Língua Portuguesa: Compreensão e interpretação de texto. Tipologia e gêneros textuais.  Figuras de linguagem. Emprego dos pronomes demonstrativos.  Relações semânticas estabelecidas entre orações, períodos ou parágrafos (oposição/contraste, conclusão, concessão, causalidade, adição, alternância etc.).  Significação de palavras e expressões.  Relações de sinonímia e de antonímia. Sintaxe da oração (período simples; termos fundamentais e acessórios da oração; tipos de predicado) e do período (período composto por coordenação e por subordinação).  Morfologia: classes de palavras variáveis e invariáveis e seus empregos no texto. Funções do "que" e do "se".  Uso da crase. Acentuação gráfica. Formação de palavras. Emprego dos sinais de pontuação e suas funções no texto.  Ortografia.  Concordância verbal e nominal. Regência verbal e nominal.  Emprego de tempos e modos verbais. Locuções verbais (perífrases verbais). Sintaxe de colocação pronominal. Elementos de coesão. Função textual dos vocábulos. Variação linguística

Raciocínio Lógico: Resolução de problemas envolvendo frações. Teoria dos Conjuntos (conjuntos, subconjuntos, pertinência, inclusão, união, intersecção, diferença e conjunto complementar).  Conjuntos numéricos.  Porcentagens.  Sequências (com números, com figuras, de palavras). Equações de 1º grau. Equações de 2º grau.  Funções de 1º grau. Funções de 2º grau. Equações exponenciais. Equações logarítmicas. Equações trigonométricas. Funções exponenciais. Funções logarítmicas. Funções trigonométricas.  Razão. Proporção. Regra de três simples. Regra de três composta. Análise combinatória: permutação, arranjo, combinação. Probabilidade. Progressão aritmética. Progressão geométrica. Matrizes. Determinantes. Sistemas de equações lineares. Trigonometria no triângulo retângulo. Geometria plana. Geometria espacial. Juros simples. Juros compostos. Noções de estatística (média, moda, mediana, leitura e interpretação de gráficos e tabelas). Proposições. Conectivos. Equivalência. Implicação lógica. Argumentos válidos. Quantificadores.

Conhecimentos Gerais e Atualidades: História e Geografia do Brasil e do Estado de Santa Catarina. Atualidades do Estado de Santa Catarina, do Brasil e do mundo referentes à: urbanização, política, economia, segurança, sociedade, educação, saúde, tecnologia, meio ambiente, aquecimento global, relações internacionais, desenvolvimento sustentável, ecologia, globalização e cultura. Ética e cidadania. Aspectos relevantes das relações entre Estados e Povos.

Legislação: Lei nº 9.984/2000, e suas alterações. Lei Federal no 12.288/2010.  Legislação estadual e normas institucionais:  Constituição do Estado de Santa Catarina quanto ao meio ambiente e ao saneamento. Regimento Interno da Companhia Catarinense de Águas e Saneamento (Resolução nº 002/2022). Decreto Federal nº 7.217/2010. Decreto Estadual nº 2.760/2009. Decreto Estadual nº 3.253/2010. Códigos e Políticas da CASAN - Disponível em https://ri.casan.com.br/governanca-corporativa/codigos-e-politicas-da-companhia/.

