Escolar Documentos
Profissional Documentos
Cultura Documentos
dados
Como você aprendeu, é possível encontrar dados em praticamente qualquer lugar.
Sempre que você observa e avalia algo no mundo, está coletando e analisando
dados. Sua análise ajuda a encontrar maneiras mais fáceis de realizar tarefas,
identificar padrões para economizar seu tempo e descobrir novas perspectivas
surpreendentes que podem mudar completamente a maneira como você vivencia
tudo.
Veja aqui um exemplo real de como um grupo de analistas de dados usou as seis
etapas do processo de análise de dados para melhorar o local de trabalho e os
processos de negócios. A história deles envolve algo chamado análise de pessoas,
também conhecida como análise de recursos humanos ou da força de trabalho. A
análise de pessoas é a prática de coletar e analisar dados sobre as pessoas que
compõem a força de trabalho de uma empresa com o objetivo de receber insights
para melhorar a forma como a empresa opera.
Ser um analista de pessoas envolve o uso de análise de dados para receber insights
sobre os funcionários e como eles vivenciam as vidas profissionais. Os insights são
usados para definir e criar um local de trabalho mais produtivo e incentivador. Isso
pode liberar o potencial dos funcionários, motivá-los a ter o melhor desempenho
possível e garantir uma cultura empresarial justa e inclusiva.
As seis etapas do processo de análise de dados que você aprendeu neste programa
são: perguntar, preparar, processar, analisar, compartilhar e agir. Essas seis
etapas se aplicam a qualquer análise de dados. Continue lendo para aprender como
uma equipe de analistas de pessoas usou essas seis etapas para responder a uma
pergunta de negócios.
Uma organização tinha uma taxa de rotatividade alta entre as contratações novas.
Muitos funcionários deixavam a empresa antes do fim do primeiro ano de trabalho.
Os analistas usaram o processo de análise de dados para responder à seguinte
pergunta: como a organização pode melhorar a taxa de retenção de funcionários
novos?
PERGUNTAR
Em primeiro lugar, os analistas precisavam definir como seria o projeto e o que seria
um resultado de êxito. Portanto, para determinar isso, eles fizeram perguntas
eficazes e colaboraram com líderes e gerentes interessados no resultado da análise
do pessoal. Estes foram os tipos de pergunta que eles fizeram:
O que você acha que os funcionários novos precisam aprender para ter
sucesso no primeiro ano de trabalho?
Você já coletou dados de funcionários novos antes? Em caso afirmativo,
podemos ter acesso aos dados históricos?
Você acredita que os gerentes com taxas de retenção maiores oferecem algo
extra ou exclusivo aos funcionários novos?
Qual você acha que é a principal causa de insatisfação entre os funcionários
novos?
Em que porcentagem você gostaria que a retenção de funcionários
aumentasse no próximo ano fiscal?
PREPARAR
Tudo começou com uma preparação sólida. O grupo criou um cronograma de três
meses e decidiu como queria transmitir o progresso às partes interessadas. Também
durante essa etapa, os analistas identificaram quais dados precisavam para atingir o
resultado bem-sucedido que identificaram na etapa anterior. Nesse caso, os
analistas optaram por coletar os dados de uma pesquisa on-line com funcionários
novos. Eles desenvolveram perguntas específicas sobre a satisfação dos funcionários
com diferentes processos de negócios, como contratação e integração, e a
remuneração geral deles. Foram estabelecidas regras para quem teria acesso aos
dados coletados. Nesse caso, nenhuma pessoa fora do grupo teria acesso aos dados
brutos, mas poderia visualizar os dados resumidos ou agregados. Por exemplo, a
remuneração de um indivíduo não estaria disponível, mas as faixas salariais para
grupos de indivíduos seriam visíveis. Eles finalizaram com quais informações
específicas seriam coletadas e a melhor forma de apresentar os dados visualmente.
Os analistas discutiram ideias sobre possíveis problemas relacionados a projetos e
dados e como evitá-los.
