As organizações precisam de times de dados vencedores
As empresas de hoje geram mais dados do que nunca. A Forbes afirmou que, em 2018, mais de 2,5 quintilhões de bytes de dados eram gerados por dia, e que mais de 90% de todos os dados do mundo haviam sido criados nos dois anos anteriores à publicação do artigo. Países individualmente geram ainda mais dados. Em 2018, a CNBC reportou que a China gerou 7,6 zettabytes de dados — com projeção de chegar a 48,6 ZB em 2025. Os EUA geram volumes semelhantes.
Há uma quantidade enorme de insights acionáveis nesses dados que não são aproveitados. Segundo a Forrester, entre 60% e 73% dos dados das organizações não são usados em análises.
Organizações bem-sucedidas e orientadas por dados usam dados em escala para gerar valor. Por exemplo, a Uber investiu pesado na criação de uma plataforma para entregar com eficiência mais de 100 petabytes de dados às suas equipes de dados por meio de uma interface simples, que eles escalaram para viabilizar mais de 1 bilhão de pedidos do Uber Eats, cobrindo mais de 24 milhões de milhas. Com testes A/B, a Netflix gera de 20% a 30% mais visualizações só mudando a imagem associada a um filme ou série.
Fica claro que existem insights de alto valor para organizações que conseguem navegar com sucesso seus ambientes de dados complexos e massivos. Esse tipo de geração de valor só é possível com um time de dados completo e de alta performance.
Papéis essenciais em um time de dados vencedor
Vários papéis-chave compõem um time de dados bem-sucedido. No white paper da DataCamp, descrevemos oito funções, ou personas, comuns em qualquer organização orientada por dados. Embora os cargos possam variar de uma empresa para outra, vamos destacar cinco papéis que formam um time forte: business analyst, data analyst, data scientists, machine learning scientists e data engineers.
Business analyst
Business analysts aumentam a lucratividade e a eficiência a partir de insights de dados. Eles combinam profundo conhecimento do negócio com habilidades de análise e visualização de dados e reportam insights para os tomadores de decisão.
Habilidades essenciais: manipulação de dados, visualização de dados, criação de relatórios, estatística básica Ferramentas: planilhas (Excel, Google Sheets), ferramentas de BI (Tableau, Power BI), SQL
Recomendações de cursos: Introduction to SQL, Data Analysis in Spreadsheets / Excel, Marketing Analytics in Spreadsheets, Financial Analytics in Spreadsheets
Data analyst
Data analysts têm um papel semelhante ao dos business analysts ao analisar dados e extrair insights para impulsionar resultados de negócio. Por isso, há sobreposição de habilidades; porém, data analysts respondem a problemas menos definidos, que exigem maior domínio do fluxo de análise de dados e o uso combinado de ferramentas com e sem código.
Habilidades essenciais: manipulação de dados, visualização de dados, criação de relatórios, importação e limpeza de dados, probabilidade e estatística
Ferramentas: R ou Python, planilhas (Excel, Google Sheets), ferramentas de BI (Tableau, Power BI), SQL
Recomendações de cursos: Trilha de carreira Data Analyst (R - 16 cursos/Python - 16 cursos), Cleaning Data in R/Python, Time Series Analysis in SQL
Data scientist
Data scientists têm um papel bem mais técnico nas organizações, trabalhando principalmente com ferramentas de código para investigar, extrair e gerar insights e valor a partir de dados. Precisam dominar os fluxos de análise de dados e de machine learning e ter capacidade de lidar com dados não estruturados e ferramentas de big data.
Habilidades essenciais: manipulação de dados, visualização de dados, criação de relatórios, importação e limpeza de dados, probabilidade e estatística, machine learning
Ferramentas: R, Python, Scala, ferramentas de big data (Airflow, Spark), SQL, ferramentas de linha de comando (Git, Shell)
Recomendações de cursos: Trilha de carreira Data Scientist (R - 22 cursos/Python - 23 cursos), Sentiment Analysis in Python, Introduction to Git
Machine learning scientist
Machine learning scientists são responsáveis por desenvolver sistemas de machine learning em escala. Eles geram previsões a partir de dados usando modelos de diversos tipos para resolver problemas como previsão de churn e lifetime value, e também pela implantação desses modelos para uso pela organização.
