O que é visualização de dados? Um guia completo de ferramentas, técnicas e boas práticas

Imagine rolar por linhas e mais linhas de dados sem conseguir enxergar os insights escondidos ali. Essa é a realidade de muitas empresas hoje, com estimados 402,74 milhões de terabytes gerados por dia. Como dar sentido a tudo isso? A resposta está na visualização de dados.

Organizações e pessoas usam dados para determinar as causas de problemas e identificar ações práticas. Porém, com a quantidade de dados crescendo sem parar, fica cada vez mais difícil entender o que eles dizem. Nossa natureza é buscar padrões e encontrar estrutura. É assim que guardamos informação e aprendemos coisas novas. Quando os dados não são apresentados de forma visualmente agradável, enxergar esses padrões e estruturar o conhecimento pode ser difícil ou até impossível.

Neste artigo, vamos ver como a visualização de dados resolve esse problema. Também vamos discutir o que é visualização de dados, por que ela é importante, dicas para desenvolver suas habilidades, gráficos comuns e ferramentas para visualizar seus dados. 

O que é visualização de dados?

Visualização de dados é o processo de representar dados graficamente. É traduzir dados para um contexto visual, usando gráficos, plots, animações, infográficos etc. A ideia é facilitar a identificação de tendências, outliers e padrões nos dados. Exploramos esse conceito em mais detalhes no nosso curso Understanding Data Visualization.

Profissionais de dados usam visualizações regularmente para resumir os principais insights e levar essa informação às partes interessadas certas.

Por exemplo, um profissional de dados pode criar visualizações para a diretoria, que por sua vez as usa para projetar a estrutura organizacional. Outro exemplo é quando cientistas de dados utilizam visualizações para revelar a estrutura subjacente dos dados e, assim, compreender melhor o conjunto analisado.  

Dado o propósito da visualização de dados, há dois pontos essenciais que podemos tirar dessa definição: 

1) Uma forma de tornar os dados acessíveis: A melhor maneira de tornar algo acessível é manter a simplicidade. Mas “simples” depende do contexto: o que é simples para uma criança de dez anos pode não ser para alguém com Ph.D. Assim, a visualização de dados é uma técnica para tornar dados acessíveis a quem precisa deles. 

2) Uma forma de comunicar: Este ponto é um desdobramento do primeiro. Para se comunicar bem, todos precisam “falar a mesma língua”. Não importa se você trabalha sozinho ou em equipe, as visualizações devem gerar insights relevantes para quem as verá. Um CEO pode preferir insights com passos acionáveis; um time de machine learning pode querer ver como os modelos estão performando. 

Em resumo, visualização de dados é uma técnica que facilita reconhecer padrões e tendências nos dados. 

Nosso cheat sheet de visualização de dados traz uma representação visual dos principais conceitos

Por que a visualização de dados é tão importante para cientistas de dados?

Ciência de dados é um campo interdisciplinar que usa métodos científicos, processos, algoritmos e sistemas para extrair conhecimento e insights de dados ruidosos, estruturados e não estruturados (veja nosso guia "o que é ciência de dados" para uma explicação mais profunda). O desafio é que nem sempre dá para “ligar os pontos” olhando dados brutos; é aí que a visualização de dados é extremamente valiosa. Vamos ver por que ela é uma ferramenta tão poderosa para cientistas de dados. 

Descoberta e aprendizado

Cientistas de dados precisam entender bem os dados que usam. A visualização permite evidenciar os aspectos mais informativos do conjunto, tornando rápido e fácil para eles (e para outros) entender o que está acontecendo. Por exemplo, identificar tendências em uma tabela é muito mais trabalhoso do que vê-las em um gráfico. Falaremos mais sobre isso adiante no artigo. 

Storytelling 

Histórias são usadas há séculos para compartilhar informação. Elas funcionam porque criam conexão emocional com a audiência. Essa conexão ajuda as pessoas a compreenderem melhor experiências alheias, tornando a informação mais memorável. Data storytelling é uma forma de visualização: ajuda cientistas de dados a dar sentido ao que encontram e a compartilhar com os outros de maneira fácil de entender. 

