Você sabe mesmo o que é Data Science? Entenda na prática como funciona a Ciência de Dados

Afinal, o que é realmente o Data Science? Que ele é uns dos job titles mais quentes do séc. XXI, nós já sabemos. Mas no que ele consiste na prática? Para definir de forma objetiva, o Data Science nada mais é do que a função na qual o profissional precisa fazer descobertas enquanto mergulha em dados importantes para a empresa e a sua área de negócios.

Mas esse já não é o papel da Inteligência de Mercado ou do Analista de Dados?! Você poderia questionar. Bom, não é tão simples assim. O Data Scientist ou Cientista de Dados não é o responsável por somente analisar os dados comuns gerados pelo negócio e fazer relatórios para a diretoria! Ele tem um papel bem mais abrangente, como o de encontrar fontes de dados antes inexploradas, como vamos entender mais a frente.

Outra forma de compreender ao que se propõe o Data Science é olhar para a importância da palavra “Science” nessa expressão. Ela não está aqui por acaso. O Cientista de Dados precisa, além dos conhecimentos técnicos em estatística, por exemplo, ser um curioso por natureza, ter o espírito do cientista. Ele deve enfrentar os problemas procurando chegar ao fundo de cada questão.

E isso não é feito de qualquer forma, mas usando o método científico. É preciso observar quais são os problemas e oportunidades do negócio, pensar em hipóteses e procurar formas de testá-las com criatividade, encontrando os tipos de dados mais confiáveis.

Dois exemplos de Data Science na prática: Netflix e LinkedIn

Para o conceito ficar mesmo claro na nossa cabeça, precisamos ver as aplicações. O primeiro exemplo é o Netflix, que num caso clássico de Data Science pavimentou o crescimento da empresa no momento certo.

Uma das estratégias que eles usavam para aumentar o nível de consumo dos produtos na plataforma era incentivar os usuários a marcarem em uma lista os filmes que gostariam de ver para depois lembrá-los de assistir aquele filme. Ao perceber que a estratégia não dava resultado, eles foram investigar.

Acontece que as pessoas marcavam na lista muitos produtos que gostariam em tese de consumir, como um documentário sobre a Segunda Guerra Mundial, por exemplo, mas no fim do dia acabavam vendo sempre as mesmas comédias românticas de sempre. Assim como mentem em pesquisas, como já foi provado, as pessoas também mentem para si mesmas. É o tipo de coisa que não se descobre fazendo um relatório de concorrência.

Usar os dados para perceber estes padrões e chegar a estas conclusões gerou uma das estratégias mais bem sucedidas da empresa: recomendar filmes com base no que as pessoas já assistiram, não com base no que elas “pretendem” assistir. Eles criaram para isso um algoritmo que é apontado como um dos responsáveis pela virada positiva de crescimento da plataforma no mundo.

O caso do LinkedIn é similar. Em 2006, quando a plataforma era praticamente uma start-up, com menos de 8 milhões de usuários, os executivos brincavam que entrar no LinkedIn era como ir a um congresso onde não se conhece ninguém: você chega e fica parado no seu canto, sem ter muito o que fazer. As pessoas simplesmente não se conectavam como se esperava.

Diante desse problema, o LinkedIn deu espaço para Jonathan Goldman, PhD em Física na Universidade de Stanford, experimentar na área de analytics da empresa. Enfrentando resistência no início, ele começou a fazer testes e encontrar padrões. Quando ele resolveu experimentar o que aconteceria se os usuários fossem apresentados a conexões que fossem interessantes para a sua área, finalmente veio o sucesso.

Ele começou a colocar anúncios para os usuários do perfil das três pessoas mais compatíveis para se conectar com base no background encontrado em cada currículo, e a taxa de cliques foi altíssima. Foi o surgimento da tela “People you may know”, responsável por uma grande mudança na trajetória da plataforma.

Com esses dois exemplos dá para perceber como o processo de Data Science vai muito além da estatística e da análise de dados usual. Nos dois casos, a estratégia envolveu usar essas informações para compreender a mente do cliente, e perceber no seu comportamento algo totalmente inesperado pelo senso comum. Estamos falando de uma nova perspectiva e de uma nova atitude diante dos dados.

E para implementar na sua empresa? O que é necessário? Essa é a grande pergunta do momento. Para ter uma boa estratégia de Data Science na sua empresa, a área precisa ser formada por três competências cruciais: T.I, Estatística e Negócios. O que está em falta no mercado brasileiro é justamente o líder de negócios que transite bem nessas áreas e que possa tocar estratégias de ciência de dados nas empresas. Com o objetivo de formar esse profissional, a Live University está lançando no próximo semestre o seu MBA em Data Science. Se você quiser saber mais, é só clicar aqui para conhecer o nosso programa.