13 skills de Dados e Analytics: de GA4 e SQL ao dashboard

Tomar decisões de marketing sem dados confiáveis é apostar no escuro, mas afogar o time em planilhas desconexas é igualmente perigoso.
Neste guia pilar, a gente apresenta 13 skills essenciais para transformar perguntas de negócio em planos analíticos, consultas SQL de alto desempenho em warehouses, modelos semânticos no dbt e dashboards interativos prontos para a diretoria.

1. O abismo entre “ter dados” e tomar decisões de marketing

A maioria das empresas não sofre por falta de números. Elas sofrem por excesso de números desorganizados. Em uma reunião típica de crescimento, o cenário se repete:

• O gestor de mídia afirma que o canal gerou 450 vendas segundo o painel do Google Ads.
• O analista de CRM jura que só entraram 280 novos clientes pagantes na mesma semana.
• O Google Analytics 4 atribui a maior parte das conversões ao tráfego direto por problemas de UTM e consentimento de cookies.
• O time de dados passa três dias escrevendo queries manuais em SQL para tentar descobrir quem está com a razão, enquanto a campanha continua queimando orçamento.

O papel das skills analíticas orientadas a agentes de IA não é “gerar gráficos mágicos”. É estruturar um processo reproduzível de governança e análise: entender o briefing real da liderança, auditar a qualidade do dataset, padronizar regras de negócio na camada semântica e só então gerar visualizações e dashboards acionáveis.

+-----------------------------------------------------------------------------------------+
|                  PIPELINE ANALÍTICO DE MARTECH: DA PERGUNTA AO DASHBOARD                 |
+-----------------------------------------------------------------------------------------+
|                                                                                         |
|  [ 1. DESCOBERTA ]   stakeholder-requirements  ·  programmatic-eda                      |
|            |                                                                            |
|            v                                                                            |
|  [ 2. PLANEJAMENTO ] analysis-planning · data-context · dbt-semantic-layer              |
|            |         schema-mapper · impact-quantification · analytics (tracking)       |
|            v                                                                            |
|  [ 3. PRODUÇÃO ]     pandas-data-cleaning · sql-queries · data-visualization            |
|                      build-dashboard · looker-studio                                    |
|                                                                                         |
+-----------------------------------------------------------------------------------------+

2. Critérios de curadoria da lista

Entre dezenas de utilitários de análise de dados disponíveis em código aberto, selecionamos 13 componentes baseados em cinco exigências práticas:

1. Rastreabilidade de transformação: qualquer limpeza de dados ou filtro de agregação deve deixar registro explícito do que foi alterado e por qual motivo.
2. Separação entre métrica bruta e métrica de negócio: ferramentas que incentivam o cálculo padronizado (como CAC, LTV e taxa de churn) na camada semântica, evitando divergência de fórmulas entre analistas.
3. Multi-warehouse e dialetos SQL: compatibilidade comprovada com BigQuery, Snowflake, PostgreSQL e Databricks.
4. Governança de privacidade: atenção estrita a dados pessoais (LGPD/GDPR), evitando vazamentos de PII em logs de agentes.
5. Aderência à rotina do Club Martech: componentes testados na mensuração diária de retenção, aquisição e conversão de nossos alunos e parceiros.

3. As 13 skills por etapa de trabalho

Etapa: Descobrir

1. stakeholder-requirements-gathering

• O que faz: Estrutura entrevistas guiadas para transformar pedidos vagos (“preciso de um dashboard de vendas”) em briefs analíticos rigorosos com hipóteses claras, público-alvo, prazos e critérios de aceite.
• Quando escolher: No primeiro contato com a demanda, antes de abrir qualquer ferramenta de banco ou escrever uma linha de SQL.
• Repositório GitHub: nimrodfisher/data-analytics-skills/tree/main/05-stakeholder-communication/stakeholder-requirements-gathering
• Instalação:

npx skills add nimrodfisher/data-analytics-skills --skill stakeholder-requirements-gathering

• Exemplo de prompt:

O diretor comercial pediu para 'investigar por que as vendas caíram no mês passado'. Use a stakeholder-requirements-gathering para formular as 5 perguntas essenciais que precisamos alinhar com ele antes de começar a extração.

• Saída esperada: Documento estruturado delimitando escopo temporal, segmentações prioritárias, métricas de comparação e definição de sucesso da entrega.

