Artigo

Ana Carolina Barbosa; Lauro Marques Vicari

DOI: 10.22167/2675-6528-202601600

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A gestão educacional enfrentava dificuldades no acompanhamento sistemático do rendimento acadêmico dos alunos, motivando a aplicação de técnicas de análise e visualização de dados. O estudo objetivou desenvolver um painel interativo, utilizando a ferramenta Power BI, para consolidar informações de notas e presença escolar, apoiando professores e gestores na tomada de decisões pedagógicas baseadas em dados. A pesquisa caracterizou-se como aplicada, quantitativa, descritiva e exploratória, sendo conduzida com dados reais de uma escola pública no interior de São Paulo. Adotou-se o método CRISP-DM para estruturar as etapas do projeto, que incluiu o entendimento do negócio e dos dados, preparação, modelagem, avaliação e implantação. Os dados acadêmicos, coletados em arquivos PDF, foram convertidos, organizados, padronizados e tratados para permitir sua análise integrada. Como resultado, concebeu-se um modelo analítico capaz de automatizar cálculos de médias e indicadores de frequência, anteriormente realizados de forma manual, além de viabilizar comparações entre alunos, disciplinas, turmas e períodos letivos. Concluiu-se que a solução proposta apresenta potencial para aprimorar o acompanhamento do desempenho escolar, reduzir falhas operacionais e fortalecer a cultura de uso de dados no ambiente educacional.

Palavras-chave: Análise de dados; Business Intelligence; CRISP-DM; Power BI; Tomada de decisão.

1. Introdução

Nas últimas décadas, as transformações digitais têm impactado intensamente todos os setores da sociedade, e a gestão educacional não é exceção. Apesar do avanço de novas tecnologias, muitas escolas ainda enfrentam limitações estruturais e operacionais que dificultam o acompanhamento eficiente do desempenho discente. Falhas na coleta e organização dos dados acabam comprometendo a capacidade de análise dos gestores e professores, reduzindo a efetividade das ações pedagógicas.

A análise e visualização de dados aplicadas à melhoria da educação no Brasil configuram-se como um tema relevante e contemporâneo, especialmente diante dos avanços tecnológicos globais (Santos, 2023). Nesse contexto, a integração dessas tecnologias ao ambiente escolar é fundamental para promover avanços na qualidade do ensino. Entretanto, informações fundamentais como notas e frequência ainda são, em muitos casos, registradas de forma manual ou em planilhas isoladas, dificultando análises integradas e decisões baseadas em evidências. Esses métodos, além de propensos a erros e desatualizações, são pouco escaláveis e limitam a capacidade de identificar padrões de desempenho ou dificuldades específicas de alunos e turmas.

O contexto educacional contemporâneo também revela uma preocupante defasagem de aprendizagem entre os estudantes, resultado de desigualdades sociais, fragilidades no ensino básico e insuficiência de suporte pedagógico. Essa realidade compromete o desenvolvimento acadêmico e contribui para o aumento da evasão escolar, o que reforça a urgência de políticas públicas voltadas à equidade e à qualidade do ensino (Alves e Souza, 2024). Nesse cenário, o uso estratégico de dados surge como alternativa para orientar práticas pedagógicas mais assertivas e favorecer o acompanhamento contínuo do progresso dos alunos.

O uso de sistemas de Business Intelligence (BI), como o Power BI (PBI), tem se mostrado uma alternativa viável e eficaz para otimizar o gerenciamento e a visualização de grandes volumes de informações em tempo real. Essas ferramentas permitem criar painéis interativos e gráficos dinâmicos que facilitam a análise de tendências e o cruzamento de dados relevantes. Quando aplicadas ao contexto escolar, tais recursos podem transformar o modo como o desempenho dos alunos é compreendido, tornando o processo de acompanhamento mais transparente, ágil e fundamentado em evidências.

Com a globalização e a crescente digitalização dos processos, torna-se indispensável a adoção de mecanismos que permitam integrar, analisar e interpretar informações de forma rápida e eficiente. Nesse contexto, o PBI desponta como uma solução tecnológica relevante. A literatura já aponta benefícios significativos decorrentes de sua adoção na educação. Conforme Arouche et al. (2024), sua implantação proporciona ganho de tempo, aprimoramento das estratégias educacionais e melhoria nas avaliações de desempenho, com impacto direto na qualidade das decisões pedagógicas.

No entanto, a adoção dessas tecnologias ainda é limitada em muitas instituições, especialmente nas redes públicas, devido à escassez de infraestrutura tecnológica e à falta de capacitação profissional. Santos (2023), por sua vez, ressalta que o uso de dados educacionais constitui um recurso essencial para a melhoria da qualidade do ensino, pois possibilita identificar fragilidades, avaliar políticas e programas, monitorar o desempenho escolar e promover transparência e prestação de contas à comunidade educacional. Ferramentas gratuitas e acessíveis, como o PBI, podem representar uma alternativa viável quando associadas a uma proposta pedagógica estruturada e a uma gestão orientada por resultados. Segundo Alves e Souza (2024), o PBI se destaca por sua interface intuitiva, compatibilidade com diversas fontes de dados e pela possibilidade de gerar visualizações compreensíveis, promovendo maior eficiência, transparência e engajamento na gestão educacional.

