Cappra Institute

for Data Science

O Cappra Institute é uma organização global e independente que promove a
cultura analítica através da ciência de dados. Acreditamos que a tecnologia da
informação é um recurso fundamental para empoderar pessoas e negócios, por
esse motivo, usamos nossa experiência de mais de 20 anos para criar teorias e
métodos que aceleram o desenvolvimento da maturidade analítica de indivíduos
e negócios. Nossos laboratórios, projetos e iniciativas, espalhados ao redor do
mundo, ajudam a preparar a sociedade e as organizações para enfrentar um
futuro mais analítico.

CAPPRA INSTITUTE FOR DATA SCIENCE 02

Habilidades
Analíticas
Bem vindo(a) aos Insights
sobre as Habilidades Analíticas

Precisamos começar esse estudo explicando o tema habilidades analíticas, uma

abordagem relativamente nova para um problema nem tão novo assim. Durante
muitos anos, as escolas e universidades ao redor do mundo prepararam os
profissionais para atuar em mercados determinados Médicos, programadores,
biólogos, qualquer formação tradicional que você imaginar está direcionada
para uma profissão específica. Contudo, existem algumas disciplinas que são
transversais na formação desses profissionais: matemática, história, filosofia,
entre outras que estão categorizadas como “conhecimentos fundamentais”.
Essas disciplinas costumam ser inseridas dentro de formações com maior
ligação com o tema, por exemplo, dentro da área de tecnologia você encontrará
mais sobre ciências exatas, já dentro do direito aprenderá mais sobre ciências
humanas. Essas habilidades são consideradas fundamentais, pois costumam
ser utilizadas nas mais diversas aplicações, um determinado pensamento
matemático pode ser aplicado a qualquer problema ou situação, já o debate
sobre ética que surge em uma aula de filosofia deveria estar presente em todas
as áreas de atuação.

Agora, vamos pensar na tecnologia. A habilidade de lidar com meios e

instrumentos digitais tornou-se premissa fundamental, à medida que a
tecnologia deixou de ser um recurso técnico e tornou-se uma prática que está
em absolutamente tudo que fazemos. Nos últimos anos, fomos soterrados por
dados e estamos todos precisando lidar mais especificamente com a tecnologia
da informação, mas não fomos preparados para essa tarefa. Atualmente, as
pessoas são estimuladas a utilizar dados para tudo: realizar análises através de

CAPPRA INSTITUTE FOR DATA SCIENCE 03

um tal de “mindset data-driven”. Os termos são todos muito novos, mas já
aparecem descritos em praticamente todas as vagas de empregos, você já deve
ter lido alguns exemplos como: ter pensamento crítico, analisar dados e tomar
decisões a partir dessas análises.

O Cappra Institute investiga esse tema continuamente, junto com as

organizações que ajudamos ao redor do mundo. Em nossos laboratórios, os
pesquisadores, analistas e cientistas, investigam profundamente como preparar
pessoas mais analíticas para lidar com essa acelerada era da informação, mas
precisamos admitir que apesar de muitos estudos, até o momento, temos
mais perguntas do que respostas. São questões do tipo: Como identificar
profissionais com habilidades analíticas avançadas? São da área de tecnologia?
da matemática? da estatística? da psicologia? da análises de sistemas? Onde
aprimorar essas habilidades? Como medimos a evolução dos profissionais
dessa área? Quais as habilidades que realmente podem ser classificadas
como analíticas? Entre tantas outras perguntas. A amplitude envolvida nestas
respostas nos levou a criar esse estudo, onde reunimos algumas descobertas e
aprendizados sobre o assunto.

Aproveite a leitura! Trouxemos diferentes visões para contribuir com o debate

e a evolução do tema, afinal, não temos dúvida nenhuma que o mundo terá
cada vez mais dados e tecnologia e isso obviamente significa que as pessoas
precisarão ser cada vez mais analíticas.