PROCESSAR
ANALISAR
Então, os analistas fizeram o que sabem fazer de melhor: analisar. Pelas pesquisas
concluídas, os analistas de dados descobriram que a experiência de um funcionário
novo com certos processos era um indicador-chave da satisfação geral com o
trabalho. Os analistas descobriram que os funcionários que passavam por um
processo de contratação longo e complicado tinham maior probabilidade de deixar
a empresa. Os funcionários que passavam por um processo de avaliação e feedback
eficiente e transparente tinham maior probabilidade de permanecer na empresa. O
grupo sabia que era importante documentar exatamente o que haviam encontrado
na análise, não importando os resultados. Fazer de outra forma diminuiria a
confiança no processo da pesquisa e reduziria a capacidade de coletar dados
verdadeiros dos funcionários no futuro.
COMPARTILHAR
AGIR
A última etapa do processo para a equipe de analistas foi trabalhar com os líderes da
empresa e decidir a melhor forma de implementar as mudanças e agir com base nas
descobertas. Os analistas recomendaram padronizar o processo de contratação e
avaliação de todas as contratações novas com base nas práticas mais eficientes e
transparentes. Um ano depois, a mesma pesquisa foi distribuída aos funcionários. Os
analistas anteciparam que uma comparação entre os dois conjuntos de resultados
indicaria que o plano de ação funcionou. Acontece que as mudanças melhoraram o
índice de retenção de funcionários novos e as ações das lideranças foram bem-
sucedidas.
Recurso adicional
Para saber mais sobre algumas aplicações recentes da análise de dados no mundo
dos negócios, consulte o artigo “Quatro exemplos de análise de negócios em ação”
da Harvard Business School. No artigo, o autor revela como as empresas usam
insights de dados para otimizar o processo de tomada de decisões. O primeiro
exemplo do artigo contém um pequeno erro no segundo parágrafo, mas o exemplo
ainda é válido.
Correção do artigo em negrito abaixo: A equipe do Workplace Analytics da Microsoft
levantou a hipótese de que mudar o grupo de 1.200 pessoas de cinco prédios para
quatro poderia melhorar a colaboração, com o aumento do número de funcionários
por prédio e a redução da distância que a equipe precisava percorrer para
comparecer às reuniões.
Dados e instinto
Detetives e analistas de dados têm muito em comum. Os dois grupos dependem de
fatos e pistas para tomar decisões. Ambos coletam e examinam as evidências. Os
dois conversam com pessoas que conhecem parte da história. E ambos podem até
seguir algumas pistas para ver aonde elas levam. Seja você um detetive ou um
analista de dados, seu trabalho consiste em seguir etapas para coletar e
compreender fatos.
Quanto mais você entender os dados relacionados a um projeto, mais fácil será
descobrir o que é necessário. Esses esforços também ajudarão a identificar erros e
lacunas nos dados para conseguir comunicar as descobertas com mais eficácia. Às
vezes, a experiência anterior ajuda você a fazer uma conexão que ninguém mais
notaria. Por exemplo, um detetive pode resolver um caso porque se lembra de outro
antigo igual ao que está resolvendo no momento. Isso não é apenas instinto.
Além disso, tente fazer estas perguntas sobre um projeto para ajudar a encontrar o
equilíbrio perfeito:
1. Descoberta
2. Pré-processamento de dados
3. Planejamento de modelo
4. Criação de modelos
5. Comunicação dos resultados
6. Operacionalização
A EMC Corporation agora é Dell EMC. Este modelo, criado por David Dietrich, reflete a
natureza cíclica dos projetos reais. As fases não são marcos estáticos: cada etapa se
conecta e leva à próxima e, no fim das contas, se repete. As perguntas-chave ajudam
os analistas a testar se realizaram o suficiente para seguir em frente e garantir que as
equipes tenham passado tempo suficiente em cada uma das fases e não comecem a
modelar antes de os dados ficarem prontos. É um pouco diferente do ciclo de vida da
análise de dados em que este programa se baseia, mas tem algumas ideias centrais
em comum: a primeira fase está interessada em descobrir e fazer perguntas, os
dados precisam ser preparados antes de serem analisados e usados, e então as
descobertas precisam ser compartilhadas e colocadas em prática.
1. Perguntar
2. Preparar
3. Explorar
4. Modelar
5. Implementar
6. Agir
7. Avaliar
O modelo SAS enfatiza a natureza cíclica do modelo, visualizando-o como um
símbolo de infinito. O ciclo de vida dele tem sete etapas, muitas das quais vimos em
outros modelos, como Perguntar, Preparar, Modelar e Agir. Mas esse ciclo de vida
também é um pouco diferente. Ele inclui uma etapa após a fase de ação,
desenvolvida para ajudar os analistas a avaliar as soluções e, potencialmente,
retornar de novo à fase das perguntas.
