Data Insights GMAT: Estratégia Vencedora para Dominar a Seção

Atualizado em 24 de julho de 2026 · por MBA House

O que é Data Insights e por que virou terceira seção obrigatória

O Data Insights é uma das três seções do GMAT Focus Edition, ao lado do Quantitativo e do Verbal, e conta com peso pleno para o cálculo do score total de 205 a 805, segundo a página oficial do Data Insights no mba.com. Isso é uma mudança estrutural profunda em relação ao GMAT anterior, onde havia uma seção separada chamada Integrated Reasoning (IR) que não entrava no score composto e servia apenas como um indicador auxiliar reportado à parte.

A lógica por trás da criação do Data Insights é simples de entender quando se observa o mercado de trabalho que o MBA prepara os candidatos para atuar. Executivos modernos não tomam decisões com um único número isolado: eles cruzam planilhas, tabelas dinâmicas, gráficos de dashboards, e-mails, memorandos e relatórios financeiros ao mesmo tempo, extraindo sentido de fontes heterogêneas sob pressão de tempo. A GMAC, entidade que administra o exame e é descrita em detalhe no site institucional da GMAC, redesenhou o exame para medir exatamente essa competência de forma mais robusta do que o antigo IR conseguia.

Por isso, o Data Insights não é um apêndice cosmético do exame — é hoje um terço do score do GMAT, com o mesmo peso estatístico que o Quantitativo e o Verbal. Escolas de negócios que avaliam candidaturas para MBA levam em conta o desempenho em cada seção individualmente, não apenas o total, e um Data Insights fraco pode levantar bandeiras sobre a capacidade analítica do candidato mesmo que o score composto pareça aceitável. Isso é particularmente relevante para brasileiros que migram de carreiras muito quantitativas (engenharia, finanças, consultoria) e assumem, erroneamente, que o domínio de matemática pesada do Quantitativo se transfere automaticamente para o Data Insights — o que só é parcialmente verdade, porque grande parte do DI testa leitura estruturada de informação visual e textual, não cálculo puro.

Vale reforçar a distinção central deste guia, porque ela gera muita confusão em fóruns e grupos de estudo: Data Insights não é sinônimo de Data Sufficiency. A Data Sufficiency (DS) é apenas um dos cinco tipos de questão que compõem o Data Insights — ela migrou do antigo Quantitativo para dentro do DI na reforma do Focus Edition, e continua sendo tratada em detalhe teórico e prático no nosso guia dedicado de Data Sufficiency. Mas o Data Insights, como seção, é maior do que isso: ele também inclui Multi-Source Reasoning, Table Analysis, Two-Part Analysis e Graphics Interpretation, cada um com uma lógica de resolução própria que será detalhada mais adiante neste guia.

Outra confusão recorrente é achar que o Data Insights é apenas uma versão "com nome novo" do antigo Integrated Reasoning. Não é. O IR tinha 12 questões em 30 minutos e não contava para o score composto de 200-800 — funcionava como um relatório separado, de 1 a 8, que os comitês de admissão olhavam de forma secundária. O Data Insights tem 20 questões em 45 minutos, conta oficialmente para o score total do Focus Edition e ganhou uma calculadora on-screen full-time, algo que o IR não oferecia de forma tão ampla. Trataremos essas diferenças, lado a lado, na tabela comparativa mais adiante neste guia.

Para brasileiros que já passaram pelo processo seletivo de MBA, entender essa mudança estrutural é decisivo para não perder tempo estudando pelo material errado. Muitos cursos preparatórios mais antigos, PDFs piratas e vídeos do YouTube ainda tratam o exame como se fosse a versão pré-2023, o que gera lacunas sérias — sobretudo em Multi-Source Reasoning e Graphics Interpretation, dois formatos praticamente inexistentes fora do universo GMAT e que exigem prática deliberada com material oficial, como o descrito na biblioteca oficial de questões práticas da GMAC.

Tabela 1 — Estrutura oficial da seção Data Insights

Item	Especificação
Nome da seção	Data Insights (DI)
Número de questões	20 questões
Tempo total	45 minutos
Tempo médio por questão	2 minutos e 15 segundos
Tipos de questão	Data Sufficiency, Multi-Source Reasoning, Table Analysis, Two-Part Analysis, Graphics Interpretation
Calculadora on-screen	Disponível durante toda a seção
Peso no score total	Igual a Quant e Verbal (score composto 205-805)
Faixa de score da seção	60 a 90 pontos
Ordem no exame	Escolhida pelo candidato entre as três seções, no início da prova

Formato oficial: 20 questões em 45 minutos, ponta a ponta

O Data Insights aparece no exame como um bloco único e contínuo de 45 minutos, sem pausas internas, dentro do qual o candidato resolve 20 questões que alternam entre os cinco tipos descritos acima, em ordem definida pelo algoritmo de aplicação adaptativa do exame — o candidato não escolhe a sequência dos tipos dentro da seção. Isso é um ponto crítico de adaptação mental: ao contrário do Quantitativo, onde a maior parte das questões segue uma lógica de resolução razoavelmente parecida (Problem Solving), no Data Insights o candidato pode sair de uma questão de Data Sufficiency direto para um painel de Multi-Source Reasoning com três abas de texto, e da\u00ed para um gráfico de dispersão de Graphics Interpretation. Essa alternância exige uma "troca de chave" mental rápida que só se desenvolve com prática deliberada sob simulação cronometrada.

