Vejo muitos analistas que, ao estudarem conjuntos de dados, concentram-se em aspectos fundamentais como sazonalidade, correlação e outras variáveis relevantes. No entanto, muitas vezes carecem de domínio em outros conceitos da estatística básica que poderiam enriquecer suas análises e revelar insights valiosos. Este artigo tem como objetivo justamente apoiar esses profissionais, ampliando seu repertório estatístico e fortalecendo a base para uma análise de dados mais completa e precisa.

A estatística sempre desempenhou um papel fundamental na história da humanidade. Desde a Roma Antiga, quando era utilizada para realizar censos populacionais e auxiliar na administração do império, até os dias atuais, em que sistemas de última geração e algoritmos de big data realizam cálculos complexos, geram previsões e apoiam decisões em tempo real.

No nosso cotidiano, a estatística básica está presente em praticamente tudo: nas notícias que consumimos, no ambiente de trabalho, nas pesquisas científicas e até em nossas decisões pessoais — muitas vezes sem que percebamos. Seja para analisar tendências de mercado, interpretar resultados de pesquisas ou tomar decisões baseadas em dados, o conhecimento estatístico é cada vez mais indispensável.

Alguns conceitos básicos da estatística precisam ser compreendidos para que, no dia a dia, o analista possa utilizá-los de forma que suas análises sejam mais eficientes e permitam tomar decisões baseadas em dados.

A Estatística Básica

Geralmente, nas fases de análise algumas dessas ferramentas da estatística podem ajudar a descobrir a centralidade ou mesmo a dispersão dos números, dando assim mais clareza para a característica do conjunto de dados.

Embora o objetivo deste artigo não seja aprofundar conceitos técnicos, ele traz uma abordagem prática e acessível de estatística básica, voltada para quem deseja tomar decisões mais precisas com dados. Ou seja, aqui vou apresentar o mínimo para que seja possível trabalhar com dados e tomar boas decisões.

Para compreendermos melhor a importância da análise de dados, precisamos primeiro distinguir dois campos fundamentais da estatística: a estatística descritiva e a estatística inferencial.

Estatística Descritiva

A estatística descritiva é responsável por organizar, resumir e apresentar os dados. Ela não busca prever o futuro nem generalizar conclusões. Seu objetivo é apenas descrever o que os dados mostram de forma objetiva. Por exemplo, ao verificar que em abril tivemos 18.000 sessões no site e que a média de tempo na página foi de 1min45s, estamos fazendo estatística descritiva. 

Esse tipo de análise serve como ponto de partida para uma abordagem diagnóstica mais aprofundada, na qual é possível identificar padrões, verificar correlações e explorar alternativas de ação com mais embasamento.

Estatística Inferencial

Já a estatística inferencial vai além: ela busca tirar conclusões sobre um grupo maior (a população), a partir de um grupo menor (a amostra). Ela se apoia fortemente em conceitos de probabilidade. Imagine, por exemplo, que queremos saber o comportamento de todos os usuários do nosso e-commerce, mas analisamos apenas os dados de um segmento (como usuários que acessaram via celular). Com base nessa amostra, inferimos padrões do todo — claro, com margem de erro envolvida.

Além de estimativas, a estatística inferencial permite realizar testes de hipótese, como verificar se uma mudança em um layout aumentou significativamente a taxa de conversão.

Análise Preditiva e Prescritiva

Por meio de alguns modelos estatísticos, é possível também realizar análises preditivas e prescritivas — dois tipos de análise avançada que vêm ganhando cada vez mais espaço nas estratégias orientadas por dados. A análise preditiva nos permite antecipar eventos futuros com base em padrões históricos, como prever o número de visitas a um site ou estimar o volume de vendas em uma determinada data comemorativa.

Já a análise prescritiva vai além da previsão: ela utiliza os resultados da análise preditiva para recomendar ações que ajudem a alcançar determinados objetivos. Ou seja, ela sugere o que fazer para maximizar resultados esperados ou minimizar riscos.

Por exemplo, imagine que, com base em uma análise preditiva, eu descubro que um e-commerce terá um crescimento estimado de apenas 5% nas vendas para o Dia das Mães no próximo ano.

Com esses dados em mãos, posso recorrer à análise prescritiva para simular cenários e definir estratégias de marketing mais eficazes — como ajuste de orçamento, segmentação de públicos ou testes A/B — com o objetivo de ampliar esse número. Assim, decido investir ao longo do ano em campanhas de fortalecimento de marca, ações promocionais e parcerias com influenciadores, com o objetivo de posicionar o site como uma referência na compra de presentes para o Dia das Mães. Dessa forma, utilizo os dados não apenas para prever o futuro, mas para moldá-lo de forma estratégica.