Conhecimentos Específicos: Fundamentos de Dados e Ciência de Dados: ciclo de vida do dado: geração, coleta, ingestão, armazenamento, processamento, análise, consumo e descarte; diferenças e interseções entre dado, informação e conhecimento; tipos de dados: estruturados, semiestruturados e não estruturados; panorama do ecossistema de dados: fontes, sistemas transacionais (OLTP) e analíticos (OLAP); cultura orientada a dados (data-driven) e maturidade analítica organizacional. Banco de Dados e SQL: linguagem SQL: SELECT, filtros, ordenação, JOINs (inner, left, right, full, self, cross); subqueries, CTEs (inclusive recursivas), funções de agregação, GROUP BY, HAVING; funções de janela (window functions): ROW_NUMBER, RANK, LAG/LEAD, agregações particionadas; views, materialized views, stored procedures, functions e triggers; índices, planos de execução (EXPLAIN/EXPLAIN ANALYZE) e otimização de consultas; transações, propriedades ACID, controle de concorrência e níveis de isolamento; normalização (1FN a 3FN/BCNF) e desnormalização proposital para analytics; integridade referencial, constraints, chaves primárias e estrangeiras; particionamento de tabelas e estratégias de escalabilidade; segurança e controle de acesso (GRANT/REVOKE, papéis, mascaramento de dados); fundamentos de bancos NoSQL: modelos chave-valor, documentos, colunar e grafos. Modelagem de Dados: modelagem conceitual, lógica e física; diagramas entidade-relacionamento (DER); modelagem dimensional: fatos e dimensões, granularidade, surrogate keys; Star Schema e Snowflake Schema; quando aplicar cada padrão; dimensões degeneradas e dimensões conformadas; Slowly Changing Dimensions (SCD tipos 0 a 6, com ênfase nos tipos 1, 2 e 3); tabelas fato: aditivas, semiaditivas e não aditivas; fatos de snapshot e de acúmulo; modelagem para Data Vault (nível introdutório, como alternativa a Kimball/Inmon). Data Warehouse, Data Lake e Lakehouse: conceito e finalidade de Data Warehouse, Data Mart, Data Lake e Lakehouse; arquitetura Medallion: camadas Bronze, Silver e Gold; formatos de tabela transacionais em Lakehouse (Delta Lake, Apache Iceberg, Apache Hudi) — nível conceitual; vantagens e limitações de cada arquitetura frente a custo, governança e desempenho; ambientes on-premise, em nuvem e híbridos para plataformas de dados. ETL/ELT e Engenharia de Dados: diferença entre ETL e ELT; critérios de escolha; ingestão de dados em lote (batch) e em fluxo contínuo (streaming); Change Data Capture (CDC); orquestração de pipelines: DAGs, dependências, agendamento, reprocessamento; processamento incremental, particionamento e paralelismo; idempotência, tratamento de erros e reprocessamento seguro; observabilidade e qualidade de dados em pipelines (testes de dados, alertas); versionamento de pipelines e integração com CI/CD; data lineage e rastreabilidade de transformações; padrões de arquitetura de pipelines (camadas, contratos de dados). Programação para Dados (Python, SQL e Bash): Python: estruturas de dados, funções, orientação a objetos básica, tratamento de exceções; bibliotecas de manipulação de dados: pandas e numpy (leitura, transformação, agregação, junção de dados); boas práticas de código: modularização, ambientes virtuais, versionamento (Git); consumo de APIs (requisições HTTP, autenticação básica, paginação); scripts Bash para automação de rotinas e integração com pipelines; testes automatizados básicos aplicados a scripts de dados. Estatística e Probabilidade: estatística descritiva: média, mediana, moda, variância, desvio padrão, percentis e quartis; distribuições de probabilidade: normal, binomial, Poisson; interpretação e aplicação; amostragem: técnicas de amostragem, tamanho de amostra, viés amostral; intervalos de confiança e sua interpretação prática; testes de hipóteses, p-valor e erros tipo I e tipo II; correlação e covariância; distinção entre correlação e causalidade; regressão linear e regressão logística: interpretação de coeficientes e pressupostos; ANOVA e testes não paramétricos (nível introdutório: quando usar, não a demonstração matemática); análise de séries temporais: tendência, sazonalidade, estacionariedade (conceitual); fundamentos de experimentação e testes A/B. Análise Exploratória e Visualização de Dados: etapas da análise exploratória (EDA): identificação de valores ausentes, outliers, distribuições e relações entre variáveis; tratamento de dados ausentes e inconsistentes; detecção e tratamento de outliers; princípios de visualização de dados e storytelling com dados; escolha do gráfico adequado a cada tipo de dado e mensagem; boas práticas de dashboards (clareza, hierarquia visual, acessibilidade). Business Intelligence e Analytics: conceitos de KPI e construção de indicadores de negócio; ferramentas self-service de BI: construção de painéis, filtros, drill-down; modelagem de dados voltada a ferramentas de BI (relacionamentos, medidas