Ricardo Cappra
Fundador do Cappra Institute for Data Science

CAPPRA INSTITUTE FOR DATA SCIENCE 04

Índice
INSIGHT #1

Decodificando profissionais analíticos 06

INSIGHT #2

Aspirantes analíticos 13
INSIGHT #3

O papel da curiosidade na era dos dados 16

INSIGHT #4

Dominando as habilidades do futuro 19

INSIGHT #5

Habilidades de lideranças de times analíticos 22

INSIGHT #6

CEO Data-Driven 25

CAPPRA INSTITUTE FOR DATA SCIENCE 05

Decodificando
profissionais analíticos
Por Gabriel Figlarz

Para entender o que as organizações estão buscando nos profissionais analíticos,

fizemos uma pesquisa das principais vagas de empregos para profissionais de dados.
Nesse sentido, consideramos como os profissionais que trabalham com dados: cientista
de dados, engenheiro de dados, analista de dados e analista de business intelligence
(BI). A partir daí, 139 vagas do site Glassdoor referente a estes profissionais no Brasil
foram classificadas e mapeadas as características mais importantes que guiaram a
decodificação desta demanda analítica.

A primeira análise feita foi sobre o nível de entrada dos profissionais nas empresas. Das
organizações que especificaram esse nível, identificamos que 11.15% são nível Jr., 44.27%
Pleno e 44.58% Sênior conforme a Fig.1.

Figura 1 - Nível de Entrada nas Empresas

CAPPRA INSTITUTE FOR DATA SCIENCE 06

A requisição majoritária por profissionais de nível Pleno e Sênior pode significar que há
pouca ou nenhuma área dedicada a dados nas empresas. Portanto, profissionais com
mais experiência são necessários para estruturar uma área de dados. Levando em
consideração essa interpretação, temos que as empresas das vagas analisadas estão em
processo de implementação de uma área analítica.

Pela demanda de profissionais mais experientes, o nível de formação procurado é

consequentemente mais elevado. A Fig.2 representa o nível de formação acadêmica
requisitado de cada uma das profissões analíticas. Graduação ainda é um pré-requisito
para, em média, 46.25% das empresas. Destaque para 4% das vagas de cientista de dados
e 2% para engenheiro de dados que pedem mestrado ou doutorado. Especialização é
requisitada em 6% das vagas de cientista de dados, 9% de engenheiro de dados, 4% para
analista de dados e 5% para BI.

Figura 2 - Formação Acadêmica

Algumas vagas já são divulgadas com opção de trabalho remoto ou híbrido. Fruto
da pandemia, 7.6% das vagas disponibilizam essa flexibilidade com destaque para
10% das vagas de cientista de dados, conforme mostrado na Fig.3. Isso representa a
possibilidade desses profissionais atingirem as organizações independentemente da
localização geográfica. Além disso, pode-se interpretar que o impacto dos profissionais
analíticos é escalável.

CAPPRA INSTITUTE FOR DATA SCIENCE 07

Para entender o que as organizações estão buscando nos profissionais analíticos,
fizemos uma pesquisa das principais vagas de empregos para profissionais de dados.
Nesse sentido, consideramos como os profissionais que trabalham com dados: cientista
de dados, engenheiro de dados, analista de dados e analista de business intelligence
(BI). A partir daí, 139 vagas do site Glassdoor referente a estes profissionais no Brasil
foram classificadas e mapeadas as características mais importantes que guiaram a
decodificação desta demanda analítica.

A primeira análise feita foi sobre o nível de entrada dos profissionais nas empresas. Das
organizações que especificaram esse nível, identificamos que 11.15% são nível Jr., 44.27%
Pleno e 44.58% Sênior conforme a Fig.1.

Figura 3 - Opção Remota

Os principais setores que divulgaram as vagas estudadas são mostrados na Fig.4. Para
cada profissão, a porcentagem das vagas está dividida pela área da empresa. O setor de
tecnologia é o que mais procura profissionais data-driven, sendo, em média, 50.75% das
empresas analisadas. Em segundo lugar, em média, 19.10% das empresas são de finanças.
Essa relação entre setores financeiros e de dados têm sido acentuada pela grande
tendência de digitalização do setor. Em 2020, o número de fintechs cresceu 34% [6],
unindo tecnologia e setor bancário para prover soluções para o consumidor. Em paralelo,
a implementação da LGPD acelerou a necessidade de tratamento e gerenciamento de
dados em todas as áreas. Isso acentuou a demanda de profissionais com capacidade de
trabalhar com dados ou empresas especializadas para adequação à nova lei de proteção
de dados.