As Fases do Método Estatístico

Dentro do método estatístico, há algumas etapas fundamentais que antecedem a análise e interpretação final dos dados.

O método estatístico é composto por etapas fundamentais:

Definição do problema – Ex: “Por que a taxa de conversão caiu no último mês?” – incluído no meu framework, é dividido em duas etapas, nas quais, além da definição do problema, incluo a fase de perguntas e contextualização, visando um entendimento melhor do problema, uma vez que, só a análise posterior dos números, não comporta a decisão final.

Planejamento da coleta de dados – Podemos usar ferramentas como Google Analytics, Hotjar, enquetes, formulários, entrevistas, etc. – no FADWeb, faço isso através da fase de ferramentas e análise dos concorrentes

Coleta dos dados – Extração dos dados da ferramenta, criação de dashboards, integração de fontes.

Organização dos dados – Tabelas, gráficos de linhas, pizza, dispersão, dashboards com filtros. – no FADWeb, na fase de visualização de dados

Análise e interpretação – Avaliar padrões, fazer inferências e tomar decisões.

Como o leitor pode notar, eu considerei algumas dessas fases do método estatístico, dentro do FADWeb, adaptando para as necessidades do Web Analytics, mas é muito importante entender que, na fase de análise, existem algumas ferramentas oriundas da estatística que podem ajudar a entender os números e fazer a análise efetiva.

População, Amostra e Variáveis

População é o conjunto total de elementos que estamos estudando. No nosso caso, pode ser “todos os usuários que acessaram o site em 2024”. Já a amostra seria, por exemplo, “usuários que acessaram o site entre 1º e 7 de abril de 2024 via dispositivo mobile”. Para trabalhar com amostras, usamos técnicas de amostragem, fundamentais para estudos eficientes.

As variáveis são os atributos que queremos medir. Elas se dividem em:

Qualitativas: não têm valor numérico. Ex:

Nominal: é um tipo de variável qualitativa que representa categorias ou grupos sem nenhuma ordem natural entre eles. Ou seja, os valores são apenas rótulos ou nomes que identificam diferentes categorias, mas não existe hierarquia, classificação ou sequência lógica entre essas categorias. Ex: canais de aquisição como orgânico, pago, direto, social, referral, etc.

Ordinal: é um tipo de variável que representa categorias que possuem uma ordem natural, mas sem uma distância numérica claramente definida entre elas. Ou seja, sabemos quem vem antes e quem vem depois, porém não sabemos quanto exatamente separa cada categoria. Exemplos comuns são classificações como “ruim, médio, bom” (como na imagem a seguir), “baixa, média, alta” ou “insatisfeito, neutro, satisfeito”. Em marketing digital, esse tipo de dado aparece muito em pesquisas de satisfação, avaliações de experiência do usuário (usei muito em testes e entrevistas com usuários), classificações de qualidade de leads e até em escalas de interesse.

Quantitativas: têm valor numérico. Ex:

Discretas: representam valores contáveis, aqueles que acontecem de forma separada, sem frações no meio: 1 clique, 2 compras, 3 leads, 7 sessões. No marketing digital, esse tipo de dado aparece o tempo todo e ajuda a medir ações objetivas do usuário. Ex: número de conversões em um dia (não é possível ter ‘‘meia conversão’’).

Contínuas: é um tipo de variável que pode assumir qualquer valor dentro de um intervalo, incluindo frações e valores decimais — exatamente como o famoso 3,14 do número π, que nunca termina e nunca se repete da mesma forma. Diferente das variáveis discretas, que trabalham com contagens inteiras, as contínuas representam medidas: tempo de sessão, duração de um vídeo, altura do scroll, temperatura, velocidade, peso, entre muitas outras. Por permitirem infinitas possibilidades entre dois pontos, elas são fundamentais para análises que envolvem comportamento ao longo do tempo, distribuição de valores, tendências e padrões mais sutis. Em marketing digital, entender variáveis contínuas ajuda a interpretar métricas de profundidade e fluidez, capturando nuances que números inteiros não conseguem revelar.

Medidas de posição

Em estatística, as medidas de posição ajudam a entender como os dados estão distribuídos dentro de um conjunto, isso é muito útil, principamente ao se trabalhar com análise de tráfego de sites, comportamento do consumidor, entre outros. Entre elas, destacam-se a moda, os quartis e os percentis, que permitem identificar padrões, faixas e tendências em séries de dados, como o número de acessos diários a um site.

