Um guia para transição de carreira na área de dados

Gabriel Lages

Published in

Data Hackers

31 min readFeb 1, 2021

Criamos esse passo a passo para te ajudar a se preparar antes de tentar uma transição de carreira na área de dados.

Combinados desse post:

Esse NÃO será um post motivacional. Sei que no Linkedin e Medium existem vários conteúdos motivacionais e empolgantes, mas meu objetivo nesse post é justamente o contrário. Quero ser totalmente honesto e para muitos vai ser um “choque de realidade”.
Não sou especialista em carreira, nem dono da verdade, não me leve tão a sério. Use meu post com moderação, entenda como uma opinião ou conselho de alguém que está a algum tempo na área.
Tudo que falo nesse post são conclusões que obtive com minha própria experiência na área, que se divide basicamente em 2 pontos:

1- Trabalho analisando dados desde 2006 (15 anos já 😱), e atualmente sou diretor de Data & Analytics da Hotmart e estou a frente de uma equipe multidisciplinar que conta com mais de 50 pessoas (Data Engineers, Data Scientists, Data Analysts, Business Analysts, Designers, Product Managers e Devs).
2- Sou um dos fundadores do Data Hackers (www.datahackers.com.br) a maior comunidade de dados do Brasil, estamos no ar a exatos 3 anos, e lá temos a oportunidade de compartilhar conhecimentos e experiências com algumas das maiores referências em dados do Brasil (a comunidade é 100% gratuita e temos um Podcast, Blog, Newsletter semanal além do canal do Slack).

*Dica: Se você está realmente interessado em fazer uma transição para a área de dados leia esse texto até o final. Não quero jogar um balde de água fria, mas se você não tem resiliência para ler um texto de 8.000 palavras as chances são grandes de você não conseguir sair da zona de conforto que se encontra hoje.

Motivação do post: Muita gente quer migrar para a área de dados e (na minha humilde opinião) a grande maioria está fazendo isso da forma errada

Como já disse, e vou repetir várias vezes ao longo do post, eu não sou o dono da verdade. Tudo que eu falar aqui nesse texto pode ser diferente de outros exemplos, pode ter acontecido de outra forma com outras pessoas, isso é totalmente normal.

Quando você estuda probabilidade uma das coisas mais difíceis de aceitar é que eventos altamente improváveis acontecem. Se você jogar dois dados, um com 6 lados e outro com 20 lados, as chances de que o maior número saia no dados de 20 lados é maior, mas ainda assim pode ser que o dados de 6 lados vença eventualmente.

O mesmo vale para sua carreira. Pense que você está diante de duas possibilidades:

1 — Esperar que sua liderança veja potencial em você e aposte que você vai estudar muito e será um ótimo profissional na área de dados (mesmo sem ter conhecimento prático na área)

2 — Se preparar, estudar muito, praticar nos momentos vagos e mostrar para a liderança que você está apto para uma posição na área de dados.

Nesse exemplo os dois eventos podem ocorrer, mas na minha opinião o segundo tem uma probabilidade de sucesso MUITO maior que o outro, a escolha é sua.

*Dica: Nunca espere a oportunidade surgir para começar a se preparar

Meu objetivo entretanto é dar a minha percepção sobre ações e atitudes que podem aumentar as chances de um profissional ter sucesso em sua transição para a área de dados.

Bom, voltando a motivação, recentemente fiz um post no Linkedin, em que eu divulgava as diversas vagas abertas pela Hotmart no cenário de isolamento social.

https://www.linkedin.com/posts/gabrielclages_quer-trabalhar-na-%C3%A1rea-de-dados-da-hotmart-activity-6760270407426686976-EJe7

O post rapidamente atingiu um volume bem grande de pessoas e em poucas horas recebi mais de 100 mensagens no inbox do Linkedin com muitas pessoas querendo entender mais sobre as oportunidades. Aos poucos fui respondendo varias delas (confesso que saiu do controle, se eu não te respoondi por lá pode me chamar novamente no linkedin ou slack), entendendo o perfil dos candidatos e dando dicas, mas um fato me chamou muita atenção: o alto volume de pessoas tentando migrar a carreira para a área de dados.

Os principais casos que vejo geralmente são esses:

Pessoas da área de negócio como Finanças, Projetos, Administrativo querendo se tornar analistas de dados
Desenvolvedores de Software querendo se tornar Data Scientists ou Data Engineers
Pessoas de áreas mais tradicionais de dados como Business Intelligence ou DBA’s querendo migrar para área de DS ou DE
Engenheiros em busca de oportunidades na área de dados
Físicos, Químicos, Biólogos (e outras áreas mais focadas em ciência) em busca de oportunidades de trabalho na área de Dados

Agora a triste realidade: Avaliando apenas o currículo e Linkedin tive um forte sentimento de que a grande maioria das pessoas que me procuram em busca de migração de carreira NÃO estão preparadas para os desafios das vagas.

As pessoas geralmente esperam que o gerente da área ou recrutador vasculhem o currículo e Linkedin delas, explore a fundo suas experiências e descubram se a pessoa está preparada ou não para a vaga, afinal esse é o trabalho dos recrutadores, certo? ERRADO! (nesse post vou tentar explicar porque penso asim)

Por mais que você tenha o entendimento que cabe ao recrutador entender que você está apto a preencher aquela vaga, pense no seguinte cenário onde existem 2 candidatos :

1 — Um engenheiro com 15 anos de experiência em Engenharia de Petróleo querendo migrar para a área de dados mas nunca teve experiência prática na área

2 — Um candidato recém formado em tecnologia, que fez estágio na área, e que inclusive fez no TCC um projeto de dados de ponta a ponta

E aí qual dos dois você escolheria para seguir a próxima etapa do processo?

