SYS-04·Operação: Analisa·Território Analisar
Transformar dado de aprendizagem em decisão que o board entende
Um painel que cruza engajamento de aprendizagem com indicador de negócio e declara, junto de cada correlação, o método, o período e o que ela não prova.
Motor atual
PILOTO FUNDADOR · V1
Learning Analytics: Um produto operacional para testar antes de qualquer integração do cliente.
O workspace atual roda localmente e produz saídas inspecionáveis. O Piloto Fundador aplica esse motor a um contexto real delimitado, sem apresentar integrações previstas como se já estivessem conectadas.
O que você recebe
- Decision brief: qual pergunta de negócio o analytics precisa responder.
- Mapa de fontes, qualidade, lacunas e permissões dos dados.
- Modelo de indicadores e evidências com definições explícitas.
- Maturidade técnica
- MVP operacional no navegador
- Disponibilidade comercial
- Piloto Fundador aberto
- Evidência externa
- Primeiro piloto real ainda não realizado
Motor atual
React · TypeScript · validação local de CSV · cálculo descritivo local
Integrações / arquitetura prevista
Python · Looker Studio · APIs educacionais · fontes do cliente
Conectadas somente após definição de escopo, credenciais, segurança e aprovação do cliente.
OPS / 04Workspace de piloto
Workspace local de análise de evidências
Importe um CSV real e desidentificado, valide cada linha, aplique limiares transparentes e exporte um relatório de decisão sem enviar dados do cliente a terceiros.
Taxas e escores devem estar entre 0–100. Campos numéricos não podem ficar vazios. Use participant_id desidentificado.
Nenhuma base validada carregada.
CAMADA COMERCIAL · SYS-04
Piloto Fundador · vagas iniciaisConstrua um Command Center que responda decisões de L&D, não apenas exiba métricas.
O piloto começa por uma pergunta executiva, identifica os sinais disponíveis, define a lógica de evidência e entrega uma leitura acionável com limites explícitos de inferência.
Formato de entrada
Piloto de Learning Analytics orientado a uma decisão executiva prioritária.
Janela do Piloto Fundador
2–3 semanas
Estimativa de escopo. A janela depende da qualidade, disponibilidade e governança dos dados necessários.
O que o cliente recebe
- Decision brief: qual pergunta de negócio o analytics precisa responder.
- Mapa de fontes, qualidade, lacunas e permissões dos dados.
- Modelo de indicadores e evidências com definições explícitas.
- Command Center operacional para a decisão priorizada.
- Protocolo de leitura: o que o dado permite concluir, o que não permite e qual ação acompanha cada sinal.
Como o piloto acontece
- 01Perguntar
Começar pela decisão, não pelo dashboard nem pela disponibilidade de métricas.
- 02Modelar
Conectar sinais de aprendizagem, contexto e negócio com rigor e limites explícitos.
- 03Operar
Entregar uma superfície de decisão e uma cadência de leitura para o time.
Como avaliamos sucesso
- Cada indicador existe porque responde uma decisão definida.
- O time distingue correlação, evidência operacional e causalidade sem misturá-las.
- A leitura do painel termina em uma ação ou em uma pergunta melhor, não em contemplação de métricas.
O que preciso do cliente
- Uma decisão prioritária de L&D ou de negócio relacionada à aprendizagem.
- Amostra, dicionário ou descrição das fontes de dados disponíveis.
- Pessoa responsável por validar definições, contexto e interpretação.
O que o piloto não promete
- Causalidade a partir de correlação simples.
- Integração irrestrita com fontes sem permissão ou governança adequada.
- Impacto de negócio tratado como comprovado sem desenho de evidência compatível.
BRIEF DE PILOTO · 3 PERGUNTAS
Comece o Command Center pela decisão que precisa melhorar.
Antes de falar em dashboard, precisamos saber qual decisão importa, que evidência existe e o que alguém fará diferente quando o sinal aparecer.
Nada é enviado enquanto você digita. O briefing só sai do navegador quando você escolhe WhatsApp ou e-mail.
Preencha as 3 respostas para gerar um briefing útil.
Piloto Fundador · investimento inicial
A partir de R$ 2.490
Escopo inicial controlado. Prazo e investimento podem variar conforme número de participantes, volume de dados, integrações, customizações e formato de facilitação. Escopos ampliados são propostos separadamente.
Condição de lançamento para as primeiras vagas do Piloto Fundador. A proposta final fecha objetivo, entregáveis, critérios, janela e responsabilidades antes do início.