2. programmatic-eda

• O que faz: Realiza Análise Exploratória de Dados (EDA) programática em arquivos CSV, Parquet ou bancos relacionais, diagnosticando cardinalidade, tipos de variáveis, volume de valores nulos e outliers.
• Quando escolher: Ao receber uma nova base desconhecida ou export do CRM, antes de aplicar transformações ou treinar modelos preditivos.
• Repositório GitHub: nimrodfisher/data-analytics-skills/tree/main/01-data-quality-validation/programmatic-eda
• Instalação:

npx skills add nimrodfisher/data-analytics-skills --skill programmatic-eda

• Exemplo de prompt:

Execute uma análise exploratória no arquivo 'leads_outubro.csv'. Identifique colunas com mais de 10% de valores ausentes, cheque a distribuição do campo 'pontuacao_engajamento' e aponte possíveis registros duplicados por e-mail.

• Saída esperada: Relatório analítico com resumo estatístico por coluna e lista priorizada de anomalias que exigem saneamento prévio.

Etapa: Planejar

3. analysis-planning

• O que faz: Decompõe o briefing analítico em um plano operacional de execução com subperguntas ordenadas, fontes de dados requeridas, estimativa de tempo e pontos de risco metodológico.
• Quando escolher: Quando a análise envolve o cruzamento de múltiplas fontes (ex.: CRM, banco transacional e dados de tráfego web).
• Repositório GitHub: nimrodfisher/data-analytics-skills/tree/main/06-workflow-optimization/analysis-planning
• Instalação:

npx skills add nimrodfisher/data-analytics-skills --skill analysis-planning

• Exemplo de prompt:

Elabore o plano de análise para avaliar a eficácia do nosso fluxo de onboarding. O objetivo é responder se a conclusão do módulo 1 reduz o cancelamento nos primeiros 90 dias. Mapeie as tabelas necessárias e as etapas estatísticas recomendadas.

• Saída esperada: Cronograma de tarefas sequenciadas com requisitos técnicos e metodologia de coortes definida.

4. data-context-extractor

• O que faz: Extrai e organiza o conhecimento tácito dos analistas de dados (definições de tabelas, IDs de clientes, regras de exclusão de testes internos) em uma skill modular e permanente para o agente.
• Quando escolher: Para ensinar ao agente a semântica interna do warehouse da empresa, evitando que ele consulte tabelas de staging legadas ou dados de testes.
• Repositório GitHub: anthropics/knowledge-work-plugins/tree/main/data/skills/data-context-extractor
• Instalação:

claude plugin marketplace add anthropics/knowledge-work-plugins

• Exemplo de prompt:

Use o data-context-extractor para documentar nosso esquema de faturamento no BigQuery. Registre que a tabela 'faturamento_oficial' deve ser filtrada por 'status_pagamento = 1' e que transações com e-mail corporativo interno devem ser excluídas das análises de aquisição.

• Saída esperada: Arquivo de contexto semântico padronizado pronto para alimentar as futuras consultas do agente.

5. building-dbt-semantic-layer

• O que faz: Guia a modelagem de métricas e entidades na camada semântica do dbt (MetricFlow), garantindo que KPIs cruciais (como CAC, LTV e taxa de recompra) tenham uma única definição matemática em código versionado.
• Quando escolher: Quando diferentes departamentos chegam a resultados diferentes para o mesmo indicador em reuniões de diretoria.
• Repositório GitHub: dbt-labs/dbt-agent-skills/tree/main/skills/dbt/skills/building-dbt-semantic-layer
• Instalação:

npx skills add dbt-labs/dbt-agent-skills --skill building-dbt-semantic-layer

• Exemplo de prompt:

Escreva a especificação YAML da camada semântica do dbt para a métrica 'Taxa de Conversão de Oportunidades'. A métrica é uma razão entre 'deals_ganhos' e 'deals_criados', agrupável por canal de origem e período mensal.

• Saída esperada: Arquivo semantic_models.yml e metrics.yml com dimensões temporais e regras de agregações validadas.

