Tendências do Mercado de Trabalho Brasileiro a Partir de Indicadores Socioeconômicos de Ocupação: Aplicação Bi

Alice Juliane da Costa Rodrigues; Fernando Celso de Campos

DOI: 10.22167/2675-6528-202602631

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 análise de indicadores socioeconômicos revelou-se fundamental para compreender as dinâmicas do mercado de trabalho brasileiro, historicamente marcado por desigualdades raciais, regionais e econômicas. Com o objetivo de simular a análise desses fenômenos e apoiar o desenvolvimento de competências analíticas, desenvolveu-se um dashboard interativo no MS Power BI®. A metodologia adotada foi descritiva e quantitativa, baseada em uma base de dados fictícia, estruturada a partir de características e variáveis inspiradas na Pesquisa Nacional por Amostra de Domicílios (PNAD Contínua), abrangendo o período de 2022 a 2024. Foram definidos indicadores-chave como taxas de ocupação e desocupação, renda média e distribuições demográficas. O painel permitiu a exploração interativa desses indicadores, facilitando a identificação de padrões, tendências e desigualdades. Os resultados simulados reproduziram comportamentos coerentes com a literatura e bases reais, evidenciando variações nos níveis de ocupação e rendimento entre grupos populacionais, além de disparidades estruturais influenciadas por escolaridade e gênero. Concluiu-se que a aplicação demonstrou potencial como ferramenta de apoio à análise e à tomada de decisão para fins acadêmicos e de aprendizado em ciência de dados.

Palavras-chave: Dados para negócios; MS Power BI®; Visualização de dados.

1. Introdução

A análise de indicadores socioeconômicos é fundamental para a compreensão das dinâmicas do mercado de trabalho brasileiro, um cenário historicamente marcado por profundas desigualdades. O legado do período colonial, que priorizou a extração de riquezas em detrimento do desenvolvimento nacional, deixou marcas que persistem na formação do país republicano. Essas disparidades se manifestam na contemporaneidade, especialmente em dimensões raciais e regionais (Nogueira e Souza, 2017).

A abolição formal da escravidão, em 1888, não foi acompanhada por políticas estruturadas de inclusão que promovessem a integração da população liberta à sociedade. A ausência de acesso a emprego, moradia e educação resultou na ocupação de áreas periféricas, que evoluíram para as atuais favelas. Tais problemas históricos ainda contribuem para a manutenção de desigualdades sociais e econômicas, com muitas dessas regiões carecendo de políticas públicas essenciais, como saneamento, saúde e educação (Schwarcz e Starling, 2015).

Essas desigualdades são corroboradas por dados recentes. Em 2022, a população branca apresentava uma renda superior à da população preta em 87%, conforme o Instituto de Pesquisa Econômica Aplicada (IPEA). O mesmo levantamento revela que homens e mulheres negros compõem aproximadamente 80% dos dez por cento mais pobres do Brasil. Regionalmente, o Mapa da Desigualdade Regional (Grin et al., 2021) indica que a maior parte do Produto Interno Bruto nacional se concentra nas regiões Sul e Sudeste, evidenciando características estruturais do desenvolvimento econômico e desafios para políticas públicas eficazes.

Diante desse complexo cenário, a visualização de dados emerge como um recurso estratégico para a compreensão das tendências do mercado de trabalho brasileiro e para o subsídio à formulação de políticas públicas. Ao transformar grandes volumes de dados em informações claras, acessíveis e interpretáveis, a visualização contribui para ampliar o entendimento dos fenômenos sociais e econômicos, fortalecendo a tomada de decisão baseada em evidências (Concannon et al., 2019).

Nesse contexto, ferramentas de visualização de dados, como o MS Power BI, oferecem recursos para a análise eficiente de grandes volumes de informações. Elas permitem o acompanhamento de indicadores por meio de painéis interativos, a identificação de tendências e o suporte ao planejamento estratégico (Becker e Gould, 2019). O Power BI, reconhecido como uma ferramenta de Business Intelligence (Microsoft, 2025), viabiliza a integração, modelagem e visualização de dados de múltiplas fontes, convertendo-os em relatórios e dashboards interativos de fácil interpretação.

A capacidade do Power BI é ampliada pela utilização de linguagens como Data Analysis Expressions (DAX) para a criação de medidas analíticas e a linguagem M, empregada no Power Query para os processos de extração, transformação e carregamento de dados (ETL). Esses recursos permitem a construção de análises complexas e a preparação avançada de dados, mesmo em contextos com grande volume de informações (Microsoft, s.d.). Dessa forma, a ferramenta contribui para a democratização do uso de dados e para o fortalecimento de uma cultura orientada por evidências nas organizações (Davenport e Patil, 2012).