CAPPRA INSTITUTE FOR DATA SCIENCE 08

Figura 4 - Setores Data-Driven

As principais hard skills que as vagas de emprego estudadas têm como critério de
seleção são mostradas na Fig.5. A hard skill mais requisitada é conhecimento em
SQL. Em 71% das vagas analisadas, a linguagem de consulta de base de dados torna-
se imprescindível para um profissional analítico. A segunda habilidade mais pedida é
também uma linguagem de programação. Python aparece em 58% das vagas e reflete
não apenas a necessidade dos times de dados manipular bases de dados, mas também
criar modelos, explorar hipóteses e automatizar tarefas.

CAPPRA INSTITUTE FOR DATA SCIENCE 09

Figura 5 - Hard Skills

Mas não são apenas as hard skills que fazem um profissional analítico um candidato. Soft
skills são as habilidades comportamentais e competências subjetivas do profissional,
sendo as mais requisitadas nos anúncios de vagas representadas na Fig.6.

CAPPRA INSTITUTE FOR DATA SCIENCE 10

Figura 6 - Soft Skills

De acordo com as vagas que especificaram soft skills, a capacidade analítica,

comunicação e trabalho em equipe são as mais importantes. Destas vagas, 50% delas
procuram um profissional com capacidade analítica para propor soluções de dados e
interpretar resultados. A comunicação aparece em 40% das vagas, uma vez que traduzir o
conhecimento técnico para os demais profissionais é essencial. Além disso, muitas vezes,
o trabalho com dados é feito em times, tornando o trabalho em equipe um atributo
indispensável do profissional analítico, aparecendo em 35% das vagas.

Ao sumarizar os resultados que esta pesquisa extraiu dos anúncios das vagas de emprego
para profissionais analíticos, é possível traçar um perfil do candidato ideal. Ao focarmos
nas habilidades técnicas, vemos que a prioridade é o conhecimento em tecnologia e
linguagens de programação. Ao mesmo tempo, as habilidades comportamentais mais
buscadas, são em relação ao pensamento analítico e capacidade de traduzir as análises
para as outras pessoas do time de dados. A dualidade da busca por capacitações mais
técnicas e, ao mesmo tempo, por habilidades comportamentais mais comunicativas
demonstra um nível de exigência elevado dos candidatos e, consequentemente, nas
empresas.

Interpretamos que há a ausência de um time estruturado de dados com pessoas com

capacidade analítica, trabalho em equipe e capacidades técnicas, de acordo com as
demandas consideradas. No Cappra Institute for Data Science estamos constantemente
rastreando as habilidades dos profissionais de dados através de uma pesquisa que

CAPPRA INSTITUTE FOR DATA SCIENCE 11

mapeia 206 skills analíticas. A pesquisa já foi respondida por 1.702 pessoas até a
publicação deste estudo. Com isso, podemos entender como estão as habilidades
daqueles que estão no mercado de trabalho atuando ou em busca de uma posição. A
diferença entre o que as organizações estão pedindo e o que o mercado está oferecendo
pode ser visualizado na Fig.7. Escolhemos algumas das principais habilidades que
mapeamos das vagas de emprego e comparamos com as respostas do mapa de skills do
Cappra Institute.

Figura 7 - Oferta vs. Demanda

Podemos ver que há uma disparidade entre oferta e demanda de forma generalizada.
As habilidades mais técnicas como SQL, Python e Machine Learning são as que mais se
diferem da expectativa das empresas com a realidade dos profissionais que responderam
a pesquisa. Este desequilíbrio é um reflexo da falta de compreensão por parte das
lideranças do que é um profissional analítico. Este profissional é um membro de um time
de dados, com habilidades e competências que complementam as de seus colegas.
Esperar e exigir uma abrangência excessiva de habilidades de um único profissional não é
realista. Dificilmente algum profissional demonstrará proficiência em todas as principais
habilidades requisitadas, essa pessoa dificilmente existe. Portanto, o profissional não será
capaz de suprir toda a demanda da empresa sozinho.

