Existem unicórnios em Data Science?

Para dar início a esta coluna Data Science e Estratégia, após algumas elucubrações, resolvi discorrer sobre um tema geral que possibilita a derivação para discussões mais específicas e aprofundadas em artigos futuros: Existem Unicórnios em Data Science? Para chegar a uma conclusão sobre esta questão, precisamos definir, inicialmente, Data Science.

Data Science, ou Ciência de Dados, é um termo que está em alta e que tem sido muito utilizado em ambientes acadêmicos e empresariais, em praticamente todos os segmentos do varejo e da indústria, no setor da saúde, em fintechs e startups, no mercado financeiro e segurador, em organizações privadas ou públicas.

Afinal, o que é Data Science? De maneira sucinta, Data Science é um campo multidisciplinar que se refere ao levantamento, tratamento e análise de dados, estruturados ou não, que tem por objetivo primordial a obtenção de informações que gerem conhecimentos propícios à tomada de decisão.

Por ser multidisciplinar, a Ciência de Dados faz uso de conhecimentos, técnicas, ferramentas e conceitos provenientes de disciplinas como matemática, estatística, ciência da computação, sistemas de informação, engenharia, física, comunicação, direito, administração e negócios, finanças, operações, marketing, economia, entre outras formações.

A figura a seguir apresenta alguns conceitos que frequentemente aparecem associados ao termo Data Science, como Analytics, Big Data, Machine Learning, Artificial Intelligence ou Desenvolvimento de Software. Segundo levantamento da Statista (2018), a expectativa é que o mercado de Big Data, Machine Learning e Analytics gere uma receita mundial de US$ 210 bilhões até 2020. Esses termos serão discutidos nos nossos próximos artigos.

FONTE: Ricardo Cappra e Gabriel Lages.

Os grandes círculos (Ciência da Computação, Matemática e Estatística e Negócios com foco na Tomada de Decisão) são o foco da presente discussão.

No mercado e na academia, não é raro encontrarmos exímios cientistas da computação e programadores que desenvolvem algoritmos complexos e poderosos em Python, Java, R, Stata, Hadoop, Spark, Chukwa ou qualquer outra toolbox, mas que apresentam certa dificuldade ou pouco se importam ou se interessam pelo fato de estarem implementando rotinas para futuros modelos de risco de crédito em determinado banco ou criando scripts para a área de CRM de um varejista de produtos online. O foco é na rotina, no script em si. Se perguntarmos como poderemos utilizar os achados para tomar determinada decisão, engasgos, embaraços e falas embargadas serão o que comumente obteremos como resposta.

Também existem aqueles profissionais que são excelentes na construção de gráficos estáticos ou dinâmicos, elaboração de modelagens exploratórias ou não supervisionadas, estimação de modelos confirmatórios ou supervisionados, análises robustas de outputs e de significâncias estatísticas de testes, de parâmetros e de modelos. Porém, também apresentam limitações sobre as dinâmicas dos negócios, sobre a área fim para a qual o desenvolvimento analítico foi proposto e, consequentemente, sobre o processo decisório.

Em todas as posições gerenciais e executivas existem gestores e tomadores de decisão que, por vezes, não possuem discernimento ou conhecimento para avaliarem outputs de modelos que foram estimados para a solução de problemas reais e específicos. Ficam vendidos e dependentes daqueles que construíram os algoritmos e estimaram os modelos. Recentemente, um executivo C-level de uma grande empresa multinacional de tecnologia me confessou que seu grande dilema era avaliar se os resultados dos modelos estimados eram confiáveis para fins de alocação de recursos.

Por que, então, profissionais que navegam nestas três esferas são conhecidos por unicórnios? Porque unicórnios são profissionais raríssimos que possuem conhecimentos e habilidades em gestão de negócios, estatística, engenharia de dados e ciência da computação, fundamentais para que se feche o processo de tomada de decisão em Data Science. Atualmente, e com frequência, organizações estão optando pela formação de equipes unicórnias, em vez de partirem para o desenvolvimento ou recrutamento de unicórnios individuais, difíceis de formar, raros de encontrar e quase impossíveis de substituir.

No próximo artigo, vamos aprofundar um pouco mais a discussão sobre as vertentes que compõem a Ciência de Dados, justificando ainda mais como é árdua a missão de se tornar um unicórnio.

“Nunca é tarde demais para ser o que você poderia ter sido.” 

Mary Ann Evans