Embora existam bases de dados oficiais amplamente utilizadas, como as disponibilizadas pelo Instituto Brasileiro de Geografia e Estatística (IBGE) por meio da Pesquisa Nacional por Amostra de Domicílios Contínua (PNAD Contínua), este trabalho opta por uma base de dados fictícia. Essa base foi estruturada a partir de características e variáveis inspiradas na PNAD Contínua, com o objetivo de simular cenários e viabilizar a aplicação prática de técnicas de análise e visualização de dados.

A escolha por dados simulados justifica-se pela necessidade de proporcionar um ambiente controlado para o desenvolvimento de competências analíticas e a exploração de cenários plausíveis, promovendo uma análise integrada e orientada por evidências, útil para fins acadêmicos e de aprendizado em análise de dados. Assim, o objetivo deste trabalho é desenvolver um dashboard que explore indicadores do mercado de trabalho brasileiro, a partir de uma base de dados simulada, permitindo a identificação de padrões e tendências e contribuindo para o desenvolvimento de análises voltadas ao apoio à tomada de decisão e à formulação de estratégias de inclusão social.

2. Material e Métodos

A presente pesquisa caracterizou-se como um estudo aplicado de natureza descritiva, com abordagem quantitativa. Teve como objetivo principal desenvolver uma aplicação voltada à apresentação visual das tendências do mercado de trabalho brasileiro, buscando gerar informações que pudessem subsidiar a tomada de decisão em diversos contextos. Para tanto, utilizou-se uma base de dados fictícia, construída para simular a estrutura e as variáveis da Pesquisa Nacional por Amostra de Domicílios Contínua (PNAD Contínua), do Instituto Brasileiro de Geografia e Estatística (IBGE).

A metodologia adotada foi estruturada em seis etapas sequenciais, visando à construção do painel analítico. Primeiramente, realizou-se a coleta de dados, seguida pelo tratamento e pela modelagem e análise. Posteriormente, definiram-se os aspectos de visualização, procedeu-se ao desenvolvimento do painel e, por fim, realizaram-se os testes e a implementação da solução. Esse fluxo de processos orientou a construção do trabalho, desde a definição dos parâmetros até a elaboração do painel analítico.

Na primeira etapa, de coleta de dados, definiram-se os parâmetros e as referências metodológicas com base em informações públicas do IBGE, especialmente aquelas da PNAD Contínua. A partir dessas referências, construiu-se uma base de dados sintética, gerada com o apoio de inteligência artificial, com o propósito de simular o comportamento e a estrutura das informações originais. O recorte temporal adotado para a simulação compreendeu o período de 2022 a 2024, alinhado aos objetivos analíticos do estudo.

Definiram-se como eixos principais de análise a dinâmica do mercado de trabalho, o perfil educacional da população ocupada, a qualificação técnica e o rendimento do trabalho formal. Adicionalmente, estabeleceram-se filtros analíticos para segmentação por gênero, escolaridade, ano, localização e faixa etária, que estruturaram a interatividade do painel. Esses elementos foram essenciais para a construção de um ambiente analítico que permitisse a exploração de cenários plausíveis.

A segunda etapa consistiu no tratamento dos dados, com o intuito de garantir sua consistência e confiabilidade. Esse processo incluiu a padronização de formatos e estruturas, a remoção de duplicados e o tratamento de valores ausentes (Redman, 2001). Também se realizou a uniformização de variáveis, como datas e valores monetários, e efetuaram-se agregações temporais em diferentes níveis de granularidade, além de verificações manuais por amostragem para validar a qualidade das transformações aplicadas (Kimball e Ross, 2013).

Na terceira etapa, de modelagem e análise dos dados, com os dados devidamente preparados, iniciou-se a estruturação do ambiente analítico. A modelagem seguiu o paradigma dimensional, organizando as informações em uma tabela fato central, denominada `base_dashboard_pnad`, e múltiplas tabelas dimensão, como gênero, raça, escolaridade, faixa etária, unidade federativa e rendimento (Kimball e Ross, 2013).

Os relacionamentos entre as tabelas foram definidos no formato um-para-muitos (1:N), assegurando a correta propagação de filtros no ambiente do MS Power BI® e a consistência das análises. Desenvolveram-se medidas utilizando a linguagem Data Analysis Expressions (DAX), possibilitando a construção de métricas derivadas, análises comparativas e cruzamentos dinâmicos. A análise exploratória empregou técnicas de estatística descritiva e análise de séries temporais, conforme Chatfield (2004).