6. schema-mapper

• O que faz: Mapeia dicionários de dados e esquemas entre sistemas heterogêneos (como dados do Salesforce para o BigQuery), apontando transformações de tipos (CAST), preenchimentos de valores padrão e lacunas de modelagem.
• Quando escolher: Ao construir pipelines de ETL/ELT entre ferramentas de martech e o data warehouse central.
• Repositório GitHub: nimrodfisher/data-analytics-skills/tree/main/02-documentation-knowledge/schema-mapper
• Instalação:

npx skills add nimrodfisher/data-analytics-skills --skill schema-mapper

• Exemplo de prompt:

Mapeie os campos do objeto 'Contact' da API do ActiveCampaign para a nossa tabela 'dim_contatos' no Snowflake. Liste as conversões de tipos necessárias e destaque campos que exigem tratamento de fuso horário.

• Saída esperada: Matriz de correspondência de schemas com regras de transformação e script de migração preliminar.

7. impact-quantification

• O que faz: Constrói estimativas financeiras e de volume para oportunidades identificadas em dados, estruturando cenários conservador, realista e otimista com premissas explícitas de sensibilidade.
• Quando escolher: Para priorizar projetos e demonstrar o retorno sobre investimento (ROI) de iniciativas de marketing antes de alocar recursos de engenharia.
• Repositório GitHub: nimrodfisher/data-analytics-skills/tree/main/05-stakeholder-communication/impact-quantification
• Instalação:

npx skills add nimrodfisher/data-analytics-skills --skill impact-quantification

• Exemplo de prompt:

Quantifique o impacto de uma redução de 15% na taxa de abandono do checkout. Considere um tráfego de 50.000 visitantes/mês, ticket médio de R$ 397 e taxa de conversão atual de 1,8%. Apresente o ganho projetado em 12 meses sob três cenários.

• Saída esperada: Tabela comparativa com modelagem de sensibilidade financeira e premissas fundamentadas.

8. analytics (Corey Haines)

• O que faz: Guia o desenho completo do plano de tracking e instrumentação analítica (eventos, parâmetros personalizados, dimensões e gatilhos) para Google Analytics 4, Mixpanel ou PostHog.
• Quando escolher: Antes de lançar um novo produto, funcionalidade ou fluxo de checkout para garantir que cada clique relevante seja mensurável desde o primeiro minuto.
• Repositório GitHub: coreyhaines31/marketingskills/tree/main/skills/analytics
• Instalação:

npx skills add coreyhaines31/marketingskills --skill analytics

• Exemplo de prompt:

Estruture o plano de mensuração para a nossa nova página de planos e preços. Defina os eventos recomendados para visualização da tabela, clique no switch anual/mensal e início do checkout no padrão de nomenclatura recomendado pelo GA4.

• Saída esperada: Tabela completa com nomes de eventos recomendados, tipos de parâmetros e orientações para tags no GTM.

Etapa: Produzir

9. pandas-data-cleaning

• O que faz: Gera receitas reproduzíveis em Python utilizando a biblioteca pandas para sanear bases de dados: tratamento de valores ausentes, conversão de datas, deduplicação por chaves compostas e normalização de texto.
• Quando escolher: Para preparar exports brutos de campanhas ou planilhas enviadas por parceiros antes de carregar no banco ou no dashboard.
• Repositório GitHub: JayRHa/agent-skills/tree/main/pandas-data-cleaning
• Instalação:

npx skills add JayRHa/agent-skills --skill pandas-data-cleaning

• Exemplo de prompt:

Crie um script pandas para limpar o export 'leads_eventos.csv'.
Regras:
1. Converter o campo 'telefone' para o padrão E.164 (+55...).
2. Preencher nomes em branco com 'Não Informado'.
3. Remover espaços extras e colocar e-mails em caixa baixa.
Gere o código comentado com relatório das linhas modificadas.

• Saída esperada: Script Python limpo, modular e acompanhado de relatório de auditoria de dados alterados.

10. sql-queries

• O que faz: Escreve consultas analíticas complexas (usando Common Table Expressions – CTEs, funções de janela ROW_NUMBER, LEAD/LAG e junções seguras), adaptando a sintaxe para o dialeto específico do seu warehouse.
• Quando escolher: Para extrair métricas de coorte, retenção, canais de primeiro/último toque e cálculos agregados com otimização de custo de processamento.
• Repositório GitHub: anthropics/knowledge-work-plugins/tree/main/data/skills/sql-queries
• Instalação:

claude plugin marketplace add anthropics/knowledge-work-plugins

• Exemplo de prompt:

Escreva uma consulta SQL para o Google BigQuery que calcule a retenção de coorte mensal dos alunos nos últimos 6 meses.
A base possui as tabelas 'alunos' (id_aluno, data_cadastro) e 'aulas_assistidas' (id_aluno, data_aula).
Otimize a query usando particionamento por data para economizar leitura de dados.