A resposta é: Depende de diversos pontos, mas talvez nesse primeiro momento o ponto mais importante seja a forma como o currículo dos dois está estruturado.

Se o engenheiro não conseguir deixar claro os motivos que o tornam preparados para um desafio na área de dados, dificilmente o recrutador vai conseguir fazer isso por ele. Nesse caso o mais provável é que o recrutador faça a escolha mais óbvia, optando pelo perfil que está mais alinhado com os requisitos da vaga (afinal ele já contratou outra dezenas de profissionais seguindo essa mesma “fórmula”).

*Dica: Se você está em transição de carreira, é você que tem o desafio de mostrar que está preparado para a vaga e convencer o recrutador disso e não o contrário

Choque de realidade: Prepare-se pois o desafio de migrar para a área de dados vai ser cada vez maior com o passar do tempo

De 2015 a 2019 a área de dados passou por um crescimento absurdo. Muitas empresas investiram pesado na construção de equipe de dados, muito se falou na mídia sobre a profissão de Cientista de Dados, lembrada muitas vezes como a profissão mais Sexy do Momento.

Toda a expectativa criada em cima da área nos últimos anos se baseou em alguns pontos:

Manchetes de revistas falando dos salários astronômicos dos Data Scientists
Inteligência Artificial sendo vendida como a solução para todos os problemas das empresas e o futuro da força de trabalho
Algoritmos se tornaram moeda de troca em rodadas de investimento (empresas que não tinham AI sofriam forte desvalorização na busca por funding)

Toda essa “hype” criou um verdadeiro boom na área de dados, o que levou ao surgimento de novas faculdades, criação de novas oportunidades de trabalho e uma multidão de pessoas correndo contra o tempo para se tornar o próximo “Profissional Unicórnio”.

Como você já deve saber, a economia tem uma regra básica, a chamada Lei da Oferta e Demanda que segundo uma longa pesquisa que fiz funciona assim:

“Nos períodos em que a oferta de um bem ou serviço excede a procura (ou demanda), seu preço tende a cair. Já em períodos nos quais a procura (ou demanda) passa a superar a oferta, a tendência é o aumento do preço. Ou seja, se a oferta é maior que a procura, os preços diminuem; se a procura é maior que a oferta, os preços aumentam.”

(Fonte: na verdade só peguei na wikipédia 😅)

Bom, como você deve imaginar, assim como já aconteceu em diversas profissões, o aumento acelerado da demanda por profissionais de dados acabou gerando um aumento no volume de pessoas se esforçando para entrar na área e consequentemente uma oferta cada vez maior de profissionais, que com o tempo tende a gerar um certo equilíbrio de mercado (não acredito que atingimos esse equilíbrio no Brasil ainda, mas é provável que seja em breve).

Para não dizer que estou falando apenas de suposições, vou trazer uma análise super recente que o André Sionek fez com base na última pesquisa salarial global da área de dados da comunidade Kaggle (inclusive aconselho muito que você leia atentamente ao post dele, que é uma verdadeira aula de análise exploratória e visualização de dados e se você ainda não sabe, com essas análises ele ganhou o primeiro lugar em um prêmio mundial, competindo com mais de 300 especialistas de todo o mundo e ainda levou pra casa um prêmio de 10 mil dólares pela excelente análise, merece ser aplaudido de pé quando voltarmos aos tempos de aglomeração).

Mas voltando as minhas hipóteses, a analise ano a ano sobre os salários mundiais da área de dados, feita com base na pesquisa do Kaggle, mostra claramente que o salário mediano das áreas de Machine Learning e Data Science vem caindo ano após ano (e esse é um comportamento que foi observado independentemente do tempo de experiência dos profissionais).

Imagem do estudo feito pelo Andre Sionek em cima dos dados da pesquisa salarial do Kaggle 2020

Outro fator que pode ter impactado ainda mais esses números foi toda a crise econômica gerada pela pandemia, isolamento social etc. Muitas empresas optaram por desfazer de equipes inteiras de Data Science e Machine Learning o que levou muitos profissionais ao desemprego e a busca por novas oportunidades (algumas vezes com remuneração menor do que costumavam receber antes da crise).

Todos esses fatores agrupados podem ter impactado na redução da hype pela área de dados que pode ser observada com uma busca no Google Trends.

Eu mesmo fiz as imagens com buscas no Google Trends

No início da comunidade Data Hackers (bem no começo de 2018) fiz um post chamado “A realidade por trás do Data Science e dos Unicórnios” onde explicava um pouco sobre a área de Data Science que estava muito popular na época. Na ocasião utilizei esse gráfico do Google Trends para mostrar que a área de dados nunca havia sido tão popular quanto naquela época. Hoje em 2021, quase 3 anos depois o cenário é um pouco diferente, no gráfico a direita é possível ver claramente que não estamos no pico do volume de buscas pela palavra “Data Science” e ao que tudo indica a popularidade caiu e voltou aos mesmos números do início de 2019.

Diante de tudo isso acredito que nos próximos anos a oferta de profissionais de dados no Brasil tende a aumentar ainda mais, e deixar a competição por vagas mais acirradas. Os principais motivos são:

O topo da popularidade da área de dados se deu em 2019/2020, e muitos profissionais que começaram a se preparar para a transição de carreira nessa época vão conseguir essa oportunidade em 2021/2022
Com a crise econômica as empresas estão mais conservadoras em investimentos nas áreas de dados e muitas desfizeram toda a estrutura que já tinham, mesmo que a economia volte a reconstrução dessas áreas pode levar mais tempo (na Hotmart levamos 5 anos para ir de 5 para 50 profissionais de dados)
Em 2018 e 2019 surgiram muitas faculdades na área de dados, ou seja, temos hoje um grande número de alunos em formação que vai entrar para o mercado em breve
O aumento no número de profissionais com formação 100% focada na área de dados vai especializar ainda mais as áreas e diminuir as oportunidades para profissionais muito generalistas (Exemplo: Veja como a Engenharia é altamente especializada atualmente (pesquisei no Google e encontrei mais de 20 tipos de engenharia), o mesmo acontece em Medicina e outros cursos. Na área de dados não será tão diferente, hoje em dia já temos Data Engineers, Machine Leanring Engineers, Data Analysts, Data Scientists, DataOps, Business Analysts, Data Architects, Data Governance Analysts, Data Visualization Specialists etc)

