Pensando em Migrar Sua Carreira para Data Science? Se você está em uma carreira a um bom tempo, entre 10 ou 20 anos, e está pensando em mudar para Data Science (Ciência de Dados), aqui estão algumas dicas que vão auxiliá-lo no planejamento da sua jornada.

São muitas os alunos que pedem conselhos sobre carreira e muitos deles estão desejando mudar ou seguir uma carreira em Data Science. Se você está neste grupo, deve estar enfrentando alguns dos mesmos desafios que os iniciantes, mas também alguns que são únicos para sua circunstância atual. Aqui estão algumas considerações e observações que podem ser valiosas.

 

Sobre Você

Quando as pessoas se auto-identificam como profissionais no meio da carreira, geralmente citam 10 ou 20 anos de experiência, provavelmente com idade entre 30 ou 40 anos. A maioria dessas pessoas dizem estar envolvidas com TI, talvez como programador, analista, administrador ou similar. Alguns estão em uma área de operação fortemente orientada a dados. A maioria tem um diploma de bacharel, mas alguns não.

Sobre Você

Por que mudar do nada?

Porque a Ciência de Dados é a profissão mais promissora do momento e será pelos próximos 10 a 15 anos, pelo menos! Estamos constantemente expostos a artigos que consideram a profissão de Cientista de Dados como a melhor profissão nos EUA e em franco crescimento no Brasil e todos estão certos. O trabalho é interessante e desafiador. O Cientista de Dados trabalha com ferramentas que evoluem muito rapidamente e para melhor. Isso significa que para trabalhar com Data Science é preciso ter um perfil “Lifetime Learning”, ou seja, ter prazer em estar sempre aprendendo! Se você acha que basta aprender uma tecnologia e não precisa mais estudar, você não tem o perfil para trabalhar com Ciência de Dados.

Todos estão cientes de que há uma falta estrutural de Cientistas de Dados qualificados. As empresas estão buscando ativamente e não conseguem encontrar profissionais qualificados, o que se reflete na compensação acima do valor de mercado.

Presumivelmente, também existe um nível de insatisfação com o salário que você recebe em sua carreira atual, depois de 10 ou 20 anos na mesma carreira. Se você está procurando “novos ares” e novos desafios de carreira, Data Science pode ser uma boa opção. As possibilidades são muitas.

 

O Custo da Mudança

OK, a escassez está a seu favor, mas vamos ser francos. Existem algumas vantagens para os anos que você já dedicou na sua carreira atual, e você também tem muito mais probabilidade de se sentir resolvido consigo e com sua família, além de estar bem resolvido financeiramente. Mas e o futuro?

O maior impedimento que você enfrentará é onde encontrar tempo para se formar em Data Science, enquanto ainda está ganhando a vida. Em segundo lugar, uma vez que você estará competindo por essas posições iniciais com os recém graduados, o salário inicial pode ser inferior ao que você está ganhando agora. É uma questão de escolha e ela é inteiramente sua. Talvez descer um degrau agora, para subir dois mais a frente!

As melhores pesquisas salariais para Cientistas de Dados preveem salários acima de U$ 150.000 dólares anuais nos EUA. No Brasil, os salários não chegam a números como esse, mas estão acima da média, pois simplesmente não há profissionais qualificados em quantidade suficiente.

 

Como você se diferencia para ser contratado?

Sabe qual é a principal pergunta em uma entrevista para uma posição como Cientista de Dados? Essa aqui: “me diga em detalhes sobre o tipo de problemas em que você trabalhou, sobre como você preparou os dados, quais os algoritmos específicos que você usou para modelar, quais ferramentas ou linguagens você usou neste problema (R, Python, SAS, SPSS, outro), e qual foi o resultado”. Sim, isso mesmo. Várias perguntas em uma só. Essas perguntas são básicas e vão ajudar o empregador a determinar seu nível de experiência. A boa notícia é que você não precisa estar empregado como Cientista de Dados para adquirir esta experiência. Você pode criar seu portfólio de projetos e apresentar aos empregadores que, embora você não tenha ainda trabalhado como Cientista de Dados, você vem desenvolvendo projetos que podem se relevantes para a empresa. Clique aqui para ver algumas dicas preciosas sobre como criar seu portfólio de projetos.