Moda

O que é moda para você? Sabe quando você diz que algo está na moda? Provavelmente porque você percebe que algo aparece com frequência no seu cotidiano — uma marca, um modelo de tênis, um estilo de roupa, entre outros produtos e tendências. É exatamente assim que funciona a moda na estatística: ela representa aquilo que aparece com maior frequência em um conjunto de dados.

É o valor que mais se repete. Ela indica o comportamento mais frequente e pode ser útil para compreender o padrão de visitas de um site, quantidade de compra, etc.

Por exemplo, suponha que, ao longo de 10 dias, um site tenha registrado o seguinte número de acessos diários:

320, 350, 350, 340, 370, 350, 360, 380, 350, 400

Nesse caso, a moda é 350 acessos, pois esse valor ocorre com maior frequência.
Assim, pode-se dizer que o número de acessos mais comum é 350 por dia, um indicador relevante para estimar o fluxo típico de visitantes.

Quartis

Os quartis dividem os dados em quatro partes iguais, permitindo observar a dispersão e a concentração dos valores.
Para encontrar os quartis, é necessário ordenar os dados e identificar as posições correspondentes:

• 1º Quartil (Q1): 25% dos dias têm valores abaixo desse ponto.
• 2º Quartil (Q2): corresponde à mediana, ou seja, 50% dos dias estão abaixo e 50% acima.
• 3º Quartil (Q3): 75% dos dias têm valores abaixo desse ponto.

Continuando com o exemplo anterior, após ordenar os acessos:

320, 340, 350, 350, 350, 350, 360, 370, 380, 400

Temos:

• Q1 ≈ 350
• Q2 (mediana) ≈ 350
• Q3 ≈ 370

Isso mostra que a maior parte dos dias (50%) teve entre 350 e 370 acessos, e que o volume de visitas é relativamente estável, com poucos valores muito baixos ou muito altos.

Percentis

Os percentis refinam essa análise, dividindo o conjunto de dados em cem partes iguais. O percentil 25 (P25) equivale a Q1, o percentil 50 (P50) equivale à mediana e o percentil 75 (P75) equivale a Q3.

Em estudos de tráfego de sites, um percentil frequentemente utilizado é o P90 (percentil 90), que mostra o valor abaixo do qual estão 90% dos dias.
Se o P90 = 380, isso indica que em 90% dos dias o site teve até 380 acessos, e apenas 10% dos dias superaram esse número — possivelmente em datas de campanhas ou lançamentos.

Medidas de Tendência Central

São usadas para encontrar um valor “central” dentro de um conjunto de dados. As três principais são:

• Média (ou média aritmética): Soma dos valores dividida pelo total. Ex: Se tivemos 1.000, 2.000 e 3.000 sessões em três meses, a média de sessões mensais é (1.000+2.000+3.000)/3 = 2.000. Muito usada em relatórios e benchmarks.
• Média amostral: Quando analisamos apenas parte dos dados — por exemplo, a média de sessões por canal orgânico em uma amostra de 10 dias.
• Mediana: Valor central de um conjunto ordenado. Ex: se os valores de sessões diárias forem [100, 300, 400, 600, 1000], a mediana é 400. Em web analytics, pode ser usada para entender o tempo de permanência típico, quando há muitos extremos que distorcem a média.

Quando os dados têm muitos valores extremos, a mediana pode ser uma representação mais fiel do que a média. Isso é comum com tempo de permanência em páginas.

Veja abaixo um conjunto de dados que ilustra o número de usuários mensais em um site ao longo de 2022.

mês	usuários
Jan-22	111.771
Feb-22	110.018
Mar-22	131.699
Apr-22	124.569
May-22	137.192
jun-22	133.613
jul-22	119.748
Aug-22	122.302
Sep-22	118.592
Oct-22	121.628
Nov-22	207.567
Dec-22	189.765

• Média: 135.705
• Mediana: 123.436
• Desvio padrão: 29.427
• Amplitude (diferença entre maior e menor valor): 97.549

Interpretação: a média está significativamente acima da mediana, indicando que há valores extremos (outliers) puxando a média para cima — especialmente os dois maiores valores do conjunto: 207.567 e 189.765.

