A Ciência de Dados tem vindo a alcançar cada vez mais expressão e pertinência neste século, principalmente no contexto empresarial.

Obter insights a partir dos dados e desenvolver modelos de machine learning e de deep learning que aprendem com dados anteriores para construir modelos preditivos constituí um know-how poderoso, que permite a qualquer empresa descobrir soluções eficazes para problemas concretos.

Vale a pena pensar sobre o impacto das análises preditivas numa organização. A partir de dados e decisões tomadas no passado, as análises preditivas, tal como o nome indica, preveem o que pode acontecer no futuro, tendo por base uma natureza probabilista.

De facto, qualquer empresa tem como objetivo enfrentar as incertezas e riscos inerentes ao ambiente VUCA (Volatility, Uncertainty, Complexity e Ambiguity) no qual se insere, por isso saber responder à pergunta “o que irá acontecer a seguir?” pode constituir a chave para o sucesso num mercado competitivo.

Efetivamente, Data Science consegue dar resposta a determinadas dúvidas de uma forma apropriada, como, por exemplo: quanto é que a minha empresa vai lucrar com esta estratégia no próximo mês? Ou será que este tipo de transação bancária é incomum para este cliente.

São muitas as oportunidades que surgem devido à transformação digital. Mas uma coisa é certa, a ciência de dados pode tirar proveito da sua grande maioria. A título de exemplo, os marketeers, que têm ao seu dispor dados atualizados, fiáveis e continuamente analisados sobre os hábitos e interesses de compra dos clientes, atendem de uma forma mais eficaz e eficiente à evolução das suas necessidades.

No entanto, só o poderão fazer se trabalharem lado a lado com Data Scientists, tal como dizia Andreas Weigend, ex-cientista-chefe da Amazon.com: “For this reason, it is like an arms race to hire statisticians nowadays”.

Alguns dos fundamentos da Ciência de Dados já existem há muitas décadas, desde a estatística, à álgebra linear, dos bancos de dados até às ciências da computação. A grande diferença é que, agora, estes pilares estão interligados e existem recursos computacionais que permitem aplicar técnicas de machine learning.

Atualmente é possível trabalhar com vastos conjuntos de dados e procurar padrões que permitem gerar hipóteses ao invés de recorrer a uma amostra e testar hipóteses.

Eu defino Data Science como a área interdisciplinar que procura encontrar soluções para problemas existentes e revelar oportunidades anteriormente ocultas pelo meio de análises de dados estruturados ou não estruturados com recurso a ferramentas adequadas. Em prol de um exercício com nexo desta profissão é imperativo comunicar os resultados de uma forma competente para que sejam apreendidos pelas partes interessadas – storytelling.

De acordo com o que a Dra. Rachel Schutt, que leciona um curso de ciência de dados na Universidade de Columbia, referiu numa entrevista ao New York Times, um Data Scientist é um profissional que em parte é um cientista de computação, é engenheiro de software e é também um estatístico (Miller, 2013).

Ainda assim, existem diversas definições para o que se considera ser Data Science, alguns profissionais restringem o conceito a Machine Learning.

Convido-o então a pensar que para ser um excelente Data Scientist torna-se secundário ter alguma flexibilidade ou conforto com software e plataformas de computação. O que considero realmente imprescindível é ser-se curioso, extremamente argumentativo e saber “contar histórias”.

A revolução digital, em que esta área está inserida, exige possuirmos curiosidade ou, por outras palavras, sermos abertos à aprendizagem, porque só assim a acompanharemos continuamente. Quando refiro que um Data Scientist é também um storyteller procuro fazê-lo refletir sobre a necessidade de converter dados em conhecimento, uma vez que se não comunicarmos as nossas descobertas, estas não deixam de ser meramente dados.

Por último, o meu conselho, de um mero newbie em Data Science, é: procure ser um profissional curioso, aprenda a lidar com a mudança e descubra qual é a sua vantagem competitiva, tendo em conta que essa não assenta obrigatoriamente nas suas habilidades de computação ou de análise, que “apenas” pode ser o seu conhecimento sobre uma determinada área que outro profissional não tenha.