Eficiência 

Em alguns casos, dá para extrair insights direto de bancos de dados, mas isso exige foco enorme e custa caro para o negócio. Nesses cenários, a visualização é muito mais eficiente. Por exemplo, se o objetivo é identificar todas as empresas que tiveram prejuízo em 2024, é mais fácil destacar em vermelho as com lucro abaixo de zero e em verde as acima de zero. As que ficaram no zero a zero permanecem neutras. Essa técnica é bem mais eficiente do que varrer o banco manualmente para marcar empresa por empresa. 

Estética 

Embora dados brutos possam ser informativos, raramente são atraentes ou engajadores. A visualização transforma dados úteis, mas “sem graça”, em conhecimento bonito e esclarecedor. Tornar os dados mais atraentes conversa com nossa natureza predominantemente visual. Em outras palavras, processamos informação muito mais rápido quando ela estimula nossos sentidos visuais.  

Como aprender visualização de dados

Visualização de dados é uma habilidade essencial para quem trabalha com dados, de analistas de negócios a cientistas de dados. Dominá-la permite comunicar insights com clareza, deixando suas decisões orientadas por dados mais nítidas e impactantes. Se você quer saber por onde começar, oferecemos vários recursos para te guiar em cada etapa da jornada — seja para iniciantes ou para quem deseja afiar habilidades avançadas.

Veja como começar:

1. Comece pelos fundamentos

Se você é totalmente novo em visualização, é essencial entender os fundamentos antes de mergulhar em ferramentas e técnicas avançadas. A DataCamp oferece trilhas estruturadas para guiá-lo por essa base.

• Recurso recomendado: Understanding Data Visualization. Este curso apresenta os conceitos centrais de visualização, ensinando a projetar e interpretar visualizações simples e eficazes. Cobre tipos de gráficos essenciais, boas práticas e como pensar criticamente sobre dados.
• Tópicos abordados:
  • Tipos básicos de gráficos (barras, pizza, linhas)
  • Erros comuns em visualização de dados
  • Como escolher o gráfico certo para seus dados

2. Aprenda a visualizar dados com ferramentas sem código

Para quem ainda não programa, temos cursos sobre ferramentas que permitem criar visualizações sem escrever código. Elas são ótimas para usuários de negócio, gestores e qualquer pessoa que queira criar visualizações rapidamente.

• Recurso recomendado: Power BI Fundamentals. O Power BI é uma ferramenta poderosa, sem código, para criar dashboards e relatórios interativos. Esta trilha ensina como usar sua interface intuitiva para criar visualizações envolventes e comunicar insights com eficácia.
• Recurso recomendado: Tableau Fundamentals. O Tableau é outra ferramenta popular para criar dashboards interativos e visualmente atraentes. Com o recurso de arrastar e soltar, você explora dados e cria visualizações relevantes com facilidade.
• Tópicos abordados:
  • Construção de dashboards interativos
  • Limpeza e preparação de dados para visualização
  • Boas práticas de storytelling visual

3. Desenvolva habilidades de código para visualizações avançadas

Se você quer pôr a mão na massa com programação, criar visualizações com Python ou R amplia muito sua capacidade de personalizar e automatizar análises visuais.

• Recurso recomendado: Data Visualization with Python. O Python oferece bibliotecas poderosas (como Matplotlib, Seaborn e Plotly) para criar desde gráficos simples até visualizações interativas complexas. Esta trilha ajuda você a construir uma base sólida nessas ferramentas.
• Recurso recomendado: Data Visualization with R. O R é amplamente usado para computação estatística e visualização. O pacote ggplot2, em especial, é padrão de mercado para gráficos bonitos e informativos. Nesta trilha, você aprenderá a criar visualizações de alta qualidade e a explorar o poder de manipulação de dados do R.
• Tópicos abordados:
  • Criação de visualizações personalizadas com Matplotlib, Seaborn e ggplot2
  • Entendendo gráficos avançados como histogramas, heatmaps e dispersões
  • Construção de visualizações interativas com Plotly e Shiny

4. Pratique com projetos

Depois de aprender o básico, a prática é essencial para dominar a visualização. Os projetos práticos da DataCamp permitem aplicar suas habilidades em dados do mundo real, ganhando experiência prática.