A ordem das três seções do exame — Quantitativo, Verbal e Data Insights — é escolhida pelo próprio candidato no início da aplicação, um recurso de personalização que o guia oficial de estrutura do GMAT Focus Edition descreve em detalhe. Isso significa que parte da estratégia de prova não está apenas em dominar o conteúdo do Data Insights, mas em decidir se ele deve vir primeiro, no meio ou por último dentro da sua sequência pessoal. Muitos candidatos brasileiros, especialmente os que vêm de áreas mais verbais (direito, comunicação, marketing), preferem começar pelo Data Insights justamente porque ele mistura raciocínio lógico com leitura, funcionando como um "aquecimento" que não é puramente numérico nem puramente textual.

Dentro dos 45 minutos, não existe divisão fixa de tempo por tipo de questão — a prova intercala os formatos de maneira dinâmica, e o número exato de questões de cada tipo pode variar ligeiramente de candidato para candidato, já que o exame é adaptativo por seção. Na prática, a distribuição mais comum observada em simulados oficiais gira em torno de 5 a 6 questões de Data Sufficiency, 3 a 4 de Multi-Source Reasoning (frequentemente agrupadas em torno do mesmo conjunto de abas, então uma "unidade" de MSR pode gerar duas ou três perguntas consecutivas), 3 a 4 de Table Analysis, 3 a 4 de Two-Part Analysis e 3 a 4 de Graphics Interpretation. Essa distribuição aproximada é útil para planejar o estudo, mas não deve ser tratada como uma fórmula rígida — o exame ajusta a dificuldade e, em menor grau, a proporção de tipos, conforme o desempenho do candidato ao longo da seção.

Um detalhe frequentemente ignorado é que, embora a seção seja "linear" em relação à sequência de tipos (você não escolhe qual tipo vem a seguir), o Data Insights permite revisão limitada de respostas dentro da seção, dentro das regras de "review and edit" do Focus Edition — cada seção do exame permite alterar até três respostas já dadas, desde que ainda haja tempo. Isso muda a estratégia: não é mais necessário ter certeza absoluta antes de avançar, porque existe uma rede de segurança parcial no fim da seção, que deve ser usada com parcimônia e apenas para as questões em que a incerteza foi maior.

Vale reforçar que o Data Insights, assim como Quantitativo e Verbal, é cronometrado de forma independente. Não há transferência de tempo entre seções — os 45 minutos do Data Insights terminam exatamente aos 45 minutos, independentemente de quanto tempo sobrou ou faltou nas outras duas seções. Isso torna a gestão de tempo dentro da própria seção uma habilidade isolada, que discutiremos com profundidade mais adiante neste guia, na seção sobre ritmo de prova.

Os 5 tipos de questão do Data Insights

O Data Insights é definido, essencialmente, pelos cinco formatos de questão que ele combina. Cada um mede uma competência analítica distinta, e cada um tem uma "assinatura visual" que permite identificá-lo em menos de dois segundos ao abrir a tela — habilidade que, sozinha, já economiza tempo de prova porque elimina a necessidade de "descobrir" o que a questão está pedindo.

• Data Sufficiency (DS): apresenta um enunciado com uma pergunta e duas informações numeradas (1) e (2); o candidato decide se cada informação, isolada ou combinada, é suficiente para responder à pergunta — sem precisar calcular a resposta final.
• Multi-Source Reasoning (MSR): apresenta duas ou três abas de conteúdo (textos, tabelas, e-mails, gráficos) sobre o mesmo cenário de negócios, e o candidato responde a múltiplas perguntas cruzando informações das diferentes abas.
• Table Analysis (TA): apresenta uma tabela de dados que pode ser ordenada (sort) por qualquer coluna, e o candidato avalia afirmações do tipo verdadeiro/falso ou sim/não sobre os dados apresentados.
• Two-Part Analysis (TPA): apresenta um problema com duas variáveis ou decisões relacionadas, e o candidato escolhe, em uma tabela de respostas, a combinação correta para as duas colunas simultaneamente.
• Graphics Interpretation (GI): apresenta um gráfico (barras, dispersão, linha, pizza, bolhas) e o candidato completa frases usando menus dropdown, extraindo valores exatos ou tendências do gráfico.

Essa diversidade é, ao mesmo tempo, o maior desafio e a maior oportunidade do Data Insights. É um desafio porque nenhum outro exame padronizado de admissão combina esses cinco formatos no mesmo bloco cronometrado — não há um "livro único" de referência tão consolidado quanto existe para álgebra ou para Critical Reasoning. É uma oportunidade porque, justamente por ser nova, a seção ainda tem menos concorrência de candidatos "super treinados" do que Quant e Verbal, o que significa que ganhos de eficiência aqui rendem retorno desproporcional em pontos de score total.

