (5,0)
2. A mediana é 6,4, indicando que a maior parte dos alunos está performando próxima ou acima da média
3. Não há moda, ou seja, não existe concentração em uma única faixa de nota

Análise: o desempenho geral é satisfatório e relativamente equilibrado

Variabilidade do desempenho

• Nota mínima: 3,1
• Nota máxima: 7,7
• Existe uma amplitude relevante (4,6 pontos)

Análise: apesar da média positiva, há dispersão significativa, com presença de alunos em níveis bem diferentes de desempenho.

Distribuição das notas
A maior parte dos alunos está concentrada entre 6,0 e 7,9
Poucos alunos estão nos extremos

Análise: há um núcleo consistente de desempenho médio, o que é positivo para estabilidade da turma.

Comparação por sexo
Meninas: média 5,97
Meninos: média 6,20

Análise: existe uma diferença leve (+0,23 para os meninos), mas não é estatisticamente relevante no contexto geral.

Alta performance
Os 5 melhores alunos estão acima de 7,0
Representam um grupo de destaque com desempenho consistente

Análise: há potencial de excelência que pode ser explorado (ex: liderança, mentoria entre alunos)
Em empresas, escolas ou instituições, costumam fornecer bônus, prêmios ou recompensas para manter o alto desempenho (SLA, OTD, etc.)

Baixa performance

• Os 5 piores alunos estão abaixo de 5,0
• Representam cerca de 25% da turma
  Análise: esse é o principal ponto de atenção — indica necessidade de ações de reforço direcionadas

Conclusão executiva

• O desempenho geral da turma é bom e acima do mínimo esperado
• Existe um grupo central estável, que sustenta a média
• A principal oportunidade está em reduzir a cauda de baixo desempenho
• Não há problemas estruturais entre grupos (como sexo), o que indica equilíbrio no processo de ensino

Recomendações

1. Focar em intervenções para alunos abaixo de 5,0
2. Explorar os alunos de alta performance como apoio/mentoria
3. Manter o modelo atual, com ajustes pontuais, não estruturais

**Ponto Importante: **

Durante e após as análises, foi feita uma revisão humana para garantir que os resultados estavam corretos. Em alguns casos, o modelo cometeu erros, como inventar informações, calcular métricas de forma incorreta e até tentar identificar gênero com base no nome, o que não é confiável. Sem essa revisão, esses erros poderiam prejudicar a tomada de decisão. Além disso, usei o conceito de abstração, focando apenas nos resultados e indicadores, sem expor muitas informações sensíveis como nomes, já que gestores estão mais interessados no desempenho geral do que em dados individuais.