• Recurso recomendado: Data Visualization Projects. Esses projetos guiados usam dados reais para você praticar o que aprendeu. Você criará visualizações do zero, ganhando experiência tanto em exploração quanto em design de comunicação visual.
• Projetos de exemplo:
  • Exploring the Evolution of LEGO – Aprenda a criar visualizações que exploram tendências na produção de sets da LEGO usando Matplotlib e Seaborn em Python.
  • Understanding the Gender Gap in College Degrees – Crie gráficos de linha e área em Python para visualizar a desigualdade de gênero em diferentes cursos universitários.

5. Continue aprendendo e fique atualizado

Visualização de dados é um campo em evolução, com novas ferramentas e técnicas surgindo o tempo todo. A DataCamp atualiza e lança cursos regularmente para mantê-lo por dentro das últimas tendências.

• Recurso recomendado: Data Visualization Cheat Sheet. Tenha este material por perto como referência de gráficos comuns, boas práticas de design e dicas para escolher a visualização certa de acordo com seus dados e público.
• Explore novas ferramentas: Saia na frente aprendendo ferramentas de ponta como Plotly Dash ou D3.js (uma biblioteca JavaScript) conforme você avança.

Ferramentas de visualização de dados

Profissionais de dados, como cientistas e analistas, geralmente usam ferramentas de visualização para trabalhar com mais eficiência e comunicar descobertas com mais clareza.

As ferramentas podem ser divididas em duas categorias: 1) sem código e 2) com código. Vamos ver algumas das mais populares em cada grupo. 

Ferramentas sem código

Nem todo mundo na sua organização é técnico. Mesmo assim, não saber programar não deve te impedir de tirar insights dos dados. Você pode não programar e ainda assim ter letramento em dados — isto é, ler, escrever, comunicar e raciocinar com dados para tomar melhores decisões baseadas em dados. 

Assim, ferramentas sem código são uma solução acessível para quem não programa (embora programadores também possam usá-las). Em termos formais: ferramentas sem código são interfaces gráficas que trazem recursos de executar scripts nativos para processar e enriquecer os dados.

Alguns exemplos de ferramentas sem código incluem: 

Power BI

Power BI é a solução da Microsoft para visualização de dados e business intelligence. Está entre as ferramentas de BI mais usadas no mundo para relatórios, analytics self-service e analytics preditiva. A plataforma facilita limpar, analisar e começar a encontrar insights nos dados da sua organização rapidamente. 

Se você quer aprender Power BI, comece pela trilha de habilidades Power BI Fundamentals da DataCamp.  

Tableau

O Tableau também é uma das ferramentas de BI mais populares do mundo. Sua funcionalidade simples de arrastar e soltar torna fácil para qualquer pessoa começar a explorar e obter insights dos dados da organização com visualizações interativas. 

A trilha Tableau Fundamentals da DataCamp é uma ótima forma de começar. 

ChatGPT

O ChatGPT virou rapidamente uma ferramenta para ajudar a visualizar dados. Como exploramos no artigo sobre GPT-4o, com alguns prompts você pode visualizar tendências nos seus dados. A IA generativa está mudando como pensamos sobre dados — e vem muito mais por aí! Conheça a trilha ChatGPT Fundamentals para aprender a usar esse recurso poderoso. 

Visualização com código 

Se você é mais técnico, pode preferir usar uma linguagem de programação para visualizar seus dados. O aumento na produção de dados impulsionou a popularidade de Python e R graças aos seus pacotes para processamento e visualização. 

Vamos ver alguns desses pacotes. 

Pacotes Python 

Python é uma linguagem de programação de alto nível, interpretada e de propósito geral. Ela oferece vários pacotes excelentes para gráficos e visualização, como:

• Matplotlib 
• Seaborn 
• Plotly
• Bokeh

A trilha Data Visualization with Python é uma ótima sequência de cursos para turbinar suas habilidades em ciência de dados usando as bibliotecas de visualização mais populares e robustas do Python.