Tabela 2 — Os 5 tipos de questão do Data Insights

Tipo	Sigla	Descrição	Dificuldade percebida	Frequência aproximada
Data Sufficiency	DS	Avalia se as informações dadas são suficientes para responder à pergunta, sem calcular o valor final	Média-alta (lógica é contraintuitiva no início)	~25-30% da seção
Multi-Source Reasoning	MSR	Cruza dados de 2-3 abas (texto, tabela, e-mail) sobre o mesmo cenário	Alta (exige navegação e memória de trabalho)	~15-20% da seção
Table Analysis	TA	Ordena e filtra uma tabela de dados para julgar afirmações	Média (mecânica simples, mas exige precisão)	~15-20% da seção
Two-Part Analysis	TPA	Resolve duas variáveis correlacionadas em uma única grade de resposta	Média-alta (armadilha de tratar como 2 questões isoladas)	~15-20% da seção
Graphics Interpretation	GI	Extrai valores exatos ou tendências de um gráfico via menus dropdown	Média (depende de familiaridade com o tipo de gráfico)	~15-20% da seção

Nas próximas cinco seções deste guia, cada um desses tipos será detalhado com sua lógica de resolução, os erros mais comuns cometidos por candidatos brasileiros e a estratégia recomendada para ganhar velocidade sem sacrificar precisão.

Data Sufficiency (DS) — o coração do Data Insights e como resolver em 2 minutos

A Data Sufficiency é historicamente o tipo de questão mais associado ao GMAT, e continua sendo o mais numeroso dentro do Data Insights. A lógica é sempre a mesma: você recebe uma pergunta e duas informações, chamadas de Informação (1) e Informação (2), e precisa decidir se cada uma, isoladamente ou em conjunto, é suficiente para responder à pergunta com um único valor determinado — sem nunca precisar calcular esse valor. Essa é a armadilha número um de quem vem de uma formação muito quantitativa: o cérebro treinado em engenharia ou finanças quer "terminar a conta", quando na verdade a Data Sufficiency pune quem calcula além do necessário, porque isso consome tempo sem gerar pontos extras.

As cinco alternativas de resposta em Data Sufficiency são sempre as mesmas, na mesma ordem, o que por si só já é uma economia cognitiva enorme se o candidato as memorizar: (A) somente a informação (1) é suficiente; (B) somente a informação (2) é suficiente; (C) as duas juntas são suficientes, mas nenhuma isoladamente; (D) cada uma isoladamente já é suficiente; (E) nem juntas são suficientes. Temos um guia inteiro dedicado a esse tipo de questão, com uma resolução comentada passo a passo de uma questão oficial, no nosso post específico sobre Data Sufficiency e suficiência de dados — recomendamos a leitura complementar a este guia, já que aqui tratamos DS apenas como uma das cinco peças do Data Insights, sem repetir o detalhamento teórico completo.

A estratégia vencedora para resolver Data Sufficiency em torno de 2 minutos por questão segue um roteiro fixo: primeiro, leia a pergunta antes de olhar as informações, e classifique-a como pergunta de "valor" (qual é o valor de x?) ou pergunta de "sim/não" (x é maior que 10?) — essas duas categorias têm lógicas de suficiência ligeiramente diferentes. Segundo, avalie a informação (1) isoladamente, ignorando completamente a informação (2), e decida se ela sozinha responde à pergunta. Terceiro, repita o processo para a informação (2), ignorando o que você concluiu sobre a (1). Só then, se nenhuma isolada for suficiente, combine as duas. Esse roteiro sequencial evita o erro mais comum, que é "misturar" as duas informações precocemente e concluir C quando na verdade a resposta era D.

Um ponto sutil que vale reforçar: em perguntas do tipo "sim/não", uma resposta consistente de "não" para todos os casos possíveis também é considerada suficiente. Muitos candidatos acham, erroneamente, que só uma resposta "sim" garantida conta como suficiência — mas o que importa é a certeza da resposta, não seu valor.

Tabela 3 — Árvore de decisão da Data Sufficiency (AD/BCE)

Cenário observado	Ação recomendada
Informação (1) sozinha já responde à pergunta	Elimine B, C e E. Fique entre A e D (ramo "AD")
Informação (1) sozinha NÃO responde	Elimine A e D. Fique entre B, C e E (ramo "BCE")
No ramo AD: informação (2) também responde sozinha	Resposta é D — cada uma isoladamente é suficiente
No ramo AD: informação (2) não responde sozinha	Resposta é A — apenas a (1) é suficiente
No ramo BCE: informação (2) sozinha responde	Resposta é B — apenas a (2) é suficiente
No ramo BCE: nem (2) sozinha responde; teste as duas juntas	Se juntas responderem, resposta é C; se não, resposta é E

Multi-Source Reasoning (MSR) — gerenciar 3 abas de informação

O Multi-Source Reasoning é, para a maioria dos candidatos brasileiros, o tipo de questão mais desconfortável do Data Insights, porque não existe um equivalente direto em provas de vestibular ou em outros exames internacionais de admissão. A tela do MSR apresenta duas ou três abas clicáveis (frequentemente rotuladas como "Email", "Memo", "Table" ou nomes específicos do cenário de negócios), cada uma contendo um pedaço da informação necessária, e o candidato precisa alternar entre elas para montar o quadro completo antes de responder. Uma mesma tela de MSR costuma gerar de duas a três perguntas consecutivas, todas baseadas no mesmo conjunto de abas — o que significa que o tempo investido em entender o cenário se "paga" ao longo de várias questões, e não apenas uma.

