data-science

Data Science: a carreira que une negócios, tecnologia e análise de dados (e por que essa ordem é importante)

Views: 3273

Written by:

“Procurada”, “vantajosa”, “quente” e até “sexy” — são vários os adjetivos usados para qualificar a profissão de data scientist, ou cientista de dados.

E não é para menos: a carreira sequer completou dez anos de idade e já está na mira de algumas das empresas mais interessantes e poderosas da atualidade.

Isto porque Data Science é uma vasta combinação de habilidades: visão holística e estratégica; entendimento dos modelos de negócio; capacidade de identificar e priorizar problemas reais por meio de análises de bancos de dados; e, por fim, capacidade de aplicar técnicas de estatística, programação e machine learning adequadas para solucionar esses desafios.

O cientista de dados deveria fazer isso, mas nem sempre é o que acontece. De acordo com artigos recentes, como este da Harvard Business Review, há uma insatisfação generalizada nas empresas. E ela é de mão dupla: de um lado, os data scientists, que estão sobrecarregados por dados; de outro, os executivos, que por suas vezes estão frustrados com a produção desses profissionais. Então, como conectar essas duas pontas?

Capa da revista Harvard Business Review falando sobre a carreira de Ciência de Dados

Jovem e cobiçada, mas ainda pouco praticada

Para que se entenda o motivo desse descompasso, é preciso entender também no que consiste a ciência de dados. Hoje em dia, em qualquer negócio, a análise de dados tornou-se indispensável para o desenvolvimento e evolução de um produto ou de um serviço.

E a figura do cientista de dados, que começou a aparecer no final dos anos 2000, chegou para auxiliar companhias (de todos os tamanhos e setores) a fazer o melhor uso possível desta enorme quantidade de informações, deste big data. O objetivo é o de contribuir para que melhores decisões sejam tomadas — e para que melhores resultados sejam obtidos.

No entanto, algo parece ficar pelo caminho. De acordo com estudos, os cientistas de dados estão de tal forma obcecados com o refinamento de modelos complexos e algoritmos, que acabam deixando de lado as questões que realmente importam: aquelas capazes de prever cenários, e que podem realmente gerar valor para o negócio, no sentido de aumentar eficiência, reduzir custos ou aumentar a receita. Eis aí o ponto-chave do problema: em muitos casos, os cientistas de dados não estão agregando valor às organizações que os contratam.

Toda a ciência só fará sentido se o negócio fizer

Quais os motivos para o desencontro? Alguns pontos ajudam a explicá-lo:

  1. Dificuldade em cobrir a lacuna entre objetivos de negócio e esforços de análise

Com tantas habilidades diferentes para serem equilibradas, é normal que ninguém domine todas — assim como é importante encontrar alguma especialidade. Por outro lado, obter um pouco de cada habilidade exigida em data science para depois se especializar é, certamente, um caminho mais seguro.

  1. Dificuldade de trabalhar de forma enxuta

Projetos de ciência de dados geralmente são complexos e acarretam altos custos, com resultados incertos. Focam em alguns poucos esforços de alto risco, o que é praticamente uma fórmula de insucesso. Em outras palavras, “colocam todos os ovos na mesma cesta”.

  1. Falta de disciplina na mensuração de resultados

Muitas vezes, o time de ciência de dados até chega a produzir valor para o negócio, mas não o sabe. Isso acontece porque, ainda preocupados com problemas do próprio modelo, talvez falte disciplina para uma correta medição dos resultados do projeto, aqueles que resolvem os problemas do negócio.

Pandora Internet Radio e a importância de “fazer parte do time”

Para ilustrar tudo isso, nada melhor do que um exemplo. Tomemos o caso de Gordon Rios, primeiro data scientist da Pandora, rádio online norte-americana e responsável pelo ambicioso Music Genome Project.

O desafio enfrentado por ele e pelo time que foi montado era complexo: olhando apenas para números comportamentais, eles precisavam determinar se os ouvintes estavam felizes com o que ouviam, se pulavam músicas porque não as conheciam ou se simplesmente não gostavam — além de entender se as playlists estavam entediando as pessoas.