Para mais informações, consulte Como gerenciar o ciclo de vida da análise para
decisões em escala.
1. Identificação do problema
2. Desenvolvimento dos requisitos de dados
3. Pré-processamento de dados
4. Execução da análise de dados
5. Visualização dos dados
Esse ciclo de vida do projeto de análise de dados foi desenvolvido por Vignesh
Prajapati. Não inclui a sexta fase, ou o que chamamos fase da ação (Agir). No
entanto, ainda aborda muitas das mesmas etapas dos ciclos de vida que já
descrevemos. Ele começa com a identificação do problema e a preparação e o
processamento dos dados antes da análise e termina com a visualização dos dados.
Principal conclusão
De nossa jornada até as pirâmides e os dados do antigo Egito até agora, a forma
como analisamos os dados evoluiu (e continua evoluindo). O processo de análise de
dados é como a arquitetura da vida real: há diferentes maneiras de realizar as
tarefas, mas as mesmas ideias centrais ainda aparecem em cada modelo do
processo. Quer você use a estrutura deste Certificado de Análise de Dados do Google,
quer use uma das muitas outras iterações que aprendeu, estamos aqui para ajudar a
continuar em sua jornada de dados.
O ciclo de vida dos dados fornece uma estrutura genérica ou comum de como os
dados são gerenciados. Talvez você lembre que as variações do ciclo de vida da
análise de dados foram descritas em Origens do processo de análise de dados. O
mesmo pode ser feito para o ciclo de vida dos dados. No restante deste texto, você
terá uma ideia de como as instituições governamentais, financeiras e educacionais
podem ver os ciclos de vida dos dados de maneira um pouco diferente.
1. Planejamento
2. Aquisição
3. Manutenção
4. Acesso
5. Avaliação
6. Arquivamento
Para mais informações, consulte a página Ciclo de vida de gerenciamento de dados
do U.S. Fish and Wildlife Service.
1. Planejamento
2. Aquisição
3. Processamento
4. Análise
5. Preservação
6. Publicação/compartilhamento
Várias atividades transversais ou abrangentes também são realizadas durante cada
estágio do ciclo de vida:
Instituições financeiras
As instituições financeiras podem adotar uma abordagem um pouco diferente do
ciclo de vida dos dados, conforme descrito em The Data Life Cycle (O ciclo de vida
dos dados, em inglês), um artigo da revista Strategic Finance:
1. Captura
2. Qualificação
3. Transformação
4. Utilização
5. Relatório
6. Arquivamento
7. Limpeza
1. Geração
2. Coleta
3. Processamento
4. Armazenamento
5. Gerenciamento
6. Análise
7. Visualização
8. Interpretação
Para mais informações, consulte 8 Steps in the Data Life Cycle (Oito etapas no ciclo
de vida dos dados).
Principal conclusão
Compreender a importância do ciclo de vida dos dados vai preparar você para o
sucesso como analista de dados. Os estágios individuais do ciclo de vida dos dados
variam de empresa para empresa ou por indústria ou setor. Os dados históricos são
importantes para o U.S. Fish and Wildlife Service e o USGS. Portanto, o ciclo de vida
dos dados deles se concentra no arquivamento e no backup de dados. Os interesses
da Universidade de Harvard são pesquisa e ensino. Portanto, o ciclo de vida dos
dados inclui visualização e interpretação, mesmo que associados com mais
frequência a um ciclo de vida de análise de dados. O ciclo de vida dos dados da HBS
também não exige um estágio para limpar ou destruir os dados. Em contraste, o
ciclo de vida dos dados de finanças identifica claramente os estágios de
arquivamento e limpeza. Resumindo, os ciclos de vida dos dados variam, mas um
princípio de gerenciamento de dados é universal. Controle como os dados são
tratados para que sejam precisos, seguros e estejam disponíveis para atender às
necessidades da sua organização.
Planilhas
Os analistas de dados contam com planilhas para coletar e organizar os dados. Dois
aplicativos de planilhas conhecidos que você provavelmente usará muito em seu
futuro papel como analista de dados são o Microsoft Excel e o Planilhas Google.
