Dicas Valiosas para Aspirantes a Cientista de Dados — Introdução
Já dei muitas mentorias durante a minha carreira tanto para pessoas que estavam começando agora quanto em transição. Sei que estamos vivendo um momento com excesso de informações e é fácil se sentir perdido ou sobrecarregado em uma área nova como ciência de dados. Por isso, resolvi começar uma série de artigos para tentar auxiliar quem está passando por essas situações.
Antes de começar gostaria de fazer uma analogia com o livro As Aventuras de Alice no País das Maravilhas de Lewis Carroll. Tem um trecho que Alice conversa com o gato perguntando sobre qual seria o melhor caminho a seguir. Ele afirma que depende onde ela deseja chegar. Quando ela responde que não importa muito, o gato sugere que não importa para qual caminho seguir então. Eu gosto muito desse trecho, pois é assim com as mentorias também. É muito difícil alguém conseguir te ajudar sem contexto. Se você mesmo não conhece seus objetivos, as dicas dadas serão superficiais.
O meu propósito com essa série de artigos é te ensinar a definir o seu objetivo profissional a curto prazo e como fazer o planejamento para conquistá-lo. Quero te ajudar também a entender o que é ser um cientista de dados. Talvez você até descubra antes que tem mais fit com outra profissão de dados. De qualquer forma, você não sairá pronto para ser um cientista de dados só lendo essas informações. Terá que estudar bastante e correr atrás para que isso aconteça, mas espero que essa série te ajude a fazer isso de forma mais objetiva.
Bom, vamos começar! Criei o fluxograma a seguir para tentar “dar um norte” de forma que você consiga não apenas definir seus objetivos, mas também, criar um planejamento para atingi-los.
1 — Entenda as diferentes profissões de dados para escolher a mais adequada ao seu perfil:
Um ponto que queria ressaltar é que podem haver diferenças de uma empresa para outra. Muitas vezes em empresas com time de dados pequeno os profissionais podem ter que assumir responsabilidades de outro papel. Por exemplo, é comum em algumas empresas que o cientista de dados tenha que exercer parte das responsabilidades de um engenheiro de aprendizado de máquina. Então aqui eu irei trazer uma visão geral e recomendo que depois que você escolher qual dessas profissões tem mais fit com o seu perfil, tente saber como é a atuação desse profissional em empresas que você deseja tentar o processo seletivo.
Para facilitar também o entendimento das diferenças entre cientista de dados, analista de dados e analista de BI, criei essa representação dos tipos de análises de dados. São 4 tipos: descritiva, diagnóstica, preditiva e prescritiva. Você verá que estes profissionais trabalham para gerar conhecimentos a partir de dados que auxiliarão na tomada de decisões, mas seus focos são diferentes.
- Analista de BI (Business Intelligence Analyst)
Responsável por transformar dados em conhecimentos que irão auxiliar a tomada de decisões do negócio. O analista de BI trabalha mais com análises do tipo descritivas. Tem um grande foco na estruturação de relatórios, desde o fluxo de dados até a visualização. Trabalha com dados estruturados.
- Analista de dados (Data Analyst)
É uma profissão mais recente que analista de BI. Ambos tem como responsabilidade trazer conhecimentos a partir de dados para auxiliar a tomada de decisão do negócio e trabalham com dados estruturados. Porém, o analista de dados gera análises descritivas ou diagnósticas e procura padrões para responder as perguntas do negócio que podem depois virar relatórios para BI.
- Cientista de dados (Data Scientist)
O cientista de dados também trabalha com dados para auxiliar na tomada de decisão do negócio, mas com um foco em entender melhor o futuro. Ele faz análises preditivas ou prescritivas (por exemplo com criação de modelos de aprendizado de máquina) que podem até ser incorporados ao produto da empresa. Além disso, o cientista de dados pode atuar com dados não estruturados (dados não tão bem definidos). Ele trabalha bem próximo ao engenheiro de aprendizado de máquina. Também é próximo do time de negócios, mas não tanto quanto um analista de dados e um analista de BI. Por fim, o cientista de dados geralmente tem mais habilidades voltadas ao desenvolvimento de software que os outros dois profissionais.