• Saída esperada: Consulta SQL elegante, formatada e comentada, pronta para rodar no console do BigQuery:

WITH coortes AS (
  SELECT
    id_aluno,
    DATE_TRUNC(DATE(data_cadastro), MONTH) AS mes_coorte
  FROM `meu_projeto.analytics.alunos`
),
atividades AS (
  SELECT
    a.id_aluno,
    c.mes_coorte,
    DATE_DIFF(DATE_TRUNC(DATE(a.data_aula), MONTH), c.mes_coorte, MONTH) AS meses_depois
  FROM `meu_projeto.analytics.aulas_assistidas` a
  INNER JOIN coortes c ON a.id_aluno = c.id_aluno
  WHERE a.data_aula >= '2026-01-01'
  GROUP BY 1, 2, 3
)
SELECT
  mes_coorte,
  meses_depois,
  COUNT(DISTINCT id_aluno) AS alunos_ativos
FROM atividades
GROUP BY 1, 2
ORDER BY 1, 2;

11. data-visualization

• O que faz: Constrói gráficos estáticos e interativos de alta qualidade com bibliotecas Python (matplotlib, seaborn e plotly), aplicando boas práticas de hierarquia visual, rótulos diretos e contraste acessível.
• Quando escolher: Para ilustrar relatórios executivos, apresentações para investidores ou artigos técnicos com gráficos elegantes e sem poluição visual.
• Repositório GitHub: anthropics/knowledge-work-plugins/tree/main/data/skills/data-visualization
• Instalação:

claude plugin marketplace add anthropics/knowledge-work-plugins

• Exemplo de prompt:

Gere o código Python em plotly para um gráfico de linha interativo comparando a evolução do CAC e do LTV mês a mês ao longo do último ano. Inclua uma linha de referência horizontal no teto de CAC aceitável (R$ 150) e anote os pontos de inflexão.

• Saída esperada: Código executável que exporta imagem vetorial (SVG) ou arquivo HTML interativo com paleta sóbria e legível.

12. build-dashboard

• O que faz: Gera um dashboard completo em um único arquivo HTML autocontido, incorporando dados em JSON, filtros dinâmicos de período e gráficos interativos via Chart.js ou ApexCharts sem dependências pesadas.
• Quando escolher: Quando você precisa entregar um relatório visual interativo para um cliente ou diretor que possa ser aberto diretamente no navegador ou enviado por e-mail sem exigir logins ou servidores de BI caros.
• Repositório GitHub: anthropics/knowledge-work-plugins/tree/main/data/skills/build-dashboard
• Instalação:

claude plugin marketplace add anthropics/knowledge-work-plugins

• Exemplo de prompt:

Transforme os dados desta tabela de aquisição de canais em um dashboard HTML responsivo. O dashboard deve conter 3 cartões de KPI no topo (Investimento Total, Leads Gerados e CPA Médio), um gráfico de barras com leads por canal e uma tabela ordenável.

• Saída esperada: Arquivo dashboard.html visualmente polido, com suporte a modo escuro, filtros dinâmicos e layout responsivo.

13. looker-studio

• O que faz: Orienta a estruturação de painéis analíticos contínuos no Google Looker Studio, detalhando conexões de fontes, união de dados (blends), fórmulas de campos calculados e filtros de audiência.
• Quando escolher: Para relatórios recorrentes em produção conectados diretamente ao BigQuery, GA4 ou Google Sheets que precisam ser atualizados automaticamente todos os dias.
• Repositório GitHub: thatrebeccarae/claude-marketing/tree/main/skills/looker-studio
• Instalação:

npx skills add thatrebeccarae/claude-marketing --skill looker-studio

• Exemplo de prompt:

Modele um relatório no Looker Studio integrando dados do Google Ads e do GA4. Escreva a fórmula do campo calculado para estimar o 'Retorno Real sobre Gasto de Mídia (ROAS)' considerando uma margem de contribuição de 65% sobre o faturamento atribuído.

• Saída esperada: Estrutura de páginas do relatório, mapeamento de dimensões para blends e fórmula do campo calculado testada para a interface do Looker Studio.

