Prompt:
Preciso criar um post para o meu LinkedIn pessoal sobre quais as competências (conhecimentos, habilidades e atitudes) que preciso desenvolver para me tornar um analista de dados.

1. O post precisa ter a hashtag #IAnaAlura.
2. Considere as competências mais requeridas pelo mercado.
3. Me explica passo a passo o critério que você utilizou para chegar a jornada ideal para ser um analista de dados.

Resultado:
Post pronto para LinkedIn (copie e cole)

Estou começando (com foco e disciplina) a minha jornada para me tornar Analista de Dados.
Para isso vou desenvolver competências em três frentes: conhecimento, habilidades e atitudes — todas alinhadas ao que o mercado vem pedindo.

O que vou aprender / melhorar:

• Conhecimento: estatística descritiva e inferencial, modelagem de dados e fundamentos de ML/IA.
• Habilidades: SQL e Excel avançado; programação em Python/R; limpeza e engenharia de dados; visualização (Power BI / Tableau); versionamento (Git) e práticas básicas de cloud/ETL.
• Atitudes: curiosidade analítica, comunicação clara para não-técnicos, pensamento crítico, responsabilidade ética com dados e proatividade para transformar insights em ação.

Vou compartilhar aqui meus projetos e aprendizados — se tiver dicas de curso, desafio ou projeto prático, me marca!
#IAnaAlura

Critério passo a passo (como cheguei à jornada ideal)

1) Fontes e evidências (base para priorizar competências)
Reuni relatórios e guias de carreira de plataformas e instituições que monitoram ofertas de trabalho e tendências (ex.: Coursera, DataCamp, 365DataScience, LinkedIn e apurações jornalísticas sobre soft skills/AI). Essas fontes mostram consistência em algumas habilidades-chave: SQL, programação (Python/R), visualização, estatística e comunicação.

2) Organização em KSA (Conhecimento — Skills — Atitudes)

• Conhecimento: conceitos teóricos que permitem interpretar resultados (estatística, conceitos de modelos, ética de dados).
• Skills (habilidades técnicas): ferramentas e técnicas práticas (SQL, Python, Power BI/Tableau, Git, ETL).
• Atitudes: comportamento profissional que faz a diferença (comunicação, curiosidade, responsabilidade).
  Racional: separar teoria → execução → comportamento facilita planejar o aprendizado e medir progresso.

3) Critérios de priorização das competências
Para decidir o que aprender primeiro usei três filtros:

• Frequência nas vagas / impacto imediato — habilidades que aparecem mais em job posts (ex.: SQL, visualização).
• Dependência técnica — quais habilidades são pré-requisito para outras (ex.: entender SQL e estatística facilita fazer análises e construir visualizações com sentido).
• Transferência e valor ao negócio — competências que geram valor rápido (dashboards acionáveis, análises que suportem decisão) e soft skills que tornam o trabalho utilizável pela equipe (storytelling). A comunicação é frequentemente citada como uma das habilidades mais demandadas.

4) Jornada (fases práticas) — do básico ao aplicado

• Fase A — Fundamentos (entregáveis: 1 notebook + queries básicas): estatística descritiva; SQL básico; Excel com análises e pivot tables. (Base para interpretar dados.)
• Fase B — Ferramentas & automação (entregáveis: 1 script Python + 1 pipeline simples): Python/R para manipulação (pandas/dplyr), limpeza de dados, automação de rotinas e Git para versionamento.
• Fase C — Visualização & storytelling (entregáveis: 1 dashboard público + relatório executivo): Power BI/Tableau, técnicas de design para dashboards e comunicar insights.
• Fase D — Projetos end-to-end (entregáveis: 2 projetos no GitHub com README que explique negócio + deploy de dashboard): juntar coleta ou limpeza ou analysis ou visualização ou relatório para mostrar impacto real.
• Fase E — Especialização e escala: entregáveis: estudo de caso avançado: fundamentos de ML, noções de cloud e práticas de governança/ética (tornar-se mais estratégico). Observa-se também demanda crescente por literacia em IA e por profissionais atentos a ética/segurança.

5) Como medir progresso

• Projetos concretos no GitHub com README e dataset (qualidade quantidade).
• Dashboards interativos e um relatório executivo (1 page) por projeto.
• Capacidade de responder a perguntas de negócio com dados em entrevistas simuladas.
• Feedbacks reais: PRs em código, avaliações de pares, convites para entrevistas.

6) Validação contínua e ajuste

• Comparar o seu portfólio com descrições reais de vagas e ajustar as lacunas. Ler 5 a 10 vagas alvo semanalmente ajuda a manter o foco.
• Prática deliberada - Kaggle e Desafios, projetos do mundo real - e traduzir resultados em recomendações acionáveis.
• Atualizar com conteúdos sobre IA responsável e segurança, empresas já apontam escassez em áreas de ética, AI, security.