Mas apesar desse choque de realidade, tenho também vários motivos para acreditar que a alta popularidade da área de dados no Brasil pode durar muito tempo ainda (o grande desafio é entender qual dos dois movimentos será o mais forte no curto prazo). Motivos que podem levar a área de Data Science a continuar muito popular (e você me procurar daqui a 2 ou 3 anos e me mostrar que eu estava totalmente errado na minha análise):

Ainda existem muitas oportunidades de utilizar técnicas de Data Science e Machine Learning para melhorar a eficiência de empresas brasileiras
Muitas empresas estão investindo pesado em Engenharia de Dados o que vai resultar num “tsunami” de informações organizadas e disponíveis para serem analisadas (aumentando a necessidade de profissionais com conhecimento em análise de dados)
Muitas empresas vem a área de dados como uma oportunidade de automação e consequentemente redução de mão de obra operacional (robôs vão tomar nossos empregos, mas alguém precisa de cuidar dos algoritmos, certo?)
É provável que a crise envolvendo a pandemia e isolamento vá diminuir com a chegada da vacina e evolução dos tratamentos o que levaria a economia a voltar a se aquecer e aumentar a demanda das empresas

Os últimos “2 centavos” que deixo sobre esse assunto por aqui hoje é que independente da Oferta x Demanda de profissionais na área de dados ser positiva ou negativa em direção ao que você busca, esse não é um fator que temos controle sobre ele, ou seja, não há nada que podemos fazer individualmente para mudar esse cenário. Diante disso meu conselho é não ficar pensando nisso e sempre focar em se tornar um profissional mais capacitado e preparado para solucionar os problemas reais das empresas (lembre-se que mesmo em mercados altamente competitivos profissionais com essas características costumam estar bem posicionados).

*Dica: Migrar para a área de dados vai ser cada vez mais difícil e não há nada que você possa fazer para mudar esse cenário geral. Se você deseja mesmo migrar para a área de dados, prepare-se o quanto antes para aumentar as suas chances.

Bom, agora que você já entendeu todo o contexto vamos as dicas práticas.

Passo 1 — Definir de forma clara qual a sua motivação para fazer uma transição de carreira

Na minha visão, uma migração de carreira é uma escolha bem complexa. Para tentar exemplificar meu ponto de vista vou falar de uma situação hipotética e um pouco mais extrema que o comum.

Exemplo fictício: Uma pessoa da área da Música que quer migrar de carreira e se tornar um Data Scientist

Para tentar visualizar esse exemplo pense em uma pessoa que dedicou seus últimos 5 ou 10 anos de carreira para se tornar um músico profissional. Essa pessoa talvez tenha feito uma faculdade na área de Música, estudado durante anos teoria musical, aprendido a tocar diferentes instrumentos, lido partituras, participado de apresentações, concertos etc. Além disso essa pessoa gastou algumas milhares de horas na última década pondo prática o que veio aprendendo, tornando-se uma especialista naquele assunto.

Nessa busca por novas oportunidades de se reinventar, aparece uma nova área constantemente citada pelos meios de comunicação: a carreira de Data Scientist. Seja nas redes sociais ou até mesmo na TV, a pessoa começa a ser impactada por notícias sobre essa profissão, geralmente citada como a profissão do futuro e associada a salários astronômicos e poucas barreiras de entrada. Outra coisa começa a acontecer automaticamente: De um dia para o outro essa pessoa começa a ser bombardeada por anúncios de cursos na área de dados que quase sempre prometem preparar os alunos para o mercado de trabalho em um curto período de tempo e ao final a pessoa vai ganhar o tão sonhado salário citado pelos meios de comunicação.

Diante de tudo isso, vendo só pontos positivos nesse caminho é praticamente óbvio que essa pessoa tome a decisão de migrar para a área de dados e se convença que esse é o seu futuro.

Bom, esse exemplo apesar de fictício reflete exatamente o que eu vejo acontecendo no mercado todos os dias , e apesar de eu conhecer Cientistas de Dados que vieram de carreiras geralmente não tão próximas do estereótipo da área de dados como música, direito, publicidade etc, sei também que essa escolha pode ter algumas armadilhas no caminho.

Geralmente as pessoas querem migrar para a área de dados para fugir de problemas e não pela afinidade com a área

Salário abaixo do esperado, falta de perspectivas, dificuldade de enxergar o futuro da área que atua, trabalho monótono e repetitivo, desemprego todos esses são motivos extremamente válidos para qualquer pessoa que quer se reinventar e migrar de carreira. Não vejo problema nenhum nesse ser o principal motivador para quem busca essa transição, o grande problema que vejo é que esse tipo de frustração não pode ser o único motivador dessa escolha por um ponto óbvio: A área de dados (e qualquer outra) está sujeita a te fazer passar pelas mesmas frustrações.

É sempre muito importante lembrar:

O salário do profissional de dados pode cair (como já mostrei no item anterior)
Empresas podem desistir de equipes de dados por diferentes motivos e demitir em massa (como aconteceu em larga escala na pandemia)
O trabalho pode ser extremamente monótono e repetitivo (principalmente nas etapas iniciais ou em empresas com baixa maturidade de dados)

Mas nesse exemplo o que ainda faltaria para tomar essa decisão?

