Métricas do Data Analyst: Tempo até o Insight, Impacto na Decisão e Taxa de Adoção

São 16h47 de uma quinta-feira. A mensagem direta no Slack chega do VP de Marketing: "consulta rápida?" Você suspira, sai do modelo de LTV com o qual está lutando há dois dias e entrega os números até as 18h15. Ela envia um joinha. Você fecha o notebook.

Seis meses depois, o seu gestor se senta na sua frente em uma reunião individual e diz: "Quero defender a sua promoção, mas preciso de algo mais concreto do que 'ela é dedicada e as pessoas gostam dela'. O que você realmente entregou neste trimestre?"

Você abre o Jira. Você conta 87 tickets fechados. Vocês dois ficam olhando para a tela. Nenhum dos dois se sente bem.

É assim que as carreiras de Data Analyst estacionam. Não porque o trabalho é ruim, mas porque ninguém na equipe mede como é um bom trabalho de analista. "Estamos ocupados" se torna o KPI padrão. A contagem de tickets vira o proxy para o impacto. E então a sua faixa de remuneração para de se mover.

Acompanhei essas cinco métricas sobre mim mesma por um trimestre completo antes da minha última avaliação. A conversa que resultou disso foi a diferença entre uma oferta de R$ 95K e uma de R$ 145K. Mesmo cargo. Vocabulário diferente.

Por que a autoavaliação é o real alavancador de promoção

O seu gestor quer te defender. A maioria dos BI Leads com quem trabalhei genuinamente quer. O problema é que eles entram em uma reunião de calibração de remuneração ou de avaliação de desempenho com outros oito gestores, todos fazendo casos pelos seus liderados, e a linguagem precisa ser quantitativa. "Camellia fechou muitos tickets e as partes interessadas gostam dela" perde para "Marcus reduziu o erro de previsão de churn de 18% para 6% e o modelo dele agora está no deck do board".

Você não pode terceirizar isso para o seu gestor. Você precisa entrar com os números já preparados. Cinco deles, idealmente em um slide, idealmente com uma linha de tendência.

Aqui está o detalhe que a maioria dos analistas perde: quatro das cinco métricas abaixo são necessárias, mas não suficientes. Velocidade, uso, satisfação e higiene do backlog, tudo isso importa, e todos eles são o piso. O que se acumula, o que te separa do analista que é substituído por um autocomplete de SQL melhor, é o impacto na decisão. Um analista rápido e muito utilizado que nunca move uma decisão é intercambiável. Um analista que move três decisões por trimestre não é.

Rastreie as cinco. Lidere com a que se acumula.

Métrica 1: Tempo até o Insight

Definição: O relógio começa quando uma solicitação entra na sua fila. Ele para quando o solicitante tem a resposta em uma forma que pode usar. Não quando você publica um painel de controle. Quando eles entendem a resposta.

Metas: Mediana abaixo de 48 horas. P90 abaixo de 5 dias. P99 abaixo de 10 dias.

Como rastrear: Uma planilha no Google Sheets com cinco colunas é suficiente. request_id, requester, received_at, delivered_at, business_question. Não tente construir isso no Jira. O Jira rastreia tickets, não insights, e os carimbos de hora ficam imprecisos porque os tickets são reabertos e reencaminhados. Uma planilha simples que você preenche uma vez por dia leva 90 segundos.

Na primeira vez que medi isso, a minha mediana era de 6,3 dias. Eu achava que era rápida. Não era. O motivo pelo qual parecia rápido é porque eu estava sempre trabalhando em algo, mas a fila de trabalhos em andamento tinha 11 itens, e qualquer solicitação individual estava esperando em fila atrás de dois dias de troca de contexto.

