TIPOS DE ANÁLISES DE DADOS EM TRABALHOS CIENTÍFICO QUALITATIVOS E

QUANTITATIVOS

MAZURECHEN, Sandro Roberto1

RESUMO

Este trabalho, de caráter bibliográfico e exploratório e qualitativo, aborda didaticamente

diferentes aspectos relacionados à análise de dados em pesquisas científicas, tanto
quantitativas quanto qualitativas. Para pesquisas quantitativas, foram mencionadas
algumas das principais metodologias de análise, tais como análises estatísticas,
distribuições de frequência, correlações, representações gráficas, medidas de
dispersão e medidas de tendência central. Foi destacado que a escolha da metodologia
adequada depende do tipo de dados e do objetivo da pesquisa. Já para pesquisas
qualitativas, foram abordados métodos de análise de conteúdo para diferentes tipos de
dados, como entrevistas, observações, questões abertas em questionários, leituras de
bibliografia e leituras de documentos. Foi ressaltado que a análise de conteúdo pode
ser realizada de forma sistemática e criteriosa, permitindo a identificação de padrões e
categorias nos dados. Além disso, foram explicados diferentes tipos de análise de
dados, como a análise preditiva, prescritiva, descritiva e diagnóstica, e como essas
metodologias podem ser aplicadas em diferentes contextos de pesquisa. Em suma,
este trabalho apresenta uma visão geral sobre os principais métodos e técnicas de
análise de dados em pesquisas científicas, demonstrando a importância da escolha
adequada da metodologia para a obtenção de resultados confiáveis e relevantes.

Palavras-chave: Análise de dados. Pesquisa quantitativa. Pesquisa qualitativa.

Metodologia.

ABSTRACT
This bibliographic and exploratory qualitative work didactically addresses different
aspects related to data analysis in scientific research, both quantitative and qualitative.
For quantitative research, some of the main methodologies of analysis were mentioned,
such as statistical analysis, frequency distributions, correlations, graphical
representations, measures of dispersion, and measures of central tendency. It was
highlighted that the choice of the appropriate methodology depends on the type of data
and the research objective. For qualitative research, content analysis methods were
addressed for different types of data, such as interviews, observations, open-ended

1
Docente do Centro Universitário Campo Real. Mestre em Estudos Linguísticos pela UFPR. E-mail:
prof_sandromazurechen@camporeal.edu.br
questions in questionnaires, literature readings, and document readings. It was
emphasized that content analysis can be performed systematically and meticulously,
allowing for the identification of patterns and categories in the data. In addition, different
types of data analysis were explained, such as predictive, prescriptive, descriptive, and
diagnostic analysis, and how these methodologies can be applied in different research
contexts. In summary, this work presents an overview of the main methods and
techniques of data analysis in scientific research, demonstrating the importance of the
appropriate choice of methodology for obtaining reliable and relevant results.

Key words: Data analysis. Quantitative research. Qualitative research. Methodology

1 INTRODUÇÃO

A análise de dados é uma parte crítica de qualquer estudo de pesquisa

científica. O processo de coleta e análise de dados permite que os pesquisadores
cheguem a conclusões significativas e tomem decisões informadas com base em seus
achados. Existem vários tipos de técnicas de análise de dados que os pesquisadores
podem empregar, cada uma com suas próprias vantagens e desvantagens. Entender
essas técnicas é crucial para os pesquisadores garantirem que usam o método
apropriado para analisar seus dados de forma eficaz.
Um dos benefícios mais significativos de estudar técnicas de análise de dados é
a capacidade de garantir a precisão dos dados. Ao empregar técnicas de análise
apropriadas, os pesquisadores podem garantir que seus achados sejam precisos,
confiáveis e imparciais. Isso é particularmente importante na pesquisa científica, onde a
precisão dos resultados pode ter implicações significativas para futuras pesquisas e
desenvolvimento.
Além disso, estudar técnicas de análise de dados pode ajudar os pesquisadores
a identificar padrões e tendências em seus dados, que podem não ser imediatamente
aparentes. Isso pode ser especialmente útil em áreas como saúde e finanças, onde a
identificação de tendências pode levar ao desenvolvimento de novos tratamentos ou
oportunidades de investimento.
Ou seja, entender os diferentes tipos de técnicas de análise de dados também
pode ajudar os pesquisadores a comunicar seus achados de forma eficaz. Ao usar
terminologia apropriada e apresentar dados de maneira clara e concisa, os
pesquisadores podem garantir que seu trabalho seja acessível a um público mais
amplo, incluindo colegas cientistas, tomadores de decisão e o público em geral.
Assim, o estudo das técnicas de análise de dados é essencial para os
pesquisadores em todas as áreas científicas. Ao entender as vantagens e
desvantagens de diferentes técnicas, os pesquisadores podem garantir a precisão de
seus achados, identificar padrões e tendências e comunicar seu trabalho de forma
eficaz a um público mais amplo.