Linguagens de consulta
Ferramentas de visualização
Os analistas de dados usam várias ferramentas de visualização, como gráficos,
mapas, tabelas, gráficos e muito mais. Duas ferramentas de visualização conhecidas
são o Tableau e o Looker.
Essas ferramentas
planilhas
Principal conclusão
Você tem muitas ferramentas como analista de dados. Esta é uma apresentação das
possibilidades, e você conhecerá muitas dessas ferramentas profundamente ao
longo deste programa.
Aprenda ainda mais maneiras de mover, armazenar e analisar dados com a página
de treinamento e ajuda do Planilhas Google, localizada na Central de aprendizagem
do Google Workspace. Ela oferece uma lista expandida de dicas, do nível iniciante ao
avançado, com folhas de referências e modelos, guias e tutoriais.
Quer saber mais sobre o Planilhas Google? Neste artigo de ajuda online,
apresentamos uma pequena lista com as funções mais importantes que você usará,
incluindo linhas, colunas, células e funções.
Se você nunca usou SQL antes, neste texto ajudaremos a aprender o básico para
apreciar como ele é útil e como as consultas SQL são particularmente úteis. Você
escreverá consultas SQL em um piscar de olhos.
Em seguida, insira o nome da tabela após FROM; as colunas da tabela que você quer
após o SELECT; e, por fim, as condições que você quer colocar em sua consulta após
WHERE. Não deixe de adicionar uma linha nova e um recuo ao adicionar esses
comandos, conforme mostrado abaixo:
Seguir esse método sempre facilita a escrita de consultas SQL. Isso também pode
ajudar você a cometer menos erros de sintaxe.
first_name
Tony
Tony
Tony
Como você pode concluir, essa consulta tinha a sintaxe correta, mas não foi muito
útil depois que os dados foram retornados.
Se você solicitar vários campos de dados de uma tabela, precisará incluir essas
colunas no comando SELECT. Cada coluna é separada por uma vírgula, conforme
mostrado abaixo:
Observe que, ao contrário do comando SELECT (que usa uma vírgula para separar
campos/variáveis/parâmetros), o comando WHERE usa a instrução AND para
conectar as condições. À medida que você se tornar um criador de consultas mais
experiente, fará uso de outros conectores/operadores, como OR e NOT.
Veja aqui um exemplo do BigQuery com vários campos usados em uma cláusula
WHERE:
A consulta acima usa três comandos para localizar clientes com um ID de cliente
válido (maior que 0) com nome Tony e sobrenome Magnolia.
Principal conclusão
O mais importante a ser lembrado é como usar SELECT, FROM e WHERE em uma
consulta. As consultas com vários campos ficarão mais simples depois que você
praticar a escrita de suas próprias consultas SQL posteriormente no programa.
infinitas possibilidades de SQL
Você aprendeu que uma consulta SQL usa SELECT, FROM e WHERE para
especificar os dados a serem retornados pela consulta. Neste texto, apresentamos
informações mais detalhadas sobre formatação de consultas, uso de condições
WHERE, seleção de todas as colunas em uma tabela, adição de comentários e uso de
aliases. Tudo isso torna mais fácil entender (e escrever) consultas para colocar o SQL
em ação. Na última seção do texto, apresentamos um exemplo do que um analista
de dados faria para extrair dados de funcionários para um projeto.
Observe que a instrução SQL mostrada acima tem um ponto e vírgula no final. O
ponto e vírgula encerra instruções, faz parte da norma SQL-92 do American National
Standards Institute (ANSI) e é uma sintaxe comum recomendada para adoção por
todos os bancos de dados SQL. No entanto, nem todos os bancos de dados SQL
adotaram ou aplicam o ponto e vírgula. Portanto, é possível que você encontre
algumas instruções SQL que não terminam com ponto e vírgula. Se uma instrução
funciona sem ponto e vírgula, não há problema nenhum.
Condições WHERE
Na consulta mostrada acima, a cláusula SELECT identifica a coluna da qual você
quer extrair dados por nome, field1, e a cláusula FROM identifica a tabela em que a
coluna está localizada por nome, table. Por fim, a cláusula WHERE restringe sua
consulta para que o banco de dados retorne apenas os dados com correspondência
de valor exata ou os dados que correspondem a uma determinada condição que
você quer satisfazer.