Habilidades essenciais: manipulação de dados, visualização de dados, importação e limpeza de dados, probabilidade e estatística, machine learning, engenharia de dados Ferramentas: R, Python, Scala, ferramentas de big data (Airflow, Spark), SQL, ferramentas de linha de comando (Git, Shell) Recomendações de cursos: Trilha de carreira Machine Learning Scientist (R - 14 cursos/Python - 23 cursos), Image Processing in Python, Machine Learning with PySpark
Data engineers
Data engineers criam pipelines que garantem que os dados certos cheguem às pessoas certas. Eles reúnem grandes volumes de dados de diferentes fontes em um local centralizado, permitindo que os diversos papéis de dados trabalhem com informações limpas, relevantes, em conformidade e acionáveis.
Habilidades essenciais: manipulação de dados, importação e limpeza de dados, engenharia de dados, programação avançada Ferramentas: Python, Scala, ferramentas de big data (Airflow, Spark), SQL, ferramentas de linha de comando (Git, Shell), plataformas em nuvem (ex.: AWS) Recomendações de cursos: Data Engineer with Python Career Track (25 cursos), Introduction to Airflow in Python, Streaming Data with AWS Kinesis and Lambda
Como criar um time de dados vencedor
Estudo de caso
Com uma visão geral das responsabilidades de cada papel, vamos ver como eles interagem no dia a dia para gerar valor com um exemplo real: um time de dados extraindo valor de um modelo de churn de clientes.
Nesse cenário, data engineers garantem que data scientists e machine learning scientists tenham acesso a dados de alta qualidade para desenvolver e operacionalizar o modelo. Eles asseguram a qualidade dos dados e as permissões corretas para cada dataset. Também entregam os dados de forma fácil de acessar, com o metadado e as variáveis necessários para uma análise eficiente.
Em seguida, data scientists e machine learning scientists trabalham juntos para criar um modelo preciso de previsão de churn. Eles precisam garantir que o modelo seja acurado, interpretável e implantável em um processo de negócio, além de manter a performance em dados não vistos após a implantação.
Por fim, data analysts e business analysts usam as saídas do modelo para tomar decisões que geram valor para o negócio. Eles podem direcionar o investimento de marketing para clientes com maior probabilidade de churn e oferecer justificativas baseadas em dados sobre por que determinados segmentos têm mais tendência a cancelar, apoiando os decisores.
Como na maioria dos projetos de dados, cada papel é essencial para extrair valor dos dados.
O caminho para um time de dados eficaz começa pelas pessoas
Vagas em dados seguem em alta demanda, mesmo com a recente desaceleração de contratações causada pela pandemia, aparecendo duas vezes no top 3 do relatório anual de profissões emergentes do LinkedIn. No fim de 2020, a Deloitte afirmou que 23% das organizações tinham uma lacuna grande ou extrema entre as necessidades de IA e suas competências atuais. Em 2021, a Deloitte publicou um relatório defendendo que, para enfrentar a escassez de talentos em dados, as organizações precisam combinar contratação seletiva com capacitação direcionada.
Diante da escassez de talentos, as empresas devem unir contratação seletiva e capacitação para formar times altamente qualificados capazes de gerar valor. Isso pode ser feito oferecendo trilhas de aprendizado personalizadas para cada papel. Na DataCamp, oferecemos jornadas personalizadas com base no nível de habilidade e nos objetivos de aprendizado de cada aluno, com ferramentas para avaliar, aprender, praticar e aplicar novas competências em dados. Com o DataCamp for Business, os alunos contam com trilhas customizadas que permitem alinhar os programas de aprendizado às metas e desafios específicos da organização. Saiba mais sobre como transformar seu time com a DataCamp.
O DataCamp for Business oferece uma plataforma de aprendizado interativa para empresas que precisam capacitar ou requalificar suas pessoas em habilidades de dados. Com temas que vão de letramento em dados e data science a engenharia de dados e machine learning, mais de 1.600 empresas confiam no DataCamp for Business para desenvolver seus talentos.