- Engenheiro de aprendizado de máquina (Machine Learning Engineer)
Esse profissional é quem implanta o MLOps (Machine Learning Operations), agiliza e facilita o processo de colocar modelos de machine learning em produção criando ferramentas e pipelines. Esses pipelines de machine learning auxiliam a manter a saúde dos modelos criados por cientista de dados para que tenham monitoramento, atualizações contínuas e evitem o deterioramento da qualidade do modelo. Os engenheiros de aprendizado de máquina tem habilidades parecidas com desenvolvedor de software, mas com foco em desenvolvimento de ferramentas de machine learning. Muitas vezes trabalham próximo aos cientistas de dados e engenheiros de dados.
- Engenheiro de dados (Data Engineer)
Responsável pela qualidade dos dados da empresa. É quem cria pipeline de dados (planejamento, desenvolvimento, modelagem e monitoramento). É o pilar para se iniciar um time de dados, pois é o profissional que cuida da infraestrutura dos dados que serão utilizados pelos outros profissionais. Frequentemente trabalha próximo aos engenheiros de software, engenheiros de aprendizado de máquina e cientistas de dados.
2 — Lembre-se que existem vários níveis de carreira para cada uma dessas profissões:
- Estagiário: estudante em começo de carreira. Contrato de trabalho com horário diferenciado. Foco maior em aprendizado que entrega. Recebe muito apoio para desenvolver suas atividades.
- Júnior: é alguém recém graduado ou ainda sem muita experiência na área. Pega atividades com baixa complexidade e tem apoio de outras pessoas.
- Pleno: tem boa experiência na área. Consegue trabalhar em atividades mais complexas, mas ainda precisa que os projetos estejam mais estruturados.
- Sênior: tem muita vivência na área. Consegue estruturar e desenvolver projetos complexos. Também consegue apoiar bem e ser uma referência para o time.
Depois de sênior podem haver outros níveis dependendo do formato da carreira da empresa. Por exemplo, em empresas que funcionem com carreira em Y há a divisão em gestão e técnico. Eu optei pela carreira técnica. Meu nível hoje é de especialista. Podem haver divergências do nome adotado por cada empresa e nível de granularidade dentro de um mesmo cargo, mas este é um outro assunto.
3. Descubra as competências necessárias para a carreira e nível escolhido:
Tente estudar o que é necessário para o seu nível e carreira. Comece buscando vagas em empresas que te interessem, olhe quais são os requisitos necessários para o seu nível e, no máximo, quais são os diferenciais para você se destacar. Não tente abraçar o mundo de uma única vez. Tenha foco! Pesquise antes de começar a se planejar. Se possível, converse também com pessoas que trabalhem na área.
Estudo e Processo Seletivo
Depois de fazer os passos anteriores, crie seu roteiro de estudos com metas e prazos. Quando se sentir preparado o suficiente, comece a fazer processos seletivos. Faça, no máximo, dois ao mesmo tempo para não ir queimando as suas vagas de uma vez e conseguir se dedicar em fazer bem o processo e conhecer a empresa que você está aplicando.
Por fim, mesmo se já tiver sido reprovado em um processo seletivo, não desanime. Peça feedback para a empresa. Muitas empresas de tecnologia são bem abertas a darem feedbacks sobre pontos de melhoria que eles perceberam durante o processo. Adicione esses pontos no seu plano de estudos também. Se mesmo assim estiver sendo difícil entrar no mercado, procure empresas e vagas com nível de exigência menor até você adquirir mais experiência. Às vezes a gente também tem que saber dar um passo para trás para dar dois passos para frente depois. Sucesso não é uma linha reta.
Espero que essa introdução tenha ajudado a te dar um norte, vejo você no próximo! 😊
▬▬▬▬▬▬▬▬
Se inscreva na newsletter para receber notificações dos próximos artigos. O que vem por aí:
- Dicas valiosas para aspirantes a cientista de dados — introdução ✔️
- Dicas valiosas para aspirantes a cientista de dados — habilidades
- Dicas valiosas para aspirantes a cientista de dados — conceitos
- Dicas valiosas para aspirantes a cientista de dados — materiais de estudo
Sinta-se à vontade para deixar seu feedback aqui e compartilhar esse artigo com quem estiver tentando entrar na área.
*Deixo aqui também o meu muito obrigada ao Gabriel Campos, Jhones Pinto e Jaime Kuei pelas dicas e feedbacks neste artigo.
#cienciadedados #cientistadedados #datascience #datascientist