2 METODOLOGIA

O processo de pesquisa é fundamental para o desenvolvimento da ciência e do

conhecimento em diversas áreas do saber. Dentre os tipos de pesquisa existentes, a
pesquisa de caráter bibliográfico e exploratório e qualitativo é uma modalidade bastante
utilizada em diversas áreas do conhecimento, o que caracteriza, também, este estudo.
Essa metodologia de pesquisa consiste em realizar uma revisão bibliográfica detalhada
sobre o tema a ser estudado, seguida de uma análise exploratória e qualitativa dos
dados coletados. Nesse sentido, a pesquisa bibliográfica é uma etapa importante para
embasar a investigação e aprofundar o conhecimento sobre o assunto em questão,
enquanto a análise qualitativa tem como objetivo compreender e interpretar as
informações obtidas durante a pesquisa. A seguir, serão apresentadas definições e
exemplos de cada tipo de análise de dados, bem como sua importância em pesquisas
científicas.
A pesquisa de caráter bibliográfico é aquela que utiliza como principal fonte de
dados a literatura já existente, como livros, artigos, teses, dissertações e relatórios
técnicos. Nesse tipo de pesquisa, o objetivo é a análise crítica e a síntese de
informações disponíveis, buscando identificar lacunas, conflitos e convergências na
literatura sobre um determinado tema. (MARCONI e LAKATOS, 2010; GIL, 2017)
Já a pesquisa exploratória tem como objetivo principal proporcionar maior
familiaridade com um tema ainda pouco conhecido, permitindo uma maior
compreensão do fenômeno investigado e identificando possíveis problemas ou
oportunidades de estudo. Nessa modalidade, são utilizados métodos de coleta de
dados como entrevistas, observações e revisão bibliográfica para a obtenção de
informações que possam guiar o delineamento de futuras pesquisas. (GIL, 2017)
A pesquisa qualitativa, por sua vez, é caracterizada pela coleta de dados não
estruturados, ou seja, que não se limitam a perguntas pré-definidas, permitindo a
obtenção de informações mais ricas e contextualizadas sobre as percepções, atitudes,
valores e experiências dos sujeitos envolvidos na pesquisa. (GIL, 2017) Nessa
modalidade, são utilizadas técnicas como entrevistas em profundidade, grupos focais e
observação participante para a coleta de dados, e a análise de conteúdo é
frequentemente utilizada para a interpretação e compreensão dos dados
coletados.(MARCONI e LAKATOS, 2010)

3 AS ABORDAGENS QUALITATIVA E QUANTITATIVA

Para pesquisas qualitativas, a análise de dados geralmente envolve a

identificação e interpretação de padrões e temas em dados não numéricos, como
entrevistas, observações e documentos (CHARMAZ, 2014). Existem diversas
abordagens para a análise qualitativa de dados, incluindo a análise de conteúdo,
análise temática e análise de discurso. Já para pesquisas quantitativas, a análise de
dados envolve a coleta e interpretação de dados numéricos, geralmente por meio de
questionários, experimentos e outras técnicas de coleta de dados (HAIR Jr. et al.,
2019). A análise estatística é um dos principais métodos utilizados na análise
quantitativa de dados. As técnicas estatísticas incluem a análise de regressão, análise
de variância, testes de hipóteses e outras técnicas que envolvem a quantificação de
relações entre variáveis (KLINE, 2015).
Independentemente do tipo de análise de dados utilizada, é importante que os
pesquisadores utilizem técnicas adequadas para garantir que os resultados sejam
precisos e confiáveis (MILES et al., 2014). Isso inclui a seleção cuidadosa das técnicas
de análise de dados, a coleta e organização cuidadosa dos dados e a validação dos
resultados. Em geral, a análise de dados é uma etapa crítica em qualquer pesquisa
científica e deve ser abordada com cuidado e atenção aos detalhes para garantir que
os resultados sejam precisos e úteis. É importante destacar que a escolha da
metodologia e das técnicas de análise de dados deve ser feita com base na natureza
da pesquisa, nos objetivos da pesquisa e na abordagem teórica adotada (CRESWELL,
2014).