Pacotes R 

R é uma linguagem de programação para computação estatística e gráficos. É excelente para análise de dados, permitindo criar praticamente qualquer tipo de gráfico com seus diversos pacotes. Pacotes populares de visualização em R incluem: 

• ggplot2
• Lattice
• highcharter
• Leaflet
• RColorBrewer
• Plotly

Confira as trilhas Data Visualization with R e Interactive Data Visualization in R para levar suas visualizações em R a outro nível. 

Gráficos comuns usados em visualização de dados

Já vimos que a visualização é uma forma eficaz de apresentar e comunicar com dados. Nesta seção, veremos como criar alguns tipos comuns de gráficos — um ponto de partida eficiente para a maioria das tarefas de visualização — usando Python e o pacote Matplotlib. Também traremos casos de uso para cada gráfico. 

Você pode acessar este DataLab workbook para ver o código completo. 

Tabela de frequências

Uma tabela de frequências representa quantas vezes um evento ou valor ocorre. Normalmente a usamos para obter estatísticas descritivas do conjunto. Por exemplo, podemos querer entender o efeito de uma variável na decisão final. 

Vamos criar um exemplo. Usaremos o Car Evaluation Data Set do repositório UCI Machine Learning e o Pandas para montar nossa tabela.

import pandas as pd"""source: https://heartbeat.comet.ml/exploratory-data-analysis-eda-for-categorical-data-870b37a79b65"""def frequency_table(data:pd.DataFrame, col:str, column:str):    freq_table = pd.crosstab(index=data[col],                            columns=data[column],                                     margins=True)    rel_table = round(freq_table/freq_table.loc["All"], 2)    return freq_table, rel_tablebuying_freq, buying_rel = frequency_table(car_data, "class", "buying")print("Two-way frequency table")print(buying_freq)print("---" * 15)print("Two-way relative frequency table")print(buying_rel)

Gráfico de barras

O gráfico de barras é uma das visualizações mais simples e eficazes. Ele é usado para comparar diferenças entre categorias. Por exemplo, podemos visualizar o número de casos fraudulentos versus não fraudulentos. Outro uso comum é mostrar as frequências de cada nota em estrelas de um filme.  

Veja como criar um gráfico de barras em Python: 

"""Starter code from tutorials pointsee: https://bit.ly/3x9Z6HU"""import matplotlib.pyplot as plt# Dataset creation.programming_languages = ['C', 'C++', 'Java', 'Python', 'PHP', "Other", "None"]employees_frequency = [23, 17, 35, 29, 12, 5, 38]# Bar graph creation.fig, ax = plt.subplots(figsize=(10, 5))plt.bar(programming_languages, employees_frequency)plt.title("The number of employees competent in a programming langauge")plt.xlabel("Programming languages")plt.ylabel("Frequency")plt.show()

Gráficos de pizza

Gráficos de pizza também são simples e eficientes. Geralmente são usados para visualizar e comparar partes de um todo. Um bom uso é representar participação de mercado de smartphones. Vamos implementar em Python.  

"""Example to demonstrate how a pie chart can be used to represent the marketshare for smartphones.Note: These are not real figures. They were created for demonstration purposes."""import numpy as npfrom matplotlib import pyplot as plt# Dataset creation.smartphones = ["Apple", "Samsung", "Huawei", "Google", "Other"]market_share = [50, 30, 5, 12, 2]# Pie chart creationfig, ax = plt.subplots(figsize=(10, 6))plt.pie(market_share,        labels = smartphones,        autopct='%1.2f%%')plt.title("Smartphone Marketshare for April 2021 - April 2022",          fontsize=14)plt.show()

Gráficos de linha e gráficos de área

Gráficos de linha são ótimos para visualizar tendências ou evolução ao longo do tempo. Por exemplo, podemos ver o número de vendas de tênis em julho com um gráfico de linha. 

import matplotlib.pyplot as plt# Data creation.sneakers_sold = [10, 12, 8, 7, 7, 10]dates = ["Jul '1", "Jul '7", "Jul '14", "Jul '21", "Jul '28", "Jul '31"]# Line graph creationfig, ax = plt.subplots(figsize=(10, 6))plt.plot(dates, sneakers_sold)plt.title("Sneakers sold in Jul")plt.ylim(0, 15) # Change the range of y-axis.plt.xlabel("Dates")plt.ylabel("Number of sales")plt.show()

Um gráfico de área é uma variação do gráfico de linha, com a área abaixo da linha preenchida por cor ou padrão. 