A armadilha mais comum no MSR é tentar ler e memorizar todas as abas antes de olhar a primeira pergunta. Isso costuma ser ineficiente, porque parte da informação apresentada é irrelevante para as perguntas específicas que serão feitas — um clássico truque de exame para testar se o candidato consegue filtrar ruído. A abordagem recomendada é o oposto: faça uma leitura rápida e superficial de cada aba (10 a 15 segundos por aba) apenas para entender "o que existe ali e onde", sem tentar memorizar números, e só então leia a primeira pergunta com atenção total, voltando às abas especificamente para buscar o dado necessário para responder aquela pergunta.

Perguntas de MSR costumam vir em três formatos de resposta: múltipla escolha tradicional (uma entre cinco opções), múltipla escolha com resposta composta (do tipo "sim/não" para três afirmações simultâneas, similar ao Table Analysis) e, ocasionalmente, um formato tabular que exige cruzar dados numéricos de mais de uma aba para calcular uma métrica derivada, como margem, crescimento percentual ou média ponderada. Esse último formato é o que mais se aproxima de exigir uso ativo da calculadora on-screen, discutida em detalhe mais adiante neste guia.

Uma técnica que costuma acelerar bastante o MSR é anotar mentalmente (ou, quando permitido pelo formato de rascunho digital do exame, fisicamente na lousa/quadro branco fornecido no centro de teste) qual aba contém qual tipo de dado — por exemplo "Aba 1 = contexto e datas, Aba 2 = tabela financeira, Aba 3 = e-mail com política da empresa". Isso evita reabrir as três abas do zero a cada nova pergunta do mesmo conjunto, que é o principal ladrão de tempo nesse tipo de questão.

Para treinar MSR de forma eficaz, é fundamental usar exclusivamente material oficial da GMAC, disponível na plataforma oficial de prática do GMAT, porque simulações de terceiros frequentemente reproduzem mal a interface de abas, criando hábitos de leitura que não se transferem bem para o exame real. Comunidades como o fórum de Data Insights do GMAT Club também são úteis para ver discussões de estratégia sobre conjuntos específicos de MSR, embora sempre devam ser usadas como complemento, não substituto, do material oficial.

Table Analysis (TA) — sort, filter e leitura estatística

O Table Analysis apresenta uma tabela de dados — geralmente entre 15 e 40 linhas — que pode ser reordenada clicando no cabeçalho de qualquer coluna, de forma crescente ou decrescente, similar a uma planilha simples. O candidato recebe de três a cinco afirmações e precisa marcar cada uma como verdadeira/falsa ou sim/não com base nos dados apresentados. A grande vantagem desse formato é que a função de ordenação (sort), quando bem utilizada, transforma um problema aparentemente complexo em uma leitura direta: se uma afirmação diz "a empresa com a maior receita também tem a menor margem", basta ordenar por receita, olhar a linha do topo, e depois checar sua margem — sem precisar escanear a tabela inteira manualmente.

O erro mais frequente em Table Analysis é não usar a função de ordenação de forma proativa. Muitos candidatos tentam resolver as afirmações "olhando" a tabela na ordem em que ela foi apresentada, o que é lento e propenso a erro, especialmente com tabelas de 30 ou mais linhas. A estratégia correta é, para cada afirmação, primeiro identificar qual coluna é relevante para julgá-la, ordenar a tabela por essa coluna, e só então localizar a informação necessária. Cada afirmação pode exigir uma ordenação diferente — não há problema em reordenar a tabela várias vezes dentro da mesma questão.

Outro padrão comum em Table Analysis são afirmações que envolvem cálculo estatístico simples: média, mediana, proporção, ou contagem condicional ("quantas empresas têm receita acima de X e margem abaixo de Y"). Esses casos são os que mais se beneficiam da calculadora on-screen, e também os que mais exigem atenção à unidade de medida exibida no cabeçalho da coluna (milhares, milhões, percentual), já que um erro de escala é uma das formas mais comuns de errar uma questão de TA que estava, em essência, corretamente compreendida.

Uma nuance importante do Table Analysis é que as afirmações costumam ser independentes entre si — isto é, o fato de a primeira ser verdadeira não informa nada sobre a segunda. Isso significa que não vale a pena tentar encontrar um "padrão" nas respostas; cada afirmação deve ser julgada isoladamente, com sua própria ordenação e sua própria checagem, mesmo que isso pareça repetitivo.