A solução, conta Rios nesta entrevista para o portal First Round, veio do trabalho em conjunto de diferentes áreas. “Você precisa de colaboradores das áreas de operações, engenharia, produto e data scientists ‘atacando’ o problema de diferentes lados”, conta. “Claro que algumas vezes você vai ter que ser um verdadeiro soldado e atacar problemas pouco interessantes, mas críticos para o negócio. Mas se tiver talentos incrivelmente ricos no grupo, combiná-los nos projetos certos é a melhor definição de gestão científica”. A solução, para ele, é uma só: “Você precisa fazer parte do time para entender todas as peças em jogo”.

slide apresentando o Music Genome Project com tópicos e linhas

Diminuindo a distância entre data science e negócios

Como o exemplo de Rios demonstra, o insight é que os cientistas de dados precisam focar mais na operação. Pensar mais como especialistas em um negócio. Não se trata de tirar o “cientista” da jogada, de modo algum; mas, caso ele ou ela não seja capaz de apresentar análises de forma a balizar decisões, a prática não terá sentido.

Selecionamos alguns pontos fundamentais para diminuir o gap entre data science e gestão de negócios:

  • Entender para atender: o time de ciência de dados precisa entender, na íntegra, de forma empática, as decisões-chave que os gestores estão tentando tomar. Só então os cientistas poderão apresentar resultados analíticos que vão contribuir para essas decisões.
  • Criar laço com os objetivos-chave: para garantir que os resultados analíticos sejam relevantes para a empresa, é também indispensável estabelecer um laço entre esses resultados e os principais objetivos de negócio: eficiência, custo, receita…  
  • Viver e respirar o business: em qualquer empresa, sempre há pessoas experientes em termos de relação com clientes, de desenvolvimento de produto, de mercado etc. Os data scientists devem “colar” nelas. Devem trocar constantemente e de forma ágil para dar transparência à evolução dos projetos e experimentos. E os feedbacks dessas pessoas vai indicar se estão no caminho certo ou não.
  • Medir os resultados: um time de data science só deve começar um projeto se souber o porquê de ele existir, e como ele ficará se for bem-sucedido. Não tem segredo: se você não utilizar um placar, só estará treinando, e não jogando.
  • Trabalhar na metodologia agile: a gestão ágil de projetos é preponderante para que um programa de análise seja efetivo — e tem tudo a ver com o ponto anterior. Isso significa trabalhar com métricas, com MVPs (Minimum Viable Products) e com pequenos ciclos de entregas, conhecidos como scrums.
  • Apontar um líder que entenda de tudo: alguém que domine tanto os objetivos do negócio quanto as possibilidades analíticas. Esta certamente será a figura na qual outros data scientists se inspirarão para aprimorar suas próprias práticas.

Concluindo: a ciência de dados pode ser uma das atividades mais “quentes” do momento. Mas, para que realmente faça a diferença dentro de uma empresa, o profissional precisa ir além da tecnologia, entendendo a fundo o negócio a ser amparado pela análise. E focar nos pontos acima é fundamental para quem quer se destacar em uma profissão que, por si só, ganha cada vez mais destaque.

Como diz Rios, “Para ser um cientista de dados de verdade, você tem que entender que seu trabalho não é apenas sobre a pesquisa. Você precisa quantificar e qualificar o que faz de forma que faça sentido para toda a companhia.”

O que isso quer dizer em termos de carreira?

As áreas de Data Science nas empresas vão se tornar mais ricas, divertidas e empolgantes à medida que as equipes se tornarem mais multidisciplinares. E aí surge uma grande oportunidade: gestores de negócio que conheçam o básico de linguagem de programação estão a um passo de virar grandes data scientists. Ao mesmo tempo, desenvolvedores de software e analistas de dados que tenham um pé na área de negócios estão igualmente perto desse salto.

Se a carreira em Data Science te interessou, vale a pena conhecer o bootcamp em Data Science & Machine Learning for Business da Tera. Uma formação desenhada para atender a esse grande gap entre as necessidades dos negócios e as habilidades em tecnologia e análise de dados dos profissionais. Criado lado a lado com alguns dos melhores data scientists do mercado, o curso leva os alunos por uma jornada de mais de 130 horas de conhecimento e de mão na massa, com dados e problemas reais de negócios reais.

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Data Science: a carreira que une negócios, tecnologia e análise de dados (e por que essa ordem é importante)

by Leandro Herrera tempo de leitura: 6 min
0