4. Como combinar: 2 cadeias essenciais na prática

Cadeia A: Da pergunta de negócio ao relatório em Looker Studio

[ stakeholder-requirements ] --> Alinha a pergunta real e os critérios de sucesso
          |
          v
[ analytics ]                --> Garante a instrumentação de eventos no GA4 e GTM
          |
          v
[ sql-queries ]              --> Cria as visualizações consolidadas no BigQuery
          |
          v
[ looker-studio ]            --> Constrói o dashboard recorrente para os tomadores de decisão

Por que essa ordem funciona: assegura que o painel final responda exatamente à dúvida estratégica da liderança, alimentado por dados bem instrumentados e consultas otimizadas sem desperdício de processamento.

Cadeia B: Do CSV desorganizado ao dashboard executivo interativo

[ programmatic-eda ]         --> Mapeia a estrutura bruta e identifica valores faltantes
          |
          v
[ pandas-data-cleaning ]     --> Limpa e padroniza as colunas de forma reproduzível
          |
          v
[ impact-quantification ]    --> Modela o impacto financeiro dos cenários encontrados
          |
          v
[ build-dashboard ]          --> Empacota tudo em um HTML interativo para entrega imediata

Por que essa ordem funciona: permite que analistas de marketing entreguem relatórios visuais de alto padrão em menos de duas horas, mantendo o histórico de transformações auditável e transparente.

5. O que ficou de fora e por quê

Durante o processo de seleção das 39 skills avaliadas no tema de dados:

• Ferramentas de “auto-machine-learning” sem explicabilidade: descartamos utilitários que geravam modelos de classificação complexos sem indicar a importância das variáveis, pois predições sem explicação lógica não servem para decisões estratégicas de marketing.
• Dashboards estáticos baseados em imagens esticadas: rejeitamos componentes que geravam apenas prints estáticos em baixa resolução, privilegiando soluções interativas em HTML ou conectores de BI vivos.
• Rotinas que misturam lógica de negócio no visualizador: excluímos práticas que embutiam regras complexas de cálculo diretamente na interface do gráfico, priorizando a centralização das regras no dbt ou nas consultas SQL.

6. Como começar em 30 minutos

Se você quer elevar imediatamente a qualidade analítica da sua operação:

1. Minuto 0 ao 10: instale a skill programmatic-eda (npx skills add nimrodfisher/data-analytics-skills --skill programmatic-eda).
2. Minuto 10 ao 18: pegue a base de export mais recente de campanhas ou vendas e rode uma exploração programática guiada pelo agente.
3. Minuto 18 ao 25: identifique as 3 principais discrepâncias de formatação e use a pandas-data-cleaning para gerar uma receita de saneamento.
4. Minuto 25 ao 30: gere um dashboard executivo local com a build-dashboard e apresente a análise estruturada para a sua equipe.

FAQ: Dúvidas frequentes sobre dados e analytics com IA

O agente de IA pode acessar o meu banco de dados de produção diretamente?

Nunca conecte agentes a bancos de produção sem controle de permissões. A prática recomendada é utilizar credenciais de leitura estrita (SELECT apenas) apontando para réplicas de leitura ou data warehouses analíticos isolados (como BigQuery ou Snowflake), preferencialmente através de servidores MCP com auditoria de requisições.

O Looker Studio é gratuito para qualquer volume de dados?

A ferramenta de visualização do Looker Studio é gratuita. No entanto, se ela consultar grandes volumes de dados no BigQuery a cada carregamento de página, você pagará pelos bytes processados pelo warehouse. A recomendação do Club Martech é criar tabelas agregadas diárias no dbt para alimentar o painel com custo próximo de zero.

Qual é a vantagem de usar dbt em vez de consultas SQL soltas?

O dbt traz para os dados as melhores práticas de engenharia de software: controle de versão no Git, testes automáticos de integridade (verificar se há chaves nulas ou duplicadas), documentação integrada e linhagem de dependências, garantindo que ninguém altere uma métrica crítica sem que o time perceba.

Próximo passo na sua operação

Transformar dados dispersos em inteligência competitiva acionável é a marca registrada dos profissionais que realmente lideram operações modernas de martech.

No módulo de Dados, Métricas e Performance da Formação Club Martech, você aprende a projetar toda a esteira de analytics: desde o plano de eventos e modelagem no dbt até a construção de relatórios executivos no Looker Studio e consultas SQL de alta performance. O conteúdo foi desenhado para quem já está no campo de batalha e quer dominar os números com rigor e independência técnica. Conheça a formação e dê o próximo passo na sua carreira.