Diante desse cenário, a problemática central reside na ausência de centralização e padronização dos dados acadêmicos, na realização manual dos cálculos de médias e indicadores de frequência, e na falta de uma visão consolidada e comparativa do desempenho dos alunos por turma, disciplina e período letivo. A fragilidade dos registros, a falta de padronização dos indicadores e a ausência de suporte computacional para cálculo e análise dos dados configuram problemas objetivos do domínio de negócio, passíveis de identificação a partir da análise documental e do fluxo operacional existente. Este estudo justifica-se pela urgência em aprimorar o acompanhamento do desempenho discente e a tomada de decisões pedagógicas em escolas, especialmente na rede pública. Assim, o objetivo é desenvolver um painel interativo, utilizando a ferramenta Power BI, para consolidar informações de notas e presença escolar, de modo a apoiar professores e gestores na tomada de decisões pedagógicas baseadas em dados.

2. Material e Métodos

A pesquisa foi de natureza aplicada e abordagem quantitativa, visando desenvolver uma solução prática para o acompanhamento do desempenho discente. O estudo, descritivo e exploratório, investigou a aplicação de tecnologias de Business Intelligence no contexto educacional. Foi conduzido com dados reais de uma escola pública no interior de São Paulo, município com aproximadamente 32 mil habitantes (IBGE, 2022). Dados de notas e frequência de 119 alunos do Ensino Fundamental II, referentes ao ano letivo de 2025, serviram como unidade de análise.

A metodologia Cross Industry Standard Process for Data Mining (CRISP-DM) foi adotada para estruturar as etapas do projeto, dada sua organização em fases pré-definidas que permitem a condução sistemática de projetos de dados (Vaz et al., 2024). O modelo CRISP-DM é composto por seis fases principais: Entendimento do Negócio, Entendimento dos Dados, Preparação dos Dados, Modelagem, Avaliação e Implantação. A Figura 1 ilustra o fluxo dessas fases, fornecendo uma visão geral da estrutura metodológica.

Figura 1. As 6 etapas do CRISP-DM

Fonte: Itano (2023)

Esta figura representa visualmente a abordagem sistemática empregada, destacando a interconexão entre as fases e a natureza iterativa do processo, o que guiou o desenvolvimento do painel interativo.

As fases de Entendimento do Negócio e Entendimento dos Dados buscaram compreender o contexto institucional e as necessidades da gestão escolar. A análise do problema foi embasada na observação de processos em reuniões pedagógicas e conselhos de classe, e na forma de registro dos dados acadêmicos. Identificou-se descentralização, ausência de padronização e falta de suporte computacional. Os dados foram fornecidos pela secretaria em quatro arquivos PDF, com sigilo garantido pelo uso de RA e identificação da turma, após Termo de Autorização. A Figura 2 exemplifica o formato original do boletim individual.

Figura 2. Boletim Individual

Fonte: Dados fornecidos pela Instituição de Ensino

Esta figura demonstra o formato em que os dados brutos foram obtidos, evidenciando a necessidade de procedimentos de preparação para sua integração e análise. A visualização do boletim individual permite compreender a granularidade e a organização inicial das informações.

A etapa de Preparação dos Dados consistiu na limpeza, padronização e transformação das informações coletadas. Os quatro arquivos PDF foram convertidos para o formato Word utilizando a ferramenta gratuita PDFLeader. Posteriormente, os dados de cada aluno foram extraídos dos arquivos Word e organizados no Microsoft Excel, estruturados em uma planilha longa. Essa planilha, composta por quinze colunas e 953 linhas, consolidou todos os registros em uma única base. A limpeza envolveu a exclusão de células em branco e registros incompletos do terceiro bimestre, focando a análise nos dados do primeiro e segundo bimestres. A Figura 3 ilustra um trecho do banco de dados após essa organização.

Figura 3. Trecho do Banco de Dados

Fonte: Dados originais da pesquisa

A visualização do trecho do banco de dados demonstra a estrutura padronizada e organizada das informações após a etapa de preparação. Esse formato é crucial para a aplicação das técnicas de análise subsequentes, permitindo a manipulação eficiente dos dados para a construção do painel interativo.

Na fase de Modelagem, estabeleceu-se a estrutura lógica do modelo de dados no Power BI (PBI), desenvolvendo medidas calculadas com a linguagem Data Analysis Expressions (DAX). Realizou-se uma análise específica da relação entre as notas de Língua Portuguesa e Matemática, criando gráficos de dispersão e calculando o coeficiente de correlação de Pearson (Lira, 2004). A etapa de Avaliação verificou a aderência do painel aos objetivos, consistência dos indicadores e clareza das visualizações. Por fim, na Implantação, os painéis foram encaminhados à direção da instituição via plataforma PBI.