Quando você consegue ver a mediana, pode movê-la. Três coisas movem o tempo até o insight mais do que qualquer outra:

1. Um formulário de entrada real (mesmo um workflow do Slack) que força os solicitantes a escrever a pergunta de negócio em uma frase. Se eles não conseguem, você devolve para triagem. Você vai se surpreender com quantas "solicitações urgentes" evaporam quando alguém precisa articular qual decisão está tomando.
2. Um limite de 3 análises em andamento simultâneas. Qualquer coisa além disso vai para o backlog com uma data prevista transparente.
3. Templates para os cinco tipos de solicitação mais comuns: análise de funil, retenção por coorte, verificação de atribuição por canal, atualização de painel executivo e contagem de segmento ad hoc. Os templates reduzem uma análise de 6 horas para 45 minutos.

Métrica 2: Impacto na Decisão

Definição: O percentual das análises que você entrega que mudam uma decisão. Não "informaram" uma decisão. Mudaram. A parte interessada fez algo diferente do que teria feito na ausência do seu trabalho.

Meta: 25% no seu primeiro ano como IC. 40% ou mais como Sênior. Abaixo de 15% significa que você é um gerador de consultas, não um analista.

Como rastrear: Auditoria trimestral. Você revisa cada análise que entregou e faz ao solicitante três perguntas, pessoalmente ou em uma ligação de 15 minutos:

1. "Em qual decisão esta análise se baseou?"
2. "O que você teria decidido sem a minha análise?"
3. "O que você realmente decidiu e foi diferente?"

Três perguntas. Cinco minutos por solicitante. Se a resposta à pergunta 3 for "fizemos o mesmo que faríamos de qualquer forma", isso é zero. Não importa quão limpo estava o SQL.

Na primeira vez que fiz essa auditoria, a minha taxa de impacto na decisão era de 11%. Onze por cento. Eu estava na empresa há 14 meses e aproximadamente nove de cada dez coisas que entregava não mudaram um único comportamento. Os painéis foram construídos, os slides foram apresentados e todos continuaram com a semana inalterada.

Esse número é o mais importante da sua carreira. Se for abaixo de 15%, a pergunta não é "como entrego mais análises?" A pergunta é "por que estou entregando coisas que não importam?" Geralmente uma de três respostas:

• Você está respondendo à pergunta que foi feita, não à que foi pretendida. As partes interessadas nem sempre sabem articular o que estão tentando decidir. O seu trabalho é questionar na entrada.
• Você está entregando depois que a janela de decisão fechou. Uma análise de retenção que chega na semana depois que o documento de estratégia foi finalizado é decoração.
• Você está entregando dados, não uma recomendação. "Aqui está o número, você decide" parece seguro. Também abdica do trabalho do analista.

A parte que se acumula: cada análise que move uma decisão lhe dá o direito de questionar mais fortemente na próxima entrada. Depois de três ou quatro conquistas, os solicitantes começam a vir até você com "estou tentando decidir entre X e Y, o que você acha?" em vez de "você pode puxar esse número?" Essa é a conversa do analista sênior.

Métrica 3: Taxa de Adoção do Painel de Controle

Definição: Usuários ativos diários e semanais nos painéis de controle que você mantém, medidos em relação à população para a qual foram construídos. Mais a curva de retenção na 4ª semana. Das pessoas que usaram o painel na semana do lançamento, quantas ainda estavam usando quatro semanas depois?

Meta: Mais de 30% de retenção na 4ª semana. Abaixo disso, o painel é decoração, não infraestrutura.

Como rastrear: A maioria das ferramentas de BI (Looker, Tableau, Mode, Hex, Sigma, Power BI) tem logs de uso integrados. Puxe DAU/WAU por painel de controle e uma curva de retenção de 4 semanas. Se a sua ferramenta não expõe isso, registre os carregamentos do painel em uma tabela de log de consultas e construa você mesmo. É um projeto de uma tarde.

