7 padrões métricos SQL de entrevistas reais

Depois de passar por várias entrevistas de SQL para cargos de analista de dados, percebi que as mesmas perguntas sobre métricas apareciam repetidamente. Este artigo as divide em sete padrões e mostra como reconhecê-las rapidamente em entrevistas.

Durante o período entre novembro de 2023 e abril de 2025, participei de várias entrevistas para cargos de analista de dados e comecei a perceber um padrão claro nas perguntas de entrevistas SQL. Embora os conjuntos de dados e os contextos de negócios mudassem, os tipos de métricas sobre as quais os entrevistadores perguntavam eram frequentemente os mesmos.

Neste artigo, agrupo essas perguntas recorrentes em sete padrões métricos que aparecem repetidamente em testes de SQL para cargos de analista de dados. Em vez de tratar cada pergunta como um problema separado, concentro-me em identificar a lógica métrica subjacente que orienta a maioria das tarefas da entrevista.

Eu me baseio em conceitos apresentados em artigos anteriores, incluindo Análise de vendas reais com a folha de referência do analista. No entanto, em vez de explorar um conjunto de dados específico, eu categorizo as perguntas da entrevista com base na minha experiência real em entrevistas.

Para manter a análise clara e consistente, sigo a mesma estrutura para cada métrica ao longo do artigo. Para cada padrão, explico o que a métrica representa, como ela normalmente aparece em entrevistas de SQL, mostro uma consulta SQL representativa e indico a seção relevante da Folha de Referência do Analista de Dados para uma análise mais aprofundada.

O objetivo não é memorizar consultas, mas desenvolver uma maneira repetível de pensar sobre os problemas da entrevista de SQL quando o tempo é limitado. Espero que essa estrutura seja útil para qualquer pessoa que esteja se preparando para uma entrevista de analista de dados e procurando uma maneira mais clara de abordar perguntas baseadas em métricas.

Não afirmo que essas soluções sejam inovadoras. A maioria das perguntas de entrevista de SQL pode ser resolvida de várias maneiras, e os exemplos que mostro usam abordagens comumente aceitas. Embora existam mais de sete padrões de métricas, escolhi esses sete porque eles fornecem um ponto de partida prático para se preparar para entrevistas de SQL.

Visão geral

Divido os sete padrões métricos em dois grupos: métricas padrão e métricas especializadas. As métricas padrão – KPIs, detalhamentos, índices e classificações – aparecem em muitos cenários de relatórios e análises de negócios e geralmente têm várias variações.

As métricas especializadas – totais acumulados, médias móveis e variação percentual – são mais focadas e geralmente vinculadas à análise baseada em tempo ou desempenho. Para cada padrão, forneço um exemplo geral de SQL que não está vinculado a um conjunto de dados específico, para que o foco permaneça na lógica, em vez da estrutura de dados.

Se você deseja uma prática estruturada e prática com esses tipos de métricas, muitos dos padrões abordados aqui são praticados na trilha SQL para análise de dados, que se concentra nos mesmos cenários de relatórios e análises comumente usados em entrevistas com analistas de dados.

Métrica 1: KPIs – Métricas de desempenho empresarial de alto nível

Definição

Os indicadores-chave de desempenho (KPIs) são métricas básicas que mostram o desempenho geral dos negócios. Em entrevistas de SQL, os KPIs são geralmente valores agregados simples, como vendas totais, lucro total ou número total de registros, calculados em todo o conjunto de dados.

Objetivo nas entrevistas

As perguntas sobre KPIs costumam ser as primeiras ou as mais simples em uma entrevista de SQL. Os entrevistadores as utilizam para avaliar se um candidato é capaz de identificar rapidamente o que é importante em um conjunto de dados, escolher o nível correto de agregação e evitar complexidades desnecessárias.

Essas perguntas costumam ser formuladas de forma muito direta, por exemplo: “Como você calcularia o total de vendas?”, “Qual é o lucro total?” ou “Me dê a receita geral deste conjunto de dados”.

