--- name: state-of-data-analyst description: > Analisa e cruza as 6 edições da pesquisa **State of Data Brazil** (Data Hackers, 2019 a 2025/26) — carreira, cargos, senioridade, salários, modelo de trabalho, tecnologias, IA generativa e diversidade na área de dados e IA no Brasil. Usa os dados e o código do repositório público data-hackers-br/state-of-data-brazil, com colunas harmonizadas entre edições via mapping/schema_map.yaml e funções prontas em scripts/sod/ (mediana em faixas salariais, correção pelo IPCA, agrupamentos). Responde perguntas comparativas entre anos. Use quando o usuário pedir para analisar o State of Data Brazil, comparar edições da pesquisa Data Hackers, ver evolução de salários/cargos/modelo de trabalho na área de dados no Brasil, ou cruzar informações entre os anos da pesquisa. user-invocable: true argument-hint: "" --- # State of Data Brazil — Analista Esta skill trabalha **só** com as 6 edições do State of Data Brazil do repositório [data-hackers-br/state-of-data-brazil](https://github.com/data-hackers-br/state-of-data-brazil). Não busque nem baixe outros datasets. ## Onde estão os arquivos Os dados e o código (`data/`, `scripts/`, `mapping/`) ficam numa pasta que esta skill chama de `RAIZ`. Descubra a `RAIZ` nesta ordem e use a primeira que se aplicar: 1. **Plugin do Claude Code:** `${CLAUDE_PLUGIN_ROOT}`. Se esse caminho foi substituído pelo Claude Code (não começa com cifrão e chaves) e contém `mapping/schema_map.yaml`, ele é a `RAIZ`. Não escreva arquivos dentro dela: ela é trocada a cada atualização. 2. **Repositório clonado:** se o projeto aberto contém `mapping/schema_map.yaml` e `scripts/sod/`, a `RAIZ` é a pasta do projeto. 3. **Repositório anexado** (por exemplo, no Claude pelo navegador): se o usuário forneceu o ZIP deste repositório, extraia-o na pasta de trabalho da sessão e use como `RAIZ` a pasta interna que contém `mapping/schema_map.yaml`, `scripts/sod/` e `data/`. O ZIP do GitHub tem uma pasta externa `state-of-data-brazil-`; não confunda a pasta de extração com a raiz do projeto. Reutilize uma extração válida já disponível na sessão, sem baixar outra cópia. 4. **Skill instalada sozinha** (por `npx skills`, no Codex ou copiando só esta pasta): a `RAIZ` é `~/.cache/state-of-data-brazil`. Se ela não existir, avise o usuário que vai baixar uma cópia do repositório público (cerca de 80 MB, uma única vez) e rode `git clone --depth 1 https://github.com/data-hackers-br/state-of-data-brazil.git ~/.cache/state-of-data-brazil`. Sem `git`, baixe e descompacte `https://github.com/data-hackers-br/state-of-data-brazil/archive/refs/heads/main.zip` no mesmo lugar, deixando `mapping/`, `scripts/` e `data/` diretamente dentro da pasta de cache. Se o ambiente bloquear acesso à rede, explique o bloqueio e peça o ZIP como anexo ou indique como executar a análise localmente. Não repita tentativas de download sem uma mudança nas condições. Para atualizar um cache clonado com Git: `git -C ~/.cache/state-of-data-brazil pull`; se veio de ZIP, use uma nova extração. Antes de analisar, confirme que a `RAIZ` contém `mapping/schema_map.yaml`, `scripts/sod/` e os arquivos de dados necessários. Uma pasta de cache existente, mas incompleta, não basta. Se faltar algum arquivo, informe o que falta para continuar com a cópia completa do repositório. Todos os caminhos citados daqui em diante são relativos à `RAIZ`. | Edição | Chave | Arquivo | Respostas | |---------|-------------|--------------------------------------------------|-----------| | 2019 | `2019` | `data/raw/2019/data_hackers_survey_2019.csv` | 1.765 | | 2021 | `2021` | `data/raw/2021/state_of_data_2021.csv` | 2.645 | | 2022 | `2022` | `data/raw/2022/state_of_data_2022.csv` | 4.271 | | 2023 | `2023` | `data/raw/2023/state_of_data_2023.csv` | 5.293 | | 2024/25 | `2024-2025` | `data/raw/2024-2025/state_of_data_2024_2025.csv` | 5.217 | | 2025/26 | `2025-2026` | `data/raw/2025-2026/state_of_data_2025_2026.csv` | 3.495 | Não existe edição 2020 (a pesquisa pulou esse ano). ## Antes de começar 1. **Python com pandas, numpy e pyyaml.** - Com repositório anexado: primeiro confira se o Python do ambiente já importa `pandas`, `numpy` e `yaml`; para gráficos, confira também `matplotlib`. Reutilize esse interpretador quando as dependências estiverem disponíveis. Não crie um ambiente vazio que exija downloads em uma sessão sem rede. Se faltar uma biblioteca, informe qual é e indique a instalação local com `requirements.txt`; o ZIP traz os dados e o código, não as dependências Python. - No repositório clonado: use `.venv/bin/python` (ou `python3`, se as dependências já estiverem instaladas). Se faltarem, peça ao usuário para rodar a instalação do README. - No modo plugin: use um ambiente próprio em `${CLAUDE_PLUGIN_DATA}/venv`, que sobrevive a atualizações. Se ele não existir, avise o usuário que vai criá-lo e rode `python3 -m venv "${CLAUDE_PLUGIN_DATA}/venv" && "${CLAUDE_PLUGIN_DATA}/venv/bin/pip" install -r "${CLAUDE_PLUGIN_ROOT}/requirements.txt"`. - Na skill instalada sozinha: use `~/.cache/state-of-data-brazil/.venv`. Se não existir, crie com `python3 -m venv ~/.cache/state-of-data-brazil/.venv` e instale `~/.cache/state-of-data-brazil/requirements.txt` com o `pip` desse ambiente. 