Cruzamos menções em vagas reais (Gupy + carreiras diretas via Greenhouse), repositórios novos no GitHub e downloads no PyPI para descobrir o que o mercado brasileiro de dados está de fato adotando — e o que ainda é aposta. Score único, sem achismo.
Cada ponto é uma ferramenta. Posição = sinais brutos de mercado e comunidade. Cor = score ponderado. Tamanho = adoção no PyPI.
posição = sinais brutos (job_score × github_score) · cor = score ponderado (job 50% + github 25% + pypi 25%) · tamanho = pypi_score — o quadrante é um score composto, não um corte geométrico 50/50 dos eixos
As 16 ferramentas ordenadas por score total — da adoção plena ao momento de esperar e observar.
carregando ranking…
Os 3 sinais brutos por ferramenta — vagas, repositórios novos e downloads — antes de virarem um score único.
carregando breakdown…
0 vagas coletadas via 6 fontes — remoto, senioridade, vínculo, cidade e skills.
amostra de vagas coletadas via Gupy (scraping) + carreiras diretas (Greenhouse, Lever, Ashby, InHire) + comunidade dev BR (API BR) · não é um censo do mercado brasileiro de dados, é um recorte agregado de várias fontes —carregando fontes…
Medallion architecture sobre 3 fontes independentes — vagas, GitHub e PyPI — reconciliadas num score comparável.
Scraping de vagas na Gupy (API do portal de empregos) e coleta via Greenhouse Jobs API (11 empresas curadas manualmente), busca de repositórios via GitHub Search API e estatísticas de download via PyPI Stats — cada fonte preservada em Parquet, particionada por data de coleta.
Regex sobre a descrição das vagas extrai menções de skills. PERCENT_RANK() do DuckDB normaliza as 3 métricas brutas (vagas, repositórios, downloads) numa escala 0–100 comparável entre si.
job_score×50% + github_score×25% + pypi_score×25% = score total. Quadrante (Adopt/Trial/Assess/Hold) e ranking exportados como JSON, consumidos direto pelo site em runtime.
Vagas: semanal, toda segunda-feira às 02h UTC (radar-jobs-pipeline.yml). GitHub + PyPI: mensal, dia 1 às 03h UTC (radar-signals-pipeline.yml). Cada pipeline recalcula o gold e dispara o deploy do site automaticamente — zero infraestrutura, serverless completo.
Recorte editorial sobre o que está sendo publicado agora: as vagas mais recentes, quem mais contrata, o que estudar junto — e o que o mercado ainda não conta.
| Vaga | Empresa | Local | Skills | Publicada | Link da vaga |
|---|---|---|---|---|---|
| carregando vagas… | |||||
Várias das empresas no topo (Leega, Minsait, Stefanini, v(dev), Extractta, SysMap, Compass UOL) são consultorias/bodyshops de TI que recrutam para clientes muitas vezes não identificados na vaga — comum no mercado brasileiro. Não significa que têm times de dados próprios do tamanho que o ranking sugere.
Isto não é o radar de score — é o que aparece junto na mesma vaga, um mapa do que estudar em conjunto.
carregando…
carregando…
De onde vem cada vaga — e o quanto cada fonte pesa na amostra. Nenhuma fonte cobre o mercado inteiro; a honestidade sobre o viés faz parte da leitura.
o percentual é da nossa amostra agregada, não do universo de vagas do Brasil.
Quem está ganhando e quem está perdendo espaço nas vagas — variação da fatia de cada ferramenta entre as janelas de coleta. Share (não contagem) para não confundir mais vagas com mais demanda relativa.
carregando janela…
carregando…
O radar mede a máquina de vagas que conseguimos coletar. Estes números — de fontes independentes — dão a escala do mercado de tecnologia no Brasil em que essa medição acontece.
carregando contexto…
carregando…
carregando…
contexto curado à mão de fontes oficiais — cada bloco traz a fonte.
Transparência total sobre o que esse radar mede — e o que ele não mede.
O github_score é um proxy GLOBAL de tração open source — a API de busca do GitHub não permite filtrar repositórios por país de origem. Não é um recorte brasileiro, é um sinal de comunidade internacional aplicado a todas as ferramentas por igual.
job_score ainda é uma amostra, não um censoO job_mentions soma seis fontes — scraping do portal Gupy, carreiras diretas via Greenhouse/Lever/Ashby/InHire (empresas curadas manualmente) e vagas da comunidade dev BR (API BR / GitHub issues). É uma amostra bem maior que antes, mas ainda uma amostra: não cobre LinkedIn, Catho, InfoJobs, Vagas.com nem empresas que usam esses ATS mas ficaram fora das listas curadas. A curadoria manual de empresas é, ela mesma, uma limitação — quem não está na lista não aparece no radar. A seçãoCobertura de fontesdeixa explícito o peso de cada fonte na amostra.
O quadrante (Adopt/Trial/Assess/Hold) vem dototal_score ponderado (job 50% + github 25% + pypi 25%), não da posição x/y no gráfico. Uma ferramenta pode aparecer visualmente perto do canto "Adopt" do scatter e ainda ser classificada Trial — a cor reflete o score composto, não o corte 50/50 dos eixos.
fontes: Gupy (scraping) · Greenhouse · Lever · Ashby · InHire · API BR (GitHub issues) · GitHub Search API · PyPI Stats API · contexto de mercado curado (Brasscom) · coleta diária via GitHub Actions
Mesma tese: dados abertos, pipeline real, zero custo de infra. Escolha o próximo.
Painel executivo de KPIs macro do Brasil — status semafórico vs metas, delta e tendência, atualizado automaticamente.
Abrir projetoPipeline sobre o dataset oficial do TSE (Pesquisas Eleitorais 2026): quem mede o eleitorado, onde, com que rigor amostral e a que custo. Dado de registro, apartidário por construção.
Abrir projetoTelemetria ao vivo da Copa 2026 em dados: partidas, artilharia, estatísticas deep, probabilidades (Elo Rating local) e um duelo interativo de craques. Tudo custo zero — Openfootball + RSS, sem APIs pagas nem backend.
Abrir projeto