Ao observarmos os resultados, podemos rapidamente concluir que, para um profissional

se posicionar no mercado de trabalho de dados, é preciso habilidades e conhecimento
técnicos em linguagens de programação. Porém, conforme Anna Cristina Rezende
Braga[1], isso não necessariamente representa as necessidades do dia a dia do
profissional ou mesmo a demanda da organização. Este direcionamento equivocado que
as vagas de emprego assumem ao procurar em apenas uma pessoa todas as skills ou
as mesmas skills em todas as pessoas não contribui para o desenvolvimento analítico e
compromete o nível de maturidade analítica da companhia.

CAPPRA INSTITUTE FOR DATA SCIENCE 12

Aspirantes
analíticos
Por Guilherme Machado

Atualmente, a realidade com a qual temos que lidar é a seguinte: criamos tecnologias
incríveis e geramos muitos dados sobre nós e nossos trabalhos, temos mais dados sendo
gerados do que informações qualificadas sendo extraídas. Mais do que um desperdício,
isso está se transformando em oportunidades para novos transeuntes no campo da
ciência de dados. Os aspirantes analíticos de hoje têm à sua disposição uma gama de
ferramentas e de conhecimentos teóricos pré-estabelecidos, construídos e registrados
pelos cientistas que já trilharam seus caminhos. Milhares de repositórios de dados,
ferramentas e cursos estão disponíveis, e a inteligência do aspirante funciona de lanterna
guia para sua orientação nesse campo tão aberto. Apesar do trabalho com dados envolver
práticas fechadas e determinísticas, afinal estamos falando de um campo que, em sua
essência, é quantitativo, a abordagem ao redor desses dados parte da visão subjetiva da
pessoa que se aproxima deles. Múltiplas técnicas para transformar dados em informação
existem, as influências científicas e culturais, assim como os desafios prévios enfrentados
ao longo da vida do profissional, irão desenhar seus processos decisórios internos que
levarão a uma trilha de desenvolvimento de habilidades, sejam elas mais voltadas para o
lado analítico científico/matemático, visual, ou linguístico. Os passos iniciais na jornada
de interessados em adentrar ao mundo dos dados nunca são os mesmos, mas
padrões podem ser observados.

No Instituto Cappra, trabalhamos diretamente com pessoas dentro e fora de organizações

em busca da decodificação do pensamento analítico, quebrando em processos aquilo
que é necessário para evitar armadilhas cognitivas e enxergar cenários como eles se
apresentam, e não nossa concepção aparente deles, através dos dados. A sensação
majoritária relatada por iniciantes é que a falta de experiência em linguagens de
programação e ferramentas tecnológicas os incapacita de plenamente compreender
os dados e suas interações. Nosso trabalho envolve mostrar que, muito antes de
colocar esses fatores em primeiro plano, o fundamental para qualquer aspirante analítico
é compreender conceitualmente o método científico e como ele pode se tornar um
modelo generalizado imbuído diretamente no seu processo decisório cognitivo. Estamos
falando sobre enxergar a realidade e os negócios em processos estruturados e saber
diferenciar suas características quantitativas e qualitativas. O aspirante que se acostuma
a esse processo passa a enxergar padrões de informações nos dados com os quais lida e

CAPPRA INSTITUTE FOR DATA SCIENCE 13

partir da sua visão criativa, busca as ferramentas e estratégias para extrair as informações
escondidas. De uma planilha estruturada até um report conciso, ou de um algoritmo de
classificação até um dashboard interativo, as abordagens possíveis dependerão da situação
onde o analista irá se encontrar, do que os dados permitem que ele crie, e da expertise
em ferramentas as quais ele tem acesso. Quando pensamos nesse processo em nível
de carreira, não existe caminho melhor ou mais correto do que outro. Tampouco existem
unicórnios, aqueles profissionais coringas que possuem todas as diferentes habilidades bem
desenvolvidas, o caminho escolhido deve ser guiado pela subjetividade e personalidade da
pessoa por trás do processo, ciente de suas preferências e fraquezas. E isto não deve ser
pensado de maneira fechada, a flexibilidade de entender e manipular tipos diferentes de
dados será essencial, mas o início dessa jornada tem que ressoar com aquilo que se encontra
na alma do aspirante.