É aí que vamos ao passo 2, entender a área de dados, como é o dia a dia de um profissional de dados, como é a rotina e as perspectivas da profissão, as diferentes formas de atuação e habilidades necessárias.

Passo 2 — Entender a área de dados e os diferentes desafios

Basta um bate papo para ver se uma pessoa realmente tem noção dos desafios de uma área de dados. Normalmente as pessoas que vem de outras áreas e foram iludidas por notícias ou influenciadores tem uma impressão que trabalhar na área de dados é quase ser um super-herói (ou ser um unicórnio como costumamos dizer na área).

O Unicórnio é aquele profissional que domina algoritmos, bancos de dados, planilhas, faz apresentações incríveis, responde perguntas de negócio que nem o CEO seria capaz de responder, tem fácil acesso a todos os dados da empresa e o mais importante: faz tudo isso em poucos cliques e sem a ajuda de mais ninguém. Mas a verdade é que a área já evoluiu muito, e tem se especializado cada vez mais, hoje já existe um consenso que o unicórnio não existe e o que as empresas estão fazendo é investir em uma equipe multidisciplinar com diferentes focos de atuação.

Dica: Fuja de empresas que estão buscando somente os unicórnios

Para entender melhor quais os papéis da área de dados preparei uma lista com as posições mais comuns de uma área de dados moderna:

Data Engineer: “Engenheiro de Dados é um tipo especializado de Engenheiro de Software que possibilita outros a responderem questões sobre grandes datasets com restrições específicas de latência e tempo.” (Nathan Marz) Se quiser ir mais a fundo nesse entendimento sugiro ler esse post do Allan Sene

[Conceitos que um Engenheiro de Dados geralmente domina: Pipeline de dados; ETL’s + ELT’s; data lakes; modelagem de dados; processamento distribuido; cloud; desenvolvimento de software; arquitetura de Sistemas]

Data Quality Specialist: De uma maneira bem resumida o especialista em qualidade de dados tem a missão de garantir que os dados da empresa sejam confiáveis e auditáveis e que as pessoas da empresa consigam acesso aos dados de acordo com suas necessidades. É ele que cuida da manutenção e evolução de importantes ferramentas como dicionário de dados e catálogo de dados. Ele também atua junto com os engenheiros de dados na construção de Data Warehouses e Data Marts.

[Conceitos que um Data Quality Specialist geralmente domina: modelagem de dados; OLAP; SQL; Data Marts; Data Warehouses; catálogo de dados; dicionários de dados; tuning de consultas; ferramentas de ETL]

Data Analyst: Os Analistas de Dados tem o foco em analisar uma grande quantidade de dados com o objetivo de extrair insights, descobrir padrões e detectar tendências. Eles atuam como braços direitos de profissionais com um foco maior em negócios e são responsáveis pela coleta, organização e apresentação dos dados, geralmente por meio de dashboards e soluções avançadas de Business Intelligence.

[Conceitos que um Analista de Dados geralmente domina: SQL; Python/R; estatística; data visualization; dashboars; ferramentas de BI; planilhas; análise avançada de dados; modelos preditivos; testes de hipótese/testes A/B; técnicas de clusterização]

Data Scientist: Eu costumo falar que a missão de um Cientista de Dados é apoiar diferentes áreas da empresa em responder perguntas complexas de negócio e encontrar soluções por meio dos dados. Geralmente eles fazem isso utilizando algoritmos complexos, técnicas avançadas de estatística e machine learning. Num clássico post do Paulo Vasconcellos ele deu uma definição muito interessante sobre o papel do DS: “Um Cientista de Dados é o profissional que sabe mais de Estatística que um Engenheiro de Software; e mais de Engenharia de Software que um Estatístico.”

[Conceitos que um Cientista de Dados geralmente domina: Python/R; SQL; modelos de machine learning; estatística; otimização de modelos; metodologia científica; redes neurais; deep learning]

Business Analyst: Os analistas de negócios, portanto, são pessoas que tomam decisões baseadas em dados: têm uma grande bagagem analítica e conseguem elaborar uma estrutura para resolução de um problema e traduzir grandes quantidades de números e dados em tomadas de decisão estratégica. (Nubank — numa rápida pesquisa vi que eles tem hoje mais de 150 Business Analysts) — Se quiser entender mais dos desafios dessa área sugiro ler esse post que eu mesmo escrevi sobre essa área tão essencial .

[Conceitos que um Business Analyst geralmente domina: Análise de dados; planejamento de projetos; mapeamento e otimização de processos; desdobramentos de problemas e técnicas de priorização; comunicação; apresentações de impacto; técnicas de negociação]

Além dessas carreiras citadas, ainda existem muitas outras. A área de Engenharia de Machine Learning e DataOps por exemplo são duas áreas que estão crescendo bastante, mas por se tratarem de áreas muito técnicas não aconselho para quem está buscando migrar de carreira, se quiser entender mais dessa área sugiro que você ouça esse episódio do podcast do Data Hackers.

Outro exemplo disso é que dentro de algumas dessas áreas citadas existem vários outros papéis mais específicos e diferentes atuações (vai depender da maturidade e complexidade de cada empresa). Se tiver curiosidade de entender os diferentes tipos de engenheiros de dados sugiro ler esse post do Allan Sene.

O último ponto é que o mercado muda constantemente então é provável que enquanto eu escrevo e publico esse post outras posições estejam surgindo.

*Dica: Outra forma de entender melhor as possibilidades de atuação é ver como as principais empresas analisam dados no dia a dia e estruturam suas equipes. Nesse post você pode entender melhor como a área de Dados da Hotmart aplica Data Science e Machine Learning no dia a dia.

Mas, por quê é tão importante conhecer os diferentes desafios da área de dados?

