Este é um relatório-amostra (candidata fictícia), do mesmo tipo que você recebe depois da sua simulação.
Seu relatório
Camila, você chegou muito bem preparada para uma vaga de Data Analyst: domina o vocabulário técnico da área (SQL, dashboards, A/B testing) e trouxe exemplos concretos de projetos reais. A conversa fluiu sem travar e você respondeu a todas as perguntas com segurança. Os dois ajustes de maior impacto agora são: (1) fechar suas respostas comportamentais sempre com um resultado numérico — várias começaram forte e terminaram sem o impacto medido; e (2) ganhar mais fluência em respostas longas em inglês, onde aparecem hesitações e frases reiniciadas. Nenhum dos dois é falta de conhecimento — são ajustes de prática que se resolvem repetindo suas histórias em voz alta.
Nível de inglês: B2 (intermediário-avançado) - você sustenta uma conversa técnica complexa em inglês sem travar e é bem compreendida, mas ainda aparecem erros recorrentes de preposição, uso inconsistente de tempos verbais ao narrar o passado, e algumas frases que se repetem quando você organiza o pensamento em tempo real.
As 3 prioridades
1. Fechar toda resposta comportamental com um resultado quantificado (framework Situação-Tarefa-Ação-Resultado)
Por que importa: Duas das suas melhores respostas — o dashboard de churn e o teste A/B do checkout — tinham contexto e ação ótimos, mas terminaram sem o número: quanto o churn caiu, quanto a conversão subiu. Para uma vaga de dados, o resultado medido é justamente o que separa 'fiz uma análise' de 'minha análise gerou X de impacto'. É o que o recrutador anota.
Como treinar: Escolha seus 4-5 melhores projetos e escreva, para cada um, uma versão de 60-90 segundos terminando obrigatoriamente em um número (%, tempo economizado, receita). Treine em voz alta, cronometrando, até soar natural e não decorado.
2. Conectar sua experiência aos termos exatos da vaga (ex: 'stakeholder management', 'self-serve analytics')
Por que importa: A vaga pede explicitamente experiência ajudando times não-técnicos a usar dados sozinhos. Você tem essa experiência — mencionou treinar o time de marketing —, mas não usou os termos da descrição, então o fit ficou implícito. Nomear o termo ajuda o entrevistador a marcar o requisito como atendido.
Como treinar: Antes da entrevista, liste 5-6 termos-chave do anúncio e associe cada um a uma história sua. Assim, quando o tema surgir, você já traz o vocabulário que o recrutador está procurando ouvir.
3. Reduzir hesitações e reinícios em respostas longas, praticando fluência em inglês falado
Por que importa: Em respostas acima de 30 segundos aparecem repetições e frases reiniciadas no meio ('the the data was, was showing that...'). Não muda seu conteúdo, mas reduz a clareza que o entrevistador percebe em tempo real — e numa entrevista a percepção conta.
Como treinar: Grave-se respondendo perguntas em inglês por 1-2 minutos sem pausar. Ouça e marque onde 'perdeu o fio'. Repetir as mesmas 5-6 histórias automatiza a fala e derruba a hesitação.
Inglês — pontos fortes
- Sustenta uma conversa técnica sobre dados em inglês (SQL, cohort analysis, statistical significance) sem travar e sendo bem compreendida.
- Vocabulário técnico da área usado corretamente e no contexto certo (churn rate, conversion funnel, data pipeline, dashboard).
- Responde bem a perguntas de acompanhamento (follow-up), mantendo a linha de raciocínio da resposta anterior.
Inglês — pontos de atenção
Preposições trocadas ou omitidas em construções comuns
“"I was responsible to build the dashboard for the sales team."”
→ A construção correta é 'responsible FOR building' (responsible for + verbo no -ing). Uma boa regra: depois de 'responsible for' vem sempre a forma -ing. Ex: 'I was responsible for building the dashboard.'
Tempo verbal inconsistente ao narrar experiências passadas (mistura passado e presente)
“"In my last job I build many dashboards and I am analyzing the churn every month."”
→ Ao contar algo que já aconteceu, mantenha tudo no passado: 'In my last job I built many dashboards and analyzed the churn every month.' Escolha o tempo no início da frase e siga com ele até o fim.
Repetição de palavras seguidas quando organiza o pensamento em tempo real
“"the the data was, was showing that the users were dropping"”
→ Isso é fala pensando em tempo real — a cura não é gramática, é praticar a resposta antes. Frase limpa: 'The data showed that users were dropping off at the payment step.'
Vocabulário repetitivo em respostas longas ('data', 'analysis', 'good' sem sinônimos)
“"I did a good analysis and the data was good, so we had good results"”
→ Varie: use 'thorough analysis', 'reliable data', 'strong results'. Trocar 'good' por termos precisos dá mais autoridade técnica à fala.