Esse é um caso clássico em que a mediana representa melhor o valor típico do conjunto do que a média. Se você estivesse analisando, por exemplo, a receita diária de um e-commerce e precisasse comunicar um valor representativo da “normalidade”, a mediana seria mais fiel à realidade da maioria dos dias.

Mas um ponto importante aqui é que, independentemente de média ou mediana, é possível notar o quanto a amplitude dos valores contribui para uma grande variabilidade.  

Medidas de Variabilidade

Mostram o quanto os dados se afastam do centro.

Amplitude:

Diferença entre o maior e o menor valor. Ex: se o pico de acessos foi 12.000 sessões e o menor foi 4.000, a amplitude é 8.000. Isso mostra a volatilidade do tráfego.

Nesse caso, a amplitude representa a volatilidade do tráfego de sessões em determinado período — por exemplo, ao longo de 10 dias.

O cálculo foi feito com base na diferença entre o maior valor de sessões (12.000) e o menor valor (4.000), resultando em uma amplitude de 8.000 sessões. Isso significa que houve uma variação significativa no volume de acessos durante esse intervalo de tempo.

O que isso nos mostra?

• A amplitude não mostra onde estão concentrados os acessos, apenas o intervalo entre os extremos.
• Quanto maior a amplitude, maior a dispersão dos dados — ou seja, o tráfego está instável ou tem dias com picos muito diferentes dos demais.
• É útil para uma análise inicial, mas não mostra variações internas ou se os valores estão concentrados próximos da média ou distribuídos de forma desigual (para isso usamos variância e desvio padrão).

Séries temporais em web analytics com grande amplitude devem ser analisadas com atenção, levando em conta possíveis problemas, sazonalidades e outros fatores contextuais. No mês do Black Friday, por exemplo, talvez seja algo normal uma amplitude maior, visto a característica desse mês, relacionado ao evento do comércio.

Exemplo prático de uso:

Imagine que estamos avaliando o desempenho de uma campanha no site. Se a amplitude das sessões está muito alta, pode indicar:

• Problemas de estabilidade no tráfego (como falhas técnicas em dias específicos),
• Variação em ações promocionais (como envio de e-mails em apenas alguns dias),
• Ou até interferência de sazonalidade ou comportamento externo (feriados, clima, eventos, etc.).

Portanto, a amplitude é uma boa porta de entrada para identificar irregularidades e decidir se vale a pena investigar mais a fundo com métricas complementares.

Fórmula no Planilhas Google

=MAX(B2:B13)-MIN(B2:B13)

Variância

A variância mede o grau de dispersão dos dados em relação à média. Ela mostra o quanto os valores se afastam da média, sendo muito usada para avaliar a consistência de um indicador.

Se os valores estiverem todos próximos da média, a variância será baixa (ou seja, os dados são estáveis). Se os valores estiverem muito espalhados, a variância será alta (indicando instabilidade). Imagine que estamos analisando a taxa de conversão diária de um e-commerce durante uma semana:

• Seg: 2,0%
• Ter: 2,1%
• Qua: 1,9%
• Qui: 2,0%
• Sex: 2,0%
• Sáb: 2,2%
• Dom: 1,8%

Cálculo:

1. Média da semana = (2,0 + 2,1 + 1,9 + 2,0 + 2,0 + 2,2 + 1,8) / 7 = 2,0%
   
2. Subtraímos cada valor da média, elevamos ao quadrado e somamos:

• (2,0 – 2,0)² = 0
• (2,1 – 2,0)² = 0,01
• (1,9 – 2,0)² = 0,01
• (2,0 – 2,0)² = 0
• (2,0 – 2,0)² = 0
• (2,2 – 2,0)² = 0,04
• (1,8 – 2,0)² = 0,04

Soma = 0 + 0,01 + 0,01 + 0 + 0 + 0,04 + 0,04 = 0,10

Variância = 0,10 / 7 ≈ 0,014

Interpretação

A variância de 0,014 (em pontos percentuais ao quadrado) indica baixa dispersão da taxa de conversão — ou seja, o desempenho está consistente ao longo da semana. Se em outra semana essa variância subir para 0,1 ou mais, pode significar que algo está provocando flutuações relevantes (mudança de tráfego, promoções, problemas técnicos etc)

Por que isso importa em Web Analytics?

• Se o CPC (custo por clique) de uma campanha tem alta variância, pode indicar leilões instáveis.
• Se a taxa de rejeição de páginas tem variância alta, pode apontar problemas de usabilidade em determinados dias ou fontes de tráfego.
• Se o tempo médio no site varia muito, pode indicar que os usuários não estão tendo uma experiência consistente — talvez problemas de performance ou conteúdo desalinhado com a intenção de busca.

