Fonte: CIO
A indústria vive reinventando nomes. Quando migrei do mundo acadêmico para o empresarial a palavra da moda para descrever a implementação de métodos analíticos era Data Mining. Éramos chamados de “mineradores de dados”, numa tentativa de descrever nosso trabalho como extração de ouro dos dados. Nos últimos tempos, com a popularização destas soluções, surge um novo termo: Data Science! Subimos de nível então?
A palavra cientista realmente combina mais com nosso perfil profissional, mesmo que as vezes chegue a ser vulgarizada. Recentemente, em um evento de Big Data, quando perguntado sobre os métodos de Data Science, o palestrante respondeu que, basicamente, se resumia em "conectar uma série de caixinhas e escolher qual era a melhor". Doeu nos ouvidos! Se é para trocar caixinhas, bastaríamos ser operadores de empilhadeiras! O Data Science é sinônimo de método científico, é o processo continuo de aprendizagem, é previsão e otimização de decisões.
O Data Science é o processo continuo de aprendizagem
Em reuniões de equipe sempre surge o debate sobre qual seria o tipo de perfil adequado para desenvolver o Data Science, e a comparação clássica sempre é entre o estatístico versus o especialista em computação, mas existem outros. O Estatístico domina profundamente a teoria, sobretudo a medição das incertezas, que é fundamental para separar o sinal do ruído, já que facilmente caímos na armadilha de encontrar padrões no próprio ruído. Geralmente não são bons programadores, por isso uma complementação deixaria o perfil mais robusto. Eles também se dividem em frequentistas ou bayesianos, mas isto é tema para outro artigo.
Em reuniões de equipe sempre surge o debate sobre qual seria o tipo de perfil adequado para desenvolver o Data Science, e a comparação clássica sempre é entre o estatístico versus o especialista em computação, mas existem outros. O Estatístico domina profundamente a teoria, sobretudo a medição das incertezas, que é fundamental para separar o sinal do ruído, já que facilmente caímos na armadilha de encontrar padrões no próprio ruído. Geralmente não são bons programadores, por isso uma complementação deixaria o perfil mais robusto. Eles também se dividem em frequentistas ou bayesianos, mas isto é tema para outro artigo.
Em contraposição estão os especialistas em computação, os chamados programadores. São muito hábeis em implementar estruturas complexas de modelos de machine learning e métodos paralelos do Big Data. Mas observamos dificuldades na hora de resumir uma extração de conhecimento de negócio ou responder sobre eventuais desvios nos modelos.
Matemáticos (falo dos "aplicados"): são um perfil bem completo. Frequentemente são bons programadores e com pensamento abstrato tão agudo que as vezes vira um problema quando é preciso explicar o modelo de forma simples a um cliente.
Físicos (a ciência mãe): gosto deles! Enxergam tudo como um fenômeno, com sua origem, desenvolvimento e abrangência. Problemas clássicos de abandono de clientes são vistos com o mesmo prisma da mecânica quântica, no final cada cliente pode ser observado como partícula e onda ao mesmo tempo. Também gosto pela beleza que procuram nas equações: modelo bom tem que ser bonito. Todo físico sabe disso!
Biólogos (ou físicos da vida): adoro a visão de incorporar analogias do comportamento dos seres vivos nas análises. No final quase sempre estamos modelando seres vivos! A quem ocorre a ideia de modelar o efeito da frequência de exposição da mídia utilizando uma forma funcional do efeito do fertilizante sobre numa planta? Ou criar um sistema de gestão de modelos baseados em conceitos evolutivos de elementos vivos?
Engenheiros (práticos: 2+2=3.9, pode ser uma ótima solução):Muitos dos métodos usados no Data Science foram criados por engenheiros diante da necessidades de resolver problemas concretos. O cientista de dados tem que ser sempre um pouco engenheiro, afinal lidamos com projetos e tempos, e como em qualquer profissão precisamos ser rentáveis. Aqueles engenheiros provenientes de áreas de controle ou processamento de sinais já trazem uma bagagem em técnicas bastante completa para o Data Science.
Economistas: às vezes muito criticados, mas são eles que têm a coragem de explicar as coisas que ninguém se atreve. Incorporam a visão filosófica de negócio fundamental na modelagem, especialmente se são bons em econometria.
Psicólogos: não temos por agora ninguém. Mas depois do Daniel Kahneman - psicólogo ganhador do Nobel em Economia - acho que é próximo perfil que gostaríamos de incorporar na nossa empresa. O entendimento do ser humano com suas decisões irracionais será fundamental para o melhoramento dos modelos.
Independentemente da palavra de moda para designar o trabalho da análise de dados, muito novos perfis serão atraídos a este fascinante mundo: administradores, jornalistas, médicos, inclusive já surgem faculdades específicas sobre a profissão. De qualquer maneira, é na interseção de fronteiras de conhecimento onde a inovação prevalece. Por isso acreditamos na mescla de perfis e na contraposição de visões de pensamento, baseadas sempre no método cientifico.
Se você é Data Scientist, qual é tua área de origem?
(*) Eugenio Caner é diretor da Murabei Data Science
0 comentários:
Postar um comentário