A democratização dos dados dá destaque ao cientista de dados

Cientistas de dados desenvolvem habilidades interpessoais para impulsionar a mudança organizacional.

Cientistas de dados são profissionais disputados. Em seu relatório de 2017 sobre cargos emergentes nos EUA, a LinkedIn comenta que “a função de cientista de dados cresceu mais de 650% desde 2012” e que “centenas de empresas estão contratando profissionais nessa função” em vários setores. Os candidatos estão se especializando cada vez mais à medida que “engenheiros de aprendizado de máquina, cientistas de dados e engenheiros de Big Data se classificam entre as principais funções emergentes.

Porém, como se espera que outras funções e departamentos trabalhem com dados, as organizações estão notando um aumento geral na capacitação em dados e o surgimento de mais cientistas de dados leigos. Para a Gartner, o cientista de dados leigo é “alguém que cria ou gera modelos que usam análise avançada de diagnóstico ou recursos preditivos e prescritivos, mas cuja principal função de trabalho não está no campo da estatística e da análise. Essas pessoas não substituem os cientistas de dados, mas passaram a ser parceiros importantes para desenvolver e testar hipóteses.

Esse quadro está mudando a definição de ciência de dados e desvanecendo os limites entre pessoas com conhecimento tradicional de dados e pessoas com domínio dos negócios. Sonic Prabhudesai, gerente de análise estatística da Charles Schwab, explica como “os funcionários da empresa aprendem a trabalhar com dados, enquanto os cientistas de dados se familiarizam com a dinâmica dos negócios”.

Hoje não se espera apenas que cientistas de dados tenham conhecimento avançado em estatística e aprendizado de máquina, mas também mentalidade estratégica para negócios, além de conhecimento profundo do setor. “Ciência de dados é muito mais do que processamento de números: seu objetivo é aplicar várias habilidades para resolver determinados problemas de um setor”, explica o Dr. N.R. Srinivasa Raghavan, diretor global de ciência de dados da Infosys. “Cientistas de dados devem ter uma visão completa dos domínios em que suas informações serão aplicadas.”

Os resultados de algoritmos e modelos só são eficazes se ajudarem a resolver o problema no contexto certo. Ou seja, é preciso trabalhar lado a lado com as partes interessadas para identificar e refinar a definição do problema e a hipótese no início do processo, mantendo esse envolvimento em todo o fluxo de trabalho. Depois, no fim do processo, é necessário saber comunicar os resultados aos parceiros de negócios de maneira relevante e acionável.

Sonic comenta que “o modelo estatístico e o aprendizado de máquina passaram a ser requisitos básicos para se tornar cientista de dados. O diferencial está em como os profissionais em campo conseguem comunicar suas descobertas de maneira simples, mas acionável”. Em vez de apenas entregar resultados, os cientistas de dados terão um papel essencial na aplicação desses resultados aos negócios.

Com ferramentas de análises de autoatendimento, cientistas de dados e usuários avançados podem explorar e alcançar um nível de entendimento cada vez melhor dos dados. Tudo isso gera informações que podem conduzir o restante da análise e, consequentemente, impactar os negócios.