Comparar as 4 soluçõesINS / 04CONSOLE DE SINAL
Comece pela decisão, não pelo gráfico.
Escolha a decisão que precisa tomar. O console separa os indicadores que respondem daqueles que são só ruído bonito, com a intervenção que decorre de cada leitura.
Console de sinal · da pergunta ao indicador
Dados ilustrativosLeitura · Risco de evasão
Quem está prestes a abandonar?
Evasão quase nunca começa com nota baixa. Começa com ausência. O intervalo desde o último acesso sinaliza risco antes de uma avaliação registrar queda.
- 1. Intervalo desde o último acesso94/100
- 2. Frequência de acesso86/100
- 3. Conclusão de microdose71/100
Os pesos exibidos representam o modelo de priorização do protótipo, ou seja, quais sinais respondem a cada decisão. Não são medições de uma base real de participantes, probabilidades nem efeitos observados.
Contexto Executivo
O maior problema não é falta de dado. É falta de dado que responde alguma pergunta.
Um LMS corporativo costuma registrar taxa de conclusão, nota em avaliação e tempo por módulo. Esses dados podem existir em abundância e ainda assim chegar fragmentados, incompletos ou desconectados da decisão de negócio que deveriam informar.
Taxa de conclusão, sozinha, não responde se um investimento em aprendizagem mudou o negócio. O que ele precisa saber é se o investimento em capacitação se relaciona de forma observável com redução de erro, ganho de produtividade ou tempo de onboarding, e com que incerteza.
O Learning Analytics Command Center foi desenhado para fechar essa distância: estruturar fontes, cruzar variáveis com método declarado e apresentar cada indicador ao lado da decisão que ele pode informar e do limite do que ele sustenta.
O Problema Real
L&D precisa defender investimento com evidência que dialogue com o negócio.
Chega a revisão anual. O gestor de L&D precisa justificar a linha de capacitação e leva o que tem: horas de treinamento, satisfação dos participantes, percentual de conclusão dos módulos.
A pergunta seguinte é inevitável: onde isso apareceu no resultado?
Não conseguir responder não prova ausência de impacto. Mostra que ainda falta uma arquitetura que conecte aprendizagem, desempenho e contexto de forma auditável.
O ponto crítico
“A métrica de aprendizagem ganha valor executivo quando vem acompanhada da pergunta de negócio que informa, da origem do dado e do limite da inferência.”
Carlos Augusto Diniz, PhD · Learning Designer
O Custo de Não Medir
O que se perde quando L&D não consegue mostrar o próprio impacto.
Os itens abaixo ilustram riscos de decisão. Não vêm de levantamento próprio, benchmark publicado ou operação de cliente e não devem ser lidos como estatística de mercado.
Método de Origem
O mesmo rigor usado para encontrar padrão em dados biológicos pode organizar dados de aprendizagem.
Minha formação em Bioinformática envolveu genômica microbiana, análises in silico, vias metabólicas e comparação de grandes conjuntos de dados biológicos. O princípio transferível é separar padrão de ruído por meio de coleta organizada, transformação rastreável e interpretação crítica.
Em Learning Analytics, a analogia útil não é dizer que um LMS é um genoma. É aplicar a mesma disciplina: definir a pergunta antes da análise, documentar transformações, procurar relações entre variáveis e testar explicações alternativas antes de concluir.
Dado existe de sobra. O desafio é construir uma análise que sobreviva à pergunta seguinte: “o que mais poderia explicar esse resultado?”
A Solução
Um command center que conecta aprendizagem, resultado e limite da evidência.
Coleta multifonte
Arquitetura para reunir dados de aprendizagem, RH e indicadores de negócio quando essas fontes estiverem disponíveis, preservando origem, granularidade e qualidade de cada variável.
Modelagem de relação
Análise estatística para investigar quais indicadores variam em conjunto, com método, tamanho da amostra, período, incerteza e variáveis de confusão declarados quando houver dados reais.
Painel orientado à decisão
Visualização organizada pela pergunta que precisa ser respondida. Cada indicador aparece com origem e limitação para reduzir a distância entre gráfico e decisão.
Pipeline de Dados
Da fonte bruta à decisão executiva, com rastreabilidade em cada etapa.
Fontes múltiplas
Entradas definidas de acordo com a pergunta e a disponibilidade real de dados
ETL reproduzível
Limpeza e normalização com registro do que mudou, do que foi descartado e por quê
Modelagem
Investigação de relações com método, incerteza e variáveis de confusão explícitas
Decisão
Painel que devolve a leitura junto do seu limite
Arquitetura prevista
Integrações possíveis para uma implantação com dados reais.