Entre os principais indicadores construídos, destacaram-se a taxa de desocupação, a taxa de ocupação, o nível de participação e o rendimento médio. Adicionalmente, foram desenvolvidos indicadores relacionados à subutilização da força de trabalho, como desalento e subocupação. Esses indicadores foram fundamentais para representar as dinâmicas do mercado de trabalho brasileiro no painel.

A quarta etapa focou na definição e modelagem dos aspectos de visualização, buscando garantir clareza, acessibilidade e eficiência na comunicação dos dados. A construção das visualizações foi orientada por princípios de percepção visual e boas práticas de “data storytelling”, priorizando a legibilidade das informações, a comparabilidade entre categorias e a redução de ruído visual (Knaflic, 2015; Few, 2013).

Para a análise temporal, utilizaram-se gráficos de linha, enquanto para comparações entre grupos, como categorias de escolaridade, gênero e unidades federativas, optou-se por gráficos de barras. Incorporaram-se elementos de interatividade, como filtros e segmentações de dados, permitindo ao usuário explorar diferentes recortes analíticos de forma dinâmica, como ano, faixa etária, escolaridade, gênero e localização.

A padronização visual foi um aspecto central, com a definição de padrões consistentes de cores, escalas e legendas para facilitar a interpretação dos indicadores e reduzir ambiguidades (Cairo, 2016). Cores específicas foram associadas a tipos de indicadores, com tonalidades de crescimento e estabilidade para aspectos positivos, e cores de alerta para indicadores críticos, como desocupação e subutilização.

Na quinta etapa, de desenvolvimento do painel, com a base de dados estruturada e os elementos visuais definidos, desenvolveu-se o “dashboard” interativo no MS Power BI®. As medidas criadas em DAX foram integradas à interface, permitindo a exploração dinâmica dos dados por meio de filtros e segmentação. O painel foi estruturado em abas temáticas, organizadas de acordo com os eixos analíticos definidos na etapa de levantamento de requisitos.

As abas temáticas contemplaram a dinâmica do mercado de trabalho, o perfil educacional da população ocupada, a qualificação técnica e o rendimento do trabalho. Essa organização permitiu ao usuário navegar entre diferentes perspectivas analíticas, mantendo coerência visual e lógica na exploração dos dados, proporcionando uma visão integrada e interativa das principais dinâmicas do mercado de trabalho brasileiro.

A sexta e última etapa envolveu os testes e a implementação do painel, com o objetivo de validar a consistência dos dados, a confiabilidade dos indicadores e a usabilidade da solução. Realizaram-se testes de validação dos cálculos implementados em DAX, comparando os resultados do painel com os valores da base de dados. Testaram-se também a consistência dos filtros interativos, avaliando o comportamento das segmentações por gênero, escolaridade, faixa etária, localização e período.

A usabilidade do painel foi avaliada qualitativamente, considerando a clareza das informações, a organização visual, a legibilidade dos gráficos e a facilidade de navegação. Após os testes, efetuaram-se ajustes pontuais relacionados à formatação de indicadores, organização dos elementos visuais e refinamento das interações. O painel foi consolidado como uma aplicação funcional para análise de dados socioeconômicos, adequada para fins exploratórios e educacionais.

3. Resultados e Discussão

A partir das etapas metodológicas previamente definidas, os resultados obtidos são apresentados, analisados e interpretados, respeitando a sequência lógica do desenvolvimento do projeto e fundamentados em boas práticas de modelagem de dados e visualização da informação. Inicialmente, realizou-se o levantamento de requisitos para estruturar um painel analítico voltado à compreensão das dinâmicas do mercado de trabalho brasileiro, utilizando dados simulados inspirados na Pesquisa Nacional por Amostra de Domicílios Contínua (PNAD Contínua). Esse processo permitiu a definição dos eixos de análise e dos filtros interativos que guiariam a exploração dos dados.

Foram definidos como principais eixos de análise a dinâmica do mercado de trabalho, o perfil educacional da população ocupada, a qualificação técnica e o rendimento do trabalho formal. Adicionalmente, estabeleceram-se filtros analíticos por gênero, escolaridade, ano, localização e faixa etária, que estruturam a interatividade do painel. A etapa de coleta consistiu na construção de uma base de dados sintética, fundamentada em parâmetros e referências da PNAD Contínua, abrangendo o período de 2022 a 2024. Essa base resultou em um conjunto de dados estruturados, contendo variáveis socioeconômicas relevantes como ocupação, desocupação, renda e características demográficas.