Two-Part Analysis (TPA) — as questões de 2 respostas correlacionadas

O Two-Part Analysis é, na prática, uma questão com duas incógnitas relacionadas por uma mesma restrição ou contexto, respondida em uma única tabela de alternativas com duas colunas — uma para cada parte da resposta. Um exemplo clássico de TPA de negócios seria: "duas empresas, X e Y, têm custos fixos e variáveis diferentes; identifique, na tabela de alternativas, qual valor de produção faz com que o custo total de X seja igual ao de Y, e qual seria esse custo total nesse ponto." O candidato marca uma célula na coluna "Produção" e uma célula na coluna "Custo Total", dentro da mesma grade de resposta.

O erro mais comum em TPA é tratar as duas partes como questões totalmente independentes, resolvendo primeiro uma e depois a outra sem levar em conta que elas compartilham a mesma restrição matemática. Isso costuma gerar respostas inconsistentes entre si — por exemplo, escolher um valor de produção que não corresponde de fato ao custo total marcado na segunda coluna. A estratégia vencedora é sempre montar a equação (ou lógica) que relaciona as duas partes antes de ir para as alternativas, e só então usar a tabela de respostas como uma forma de checar valores candidatos, e não como ponto de partida para tentativa e erro.

TPA também aparece com frequência em versões não puramente matemáticas — por exemplo, perguntas de lógica verbal onde as duas partes pedem para identificar, dentro de um texto, qual afirmação fortalece um argumento e qual enfraquece outro, ou perguntas de alocação onde é preciso decidir simultaneamente dois valores que somados não podem exceder um orçamento total. Esse é o motivo pelo qual TPA é classificado como "média-alta dificuldade": ele testa tanto raciocínio quantitativo quanto raciocínio lógico-verbal, dependendo do cenário específico da questão, e o candidato não sabe de antemão qual dos dois vai aparecer.

Uma técnica útil para TPA é usar a técnica de "backsolving" (testar as alternativas de trás para frente) quando a relação matemática entre as duas partes é complexa demais para montar uma equação rapidamente. Como a tabela de alternativas já mostra os valores possíveis para as duas colunas, às vezes é mais rápido testar a combinação mais "central" da tabela e ajustar para cima ou para baixo com base no resultado, do que resolver algebricamente do zero — especialmente sob pressão de tempo.

Graphics Interpretation (GI) — extrair dado exato de gráficos

O Graphics Interpretation apresenta um gráfico — de barras, linhas, dispersão (scatter plot), pizza, bolhas ou um histograma — e pede que o candidato complete uma ou duas frases usando menus dropdown, escolhendo entre opções que costumam ser valores numéricos, percentuais, ou termos de tendência ("aumentou", "diminuiu", "permaneceu estável"). Diferentemente de Table Analysis, que trabalha com dados tabulares exatos, o Graphics Interpretation frequentemente exige leitura visual aproximada de um ponto no gráfico — o que introduz uma margem de erro que o candidato precisa aprender a administrar.

O maior risco em Graphics Interpretation é a leitura apressada dos eixos. Gráficos de GMAT são desenhados deliberadamente com escalas não triviais — eixos que não começam em zero, incrementos irregulares entre marcações, ou dupla escala (um eixo à esquerda e outro à direita do gráfico, medindo variáveis diferentes). Antes de tentar extrair qualquer valor, o candidato deve investir de 15 a 20 segundos apenas identificando: o que cada eixo mede, qual é a unidade, qual é o intervalo entre marcações, e se há mais de uma série de dados representada simultaneamente no mesmo gráfico.

Gráficos de dispersão (scatter plots) merecem atenção redobrada porque frequentemente testam a compreensão de correlação, não de valores pontuais — perguntas do tipo "que fração dos pontos está acima da linha de tendência" ou "qual país tem a maior proporção entre as duas variáveis representadas" exigem uma leitura de conjunto, não de um ponto isolado. Já gráficos de linha ao longo do tempo costumam testar taxa de variação — o candidato deve estar preparado para calcular variação percentual entre dois pontos do gráfico, o que é outro momento em que a calculadora on-screen se torna relevante.

Uma boa prática para Graphics Interpretation é sempre ler as duas frases a completar (quando há duas) antes de tentar extrair qualquer dado do gráfico, porque isso direciona exatamente quais elementos visuais merecem atenção — evitando o erro de "estudar o gráfico inteiro" antes de saber o que, de fato, será perguntado.

Tabela 4 — Tempo médio recomendado por tipo de questão do Data Insights

Tipo de questão	Tempo médio recomendado	Tempo de alerta (revisar ritmo)
Data Sufficiency (DS)	1min50s – 2min10s	Acima de 3 minutos
Multi-Source Reasoning (MSR, por pergunta)	1min30s – 2min00s por pergunta (mais tempo inicial de leitura das abas)	Acima de 3min30s por pergunta
Table Analysis (TA)	2min00s – 2min30s	Acima de 3min30s
Two-Part Analysis (TPA)	2min15s – 2min45s	Acima de 3min30s
Graphics Interpretation (GI)	1min45s – 2min15s	Acima de 3 minutos

Uso obrigatório da calculadora on-screen — quando e como

Um dos recursos mais importantes — e mais subestimados — do Data Insights é a calculadora on-screen, disponível durante toda a seção. Ela é básica, com as quatro operações, raiz quadrada, porcentagem e memória simples, similar a uma calculadora de bolso comum, e não substitui o raciocínio algébrico que ainda é necessário em Data Sufficiency, Two-Part Analysis e parte do Table Analysis. O ponto central é que ela existe para eliminar erros de aritmética manual em contas longas — divisões com muitas casas decimais, multiplicações de números grandes, cálculos de percentual sucessivos — não para substituir a estratégia de resolução.