Aqui estão os mesmos dados acima em um gráfico de área: 

# Area chart creationfig, ax = plt.subplots(figsize=(10, 6))plt.fill_between(dates, sneakers_sold)plt.title("Sneakers sold in Jul")plt.ylim(0, 15) # Change the range of y-axis.plt.xlabel("Dates")plt.ylabel("Number of sales")plt.show()

Também é comum ver gráficos de área empilhados para mostrar a variação de várias variáveis ao longo do tempo. Por exemplo, podemos visualizar as marcas dos tênis vendidos em julho, em vez do total de vendas, com um gráfico de área empilhada. 

# Data creation.sneakers_sold = [[3, 4, 2, 4, 3, 1], [3, 2, 6, 1, 3, 5], [4, 6, 0, 2, 1, 4]]dates = ["Jul '1", "Jul '7", "Jul '14", "Jul '21", "Jul '28", "Jul '31"]# Multiple area chart creationfig, ax = plt.subplots(figsize=(10, 6))plt.stackplot(dates, sneakers_sold, labels=["Nike", "Adidas", "Puma"])plt.title("Sneakers sold in Jul")plt.ylim(0, 15) # Change the range of y-axis.plt.xlabel("Dates")plt.ylabel("Number of sales")plt.legend()plt.show()

Cada gráfico está mostrando exatamente os mesmos dados, de maneiras diferentes. 

Histogramas

Histogramas são usados para representar a distribuição de uma variável numérica. 

import numpy as npimport matplotlib.pyplot as pltdata = np.random.sample(size=100) # Graph will change with each runfig, ax = plt.subplots(figsize=(10, 6))plt.hist(data, bins=6)plt.title("The distribution of data")plt.xlabel("Data")plt.ylabel("Frequency")plt.show()

Gráficos de dispersão

Gráficos de dispersão mostram a relação entre duas variáveis. É comum adicionar uma linha de tendência para revelar a direção geral dos dados. Um exemplo: representar como a temperatura impacta o número de vendas de sorvete. 

import numpy as npimport matplotlib.pyplot as plt# Data creation.temperature = np.array([30, 21, 19, 25, 28, 28]) # Degree's celsiusice_cream_sales = np.array([482, 393, 370, 402, 412, 450])# Calculate the line of best fitX_reshape = temperature.reshape(temperature.shape[0], 1)X_reshape = np.append(X_reshape, np.ones((temperature.shape[0], 1)), axis=1)y_reshaped = ice_cream_sales.reshape(ice_cream_sales.shape[0], 1)theta = np.linalg.inv(X_reshape.T.dot(X_reshape)).dot(X_reshape.T).dot(y_reshaped)best_fit = X_reshape.dot(theta)# Create and plot scatter chartfig, ax = plt.subplots(figsize=(10, 6))plt.scatter(temperature, ice_cream_sales)plt.plot(temperature, best_fit, color="red")plt.title("The impact of weather on ice cream sales")plt.xlabel("Temperature (Celsius)")plt.ylabel("Ice cream sales")plt.show()

Heatmaps

Heatmaps usam um esquema de cores para mostrar intensidade entre dois itens. Um uso comum é ilustrar a previsão do tempo (por exemplo, áreas em vermelho indicando chuva forte). Você também pode usar heatmaps para representar tráfego em sites e praticamente qualquer dado tridimensional. 

Para demonstrar a criação de um heatmap em Python, vamos usar a biblioteca Seaborn — uma biblioteca de alto nível baseada em Matplotlib.  

import numpy as npimport seaborn as snsimport matplotlib.pyplot as pltdata = np.random.rand(8, 10) # Graph will change with each runfig, ax = plt.subplots(figsize=(10, 6))sns.heatmap(data)plt.title("Random Uniform Data")plt.show()

Treemaps

Treemaps representam dados hierárquicos com retângulos aninhados. São ótimos para visualizar relações de parte-todo em muitas categorias, como em dados de vendas.  

Para construir um treemap em Python, vamos usar a biblioteca Plotly, voltada para gráficos interativos. 