calculadas); publicação, agendamento e distribuição de relatórios; governança de conteúdo analítico (versionamento de dashboards, controle de acesso). Machine Learning: aprendizado supervisionado: classificação e regressão; aprendizado não supervisionado: clustering (k-means, hierárquico) e redução de dimensionalidade (PCA); preparação de dados para modelagem: engenharia e seleção de atributos, normalização/padronização, codificação de variáveis categóricas; divisão treino/validação/teste; validação cruzada; overfitting, underfitting e técnicas de regularização; árvores de decisão, Random Forest e métodos de ensemble (bagging e boosting, incluindo Gradient Boosting/XGBoost em nível conceitual e prático básico); ajuste de hiperparâmetros (grid search, random search — nível conceitual); métricas de avaliação: acurácia, precisão, revocação, F1-score, AUC-ROC, RMSE/MAE conforme o problema; interpretabilidade e explicabilidade de modelos (ex.: importância de variáveis, noções de SHAP); viés, equidade (fairness) e limitações éticas de modelos preditivos; monitoramento de modelos em produção e conceito de drift. Inteligência Artificial e IA Generativa: fundamentos de redes neurais artificiais: perceptron, redes multicamadas, funções de ativação (nível conceitual e aplicado); noções de Processamento de Linguagem Natural (NLP): tokenização, embeddings, modelos de linguagem; modelos de linguagem de grande porte (LLMs): capacidades, limitações e casos de uso corporativos; Retrieval-Augmented Generation (RAG): conceito, arquitetura básica e finalidade; agentes de IA: conceito e aplicações em automação de tarefas; engenharia de prompts: princípios básicos de elaboração de instruções eficazes; avaliação de modelos de IA generativa: qualidade, alucinação, viés; uso responsável e ético de IA no setor público: transparência, explicabilidade e supervisão humana. MLOps e Operacionalização de Modelos: ciclo de vida de modelos: desenvolvimento, versionamento, empacotamento, implantação (deploy) e monitoramento; versionamento de dados e de modelos (conceito, sem exigir ferramenta específica); reetreinamento e atualização de modelos; monitoramento de performance e detecção de degradação (drift) em produção; empacotamento de modelos como serviço (API de inferência) — nível conceitual. Big Data e Processamento Distribuído: conceito dos '5 Vs' do Big Data (volume, velocidade, variedade, veracidade, valor); processamento distribuído: conceito de particionamento e paralelismo em cluster; diferença entre processamento em lote e em fluxo (streaming) em escala; noções de mensageria e filas para integração de sistemas em grande escala. Governança e Qualidade de Dados: conceitos de Data Governance, Data Stewardship e Data Ownership; catálogo de dados e gestão de metadados; data lineage e rastreabilidade de origem e transformação dos dados; dimensões de qualidade de dados: completude, consistência, unicidade, validade, acurácia e atualidade; observabilidade de dados e monitoramento contínuo de qualidade; classificação de dados e políticas de acesso conforme sensibilidade; ciclo de vida dos dados e políticas de retenção; panorama de referência DAMA-DMBOK (Data Management Body of Knowledge) como framework internacional de governança de dados. Segurança da Informação e Proteção de Dados: princípios de segurança da informação: confidencialidade, integridade e disponibilidade; controle de acesso e autenticação em ambientes de dados; criptografia de dados em repouso e em trânsito (nível conceitual); anonimização e pseudonimização de dados pessoais; boas práticas de segurança em pipelines e bancos de dados (privilégio mínimo, segregação de ambientes); gestão de incidentes e resposta a violações de dados. Arquitetura de Dados: padrões de arquitetura de dados corporativa (centralizada, distribuída, orientada a domínio/data mesh — nível introdutório); integração entre sistemas de origem, camadas analíticas e consumidores finais; critérios de decisão arquitetural: custo, desempenho, governança e escalabilidade. Cloud Computing e Ambientes On-premise/Híbridos: modelos de serviço em nuvem (IaaS, PaaS, SaaS) — nível conceitual; vantagens, riscos e critérios de decisão entre nuvem pública, privada e ambiente on-premise; conceitos de ambientes híbridos e portabilidade de soluções de dados. DevOps/DataOps: conceitos de integração contínua e entrega contínua (CI/CD) aplicados a pipelines de dados; versionamento de código com Git em fluxos colaborativos (branches, pull requests); containerização como suporte à padronização de ambientes; cultura DataOps: colaboração entre times de dados, automação e monitoramento contínuo. Gestão e Desenvolvimento de Projetos de Dados: ciclo de vida de projetos de dados: descoberta, prototipagem, produção e manutenção; priorização de demandas e definição de escopo com áreas de negócio; documentação técnica de soluções de dados.