Um cientista de dados é, por definição, um profissional que usa métodos estatísticos e de aprendizado de máquina para extrair insights dos dados. Em outras palavras, é uma pessoa que, diante de um problema, sabe o que fazer para chegar à solução, dentro de uma margem de erro aceitável. Em uma empresa, qual seria a diferença entre contratar esses profissionais e um de uma outra área qualquer?

O desafio para as equipes de Recursos Humanos é saber que, praticamente, não existem cientistas de dados disponíveis no mercado brasileiro, tal como a profissão foi desenhada para ser executada nos Estados Unidos. Para se ter uma ideia dessa realidade, basta anunciar uma vaga com o título de "cientista de dados". Todo tipo de profissional se candidatará, seja ele desenvolvedor que almeja uma remuneração maior, acadêmico, economista que já está acostumado a "trabalhar com dados", e mais uma porção de outros perfis que, no máximo, possuem em comum as linhas "python", "análise crítica de dados" e "dashboards para a tomada de decisão" em seus currículos.

O que acontece normalmente por aqui é que os profissionais contratados como cientistas de dados aplicam regras básicas estatísticas, muitas vezes com premissas incorretas ou inconsistentes, e produzem relatórios e estudos pontuais. O modelo de aprendizado de máquina utilizado será, provavelmente, de prateleira (xgboost, scikit-learn, etc.) e treinado em uma base de dados estática, que mora em seu notebook. Isso cria uma distância entre os cientistas de dados e as tomadas de decisão que têm alguma importância para o negócio.

Cientistas de dados são profissionais que agregam muito às empresas quando inseridos no ambiente correto, com os incentivos corretos e com os times de apoio já existentes. Quando contratados incorretamente, teremos expectativas de "gerar valor com os dados" que certamente não serão atendidas.

Esses profissionais têm dificuldade em colocar seus achados "em produção". Criam teoria. Abraçar um pouco de teoria, um pouco de ciência, um pouco de academicismo, ao por exemplo criar uma pequena área de ciência de dados, é torturar os profissionais com expectativas irreais, em um ambiente despreparado e que possui mecanismos que ativamente nos incentivam.

Prever a venda média não vai resolver a questão. Por exemplo: os fundos (assets) quantitativos não conseguirão um retorno significativamente superior ao mercado usando "um pouco de teoria".

Fazer machine learning dar certo, ou seja, se traduzir em tomadas de decisão de maior qualidade, é difícil para todas as empresas do planeta. Para qualquer empresa brasileira, não se trata de P&D, pesquisa ou experimentação. 99% das companhias precisam da produtização do machine learning ou da análise estatística: elas querem reduzir custos, aumentar vendas e tomar decisões melhores.

Na verdade, um pouco de teoria pode ser prejudicial. Deve-se ou abraçar a teoria e a complexidade em sua completude necessária para produzir resultados importantes, ou então deixar, sim, a intuição e as regras de bolso guiarem o negócio - já que estas carregam implicitamente uma complexidade aprendida e sintetizada ao longo dos anos.

*Dionisio Chiuratto Agourakis administrador de empresas pela FGV-EAESP e mestre em engenharia da computação pelo ITA, é cofundador e CEO da JAI

 

Siga a Bússola nas redes: Instagram | Linkedin | Twitter | Facebook | Youtube

Veja também

Claudia Elisa: 5 dicas na hora de criar um conselho para startup

Futuros Possíveis estreia para furar a bolha das narrativas de inovação

Plano de negócio é a bússola do empreendedorismo