Mas durante o processo de entrevista, não caia na tentação de querer passar detalhes sobre código ou qual processo de normalização de dados foi utilizado (a menos que seja expressamente questionado sobre isso). As empresas querem saber se você sabe resolver problemas e como sua contratação pode ajudar a empresa a atingir sua metas. Siga esta simples dica e você já estará se diferenciado de pelo menos 80% dos demais candidatos. Esteja pronto para responder perguntas como essas em suas entrevistas iniciais:

• Qual foi o problema do negócio a ser resolvido em seu último projeto?

• Como você obteve os dados?

• O que você fez para limpar e preparar os dados, incluindo qualquer engenharia de recursos?

• Quais os algoritmos que você aplicou e por quê? (Você pode me dizer aqui sobre R, ou Python ou outras ferramentas, mas eu me importo muito com os algoritmos).

• Como você escolheu o melhor modelo preditivo?

• Qual foi o resultado? Ou, qual teria sido o resultado financeiro ou comercial se o caso hipotético tivesse sido implementado?

Mais tarde, quando estiver em uma entrevista mais técnica, sinta-se livre para mergulhar profundamente em questões relacionadas ao trabalho com Data Science. Mas para começar, impressione seu entrevistador com amplitude e profundidade em suas respostas, de preferência em problemas que tenham alguma relevância para o negócio da empresa.

Uma boa estratégia aqui durante o seu estudo, seja através de algum curso online ou por conta própria, é chegar às empresas locais de médio e grande porte e pedir problemas de negócios reais que você possa trabalhar. Três ou quatro desses “projetos de referência” que se relacionam com o setor que você mais está interessado em perseguir, serão como o ouro, desde que você os use para ilustrar que sua aprendizagem teve aplicação prática. E ainda existe uma boa chance de ser contratado por uma dessas empresas para implementar a solução que você criou usando Machine Learning por exemplo.

Se você não consegue encontrar um problema de negócios real, poderá criar projetos de referência a partir de conjuntos de dados publicamente disponíveis que se relacionem com o setor de destino. Se você é motivado por competições da Kaggle, junte-se a eles. Mas tome cuidado, pois você pode se envolver em projetos tentando implementar técnicas avançadas e exóticas que muitas vezes não se usam no mundo real.

Lembre-se que no mundo real de Ciência de Dados, você não recebe todo tempo do mundo para trabalhar em um problema. Existe um tradeoff entre o custo do seu tempo e o valor da solução de um lado e a quantidade de tempo que você pode gastar no outro. É melhor conversar sobre o uso efetivo e eficiente do seu tempo na resolução de problemas do que falar sobre ter uma precisão melhorada na terceira ou quarta decimal. As empresas querem resolvedores de problemas. Seja um! E você fará parte de um seleto grupo de profissionais diferenciados.

 

As empresas querem resolvedores de problemas. Seja um!

E você fará parte de um seleto grupo de profissionais diferenciados.

 

Oportunidades e Mercados

O mercado principal de Data Science inclui empresas de setores como seguros, bancos, finanças serviços públicos, comércio eletrônico, governo, consultoria e muitos outros. A boa notícia é que as oportunidades em Data Science estão localizadas em várias grandes cidades de todo país.

As melhores estimativas atuais são que cerca de 40% das empresas dos EUA estão ativamente usando análises preditivas. É um número difícil de verificar, mas que parece demonstrar o que já vemos no mercado. No Brasil os números são mais modestos, mas com o reaquecimento da economia, a expectativa é que o mercado se movimente cada vez mais, e quem estiver preparado, será disputado no mercado. Quanto a isso, não existe dúvida.

