No momento em que publicamos esse artigo (Fevereiro/2022), a Data Science Academy superou a marca de 600 mil alunos, em todos os cantos do Brasil e do mundo. Capacitamos alunos de diversos clientes corporativos, de algumas das maiores empresas do país e de muitos órgãos públicos (empresas que possuem um criterioso processo de contratação). Temos alunos de diferentes perfis, idades, formações e níveis de experiência, todos em busca de conhecimento em Ciência de Dados, Inteligência Artificial, Blockchain, RPA e tecnologias relacionadas, áreas com grande número de oportunidades, mas carência de profissionais qualificados.

São quase 6 anos capacitando alunos de alto nível, o perfil dos alunos da DSA.  E nosso Suporte em até 24 horas (considerado de excelência pelos alunos), atende a mais 8 mil chamados por mês, desde dúvidas básicas a questionamentos avançados, passando por dúvidas de carreira, por onde começar, como migrar de área ou mesmo pedidos de permissão para usar nossos projetos como inspiração para TCCs ou teses de Mestrado.

Temos entre nossos alunos: estudantes, professores, empreendedores, profissionais de diversos níveis de experiência e de diferentes áreas, de todas as regiões do Brasil. Profissionais sem curso superior a profissionais com PhD.

Tudo isso nos permitiu detectar padrões comuns no comportamento dos alunos, principalmente os erros e acertos de quem está iniciando uma carreira em Data Science. O que vamos trazer agora para você não é suposição ou “achismo”, mas sim fruto de observação e análise.

Neste artigo traremos os 7 Erros Mais Comuns ao Iniciar Uma Carreira em Data Science. Esperamos com isso ajudar aqueles que ainda estão buscando caminhos para entrar no mercado de análise de dados, um dos mercados mais promissores para os próximos anos.

Aproveite a leitura.

7 Erros Mais Comuns ao Iniciar Uma Carreira em Data Science

Erros fazem parte do processo de aprendizagem e todos nós, sem exceção, cometemos erros em nossa jornada. Infelizmente a cultura brasileira massacra o erro e faz com que as pessoas tentem evitá-lo a todo custo. Mas o erro pode trazer lições preciosas que, se bem aproveitadas, podem acelerar o aprendizado ou mesmo evitar que novos erros sejam cometidos. Acompanhe os 7 Erros Mais Comuns ao Iniciar Uma Carreira em Data Science.

1- Dedicar Muito Tempo a Teoria

Esse é sem dúvida o erro mais comum de todos. Acreditar que será possível aprender rapidamente a teoria por trás de Ciência de Dados, área multidisciplinar que envolve Matemática, Estatística, Ciência da Computação e Conhecimento de Negócio, demonstra toda a falta de preparo, falta de conhecimento sobre o que é Data Science e falta de metodologia de estudo. Muitos profissionais experientes podem não conseguir adquirir o conhecimento teórico em Data Science mesmo trabalhando com análise de dados por anos seguidos, imagine quem está começando seu aprendizado.

Leia atentamente o que estamos dizendo antes de começar a julgar e criticar como faz o “Tribunal de Internet”. Não estamos dizendo que a teoria não é importante, mas sim que dedicar muito tempo a ela ao iniciar uma carreira em Data Science é um erro. A melhor abordagem de estudo é equilibrar teoria e prática na medida certa, estudando conceitos teóricos e na sequência aplicando com atividades práticas. Essa metodologia (que adotamos em todos os cursos na DSA), acelera o aprendizado ao mesmo tempo que vai construindo uma base sólida de conhecimento. O aluno compreende porque aquele conceito teórico é importante e como aplicá-lo. Passo a passo. Estudar apenas teoria ou apenas prática, deixa lacunas de aprendizado e o equilíbrio é mais efetivo para o aprendizado.

2- Começar Construindo Algoritmos a Partir do Zero

Outro erro comum, que pode causar frustração para quem está começando. Começar a desenvolver algoritmos a partir do zero antes de compreender o processo de Ciência de Dados ou mesmo de Machine Learning é improdutivo e ineficiente. A utilização de um framework durante o início do aprendizado, permite que o aluno tenha uma compreensão do processo e veja as coisas funcionando rapidamente. Somente quando esta compreensão estiver clara e o conhecimento sólido, é que o aluno deve partir para o desenvolvimento de algoritmos a partir do zero, como forma de aprender os detalhes Matemáticos e/ou Estatísticos.

Mais uma vez leia atentamente o que estamos explicando: construir algoritmos a partir do zero não é um erro e deve sim ser praticado (e ensinamos isso em vários dos nossos cursos), mas não deve ser adotado como técnica de estudo no início da carreira em Ciência de Dados, não antes de compreender o processo.

3- Iniciar com Tópicos Avançados

Esse erro nem precisava fazer parte da lista, mas é tão comum que chega a ser surpreendente. Se está começando, qual o sentido em partir para tópicos avançados e complexos? Você aprendeu a correr antes de aprender a andar? Não, certo? Pois é! Comece do básico e vá evoluindo aos poucos, pois cada novo tópico estudado e aprendido servirá de alavanca para aprender o próximo tópico e assim por diante.

O aluno deve começar analisando datasets mais simples, aplicando técnicas mais básicas e aumentando o grau de dificuldade de forma gradativa. É o que fazemos em nossos treinamentos e percebemos claramente a evolução do aluno ao concluir cada curso de uma formação. E como avaliamos isso? Simples, pelas perguntas que são feitas.