2. A base harmonizada já vem pronta em `data/harmonized/state_of_data_harmonized.csv`. Só no repositório clonado, se ela não existir, gere com `python scripts/harmonize.py`. 3. Leia `mapping/schema_map.yaml` — em especial `methodology_notes` e as `notes` dos campos que a pergunta envolve. Ele lista as armadilhas conhecidas dos dados. ## Fluxo de trabalho ### 1. Partir da base harmonizada `data/harmonized/state_of_data_harmonized.csv` tem uma linha por respondente das 6 edições, com `edicao`, `ano` (rótulo: 2019, 2021, …, 2024/25, 2025/26), os campos canônicos do schema e colunas derivadas prontas: - `nivel`: Júnior / Pleno / Sênior / Especialista/Staff+ / Gestor (gestor vem da pergunta "atua como gestor") - `sal_min`, `sal_max`: limites em R$ da faixa salarial (`sal_max = inf` na faixa aberta do topo) - `vinculo`: mora no Brasil com empresa brasileira / empresa estrangeira / mora no exterior - `experiencia_grupo`, `cargo_grupo`, `porte_grupo`, `setor_grupo`, `modelo_atual`, `modelo_ideal` Para código novo, prefira importar as funções em vez de reescrever a lógica: ```python import sys; sys.path.insert(0, "/scripts") from harmonize import build # base harmonizada em memória from sod import data, derive, stats # data.raw(ed), data.multiselect(ed, nome), stats.median(df), stats.deflator(ano) ``` ### 2. Se a pergunta precisar de um campo que não está no schema Inspecione as colunas e uma amostra de valores em cada edição (`data.raw(ed)`), proponha o mapeamento e **confirme os casos ambíguos com o usuário** antes de salvar em `mapping/schema_map.yaml` (com `status: proposed`). Atualize só o que a pergunta exige. Registre nas `notes` qualquer mudança de opções de resposta entre edições. Perguntas de múltipla escolha (linguagens, cloud, BI) ficam em `multiselect:` no schema. Use `data.multiselect(ed, nome)`, que já aplica as correções conhecidas, e use como denominador quem marcou pelo menos uma opção. ### 3. Analisar - **Salário:** os valores vêm em faixas. Use `stats.median` / `stats.band_quantile` (interpolação dentro da faixa, mínimo de 30 respostas). Nunca use média. Para comparar anos em termos reais, multiplique por `stats.deflator(ano)` (R$ de nov/2025, IPCA do IBGE). - **Separe mercados:** quem trabalha para empresa estrangeira ou mora no exterior ganha em outro patamar. Para nível, experiência ou gênero, use só `vinculo == "Mora no Brasil, empresa brasileira"`. - **Compare dentro de grupos:** o perfil da amostra muda a cada edição (cada vez menos juniores). Uma mediana geral pode subir mesmo com todos os níveis caindo. Antes de concluir sobre o mercado, confira por nível e por experiência. - **Informe o N** de cada edição e grupo. Sinalize grupos pequenos. - **2019** usou outro questionário. Não há nível Jr/Pl/Sr e a faixa salarial vai só até R$ 25k, então 2019 fica fora de comparações de salário e senioridade. São comparáveis: gênero, situação de trabalho, estado, formação, porte da empresa, cargo, tempo de experiência (em grupos) e linguagens, cloud e BI (já convertidos para os rótulos recentes). Região também, com a ressalva de que 2019 só identifica Sudeste e Sul. - **Staff+** só existe em 2025/26. Para comparar Sênior com anos anteriores, some Sênior + Staff+. - Campos com `status: proposed` podem ser usados; se a conclusão depender de um deles, diga isso nas ressalvas. Salve gráficos e arquivos de trabalho em `data/scratch/` no repositório clonado (ignorado pelo git). No navegador, use a pasta de saídas oferecida pelo ambiente e disponibilize os arquivos para download. Nos demais modos, use uma pasta `state-of-data/` no diretório atual do usuário. Se o usuário quiser algo apresentável e a skill `dataviz` estiver disponível, siga-a antes de montar o gráfico. Ela é opcional: se não estiver disponível, use Matplotlib, com título, unidades, N por grupo, fonte e ressalvas relevantes. Confira a imagem gerada para evitar rótulos sobrepostos ou cortados. ### 4. Resumir Feche em português: principais achados com os números, a tendência mais forte e as ressalvas metodológicas relevantes. A amostra não é aleatória: é quem respondeu à pesquisa da Data Hackers, o que pode enviesar pelo canal de divulgação. ## Nova edição da pesquisa Isso vale só para quem mantém o repositório clonado. Quando sair uma edição nova, baixe-a do Kaggle para `data/raw//`, manualmente ou pelo servidor MCP do Kaggle (`claude mcp add --transport http kaggle https://www.kaggle.com/mcp`, com o token pessoal em escopo `local`, nunca no git). Depois: adicione a edição em `editions:` no schema, mapeie as colunas de cada campo (confirmando os casos ambíguos) e rode `python scripts/harmonize.py`. ## Regras - Nunca invente valores de coluna ou estatística: leia sempre dos arquivos. - Nunca altere os CSVs de `data/raw/`; eles são cópias fiéis do Kaggle. - Nunca faça upload nem altere datasets no Kaggle. - Ao publicar resultados, cite a fonte: "State of Data Brazil, Data Hackers — CC BY-NC-SA 4.0".