Reconhecimento de padrões

As perguntas sobre KPI geralmente:

• retornam uma única linha
• não exigem uma GROUP BY cláusula
• dependem de funções agregadas, como SUM, COUNTou AVG

Elas respondem à pergunta comercial: “Como estamos indo no geral?”

Exemplo de consulta SQL

Aqui está um exemplo de KPI retirado de um artigo anterior, Folha de dicas do analista de dados sobre dados reais de vendas:

SELECT
  ROUND(SUM(Sales), 0) AS sales_total,
  ROUND(SUM(Profit), 0) AS profit_total,
  ROUND(SUM(Quantity), 0) AS quantity_total
FROM orders;

Essa consulta retorna vários KPIs em uma única linha, aplicando diferentes funções agregadas ao mesmo conjunto de dados.

Referência do guia de estudo

Você pode revisar esse padrão de métrica na Folha de Referência do Analista de Dados, em Funções Agregadas. Para uma visão geral prática dos agregados SQL comumente usados, consulte a Folha de Referência de Funções Agregadas.

Métrica 2: Detalhamentos – Métricas por tempo ou categoria

Definição

Uma divisão é uma métrica que é dividida em partes menores para mostrar como ela muda ao longo do tempo ou como difere entre as categorias. Em vez de um número geral, uma divisão mostra várias linhas que explicam de onde ou quando a métrica vem.

Objetivo nas entrevistas

As perguntas de detalhamento geralmente vêm logo após as perguntas sobre KPI. Depois que você mostra que é capaz de calcular um total, os entrevistadores geralmente pedem que você explique isso com mais detalhes.

Essas perguntas são elaboradas para testar se você consegue passar de uma métrica de alto nível para uma visão mais granular e responder a perguntas como “O que está impulsionando esse número?” ou “Como essa métrica muda ao longo do tempo?”.

Reconhecimento de padrões

As perguntas detalhadas geralmente:

• incluem uma GROUP BY cláusula
• retornam várias linhas
• usam as mesmas funções agregadas que os KPIs, mas agrupadas por outra coluna

Elas respondem a perguntas comerciais como: “Como essa métrica varia de acordo com o tempo ou a categoria?”

Tipo 1: Tendência por data

Esse tipo de detalhamento agrupa métricas por uma dimensão temporal, como ano ou mês. Os entrevistadores costumam fazer perguntas como “Mostre o total de vendas por mês” ou “Como a receita mudou ao longo do tempo?”

Exemplo de consulta SQL

SELECT
  EXTRACT(YEAR FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y'))) AS order_year,
  EXTRACT(MONTH FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y'))) AS order_month,
  ROUND(SUM(Sales), 0) AS sales_month,
  ROUND(SUM(Profit), 0) AS profit_month,
  ROUND(SUM(Quantity), 0) AS quantity_month
FROM orders
GROUP BY 1, 2
ORDER BY 1, 2;

Tipo 2: Desagregação por categoria

Esse tipo de detalhamento agrupa métricas por uma coluna categórica, como categoria de produto ou região. Essas perguntas geralmente são formuladas como “Vendas por categoria” ou “Lucro por grupo de produtos”.

Exemplo de consulta SQL

SELECT
  product_category,
  ROUND(SUM(Sales), 0) AS sales,
  ROUND(SUM(Profit), 0) AS profit,
  ROUND(SUM(Quantity), 0) AS quantity
FROM orders
GROUP BY 1
ORDER BY 1;

Referência do guia de estudo

Esses padrões de divisão são abordados em várias seções da Folha de Referência do Analista de Dados: Funções Agregadas, Data e Hora e ORDER BY. Para uma visão geral prática de como o agrupamento e a agregação funcionam juntos no SQL, consulte SQL GROUP BY e Funções Agregadas: Visão Geral.

Métrica 3: Índices – Comparando uma métrica com outra

Definição

Uma razão mede a relação entre dois valores numéricos dividindo um pelo outro. Em entrevistas de SQL, as razões são comumente usadas para transformar totais brutos em métricas de desempenho.