Como limitação metodológica, a etapa de implantação não foi integralmente concluída. O sistema desenvolvido não foi apresentado à instituição de ensino para utilização prática, nem submetido a testes em ambiente real ou validação por usuários finais. A ausência de agenda para treinamento dos profissionais da escola e a exposição das análises ao corpo docente condicionaram a efetivação completa dessa fase, essencial para a incorporação do dashboard à rotina pedagógica da instituição, impactando a avaliação da aplicabilidade e efetividade no contexto educacional.

3. Resultados e Discussão

Os resultados deste trabalho foram observados desde as etapas iniciais do método CRISP-DM, que guiou o projeto desde o entendimento do negócio até a implantação. A análise do contexto institucional revelou limitações significativas no acompanhamento do desempenho discente, principalmente devido à realização manual dos cálculos de médias e percentuais de presença, além da fragmentação das análises durante as reuniões pedagógicas. Essas práticas, além de serem suscetíveis a erros, demandavam um esforço operacional considerável dos docentes e dificultavam a consolidação e a análise integrada das informações acadêmicas.

A fase de preparação e organização do banco de dados começou a mitigar essas limitações, especialmente com a inclusão de colunas destinadas ao cálculo automatizado das médias. Essa medida eliminou a necessidade de procedimentos manuais, promovendo maior confiabilidade e eficiência no tratamento das informações. A literatura corrobora esses achados, indicando que a automatização de processos, como a proporcionada pelo Power BI, reduz erros e o tempo de coleta de dados, garantindo maior precisão e consistência das informações (Arouche et al., 2024).

A análise e visualização de dados são recursos essenciais para a geração de insights que apoiam a tomada de decisão em diversos campos, incluindo a educação. Ao utilizar dados educacionais organizados e estruturados, gestores e professores podem fundamentar suas decisões de forma mais objetiva e precisa, diminuindo a dependência de suposições e contribuindo para a melhoria contínua da qualidade do ensino. Instituições que planejam suas ações com base em informações e utilizam dados de maneira adequada tendem a apresentar desempenho superior, o que reforça a importância de estimular a adoção de práticas de análise de dados no ambiente educacional (Santos, 2023).

A modelagem dos dados, etapa crucial do CRISP-DM, criou as condições para o desenvolvimento de um painel interativo no Power BI, oferecendo uma visão integrada do desempenho escolar. O primeiro passo na construção do dashboard foi a criação de filtros e cartões que permitissem a seleção do ano letivo e a identificação do aluno por meio de seu Registro Acadêmico (RA). Essa funcionalidade também exibe a quantidade total de alunos na base de dados ou por sala selecionada, proporcionando uma visão dinâmica e ajustável das informações.

A Figura 4 ilustra a funcionalidade dos filtros do dashboard. À esquerda, o painel exibe o total geral de 119 alunos na base de dados antes da aplicação de qualquer filtro. À direita, após a aplicação do filtro para o 8º ano, a quantidade de alunos é atualizada para 29, e a listagem de RAs é ajustada de acordo com a seleção realizada. Essa capacidade de segmentação é fundamental para análises direcionadas, permitindo que gestores e professores foquem em grupos específicos de estudantes ou turmas.

Figura 4. Filtros do “Dashboard”

Fonte: Resultados originais da pesquisa

Dando prosseguimento à construção do dashboard, foram desenvolvidas visualizações iniciais para subsidiar a interpretação dos indicadores de desempenho discente. Foram elaborados gráficos para analisar as notas por disciplina do aluno selecionado, bem como seu percentual de frequência. No gráfico de notas, um eixo secundário foi incorporado para representar a média semestral da turma na disciplina analisada, permitindo uma comparação imediata do desempenho individual em relação ao coletivo.

No que se refere à análise da frequência, o gráfico incluiu, além do percentual de presença do aluno e da média da turma, o limite mínimo de frequência exigido pela Lei de Diretrizes e Bases da Educação Nacional (LDB – Lei nº 9.394/1996), que é de 75%. Essa abordagem possibilita a construção de um indicador visual de conformidade, permitindo verificar simultaneamente o desempenho individual, o comportamento da turma e o atendimento ao critério legal, facilitando a identificação de alunos em risco de reprovação por faltas.

As visualizações desenvolvidas contribuem significativamente para a geração de insights relevantes, apoiando a tomada de decisão pedagógica por meio da identificação de padrões, desvios e possíveis situações de risco no desempenho dos alunos. A Figura 5 ilustra a seleção de um aluno específico e os gráficos correspondentes de notas e frequência por disciplina, demonstrando como a ferramenta consolida e apresenta as informações de forma clara e comparativa, facilitando a análise.

Figura 5. Seleção de Aluno e Gráficos do “Dashboard”

Fonte: Resultados originais da pesquisa

A visualização integrada das notas por disciplina, associada à média da turma, permite ao corpo docente identificar de forma imediata padrões de desempenho, discrepâncias individuais e possíveis lacunas de aprendizagem. Essa abordagem reduz a dependência de análises subjetivas ou fragmentadas, favorecendo uma leitura mais objetiva e comparável dos resultados acadêmicos. Ao reunir informações que antes estavam dispersas em anotações individuais, os gráficos promovem maior alinhamento entre os professores durante os planejamentos pedagógicos e conselhos de classe, qualificando as discussões coletivas.