A verdade é que cada uma das área de atuação num time de dados vai exigir uma diferente combinação de “hard skills” e “soft skills”. Alguém que almeja assumir uma posição de Data Engineer em uma empresa madura geralmente vai precisar ter sólidos conhecimento em desenvolvimento de software, enquanto isso, alguém que busca uma posição de Business Analyst não necessita dessa mesma experiência, por outro lado se a pessoa desejar ir para área de BA vai precisa comprovar uma série de habilidades de comunicação e gestão de projetos complexos.

O gráfico abaixo vem de um post que publiquei a algum tempo, e é uma tentativa de deixar mais claro os principais focos das posições de Data Scientist, Data Analyst e Business Analyst na Hotmart.

Gráfico feito com base na opinião de 8 profissionais de dados que atuam na Hotmart

Agora que você já conhece alguns dos principais papeis na área de dados é importante entender o que mais se adequa a sua trajetória, habilidades e objetivo antes de sair se candidatando para as vagas.

Passo 3 — Mapear os pontos que você vai precisar desenvolver e se preparar para atuar na área de dados

Na minha visão esse é o maior desafio para quem está buscando migrar de carreira. Sempre vejo pessoas querendo migrar de carreira, mas quase nunca vejo pessoas se esforçando para isso. Antes de entrar em polêmicas vou tentar dar alguns exemplos do tipo de esforço que pode aumentar as chances de sucesso na busca por uma posição na área de dados.

Entenda uma coisa: O que te fez chegar até aqui não é o que vai te fazer chegar até onde você está buscando. Se você busca algo diferente do que faz hoje vai precisar agir de forma diferente também.

Bom ,vamos ao exemplo do profissional de música com 10 anos de experiência na área musical. Ele certamente teve muita experiência que vai além da teoria musical, provavelmente teve que aprender a se relacionar com pessoas de diferentes perfis, estudou diferentes linhas de pensamento, aprendeu a negociar etc, e acredito que ninguém discorde que esse tipo de experiência pode ser útil e até mesmo um diferencial para um profissional de dados, porém isso não é o suficiente. Agora esqueça do exemplo do músico, e pense num engenheiro, num cientista social, num profissional de marketing, num administrador, na minha visão o exemplo se encaixa perfeitamente nesses perfis (se você se enquadra nesses perfis possivelmente vai discordar, por conhecer de Excel e planilhas, saber um pouco de lógica de programação, ou até mesmo dominar apresentações de impacto, mas na minha visão o problema é exatamente o mesmo).

O que te leva a pensar que 15 anos de experiência como Engenheiro de Petróleo te torna preparado para ser um cientista de dados? A menos que você tenha estudado profundamente as disciplinas necessárias para se tornar um profissional de dados você ainda não estará preparado para esse novo desafio, entenda que a sua trajetória em outra área por si só não é o suficiente.

E pense bem… Se 10 anos de experiência em outra área fosse o suficiente, a vida dos recrutadores de profissionais de dados seria mais fácil, bastava procurar pessoas de outras áreas e contratar.

Depois desse balde de água fria, vou te motivar um pouco, toda sua trajetória pode sim te tornar uma pessoa com vantagens na busca por uma vaga na área de dados:

Talvez você já trabalhou a frente de projetos complexos
Talvez teve uma vasta experiência acadêmica ou em laboratórios de pesquisa e teve a chance de encarar desafios envolvendo experimentos, ciência e publicações
Talvez tem muita experiência com tecnologia e desenvolvimento de software (mesmo que não tenha tido contato com as linguagens mais populares na área de dados)

Tudo isso vai te ajudar muito a resolver problemas na área de dados e é muito importante que você saiba exatamente quais os pontos mais relevantes da sua experiência profissional estão alinhados com a vaga que você está buscando, pois você vai precisar dar destaque exatamente nesses pontos em seu currículo.

Volto a falar: Você não tem controle sobre o que o recrutador ou gestor da área pensa, mas você tem total controle sobre tudo que vai ser destacado em seu currículo, use isso de forma inteligente e a seu favor.

Assuma a responsabilidade, num processo seletivo você estará concorrendo com dezenas ou até mesmo centenas de candidatos e é você quem tem que encarar o desafio de “ser visto”. Todo dia vejo pessoas falando, me candidatei a 200 vagas e nunca fui chamado, o Linkedin não funciona etc. Já parou para pensar que talvez o problema esteja na forma como seu currículo está estruturado? Já tentou comparar seu currículo com o de outras pessoas que trabalham na área e posição que você busca hoje?

Se você conseguiu estruturar melhor seu currículo e destacar as experiências que na sua visão estão mais alinhadas com a área de dados e mesmo assim não está sendo chamado para os processos, talvez o seu problema seja outro.

Muitas vezes vai ser difícil convencer o gestor da vaga que você está realmente preparado para o novo desafio e a melhor forma que vejo de conquistar essa credibilidade é através de experiências práticas.

“Eu não consigo emprego na área por não ter experiência na área, mas se eu não conseguir um emprego na área como vou ter experiência?”

Esse paradoxo parece até um loop infinito. Em algumas áreas como a Medicina, médicos que nunca trabalharam fazem residência médica, programas de fellowship entre outras maneiras de ganhar experiência para quem nunca trabalhou, afinal quem vai querer ser operado por um médico que nunca fez uma operação antes? Mas a área de dados é um pouco diferente e é uma das poucas áreas onde é totalmente possível comprovar experiência sem ter tido um emprego formal como Data Scientist ou Data Analyst por exemplo.

Pense em algum assunto que você gosta muito, pode ser um dos seus hobbies, ou algo que você acompanha no dia a dia como economia ou política. O que te impede de fazer uma análise de dados profunda sobre esse assunto? Por que você não coleta, organiza e estrutura dados sobre esse tema, e depois faz análises respondendo a curiosidades sobre esse assunto?