Objetivo nas entrevistas

As perguntas sobre índices testam se você consegue ir além dos números absolutos e expressar o desempenho em termos relativos. Os entrevistadores costumam usá-las para ver se você entende como as métricas se relacionam entre si, e não apenas como calculá-las.

Essas perguntas são comumente formuladas como “Qual é a margem de lucro?”, “Qual porcentagem das vendas totais cada categoria representa?” ou “Quanto de X vem de Y?”.

Reconhecimento de padrões

As perguntas sobre índices geralmente:

• dividem um agregado por outro
• ainda usam funções agregadas, como SUM ou COUNT
• às vezes exigem uma subconsulta ou função de janela para manter o denominador consistente

Elas respondem a perguntas comerciais como: “Quão eficiente é isso?” ou “Qual é o tamanho disso em comparação com o total?”

Tipo 1: Proporção geral

Este tipo calcula uma única proporção para todo o conjunto de dados. É semelhante a um KPI, mas em vez de retornar um total bruto, retorna uma métrica de desempenho derivada.

Exemplo de consulta SQL

SELECT ROUND(SUM(Profit) / SUM(Sales), 2) AS profit_margin
FROM orders;

Tipo 2: Proporção por categoria (porcentagem do total)

Esse tipo calcula uma proporção para cada categoria em relação ao total geral. Uma subconsulta é usada para evitar que o denominador seja afetado pela GROUP BY cláusula.

Essas perguntas são frequentemente formuladas como “Qual porcentagem das vendas totais cada categoria contribui?”

Exemplo de consulta SQL

SELECT
  category,
  ROUND(SUM(sales), 0) AS sales_total,
  ROUND((SUM(sales) / (SELECT SUM(sales) FROM orders)) * 100, 0) AS percent_of_total
FROM orders
GROUP BY 1;

Referência do guia de estudo

• Relações gerais: divisão inteira
• Relações por categoria: cálculo da porcentagem do total dentro de um grupo

Métrica 4: Classificações – Ordenação dos resultados por importância

Definição

Uma classificação ordena as linhas com base em uma métrica, geralmente da mais alta para a mais baixa ou vice-versa. Em entrevistas de SQL, a classificação é usada para identificar os melhores ou piores desempenhos com base em uma medida específica.

Objetivo nas entrevistas

As perguntas de classificação testam se você é capaz de transformar resultados agregados em uma lista ordenada que destaque a importância relativa. Os entrevistadores costumam usar essas perguntas para verificar se você entende como comparar entidades e apresentar resultados de maneira significativa.

Essas perguntas são comumente formuladas como “Quais são os produtos mais vendidos?”, “Quais subcategorias têm melhor desempenho?” ou “Classifique os itens por receita”.

Reconhecimento de padrões

As perguntas de classificação geralmente:

• envolvem a classificação de resultados agregados
• usam funções de janela, como RANK ou DENSE_RANK
• retornam várias linhas com uma coluna adicional que representa a posição

Elas respondem a perguntas comerciais como: “Em que devemos nos concentrar primeiro?” ou “Quais itens são mais importantes?”

Tipo 1: Classificação geral

Este tipo classifica todas as linhas em todo o conjunto de dados. O uso de uma função de janela permite atribuir uma classificação a cada linha sem filtrar o conjunto de resultados.

Exemplo de consulta SQL

SELECT
  category,
  ROUND(SUM(sales), 0) AS sales_total,
  DENSE_RANK() OVER (ORDER BY SUM(sales) DESC) AS category_rank
FROM orders
GROUP BY 1;

Tipo 2: Classificação dentro de uma categoria

Esse tipo classifica as linhas dentro de cada grupo separadamente. É comumente usado quando os entrevistadores desejam comparar o desempenho dentro de categorias, como subcategorias dentro de cada categoria de produto.

Essas perguntas são frequentemente formuladas como “Quais são as principais subcategorias dentro de cada categoria?”

