Um olhar sobre a transição de carreira para Área de Dados
Neste texto, procuro destacar a diferença entre as promessas de formações intensivas na área de Dados e a realidade, que exige uma compreensão profunda de matemática e estatística, por exemplo. Critico a superficialidade de muitos cursos e conteúdos disponíveis, ressaltando que minha própria experiência mostra a necessidade de estudos intensos e desenvolvimento projetos (preferencialmente, reais) que sejam desafiadores para alcançar sucesso sustentável na carreira.
Em um mundo cada vez mais digitalizado, a promessa de uma carreira na Área de Dados (Ciência de Dados, Análise de Dados, Engenharia de Dados e afins) brilha como um farol para muitos. Histórias de sucesso, conteúdos fragmentados, “pílulas de conteúdos” e cursos prometendo formações rápidas e indolores inundam a internet, apresentando um cenário, tentadoramente, acessível. Contudo, a realidade dessa jornada é, frequentemente, mais complexa e desafiadora do que os contos de fadas digitais sugerem. Inspirado por um artigo da Folha de São Paulo (o qual pode ser conferido neste link), que aborda a resistência de empresas em fechar parcerias com influenciadores digitais devido à falta de resultados tangíveis, traçarei um paralelo com o mundo dos Dados, onde a superficialidade e a falta de profundidade técnica podem ser igualmente problemáticas.
Assim como o artigo descreve empresários frustrados com influenciadores que prometem grande engajamento sem entregar resultados substanciais, o campo dos Dados é inundado com lives, postagens e cursos que prometem transformar novatos em especialistas quase que, da noite para o dia. Essas promessas, embora atraentes, muitas vezes escondem a complexidade inerente e a base técnica necessária para verdadeiramente se destacar na área.
Os campos da Ciência de Dados, Análise de Dados e Machine Learning, por exemplo, são compostos por disciplinas intrinsecamente técnicas, fundamentadas em rigorosos conceitos matemáticos, além de álgebra linear, estatística e probabilidade. Essas, são áreas que requerem não uma compreensão superficial dos conceitos, mas uma profunda apreciação das teorias e práticas subjacentes. Ignorar esses fundamentos é preparar-se para um percurso cheio de mal-entendidos e potenciais falhas na aplicação prática do modelos.
Minha própria jornada, por exemplo, com mais de vinte anos lecionando matemática em redes de ensino pública e privada à graduação em Ciência de Dados, seguida por um MBA na USP/ESALq e, agora, mestrado na USP, ilustra a natureza desafiadora desta transição. A diferença crítica entre a percepção pública e a realidade acadêmica e profissional da Ciência de Dados é vasta. As dificuldades encontradas na compreensão e aplicação de Machine Learning, por exemplo, são um testemunho do abismo entre a percepção popular e a prática real da disciplina.
Assim como a indústria começa a resistir à superficialidade de certas parcerias com influenciadores, penso que os aspirantes a cientistas de dados devem buscar uma compreensão autêntica e profunda de sua disciplina. A verdadeira competência em Ciência de Dados exige dedicação, um estudo rigoroso dos fundamentos matemáticos e estatísticos, e uma aplicação cuidadosa e ética desses conhecimentos. O caminho pode ser longo e cheio de desafios, mas é somente através da profundidade de compreensão que podemos esperar alcançar resultados significativos e duradouros na interseção entre dados, tecnologia e sociedade.
Além disso, um ponto crítico que merece atenção na jornada de aprendizado na área de Dados é a construção de portfólios. Percebo em muitos sites (ou postagens) uma exagerada utilização de conjuntos de dados já bastante explorados em contextos acadêmicos, limitando assim o potencial criativo e investigativo dos estudantes. Esta abordagem, embora útil para o entendimento inicial de técnicas e ferramentas, pode não preparar adequadamente os futuros profissionais para os desafios complexos e multifacetados que encontrarão no mercado de trabalho. A verdadeira valorização vem de projetos que abordem problemas reais, com dados não tratados e questões inexploradas. Esses projetos não apenas demonstram habilidade técnica, mas também criatividade, capacidade de lidar com a incerteza e habilidade para extrair insights valiosos de situações ambíguas – competências essenciais para qualquer cientista de dados que deseja se destacar profissionalmente.
Para quem está considerando ou já iniciou sua trajetória na área de Dados, a profundidade é chave. Incentivo que mergulhem nos princípios dos conceitos matemáticos, bem como os de estatística e probabilidade que são pilares desta área. É preciso que vocês sejam questionadores ao escolher cursos, lives ou postagens. O foco deve estar em desenvolver uma fundação sólida de conhecimentos, que não apenas em impulsionar sua carreira por meio de processos formativos que, muitas de vezes, apenas, apresentam scripts e códigos da aplicação de modelos estatísticos sem o aprofundamento necessário para uma formação consistente.