3.1 METODOLOGIAS QUALITATIVAS

A metodologia para análise de dados em pesquisas qualitativas envolve a

interpretação do significado dos dados coletados, muitas vezes através de uma
abordagem de análise de conteúdo. A análise de conteúdo é uma técnica de análise de
dados que permite a identificação de temas e padrões nos dados coletados (DENZIN;
LINCOLN, 2011; SILVERMAN, 2017). Abaixo, no Quadro 1, estão algumas das
técnicas mais comuns de análise de conteúdo usadas em pesquisas qualitativas:

Quadro 1: Análises de dados em pesquisas qualitativas.

Tipos de análise Descrição Operacionalidade Autores

Análise de conteúdo de envolve a revisão e pode ser feita BAZELEY, P. (2013)

entrevistas codificação dos dados manualmente ou com o
coletados em auxílio de softwares MILES, M. B. et al.
(2014)
entrevistas específicos para
análise de dados CHARMAN, K. (2014)
qualitativos, como o
NVivo ou o Atlas.ti THIOLLENT, M. (2011)

RICHARDSON, R. J.
(2017.)

Análise de conteúdo de envolve a revisão e pode ser realizada com BARDIN, L. (2016)
observações codificação dos dados base em categorias
coletados através da predefinidas ou pode BOGDAN, R.; BIKLEN,
S. (1994)
observação de um surgir a partir dos
evento ou situação dados coletados GOMES, R.; MENDES,
durante as J. M. (2019)
observações
MINAYO, M. C. de S.
(2014)

PATTON, M. Q. (2015)
Análise de conteúdo de envolve a revisão e pode ser feita BARDIN (2016)
questões abertas em codificação dos dados manualmente ou com o
questionários coletados em questões auxílio de softwares GOMES, R.; MENDES,
J. M. (2019)
abertas, geralmente na específicos para
forma de respostas análise de dados MINAYO, M. C. S.
escritas qualitativos, como o (2014)
NVivo ou o Atlas.ti
SALDAÑA, J. (2015)

BERNARD, H. R.;
RYAN, G. W. (2017)

Análise de conteúdo de envolve a revisão e pode ser feita BARDIN, L. (2016).

leituras de bibliografia codificação dos dados manualmente ou com o
coletados em uma auxílio de softwares SALDAÑA, J. (2015).
revisão da literatura, específicos para
BERNARD, H. R., &
geralmente na forma de análise de dados RYAN, G. W. (2017).
conceitos e ideias qualitativos, como o
extraídos de artigos e NVivo ou o Atlas.ti KRIPPENDORFF, K.
livros (2018)

GUEST, G., et al.

(2012)

Análise de conteúdo de envolve a revisão e pode ser feita ALTHEIDE, D. L.;

leituras de documentos codificação dos dados manualmente ou com o SCHNEIDER, C. J.
coletados a partir da auxílio de softwares (2013)
revisão de documentos, específicos para
NEUENDORF, K. A.
como relatórios, análise de dados (2016)
memorandos ou outros qualitativos, como o
tipos de comunicação NVivo ou o Atlas.ti WEBER, R. P. (1990)

BERELSON, B. (1952)
Fonte: Dados da pesquisa (2023)

A escolha das técnicas de análise de conteúdo dependerá dos objetivos da

pesquisa e das perguntas de pesquisa formuladas (ALTHEIDE; SCHNEIDER, 2013;
WEBER, 1990; GLASER; STRAUSS, 2017). Além disso, a interpretação correta dos
resultados da análise de conteúdo é fundamental para garantir a validade dos
resultados e a conclusão adequada da pesquisa. Os trabalhos científicos de análise
qualitativa possuem um grau de subjetividade que pode variar de acordo com a
interpretação do pesquisador (ALTHEIDE; SCHNEIDER, 2013; BERNARD, H. R.;
RYAN, G. W., 2017). Isso ocorre porque os dados coletados são, muitas vezes,
subjetivos, e a análise depende da interpretação do pesquisador. Além disso, o próprio
processo de análise de dados qualitativos pode ser subjetivo, pois envolve a
interpretação dos dados, a identificação de padrões e a construção de categorias . É
importante que o pesquisador esteja ciente da sua própria subjetividade e busque
minimizá-la através da utilização de técnicas sistemáticas e da triangulação de dados,
utilizando diferentes fontes de dados para verificar a consistência dos resultados.