A representação gráfica que integra o desempenho individual, a média da turma e o critério mínimo legal de frequência possibilita uma avaliação mais precisa do risco de reprovação por faltas. Esse recurso contribui para a identificação antecipada de alunos em situação crítica, permitindo a adoção de estratégias preventivas, como intervenções pedagógicas, acompanhamento individualizado ou ações de engajamento junto às famílias, antes que o problema se consolide. A utilização de dados educacionais, especialmente por meio de dashboards, aprimora a tomada de decisão no contexto educacional, tornando-a mais orientada por evidências (Lemes et al., 2023).

A agilidade e confiabilidade no processo decisório são aspectos relevantes proporcionados pelo dashboard. Ao substituir procedimentos manuais e pouco padronizados por visualizações consolidadas e atualizáveis, a ferramenta favorece decisões baseadas em evidências, reduzindo inconsistências e aumentando a transparência das análises. Dessa forma, o corpo docente passa a dispor de um instrumento comum de apoio, que qualifica as discussões coletivas e fortalece a coerência das estratégias pedagógicas adotadas, consolidando a análise de dados como um instrumento para apoiar a gestão pedagógica (Santos, 2023).

A utilização desses gráficos otimiza o acompanhamento do desempenho acadêmico e da frequência dos alunos, promovendo uma cultura de análise orientada por dados e contribuindo para práticas pedagógicas mais assertivas. Dashboards são ferramentas que auxiliam gestores e docentes na extração e compreensão de informações de diferentes sistemas, permitindo o diagnóstico, monitoramento e avaliação da trajetória acadêmica dos estudantes, ampliando as possibilidades de uso dos dados disponíveis para identificar problemas educacionais (Lemes et al., 2023).

A análise do desempenho acadêmico não se restringiu à avaliação individual, mas também contemplou uma perspectiva coletiva, comparativa e estratégica, permitindo a observação simultânea dos resultados dos estudantes em relação ao desempenho médio da turma. Essa abordagem é crucial para identificar padrões e tendências que podem passar despercebidos em análises focadas apenas no indivíduo. As Figuras 6 e 7 ilustram essa visão consolidada.

A Figura 6 apresenta o gráfico do dashboard com a nota média semestral por RA, permitindo a visualização do desempenho individual de cada aluno em relação à média da sala para uma disciplina específica. Essa representação facilita a identificação de alunos com desempenho acima ou abaixo da média, oferecendo um panorama claro da distribuição das notas na turma e auxiliando na detecção de possíveis dificuldades comuns ou excelências individuais.

Figura 6. Gráfico do “Dashboard” com Nota Média Semestral por RA

Fonte: Resultados originais da pesquisa

De forma complementar, a Figura 7 exibe o gráfico do dashboard com a frequência média semestral por RA. Este gráfico permite comparar a frequência individual de cada aluno com a média da sala e, crucialmente, com a frequência mínima exigida de 75%. Essa visualização é vital para identificar rapidamente alunos em risco de reprovação por faltas, mesmo que suas notas sejam satisfatórias, e para monitorar a assiduidade geral da turma.

Figura 7. Gráfico do “Dashboard” com Frequência Média Semestral por RA

Fonte: Resultados originais da pesquisa

A visualização que apresenta a nota média semestral e a frequência média semestral por RA, com filtros por turma e disciplina, constitui um instrumento relevante para o apoio à tomada de decisão pedagógica, sobretudo no acompanhamento coletivo do desempenho acadêmico. Ela possibilita uma análise comparativa que vai além da observação isolada, permitindo que o corpo docente reconheça tendências gerais da turma, como possíveis dificuldades comuns em determinada disciplina, bem como identifique a dispersão dos resultados.

A comparação direta entre o desempenho individual e a média da sala contribui para decisões pedagógicas mais equilibradas, ao reduzir interpretações baseadas exclusivamente em percepções subjetivas. Em conselhos de classe, essa visualização fornece evidências claras sobre o posicionamento de cada aluno em relação ao desempenho coletivo. A aprendizagem é um processo heterogêneo, com alunos chegando à escola com diferentes níveis de conhecimento e ritmos distintos, influenciados por características individuais e práticas pedagógicas (Alves e Soares, 2007).

A representação gráfica da frequência, que integra o desempenho individual, a média da turma e o critério mínimo legal, possibilita uma avaliação mais precisa do risco de reprovação por faltas. Esse recurso contribui para a identificação antecipada de alunos em situação crítica, permitindo estratégias preventivas. Ao permitir filtros por turma e disciplina, o dashboard amplia o potencial de análise diagnóstica, possibilitando que gestores e docentes comparem diferentes contextos educacionais e identifiquem variações de desempenho entre salas e componentes curriculares (Lemes et al., 2023).