Conectores para usar
as a result / consequently — Para ligar uma ação ao seu resultado, fechando o raciocínio de forma profissional. Ex.: We simplified the checkout flow and, as a result, conversion increased by 12%.
in order to — Para explicar o propósito de uma ação, no lugar de encadear frases com 'and' ou 'so'. Ex.: I built an automated report in order to save the team two hours of manual work every week.
based on — Para mostrar que uma decisão veio dos dados, algo muito valorizado numa vaga de análise. Ex.: Based on the cohort analysis, we decided to focus retention efforts on the first 30 days.
for instance / for example — Para dar um exemplo concreto sem repetir 'like' ou 'you know', que soam informais. Ex.: For instance, we noticed that mobile users churned twice as fast as desktop users.
Vocabulário para evoluir
- Substituir 'good/nice' por termos precisos: 'accurate', 'reliable', 'significant', 'substantial'.
- Trocar 'a lot of data' por 'a large dataset' ou o número real de registros/usuários.
- Usar 'drive a decision', 'surface an insight', 'flag an issue' em vez de construções genéricas com 'show' e 'find'.
- Incorporar termos de negócio que recrutadores gostam: 'actionable insight', 'data-driven', 'KPI', 'segment', 'benchmark'.
Muletas de linguagem percebidas
- Uso de 'like' como preenchimento no meio das frases ('it was, like, around 20%').
- Repetição de palavras seguidas ('the the', 'was was') típica de fala em tempo real — sinal de que vale ensaiar as respostas-chave antes.
- Começar várias respostas com 'So...' — não é erro, mas variar a abertura soa mais natural e menos automático.
Conteúdo — pontos fortes
- Perfil bem alinhado à vaga: experiência prática com SQL, ferramentas de BI e testes A/B cobre a maior parte dos requisitos técnicos do anúncio.
- Exemplos reais e variados (dashboard de churn, teste A/B de checkout, automação de relatório), mostrando que atua do dado bruto à recomendação de negócio.
- Bom raciocínio de priorização ao explicar por que atacou o churn no primeiro mês de vida do usuário em vez de espalhar esforço.
- Honestidade ao admitir menos experiência com Python do que com SQL, mostrando autoconsciência — visto de forma positiva em entrevistas.
Conteúdo — pontos de melhoria
- Falta de números nas respostas: quase nenhuma trouxe o impacto quantificado (quanto o churn caiu, quanto a conversão subiu, quanto tempo economizou).
- A resposta sobre ajudar times não-técnicos a usarem dados ficou genérica — não explicou o que construiu nem como mudou o comportamento do time.
- Poucas conexões explícitas com os termos da vaga ('self-serve analytics', 'stakeholder management'), o que deixa o fit implícito em vez de evidente.
- A resposta sobre o teste A/B focou no que foi feito, mas não explicou como garantiu significância estatística — um detalhe que reforçaria a senioridade técnica.
Respostas para reforçar
Can you tell me about a time your analysis directly influenced a business decision?
Você respondeu: “I built a dashboard about churn and the team could see which users were leaving, so they could act on it.”
Versão mais forte: “In my last role, I built a churn dashboard that broke down cancellations by user cohort. It surfaced that most churn happened in the first 30 days, so I recommended the product team focus onboarding improvements there. Based on that, they added a guided setup flow, and over the following quarter early churn dropped by about 18%.”
Por que melhora: A versão forte fecha o ciclo completo — dado, insight, decisão e um resultado numérico —, que é exatamente o que a pergunta busca. O '18%' transforma 'fiz um dashboard' em 'minha análise gerou impacto medido'.
How have you helped non-technical teams use data on their own?
Você respondeu: “I helped the marketing team with some reports and showed them how to read the numbers.”
Versão mais forte: “The marketing team used to ask me for the same reports every week, so I built them a self-serve dashboard with filters they could adjust themselves, and ran two short training sessions on how to read it. After that, their ad-hoc data requests to me dropped by more than half, and they started bringing their own insights to our planning meetings.”
Por que melhora: Traz o termo da vaga ('self-serve'), descreve o que foi construído e mede a mudança de comportamento ('requests caíram pela metade'). Mostra impacto e autonomia gerada, não só 'ajudei'.
Walk me through an experiment you designed and what you learned from it.
Você respondeu: “We did an A/B test on the checkout page and the new version was better, so we launched it.”
Versão mais forte: “We hypothesized that a shorter checkout would reduce drop-off, so I designed an A/B test comparing the original three-step flow against a single-page version. I made sure we had enough sample size to reach statistical significance before calling it, and after two weeks the single-page version lifted completed purchases by around 12%. We rolled it out to all users.”
Por que melhora: Adiciona a hipótese, o cuidado com significância estatística e um resultado quantificado. Isso demonstra rigor de método — exatamente o que diferencia um analista pleno de um sênior aos olhos do recrutador.