Essa base de dados simulada permitiu a exploração de diferentes cenários do mercado de trabalho, preservando padrões estruturais observados em dados reais, como desigualdades regionais e variações nos níveis de renda e ocupação. Embora a utilização de dados fictícios limite a inferência direta sobre a realidade empírica, essa abordagem mostrou-se adequada ao objetivo do estudo, permitindo o desenvolvimento e a aplicação de técnicas analíticas e de visualização em um ambiente controlado. A construção de dashboards, conforme destacado por Few (2013), deve focar no usuário e em objetivos analíticos claros para evitar sobrecarga informacional e favorecer a tomada de decisão.

Na etapa de tratamento dos dados, os procedimentos aplicados visaram assegurar a consistência, padronização e confiabilidade analítica das informações. Isso incluiu a verificação dos tipos de dados, a padronização de variáveis como datas e valores monetários, e validações por amostragem para garantir a coerência dos registros. Não foram identificadas ocorrências relevantes de duplicidades ou valores ausentes que demandassem tratamentos mais complexos, o que é atribuído à natureza sintética da base de dados.

Adicionalmente, foram realizadas adequações estruturais para preparar os dados para o ambiente analítico, garantindo sua compatibilidade com as etapas subsequentes de modelagem e análise. Essas ações foram cruciais para assegurar a integridade dos dados e a confiabilidade dos indicadores construídos. De acordo com Redman (2001), a qualidade dos dados é um fator determinante para a geração de informações confiáveis, e o processo de tratamento é essencial para reduzir inconsistências e melhorar a precisão das análises.

A etapa de tratamento, embora eficiente para garantir a qualidade mínima necessária dos dados, apresentou baixa complexidade nas intervenções. Isso se deve à utilização de uma base sintética, que reduz a representatividade dessa fase quando comparada a contextos reais, onde problemas como dados ausentes, inconsistências estruturais e ruídos informacionais são mais frequentes e exigem maior esforço técnico. Contudo, o processo adotado foi suficiente para assegurar a confiabilidade dos dados utilizados nas etapas subsequentes do estudo.

Com os dados devidamente preparados, iniciou-se a etapa de modelagem e análise, com o objetivo de estruturar o ambiente analítico e viabilizar a construção de indicadores representativos das dinâmicas do mercado de trabalho brasileiro. A modelagem foi realizada com base no paradigma dimensional, organizando as informações em uma tabela fato central, denominada `base_dashboard_pnad`, e múltiplas tabelas dimensão. As tabelas dimensão incluíram gênero, raça, escolaridade, faixa etária, unidade federativa e rendimento, permitindo a segmentação e análise sob diferentes perspectivas.

Os relacionamentos entre as tabelas foram definidos no formato um-para-muitos (1:N), o que assegurou a correta propagação de filtros no ambiente do MS Power BI® e garantiu a consistência das análises. Esse tipo de modelagem favorece tanto o desempenho das consultas quanto a compreensão dos dados pelos usuários finais, conforme destacado por Kimball e Ross (2013). A partir dessa estrutura, foram desenvolvidas medidas utilizando a linguagem Data Analysis Expressions (DAX), possibilitando a criação de indicadores analíticos e métricas derivadas.

Entre os principais indicadores construídos com DAX, destacam-se a taxa de desocupação, taxa de ocupação, nível de participação, rendimento médio, além de indicadores relacionados à subutilização da força de trabalho, como desalento e subocupação. As medidas DAX permitiram a realização de análises dinâmicas e comparativas, incluindo variações temporais, agregações por diferentes níveis de granularidade e cruzamentos entre variáveis socioeconômicas, ampliando a capacidade exploratória do painel e permitindo análises interativas e personalizadas.

No âmbito da análise exploratória, observou-se que os indicadores apresentaram variações ao longo do período analisado (2022–2024), evidenciando diferenças entre grupos populacionais. Identificaram-se variações nos níveis de ocupação e rendimento quando considerados recortes como escolaridade, faixa etária e localização geográfica, refletindo desigualdades estruturais no mercado de trabalho. A análise temporal dos indicadores permitiu identificar comportamentos de oscilação ao longo dos períodos, sugerindo a influência de fatores econômicos e sociais sobre a dinâmica do emprego e da renda, conforme a importância da análise de séries temporais para identificar padrões e tendências (Chatfield, 2004).

A modelagem dimensional aliada ao uso de Data Analysis Expressions (DAX) mostrou-se eficaz para estruturar o ambiente analítico e viabilizar a construção de indicadores relevantes. A abordagem adotada permitiu flexibilidade na exploração dos dados, favorecendo análises multidimensionais e comparativas. No entanto, por se tratar de uma base sintética, os resultados obtidos devem ser interpretados como simulações de comportamento, não refletindo diretamente a realidade empírica. Ainda assim, a estrutura construída demonstra aderência às boas práticas de modelagem e análise de dados, sendo plenamente aplicável a cenários reais com dados oficiais.

