Seu carrinho está vazio
Adicione pacotes de prompts para continuar
Esta coleção definitiva para analistas de dados foi projetada como um recurso mestre para profissionais que buscam dominar todo o ciclo de vida dos dados, desde a ingestão bruta até a entrega estratégica de valor. Cada seção aborda desafios técnicos reais do mercado atual, fornecendo estruturas precisas para otimizar consultas SQL altamente complexas, projetar arquiteturas de dados robustas sob a metodologia Kimball e executar análises estatísticas avançadas com Python. Ao integrar esse repositório de prompts em seu fluxo de trabalho, o analista não apenas automatiza tarefas repetitivas de limpeza e ETL, mas também aumenta sua capacidade de contar histórias, traduzindo métricas complexas em decisões de negócios acionáveis. É a ferramenta essencial para garantir precisão técnica em ambientes de produção e excelência em processos de seleção sênior por meio da resolução especializada de estudos de caso e desafios arquitetônicos.
100 recursos incluídos
Atua como Analista de Dados Sênior e Especialista em Retenção de Crescimento com mais de 15 anos de experiência em análise de comportamento de usuários. Sua missão é projetar um "Mapeamento da Jornada do Cliente" abrangente e técnico para o produto/serviço [Nome do Produto] operando no mercado [Setor/Indústria]. O objetivo central deste mapeamento é dissecar cada interação do usuário para identificar vazamentos de conversão e oportunidades críticas de retenção que impactam diretamente o CLV (Customer Lifetime Value) e o MRR (Monthly Recurring Revenue). Para começar, estruture a análise sob a estrutura AARRR (Pirate Metrics), mas com foco cirúrgico na retenção pós-aquisição. Para cada etapa (Conscientização, Aquisição, Ativação, Retenção, Referência e Receita), você deve definir: 1. Touchpoints digitais e analógicos. 2. Ações mensuráveis do usuário. 3. Métricas de sucesso específicas (KPIs como Time to Value, Stickiness Ratio ou Taxa de adoção de recursos). 4. Pontos problemáticos ou atritos identificados nos dados [Ferramentas analíticas usadas, por ex. Mixpanel, Amplitude, GA4]. Aprofunde-se na análise de coorte para este mapeamento. Preciso que você identifique os comportamentos preditivos de churn (Sinais de Churn). Analise como os usuários que interagem com a funcionalidade [recurso principal] nos primeiros [X] dias têm uma taxa de retenção [Y]% maior. Faça referência cruzada dessas informações com os segmentos [Variáveis de segmentação: geografia, plano de assinatura, dispositivo] para criar um mapa de calor de lucratividade por tipo de usuário. Conclua o prompt gerando uma seção 'Estratégias de intervenção proativa'. Com base no mapa de jornada projetado, proponha três experimentos A/B de alto impacto para reduzir a rotatividade na [fase do Estágio Crítico, por exemplo. Integração]. Cada experimento deve incluir uma hipótese baseada em dados, a métrica principal a ser movida e o impacto estimado na retenção de 90 dias. O resultado deve ser um relatório técnico detalhado, estruturado e pronto para ser apresentado às partes interessadas de nível C-Suite.
Atuar como Engenheiro de Dados Sênior com vasta experiência em arquiteturas de dados modernas como Medallion (Bronze, Silver, Gold) e Data Lakehouse. Sua missão é projetar um processo ETL robusto e escalável sob o conceito de "Stage Layer Transformation", cujo objetivo principal é a transição de dados brutos da zona de pouso (Landing) para uma camada de Staging técnica e limpa (Silver). Você deve processar as informações provenientes de [Fonte de Dados], que são originalmente entregues em [Formato de Fonte]. O processo deve realizar uma limpeza extensa que inclui padronização de tipos de dados, normalização de cabeçalhos sob o padrão [Convenção de Nomenclatura] e resolução de conflitos de codificação. É vital que o design garanta a integridade dos dados antes que qualquer lógica de negócios seja aplicada nas camadas subsequentes. Implementa uma estratégia de desduplicação baseada em [Chave de identificação], garantindo que apenas os registros mais recentes ou válidos sejam persistidos na camada Stage. Para gerenciamento de mudanças, utiliza lógica de carregamento incremental através de [Atualizar Campo Data], otimizando o uso de recursos computacionais. Se os registros não estiverem em conformidade com o esquema predefinido em [Target Schema], eles deverão ser redirecionados automaticamente para uma tabela de exceções ou 'Dead Letter Queue' para auditoria. O código resultante deve ser escrito em [Linguagem de Programação ou SQL] e ser compatível com o ambiente [Ferramenta ETL ou Framework]. Certifique-se de incluir blocos de tratamento de erros, métricas de registro (logs) de quantos registros foram lidos, transformados e rejeitados e uma validação final da qualidade dos dados que compara os totais com a fonte original. O código deve ser modular, parametrizado e seguir os princípios do Código Limpo para facilitar sua manutenção a longo prazo. Como entrega final, fornece o script de transformação completo, um esquema visual descritivo do fluxo de dados (em Markdown ou formato de texto) e um guia de implantação que considera a [Frequência de Carga] definida. Justifique resumidamente por que as transformações aplicadas reduzem o débito técnico na análise de dados final para a função de Analista de Dados.
Atua como Analista de Dados Sênior especialista em Growth Marketing e Retenção de Clientes. Sua missão é executar uma análise de coorte mensal abrangente usando o conjunto de dados de transação/usuário que fornecerei abaixo: [Inserir conjunto de dados ou descrição de dados]. O objetivo principal é analisar o comportamento do usuário desde o primeiro mês de aquisição até o ciclo de vida atual, identificando padrões críticos de rotatividade e oportunidades de otimização do Customer Lifetime Value (LTV). Primeiro, gere uma matriz de retenção de usuários onde as linhas representam o 'Mês de Aquisição' (Coorte) e as colunas representam o 'Nº mês' de vida do cliente. Os valores dentro da matriz devem mostrar tanto o número absoluto de usuários ativos quanto o percentual de retenção relativo ao tamanho inicial de cada coorte. Analise especificamente se há uma queda significativa (Churn Cliff) nos primeiros [Número de Meses, por ex. 3 meses] e compare o desempenho das coortes capturadas durante [temporada ou campanha específica] com as coortes orgânicas padrão. Em segundo lugar, realiza uma análise de custo-eficácia por coorte. Calcule a receita média por usuário (ARPU) mensal de cada grupo e determine o LTV acumulado. Compare esses dados com o Custo de Aquisição do Cliente (CAC) estimado de [Valor de CAC] para identificar o “Tempo para Recuperar o CAC” ou o ponto de equilíbrio por coorte. Preciso que você identifique quais são as coortes de ‘alta qualidade’ (aquelas com maior retenção e ticket médio) e quais fatores temporais ou de segmentação em [Variável de Segmentação, ex: Canal de Aquisição] podem estar influenciando esses resultados positivos. Finalmente, sintetize as suas conclusões num relatório executivo que inclua: 1. Identificação de anomalias (grupos com desempenho invulgarmente baixo ou alto). 2. Hipótese sobre o comportamento detectado com base na sazonalidade de [Ano/Período]. 3. Recomendações estratégicas de CRM para mitigar o abandono nos pontos críticos detectados. Fornece o código em [Idioma: Python/SQL/R] necessário para automatizar esta análise visualizando os resultados em um Heatmap com a biblioteca [Library, ex.: Seaborn ou Plotly].