O que você precisa fazer para se tornar um Data Scientist?

Introdução

‍

Nesse post, eu vou te mostrar a atividade mais importante que você precisa fazer para conseguir seu primeiro emprego como Data Scientist ou fazer uma migração de carreira para essa área.

‍

Existem muitas coisas que você precisa fazer para conseguir esse emprego, como por exemplo, ter conhecimento, se comunicar bem nas entrevistas, procurar as empresas corretas para aplicar, fazer um bom case técnico e etc.

Mas não adianta você ter todas ou algumas dessas habilidades desenvolvidas se você não fazer uma única atividade que eu vou te mostrar nesse post.

‍

Hoje é muito claro pra mim, que a minha mudança na carreira demorou pra acontecer porque eu não tinha feito essa tarefa tão crucial desde o início.

‍

No início era assim…

‍

No começo de carreira, eu consegui me desenvolver muito bem em algumas as habilidade que eu citei acima. Eu estudava muito, muito mesmo, todos os dias depois do trabalho eu lia livros teóricos de estatística e de Machine Learning, acompanhava os posts de alguns Data Scientists que eu achava referência na área, fazia cursos online, enfim, eu sempre estava buscando dicas do que fazer para melhorar meu conhecimento técnico e teórico.

‍

Devido ao meu trabalho como Analista de BI, eu fazia muitas análises de dados que geravam muitos insights. Esses resultados acabavam sendo insumos para relatórios gerenciais e apresentações para “Stakeholder” ( pessoas mais interessadas no projeto, geralmente os que demandam ) que frequentemente eram comunicados por mim. Portanto, essa rotina de trabalho me ajudou a melhorar minha comunicação, eu não tinha tanto frio na barriga em uma apresentação para um grupo de pessoas e nem gaguejava tanto com as palavras. Esse desenvolvimento me ajudou muito durante as entrevistas, porque eu conseguia me expressar razoavelmente bem.

‍

E mesmo com essas 2 importantes características desenvolvidas, o conhecimento técnico com dados e a comunicação, eu demorei muito para migrar de carreira. No começo, os processos seletivos para Data Scientist eram muito difíceis, eu costumava ser reprovado na primeira fase do processo.

‍

A primeira fase, geralmente era uma entrevista por telefone com 2 perguntas fundamentais:

‍

1. Como foi sua jornada profissional, desde o interesse pela área até o seu emprego atual?

‍

2. Você pode dizer um projeto que você se sente orgulhoso por ter feito ou participado e como foi o processo de desenvolvimento?

‍

Para responder a primeira pergunta, eu contava todo o processo, desde o interesse pela área de dados, Machine Learning e Data Science, passando pelos projetos da faculdade e o estágio, até as minhas atividades e projetos no emprego atual.

‍

Na segunda pergunta, eu costumava dizer sobre um projeto de visualização que eu havia concluído na minha empresa. O objetivo desse projeto era criar um conjunto de visualizações de dados que deixasse bem claro e transparente a “saúde” financeira e operacional da empresa. O resultado desse projeto foi a criação dos principais gráficos que todos os líderes das empresas passaram a usar como referência no acompanhamento das métricas e para a tomada de decisão.

‍

Mesmo com essas respostas, o resultado da entrevista era sempre o mesmo. Eu recebia um email agradecendo pela participação e informando a não continuidade da minha candidatura. Depois de várias, várias reprovações, eu comecei a achar aquilo muito estranho, comentei com um amigo sobre essa situação e o que ele me disse, mudou a minha forma de pensar. Ele me disse o seguinte: “Meigarom, os projetos que você fala para os recrutadores na entrevista, realmente refletem suas competências como um futuro Data Scientist?”.

‍

Essa pergunta fazia todo sentido, eu precisava demonstrar minhas competências como um futuro Data Scientist e um projeto de visualização não estava nem perto de ser suficiente, a melhor forma de comprovar minha habilidades era através da criação de um portfólio de projetos.