Exemplo de consulta SQL

SELECT
  category,
  sub_category,
  ROUND(SUM(sales), 0) AS sales_total,
  DENSE_RANK() OVER (PARTITION BY category ORDER BY SUM(sales) DESC) 
    AS sub_category_rank
FROM orders
GROUP BY 1, 2;

Referência do guia de estudo

Ambos os padrões de classificação dependem das funções de janela abordadas na seção Classificação da Folha de Referência do Analista de Dados. Para um passo a passo prático com exemplos, consulte Como classificar linhas em SQL.

Métrica 5: Métricas cumulativas – totais acumulados ao longo do tempo

Definição

Um total acumulado é uma soma cumulativa em que cada linha inclui o valor atual mais todos os valores anteriores em uma ordem definida, geralmente baseada no tempo. Em vez de mostrar totais isolados, ele mostra como uma métrica se acumula ao longo do tempo.

Objetivo nas entrevistas

As perguntas sobre totais acumulados são usadas para testar se você entende as funções de janela e os cálculos ordenados. Os entrevistadores costumam fazer essas perguntas para ver se você consegue combinar a análise de tendências com a lógica cumulativa em uma única consulta.

Essas perguntas são comumente formuladas como “Mostre as vendas totais ao longo do tempo com um total acumulado” ou “Como a receita se acumula ano após ano?”

Reconhecimento de padrões

As perguntas de total acumulado geralmente:

• agrupam os dados por uma dimensão temporal (ano, mês, data)
• usam funções agregadas junto com funções de janela
• incluem uma ORDER BY cláusula dentro da função de janela

Elas respondem a perguntas comerciais como: “Quanto acumulamos até agora?”

Exemplo de consulta SQL

Este exemplo calcula os totais anuais de vendas e adiciona um total acumulado ordenado por ano:

SELECT
  EXTRACT(YEAR FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y'))) AS order_year,
  ROUND(SUM(sales), 0) AS yearly_sales_total,
  SUM(ROUND(SUM(sales), 0)) OVER (
    ORDER BY EXTRACT(YEAR FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y')))
  ) AS running_sales_total
FROM orders
GROUP BY 1
ORDER BY 1;

Essa consulta produz o total anual e o total acumulado no mesmo conjunto de resultados.

Referência do guia de estudo

Este padrão métrico é abordado na seção Total acumulado da Folha de referência do analista de dados. Para uma explicação prática com exemplos, consulte o artigo Total acumulado em SQL.

Métrica 6: Médias móveis – suavizando tendências ao longo do tempo

Definição

Uma média móvel é uma técnica usada para suavizar dados baseados no tempo, calculando a média do valor atual com um número fixo de valores anteriores. Em vez de mostrar flutuações de curto prazo, ela destaca a tendência subjacente.

Objetivo nas entrevistas

As perguntas sobre média móvel testam se você entende funções avançadas de janela e análise baseada no tempo. Os entrevistadores costumam usá-las para avaliar como você lida com dados ruidosos e detecta padrões como sazonalidade ou ciclos.

Essas perguntas são comumente formuladas como “Mostre uma média móvel das vendas” ou “Calcule uma média móvel de três meses”.

Reconhecimento de padrões

As perguntas sobre média móvel geralmente:

• são baseadas em dados ordenados por tempo
• usam funções de janela com um quadro definido
• incluem cláusulas como ROWS BETWEEN n PRECEDING AND CURRENT ROW

Elas respondem a perguntas comerciais como: “Qual é a tendência subjacente?”

Exemplo de consulta SQL

Este exemplo calcula as vendas mensais e aplica uma média móvel de três meses:

SELECT
  EXTRACT(YEAR FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y'))) AS order_year,
  EXTRACT(MONTH FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y'))) AS order_month,
  ROUND(SUM(Sales), 0) AS sales_total,
  ROUND(AVG(SUM(sales)) OVER (
      ORDER BY EXTRACT(MONTH FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y')))
      ROWS BETWEEN 2 PRECEDING AND CURRENT ROW),
    0) AS moving_average
FROM orders
GROUP BY 1, 2
ORDER BY 1, 2;

Essa consulta suaviza as mudanças de curto prazo calculando a média do mês atual com os dois meses anteriores.

