Alemanha Quer Mais Brasileiros
3 de novembro de 2018
Canadá Está Contratando Brasileiros
5 de novembro de 2018

 

 

 

 

Conheça a Data Science Academy.
A Data Science Academy acaba de lançar o curso Big Data, Data Science e Machine Learning com Google Cloud Platform e Big Query. Aprenda como trabalhar com Big Data Analytics utilizando o Google Cloud Platform.

 

Estão dizendo em todos os lugares:
“Data Scientist”(Cientista de Dados) é a Profissão do Momento.
Mais Vantajosa, mais Quente e mais “Sexy” (???). Hello?
Bem, a verdade é que 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.

Os profissionais de Data Science são especialistas analíticos que desenvolvem habilidades técnicas para a gestão de problemas complexos. E são, também, curiosos para descobrir quais os problemas a serem resolvidos. De forma resumida, eles exploram e desvendam as principais questões de negócio de uma empresa, avaliam cenários internos e externos da organização e encontram soluções para problemas.

São responsáveis por analisar dados (estruturados ou não estruturados) e auxiliar as empresas a serem ainda mais competentes no mercado, criando algoritmos para extrair insights valiosos desses dados. Com as informações certas em mãos, podem defender se uma ação está sendo ou será mais eficiente do que outra, contribuir para tomadas de decisão ainda mais acertadas e, por isso, estes profissionais tornam-se essenciais para o desenvolvimento dos bons negócios.

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 ambiciosoMusic 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.

 

O que é preciso para ser um cientista de dados?

 Para alcançar alto nível de desempenho como um profissional de Data Science e transformar positivamente os negócios de uma empresa – tornando-a ainda mais competitiva – é preciso ter conhecimentos sobre Big Data, Analytics e uma ótima visão de negócios, basicamente. É necessário também ter noção aprofundada em Matemática, Estatística, Machine Learning e Ciência da Computação.

Os candidatos a uma vaga de Data Science devem conhecer estrutura de dados, algoritmos, sistemas e linguagens de programação. É importante ter conhecimento de correlação e causalidade e ainda facilidade de compreensão contextual para que as informações geradas estejam alinhadas tanto com a realidade da empresa quanto com a do mercado como um todo.

Principais competências do profissional de Data Science

 A Ciência de Dados não está restrita à identificação de problemas específicos para a área de atuação da organização em questão. Ela pode ser aplicada a diferentes domínios do conhecimento e consegue extrair informações de todos eles, o que pode oferecer inúmeros insights positivos para os negócios das empresas. Por isso, os profissionais de Data Science precisam ter as seguintes competências:

– Analisar grandes volumes de dados e transformá-los em informações úteis e relevantes;

– Identificar tendências para tornar a empresa mais competitiva;

– Resolver problemas de negócio com recursos e técnicas orientadas a dados;

– Conhecer e trabalhar com uma variedade de linguagens de programação, incluindo R e Python, por exemplo;

– Entender conceitos estatísticos, incluindo testes e distribuições;

– Dominar a utilização de ferramentas analíticas, que exploram técnicas de aprendizagem automática, deep learning e análise de texto;

– Descobrir critérios e ordem em padrões de dados;

– Comunicar-se bem com equipes de TI e de gestão;

– Disseminar análises e resultados de negócio.

Porque você precisa de um cientista de dados?

 Assim como hoje é impossível não incluir dados nas estratégias do seu negócio, é essencial contar com o auxílio de profissionais de Data Science para uma boa análise dessas informações. E, por isso, a profissão de cientista de dados está em alta.

O trabalho analítico de dados não precisa ser feito apenas com inteligência humana ou artificial, separadamente. A ideia é justamente unir os diferenciais de ferramentas de análise com as competências dos profissionais de Data Science para ser competitivo. Portanto, ao contratar um cientista de dados especialista, que conta com habilidades para usar o Machine Learning, por exemplo, é possível fazer análises profundas e ter mais sucesso.

 

Os profissionais de Data Science no futuro

 Os cientistas de dados, conhecidos como os profissionais de Big Data, estão cada vez mais no radar das empresas. E a tendência é que no futuro esses especialistas sejam conhecidos como Citizen Data Scientists, por criarem ou gerarem modelos com base em análises avançadas de dados, diagnóstico ou capacidades preditivas e prescritivas.

Eles serão reconhecidos como grandes fomentadores da Ciência de Dados. De acordo com o Gartner, uma das maiores empresas de consultoria do mundo, devido a inserção desse perfil profissional no mercado, 40% das tarefas de Data Science serão automatizadas até 2020. E o resultado disso? Um aumento na produtividade.

Sendo assim, no futuro haverá vagas para profissionais capacitados a usar ferramentas complexas, que têm uma noção de mercado profunda e conseguem transformar em soluções os números e dados disponíveis ao realizar análises mais sofisticadas.

A Data Science Academy acaba de lançar o curso Big Data, Data Science e Machine Learning com Google Cloud Platform e Big Query. Neste curso, 100% online e 100% em português, abordaremos como trabalhar com Big Data Analytics utilizando o Google Cloud Platform, através de serviços gerenciados, ou seja, sem necessidade de manutenção de infraestrutura, possibilitando construção de soluções analíticas que envolvam armazenamento de bilhões de arquivos, disponibilização de bancos de dados relacionais em ambientes de alta disponibilidade e com escalabilidade, preparação de dados com arquivos com terabytes de tamanho e processamento de tabelas com bilhões de linhas, além da criação de modelos de Machine Learning em infraestrutura escalável e consumo de APIs de Inteligência Artificial.

Alguns pré-requisitos para um melhor aproveitamento do curso são conhecimentos básicos de Bancos de Dados Relacionais, Linguagem SQL e Sistema Operacional Linux. Pensando nos alunos que desejam aprender como as maiores empresas do mundo analisam Big Data mas que não possuem estes pré-requisitos, a Data Science Academy fornecerá como bônus 2 cursos inteiramente gratuitos abordando estes assuntos

Data Science, Big Data, Machine Learning e Cloud Computing são alguns dos assuntos mais quentes do momento e trouxemos a você todos estes assuntos em um único curso, com conteúdo detalhado através de vídeo-aulas, 100% em português, com acesso direto aos instrutores que gravaram e prepararam o material, além de acesso exclusivo ao fórum para esclarecimento de dúvidas em até 24 horas, mesmo nos fins de semana e feriados.

Big Data, Data Science e Machine Learning com Google Cloud Platform e Big Query

Deixe uma resposta

Login