‍

Esse Era o Problema…

‍

O problema em ser reprovado logo na primeira fase do processo seletivo para Data Scientist era a falta de projetos relevantes que confirmassem minhas competências como um futuro Data Scientist.

‍

Um portfólio com projetos relevantes, deixa muito claro para os recrutadores que você tem experiência prática no desenvolvimento de soluções para problemas reais, usando conceitos de Data Science. E essa experiência prática que você adquire construindo projetos relevantes, têm o poder de substituir graduações técnicas, como por exemplo Engenharia, Estatística e Matemática, em grandes universidades.

‍

Hoje, as empresas mais atuais, principalmente as Startups, estão contratando Data Scientists pela suas competências e não pela faculdade que frequentaram. Eu pessoalmente, tenho amigos Data Scientists que fizeram cursos de Filosofia, Comércio Exterior e Ciências Sociais. Eles estão trabalhando com Data Scientists em grandes Startups. Isso deixa muito claro que a experiência prática substitui as formações universitárias e a melhor forma de demonstrar sua experiência prática é criar um portfólio com projetos relevantes.

‍

Observe que a palavra relevante sempre aparece junto com o portfólio de projeto, isso é proposital. Não é qualquer projeto que pode estar no seu portfólio, são apenas projetos relevantes que demonstrem suas reais competências.

‍

Projetos relevantes possuem 2 características principais:

‍

1. Desafiadores do ponto de vista técnico.

‍

2. Representam um problema real de negócio.

‍

Eu vou te dar 2 contra-exemplos, ou seja, exemplos de projetos que não são relevantes para o seu portfólio.

‍

Primeiro, o projeto do Titanic ( Titanic: Machine Learning from Disaster ). Esse projeto consiste basicamente em prever quais pessoas irão sobreviver ao naufrágio.

‍

Baseado nas duas característica que eu particularmente considero para projetos relevantes, o Titanic é um projeto para você aprender novas habilidades, exercitar conceitos e confirmar teorias, ou seja, esse é um projeto para o seu portfólio de estudos não para o portfólio profissional. Entende?

‍

Segundo, o projeto da IRIS ( Iris Data Set ). O desafio desse projeto é classificar flores entre 3 espécies, dado um conjunto de medidas físicas. Esse também é um projeto para estudos, ele não é desafiador do ponto de vista técnico, e não representa um problema de negócio, igual ao projeto do Titanic, logo ele é um projeto para o seu portfólio de estudos.

‍

O que eu estou tentando dizer é que você não pode confundir os dois tipos de projetos: Projetos de Estudo e Projetos Profissionais.

‍

Os dois têm propósitos diferentes, o primeiro é focado em estudos pessoais e o segundo tem o objetivo de mostrar que você é capaz de resolver problemas reais nas empresas. Portanto, não se considere um Data Scientist se suas competências atuais permitem que você desenvolva apenas projetos como o do Titanic e o da IRIS. Tenha calma, humildade e continue seu estudos, você está no caminho correto.

‍

Os Projetos Realmente Desafiadores…

‍

Sobre os projetos desafiadores que você precisa ter no seu portfólio, eu gravei um vídeo falando sobre como eu resolvo os problemas complexos para o meu portfólio profissional. O vídeo está nesse link: bit.ly/2X1xNhs

‍

Espero que ele te ajude a resolver desafios reais e complexos, muito parecido com o que as empresas enfrentam.

‍

Bom, chegamos ao final deste artigo, espero que você tenha gostado. Se quiser comentar alguma coisa, expor sua opinião complementar ou contrária, sinta-se à vontade para deixar nos comentários, assim poderemos ter discussões riquíssimas sobre esse assunto.

‍

Minha mensagem pra você nesse artigo é: Procure resolver projetos desafiadores que representem um problema real de negócio, assim, você terá mais chances de conseguir um emprego como Data Scientist ou fazer um migração de carreira no menor tempo possível.

‍

Te vejo nos próximos posts, até lá!