O erro mais comum de quem nunca praticou com a calculadora é usá-la para tudo, inclusive contas simples que seriam mais rápidas de fazer de cabeça ou no rascunho. Cada clique na interface da calculadora consome uma fração de segundo, e a soma desses microcustos ao longo de 20 questões pode representar um a dois minutos de tempo perdido — que é justamente a margem que separa terminar a seção no tempo ou ficar com questões sem resposta no final. A regra prática recomendada é: use a calculadora para qualquer conta com três ou mais dígitos, decimais não redondos, ou operações em sequência (como calcular uma variação percentual composta); resolva de cabeça ou no rascunho contas simples de um ou dois dígitos.

Outro erro recorrente é não verificar a "leitura" do número antes de confirmar a operação — digitar 1.250 quando o valor da tabela era 12.500, por exemplo, um erro de posicionamento de vírgula/ponto que é comum sob pressão de tempo e que a calculadora não vai corrigir para você. Antes de apertar "igual", vale o hábito de conferir rapidamente se os números digitados correspondem exatamente aos números lidos na tabela ou no gráfico.

A calculadora do Data Insights não está disponível nas seções de Quantitativo e Verbal — é um recurso exclusivo dessa seção, o que reforça a ideia de que o Data Insights foi desenhado para medir como o candidato usa ferramentas de apoio para tomar decisões baseadas em dados, e não apenas sua capacidade de calcular manualmente. Isso é coerente com o tipo de trabalho que MBAs formam profissionais para fazer: ninguém em uma reunião de diretoria faz contas de cabeça quando há uma planilha ou calculadora à mão — o que importa é saber qual conta fazer e interpretar o resultado corretamente.

Recomendamos fortemente treinar exclusivamente com a calculadora on-screen oficial disponível nos simulados da GMAC, e não com a calculadora do celular ou computador pessoal, porque a interface, o layout dos botões e o comportamento de arredondamento são especificamente diferentes o suficiente para gerar hesitação na hora da prova real caso o candidato não tenha praticado com o modelo exato — outro motivo para priorizar os recursos oficiais listados na GMAT Official Practice em vez de simuladores genéricos de terceiros.

Gestão de tempo: 2min15s por questão, mas nem toda igual

A média aritmética simples do Data Insights — 45 minutos divididos por 20 questões — dá exatamente 2 minutos e 15 segundos por questão. Só que, como já discutido nas seções anteriores, essa média esconde uma variação real relevante entre os cinco tipos de questão: Data Sufficiency e Graphics Interpretation tendem a ser resolvidas um pouco mais rápido que a média, enquanto Multi-Source Reasoning e Two-Part Analysis tendem a consumir um pouco mais. A gestão de tempo eficaz no Data Insights não é "manter 2min15s em toda questão", e sim manter esse valor como média móvel ao longo da seção, permitindo que alguns tipos "doem" tempo para outros.

Uma técnica útil é dividir mentalmente a seção em blocos de cinco questões e fazer checkpoints de tempo: ao final da quinta questão, o relógio deveria mostrar algo perto de 33-34 minutos restantes (isto é, cerca de 11-12 minutos consumidos); ao final da décima questão, por volta de 22-23 minutos restantes; ao final da décima quinta, por volta de 11-12 minutos restantes. Esses checkpoints não precisam ser exatos, mas servem como alarme precoce: se ao final da décima questão você já consumiu mais de 26-27 minutos, é sinal de que o ritmo está atrasado e algumas questões futuras vão precisar de decisões mais rápidas, incluindo o uso de "educated guess" (chute qualificado após eliminação parcial de alternativas) quando necessário.

O Data Insights, como as outras seções do GMAT Focus Edition, penaliza mais severamente terminar a seção com questões em branco do que responder errado após gasto excessivo de tempo em uma única questão. Isso significa que, ao se aproximar do fim dos 45 minutos com questões ainda não respondidas, a prioridade é garantir que todas tenham uma resposta marcada — mesmo que seja um chute educado — em vez de gastar os últimos minutos "perfeicionando" uma única questão difícil.

Um erro de gestão de tempo específico do Data Insights, que não tem equivalente direto em Quant ou Verbal, é o "efeito MSR": como um conjunto de Multi-Source Reasoning gera de duas a três perguntas sobre o mesmo painel de abas, candidatos às vezes investem tempo excessivo tentando entender profundamente todas as abas na primeira pergunta do conjunto, achando que isso vai "acelerar" as perguntas seguintes. Na prática, o retorno desse investimento é limitado — é mais eficiente gastar tempo moderado de leitura inicial (o suficiente para mapear onde cada tipo de dado está) e voltar às abas especificamente a cada nova pergunta, buscando apenas o que aquela pergunta exige.