3.2 METODOLOGIAS QUALITATIVAS

A metodologia para análise de dados em pesquisas quantitativas envolve várias

etapas importantes, desde a coleta dos dados até a interpretação dos resultados.
Algumas das técnicas mais comuns de análise de dados em pesquisas quantitativas
incluem análises estatísticas, distribuições de frequência, correlações e representações
gráficas, medidas de dispersão e medidas de tendência central. Serão abordadas
abaixo, no Quadro 2, cada uma delas em mais detalhes:

Quadro 2: Análises de dados em pesquisas quantitativas.

Tipos de análise Descrição Operacionalidade Autores

Análises estatísticas são usadas para podem incluir testes de BARBETTA, P. A.

examinar os dados hipóteses, como o teste (2008)
coletados e descobrir t ou o teste de ANOVA,
MAGALHÃES, M. N.;
padrões e relações análise de regressão e
LIMA, A. C. P. (2018)
entre as variáveis análise de variância
BUSSAB, W. O.;
MORETTIN, P. A.
(2019)

SAMPIERI, R. H.;
COLLADO, C. F.;
LUCIO, P. B. (2020)

TRIOLA, M. F. (2019)

Distribuições de são usadas para podem ser BUSSAB, W. O.;

frequência apresentar as apresentadas em MORETTIN, P. A.
informações coletadas tabelas ou gráficos, (2019)
em uma pesquisa como histogramas.
COSTA NETO, P. L. O.;
quantitativa. Elas RODRIGUES, F. L.
mostram a frequência (2016)
com que cada valor
 aparece em uma LAPPONI, J. C. (2010)
determinada variável.
MAGALHÃES, M. N.;
LIMA, A. C. P. (2018)

TRIOLA, M. F. (2019)

Correlações e são usadas para podem ser positivas, ANDERSON, D. R.;

representações mostrar a relação entre negativas ou neutras.2 SWEENEY, D. J.;
gráficas duas variáveis. Elas WILLIAMS, T. A. (2012)
podem ser
LEVIN, J.; FOX, J. A.
apresentadas em (2016)
gráficos de dispersão,
que mostram a relação MONTGOMERY, D. C.;
entre duas variáveis em RUNGER, G. C. (2016)
um gráfico
bidimensional. ROSS, S. M. (2012)

TRIOLA, M. F. (2019)

Medidas de dispersão são usadas para Algumas das medidas FONSECA, J. J.;
mostrar o quão de dispersão mais MARTINS, G. A. (2017)
dispersos são os dados comuns incluem a
MAGALHÃES, M. N.;
em torno de uma variância e o desvio
LIMA, A. C. P. (2018)
medida central, como a padrão
média ou a mediana TRIOLA, M. F. (2019)

BUSSAB, W. O.;
MORETTIN, P. A.
(2019)

Medidas de tendência são usadas para Algumas das medidas BAPTISTA, M. N.

central mostrar onde a maioria de tendência central (2003)
dos dados está mais comuns incluem a
BUSSAB, W. O.;
concentrada média, a mediana e o
MORETTIN, P. A.
modo (2019)

FONSECA, J. S.;
MARTINS, G. A.(2017)

LEVIN, J.; FOX, J. A.

(2016)

2
Quando a correlação é positiva, significa que há uma relação direta entre as variáveis, ou seja, quando
uma aumenta, a outra também aumenta. Por exemplo, a altura e o peso de uma pessoa geralmente têm
uma correlação positiva, pois pessoas mais altas geralmente pesam mais. Quando a correlação é
negativa, significa que há uma relação inversa entre as variáveis, ou seja, quando uma aumenta, a outra
diminui. Por exemplo, a quantidade de exercícios físicos praticados e o índice de massa corporal têm
uma correlação negativa, pois quanto mais exercícios uma pessoa pratica, menor é o seu índice de
massa corporal. Já a correlação neutra significa que não há relação entre as variáveis. Por exemplo, a
cor dos olhos e a altura de uma pessoa têm uma correlação neutra, pois não há relação entre essas
duas variáveis.
 MAGALHÃES, M. N.;
LIMA, A. C. P. (2018)
Fonte: Dados da pesquisa (2023)