Dessa forma, essa visualização contribui significativamente para a consolidação de uma cultura de tomada de decisão baseada em evidências. Nesse contexto, promove maior transparência, padronização e agilidade nos processos de análise do desempenho discente, em substituição a práticas manuais, fragmentadas e pouco sistematizadas, fortalecendo a coerência das estratégias pedagógicas adotadas e permitindo a identificação de padrões de desempenho para intervenções mais direcionadas.

A Figura 8 apresenta um gráfico com estrutura semelhante ao da Figura 6, porém acrescido de um filtro por intervalo de notas. Essa funcionalidade possibilita uma análise mais detalhada do desempenho discente, permitindo a segmentação dos alunos por faixas de rendimento, o que é particularmente útil para identificar grupos de estudantes que necessitam de atenção específica. O filtro permite que o usuário explore os dados de forma mais granular, focando em subconjuntos de alunos.

Figura 8. Gráfico da Nota Média Semestral por RA com Filtro por Intervalo de Notas

Fonte: Resultados originais da pesquisa

A inclusão de um filtro por intervalo de notas no dashboard, permitindo a segmentação dos estudantes de acordo com o desempenho médio por disciplina — especificamente entre os intervalos de 0 a 5 e acima de 5 — amplia significativamente o potencial analítico da ferramenta e seu valor para a tomada de decisão pedagógica. Considerando que o desempenho mínimo esperado é definido no regimento interno da instituição como nota 5, essa funcionalidade possibilita a identificação imediata de alunos que não atingiram esse critério, favorecendo uma análise mais direcionada e orientada à intervenção.

Ao permitir o agrupamento dos estudantes com desempenho abaixo do mínimo desejado, o dashboard deixa de atuar apenas como instrumento descritivo e passa a assumir um papel diagnóstico e prescritivo. Ele evidencia, de forma clara, quais alunos demandam maior atenção pedagógica, contribuindo para a priorização de ações e evitando intervenções generalizadas e pouco eficazes. Essa abordagem favorece estratégias mais assertivas e individualizadas, como a aplicação de atividades de recuperação paralela, reforço de conteúdos essenciais e replanejamento de práticas didáticas.

Sob a perspectiva da gestão escolar, a visualização segmentada dos alunos com desempenho inferior ao mínimo esperado fornece subsídios para decisões estratégicas, como a alocação de recursos pedagógicos, a organização de programas de apoio ao estudante, o planejamento de formações continuadas para docentes e a definição de políticas internas de acompanhamento acadêmico. Ao possibilitar a comparação entre turmas e disciplinas, o dashboard contribui para a identificação de padrões institucionais, permitindo que a gestão atue de forma preventiva e sistêmica.

Dessa forma, o filtro por intervalo de notas fortalece a utilização do dashboard como ferramenta de apoio à tomada de decisão baseada em evidências, promovendo uma atuação pedagógica mais proativa, focada na prevenção do fracasso escolar e na promoção da aprendizagem, em consonância com os princípios da avaliação formativa e da gestão educacional orientada por dados. Essa funcionalidade permite que o professor identifique se o baixo desempenho está concentrado em conteúdos específicos, subsidiando ajustes no planejamento curricular.

Além da análise individualizada e comparativa coletiva, foi realizada a consolidação do desempenho por turma, contemplando o cálculo do desempenho médio da sala por disciplina, bem como da respectiva frequência. Essa abordagem possibilita à instituição a visualização clara e ágil do desempenho coletivo, permitindo a comparação entre o rendimento de alunos individuais e a média da turma, de modo a identificar situações em que o desempenho se encontra acima ou abaixo do padrão observado. A Figura 9 apresenta um exemplo dessa consolidação para o 6º ano.

Figura 9. Dados Consolidados por Disciplina do 6º Ano

Fonte: Resultados originais da pesquisa

A apresentação das médias de desempenho e de frequência da turma por disciplina constitui um referencial que possibilita a contextualização do desempenho individual dos estudantes. Tal abordagem permite identificar, de forma objetiva e comparativa, aqueles que se situam acima ou abaixo do desempenho médio da turma. Essa comparação pode subsidiar decisões pedagógicas mais assertivas, como a definição de estratégias de reforço escolar, o direcionamento de ações de recuperação paralela e a avaliação da efetividade das práticas de ensino adotadas (Santos, 2023).

A Figura 10 apresenta uma comparação relevante entre o desempenho médio geral da turma, calculado a partir da média das oito disciplinas analisadas, e os respectivos indicadores de frequência, segmentados por ano letivo. Essa visualização oferece uma perspectiva macro sobre a evolução do desempenho e da assiduidade dos alunos ao longo do Ensino Fundamental II, permitindo identificar tendências e pontos de atenção em nível institucional.

Figura 10. Nota e Frequência Médias Totais por Ano

Fonte: Resultados originais da pesquisa

A análise comparativa dos gráficos evidencia a relação entre o desempenho acadêmico médio e os níveis de frequência dos alunos ao longo dos anos analisados. No gráfico de Nota Média por Ano, observou-se que o 6º ano apresenta desempenho ligeiramente superior em relação aos anos subsequentes, enquanto o 7º e o 8º anos registram médias equivalentes. Em contraste, o 9º ano apresenta a menor média geral (6,7), indicando uma redução no desempenho acadêmico nesse nível de ensino.