Um padrão que vale nomear: o painel de decoração. Parece ótimo. Teve um anúncio no Slack. Tem 400 visualizações semanais nas duas primeiras semanas. Na 5ª semana, são três visualizações, e duas delas são você verificando se ele ainda funciona. O uso despencou porque ninguém tinha realmente um fluxo de trabalho que precisasse dele. Eles clicaram uma vez por curiosidade ou cortesia, e nunca voltaram.

Se você tem um painel de decoração, tem três opções:

• Elimine-o. De verdade. Tire do ar, publique no canal, redirecione a URL. O custo para a organização de manter um painel desatualizado no ar é maior do que o custo de tirá-lo. As partes interessadas citam números dele que não foram atualizados desde o lançamento, e você passa o próximo trimestre explicando por que a tendência se inverteu.
• Reformule-o. Se a pergunta era real mas a superfície não se encaixava no fluxo de trabalho, reconstrua em torno da decisão real. Migre de um painel de visão geral com 12 blocos para uma visão de "decisão de hoje" com 3 blocos.
• Substitua por um digest recorrente. Às vezes a resposta não é um painel. É um e-mail de segunda-feira de manhã com os três números que importam e uma narrativa de uma frase. A taxa de adoção vai de 4% para 60% do dia para a noite porque a superfície encontra o usuário onde ele realmente vive.

Métrica 4: NPS das Partes Interessadas

Definição: Uma vez por trimestre, você envia às suas 5 principais partes interessadas uma única pergunta em escala de 0 a 10: "Você recomendaria trabalhar comigo para outra equipe que precisa de suporte analítico?"

Meta: Média acima de 7. Qualquer pessoa abaixo de 7, você agenda um café.

Como rastrear: Google Form, cinco destinatários, anônimo se conseguir (respostas mais honestas), uma pergunta, campo de comentário opcional. Faça na 11ª semana do trimestre para ter tempo de responder antes do QBR.

As pessoas torcem o nariz para o NPS. É um único número, tem problemas estatísticos conhecidos e pode ser manipulado. Tudo verdade. Também captura algo que nada mais captura: as pessoas que dependem do seu trabalho querem continuar dependendo dele?

Dois padrões para observar:

• Alto impacto na decisão, NPS baixo. Você está entregando boas análises, mas a relação de trabalho tem muito atrito. Normalmente significa que você está questionando muito fortemente na entrada ou que o seu estilo de comunicação irrita partes interessadas seniores. O trabalho é valioso; a experiência não é.
• NPS alto, baixo impacto na decisão. É fácil trabalhar com você e as pessoas adoram receber números. Elas simplesmente não agem com base neles. Este é o modo de falha mais perigoso em analytics porque parece ótimo trimestre a trimestre e afunda a sua carreira em um horizonte de 2 a 3 anos.

O estado saudável é ambos acima de 7. Os estados não saudáveis têm cada um uma correção específica: problemas de NPS são problemas de comunicação; problemas de impacto são problemas de enquadramento.

Métrica 5: Idade do Backlog Ad Hoc

Definição: Idade mediana, em dias, de cada solicitação aberta na sua fila. Não a contagem de tickets. A idade.

Meta: Mediana abaixo de 7 dias. Acima de 14 dias, você é um gargalo, não um analista.

Como rastrear: A mesma planilha da métrica 1. Adicione uma coluna status. Diariamente, calcule days_open = hoje - received_at para tudo que ainda não foi entregue. Calcule a mediana.

O motivo pelo qual a idade importa e a contagem não: uma fila de 20 solicitações todas com 2 dias de idade é saudável. Uma fila de 6 solicitações onde a mais antiga tem 31 dias não é. Você não consegue ver isso com a contagem de tickets.

A idade diz algo diagnóstico sobre como você faz triagem. Se a sua mediana está crescendo semana a semana, uma de três coisas está acontecendo:

• Você está dizendo sim para tudo e a física está te alcançando.
• Você está acumulando os problemas difíceis e entregando os fáceis. A fila contém um cemitério de solicitações complexas que você continua despriorizando porque são assustadoras.
• O trabalho genuinamente cresceu além da sua capacidade e você precisa conversar com o seu gestor sobre uma contratação, um estágio ou o encerramento de uma entrega recorrente.