Se você faz cerveja nos finais de semana, por quê não fazer disso um experimento científico? Sabia que alguns dos testes estatísticos que utilizamos hoje foram desenvolvidos por mestres cervejeiros? [veja nesse post]
Se você é apaixonado por algum esporte, por quê você não analisa o desempenho dos atletas e equipes? Por quê não compara com outros anos?
Caso seja interessado no mercado financeiro, por quê não monitorar o desempenho dos principais ativos? E se você pudesse fazer um modelo e aumentar seus ganhos como investidor?
Você é cinéfilo? Sabia que existem conjuntos de dados na internet com centenas de informações sobre filmes e séries, incluindo: Ano de lançamento; Nota média; Custo total de produção; Diretores; Elenco; Bilheteria etc? E se você utilizasse esses dados para comprovar ou derrubar alguns mitos sobre o assunto?
E se ao invés de ficar falando mal dos políticos você pudesse pegar dados abertos do governo e entender como o dinheiro dos impostos está sendo gasto no dia a dia? Sabia que o Brasil é um dos países de maior referência quando o assunto são os “dados governamentais abertos”? [o site brasil.io é um ótimo exemplo]

Esses são alguns exemplos de como ganhar experiência em análise de dados sem mesmo ter trabalhado na área, para outras posições como Engenheiro de Dados e Arquiteto de Dados funciona da mesma forma, mas ao invés de tentar analisar os dados você vai precisar focar em criar uma arquitetura que faça sentido, desenvolver e monitorar ETL’s e ELT’s que trabalhem toda a orquestração da informação por exemplo.

Geralmente as pessoas não fazem isso por 3 motivos:

Não tem conhecimento suficiente em análise de dados: Se você acha super complexo extrair dados, organiza-los em um banco de dados, consultar essa informação cruzando os dados, entender quais as principais perguntas a serem respondidas sobre esse tema, analisar os dados e reunir todas suas conclusões em um artigo ou apresentação, você não está preparado para um desafio na área de dados.
Não tem paciência/tempo para fazer isso: Se você não tem paciência para esse tipo de trabalho ou acha inútil, existem grandes chances de você se frustrar depois de entrar para um time de dados, pois esse tipo de desafio é bem parecido com o que um profissional de dados encara no dia a dia. Se você não dedica tempo para aprender, como vai aprender?
Não sabe o que fazer com essas análises depois que terminar: Você pode escolher diferentes formas de publicar suas análises, pode transforma-la em um post de blog ou redes sociais e compartilhar com outras pessoas, pode transformar em um artigo científico e tentar publicar em alguma revista, pode transformar em um infográfico e até mesmo gravar um vídeo explicando todo o processo e as conclusões que você teve, tudo isso é muito válido pois vai te ajudar a desenvolver técnicas de disseminação da informação. É muito comum que os profissionais da área de dados reúnam todas as suas principais análises em um Portfólio — esse post do Paulo Vasconcellos explica detalhadamente como fazer um. Mas, mesmo que você não faça nada para publicar ou divulgar toda a análise que fez por contra própria, já vai ter aprendido muito em todo esse processo.

Além de um portfólio, outra forma muito comum de testar e comprovar experiência prática na área de dados é participando de competições e hackatons. Nesse episódio do podcast do Data Hackers falamos um pouco desse assunto, vale a pena conferir.

Se você acha que ainda não está preparado para montar seu portfólio de análises, fique atento ao próximo passo.

Passo 4 — Estudar muito e fazer networking

Se você não gosta de ler e estudar talvez a área de dados não seja para você. Falo isso com toda a sinceridade, não me lembro de nenhuma pessoa bem sucedida na área de dados que não goste de estudar e que não tenha estudado muito. Listei alguns pontos em comum na rotina da maioria dos Cientistas de Dados, para você entender melhor:

Ler artigos científicos e papers
Assistir palestras sobre assuntos complexos
Acompanhar tendências e novidades na área de tecnologia
Fazer POC’s (prova de conceito) de modelos ou algoritmos para entender como eles funcionariam no seu trabalho
Ensinar e treinar pessoas de dentro e de fora da área de dados
Explicar conceitos técnicos complexos de forma que pessoas da área de negócio entendam

Bom, quase todas as atividades acima exigem muito estudo e entendimento de assuntos complexos e na velocidade com que novos conhecimentos surgem estudar, se atualizar e estar preparado é algo essencial para todo profissional da área de dados.

Em um time de dados é normal ouvir falar de conceitos que você nunca ouviu antes, mesmo que tenha muita experiência é bem comum o sentimento de que muitas vezes alguém recém formado tenha muito mais domínio de determinados assuntos técnicos do que você.

E por onde começar? Como se preparar para uma vaga na área de dados?

Devido a combinação de diferentes áreas do conhecimento, para muitos pode ser muito difícil saber por onde começar. Preciso fazer uma faculdade na área? O que devo aprender primeiro? Posso fazer uma formação online? Vou tentar responder essas e outras perguntas.

1. É necessário fazer uma Faculdade ou Universidade na área de Data Science para conseguir um emprego na área de dados?

NÃO. Pensando no Brasil e no momento que escrevo esse post (janeiro/2021) não vejo nenhuma necessidade de ter uma graduação formal ou diploma para ingressar na área. Eu nunca pedi diploma para nenhum dos profissionais que trabalham comigo hoje e na grande maioria das empresas que tem equipes de dados não vejo esse tipo de obrigatoriedade. Mas calma, não use isso como argumento para abandonar a faculdade (e pare de utilizar posts da internet como muleta para tomar decisões que vão afetar sua vida).