Por fim, vale lembrar que o tempo do Data Insights é isolado das outras duas seções — não há transferência de minutos entre Quantitativo, Verbal e Data Insights. Se você tende a ser mais lento em uma seção específica, a estratégia de ordem de seções (escolhida no início da prova, conforme descrito na estrutura oficial do GMAT Focus Edition) pode ser ajustada para colocar essa seção no momento em que você historicamente rende melhor em simulados — para muitos candidatos, isso significa não deixar o Data Insights para o final da prova, quando a fadiga cognitiva acumulada de Quant e Verbal já afetou a atenção necessária para ler tabelas e gráficos com precisão.

Plano de estudo Data Insights — 6 semanas

Um plano de preparação eficaz para o Data Insights precisa equilibrar dois momentos distintos: primeiro, dominar cada um dos cinco tipos de questão isoladamente, construindo repertório de padrões e armadilhas específicas de cada formato; depois, treinar em sets mistos que reproduzem a alternância real da prova, já que a seção nunca aparece "em blocos" no exame verdadeiro. O cronograma abaixo distribui essas duas fases ao longo de seis semanas, pensado para se encaixar dentro de um plano de estudo mais amplo, como o detalhado em nosso guia de plano de estudo GMAT Focus 2026 e no guia geral de como estudar para o GMAT.

Tabela 6 — Cronograma de 6 semanas para o Data Insights

Semana	Foco principal	Meta de questões	Tipo de prática
Semana 1	Fundamentos de Data Sufficiency: as 5 alternativas, árvore AD/BCE	80-100 questões de DS isoladas	Prática temática, sem cronômetro rígido
Semana 2	Table Analysis e Graphics Interpretation: sort/filter e leitura de eixos	60-80 questões de TA + GI	Prática temática, cronômetro por questão introduzido
Semana 3	Two-Part Analysis e Multi-Source Reasoning: lógica correlacionada e navegação de abas	50-70 questões de TPA + MSR	Prática temática, ênfase em qualidade da leitura inicial
Semana 4	Revisão de erros das semanas 1-3 e reforço dos padrões mais frágeis	100+ questões de revisão dirigida	Sets de erro (error log) e reprova dos mesmos tipos
Semana 5	Sets mistos cronometrados simulando alternância real da seção	3-4 sets de 20 questões mistas, 45 minutos cada	Simulação de seção completa
Semana 6	Simulados completos (3 seções) e ajuste fino de ordem de seções	2-3 simulados completos oficiais	Simulado full-length com revisão pós-prova

Esse cronograma pressupõe uma base já existente de familiaridade com o formato geral do GMAT — para quem está apenas começando a se preparar, vale antes revisar o nosso guia sobre como é a prova e o que cai no GMAT e o guia de estudos GMAT completo, que contextualizam o Data Insights dentro do exame como um todo. Candidatos com rotina profissional intensa, que têm menos horas semanais disponíveis, podem esticar esse cronograma para 8 a 10 semanas mantendo a mesma sequência de fases, sem comprimir a fase de sets mistos — é justamente essa fase que costuma ser cortada por falta de tempo, e é exatamente a que mais se aproxima da experiência real de prova.

Score conversion DI60-DI90 e percentis

O Data Insights é reportado em uma escala própria, de 60 a 90 pontos, exatamente como Quantitativo e Verbal no GMAT Focus Edition — uma mudança relevante em relação ao score antigo de 0 a 60 por seção. Essa escala de 60-90 é depois combinada, junto com as outras duas seções, para gerar o score total de 205 a 805. Entender em qual percentil um determinado score de DI se encontra ajuda o candidato a calibrar metas realistas: um DI 84, por exemplo, não significa "quase o máximo" em termos absolutos de pontos, mas já representa uma posição de destaque relativo em percentil, porque a distribuição de scores por seção não é linear.

A tabela abaixo apresenta uma conversão aproximada de score de Data Insights para percentil, com base em dados de desempenho divulgados publicamente pela GMAC ao longo da aplicação do Focus Edition. Como a GMAC ajusta periodicamente essas tabelas de percentil com base no desempenho agregado dos candidatos, os valores devem ser tratados como referência direcional, e não como número oficial fixo — a conversão exata mais atualizada está sempre disponível na página oficial do exame no mba.com.

Tabela 5 — Score conversion Data Insights (DI60-DI90) e percentil aproximado

Score DI	Percentil aproximado
90	~99º percentil
88	~97º percentil
86	~93º percentil
84	~87º percentil
82	~78º percentil
80	~68º percentil
78	~57º percentil
76	~46º percentil
74	~36º percentil
70	~20º percentil

Para candidatos com metas de admissão em programas M7 e escolas equivalentes — como as descritas em nossos guias sobre Harvard Business School, Wharton e Stanford GSB — a referência prática costuma ser buscar um DI de 84 ou mais, o que coloca o candidato acima do percentil 85, um patamar que sustenta um score total competitivo quando combinado com desempenho igualmente forte em Quantitativo e Verbal. Vale reforçar que comitês de admissão avaliam o perfil quantitativo do candidato considerando Quant e Data Insights em conjunto — um Data Insights fraco ao lado de um Quant muito forte pode gerar a leitura de que o candidato tem boa técnica matemática, mas dificuldade em interpretar dados aplicados a contextos de negócio, uma competência central para cursar um MBA e para os anos subsequentes de carreira executiva.