Na etapa de definição e modelagem dos aspectos de visualização, buscou-se representar os dados de forma clara, acessível e pedagogicamente adequada, orientada por princípios de percepção visual e boas práticas de “data storytelling”. Para a análise temporal, foram utilizados gráficos de linha, capazes de evidenciar tendências e variações. Para comparações entre grupos, como categorias de escolaridade, gênero e unidades federativas, optou-se por gráficos de barras, que facilitam a leitura e a ordenação dos valores.

Foram incorporados elementos de interatividade, como filtros e segmentações de dados, permitindo ao usuário explorar diferentes recortes analíticos, como ano, faixa etária, escolaridade, gênero e localização, de forma dinâmica. Essa abordagem ampliou a capacidade de análise do painel, possibilitando a construção de diferentes perspectivas a partir de um mesmo conjunto de dados. A padronização visual foi um aspecto central, com definição de padrões consistentes de cores, escalas e legendas, para facilitar a interpretação dos indicadores e reduzir ambiguidades.

De acordo com Knaflic (2015), a escolha adequada de elementos visuais é essencial para a comunicação eficaz dos dados, priorizando a clareza e a eliminação de elementos desnecessários. Complementarmente, Few (2013) destaca que dashboards eficientes devem ser projetados com foco no usuário, apresentando informações de forma organizada e sem sobrecarga cognitiva. A definição dos aspectos de visualização mostrou-se adequada para atender aos objetivos do estudo, contribuindo para a construção de um painel claro, interativo e de fácil interpretação. Contudo, a eficácia das visualizações depende diretamente do perfil do usuário e de seu nível de familiaridade com ferramentas analíticas, o que pode influenciar a interpretação dos dados. Ainda assim, as escolhas adotadas seguem boas práticas consolidadas na literatura, favorecendo a comunicação dos resultados de forma acessível e estruturada.

Na etapa de desenvolvimento do painel, com a base de dados estruturada, os indicadores definidos e os aspectos de visualização modelados, foi desenvolvido um painel interativo no MS Power BI®, com o objetivo de apresentar de forma integrada as principais dinâmicas do mercado de trabalho brasileiro. O dashboard foi estruturado em uma visão segmentada por abas temáticas, organizadas de acordo com os eixos analíticos definidos na etapa de levantamento de requisitos, contemplando a dinâmica do mercado de trabalho, o perfil educacional, a qualificação técnica e o rendimento do trabalho.

Essa organização permitiu ao usuário navegar entre diferentes perspectivas analíticas, mantendo coerência visual e lógica na exploração dos dados. Além da estrutura em abas, o painel foi projetado para ser altamente interativo, incorporando filtros e segmentações que permitem a análise por variáveis como ano, gênero, faixa etária, escolaridade e localização geográfica. Essa interatividade possibilitou tanto uma visão geral dos indicadores quanto análises mais específicas, de acordo com o interesse do usuário.

A primeira seção do dashboard, focada na dinâmica do mercado de trabalho, apresentou indicadores como população em idade ativa, taxa de participação, taxa de ocupação, desocupação, desalento e subutilização da força de trabalho. A evolução da população em idade ativa revelou variações regionais e temporais ao longo do período de 2022 a 2024. A taxa de desocupação geral e a taxa de participação também mostraram oscilações e diferenças significativas entre grupos demográficos, como faixas etárias e raças, evidenciando a complexidade do mercado de trabalho.

A distribuição da força de trabalho por gênero e unidade federativa indicou disparidades regionais e de gênero na inserção no mercado. A evolução dos desocupados, do desalento e da subocupação da força de trabalho ao longo dos trimestres de 2022 a 2024 demonstrou flutuações, com picos e vales que sugerem a influência de fatores sazonais ou econômicos. A análise desses indicadores permitiu observar variações ao longo do período, sugerindo mudanças na dinâmica do mercado de trabalho, e reforçando a importância de análises segmentadas para compreender as oscilações nos níveis de participação e ocupação, bem como as diferenças entre grupos populacionais.

A segunda seção do painel, dedicada ao perfil educacional da população ocupada, permitiu observar a distribuição dos indivíduos segundo níveis de escolaridade. Os resultados indicaram que os níveis de escolaridade influenciam diretamente a inserção no mercado de trabalho, refletindo desigualdades estruturais no acesso a oportunidades. A distribuição da população ocupada por escolaridade e atividade econômica, bem como o diferencial de rendimento entre mulheres e homens por escolaridade e tipo de emprego, e entre brancos e negros, evidenciaram a persistência de lacunas significativas.