Paralelamente, o gráfico de Frequência Média por Ano demonstra que todos os anos analisados apresentam percentuais de frequência superiores ao mínimo exigido pela legislação educacional (75%), conforme indicado pela linha de referência. Destaca-se que o 6º ano apresenta o maior percentual médio de frequência (94%), seguido pelos 7º e 8º anos (92%) e, por fim, o 9º ano (90%), ainda que este permaneça dentro dos limites legais. Evidências empíricas no contexto brasileiro indicam que a frequência escolar exerce influência significativa sobre o desempenho acadêmico dos alunos (Silva Junior e Gonçalves, 2016).

A análise conjunta dos dois gráficos permite inferir que, embora a frequência média se mantenha elevada em todos os anos, observa-se uma tendência de redução simultânea tanto na frequência quanto no desempenho acadêmico no 9º ano. Uma hipótese pedagógica plausível refere-se ao aumento da complexidade dos conteúdos curriculares nos anos finais, que pode demandar maior autonomia, maturidade cognitiva e capacidade de abstração por parte dos alunos. Tal transição pode impactar negativamente o desempenho médio, especialmente entre aqueles que apresentam lacunas de aprendizagem acumuladas ao longo dos anos anteriores.

Outra hipótese relaciona-se às mudanças no perfil socioemocional dos estudantes, típicas da fase da adolescência, que podem influenciar a motivação, o engajamento e a organização dos estudos, mesmo diante de uma frequência regular. Adicionalmente, a redução observada na frequência média, ainda que dentro dos limites legais, pode indicar um menor vínculo escolar nos anos finais, o que tende a refletir-se no desempenho acadêmico. Fatores como maior exposição a responsabilidades externas e dificuldades de adaptação às exigências escolares podem contribuir para esse cenário.

Nas análises gráficas finais, buscou-se examinar a relação entre o desempenho acadêmico nas disciplinas de Língua Portuguesa e Matemática, por meio da elaboração de gráficos de dispersão. Esses gráficos representam a intersecção das notas obtidas em ambas as disciplinas para cada aluno identificado pelo respectivo RA, permitindo a visualização conjunta do desempenho individual. Complementarmente, foi realizado o cálculo do Coeficiente de Correlação de Pearson, com o objetivo de quantificar o grau de associação linear entre as variáveis analisadas, proporcionando uma interpretação mais robusta dos padrões observados (Lira, 2004).

A Figura 11 ilustra o gráfico de dispersão das notas de Língua Portuguesa e Matemática para os alunos do 6º ano. Cada ponto no gráfico representa a média semestral de um aluno nessas duas disciplinas, permitindo visualizar a distribuição dos desempenhos e identificar possíveis padrões de associação. O coeficiente de correlação de Pearson para este ano foi de 0,76, indicando uma correlação forte e positiva.

Figura 11. Notas de Língua Portuguesa e Matemática por RA – 6º Ano

Fonte: Resultados originais da pesquisa

Para o 7º ano, a Figura 12 apresenta o gráfico de dispersão correspondente, mostrando a relação entre as notas de Língua Portuguesa e Matemática. Observa-se uma distribuição dos pontos que, embora ainda indique uma tendência positiva, apresenta um coeficiente de correlação de Pearson de 0,45, classificado como moderado. Essa redução na força da correlação em comparação com o 6º ano sugere uma variação na dinâmica de desempenho entre as disciplinas.

Figura 12. Notas de Língua Portuguesa e Matemática por RA – 7º Ano

Fonte: Resultados originais da pesquisa

A Figura 13 exibe o gráfico de dispersão para o 8º ano, onde a relação entre as notas de Língua Portuguesa e Matemática é novamente visualizada. O coeficiente de correlação de Pearson para este ano foi de 0,68, indicando um retorno a uma correlação moderada a forte. Essa variação nos coeficientes entre os anos escolares sugere que a associação entre as disciplinas pode ser influenciada por diferentes fatores pedagógicos e cognitivos ao longo do percurso educacional.

Figura 13. Notas de Língua Portuguesa e Matemática por RA – 8º Ano

Fonte: Resultados originais da pesquisa

Finalmente, a Figura 14 apresenta o gráfico de dispersão para o 9º ano, mostrando a relação entre as notas de Língua Portuguesa e Matemática. Para este ano, o coeficiente de correlação de Pearson foi de 0,82, indicando uma correlação forte e positiva, a mais alta entre os anos analisados. Isso sugere que, nos anos finais do Ensino Fundamental II, há uma maior articulação entre as competências exigidas em ambas as disciplinas, como interpretação textual e raciocínio lógico.