Nesse sentido, nossa experiência nos permitiu então desenhar arquétipos de personalidade
generalizados, na intenção de dar um empurrão aos aspirantes que precisam se enxergar
como analíticos de fato. Considerando os principais campos do conhecimento analítico:
Business, Tech & Science, categorizamos algumas personalidades frequentemente
encontradas nesta etapa.

Imagens dos arquétipos retiradas do site https://www.16personalities.com

Viajantes
O mundo é a sua casa, e você se sente confortável passando
por múltiplas áreas e entendendo as interações entre elas.
Você realiza a ponte de troca de dados entre departamentos
e garante que informações chave não se percam no caminho.

Skills: Business Analytics, Reporting, Storytelling,

Visualizações de dados.

Showman
Você mostra como se faz. Você é um expoente da cultura
analítica dentro da sua organização, e prova que ser
orientado por dados traz retornos positivos. Você ajuda na
estruturação dos processos e a reduzir o uso do feeling.

Skills: Análises de performance, KPIs, ferramentas de

gerenciamento, gestão de times orientada por dados

CAPPRA INSTITUTE FOR DATA SCIENCE 14

 Ilusionista
Você tem cartas na manga, e formata, ajusta, modela e
apresenta dados como ninguém. A síntese de dados com
seu conhecimento de negócios se transformam em uma
apresentação de informações cinco estrelas. Você se sente
confortável utilizando as ferramentas analíticas e facilmente
cria apresentações graças a essa intimidade.

Skills: Estruturação de dados, Python, Perguntas de

negócio, DataViz

Construtor
Uma estrutura mal fundamentada corre riscos e você sabe disso.
Você preenche as lacunas de fraqueza e habilita o time a aplicar
processos orientados por dados com mais segurança.

Skills: Bases de dados, SQL, APIs, LGPD

Alquimista
Você transforma dados em ouro. Você se importa menos com o estilo
e mais com a substância. Seu grande leque de técnicas estatísticas
e conhecimento de ferramentas aumenta sua percepção do que os
dados podem falar, elevando o nível das análises do time.

Skills: R, Python, Modelos Avançados, matemática/estatística

Nenhum desses arquétipos é uma profissão real e isto é proposital: não estamos falando
de caixas, mas de padrões de personalidades que observamos continuamente em nossas
atividades e, ainda, nenhuma pessoa é a mesma para sempre. Nosso conselho é que você
utilize essa indicação para se identificar e se orientar e, ao mesmo tempo, que conheça as
outras personalidades que encontrará ao longo de sua carreira profissional. Talvez você seja
exatamente um destes, ou mais de um ao mesmo tempo, ou nenhum destes exatamente,
mas você provavelmente enxergará esses padrões nas empresas e departamentos que
passará. Se acostume, depois de trabalhar com dados, enxergar padrões em tudo é inevitável.

CAPPRA INSTITUTE FOR DATA SCIENCE 15

O papel da curiosidade
na era dos dados
Por Anna Cristina Rezende Braga

Não é de hoje, que lideranças de várias empresas, buscam decifrar quais são os skills
necessários para um profissional que atua na área de Ciência de Dados. Muitos já
foram e ainda são as habilidades necessárias para quem quer entrar nesse mercado
tão competitivo. Quando comecei minha trajetória nessa área, me lembro que a lista
envolvendo habilidades técnicas era enorme - saber programar em, no mínimo, umas
03 linguagens era uma habilidade fundamental. E sim, eu aprendi a programar, mas, ao
longo do tempo, durante minhas interações com outras empresas e profissionais aqui no
Instituto, percebi que essa não era a skill mais importante de se ter. E quais são os skills
necessários, então? É possível atuar na área de ciência de dados e não saber programar?
Nesse sentido, resolvi compartilhar um pouco da minha visão para responder essas e
algumas outras perguntas.