A terceira seção abordou aspectos relacionados à qualificação técnica da população, permitindo analisar a relação entre formação e inserção no mercado de trabalho. As visualizações dessa seção buscaram evidenciar como diferentes níveis de qualificação impactam indicadores como ocupação e rendimento, por meio de gráficos comparativos. A análise sugere que maiores níveis de qualificação estão associados a melhores condições de inserção no mercado, embora essa relação não seja uniforme entre todos os grupos, indicando a influência de outros fatores estruturais.

A última seção do painel apresentou indicadores relacionados ao rendimento do trabalho, com foco na análise da distribuição de renda entre diferentes grupos populacionais. Foram utilizados gráficos de barras e comparações segmentadas para evidenciar diferenças de rendimento por escolaridade, gênero e localização. Os resultados evidenciaram disparidades significativas nos níveis de renda, reforçando a existência de desigualdades estruturais no mercado de trabalho, especialmente quando considerados fatores como escolaridade e gênero. A evolução do rendimento real do trabalho formal e sua variação por grupos revelaram a persistência dessas desigualdades.

A partir da análise integrada das diferentes seções do painel, foi possível destacar a existência de variações temporais nos indicadores do mercado de trabalho ao longo do período analisado, bem como diferenças relevantes nos níveis de ocupação e participação entre grupos populacionais. A influência direta da escolaridade na inserção e permanência no mercado de trabalho e a associação entre qualificação técnica e melhores condições de ocupação foram evidentes. Além disso, a presença de desigualdades estruturais nos níveis de rendimento, especialmente entre diferentes níveis educacionais e grupos sociais, foi um achado consistente.

O desenvolvimento do painel no MS Power BI® permitiu consolidar, em um único ambiente, diferentes dimensões do mercado de trabalho, proporcionando uma visão integrada e interativa dos dados. A estrutura em abas temáticas contribuiu para a organização das informações, facilitando a navegação e a interpretação dos resultados. A interatividade do painel, viabilizada por filtros e segmentações, ampliou a capacidade analítica da ferramenta, permitindo a exploração de diferentes cenários a partir de um mesmo conjunto de dados.

Entretanto, por se tratar de uma base de dados sintética, os resultados devem ser interpretados com cautela, sendo mais adequados para fins analíticos e educacionais do que para inferências diretas sobre a realidade. Além disso, a ausência de variáveis externas limita a compreensão de fatores macroeconômicos que influenciam o mercado de trabalho. Ainda assim, o painel desenvolvido demonstra o potencial das ferramentas de business intelligence na análise de dados socioeconômicos, evidenciando sua aplicabilidade em contextos reais.

Um aspecto relevante no desenvolvimento do painel foi a padronização da paleta de cores e a consistência visual dos indicadores. Buscou-se estabelecer um padrão cromático que permitisse ao usuário identificar rapidamente a natureza de cada métrica, reduzindo ambiguidades e facilitando a interpretação das informações. Cores específicas foram associadas a tipos de indicadores: tonalidades de crescimento e estabilidade para aspectos positivos (ocupação, rendimento), e cores de alerta para indicadores críticos (desocupação, subutilização).

Essa padronização contribuiu para a criação de uma linguagem visual intuitiva, permitindo que o usuário reconheça padrões e relações de forma mais rápida. A consistência na aplicação de cores em categorias semelhantes ao longo de diferentes visualizações evitou a reinterpretação de legendas e reduziu a carga cognitiva durante a análise, o que é crucial em painéis interativos. De acordo com Cairo (2016), o uso consistente de elementos visuais é fundamental para a construção de representações gráficas eficazes, contribuindo para a organização da informação e para a compreensão rápida dos dados.

A definição de uma paleta de cores consistente mostrou-se eficaz para aprimorar a legibilidade e a interpretação dos indicadores. No entanto, a percepção de cores pode variar entre usuários, especialmente em casos de daltonismo ou diferentes contextos de visualização, o que pode impactar parcialmente a eficácia da comunicação visual. Ainda assim, a estratégia adotada segue boas práticas de design da informação, contribuindo para uma experiência analítica mais intuitiva e estruturada.

Após o desenvolvimento do painel, foram realizados testes com o objetivo de validar a consistência dos dados, a confiabilidade dos indicadores e a usabilidade da solução. Esses testes foram fundamentais para assegurar que o dashboard atendesse aos objetivos analíticos definidos e proporcionasse uma experiência adequada ao usuário final. Inicialmente, foram conduzidos testes de validação dos cálculos implementados em Data Analysis Expressions (DAX), comparando os resultados apresentados no painel com os valores obtidos diretamente na base de dados, verificando a correta aplicação das medidas e a precisão dos indicadores.