Uma métrica de acompanhamento útil: % de solicitações com mais de 14 dias em aberto. Este é o "número de vergonha". Se 30% da sua fila aberta é mais antiga do que duas semanas, essas partes interessadas desistiram de você. Elas contornaram você. Estão obtendo números de outra fonte, muitas vezes menos rigorosa. Você está perdendo confiança sem saber.

O Diagnóstico de Alto Uso com Baixo Impacto na Decisão

Esta é a armadilha que vejo matar mais carreiras de analistas do que qualquer outra. Vale sua própria seção.

Você tem um painel de controle principal. Talvez o painel do CEO, talvez o cubo de receita semanal, talvez o painel de desempenho de marketing. Ele tem 400 visualizações semanais. A taxa de adoção parece ótima. Você o lista na sua avaliação de desempenho.

Depois você faz a auditoria de decisões e nenhuma decisão no último trimestre remonta a ele.

O que está acontecendo: as pessoas estão olhando para o painel, mas o olhar é ritual, não ação. Elas o abrem na segunda-feira porque é um hábito. Elas rolam. Elas fecham. Os números entram em um senso vago e difuso de "como o negócio está indo". Nada na terça-feira é diferente por causa do que viram na segunda.

Como identificar:

1. Puxe o log de uso dos últimos 90 dias. Confirme que o painel tem DAU/WAU reais.
2. Percorra as decisões estratégicas do último trimestre: mudanças de preço, realocação de canais, decisões de contratação, cortes de produto. Liste de 8 a 10.
3. Para cada decisão, pergunte ao tomador de decisão: "O [nome do painel] informou isso? Como?" Seja preciso. "É parte de como penso sobre o negócio" é um não. "Verifiquei o bloco 4 no dia 12 de abril e isso mudou minha opinião sobre X" é um sim.
4. Conte. Se menos de 2 de 10 decisões remetem ao painel, ele é decoração.

O que fazer quando encontrar um:

• Não simplesmente elimine o painel. Entreviste os três usuários mais frequentes por 20 minutos cada um. Pergunte qual decisão eles estão tentando tomar quando o abrem.
• Em 90% das vezes, a decisão real que estão tomando é mais estreita do que o painel. Eles abrem 12 blocos para olhar uma tendência.
• Reconstrua em torno da decisão. Um bloco, uma pergunta, um limite. A taxa de adoção cai (menos visualizações de página por semana). O impacto na decisão aumenta.

O instinto é defender o painel porque o uso parece bom. Resista. Uso que não impulsiona decisões é a métrica de vaidade mais cara em analytics, porque consome tanto o seu tempo quanto a atenção da parte interessada enquanto não produz nada.

O Slide do QBR

Um slide. Esse é o ponto todo.

O seu gestor não tem tempo para ler uma autoavaliação de 4 páginas. O comitê de remuneração definitivamente não tem. Dê a eles o quadro completo em 30 segundos.

Formato:

Autoavaliação Trimestral, [Seu Nome], Q[X] [Ano]

| Métrica                              | Este tri | Tri ant. | Tend. | Meta    |
|--------------------------------------|----------|----------|-------|---------|
| Tempo até o insight (mediana)        | 38h      | 51h      | -25%  | <48h ✓  |
| Impacto na decisão                   | 32%      | 19%      | +13pp | >25% ✓  |
| Retenção na 4ª sem. do painel        | 41%      | 28%      | +13pp | >30% ✓  |
| NPS das partes interessadas          | 8,2      | 7,1      | +1,1  | >7  ✓   |
| Idade do backlog ad hoc (med.)       | 5d       | 11d      | -55%  | <7d ✓   |

Decisão entregue neste trimestre:
"Recomendei pausar o LinkedIn pago após análise de CAC mostrar
R$ 340 de CAC em um produto com margem de contribuição de R$ 180.
Marketing realocou R$ 45K/trimestre para retargeting.
Projeção em 60 dias: CAC de R$ 80."