"""Source: https://plotly.com/python/treemaps/"""import plotly.express as pximport numpy as npdf = px.data.gapminder().query("year == 2007")fig = px.treemap(df, path=[px.Constant("world"), 'continent', 'country'], values='pop',                  color='lifeExp', hover_data=['iso_alpha'],                  color_continuous_scale='RdBu',                  color_continuous_midpoint=np.average(df['lifeExp'], weights=df['pop']))fig.update_layout(margin = dict(t=50, l=25, r=25, b=25))fig.show()

3 dicas para uma visualização de dados eficaz

Visualização de dados é uma arte. Desenvolver suas habilidades leva tempo e prática. Aqui vão três dicas para te colocar no caminho certo: 

Dica #1: faça uma pergunta específica 

O primeiro e mais importante passo para criar uma visualização eficaz é ter uma pergunta clara e específica. Sem isso, você corre o risco de produzir gráficos sem foco e difíceis de interpretar.

• Exemplo: Se você está analisando vendas, em vez de perguntar “Como as vendas estão este ano?”, seja mais específico: “Como mudaram as vendas online nos EUA do produto X no 3º trimestre em comparação ao 2º?”

Ter uma pergunta precisa ajuda a focar a visualização em respondê-la diretamente, evitando informações desnecessárias que podem confundir ou sobrecarregar quem vê.

• Mau exemplo: Um dashboard poluído mostrando vendas totais em todas as regiões, tipos de produto e canais dos últimos cinco anos.
• Bom exemplo: Um gráfico de barras simples comparando apenas as vendas online nos EUA entre 2º e 3º trimestres para um produto específico.

Dica #2: selecione a visualização adequada

Nem toda visualização serve para tudo. Escolher o tipo errado pode distorcer a mensagem e confundir a audiência. Cada gráfico tem seus pontos fortes para certos tipos de dados.

• Exemplo: Para mostrar proporções de um todo, um gráfico de pizza pode funcionar. Mas para comparar mudanças ao longo do tempo, um gráfico de linhas ou barras é mais apropriado.

Como escolher o tipo certo:

• Gráfico de barras: para comparar categorias.
• Gráfico de linhas: melhor para tendências no tempo.
• Gráfico de pizza: ideal para proporções de um todo.
• Gráfico de dispersão: para identificar relações entre duas variáveis.
• Mau exemplo: Usar gráfico de pizza para mostrar evolução de receita no tempo.
• Bom exemplo: Usar gráfico de linhas para destacar mudanças mensais de receita, facilitando ver tendências.

Resumo: combine o tipo de gráfico com a pergunta e com os dados para aumentar a clareza.

Dica #3: destaque o que é mais importante

Ao criar uma visualização, é essencial direcionar a atenção da sua audiência aos pontos-chave. O uso eficaz de cor, tamanho e elementos de design ajuda a enfatizar o que mais importa.

• Exemplo: Ao mostrar receita por produto, use cores fortes para os mais vendidos e tons suaves para os demais. Assim, fica fácil focar no que é crítico.

Como destacar informações importantes:

• Use cores contrastantes: destaque pontos-chave com cores distintas.
• Varie o tamanho: torne pontos críticos maiores ou em negrito.
• Anotações: adicione notas curtas diretamente no gráfico para chamar a atenção.
• Mau exemplo: Um gráfico de dispersão com todos os pontos iguais, dificultando ver padrões.
• Bom exemplo: Um gráfico de dispersão com pontos maiores para outliers e degradês de cor para indicar intensidade.

Resumo: escolhas sutis de cor, tamanho e rótulos melhoram muito a compreensão rápida dos insights.

Considerações finais

No fim das contas, uma visualização eficaz aproveita nossa tendência natural de reconhecer padrões. O uso de cores, formas, tamanhos etc. é extremamente útil para enfatizar a informação mais importante.

Visualização de dados é uma arte; fazer bem envolve formular uma pergunta específica, escolher a visualização adequada e destacar o essencial. Não desanime se a primeira tentativa não ficar incrível; com tempo e prática você evolui — e a ampla seleção de cursos de visualização de dados da DataCamp é um excelente recurso para você se tornar mestre no tema.