Também é importante notar que o Data Insights, sendo uma seção nova, tem menos anos de dados históricos de percentil do que Quant e Verbal, que mantêm alguma continuidade estatística com o GMAT anterior. Isso significa que os percentis de DI têm sido recalibrados com mais frequência pela GMAC nos primeiros anos do Focus Edition, à medida que mais candidatos completam o exame e a distribuição de scores se estabiliza — outro motivo para sempre conferir a tabela de percentil vigente diretamente no site oficial antes de fixar metas rígidas de score.

Ferramentas e simuladores oficiais

Como o Data Insights é a seção mais recente do exame, e a que tem menos material de terceiros consolidado ao longo de décadas — diferente de Quant e Verbal, que herdam décadas de bancos de questões do GMAT clássico —, a prioridade de estudo deve ser ainda mais concentrada em fontes oficiais da GMAC. Isso vale especialmente para Multi-Source Reasoning e Graphics Interpretation, cujos formatos de interface (abas clicáveis, gráficos interativos, menus dropdown) são difíceis de replicar com fidelidade em PDFs ou simuladores não oficiais.

• GMAT Official Starter Kit e Official Practice Exams: disponíveis na plataforma oficial de prática da GMAC, com simulados completos que reproduzem fielmente a interface de Data Insights, incluindo a calculadora on-screen e a navegação por abas do MSR.
• GMAT Official Guide (Data Insights): o compêndio oficial de questões publicado pela GMAC Official Guide reúne questões reais organizadas por tipo, com explicações de gabarito — a base mais confiável para treinar cada uma das cinco tipologias isoladamente antes de migrar para sets mistos.
• GMAT Club — fórum de Data Insights: o fórum dedicado a questões de Data Insights no GMAT Club reúne discussões de estratégia e resolução comentada por outros candidatos, útil como complemento para destravar questões específicas em que a lógica de resolução não ficou clara no material oficial.
• Simulado gratuito da MBA House: nosso simulado GMAT gratuito inclui questões de Data Insights no formato adaptativo, permitindo medir o nível atual antes de montar o cronograma de seis semanas detalhado anteriormente.

Fóruns e publicações do universo de admissão em MBA, como o Poets&Quants, também publicam ocasionalmente análises sobre como escolas de negócios estão interpretando o score de Data Insights nos processos seletivos, o que é um contexto útil para candidatos que querem entender não apenas como estudar, mas como o score final será lido do outro lado da mesa por um comitê de admissão.

Tabela 7 — Data Insights (Focus) vs. Integrated Reasoning (GMAT antigo): o que mudou

Dimensão	Integrated Reasoning (antigo)	Data Insights (Focus)
Número de questões	12 questões	20 questões
Tempo	30 minutos	45 minutos
Peso no score total	Não contava para o score composto de 200-800 (reportado separadamente, escala 1-8)	Conta oficialmente para o score total de 205-805
Data Sufficiency incluída	Não — DS ficava no Quantitativo	Sim — DS foi incorporada ao Data Insights
Calculadora on-screen	Disponibilidade limitada	Disponível durante toda a seção
Tipos de questão	Multi-Source Reasoning, Table Analysis, Two-Part Analysis, Graphics Interpretation (4 tipos)	Os mesmos 4 tipos, mais Data Sufficiency (5 tipos)

Essa tabela deixa claro por que tratar os dois exames como equivalentes é um erro estratégico de preparação. Quem estudou pelo GMAT antigo e está retomando os estudos para o Focus Edition precisa, necessariamente, revisitar a Data Sufficiency dentro do contexto do Data Insights — e não mais como parte do Quantitativo — além de se familiarizar com uma seção que agora vale um terço do score total, e não mais um relatório à parte de relevância secundária. Para uma visão comparativa mais ampla de todo o exame, vale también revisar nosso guia sobre o GMAT Superscore e a comparação entre GMAT e GRE, que ajudam a posicionar o Data Insights dentro da decisão mais ampla de qual exame fazer.

Fechando este guia, é importante lembrar que o Data Insights, embora seja a seção mais nova e a que gera mais insegurança inicial nos candidatos, é também a que recompensa mais rapidamente um estudo bem estruturado — justamente porque grande parte da dificuldade inicial vem de familiaridade com a interface e com os cinco formatos, não de conteúdo matemático avançado. Um candidato disciplinado, seguindo um cronograma como o apresentado neste guia e treinando exclusivamente com material oficial, tende a observar ganhos de score de Data Insights mais rápidos, proporcionalmente, do que em Quant ou Verbal — o que faz da seção um excelente ponto de foco para quem já está em reta final de preparação e busca elevar o score total antes da data da prova. Para isso, contar com uma consultoria especializada de admissão para MBA e um curso GMAT estruturado reduz significativamente o tempo até atingir a meta de score.