Existe um mito que, para se trabalhar com ciência de dados, é necessário ter um
conjunto técnico de conhecimentos muito grande, sendo que essa lista aumenta ano
após ano, com o lançamento de novas tecnologias e ferramentas. Contudo, de um
tempo para cá, estamos ouvindo falar muito sobre a importância de soft skills na ciência
de dados e termos como no code ou low code estão passando a fazer parte do nosso
cotidiano. Diante desse cenário, o que eu devo aprender? Que tipo de profissional eu devo
contratar? Há um equilíbrio entre as habilidades mais e menos técnicas? Sendo bem
objetiva e dando uma resposta que talvez você não vá gostar de escutar: tudo depende
do problema de negócio a ser resolvido e do objetivo. Mas, o que isso significa? Isso
significa que não existe uma receita de bolo pronta, que cada problema de negócio pode
demandar um conjunto de habilidades diferentes.

Dependendo do contexto e do problema, fazer uma análise exploratória em uma planilha

pode ser suficiente para entender o comportamento histórico de clientes, descobrir qual
produto foi o mais vendido, cruzar essa informação de venda com a alocação de recursos
em campanhas e buscar identificar alguma correlação entre essas variáveis. Mas, se eu
estou analisando uma base de dados muito grande, tentando entender, por exemplo, o
comportamento do cliente a cada transação que ele faz via cartão de crédito, pode ser
que uma planilha não seja capaz de suportar todos os meus dados (devido ao volume de
transações realizadas). Se eu ainda quiser prever quando uma compra será fraudulenta

CAPPRA INSTITUTE FOR DATA SCIENCE 16

ou não, eu já vou precisar de skills relacionados à machine learning. Ou seja, não dá para
generalizar e muito menos querer contratar uma única pessoa que tenha todas essas
habilidades. Mas, se eu tivesse que escolher uma habilidade, escolheria a curiosidade.

A Ciência de Dados consiste, basicamente, em resolver problemas, da mais variada

complexidade e magnitude, por meio da análise de dados. Aqui no Instituto, gostamos de
falar que o coração da Ciência de Dados é saber fazer perguntas e nunca deixar de ser
curioso - o que não está relacionado a uma habilidade técnica. No início, quando escutava
as pessoas falando sobre isso, eu achava que no fundo eu deveria aprender sim a
programar e focar no desenvolvimento de habilidades técnicas. Até porque, as descrições
das vagas de emprego, em sua grande maioria, apontavam para essa realidade. Fato é,
à medida que eu comecei a compreender melhor a Ciência de Dados, eu percebi que
isso não era 100% verdade. Para se extrair valor dos dados e saber qual informação deve
ser utilizada, ou qual o parâmetro ou regra, um algoritmo deve ou não considerar, é
preciso saber qual pergunta de negócio eu estou querendo responder. E, nesse sentido,
ser curioso é um fator chave; afinal, a primeira pergunta nem sempre é aquela que
chega na causa raiz do problema e, quanto mais curioso eu for, maiores serão as minhas
habilidades de questionamento. Digo isso, porque a todo momento, aqui no Instituto,
estamos hackeando a forma como as pessoas tomam decisões e, na maioria das vezes, o
problema inicial levantado não é aquele que de fato precisa ser resolvido.

No gráfico abaixo eu trago uma visão resumida de como a curiosidade e a análise de

dados podem levar a cenários diferentes de descobertas e tomadas de decisão.

-Iniciando pelo segundo quadrante, se eu tenho uma alta curiosidade, mas não analiso
os dados, tenho o cenário de formulação de novas hipóteses, à medida que faço
questionamentos, mas não os exploro/valido.

-Caminhando para o terceiro quadrante, se eu não tenho curiosidade, nem analiso os

dados, caio no “feeling”, ou decisão com base na intuição, à medida que eu não questiono,
nem exploro os dados.

