Seguem algumas reflexões, baseadas em um bate-papo que fiz, com alunos de data science da VAI Academy.
Zoom out histórico de data science
Sempre gosto de dar um “zoom out” histórico, para entender as coisas em perspectiva.
A contabilidade tem uns 5000 anos, desde o surgimento dos números. Na verdade, houve um motivador fortíssimo para o surgimento dos números, que foram os impostos. Como registrar quem pagou ou não, e quanto pagou? É muito verdadeira a frase: “Nada é certo, exceto impostos e a morte”.
A construção civil também tem uns 5000 anos, desde o início das civilizações estamos aperfeiçoando nossas casas.
A matemática tem uns 2000 anos, desde Euclides, Pitágoras.
Fast forwarding no tempo, o computador pessoal tem uns 40 anos, desde os primeiros computadores da Apple, IBM, os primeiros sistemas operacionais da Microsoft, etc…
Data Science e Analytics, da forma que conhecemos hoje, tem uns 5 anos. Antes disso nem existia o termo “data science”, ou “data engineer”. Há razões para isso, como o volume e qualidade de dados, capacidade de processamento.
Hoje em dia, temos sensores diversos nos maquinários, custos de IOT (internet das coisas) caindo, e capacidade de comunicação wireless disso tudo. E também temos a internet, possibilitando o compartilhamento de inúmeras informações de fontes diversas. Há não muito tempo atrás, digamos uma década, tudo isso era mais caro e difícil. Há duas décadas e meia, mal tínhamos comunicação celular.
Além do volume de dados, temos avanços em hardware (via Lei de Moore) e software. Lembro que, antigamente, tínhamos que escrever todas as linhas de um algoritmo do zero, na raça. Hoje temos uma gama de pacotes prontos, de altíssimo nível.
A finalidade disso tudo é a de otimizar o uso de recursos, diminuir desperdícios, acertar previsões, prevenir problemas no maquinário, etc.
As perspectivas futuras são boas. Mesmo hoje, a Statista estima que 60% dos dados industriais não são nem coletados. E, da parte coletada, menos de 50% é realmente utilizada para algo útil. Há ainda um enorme oceano azul a ser explorado, para quem conseguir embarcar nessa onda.
Sobre Super-Homem, hard e soft skills
Pela área de Data Science envolver muita matemática e programação, naturalmente o analista deve ter uma tendência a exatas, hard skills. Buscar conhecimento técnico, ser bastante curioso. Naturalmente, acaba virando poliglota em várias linguagens, até porque a melhor linguagem depende da aplicação, e as tecnologias avançam de tempos em tempos.
Não menos importante são os soft skills. Saber conviver com as pessoas, saber ouvir, entender os problemas. Também faz parte conseguir transmitir informações, ser didático ao apresentar. Ensinar aos outros, desde o leigo que pouco sabe até aquele que tem maior bagagem. Saber negociar e vender.
O antigo dito, “as pessoas são contratadas pelo hard skill e demitidas pelo soft skill”, é muito verdadeiro.
Ora, então a pessoa tem que ser um super-homem? Saber tudo de tudo, ser bom em tudo?
Conforme comenta o meu amigo Igor Queiroz, antigamente as descrições de vagas para essas áreas de Data Science era assim, altamente técnicas em tudo e também pedindo vários soft skills, quase um super-homem. Felizmente, hoje as coisas estão mais equilibradas, exigindo mais de parte técnica quando precisa, ou mais de itens gerenciais.
Como vejo um equilíbrio possível entre hard x soft?
A gente tem que performar excelentemente bem na área que é nossa competência principal, seja lá qual for. Como quem gosta dessa área normalmente é exatoide, em algum hard skill. Ser nota 10 nesse skill específico, seja banco de dados, otimização, arquitetura de dados, etc…
Quanto aos soft skills, todos nós temos a capacidade de melhorar, acima de um mínimo aceitável. Nunca vamos chegar no nível de quem tem o dom para a coisa, mas podemos performar de forma razoavelmente boa, respeitando a nossa forma de ser. Tirar uma nota 6 em tudo quanto é soft skill. Por exemplo, logo que saí da faculdade, eu era muito horrível em apresentações. Fui trabalhando no tema, treinando, e hoje consigo transmitir as mensagens que quero, sem grandes problemas. Nunca vou chegar no nível de um Steve Jobs, por exemplo, mas foi uma evolução considerável em relação ao que era.
Nossa energia é finita, não adianta tentar tirar 10 em tudo. Então, é assim que acho ser um bom equilíbrio.
Dicas de livros / links
– Thomas Davenport, autor de diversos livros com Analytics
– John Thompson, autor de “Building Analytics teams”
– Storytelling com dados, uma aula de como utilizar dados para gerar informação relevante
– Nassim Taleb, não tem tanta relação com Analytics, mas sempre recomendo. Autor de livros como “A lógica do Cisne Negro” e “Antifrágil”
– Evento: o Informs é a mais relevante associação do mundo em Operations Research, e, anualmente, organiza eventos internacionais
– Seguir gente interessante no LinkedIn, sempre aprendemos alguma coisa
– Há uma série de cursos online, para os mais variados públicos: VAI academy, Coursera, EDX, Youtube, Data science academy
– Newsletters como Exponential view
– Pegar um tema do seu interesse e criar Google Alert, para receber um e-mail diário com notícias que aparecem na mídia
– Participar de desafios do Kaggle
Ficam as dicas. Aproveite.
Veja também:
ideiasesquecidas.com 