This project presents an end-to-end data analysis (SQL, Python, Scikit-Learn, and Looker Studio) evaluating socioeconomic and demographic patterns within the tech/data market in Brazil. The main documentation below is written in Portuguese, but the repository contains full technical workflows, SQL scripts, predictive modeling, and interactive dashboards.
Este repositório contém um projeto end-to-end focado no mapeamento socioeconômico e demográfico de profissionais da área de Dados no Brasil. O estudo abrange desde o tratamento de dados relacionais via SQL e análise exploratória em Python, até a construção de um dashboard interativo no Looker Studio e a implementação de um modelo preditivo de Regressão Linear focado na interpretabilidade de fatores de renda.
- sql/
- consultas_dbeaver.sql (Scripts DDL, DML e consultas relacionais executadas no DBeaver)
- img/
- overview.jpg (Visão geral do dashboard de diversidade)
- genero.jpgg (Detalhamento analítico por gênero)
- etnia.jpg (Detalhamento analítico por etnia)
- reports/
- Relatorio1_Programaria-2.pdf (Versão estática exportada do dashboard)
- PROGRAMARIA_Dados.ipynb (Caderno de tratamento de dados, banco relacional e EDA)
- PROGRAMARIA_Dados_ML.ipynb (Caderno de engenharia de recursos, regressão linear e interpretabilidade)
- README.md (Documentação principal do projeto)
Para a visualização executiva dos indicadores de diversidade, distribuição geográfica e analise detalhada de genêro e etnia, foi desenvolvido um painel interativo no Looker Studio.
Link de acesso ao dashboard interativo: [Acessar Dashboard no Looker Studio] (https://datastudio.google.com/reporting/edf5d59c-8431-4d8c-88b2-3d5d71bfc176))
Uma cópia estática do relatório também está disponível no repositório em: reports/Relatorio1_Programaria.pdf
- Estruturação de tabelas para representação de dados demográficos e geográficos.
- Execução de rotinas de limpeza, padronização de tipos de dados e criação de chaves.
- Elaboração de consultas com agrupamentos (
GROUP BY), agregações (SUM,COUNT,AVG) e cruzamentos relacionais (INNER JOIN).
- Identificação e tratamento de valores ausentes e inconsistências na base original.
- Mapeamento de variáveis categóricas ordinais (ex: conversão de níveis de escolaridade para escala quantitativa).
- Extração e padronização do tempo de experiência técnica e porte das empresas.
- Criação de marcadores analíticos para recortes de raça/etnia e gênero.
- Codificação de variáveis categóricas utilizando One-Hot Encoding (
pd.get_dummies). - Divisão da base entre conjuntos de treino (80%) e teste (20%).
- Padronização das variáveis explicativas via
StandardScaler. - Ajuste de modelo de Regressão Linear para estimativa de remuneração.
- R² Score: ~0,53 (o modelo explica aproximadamente 53% da variância salarial).
- Erro Médio Absoluto (MAE): ~R$ 3.298,96.
Conforme demonstrado no gráfico de coeficientes da Regressão Linear padronizada e nos painéis de visualização:
-
Fatores de Maior Impacto Positivo na Remuneração:
- Cargo e Senioridade: Posições de Gestão e Sênior representam os maiores impulsionadores isolados do aumento salarial.
- Experiência Técnica e Formação: O tempo de experiência na área de dados e o nível de escolaridade apresentam forte correlação positiva com a renda.
- Setores de Atuação: Os setores de Finanças/Bancos, E-commerce e Tecnologia oferecem remunerações acima da média do mercado.
-
Fatores de Redução Salarial e Disparidades Registradas:
- Setores com Menor Remuneração: O setor de Indústria e segmentos como Telecomunicações, Educação e Terceiro Setor (ONGs) apresentaram coeficientes negativos no modelo, indicando níveis salariais inferiores aos de Tecnologia e Finanças.
- Disparidades Socioeconômicas e Regionais: Marcadores demográficos (como a variável referente a pessoas não brancas) e localizações geográficas fora dos principais centros econômicos apresentaram coeficientes negativos, evidenciando lacunas estruturais de renda no setor de tecnologia.
Talita Marques Rodrigues
LinkedIn