Cientistas de Dados x Engenheiros de Dados

Existe uma distinção clara entre Engenheiros de Dados e Cientistas de Dados. Nem todos entendem esta distinção ainda. O lado da Engenharia de Dados tem muito mais em comum com a ciência da computação clássica e com as operações de TI do que a Ciência de Dados. Você pode pensar nesta divisão como o Cientista de Dados começando com os dados brutos e passando pela modelagem e implementação. Os Engenheiros de Dados trabalham com a infraestrutura necessária para suportar a Ciência de Dados.

Desde o advento das bases de dados NoSQL, do Hadoop e do Spark, passando pela IoT (Internet of Things) até outros métodos de transmissão e armazenamento, incluindo Data Lakes como alternativa aos EDWs (Enterprise Data Warehouses), existe uma especialidade crescente entre aqueles que sabem como criar e manter essas ferramentas das quais a Ciência de Dados depende. Isso se estende particularmente às capacidades de crescimento rápido de ambientes em nuvem (Cloud Computing) e SaaS. Se você puder aprender a configurar uma instância Spark, um Data Lake ou um aplicativo de streaming no AWS, no Azure ou no Google, esse pode ser um meio intermediário muito confortável e bem compensativo para você considerar.

A diferença entre os Engenheiros de Dados e os Cientistas de Dados deve ser a sua menor preocupação ao ler anúncios de emprego. Ainda é comum ver um anúncio para Analista de Dados quando o que é desejado é um Cientista de Dados, inversamente, anúncios para Cientistas de Dados, onde as tarefas e habilidades reais não excedem o SQL no EDW. Pode demorar um pouco para que os departamentos de RH atinjam esse nível de compreensão e diferenciação. Entretanto, esteja ciente do problema e leia os detalhes da descrição da vaga.

 

AI, Deep Learning, Escolhendo uma Especialidade

Ao longo dos últimos anos, as demandas de diferentes mercados de trabalho criaram especialidades dentro da Ciência de Dados. Curiosamente, as técnicas permanecem as mesmas, mas a maneira como elas são aplicadas em cada empresa ou mercado varia. Uma compreensão aprofundada do modelo de negócios de cada mercado ou empresa é muito importante. Por exemplo, o comércio eletrônico procura pessoas com um conhecimento prático sobre como analisar logs da web e criar sistemas de recomendação, enquanto as empresas de seguros, bancos e empréstimos estão buscando modelos de risco e detecção e prevenção de fraudes.

O que eles têm em comum é que 90% do trabalho realizado na Ciência de Dados ainda é sobre prever o comportamento do consumidor. Aqui, sua experiência anterior no mercado pode ser um benefício específico se você quiser permanecer nesse setor.

Separadamente, as pessoas geralmente perguntam sobre AI e Deep Learning. Diversas arquiteturas de redes neurais profundas, especificamente redes neurais convolucionais e recorrentes com LSTM, já estão sendo usadas em aplicações comerciais de IA. A menos que você esteja particularmente motivado, este não é material de nível básico  e começar por esta área pode resultar em gaps de conhecimento. Comece por Ciência de Dados e depois naturalmente escolha uma de suas muitas especialidades. Mas caso queira começar a investigar o que pode ser feito com Deep Learning, comece então explorando frameworks como Tensorflow ou PyTorch.

 

Conclusão

Mudar de carreira não é uma decisão fácil, principalmente à medida que adquirimos mais experiência em nosso campo de atuação. Mas vivemos em um mundo que anda (ou corre) em velocidade cada vez maior, e o que aprendemos ontem pode não ser suficiente para que o que faremos amanhã. Mudar de carreira é algo que pode trazer desafios e também satisfação pessoal. É a oportunidade de recomeçar, mas agora com mais experiência e uma visão mais clara do mercado e do ambiente corporativo. E olha que nem citamos aqui a chance de empreender e desenvolver sua própria aplicação analítica e oferecê-la de forma online para clientes em todo o Brasil e porque não, no mundo!

Aproveite ao máximo o que você tem, vá em frente e boa sorte.

 

Equipe DSA

Referências:

Some Thoughts on Mid-Career Switching Into Data Science

Como mudar de carreira aos 25, 35 e 45 anos

Formação Cientista de Dados