Acredito que uma faculdade trás muitos pontos positivos para um profissional de dados:

Conviver com metodologia cientifica na prática, seja nos projetos, no TCC ou se você fizer iniciação científica
Algumas empresas podem exigir diplomas para candidatos a vagas
É muito difícil conseguir fazer mestrado ou doutorado sem ter feito graduação (acho praticamente impossível, e um mestrado pode ajudar muito um profissional de dados, fora do Brasil é muito bem visto)
Ter a oportunidade de estudar profundamente muita teoria (dificilmente uma pessoa vai se dedicas a aprender conceitos muito complexos como probabilidade, cálculo, álgebra etc sozinho por conta própria sem que isso seja um passo necessário para se formar, por mais que você seja uma pessoa dedicada isso não é algo que você consegue dominar só com a parte prática)
Ter resiliência e entender que para você conseguir chegar a um objetivo maior, muitas vezes é necessário percorrer um longo caminho

Sobre mestrado e doutorado, principalmente nas empresas dos USA sei que é uma exigência bem comum para as posições mais seniores da área de dados, no Brasil tenho visto algumas empresas com times mais maduros começar a exigir esse tipo de formação para algumas posições mas ainda é bem raro (e se você tiver um portfólio muito bem estruturado e comprovar que sabe resolver problemas complexos dificilmente esse tipo de diploma será um impedimento na minha opinião).

2. O que devo aprender primeiro?

Bom essa resposta vai depender da posição que você está buscando e dos conhecimentos que já possui. Como muitas pessoas fazem recorrentemente essa pergunta na internet, é comum encontrarmos roadmaps e trilhas de estudo para a área de dados.

Para exemplificar olha que interessante esse roadmap que o Allan Sene construiu para uma pessoa que quer se tornar Data Engineer:

Imagem do post do Allan Sene: https://medium.com/data-hackers/um-roadmap-de-estudos-para-se-tornar-um-engenheiro-a-de-dados-52fc2c14a3c8

Com uma rápida pesquisa no Google encontrei alguns outros roadmaps que podem ser úteis para sua transição de carreira:

Data Scientist Roadmap — freeCodeCamp

Data analyst Roadmap — Rebecca Vickery — Parte 1 e Parte 2

*Obs: Será que se nós do Data Hackers criássemos roadmaps de carreira com base na nossa experiência e vivência isso ajudaria vocês de alguma forma? Responda nos comentários.

Outra dica é você listar as principais empresas que gostaria de trabalhar, pegar as vagas que estão abertas nessas empresas e lista os requisitos mais frequentes dessas vagas, para ter um entendimento dos principais pontos que você precisa aprender e evoluir.

Posso fazer cursos online para aprender o que falta?

SIM. Cursos online são ótimas maneiras de ganhar conhecimentos em áreas mais técnicas e específicas como Data Science. Como falei anteriormente, pelo menos no Brasil, vejo que a maioria das empresas está mais interessada no que você sabe do que em um diploma, dessa forma os cursos online podem ser um atalho para ganhar um conhecimento mais rápido.

Apesar de termos muito conhecimento gratuito amplamente disponível na internet, fazer a curadoria desse conteúdo nem sempre é uma tarefa fácil, diante disso vejo um curso online como uma forma mais direcionada de se obter conhecimentos, pois você vai ter um instrutor, um caminho a ser seguido, uma turma caminhando junto, possibilidade de tirar dúvidas etc.

Quais as principais formas de aprender os conhecimentos necessários para a área de dados:

Cursos online
Lives e eventos online
Livros e ebooks
Participar de desafios e competições
Artigos científicos e whitepapers
Acompanhar blogs e newsletters para se manter atualizado
Eventos presenciais (quando voltarmos a normalidade)
Fazer muito networking e participar de comunidades

*Dica: Não adianta só estudar, o ideal é balancear estudo e prática e aproveitar para ampliar o portfólio de análises.

O Networking é realmente importante?

SIM. Uma das áreas que mais tem se beneficiado do networking é a área de tecnologia ao ponto de existirem comunidades com alto valor de mercado, tamanho o benefício que ela proporciona.

Na área de dados não é diferente. Participar de uma comunidade pode ter dar acesso mais rápido ao que está acontecendo no mercado, as principais tendências, entender as soluções e ferramentas mais utilizadas, tirar dúvidas e o mais importante aprender muito. Como uma comunidade é uma via de mão dupla você também vai conseguir ajudar aos outros e passar para frente um pouco do seu conhecimento.

Se você chegou até aqui gostaria de aproveitar para te convidar a participar da nossa comunidade, lá você vai encontrar:

Newsletter semanal, onde você vai receber um email todas as segundas-feiras com uma curadoria dos principais conteúdos sobre a área de dados que estiverem em destaque naquela semana
Grupo do Slack, onde você vai ter oportunidade de se conectar com várias pessoas do mercado de dados, acompanhar diversas discussões relevantes na área, ter acesso a oportunidades de emprego e inscrição em eventos.
Podcast Data Hackers, o maior podcast da área de dados no Brasil com conteúdo 100% em português. Mensalmente convidamos pessoas fora da curva na área de dados para participar e compartilhar com a gente sobre suas experiências.
Blog/Medium, nosso blog é alimentado pela própria comunidade e toda semana conta com novos conteúdos sobre os mais variados temas da área, do básico ao avançado.

Para se inscrever e fazer parte basta clicar no link: https://datahackers.com.br/.

Passo 5 — Como um profissional em transição de carreira deve se candidatar a área de dados

Bom, não vai ser surpresa para ninguém o que vou falar, mas um profissional em transição de carreira vai ter exatamente os mesmos meios para se candidatar de um profissional que já atua na área, o diferencial aqui é como utilizar toda sua experiência a seu favor.

Preparando o currículo:

Preparação de currículo é um ponto que pouca gente sabe/pratica, mas eu recomendo que você adapte o seu currículo para a vaga que você deseja concorrer.