É possível concluir que a cláusula LIKE é muito eficiente, porque permite que você
diga ao banco de dados para procurar um determinado padrão! O sinal de
porcentagem (%) é usado como curinga para corresponder a um ou mais caracteres.
No exemplo acima, Chávez e Chen seriam retornados. Observe que, em alguns
bancos de dados, o asterisco (*) é usado como curinga em vez do sinal de
porcentagem (%).
Comentários
Algumas tabelas não são projetadas com convenções de nomenclatura descritivas
suficientes. No exemplo, field1 era a coluna do sobrenome de um cliente, mas você
não o reconheceria pelo nome. Um nome melhor seria algo como last_name. Nesses
casos, é possível colocar comentários ao lado do SQL para ajudar a lembrar o que o
nome representa. Comentários são textos colocados entre certos caracteres, /* e */,
ou depois de dois travessões (--), conforme mostrado abaixo.
Aliases
Também é possível atribuir um novo nome, ou alias, aos nomes de colunas ou
tabelas para facilitar o trabalho com elas (e evitar a necessidade de comentários).
Isso é feito com uma cláusula SQL AS. No exemplo abaixo, o alias last_name foi
atribuído a field1, e o alias customers foi atribuído a table. Esses aliases são válidos
apenas pela duração da consulta. Um alias não altera o nome real de uma coluna ou
tabela no banco de dados.
Você deseja extrair todas as colunas empID, firstName, lastName, jobCode e salary.
Como você sabe que o banco de dados não é tão grande, em vez de inserir cada
nome de coluna na cláusula SELECT, você usa SELECT*. Isso selecionará todas
as colunas da tabela Employee (Funcionário) na cláusula FROM.
Agora é possível ser mais específico sobre os dados que quer na tabela Employee. Se
você quer todos os dados sobre os funcionários no código de trabalho SFI, pode
usar uma cláusula WHERE para filtrar os dados com base nesse requisito
adicional.
Uma parte dos dados resultantes retornados da consulta SQL pode ter a seguinte
aparência:
empID firstName lastName jobCode salary
Suponha que você observe uma grande faixa salarial para o código de trabalho SFI.
Talvez você queira sinalizar todos os funcionários de todos os departamentos com
salários menores para o seu gerente. Como os estagiários também estão incluídos na
tabela e têm salários inferiores a US$ 30 mil, você quer ter certeza de que os
resultados contêm apenas os funcionários em tempo integral com salários inferiores
a US$ 30 mil. Em outras palavras, você quer excluir estagiários com o código de
trabalho INT que também ganham menos de US$ 30 mil. A cláusula AND permite
que você teste as duas condições.
Você cria uma consulta SQL semelhante à abaixo, em que <> significa "não é igual":
Primeiro, você pede ao gerente ou ao proprietário dos dados acesso aos registros de
vendas atuais e aos relatórios de análise do site. Isso inclui informações sobre como
os clientes se comportam no site atual da empresa e informações básicas sobre
quem visitou, quem comprou da empresa e quanto foi comprado.
Ao analisar os dados, você percebe um padrão entre aqueles que visitam o site da
empresa com mais frequência: geografia e maiores valores gastos em compras. Com
uma análise mais aprofundada, essas informações podem explicar por que as
vendas estão tão fortes agora na região Nordeste e ajudar sua empresa a encontrar
maneiras de deixá-las ainda mais fortes com o novo site.
Agora que você decidiu que tipos de informação e insight quer exibir, é hora de
começar a criar as visualizações reais. Lembre-se de que a criação da visualização
certa para uma apresentação ou para compartilhar com as partes interessadas é um
processo. Isso envolve experimentar diferentes formatos de visualização e fazer
ajustes até conseguir o que procura. Nesse caso, uma combinação de diferentes
recursos visuais comunicará melhor suas descobertas e transformará sua análise na
história mais atraente para as partes interessadas. Portanto, você pode usar os
recursos integrados de gráficos em suas planilhas para organizar os dados e criar os
recursos visuais.
1) line charts can track sales over time 2) maps can connect sales to locations 3) donut
charts can show customer segments 4) bar charts can compare total visitors that make
a purchase
Mas, às vezes, você precisa de uma ferramenta mais poderosa para dar vida aos
dados. Tableau e RStudio são dois exemplos de plataformas amplamente usadas
que podem ajudar você a planejar, criar e apresentar visualizações de dados eficazes
e atraentes.