Referência do guia de estudo

Esse padrão é abordado na seção Média móvel da Folha de dicas do analista de dados. Para obter uma explicação passo a passo com exemplos, consulte Média móvel em SQL.

Métrica 7: Variação percentual – Medindo crescimento e declínio

Definição

A variação percentual mede o quanto um valor aumentou ou diminuiu em relação a um valor anterior. Geralmente é calculada da seguinte forma:

(new value − old value) / old value × 100

Em vez de mostrar diferenças absolutas, essa métrica expressa a variação em termos relativos.

Objetivo nas entrevistas

As perguntas sobre variação percentual são comumente usadas para testar as habilidades de análise de desempenho. Os entrevistadores costumam usá-las para verificar se você entende como comparar métricas ao longo do tempo e como referenciar valores anteriores corretamente.

Essas perguntas costumam ser formuladas como “Qual é o crescimento ano a ano?”, “Como as vendas mudaram em relação ao ano passado?” ou “Calcule a taxa de crescimento”.

Reconhecimento de padrões

As perguntas sobre variação percentual geralmente:

• comparam um valor com uma linha anterior
• dependem de funções de janela, como LAG
• são ordenadas por uma dimensão temporal

Elas respondem a perguntas comerciais como: “Estamos crescendo ou diminuindo, e em quanto?”

Exemplo de consulta SQL

Este exemplo calcula as diferenças nas vendas ano a ano, comparando cada ano com o anterior:

SELECT
  EXTRACT(YEAR FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y'))) AS order_year,
  ROUND(SUM(sales), 0) AS sales_total,
  ROUND(
    LAG(SUM(sales)) OVER (
      ORDER BY EXTRACT(YEAR FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y')))),
    0) AS sales_prev_year,
  (ROUND(SUM(sales), 0)
   - ROUND(LAG(SUM(sales)) OVER (
       ORDER BY EXTRACT(YEAR FROM DATE(STR_TO_DATE(order_date, '%m/%d/%Y')))
     ), 0)
  ) AS sales_yoy_difference
FROM orders
GROUP BY 1
ORDER BY 1;

Esta consulta compara o total de vendas de cada ano com o ano anterior para mostrar como o desempenho muda ao longo do tempo.

Referência do guia de estudo

Esse padrão de métrica é abordado na seção Diferença entre duas linhas (Delta) da Folha de referência do analista de dados. Para exemplos práticos de métricas de crescimento e comparação, consulte Como calcular o crescimento da receita em SQL e Diferença ano a ano em SQL.

Conclusão

Neste artigo, detalhei sete padrões métricos que aparecem consistentemente em entrevistas de SQL e os agrupei em duas categorias: métricas padrão (KPIs, detalhamentos, índices e classificações) e métricas especializadas (totais acumulados, médias móveis e variação percentual). Esses padrões abrangem a maioria das perguntas baseadas em métricas que encontrei durante entrevistas reais com analistas de dados.

O objetivo não era apresentar soluções novas ou complexas, mas mostrar como as perguntas da entrevista podem ser simplificadas com foco em três elementos principais: a técnica de SQL que está sendo testada, o padrão de métrica subjacente e a seção relevante da Folha de Referência do Analista de Dados. Abordar os problemas dessa maneira torna as perguntas da entrevista de SQL mais fáceis de raciocinar, especialmente quando o tempo é limitado.

Se você deseja praticar esses padrões de forma estruturada em um formato de curso, o curso SQL para Análise de Dados é um bom próximo passo, pois abrange muitos dos mesmos cenários de relatórios e análises que aparecem em entrevistas para analistas de dados.

Na Parte 2, aplicarei esses padrões a perguntas reais de entrevistas de SQL retiradas de mais de 14 entrevistas diferentes que realizei ao longo do ano passado, mostrando como esses padrões aparecem na prática e como abordá-los passo a passo.