É importante lembrar aqui também que a escolha das técnicas de análise de

dados dependerá dos objetivos da pesquisa e das perguntas de pesquisa formuladas.
Além disso, a interpretação correta dos resultados das análises de dados é
fundamental para garantir a validade dos resultados e a conclusão adequada da
pesquisa quantitativa. De acordo com Freitas, Baptista e Reis (2013), trabalhos
científicos que utilizam análise quantitativa têm como uma de suas principais
características a busca por uma maior objetividade em relação aos dados coletados,
uma vez que a análise quantitativa se baseia em dados numéricos e mensuráveis, o
que permite uma avaliação mais precisa e sistemática. Além disso, as técnicas
estatísticas utilizadas para análise dos dados buscam a neutralidade e imparcialidade
na interpretação dos resultados. Segundo Hair Jr. et al. (2005), a utilização de
metodologias e técnicas estatísticas contribui para a minimização dos efeitos da
subjetividade na interpretação dos resultados. Contudo, como destaca Martins e
Theóphilo (2009), a objetividade na análise quantitativa não significa ausência de
subjetividade, uma vez que a escolha das variáveis a serem mensuradas e a forma
como os dados serão analisados podem ser influenciadas pelas percepções e crenças
dos pesquisadores. Sampieri, Collado, e Lucio (2020) complementam que a
subjetividade pode ser minimizada com a utilização de metodologias rigorosas e
objetivas na coleta e análise de dados. Por fim, Morettin e Bussab (2019) e Zar (2010)
reforçam a importância da utilização de técnicas estatísticas e metodologias de
pesquisa adequadas para uma análise quantitativa rigorosa e confiável.

4 TIPOS DE ANÁLISES DE DADOS

A análise de dados é uma prática essencial em diversas áreas, desde a

pesquisa científica até a gestão de negócios. Ela permite que as organizações
obtenham insights valiosos sobre padrões, tendências e relações em seus dados, e
tomem decisões informadas com base nessas informações. É possível classificar
vários tipos de análises de dados, incluindo análise preditiva, análise prescritiva,
análise descritiva e análise diagnóstica. Nesse sentido, precisa-se entender o que cada
uma delas significa e como elas podem ser aplicadas em diferentes contextos.

4.1 ANÁLISE PREDITIVA

O uso da análise preditiva como técnica de análise de dados tem sido

amplamente explorado em diversas áreas do conhecimento, como destacam Kim et al.
(2017) e Wu e Zhang (2021). Segundo esses autores, a análise preditiva utiliza
modelos estatísticos e algoritmos de aprendizado de máquina para prever eventos
futuros com base em dados históricos. A técnica pode ser aplicada em áreas como
finanças, marketing, saúde e ciência, entre outras, conforme destacam Jain e Bansal
(2019).
Em trabalhos científicos, a análise preditiva tem sido empregada para prever o
comportamento ou desempenho de um determinado fenômeno com base em dados
coletados previamente, como ressaltam Wu e Zhang (2021). Por exemplo, em uma
pesquisa sobre o impacto de um determinado tratamento médico em pacientes com
doença crônica, pode-se utilizar a análise preditiva para estimar a probabilidade de
recuperação dos pacientes com base em dados clínicos prévios, como mencionado por
Yang et al. (2019).
Na área de Administração e Ciências Contábeis, a análise preditiva pode ser
utilizada em pesquisas de mercado, como destaca Jain e Bansal (2019). Nesse
sentido, a técnica pode ser aplicada para prever o comportamento do consumidor e as
tendências de mercado com base em dados de vendas e comportamento de compra
anteriores.
Para realizar a análise preditiva em trabalhos científicos, é necessário coletar
dados históricos relevantes e aplicar técnicas estatísticas avançadas, como regressão,
análise de séries temporais e aprendizado de máquina, conforme explicam Kim et al.
(2017) e Wu e Zhang (2021). Essas técnicas permitem identificar padrões e tendências
nos dados históricos e criar modelos preditivos precisos que possam ser aplicados para
prever o comportamento futuro do fenômeno estudado, como destacam Yang et al.
(2019).

4.2 ANÁLISE PRESCRITIVA

A análise prescritiva é uma técnica de análise de dados que utiliza algoritmos de