Principal conclusão
Os melhores analistas de dados usam muitas ferramentas e métodos diferentes para
visualizar e compartilhar os dados. À medida que você continuar aprendendo mais
sobre visualização de dados ao longo do curso, mantenha a curiosidade, pesquise
diferentes opções e teste continuamente novos programas e plataformas para
aproveitar ao máximo os dados.
Visão geral
Reserve um momento para apreciar todo o trabalho que você realizou neste curso.
Você identificou uma pergunta a ser respondida e passou sistematicamente pelo
processo de análise de dados para respondê-la, assim como os analistas de dados
profissionais fazem todos os dias!
Ao revisar o processo de análise de dados até agora, você já realizou muitas dessas
etapas. Veja aqui alguns exemplos para pensar antes de começar a fazer sua
anotação de registro de aprendizado:
É por isso que analistas de dados qualificados são alguns dos profissionais mais
procurados do mundo. Um estudo realizado pela IBM estima que as empresas nos
Estados Unidos preencherão 2.720.000 empregos nas áreas de ciência de dados e
análises até 2020*. Como a demanda é grande, você poderá encontrar
oportunidades de emprego em praticamente qualquer setor. Faça uma pesquisa
rápida em qualquer site de emprego importante e você notará que todo tipo de
empresa, de zoológicos a clínicas de saúde e bancos, está procurando profissionais
de dados talentosos. Mesmo que o cargo não use o termo exato “analista de dados”,
a descrição do trabalho para a maioria das funções que envolvem análise de dados
provavelmente incluirá muitas das habilidades e qualificações que você ganhará ao
final deste programa. Neste texto, exploraremos algumas das funções relacionadas
aos analistas de dados que podem ser encontradas em diferentes empresas e
setores.
* “The Quant Crunch: How the Demand for Data Science Skills is Disrupting the Job
Market,” por Will Markow, Soumya Braganza e Bledi Taska, com Steven M. Miller e
Debbie Hughes.https://www.ibm.com/downloads/cas/3RL3VXGA
Para citar alguns outros que parecem semelhantes, mas podem não ter a mesma
função:
ferramentas e modelos,
métodos atuais para de bancos de dado
faça perguntas abertas e
problemas resolver problemas com ferramenta para re
colete novos tipos de
tipos de dados atuais problemas e geren
dados
Analise os dados Analise e interprete Organize grandes v
coletados para ajudar as dados complexos para dados para uso em
Análise
partes interessadas a fazer previsões de dados ou operaçõe
tomar decisões melhores negócios negócios
Outras
habilidades
relevantes
Usamos a função de especialista em dados como um exemplo de muitas
especializações em análise de dados, mas você não precisa se tornar um especialista
em dados! As especializações podem ter vários ângulos diferentes. Por exemplo, é
possível se especializar no desenvolvimento de visualizações de dados e, da mesma
forma, se aprofundar nessa área.
Principal conclusão
Explore descrições de trabalho de analistas de dados e funções de analistas
específicas do setor. Você começará a ter uma ideia melhor das diferentes funções
de analistas de dados que existem e quais tipos de funções você está mais
interessado em seguir.
Estratégias de teste
Como você sabe, este programa pede que você complete avaliações com notas ao
final de cada módulo e curso. As avaliações às vezes podem parecer assustadoras,
mas abordá-las com uma estratégia pode torná-las mais gerenciáveis. Aqui está uma
lista de dicas que você pode usar para se preparar para o sucesso.
Durante a avaliação:
Revise o teste antes de preencher as respostas. Lembre-se de revisar seu
trabalho antes de clicar em enviar.
Leve o tempo que precisar: Não há limite de tempo.
Responda as perguntas fáceis primeiro; pule as que você não sabe a resposta
imediatamente.
Para perguntas de múltipla escolha, concentre-se em eliminar as respostas
erradas primeiro.
Leia cada questão duas vezes. Muitas vezes há pistas que são fáceis de deixar
passar em uma primeira leitura.
Lembre-se de tomar cuidado e confiar em seu conhecimento. Você
provavelmente sabe mais do que acredita.
Respire fundo e dê a si mesmo um feedback positivo.
Reserve algum tempo durante a avaliação para descansar por alguns
segundos, se alongar e sacudir as mãos. Isso realmente pode ajudar a
acalmar seus nervos.