Por onde começar no seu TCC

Começar o TCC costuma ser mais difícil do que parece, não por falta de capacidade, mas porque muita gente tenta começar pelo assunto, pela técnica ou por uma ideia “legal”, e só depois percebe que faltou o principal: um problema claro, um recorte viável e um resultado que dá para medir e defender. Neste post, eu vou te mostrar um caminho simples para sair do tema solto e chegar em um projeto bem fechado, usando um checklist prático (PICOC), além de indicar o que vale evitar para não travar no meio do caminho e onde encontrar bases de dados públicas para dar tração no seu trabalho.

Por que muitos TCCs começam errado?

Os erros mais comuns aparecem quando o projeto:

começa pelo assunto e não pelo problema,
fica com recorte amplo demais,
escolhe método antes de ter dados,
não define o que vai medir e entregar nos resultados,
foca mais na técnica do que no resultado,
escolhe tema por modinha, e não pela viabilidade,
não tem afinidade com o método ou com o tipo de dado que vai usar.

Se você se identificou com um ou mais pontos, respira. Dá para corrigir rápido com um bom enquadramento.

O método PICOC para fechar o tema

PICOC é um checklist prático para transformar “assunto” em “tema defensável”. A regra é simples: se faltar uma resposta, o tema ainda está solto.

P (Population): quem é o público ou unidade de análise?
I (Intervention): qual fator, condição ou variável principal você quer avaliar?
C (Comparison): com quem ou contra o quê você vai comparar?
O (Outcome): qual resultado você vai medir, explicar, prever ou segmentar?
C (Context): em qual contexto, local, recorte e período isso vale

P: População (quem você está estudando)

Defina com clareza:

o que é sua unidade de análise (pessoa, empresa, anúncio, pedido, mês, loja)
critérios de inclusão e exclusão (perfil, senioridade, setor, região, porte)

Exemplos de população:

profissionais de dados no Brasil (pesquisa State of Data)
anúncios de vinil em uma plataforma
anúncios de veículos à venda no estado de SP
tickets de suporte de uma empresa
vendas mensais de um portfólio de produtos

I: Intervenção (o fator principal)

Aqui entra o “porquê” por trás do resultado. Para não virar lista infinita:

escolha 2 a 5 fatores principais
teste a regra: “isso vira variável?”

Se não vira variável, ainda é assunto, não tema.

Exemplos de fatores:

modelo de trabalho e flexibilidade (remoto/híbrido/presencial)
condição do item e reputação do vendedor
intensidade de relacionamento (recência, frequência, ticket médio)
tipo de demanda e nível de serviço (categoria, tempo de resposta)
promoções e sazonalidade (campanhas, preço médio, calendário)

C: Comparação (grupo A vs grupo B)

Comparação define como você vai mostrar diferença com tabelas, gráficos e testes:

categorias (A vs B)
faixas (quartis, ranges)
antes vs depois
segmentos e clusters

Exemplos:

remoto vs presencial
novo vs usado
vendedores top vs demais
antes vs depois de uma mudança de processo
meses com promoção vs sem promoção

O: Outcome (resultado mensurável)

Sem resultado claro, não existe TCC. O outcome precisa ser operacionalizado, por exemplo:

métrica numérica (preço, tempo, volume, erro)
rótulo/categoria (churn sim/não, intenção sim/não)
escala (nota, satisfação, rating)

Exemplos:

intenção de turnover e fatores associados
preço final e variação por grupo
probabilidade de recompra ou LTV estimado
resolução no primeiro contato e tempo para resolver
erro de previsão em forecast (MAE/MAPE)

C: Contexto (onde e quando)

Contexto delimita escopo e limitações:

fonte do dado
janela temporal
recorte geográfico ou operacional

Exemplos:

pesquisa online no Brasil, profissionais de dados
plataforma X, últimos 6 meses, moeda/país definidos
histórico mensal 24 a 36 meses com calendário promocional

Evite esses temas (para não sofrer depois)

Se você quer terminar o TCC sem virar refém do “vou conseguir depois”, evite:

temas sem dados disponíveis (acesso incerto)
temas com dados sensíveis e risco de LGPD (saúde, RH, dados identificáveis, localização precisa, conversas privadas sem base legal e anonimização)
temas filosóficos demais (sem variável-alvo, sem métrica, sem evidência)
setor financeiro sem acesso e autorização (sigilo alto)
coleta pesada demais (scraping gigante, rotulagem manual enorme, entrevistas demais)
dados que somem ou mudam rápido (APIs instáveis, sites que bloqueiam)
base pequena demais para provar o que você quer
muitas frentes ao mesmo tempo (cluster + previsão + NLP + dashboard tudo junto)
tema “da moda” só por hype (LLM, deep learning, visão computacional)

O que tende a dar certo

Se você quer um caminho seguro:

dados acessíveis desde o 1º dia (públicos, internos anonimizados ou acesso garantido)
problema específico e mensurável
escopo bem recortado (1 setor, 1 plataforma, 1 período)
comparação viável
resultados apresentáveis por tabelas e gráficos
reprodutibilidade (pipeline documentado)
relevância prática (gera valor, mesmo simples)
baixo risco de LGPD (agregado ou anônimo)
1 objetivo principal bem feito