otimização e modelagem de simulação para recomendar ações a serem tomadas no
futuro, conforme destacam Kiron e Shockley (2016). Essa abordagem é capaz de
responder à pergunta "o que deve ser feito?" com base em várias opções possíveis e
em objetivos específicos. A análise prescritiva pode ser aplicada em diferentes áreas,
como para otimizar cadeias de suprimentos, alocação de recursos e até mesmo para a
prevenção de doenças, como destacam Wang et al. (2020).
Para realizar a análise prescritiva, é necessário coletar dados históricos
relevantes e aplicar técnicas de modelagem preditiva para analisar esses dados e
projetar possíveis resultados futuros com base em diferentes cenários, como
mencionado por Kiron e Shockley (2016). Um exemplo de análise prescritiva pode ser
visto em um estudo sobre a eficácia de diferentes campanhas de marketing, como
destacam Kelleher e Tierney (2018). Nesse caso, o pesquisador pode coletar dados
sobre campanhas anteriores, como os gastos com publicidade e as vendas resultantes,
e identificar quais campanhas foram mais eficazes em gerar vendas. Com base nesses
resultados, o pesquisador pode recomendar quais estratégias de marketing devem ser
implementadas no futuro para alcançar resultados semelhantes.
Outro exemplo pode ser visto em um estudo sobre a eficácia de diferentes
tratamentos médicos para uma determinada doença, como mencionado por Wang et al.
(2020). Dessa forma, o pesquisador pode coletar dados de pacientes que receberam
tratamentos diferentes e usar a análise prescritiva para projetar qual tratamento é mais
provável de ser eficaz para pacientes com determinadas características. Com base
nesses resultados, o pesquisador pode recomendar um determinado tratamento para
pacientes com características semelhantes. Em suma, a análise prescritiva é uma
abordagem útil para a tomada de decisões baseadas em dados em uma ampla
variedade de contextos de pesquisa, incluindo marketing, saúde, finanças e outros
campos.

4.3 ANÁLISE DESCRITIVA

A análise descritiva é uma técnica de análise de dados que envolve a descrição

e resumo dos dados existentes, geralmente através de tabelas, gráficos e medidas
estatísticas. Ela ajuda a responder à pergunta "o que aconteceu?" e é comumente
usada para entender padrões e tendências nos dados. A análise descritiva pode ser
usada em vários contextos, como análise de desempenho de vendas, monitoramento
de qualidade e análise de dados demográficos.
Essa abordagem é amplamente utilizada em trabalhos científicos, principalmente
em pesquisas quantitativas, como mencionado por Hinton e Munoz (2017). Essa
análise tem como objetivo apresentar informações sobre o conjunto de dados
coletados, utilizando técnicas de estatística descritiva para resumir e descrever as
características dos dados.
Por exemplo, em um estudo sobre a idade dos participantes de uma pesquisa, a
análise descritiva poderia apresentar a média de idade, a moda, a mediana e o desvio
padrão, além de gráficos como histogramas ou boxplots para ilustrar a distribuição dos
dados. Essas informações são importantes para se ter uma compreensão geral dos
dados e para identificar possíveis padrões ou tendências. Outro exemplo seria em um
estudo sobre o desempenho acadêmico dos alunos de uma escola. A análise descritiva
poderia apresentar a distribuição das notas por disciplina, calcular a média e o desvio
padrão de cada uma e, em seguida, comparar as médias para identificar as disciplinas
em que os alunos apresentaram melhor e pior desempenho.
Em resumo, a análise descritiva é uma ferramenta fundamental para a
compreensão e interpretação dos dados coletados em uma pesquisa científica,
permitindo a apresentação objetiva e clara das informações obtidas, conforme
destacado por Hinton e Munoz (2017).

4.4 ANÁLISE DIAGNÓSTICA

 Segundo especialistas como Kumar e Sharma (2017), a análise diagnóstica é
uma técnica de análise de dados que busca entender as causas raiz de um problema
ou evento. Ela ajuda a responder à pergunta "por que isso aconteceu?" e pode ser
usada para identificar problemas de qualidade, entender a causa de um defeito em um
produto ou identificar as razões para um declínio nas vendas. A análise diagnóstica
geralmente envolve uma análise mais profunda dos dados e pode incluir a aplicação de
técnicas estatísticas avançadas para entender as relações entre as variáveis.
Essa metodologia tem como objetivo identificar as causas de um problema ou
anomalia em um determinado sistema ou processo, como destacado por Acar e
Kandemir (2019). Em trabalhos científicos, a análise diagnóstica pode ser utilizada em
diversas áreas, como na saúde, na economia, na engenharia, entre outras.
Como exemplos de sua aplicação têm-se estudos de saúde pública, para
identificar as causas de um surto de doenças em determinada região. Através da
análise de dados epidemiológicos, como número de casos, localização e histórico dos
pacientes, é possível identificar possíveis causas do surto, como contaminação da
água ou de alimentos (YIN, 2015). Além disso, pode ser utilizada na indústria, para
identificar as causas de defeitos em produtos, conforme mencionado por Mehta e
Shankar (2016). Através da análise de dados de produção e de inspeção de qualidade,
é possível identificar possíveis causas dos defeitos, como falhas no processo de
fabricação ou de manutenção de equipamentos.
Em ambos os exemplos, a análise diagnóstica é utilizada para identificar as
causas dos problemas e assim propor soluções efetivas para evitar sua recorrência. É
importante destacar que a análise diagnóstica deve ser realizada de forma sistemática
e criteriosa, utilizando dados confiáveis e métodos adequados para garantir a precisão
das conclusões obtidas, como ressaltado por Alshehri e Drew (2020).

