O que é ciência de dados e o caminho real para virar cientista de dados

Uma rede de varejo quer saber por que clientes cancelam assinatura.

Um hospital quer prever quais leitos vão faltar em duas semanas.

Um banco quer detectar fraude em cartão antes do prejuízo.

Nenhuma dessas perguntas nasce como algoritmo: nasce como problema de negócio que alguém precisa traduzir em dados, análise e decisão.

Esse alguém é o cientista de dados, e essa tradução é o núcleo da profissão. ## O que é ciência de dados, na prática Ciência de dados é o campo que combina estatística, programação e conhecimento de domínio para transformar dados brutos em respostas utilizáveis.

A definição clássica vem de Drew Conway, que em 2010 popularizou o diagrama do Venn da área: três círculos que se cruzam entre habilidades em hacking (programação para manipular dados), matemática e estatística, e conhecimento substantivo do domínio.

Quem tem só programação e estatística, sem entender do negócio, produz análises tecnicamente corretas e inúteis.

O equívoco mais comum é confundir cientista de dados com analista de dados ou engenheiro de dados.

São três papéis distintos dentro da mesma cadeia: 1.

O engenheiro de dados constrói e mantém a infraestrutura: pipelines que coletam, limpam e armazenam informação em escala.

2.

O analista de dados consulta, explora e visualiza dados para responder perguntas pontuais.

Trabalha muito com SQL, planilhas e ferramentas de BI como Power BI e Tableau.

3.

O cientista de dados vai além da pergunta pontual: constrói modelos preditivos, roda experimentos estatísticos e traduz o resultado em recomendação de ação.

Na rotina real, o cientista de dados passa mais tempo limpando e preparando dados do que treinando modelos.

Estudos recorrentes da comunidade, como as pesquisas anuais da Kaggle e da Anaconda sobre o estado da área, apontam que a coleta e a limpeza de dados consomem a maior parte do tempo de projeto.

Quem entra na profissão achando que vai passar o dia criando inteligência artificial se frustra rápido. ## O que o mercado brasileiro paga A profissão figura há anos entre as melhor remuneradas do setor de tecnologia no Brasil.

Pesquisas salariais recorrentes, como o relatório anual da Brasscom e levantamentos de portais de vagas como Glassdoor e 1000vagas, situam os salários iniciais de cientista de dados entre R$ 5 mil e R$ 8 mil, com profissionais plenos na faixa de R$ 9 mil a R$ 15 mil e seniores acima disso, chegando frequentemente à casa dos R$ 20 mil em empresas de grande porte e no setor financeiro.

Os valores variam por região, porte da empresa e setor, e a demanda segue concentrada em São Paulo, Rio de Janeiro e em empresas de tecnologia com time remoto. ## O roteiro de formação, na ordem que funciona ### 1.

Estatística antes de machine learning A fundação da área é estatística: distribuições, hipóteses, testes A/B, correlação versus causalidade, regressão.

Quem pula essa etapa aprende a chamar bibliotecas de machine learning sem saber se o resultado faz sentido, e o mercado percebe.

O curso de estatística básica, gratuito, do professor Paulo Cancedo na Universidade Federal do ABC no Moodle, e o canal do professor Fernando Pessoa são referências acessíveis em português.

Para quem lê inglês, o livro Openintro Statistics é gratuito. ### 2.

Programação em Python (ou R), com foco em dados Python virou a linguagem dominante da área.

A trilha mínima inclui as bibliotecas pandas para manipulação de dados, NumPy para cálculo numérico, matplotlib e seaborn para visualização, e scikit-learn para machine learning.

R segue forte no meio acadêmico e na indústria farmacêutica.

Duas a três horas diárias de prática por seis meses já produzem fluência funcional, desde que a prática seja escrever código, não só assistir aula. ### 3.

SQL, que nenhuma vaga dispensa Praticamente toda vaga de dados pede SQL, porque os dados vivem em bancos relacionais.

Consultas com JOIN, GROUP BY, subqueries e window functions cobrem o que se pede em entrevista técnica. ### 4.

Machine learning com base sólida Só depois da estatística e da programação vem o machine learning: regressão linear e logística, árvores de decisão, random forest, clustering e, mais adiante, redes neurais.

O curso gratuito de machine learning de Andrew Ng, de Stanford, disponível na plataforma Coursera, é o ponto de partida clássico citado em quase toda trilha de estudo da área. ### 5.

Portfólio com problemas reais O que contrata não é o certificado, é o portfólio.

Três projetos bem feitos superam dez cursos concluídos: uma análise de dados públicos brasileiros (dados do IBGE, do DataSUS ou do Portal da Transparência), um modelo preditivo com dataset do Kaggle e um projeto com dados que você mesmo coletou.

O projeto precisa ter pergunta clara, método documentado e conclusão escrita para leigo entender, publicado no GitHub. ### 6.

Especialização e comunicação As duas habilidades que separam o júnior do sênior são comunicação e conhecimento de domínio.

O cientista de dados apresenta resultado para diretoria, não para outros programadores.

Saber contar a história que os dados revelam, em linguagem de negócio, é o que faz o salário subir. ## Formação acadêmica é obrigatória?

Não no sentido estrito, mas ajuda.

A maior parte dos profissionais da área vem de cursos de exatas: ciência da computação, estatística, matemática, engenharia e economia são as formações mais comuns nos levantamentos da Kaggle.

Não há regulamentação da profissão no Brasil, e empresas contratam por portfólio e teste técnico.

Pós-graduação importa para quem mira posição sênior ou o setor financeiro, onde lato sensu em dados virou filtro comum.

Para começar, graduação em andamento combinada com portfólio forte já abre entrevista. ## O erro que reprova mais candidatos A armadilha número um é o consumo passivo de cursos.

A área atrai pessoas para bootcamps e especializações que prometem emprego em meses, e o candidato sai com certificado de pilha, sem nunca ter resolvido um problema real de ponta a ponta.

O teste técnico de quase todo processo seletivo expõe isso em vinte minutos.

A regra prática: cada hora de curso pede uma hora de código escrito por você, sobre dados que você escolheu.

É essa proporção, e não o número de certificados, que encurta o caminho até a primeira vaga.