Aplicando o método 70–20–10 à minha realidade para criar um plano de desenvolvimento contínuo equilibrado, sem sobrecarregar minha semana. Veja como ficaria:

Objetivo central

Desenvolver habilidades sólidas em Análise de Dados, equilibrando teoria, prática e networking.

Distribuição do aprendizado 70–20–10
70% — Aprendizado pela prática (experiência direta)

Foco: aplicar o que aprende nos cursos em situações reais.
Cargas e exemplos:

Trabalho (24h/semana): aplicar conceitos de dados, relatórios, automação ou planilhas reais.

Projetos pessoais (2h extras/semana): analisar bases públicas (ex: dados do IBGE, Kaggle, ou dados da própria empresa se possível).

Musculação (4h30/semana): pode virar laboratório pessoal — registrar, monitorar e analisar desempenho (ex: evolução de carga, tempo, frequência).

Dica: use ferramentas como Excel, Power BI ou Python para transformar esses dados pessoais em dashboards. Isso consolida a prática com propósito.

20% — Aprendizado com outras pessoas

Foco: absorver conhecimento de colegas, mentores e comunidades.
Sugestões:

Networking: participe de fóruns ou grupos no LinkedIn sobre análise de dados (p. ex., “Data Hackers” ou “Comunidade Power BI”).

Trocas internas: peça feedback semanal no trabalho sobre suas análises e relatórios.

Mentoria leve: 1h quinzenal com alguém da área ou um colega mais experiente (pode ser online).

Meta realista: 2h quinzenais de interação significativa.

10% — Aprendizado formal (estudo estruturado)

Foco: cursos e formações.
Já na rotina:

Curso de Análise de Dados (8h/semana)

Curso de Jovem Aprendiz (6h/semana)

Esses 14h/semana cobrem perfeitamente essa fatia — já está acima da média dos 10%, o que é ótimo enquanto estiver nessa fase de formação.

Resumo da distribuição semanal

70% Prática Trabalho + projetos + musculação como base de dados 26–28h ~67–70%
20% Interação Mentoria, feedbacks, grupos, networking 2–3h ~18–20%
10% Estudo formal Cursos (Análise de Dados + Jovem Aprendiz) 14h ~10–15%