CONCLUSÃO

Em conclusão, a análise de dados é uma parte fundamental em trabalhos

científicos, tanto quantitativos quanto qualitativos. É importante que os pesquisadores
sejam capazes de escolher as metodologias adequadas para seus dados e objetivos
de pesquisa, a fim de obter resultados confiáveis e relevantes. As análises estatísticas,
distribuições de frequência, correlações, representações gráficas, medidas de
dispersão e medidas de tendência central são algumas das metodologias utilizadas em
pesquisas quantitativas, enquanto a análise de conteúdo é frequentemente utilizada em
pesquisas qualitativas.
A objetividade e subjetividade podem ser mais ou menos presentes em
trabalhos de análise de dados, dependendo da metodologia utilizada. Na análise
quantitativa, a objetividade é considerada uma qualidade essencial, pois as análises
estatísticas e as representações gráficas são baseadas em dados numéricos e não
dependem da interpretação do pesquisador. Já na análise qualitativa, a subjetividade
pode ser mais presente, uma vez que as análises são baseadas na interpretação dos
dados pelos pesquisadores.
É importante que os pesquisadores sejam capazes de escolher a metodologia
adequada e aplicá-la de forma rigorosa e criteriosa a fim de obter resultados precisos e
confiáveis. Assim, é essencial, portanto, que os pesquisadores entendam e escolham a
metodologia e as análises de dados apropriadas para suas pesquisas científicas. A
escolha adequada da metodologia permite a coleta de dados confiáveis e relevantes,
bem como a realização de análises precisas e significativas. A escolha de uma análise
inadequada pode levar a resultados incorretos e conclusões falhas, comprometendo a
validade da pesquisa. Além disso, a compreensão dos diferentes tipos de análises de
dados pode permitir que os pesquisadores identifiquem padrões, tendências e relações
entre os dados, permitindo insights e descobertas importantes. Em última análise, a
escolha adequada da metodologia e das análises de dados pode melhorar a qualidade
e a credibilidade da pesquisa científica.

REFERÊNCIAS

ACAR, Nazli; KANDEMIR, Cigdem. A new approach for root cause analysis: A case
study of a drilling company. International Journal of Industrial Engineering
Computations, v. 10, n. 3, p. 397–410, 2019.
ALSHEHRI, Abdullah; DREW, Steve. Root cause analysis in software engineering: A
systematic literature review. Journal of Software: Evolution and Process, v. 32, n. 11,
p. e2219, 2020.

ALTHEIDE, D. L.; SCHNEIDER, C. J. Qualitative media analysis. 2. ed. Los Angeles:

Sage Publications, 2013.

BAPTISTA, M. N. Estatística aplicada à administração. São Paulo: Atlas, 2003.

BARBETTA, P. A. Estatística aplicada às ciências sociais. Florianópolis: Ed. da

UFSC, 2008.

BARDIN, L. Análise de conteúdo. Tradução de Luís Antero Reto e Augusto Pinheiro.

Edições 70, 2016.

BAZELEY, P. Qualitative data analysis: Practical strategies. Sage Publications Ltd,

2013.

BERELSON, B. Content analysis in communication research. New York: Free

Press, 1952.

BOGDAN, R.; BIKLEN, S. Investigação qualitativa em educação: uma introdução à

teoria e aos métodos. Tradução de Maria José Alvarez. Porto Editora, 1994.

BUSSAB, W. O.; MORETTIN, P. A. Estatística básica. 10. ed. São Paulo: Saraiva,
2019.

CHARMAZ, K. Constructing grounded theory. Sage, 2014.

CHARMAN, K. Constructing grounded theory: A practical guide through qualitative

analysis. Sage Publications Ltd, 2014.

COSTA NETO, P. L. O.; RODRIGUES, F. L. Bioestatística. Rio de Janeiro: Guanabara

Koogan, 2016.

CRESWELL, J. W. Research design: qualitative, quantitative, and mixed methods

approaches. Sage publications, 2014.

DENZIN, N. K.; LINCOLN, Y. S. O planejamento da pesquisa qualitativa: teorias e

abordagens. Artmed Editora, 2011.
FONSECA, J. S.; MARTINS, G. A. Curso de estatística. 6. ed. São Paulo: Atlas, 2017.