Figura 14. Notas de Língua Portuguesa e Matemática por RA – 9º Ano

Fonte: Resultados originais da pesquisa

A análise dos gráficos de dispersão referentes às disciplinas de Língua Portuguesa e Matemática, segmentados por ano escolar (6º, 7º, 8º e 9º anos), evidencia a existência de uma tendência positiva na relação entre as variáveis nos grupos analisados. De modo geral, observa-se que alunos com melhor desempenho em Língua Portuguesa tendem também a apresentar melhores resultados em Matemática. Ressalta-se que cada ponto representado nos gráficos corresponde à média semestral individual de cada aluno, identificado pelo respectivo RA, considerando as notas obtidas em ambas as disciplinas. Dessa forma, a análise baseia-se nas médias individuais dos estudantes, e não em médias agregadas por turma, o que possibilita uma avaliação mais precisa da relação entre o desempenho nas duas áreas do conhecimento.

A análise do Coeficiente de Correlação de Pearson entre as notas de Língua Portuguesa e Matemática revelou que, no 6º ano, a correlação foi considerada forte (r = 0,76), reduzindo-se no 7º ano (r = 0,45), sendo classificada como moderada. Nos anos subsequentes, observa-se um aumento nos valores do coeficiente, com r = 0,68 no 8º ano e r = 0,82 no 9º ano, indicando correlação moderada a forte. Ressalta-se que esses resultados se referem a comparações entre diferentes grupos de alunos, organizados por ano escolar, não se tratando, portanto, de um acompanhamento longitudinal dos mesmos estudantes. A correlação, contudo, não implica causalidade, mas evidencia padrões de associação entre as variáveis analisadas (Lira, 2004).

Ao comparar os diferentes anos escolares, verificam-se padrões distintos de distribuição dos dados. No 6º ano, observa-se maior dispersão das notas, com presença de alunos concentrados em níveis médios e baixos de desempenho em ambas as disciplinas, o que sugere maior heterogeneidade na turma. Já no 7º ano, há maior concentração das notas em faixas intermediárias, com menor incidência de valores extremos, indicando um perfil de desempenho mais homogêneo. No 8º ano, nota-se uma concentração mais elevada de alunos com notas altas em ambas as disciplinas, com destaque para valores entre 7 e 9, além de uma relação positiva mais evidente entre as variáveis, indicando um melhor desempenho geral da turma ou maior uniformidade.

Por outro lado, no 9º ano, observa-se novamente um aumento na dispersão dos dados, com a presença de alunos que, apesar de apresentarem desempenho razoável em Língua Portuguesa, possuem notas mais baixas em Matemática, além da identificação de pontos atípicos (outliers). A presença desses outliers reforça que, embora exista uma tendência geral de associação positiva entre as disciplinas, essa relação não é perfeita. Isso evidencia que fatores específicos de cada área do conhecimento também influenciam o desempenho dos alunos, como diferentes habilidades cognitivas exigidas ou metodologias de ensino distintas. A variabilidade dos dados revela que os anos 6º e 9º apresentam maior dispersão, indicando maior desigualdade no desempenho dos estudantes, enquanto os anos 7º e 8º demonstram maior concentração das notas, sugerindo turmas mais homogêneas. Essas diferenças podem estar associadas a fatores como variações pedagógicas, características específicas das turmas ou aspectos socioeconômicos dos alunos (Alves e Soares, 2007).

Em síntese, os resultados obtidos por meio da análise gráfica indicam que existe uma relação positiva entre o desempenho em Língua Portuguesa e Matemática, ainda que com variações entre os anos e presença de exceções. Tais evidências contribuem para a compreensão do desempenho escolar dos alunos, destacando tanto padrões gerais quanto particularidades relevantes para a análise educacional. A ferramenta desenvolvida contribui para a redução de inconsistências operacionais, ao automatizar cálculos e centralizar informações relevantes em um único ambiente de análise, favorecendo decisões mais ágeis, objetivas e fundamentadas, tanto no acompanhamento individual dos estudantes quanto na análise coletiva por turmas e disciplinas.

4. Conclusão

Este estudo objetivou desenvolver um painel interativo, utilizando a ferramenta Power BI, para consolidar informações de notas e presença escolar, de modo a apoiar professores e gestores na tomada de decisões pedagógicas baseadas em dados. Verificou-se que a gestão educacional enfrentava limitações significativas no acompanhamento do desempenho discente, principalmente devido à realização manual de cálculos e à fragmentação das análises. O painel concebido automatizou os cálculos de médias e indicadores de frequência, anteriormente realizados de forma manual, e viabilizou comparações entre alunos, disciplinas, turmas e períodos letivos. As visualizações desenvolvidas permitiram a identificação de padrões de desempenho, desvios e situações de risco, como a frequência abaixo do limite legal, além de oferecerem capacidade diagnóstica e prescritiva por meio de filtros de notas. Observou-se uma relação positiva entre o desempenho em Língua Portuguesa e Matemática, com variações na força da associação entre os anos escolares. A solução proposta contribui para a redução de inconsistências operacionais, centralizando informações e favorecendo decisões mais ágeis, objetivas e fundamentadas, aprimorando o acompanhamento do desempenho escolar e fortalecendo a cultura de uso de dados no ambiente educacional.

