Um dos efeitos positivos da atual crise provocada pela pandemia de Covid-19 é o fato de a Ciência de Dados ter deixado de ser um luxo para companhias. Os desafios atuais estão forçando empresas de todos os tamanhos e setores a confiar em estratégias orientadas por dados como um aspecto-chave para a gestão dos negócios. O que tem feito a demanda por profissionais da área crescer ainda mais em todo o mundo.
O Machine Learning vem se tornando mais acessível para empresas de médio e pequeno porte à medida que se transforma gradualmente em commodity. Os fornecedores líderes de Machine Learning as a Service – Google, Amazon, Microsoft e IBM – disponibilizam APIs e plataformas para executar operações básicas de ML sem uma infraestrutura privada e profundo conhecimento em Ciência de Dados.
Além disso, mudanças estruturais no consumo de bens e serviços e no comportamento dos consumidores causaram estragos nos modelos de aprendizado de máquina, que demoram para se adaptar a dados incomuns. Portanto, trabalho não falta, mesmo em equipes já estruturadas.
Neste cenário, uma dúvida comum de quem está montando uma equipe de cientistas de dados é se deve contratar profissionais generalistas ou especialistas. Há vantagens e desvantagens nos dois modelos. Considere os tipos de problemas que sua empresa precisa resolver, o tamanho de sua equipe, o seu acesso a talentos e, o mais importante, considere o estágio de maturidade da sua empresa em trabalhar com dados.
Embora os especialistas sejam excelentes na reprodução de trabalhos nos quais têm bastante prática, às vezes eles lutam para navegar por territórios desconhecidos onde as regras não são bem definidas. Ironicamente, muitas funções de negócios, especialmente aquelas em empresas pequenas e ágeis, exigem exatamente essa habilidade – a capacidade de lidar com a ambiguidade, incerteza e falta de regras claras. É na ambiguidade que o generalista brilha.
Os generalistas agregam mais valor do que os especialistas nos primeiros dias de uma empresa trabalhando com dados. Seu primeiro classificador não precisa usar Deep Learning para obter resultados revolucionários. Nem seu primeiro sistema de recomendação precisa usar árvores de decisão incrementadas por gradiente. Há até aqueles como Eric Colson, Chief Algorithms Officer da Stitch Fix, que defendam a ideia, às vezes controversa, de criação de uma equipe de generalistas de ciência de dados full stack.
A ideia não é deixar de lado as posições-chave, mas construir a equipe com uma boa combinação de especialistas e generalistas. Uma vantagem dos generalistas será a capacidade de oferecer percepções mais amplas, que podem até aumentar a eficiência das tarefas e o fluxo de certos processos de trabalho.
Para o profissional, sobretudo, pode ser difícil evitar se tornar um generalista se ele não souber em quais classes de problemas comuns pode se especializar. O que, como acabamos de ver, está longe de ser um problema, especialmente nesse momento de incerteza.
Aprender Ciência de Dados em 2020 é uma chance de entrar em um campo promissor e bem remunerado que faz a diferença em saúde, varejo, finanças e muitas outras áreas.