Python
ETL e análise estatística
Ecossistema previsto para transformação, exploração e modelagem reproduzível. A escolha final de bibliotecas depende do método exigido pelos dados reais.
Looker Studio
Opção de visualização executiva
Uma das alternativas consideradas para publicar uma camada de leitura acessível a gestores sem exigir que eles operem o pipeline analítico.
APIs educacionais
Fonte potencial de dados de aprendizagem
APIs de LMS podem substituir exportações manuais quando a instituição disponibiliza acesso, escopo e governança adequados.
SQL + PostgreSQL
Camada estruturada de histórico
Opção para organizar séries históricas e manter consultas reproduzíveis quando volume, governança e persistência justificarem essa camada.
Fases do Projeto
Da modelagem de dados a uma leitura executiva validada.
- 01
Modelagem de dados (fase atual)
Definição do esquema e das perguntas que o pipeline precisa responder, validando a lógica sobre dados sintéticos.
- 02
Pipeline ETL
Implementação reproduzível de coleta, limpeza e normalização quando houver uma fonte real autorizada para o piloto.
- 03
Modelo analítico
Escolha de métodos compatíveis com desenho, distribuição, amostra e pergunta. Significância estatística, quando aplicável, é parte da leitura e não um selo automático de relevância.
- 04
Painel e validação de leitura
Teste com gestores para verificar se a interface comunica decisão, origem e limite do dado sem exigir tradução técnica adicional.
Dashboard Simulado
Relação entre índice de aprendizagem e KPI de negócio ao longo do tempo.
Dados sintéticos demonstram como duas séries podem se mover juntas. Em dados reais, a janela necessária para estimar uma relação depende de frequência de medição, tamanho amostral, variabilidade, efeito esperado e desenho analítico.
Correlação simulada (r = 0,94) sobre dados sintéticos. Número de demonstração, sem interpretação causal e sem relação com cliente ou piloto.
Hipóteses de Produto
O que o sistema precisa provar quando houver um piloto real.
Os cartões abaixo são alvos de design ou hipóteses de validação. Nenhum deles representa resultado obtido em organização real.
Abordagem Analítica
Correlação não é causa, e o painel precisa dizer isso sozinho.
Uma das primeiras lições da análise de dado científico é não confundir correlação com causa. Dois números que sobem juntos não provam que um produziu o outro. Vale para dados biológicos e vale para analytics de aprendizagem.
O sistema é desenhado para explicitar o que o dado sustenta: método, tamanho amostral, período, incerteza, variáveis de confusão conhecidas e critérios de interpretação devem acompanhar qualquer relação calculada.
O objetivo não é produzir uma correlação bonita. É produzir uma leitura que continue defensável quando alguém pergunta como você sabe e o que mais poderia explicar o padrão.
Fundação Científica
Resultados de aprendizagem + métricas de negócio
Modelos de avaliação podem organizar perguntas de resultado, mas a relação com indicadores de negócio precisa ser investigada com desenho analítico próprio, não presumida pela estrutura teórica.
Disciplina transferida da Bioinformática
A contribuição transferível é metodológica: dados complexos exigem pergunta explícita, transformação rastreável, análise reprodutível e interpretação que respeite limites.
Ciência de dados reproduzível
Pipeline documentado e versionado permite repetir análises e inspecionar decisões de tratamento de dados antes que um resultado informe ação de negócio.
Roadmap
Da modelagem sintética a uma validação real, sem pular etapas.
Modelagem de dados
Definição do esquema, das perguntas e das regras de leitura sobre dados sintéticos.
Fonte real autorizada
Estruturar um piloto somente quando houver organização, acesso, governança e indicadores adequados, sem presumir parceria antes de ela existir.
Análise e painel
Escolher método a partir do desenho e do volume efetivamente obtidos, construir a visualização e testar a interpretação com os decisores envolvidos.
Produto de analytics
Investigar quais partes da arquitetura podem ser reutilizadas entre contextos sem transformar diferenças de dado, governança e decisão em uma falsa padronização.
Próxima etapa
A pergunta executiva é simples. A resposta precisa mostrar também o limite do que sabemos.
Quando um indicador de aprendizagem aparece ao lado da decisão que informa, da origem do dado e do limite da inferência, a conversa deixa de ser sobre quantidade de gráficos e passa a ser sobre qualidade de evidência.