Como limitação, destaca-se que o sistema desenvolvido ainda não foi apresentado à instituição de ensino para fins de utilização prática, não tendo sido submetido a testes em ambiente real ou validação pelos usuários finais, o que restringe a avaliação de sua aplicabilidade e efetividade no contexto educacional. A etapa de implantação não foi integralmente concluída, permanecendo condicionada à efetivação de um momento formativo para os profissionais. Sugere-se, para estudos futuros, a realização de pesquisas que avaliem a implementação e o impacto do painel em um ambiente real, incluindo a capacitação dos usuários e a análise de sua aceitação e efetividade na tomada de decisões pedagógicas. Adicionalmente, a exploração do potencial de ferramentas de Business Intelligence em outros contextos educacionais que enfrentam limitações estruturais no tratamento e na análise de dados pode gerar contribuições relevantes.

Referências Bibliográficas

ALVES, B.R.; SOUZA, P.S.M. 2024. A utilização do Power BI no ambiente educacional: analisando o desempenho e grau de satisfação dos discentes. Revista Unifev: Ciência & Tecnologia 4(2). Disponível em: https://periodicos.unifev.edu.br/index.php/revistaunifev/article/view/2025. Acesso em: 02 out. 2025.

ALVES, M.T.G.; SOARES, J.F. 2007. Efeito-escola e estratificação escolar: o impacto da composição de alunos por nível socioeconômico. Revista Brasileira de Estudos de População. Disponível em: https://periodicos.ufmg.br/index.php/edrevista/article/view/45435. Acesso em: 30 mar. 2026.

AROUCHE, M.M.; MINEIRO, J.M.V.; OLIVEIRA, A.E.F.; ARAÚJO, A.R.; SANTOS, S.N.; CHAGAS, D.C. 2024. O uso do Power BI no monitoramento acadêmico dos cursos autoinstrucionais da UNA-SUS/UFMA. Revista de Saúde Digital e Tecnologias Educacionais 9: 1-12. Disponível em: https://periodicos.ufc.br/resdite/article/view/93181. Acesso em: 05 out. 2025.

BRASIL. 1996. Lei nº 9.394, de 20 de dezembro de 1996. Diário Oficial da União, Brasília, 23 dez. 1996. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/l9394.htm. Acesso em: 09 fev. 2026.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA [IBGE]. 2022. Censo demográfico 2022: panorama do Brasil. Disponível em: https://censo2022.ibge.gov.br/panorama/?localidade=BR. Acesso em: 20 jan. 2026.

ITANO, F. 2023. Entenda o CRISP-DM, suas etapas e como de fato gerar valor com essa metodologia. Disponível em: https://www.preditiva.ai/blog/entenda-o-crisp-dm-suas-etapas-e-como-de-fato-gerar-valor-com-essa-metodologia. Acesso em: 20 jan. 2026.

LEMES, T.C.; DIAS, M.O.S.; OLIVEIRA, T. 2023. Análise do uso de dashboard como ferramenta de apoio à tomada de decisão em instituições de ensino: uma revisão sistemática da literatura. Revista Novas Tecnologias na Educação 21(1): 281-290. Disponível em: https://doi.org/10.22456/1679-1916.134356. Acesso em: 09 fev. 2026.

LIRA, S.A. 2004. Análise de correlação: abordagem teórica e de construção dos coeficientes com aplicações. Dissertação de Mestrado. Universidade Federal do Paraná, Curitiba, PR, Brasil. Disponível em: https://www.ipardes.pr.gov.br/sites/ipardes/arquivos_restritos/files/documento/20109/sachiko_dissertacao_2004.pdf. Acesso em: 04 abr. 2026.

SANTOS, V.N. 2023. Análise e visualização de dados como ferramentas de melhoria da educação no Brasil. Monografia. Instituto Federal da Bahia, Salvador, BA, Brasil. Disponível em: https://repositorio.ifba.edu.br/jspui/bitstream/123456789/839/1/Analise_de_Dados_Para_Melhoria_da_Educacao_no_Brasil.pdf. Acesso em: 05 out. 2025.

SILVA JUNIOR, W.S.; GONÇALVES, F.O. 2016. Evidências da relação entre a frequência no ensino infantil e o desempenho dos alunos do ensino fundamental público no Brasil. Revista Brasileira de Estudos de População 33(2): 283-301. Disponível em: https://www.scielo.br/j/rbepop/a/7TfWmXzdkk7MCPhtyBQ87jc/. Acesso em: 10 fev. 2026.

VAZ, N.A.P.; FERNANDES, D.S.A.; CARVALHO, S.T. 2024. O uso da metodologia CRISP-DM para apoiar a análise de dados no aplicativo mHealth IUProst. In: Simpósio Brasileiro de Computação Aplicada à Saúde, 2024, Goiânia, GO, Brasil. Anais… p. 1-10. Disponível em: https://sol.sbc.org.br/index.php/sbcas/article/view/28839. Acesso em: 02 out. 2025.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy