Podes aceder ao dashboard interativo em tempo real aqui:
Este projeto de Análise Exploratória de Dados (EDA) foi desenvolvido para gerar insights estratégicos sobre as tendências salariais na área de Data Science. O objetivo central é processar uma base de dados de salários globais, identificar padrões de mercado e fornecer inteligência competitiva para profissionais e recrutadores. A análise abrange a limpeza de dados, manipulação de estruturas complexas e visualização interativa de métricas críticas.
- Python & Pandas: Limpeza de dados, tratamento de valores nulos, manipulação de DataFrames e cálculo de métricas de salário (média, máxima, distribuição por senioridade e tipo de contrato).
- Google Colab: Ambiente de prototipagem, documentação técnica e reproducibilidade da análise exploratória.
- Streamlit: Dashboard interativo com filtros dinâmicos permitindo exploração em tempo real de dados salariais por ano, senioridade, tipo de contrato e tamanho da empresa.
- Plotly: Geração de visualizações estatísticas avançadas para data storytelling e comunicação de insights.
A análise verificou métricas críticas incluindo distribuição salarial por cargo, impacto da senioridade na remuneração, efeito do tipo de contrato (FT, CT, PT) e variações geográficas. Os insights principais apontaram para:
- Disparidades salariais significativas entre níveis de senioridade (Senior vs. Junior: diferença média de ~$80k USD)
- Impacto do tipo de contrato na remuneração, com Full-Time predominando nas ofertas de maior valor
- Importância crítica da limpeza de dados - A correção da coluna de senioridade (antes: 'senoridade' com typo) foi essencial para garantir consistência nas análises
O dashboard interativo permite que profissionais filtrem por preferências pessoais (ano, experiência, tipo de contrato, tamanho da empresa) para tomar decisões informadas sobre carreiras e negociações salariais.
O gráfico abaixo demonstra a distribuição de frequência dos salários anuais em USD, revelando a concentração de profissionais em faixas específicas e ajudando a identificar benchmarks de mercado.
Aqui, podemos visualizar os cargos com maior remuneração média, destacando oportunidades de carreira com melhor potencial salarial.
Este gráfico evidencia a evolução do trabalho remoto na área de dados, um fator cada vez mais importante na tomada de decisão profissional.
- Clone este repositório.
- Abra o arquivo
.ipynbno Google Colab. - Faça o upload do arquivo
dados-imersao-final.csvno ambiente. - Execute as células para acompanhar a linha de raciocínio lógico, transformações de dados e geração de visualizações.
- Para acessar o dashboard interativo, execute o comando:
streamlit run app.py
- ✅ Filtros Dinâmicos: Ano, Senioridade, Tipo de Contrato, Tamanho da Empresa
- ✅ Métricas em Tempo Real: Salário médio, máximo, total de registros, cargo mais frequente
- ✅ Visualizações Avançadas: Gráficos de barras, histogramas, gráficos de pizza e mapas coropletos
- ✅ Análise Geográfica: Mapa mundial com salários médios de Cientista de Dados por país
- ✅ Exportação de Dados: Tabela detalhada com todos os registros filtrados
Este projeto foi desenvolvido durante a Imersão Dados da Alura, com o apoio de:
- Guilherme Lima — Tech Educator na Alura e Professor na USP.
- Valquíria Alencar — Senior Data/AI Analyst no Insper.
- Vinicius Caridá — Especialista em Dados no Itaú.
Transparência e Vibe Coding: Este projeto utilizou otimização com IA para estruturação e documentação. No entanto, toda a análise técnica, tomada de decisão sobre estratégia de limpeza de dados, seleção de visualizações e interpretação dos insights são de minha autoria sob orientação das aulas da imersão. A IA foi uma ferramenta complementar para acelerar processos, mantendo total controle sobre a qualidade e direcionamento estratégico do projeto.