Ponto fraco:
Eliminei o painel de Visão Geral de Marketing após auditoria no trimestre
mostrar 0/8 decisões rastreadas a ele no trimestre anterior. Substituí por um
digest semanal por e-mail, taxa de abertura de 73%, 4 decisões em 6 semanas.

É isso. Cinco métricas, valor atual, comparação, tendência, meta, um exemplo de decisão, um ponto fraco honesto. O ponto fraco não é opcional. Uma autoavaliação sem ponto fraco parece desonesta ou sem autoconsciência. O ponto fraco é o que faz você ser levado a sério.

Se você consegue produzir este slide a cada trimestre, o seu gestor tem munição. Se consegue produzi-lo com setas verdes por três trimestres seguidos, você tem um caso de promoção que sobrevive a uma reunião de calibração.

Armadilhas de Métricas de Vaidade para Evitar

Quatro métricas que parecem produtividade e são, na verdade, ruído. Se a sua autoavaliação começa com qualquer uma dessas, os seus colegas sêniors estão te julgando silenciosamente.

Consultas escritas. Mil consultas que ninguém age com base nelas são mil consultas. Contá-las é como contar quantas vezes você abriu o notebook. A consulta não é a unidade. A decisão é a unidade.

Tickets fechados. Tickets fechados favorecem o analista que escolhe os fáceis. A fila recompensa velocidade em vez de profundidade. Pior ainda, a contagem de tickets dá às partes interessadas permissão para fragmentar perguntas reais em 12 pequenas solicitações em vez de uma conversa estratégica. Você manipula a própria fila.

Painéis construídos. Construir painéis de controle é a parte fácil. Mantê-los, aposentá-los e fazer com que sejam usados é a parte difícil. Um analista que constrói 8 painéis e aposenta 3 está fazendo mais trabalho estratégico do que um que constrói 14 e abandona todos.

Linhas de dados processadas. Já vi isso em uma autoavaliação: "processei 4,2 bilhões de linhas neste trimestre". Linhas não são trabalho. Linhas são o que o data warehouse faz. A sua contribuição é a pergunta que você respondeu, não o volume de dados que você escaneou para respondê-la.

Um teste útil: essa métrica melhoraria se você piorasse no trabalho? Se a sua fila ficar mais bagunçada e você aceitar mais solicitações mal definidas, a contagem de tickets sobe. Se você construir painéis chamativos que ninguém usa, a contagem de painéis sobe. Métricas de vaidade recompensam o comportamento errado. As cinco métricas deste guia recompensam os certos.

Rastreie-as por Um Trimestre

Rastreie essas cinco por um trimestre antes da sua próxima avaliação. Essa é a tarefa. Nem todas precisam estar no verde na primeira vez, as minhas não estavam, e a primeira auditoria foi um soco no estômago. Mas o ato de medir muda a forma como você trabalha. Você começa a fazer triagem de forma diferente. Você questiona na entrada. Você aposenta painéis. Você faz a pergunta de impacto na decisão em cada kickoff porque sabe que a auditoria está chegando.

A conversa na próxima avaliação muda de "estive ocupado" para "entreguei 12 análises, 4 delas mudaram decisões, a minha mediana de tempo até o insight caiu 25% e aqui está o slide". Mesma pessoa, mesmo cargo, trajetória de carreira completamente diferente.

Os números são a chave. Comece a rastrear na segunda-feira.

Saiba Mais

• Modelo de Descrição de Cargo para Data Analyst
• Gestão de Partes Interessadas para Analistas
• Trajetória do Data Analyst ao Sênior e ao BI Lead
• Erros Comuns do Data Analyst