Em 15 de outubro, vamos realizar um webinar sobre o que líderes de L&D precisam saber sobre letramento em dados. Um dos focos é desenvolver as habilidades certas para cada uma das suas principais personas de dados. Aqui vai um gostinho do que você vai aprender.
Os desafios da capacitação para letramento em dados
Letramento em dados é uma metodologia para responder a perguntas de negócio, e não uma habilidade única a ser ensinada e aprendida, como nas iniciativas tradicionais de learning & development. Ao escalar programas de aprendizagem e desenvolvimento para letramento em dados, as jornadas de aprendizagem variam conforme o nível de interação que cada pessoa tem com dados. Por exemplo, um analista de marketing que trabalha com frequência no Excel pode precisar aprender R ou Python para ter sucesso no trabalho, enquanto um gestor ou líder pode só precisar saber como tomar decisões embasadas em dados.
Por que adotar uma metodologia guiada por personas
Uma jornada de aprendizagem baseada em funções e guiada por personas é mais eficaz para escalar treinamentos de letramento em dados. Embora cada organização e os dados que produz sejam diferentes, existem pontos em comum nas diversas relações que as pessoas têm com dados. Uma forma útil de pensar e escalar os esforços de capacitação em dados é por meio de personas de dados. Cada persona tem uma relação diferente com dados e precisa de competências específicas de letramento em dados para se empoderar e fazer seu melhor trabalho. As organizações podem mapear diferentes cargos para cada persona e criar experiências de aprendizagem personalizadas e sob medida, de acordo com o que cada uma precisa aprender.
1. Consumidores de dados e líderes
Consumidores de dados e líderes geralmente atuam em funções não técnicas, mas consomem insights e análises para tomar decisões baseadas em dados. Eles frequentemente precisam conversar com profissionais de dados e devem saber distinguir quando os dados podem ou não ser usados para responder a perguntas de negócio.
Tecnologias e ferramentas mais usadas
Planilhas: Google Sheets, Microsoft Excel Business Intelligence: Power BI, Tableau
Exemplos de cargos
Chief Marketing Officer, gerente de Recursos Humanos, head de Vendas
2. Business analysts
Business analysts são responsáveis por transformar insights em resultados práticos que aumentem a lucratividade ou a eficiência. Têm profundo conhecimento do domínio de negócio e costumam usar SQL junto com ferramentas sem código para comunicar os insights extraídos dos dados.
Tecnologias e ferramentas mais usadas
Planilhas: Google Sheets, Microsoft Excel Business Intelligence: Power BI, Tableau SQL: PostgreSQL, SQL Server, Oracle SQL
Exemplos de cargos
Business analyst, analista de cadeia de suprimentos, analista de operações, analista financeiro
3. Data analysts
Assim como os business analysts, data analysts são responsáveis por analisar dados e reportar insights a partir dessas análises. Eles dominam o fluxo de trabalho de análise de dados e apresentam seus insights combinando ferramentas com e sem código.
Tecnologias e ferramentas mais usadas
Linguagens de programação: Python, R Planilhas: Google Sheets, Microsoft Excel Business Intelligence: Power BI, Tableau SQL: PostgreSQL, SQL Server, Oracle SQL
Exemplos de cargos
Data analyst, business analyst, analista de cadeia de suprimentos, analista de operações, analista financeiro
4. Data scientists
Data scientists investigam, extraem e apresentam insights relevantes a partir dos dados da organização. Eles comunicam esses insights para públicos não técnicos e têm bom entendimento de fluxos de machine learning e de como conectá-los a aplicações de negócio. Trabalham quase exclusivamente com ferramentas de código, realizam análises e costumam lidar com ferramentas de big data.
Tecnologias e ferramentas mais usadas
Linguagens de programação: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Ferramentas de big data: Airflow, Spark
Exemplos de cargos
Data scientist, data analyst, pode incluir um "citizen data scientist" (isto é, alguém que desempenha tarefas de um data scientist, mas não tem o cargo de "Data Scientist").
5. Machine learning scientists
Machine learning scientists são responsáveis por desenvolver sistemas de machine learning em escala. Eles geram previsões a partir de dados usando modelos de machine learning para resolver problemas como prever churn e lifetime value, e são responsáveis por colocar esses modelos em produção para uso da organização.
Tecnologias e ferramentas mais usadas
Linguagens de programação: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Ferramentas de big data: Airflow, Spark Ferramentas de linha de comando: Git, Shell
Exemplos de cargos
Data scientist, research scientist, machine learning scientist, machine learning engineer
6. Estatísticos
Semelhantes aos data scientists, estatísticos trabalham com análises altamente rigorosas, que envolvem desenhar e manter experimentos, como testes A/B e testes de hipótese. Eles se concentram em quantificar a incerteza e apresentar resultados que exigem grau excepcional de rigor, como em finanças ou saúde.
Tecnologias e ferramentas mais usadas
Linguagens de programação: Python, R SQL: PostgreSQL, SQL Server, Oracle SQL
Exemplos de cargos
Quantitative analyst, inference data scientist, data scientist
7. Programadores
Programadores são profissionais altamente técnicos que atuam em times de dados e automatizam tarefas repetitivas ao acessar e trabalhar com os dados da organização. Eles fazem a ponte entre engenharia de software tradicional e ciência de dados e têm profundo entendimento de como implantar e compartilhar código em escala.
Tecnologias e ferramentas mais usadas
Linguagens de programação: Python, R, Scala Ferramentas de linha de comando: Git, Shell
Exemplos de cargos
Software engineer, data scientist, DevOps engineer
8. Data engineers
Data engineers são responsáveis por colocar os dados certos nas mãos das pessoas certas. Eles criam e mantêm a infraestrutura e os pipelines que levam terabytes de dados brutos de diferentes fontes para um local centralizado, com dados limpos e relevantes para a organização.
Tecnologias e ferramentas mais usadas
Linguagens de programação: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Ferramentas de linha de comando: Git, Shell Ferramentas de big data: Airflow, Spark Plataformas de nuvem (por exemplo, Amazon Web Services)
Exemplos de cargos
Software engineer, data engineer, DevOps engineer
