# 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 desemp - Tipo: Artigo - Autor: Dionatha Rodrigues - Publicado em: 2026-11-03 · Atualizado em: 2026-11-03 - URL: https://clubmartech.com.br/blog/skills-de-dados-ga4-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](https://github.com/nimrodfisher/data-analytics-skills/tree/main/05-stakeholder-communication/stakeholder-requirements-gathering) - **Instalação:** ```bash npx skills add nimrodfisher/data-analytics-skills --skill stakeholder-requirements-gathering ``` - **Exemplo de prompt:** ```markdown 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](https://github.com/nimrodfisher/data-analytics-skills/tree/main/01-data-quality-validation/programmatic-eda) - **Instalação:** ```bash npx skills add nimrodfisher/data-analytics-skills --skill programmatic-eda ``` - **Exemplo de prompt:** ```markdown 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](https://github.com/nimrodfisher/data-analytics-skills/tree/main/06-workflow-optimization/analysis-planning) - **Instalação:** ```bash npx skills add nimrodfisher/data-analytics-skills --skill analysis-planning ``` - **Exemplo de prompt:** ```markdown 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](https://github.com/anthropics/knowledge-work-plugins/tree/main/data/skills/data-context-extractor) - **Instalação:** ```bash claude plugin marketplace add anthropics/knowledge-work-plugins ``` - **Exemplo de prompt:** ```markdown 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](https://github.com/dbt-labs/dbt-agent-skills/tree/main/skills/dbt/skills/building-dbt-semantic-layer) - **Instalação:** ```bash npx skills add dbt-labs/dbt-agent-skills --skill building-dbt-semantic-layer ``` - **Exemplo de prompt:** ```markdown 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](https://github.com/nimrodfisher/data-analytics-skills/tree/main/02-documentation-knowledge/schema-mapper) - **Instalação:** ```bash npx skills add nimrodfisher/data-analytics-skills --skill schema-mapper ``` - **Exemplo de prompt:** ```markdown 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](https://github.com/nimrodfisher/data-analytics-skills/tree/main/05-stakeholder-communication/impact-quantification) - **Instalação:** ```bash npx skills add nimrodfisher/data-analytics-skills --skill impact-quantification ``` - **Exemplo de prompt:** ```markdown 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](https://github.com/coreyhaines31/marketingskills/tree/main/skills/analytics) - **Instalação:** ```bash npx skills add coreyhaines31/marketingskills --skill analytics ``` - **Exemplo de prompt:** ```markdown 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](https://github.com/JayRHa/agent-skills/tree/main/pandas-data-cleaning) - **Instalação:** ```bash npx skills add JayRHa/agent-skills --skill pandas-data-cleaning ``` - **Exemplo de prompt:** ```markdown 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](https://github.com/anthropics/knowledge-work-plugins/tree/main/data/skills/sql-queries) - **Instalação:** ```bash claude plugin marketplace add anthropics/knowledge-work-plugins ``` - **Exemplo de prompt:** ```markdown 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: ```sql 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](https://github.com/anthropics/knowledge-work-plugins/tree/main/data/skills/data-visualization) - **Instalação:** ```bash claude plugin marketplace add anthropics/knowledge-work-plugins ``` - **Exemplo de prompt:** ```markdown 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](https://github.com/anthropics/knowledge-work-plugins/tree/main/data/skills/build-dashboard) - **Instalação:** ```bash claude plugin marketplace add anthropics/knowledge-work-plugins ``` - **Exemplo de prompt:** ```markdown 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](https://github.com/thatrebeccarae/claude-marketing/tree/main/skills/looker-studio) - **Instalação:** ```bash npx skills add thatrebeccarae/claude-marketing --skill looker-studio ``` - **Exemplo de prompt:** ```markdown 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.