Em seguida, foram realizados testes de consistência dos filtros interativos, avaliando o comportamento das segmentações por gênero, escolaridade, faixa etária, localização e período. Esses testes asseguraram que as interações do usuário resultassem em atualizações coerentes e alinhadas à lógica do modelo de dados, sem distorções ou inconsistências nas visualizações. Adicionalmente, a usabilidade do painel foi avaliada de forma qualitativa, considerando aspectos como clareza das informações, organização visual, legibilidade dos gráficos e facilidade de navegação entre as diferentes abas, buscando garantir que o painel fosse intuitivo para usuários com diferentes níveis de familiaridade com ferramentas analíticas.

Após a realização dos testes, foram efetuados ajustes pontuais relacionados à formatação de indicadores, organização dos elementos visuais e refinamento das interações, contribuindo para a melhoria da experiência do usuário e para a robustez da solução. A etapa de testes mostrou-se essencial para garantir a confiabilidade e a qualidade da solução desenvolvida, evidenciando a importância da validação em projetos de análise de dados. No entanto, por se tratar de uma aplicação baseada em dados sintéticos e sem implementação em ambiente produtivo, não foi possível avaliar aspectos como desempenho em larga escala, uso simultâneo por múltiplos usuários ou integração com fontes externas em tempo real. Ainda assim, a solução demonstra potencial de aplicabilidade prática, especialmente em contextos educacionais e de simulação analítica.

Uma análise comparativa entre o cenário anterior e posterior à implementação da solução em business intelligence revelou uma evolução significativa. Antes da aplicação, a produtividade analítica era caracterizada por processos manuais e demorados, com o uso de planilhas isoladas para consolidação dos dados. Após a aplicação, as visualizações tornaram-se automatizadas e atualizadas em tempo real por meio do dashboard, resultando em uma redução expressiva no tempo necessário para análise.

O tempo de resposta para elaboração de relatórios e atendimento de demandas analíticas, que antes era demorado, transformou-se em respostas rápidas obtidas por meio de filtros interativos e painéis dinâmicos, aumentando a agilidade na tomada de decisão. A economia de recursos, que antes exigia elevado esforço operacional e apresentava maior risco de retrabalho, passou a contar com processos automatizados e menor dependência de intervenção manual, otimizando o uso de recursos humanos e tecnológicos.

A qualidade das informações, que inicialmente eram descentralizadas, inconsistentes e sem padronização, evoluiu para uma base estruturada, consistente e automaticamente atualizada, aumentando a confiabilidade e precisão das análises. A visão estratégica, antes focada no nível operacional e com dificuldade na identificação de padrões, tornou-se integrada e multidimensional, permitindo análises mais abrangentes e fortalecendo o suporte ao planejamento estratégico. Por fim, o monitoramento de indicadores, que era manual e com baixa frequência de atualização, passou a ser automatizado e atualizado conforme os dados são processados, melhorando a governança e o acompanhamento contínuo dos indicadores.

Em síntese, o dashboard desenvolvido explorou indicadores do mercado de trabalho brasileiro a partir de uma base de dados simulada, reproduzindo comportamentos coerentes com a literatura e bases reais. A ferramenta permitiu a identificação de padrões, tendências e desigualdades, evidenciando variações nos níveis de ocupação e rendimento entre grupos populacionais, além de disparidades estruturais influenciadas por escolaridade e gênero. A aplicação demonstrou potencial como ferramenta de apoio à análise e à tomada de decisão para fins acadêmicos e de aprendizado em ciência de dados, apesar das limitações inerentes ao uso de dados sintéticos para inferências diretas sobre a realidade empírica.

4. Conclusão

O estudo teve como objetivo desenvolver um dashboard que explorasse indicadores do mercado de trabalho brasileiro, a partir de uma base de dados simulada, permitindo a identificação de padrões e tendências e contribuindo para o desenvolvimento de análises voltadas ao apoio à tomada de decisão e à formulação de estratégias de inclusão social. Verificou-se que a construção de um painel interativo no MS Power BI®, utilizando uma base de dados fictícia inspirada na Pesquisa Nacional por Amostra de Domicílios Contínua para o período de 2022 a 2024, possibilitou a análise de indicadores-chave como taxas de ocupação e desocupação, renda média e distribuições demográficas. Os resultados simulados reproduziram comportamentos coerentes com a literatura e bases reais, evidenciando variações nos níveis de ocupação e rendimento entre grupos populacionais e disparidades estruturais influenciadas por escolaridade e gênero. A modelagem dimensional e o uso de Data Analysis Expressions (DAX) mostraram-se eficazes na estruturação do ambiente analítico, e a padronização visual contribuiu para a clareza e interpretação dos dados. A principal contribuição reside no potencial da aplicação como ferramenta de apoio à análise e ao aprendizado em ciência de dados, oferecendo uma visão integrada e interativa das dinâmicas do mercado de trabalho.

