
Senior Data Analyst | Product [Pool]
Jusbrasil
- Brasil
- Permanente
- Período integral
- Levantar informações e dados críticos para apoiar o time de Produto na análise de indicadores de sucesso e possíveis interferências.
- Analisar cenários e responder perguntas relevantes para o negócio com base nos casos de uso, destacando métricas de desempenho e pontos de melhoria.
- Irá fornecer análises em dois momentos:
- Produtos atuais: prover dados e insights que direcionam a tomada de decisão para otimizar o desempenho dos produtos existentes.
- Planejamento de longo prazo: Fornecer análises e dados que apoiem o planejamento estratégico e decisões de futuro para os produtos.
- Demonstrar visão abrangente sobre o negócio, identificando gargalos e oportunidades de melhoria na jornada do usuário.
- Trabalhar em conjunto com as equipes de engenharia e design garante que as análises atendam às necessidades e prioridades de todos os setores, resultando em um produto mais coeso.
- Ser propositivo em sugerir métricas e orientações que agreguem valor ao time e aos produtos.
- Influência e gestão de stakeholder: Influenciar as partes interessadas com base nos dados e criar confiança nas recomendações analíticas
- Pensamento analítico e resolução de problemas com autonomia: habilidade de dividir problemas complexos em partes menores para facilitar a análise e interpretação.
- Business sense: ser orientado a gerar insights considerando oportunidades e riscos que se alinhem à estratégia da empresa para atingir os objetivos planejados.
- Definição e acompanhamento de KPIs: habilidade para definir, interpretar, diagnosticar métricas relevantes para produtos.
- Estatística básica: ter uma boa compreensão do que é uma distribuição de dados, como se dá correlação e causalidade e como funciona o método para teste AB.
- Apresentação de insights: capacidade de apresentar dados e insights de forma clara, personalizada para diferentes stakeholders e com foco em tomada de decisão.
- Ferramentas de visualização de dados:
- Exemplo: Data Viz, Looker, Metabase, DataStudio ou PowerBI.
- Ferramentas de modelagem de dados:
- Exemplo: experimentação, teste de hipóteses, teste de modelos, regressões, Python ou R.
- Validação de conceito: testar hipóteses estatísticas e intervalos de confiança. Usando métodos estatísticos.
- Modelagem de dados: diagnosticar como os dados que trabalha deveriam ser melhorados, simplificados e otimizados. E dar inputs para a Engenharia poder usar como padrão.
- Volume e complexidade de dados: ter uma experiência prévia com complexidade e volume semelhante ao cenário do Jus para construir as camadas intermediárias, trabalhar na viabilidade das métricas no Metabase.
- Product Sense: experiência fazendo análises para times de produto.