Fórmula no Planilhas Google

=VAR.P(B2:B13)

Desvio Padrão

Vamos continuar do mesmo conjunto anterior. Cálculo do Desvio Padrão:

Interpretação: O desvio padrão de 0,118 pontos percentuais indica que as taxas de conversão variam, em média, aproximadamente 0,12 ponto percentual em torno da média de 2%

Ou seja:

• Em dias normais, a taxa tende a ficar entre 1,88% e 2,12%, aproximadamente.
• A variação é pequena, o que indica um desempenho estável e previsível — excelente para decisões baseadas em consistência de performance.

Aplicações em Web Analytics

• Se esse valor subisse para 0,5% ou mais, por exemplo, poderia indicar instabilidade — talvez por testes A/B, fontes de tráfego diferentes ou problemas de usabilidade em determinados dias.
• O desvio padrão é especialmente útil quando você compara duas campanhas:
  • Uma com média de conversão de 2% e desvio padrão de 0,1%
  • Outra com a mesma média de 2% mas desvio padrão de 0,6%
• A primeira campanha é mais estável e confiável, mesmo com a mesma média.

Fórmula no Planilhas Google

=STDEV.P(B2:B13)

Livro Estatística Básica do Morettin e Bussab

Eu sempre gosto de indicar livros, e este foi um dos mais importantes da minha carreira — algo que eu nunca imaginaria. Foi o primeiro livro que comprei na época da faculdade. Lembro exatamente do momento em que o professor o indicou, e aquilo me surpreendeu muito, pois eu não esperava estudar estatística em um curso de Sistemas de Informação. Claro, era fruto de uma certa imaturidade da época, mas as lições do professor Ferrari, aliadas ao conteúdo desse livro, fizeram toda a diferença para mim. Foi um marco que vem me acompanhando ao longo de toda a minha trajetória profissional.

Ainda guardo a minha edição antiga com muito carinho, mas estou seriamente pensando em adquirir a nova versão também!

Considerações finais

Neste artigo, exploramos os principais fundamentos da estatística básica, demonstrando como ela pode — e deve — ser uma aliada estratégica para profissionais de marketing digital e web analytics. 

Em um cenário orientado por dados, compreender conceitos estatísticos não é mais um diferencial, mas uma necessidade. A seguir, lembro os principais aprendizados para que você possa aplicar com mais segurança e consistência no seu dia a dia:

• Estatística Descritiva: usada para organizar, resumir e apresentar os dados. Ajuda a entender “o que está acontecendo” a partir de métricas como médias, totais e gráficos.
• Estatística Inferencial: permite tirar conclusões sobre um todo com base em uma amostra. É essencial quando não é possível analisar a totalidade da população.
• Análise Preditiva: utiliza dados históricos para prever comportamentos futuros — como estimar vendas, acessos ou conversões em datas específicas.
• Análise Prescritiva: além de prever, sugere ações a serem tomadas com base nas previsões. É o passo seguinte para decisões orientadas por dados.
• Método Estatístico: envolve cinco etapas principais: definição do problema, planejamento da coleta, coleta dos dados, organização e análise/interpretação. Essas etapas ajudam a estruturar qualquer estudo ou projeto analítico com mais clareza e rigor.
• População, Amostra e Variáveis: entender a diferença entre esses conceitos é essencial para análises confiáveis. Saber classificar variáveis (qualitativas ou quantitativas) orienta a escolha das técnicas corretas.
• Medidas de Tendência Central: média, mediana e moda nos ajudam a identificar valores típicos em um conjunto de dados. Cada uma tem seu uso ideal, dependendo da presença de outliers ou da forma de distribuição dos dados.
• Medidas de Variabilidade: amplitude, variância e desvio padrão indicam o quanto os dados se espalham em torno da média. São fundamentais para avaliar a estabilidade ou instabilidade de campanhas, métricas e comportamentos.

Esses conceitos, quando bem compreendidos, permitem análises mais profundas, diagnósticos mais assertivos e decisões mais fundamentadas. Mais do que calcular indicadores, o papel do analista é saber interpretá-los — e isso só é possível com uma base sólida em estatística.

Por isso, reforço: se você trabalha com dados no marketing digital, invista tempo em entender esses fundamentos. Eles vão te ajudar a sair do achismo e entrar no campo das decisões baseadas em evidência — onde as melhores estratégias realmente nascem.