FREITAS, H.; BAPTISTA, M.; REIS, G. Introdução à Estatística. Porto: Porto Editora,
2013.

GIL, A. C. Como elaborar projetos de pesquisa. 6. ed. São Paulo: Atlas, 2017.

GLASER, B. G.; STRAUSS, A. L. Discovery of grounded theory: Strategies for

qualitative research. Routledge, 2017.

GOMES, R.; MENDES, J. M. Análise de dados qualitativos: estratégias

metodológicas para as ciências da saúde, humanas e sociais. Hucitec, 2019.

GUEST, Greg, et al. Applied thematic analysis. Sage Publications, 2012.

HAIR Jr., J. F. et al. Análise multivariada de dados. Bookman Editora, 2019.

HAIR Jr, J. F. et al. Fundamentos de métodos de pesquisa em administração. Porto

Alegre: Bookman, 2005.

JAIN, A.; BANSAL, A. Predictive analytics: A review of literature and applications.

Journal of Retailing and Consumer Services, v. 49, p. 171-180, 2019.

KIM, K. J. et al. Big data: Understanding how data powers big business. Wiley
Interdisciplinary Reviews: Data Mining and Knowledge Discovery, v. 7, n. 5, 2017.

KIRON, D.; SHOCKLEY, R. The emergence of prescriptive analytics. MIT Sloan

Management Review, v. 57, n. 2, p. 1-12, 2016.

KLINE, R. B. Principles and practice of structural equation modeling. Guilford

publications, 2015.

KRIPPENDORFF, K. Content analysis: An introduction to its methodology. Sage

Publications, 2018.

KUMAR, Anand; SHARMA, Poonam. Data Analytics and Big Data: An Insight.
International Journal of Engineering and Technology, v. 9, n. 1, p. 710–714, 2017.
LAPPONI, J. C. Estatística usando Excel. Rio de Janeiro: Elsevier, 2010.

LEVIN, J.; FOX, J. A. Estatística para ciências humanas. 11. ed. São Paulo: Pearson,
2016.

MAGALHÃES, M. N.; LIMA, A. C. P. Noções de Probabilidade e Estatística. São

Paulo: EDUSP, 2018.

MARCONI, M. A.; LAKATOS, E. M. Metodologia do trabalho científico. 7. ed. São

Paulo: Atlas, 2010.

MARTINS, G. A.; THEÓPHILO, C. R. Metodologia da investigação científica para

ciências sociais aplicadas. São Paulo: Atlas, 2009.

MEHTA, N.; SHANKAR, R. Root cause analysis of product defects using data mining
techniques. International Journal of Applied Engineering Research, v. 11, n. 9, p.
6417–6422, 2016.

MILES, M. B.; HUBERMAN, A. M.; SALDANA, J. Qualitative data analysis: A methods

sourcebook. Sage publications, 2014.

MINAYO, M. C. de S. O desafio do conhecimento: pesquisa qualitativa em saúde.

Hucitec, 2014.

NEUENDORF, K. A. The content analysis guidebook. 2. ed. Los Angeles: Sage

Publications, 2016.

PATTON, M. Q. Qualitative research & evaluation methods: Integrating theory and

practice. Sage Publications, 2015.

RICHARDSON, L. Pesquisa social: métodos e técnicas. Atlas, 2017.

SAMPIERI, R. H.; COLLADO, C. F.; LUCIO, P. B. Metodologia de pesquisa. 6. ed.

Porto Alegre: Penso, 2020.

SILVERMAN, D. Doing qualitative research: A practical handbook. Sage publications,

2017.

THIOLLENT, M. Metodologia da pesquisa-ação. Editora Cortez, 2011.

TRIOLA, Mario F. Introdução à estatística. 15. ed. Rio de Janeiro: LTC, 2019.

WANG, Shengnan et al. Application of prescriptive analytics in healthcare: A literature

review. Computers in Biology and Medicine, v. 126, p. 104051, 2020.

WEBER, R. P. Basic content analysis. 2. ed. Newbury Park: Sage Publications, 1990.

WU, M.; ZHANG, C. Review of the development of predictive analytics research:

Bibliometric analysis based on the Scopus database. International Journal of
Information Management, v. 56, p. 1-15, 2021.

YANG, Z. et al. The adoption of big data analytics in healthcare: A qualitative study.
International Journal of Environmental Research and Public Health, v. 16, n. 10, p.
1768, 2019.

YIN, R. K. Estudo de caso: planejamento e métodos. Bookman Editora, 2015.

ZAR, J. H. Biostatistical analysis. Upper Saddle River: Prentice Hall, 2010.