Obs: Não estou falando de mentir no currículo, pois se a empresa for séria você ainda vai passar por uma série de entrevistas, testes e em muitos casos buscas de recomendação, então são grandes as chances de alguma mentira ser de alguma mentira ser descoberta. Mesmo depois de contratado você pode perder toda a confiança da sua liderança e ser demitido caso fique comprovado que você mentiu no currículo.

Carta de Apresentação: É muito importante você deixar claro o motivo que te levou a buscar uma transição de carreira, se isso não estiver claro para o recrutador as chances de passar na entrevista são remotas. Foque mais em motivos sobre o seu futuro (identificação com a área etc) do que o seu passado (mercado saturado, poucas oportunidades).
Experiências profissionais: Estude bem a vaga que você quer se candidatar, depois tente voltar a cada ponto da sua experiência profissional e relacionar como seus aprendizados podem te ajudar em desafios da área de dados. Desafios pouco relacionados com a nova área não precisam de tanto destaque. Exemplo: Se você passou os últimos 3 anos gerando relatórios, indicadores de performance e apresentações para a alta direção da empresa foque nisso e não precisa dar muito destaque para seu primeiro estágio 10 anos atrás na área administrativa pois essa experiência é menos relevante para esse momento.
Portfólio: Já falei antes e volto a repetir, um portfólio pode ser o elemento responsável por quebrar a objeção do recrutador ao pensar que você não tem nenhuma experiência prática na área de dados. O portfólio pode ser uma página no Github onde suas análises estão reunidas, um blog com vários posts sobre a área de dados, ou até mesmo um documento explicando suas principais experiências práticas (pode ser no trello ou airtable por exemplo ou até mesmo um pdf).
Competências Técnicas: Lembra que eu te orientei a estudar as vagas antes de se candidatar? Bom, agora é hora de utilizar essas informações. Procure dar destaque a competências técnicas que estejam relacionadas a vaga, fuja de competências muito óbvias (estamos em 2021, não precisa por que sabe utilizar a internet ou o word), evite incluir competências que só você saiba explicar isso pode gerar mais dúvidas do que certezas (exemplo: você souber manusear máquinas pesadas ou saber editar fotos utilizando o photoshop, apesar de ser legal saber fazer isso, geralmente não é tão relevante para a área de dados). Outro ponto interessante é que talvez você não saiba Python mas já tenha desenvolvido software em outras linguagens, talvez não saiba Power BI mas saiba fazer cruzamentos de dados utilizando outras tecnologias como Tableau ou Qlik (se você conseguir deixar claro no currículo que tem ciência disso e está em processo de aprendizado desses novos conhecimentos, isso pode ser visto como um ponto muito positivo).

Obs: Não existe uma fórmula de bolo para o currículo, essas dicas fazem parte do meu ponto de vista e não de todos os recrutadores (lembre-se: nem sou da área de recrutamento e seleção), acredito que apesar de boas práticas um currículo tem que ser pessoal e autêntico.

Primeiro contato com o recrutador: Esse ponto talvez seja o mais difícil para um profissional em transição, pois seu currículo é um “outlier” em meio a vários currículos de pessoas que estão seguindo o caminho natural da área (estudo focado em dados > estágio > experiências na área de dados de outras empresas). Uma transição de carreira ainda carrega outras dores (que tornam essa decisão difícil para o recrutador).

A maioria das pessoas em transição de carreira ainda não tem experiência prática na área, mas buscam vagas com um salário acima do que ganham atualmente, isso geralmente as leva a competir com profissionais com muita experiência prática na área de dados
Profissionais em transição de carreira dificilmente tem a oportunidade de fazer um estágio na área e geralmente não tem o mesmo tempo livre para estudar novos conceitos que pessoas recém formadas

Diante disso, a menos que você tenha se esforçado muito para atender todos os pontos até aqui a etapa de primeiro contato com o recrutador vai influenciar muito no sucesso da sua busca por oportunidades. Nessa parte a dica que eu dou é você tentar deixar bem claro para o recrutador desde o início que você está preparado para essa vaga, mostrando que você estudou a empresa, entende o tamanho do desafio, já mapeou seus pontos fracos e está trabalhando para desenvolve-los. Outra dica é tentar ter algum contato com o recrutadores e profissionais da área, por exemplo em eventos de tecnologia. Nesses momentos além de entender melhor sobre os desafios você vai poder perguntar para eles sobre carreira, oportunidades e pedir dicas.

Por fim, não desanime na primeira entrevista. Eu mesmo já fui descartado de dezenas de entrevistas de emprego (muitas dessas empresas me procuram hoje e oferecem oportunidades), não leve para o lado pessoal, cada entrevista é uma oportunidade de aprendizagem, tenha humildade de reconhecer onde você pode se desenvolver seja em hard skills ou soft skills.

Se preparando para testes e entrevistas técnicas: Lembra que eu falei da experiência prática? Se você realmente estiver praticando não vai ter muitos problemas nessa parte. Em entrevistas técnicas tente mostrar como sua experiência te ajudou a superar os desafios do teste, isso vai ajudar os responsáveis pela vaga a entender melhor como sua experiência será um diferencial para você nessa posição. Outro ponto é o mesmo que o que falei acima, cada teste técnico será um aprendizado e um direcionador de pontos que você ainda precisa desenvolver tecnicamente.

Bom, se você chegou até essa parte do post parabéns! Você mostrou muita resiliência ao ler quase 9.000 palavras e tentar ir mais a fundo e entender alguns passos que acredito que podem aumentar as chances de sucesso sua recolocação profissional. Nesse momento o que eu posso te desejar é muita boa sorte nessa jornada e voltar a te convidar a participar da comunidade, lá você vai poder contar não só com minha ajuda mas de dezenas de milhares de profissionais brasileiros. Um grande abraço e se tiver dúvidas pode mandar nos comentários ou no slack do Data Hackers que farei questão de responder!