O conhecimento de uma pessoa não se avalia pelas respostas que ela fornece, mas pelas perguntas que ela faz. No começo da Formação Cientista de Dados, por exemplo, o nível das perguntas é bastante básico, mas à medida que os alunos vão avançando, as perguntas vão aumentando de nível (o que alias deixa nossa equipe satisfeita e orgulhosa em ver a evolução do aluno, capaz de fazer perguntas cada vez mais elaboradas, demonstrando a construção sólida do conhecimento).

4- Ter Muitos Jargões Técnicos no Currículo

Iniciar uma carreira em Data Science passa por submeter o currículo para vagas em aberto e fazer entrevistas. O uso de jargões técnicos é uma demonstração clara de que o candidato não é proficiente em uma importante habilidade em Ciência de Dados: Comunicação.

O uso de jargões técnicos no currículo demonstra que o candidato não tem preocupação em ser compreendido e isso é preocupante uma vez que o candidato terá que apresentar os resultados da sua análise para equipes não técnicas. Não quer ser chamado para entrevistas? É simples: use jargões técnicos em seu currículo para posições em Ciência de Dados.

5- Não Estar Preparado Para Discutir Sobre Projetos Em Uma Entrevista

Uma empresa não contrata um profissional porque ele se formou na Universidade A ou B, nem porque ele tem 15 Mestrados ou 18 Doutorados e muito menos porque fala Latim e Alemão. Uma empresa contrata profissionais para resolver problemas. É disso que as empresas precisam. Se em uma entrevista o candidato é capaz de discutir sobre projetos e soluções, isso demonstra sua habilidade em resolver problemas.

Infelizmente muitos não compreendem isso e depois reclamam que as empresas não contratam. Mas será que você está entregando o que a empresa quer receber? Para ser capaz de discutir sobre projetos, você deve trabalhar neles, seja em sua empresa atual, como consultor ou por conta própria. Pare de inventar desculpas e apenas trabalhe em projetos, crie seu portfólio e aprenda a comunicar seus resultados. Isso falará mais alto em seu currículo e fará toda a diferença nas entrevistas.

Por isso oferecemos uma grande quantidade de projetos e mini-projetos em todos os cursos da DSA. Um aluno certa vez reportou que havia levado seu notebook para uma entrevista e durante a conversa com a equipe técnica comentou sobre um projeto que tinha aprendido e trabalhado em nossos cursos. O gestor pediu para ver o projeto que estava no notebook e o aluno não apenas mostrou, como explicou em detalhes seu funcionamento. Claro que foi contratado.

6- Subestimar a Importância do Conhecimento de Negócio

Esse é um erro clássico de quem está começando, em acreditar que basta aprender Python ou R, estudar Estatística, saber criar gráficos e pronto, já pode ser contratado como Cientista de Dados Sênior. Não é assim que funciona. Seu nível de conhecimento não será medido pelo conhecimento técnico apenas, mas sim como o conhecimento técnico pode ser usado para resolver problemas em diferentes áreas de negócio. 

Finanças, Medicina, RH, Varejo, Marketing. Em todas as áreas temos problemas e desafios que devem ser superados e a compreensão desses problemas e seu relacionamento com o produto ou serviço oferecido pela empresa é o grande diferencial de carreira. Isso é fácil de desenvolver? Claro que não! Requer estudo, pesquisa, conversa com especialistas, leitura, participação em eventos e acima de tudo pró-atividade. Não venha com essa conversa de que não é possível. É sim. Mas para aqueles que assumem o controle de suas carreiras e estão dispostos a se manter em “modo de aprendizagem” constante. 

Leia o máximo que puder de livros de negócio, assine newsletters de sites especializados, converse com pessoas de outras áreas sempre que possível e desenvolva suas habilidades. Não fique limitado ao conhecimento técnico. Aliás, o único limite que existe é o que você impõe a si mesmo.

7- Negligenciar o Desenvolvimento de Habilidades de Comunicação

E por fim, o erro que pode custar caro e mesmo impedir uma carreira de sucesso em Data Science. E curiosamente esse é um erro quase padrão, cometido pela grande maioria das pessoas que pretendem iniciar uma carreira em Ciência de Dados.

A Comunicação é uma habilidade indispensável no mundo atual. Saber resumir o resultado de um processo de análise, ressaltando os pontos principais e o impacto para a empresa, sugerindo ainda ações a serem tomadas, é quase uma arte! Não é fácil. É preciso treino, aprender técnicas de apresentação, desenvolver a escrita e obviamente desenvolver a proficiência no idioma. Isso leva tempo! E exatamente por isso praticamos essa habilidade com os alunos em todos os nossos cursos.

Saber se comunicar é o diferencial entre os profissionais medianos e aqueles de alto desempenho! E para ajudar nossos alunos preparamos um curso especial de Soft Skills – Desenvolvendo as Habilidades Comportamentais, para complementar o aprendizado técnico e desenvolver outras habilidades que são fundamentais em qualquer carreira ligada à Ciência de Dados.

Evite esses erros com uma capacitação sólida, orientada às necessidades do mercado de trabalho e fornecida por quem tem experiência prática. Acesse nosso portal e comece agora mesmo:

www.datascienceacademy.com.br

Equipe DSA