Como principal limitação, destaca-se que a utilização de uma base de dados sintética restringe inferências diretas sobre a realidade empírica. Além disso, a ausência de variáveis externas limitou a compreensão de fatores macroeconômicos que influenciam o mercado de trabalho, e a não implementação em ambiente produtivo impediu a avaliação de aspectos como escalabilidade e uso multiusuário em tempo real. Para estudos futuros, sugere-se a utilização de bases de dados reais e a integração com fontes externas de dados, como indicadores macroeconômicos e informações sobre políticas públicas, para ampliar a capacidade analítica do painel. Recomenda-se também a inclusão de novos indicadores e a realização de testes de usabilidade com usuários finais para uma avaliação mais aprofundada do impacto da ferramenta na tomada de decisão.

Referências Bibliográficas

Becker, L. T.; Gould, E.M. 2019. Microsoft Power BI: Extending Excel to Manipulate, Analyze, and Visualize Diverse Data, Serials Review 45(3): 184-188.

CAIRO, Alberto. The truthful art: data, charts, and maps for communication. Berkeley: New Riders, 2016.

Chatfield, C.. 2004. The Analysis of Time Series: An Introduction. 6th Edition, Chapman and Hall, London.

Concannon D.; Herbst K.; Manley E. 2019. Developing a Data Dashboard Framework for Population Health Surveillance: Widening Access to Clinical Trial Findings. JMIR Form Res. 3(2): 1-13.

DAVENPORT, Thomas H.; PATIL, D. J. 2012. Data Scientist: The Sexiest Job of the 21st Century. Harvard Business Review, Boston, out. 2012. Link disponível em: https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century. Acesso em: 28 out. 2025.

FEW, Stephen. 2013. Information Dashboard Design: Displaying Data for At-a-Glance Monitoring. 2. ed. Burlingame, CA: Analytics Press.

GRIN, Eduardo José; PIMENTEL DOS SANTOS, Fernando Burgos; FERNANDES, Gustavo Andrey de Almeida Lopes; BRESCIANI, Luís Paulo. 2021. O mapa regional das múltiplas desigualdades e do desenvolvimento humano no Brasil. São Paulo: Fundação Getulio Vargas. Link Disponível em: https://eaesp.fgv.br/sites/eaesp.fgv.br/files/pesquisa-eaesp-files/arquivos/b1_-_d521976c-0e1d-2ab6-d285-cacde252c490.pdf?utm_source=chatgpt.com. Acesso em: 23 set. 2025.

Kimball, R.; Ross, M. 2013. The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. 3ed. John Wiley & Sons, Indianapolis, IN, EUA. Link disponível em: https://ia801609.us.archive.org/14/items/the-data-warehouse-toolkit-kimball/The%20Data%20Warehouse%20Toolkit%20-%20Kimball.pdf. Acesso em: 23 set. 2025.

Knaflic, Cole Nussbaumer. 2015. Storytelling with Data: A Data Visualization Guide for Business Professionals. Wiley, 2015.

MICROSOFT 2025. Power BI documentation. Disponível em: https://learn.microsoft.com/power-bi/. Acesso em: 28 out. 2025.

NOGUEIRA, Oracy; SOUZA, Jessé. 2017. A elite do atraso: da escravidão à Lava Jato. Rio de Janeiro: Leya.

Redman, T.C. 2001. Data Quality: The Field Guide. Digital Press, Burlington, MA, EUA. Link disponível em: https://books.google.com.br/books?hl=pt-BR&lr=&id=iE2qsxDyEEYC&oi=fnd&pg=PR11&dq=Redman,+T.+2001.+Data+Quality:+The+Field+Guide&ots=6mnT-dJYPG&sig=qZWOzruirk06PVKpp_IXCfTgFio#v=onepage&q=Redman%2C%20T.%202001.%20Data%20Quality%3A%20The%20Field%20Guide&f=false. Acesso em: 23 set. 2025.

SCHWARCZ, Lilia Moritz; STARLING, Heloisa Murgel. 2015. Brasil: uma biografia. São Paulo: Companhia das Letras.

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