-Contudo, se eu analiso os dados, mas não exploro minha capacidade de ser curioso,
acabo chegando a conclusões enviesadas e superficiais, à medida que não explorei as
diversas vertentes que um problema possui.

-Por fim, se eu alio minha capacidade de ser curioso, questionar, criticar, à análise de
dados, tenho o cenário de melhores decisões, pois, além de formular hipóteses, eu
analiso os dados para conseguir chegar em uma decisão mais assertiva.

CAPPRA INSTITUTE FOR DATA SCIENCE 17

Diante do cenário exposto, eu te pergunto: Você está conseguindo chegar na causa raiz dos problemas
que precisam ser resolvidos no seu negócio? Os produtos de dados que você acessa (relatórios,
análises, dashboards, etc) hoje, te ajudam nesse processo? Para interpretar o resultado de cada um
desses produtos de dados e tomar uma decisão, gerando valor para o negócio, é preciso curiosidade.
Porque por trás de uma pergunta inicial diversas outras surgirão e será necessário mais cruzamentos,
análises e correlações para se chegar a uma solução.

Imagine que minha pergunta de negócio é o input do meu modelo e se eu fizer uma pergunta “ruim”
(muitas vezes vaga ou enviesada demais), meu resultado não será tão bom. Ou seja, a qualidade do meu
produto, meu output, está completamente relacionada à qualidade das minhas perguntas. Pensando
em um algoritmo, por exemplo, ele vai executar exatamente aquilo que estiver escrito no código.
Resumindo e detalhando o gráfico acima: quanto mais curioso você for, mais perguntas de negócio
você fará e, consequentemente, maiores serão as chances de se desenvolver produtos de dados mais
assertivos, que estejam em linha com os objetivos e problemas reais do negócio, resultando, por fim,
em melhores decisões.

Então, sempre que você pensar nas habilidades que um profissional de ciência de dados deve ter, ou até
mesmo nas suas próprias competências, lembre: o coração da ciência de dados é sempre ser curioso
e nunca deixar de fazer perguntas. Quais são as principais decisões que eu tomo no meu dia a dia? Eu
estou chegando na causa raiz desse problema? Seja curioso e sempre questione, pois a decisão de hoje
pode não ser a mesma de amanhã!

CAPPRA INSTITUTE FOR DATA SCIENCE 18

Dominando as habilidades
analíticas do futuro
Por Eduardo Santos

É inegável que as pessoas já entenderam a importância de analytics, contudo o que ainda vemos é um
percentual altíssimo de projetos relacionados a dados falhando, seja algo perto dos 85% levantados por
Nick Heudecker em 2017 [4] ou dos 77% que apareceram na pesquisa da New Vantage Partners em 2019
[5]. Pensando nisso, o que a grande maioria das empresas tem feito é buscar profissionais que atuem
nessa área de dados para ajudar nesta tarefa. Todavia, algumas perguntas acabam surgindo diante dessa
baixa taxa de sucesso na realização desses projetos. Por que mesmo tendo times de dados os projetos
continuam falhando? Quais as principais habilidades estão faltando para resolver este problema? Como
um profissional de dados pode ajudar? Quais caminhos uma pessoa que deseja se tornar mais analítico
deve percorrer?

O que vemos hoje é uma enxurrada de vagas de trabalho e cursos que tentam suprir a falta desses
profissionais no mercado e, quando analisamos essas oportunidades ou a grade curricular dos cursos,
como citado por Gabriel Figlarz[2] em seu artigo “Decodificando Profissionais Analíticos”, encontramos um
padrão onde quase todas as habilidades listadas são técnicas, comumente citadas como hard skills, que
passam por conhecimentos em matemática, estatística, softwares, linguagens de programação, técnicas
de manipulação de dados, bancos de dados, entre outras. A dúvida que não quer calar é: será que essas
são as habilidades que deveriam estar nas buscas do profissional analítico do futuro? Nossa experiência
ao longo dos anos, em diversas empresas e projetos, mostra que não, já que os principais problemas
acontecem na comunicação, no relacionamento entre as áreas, curiosidade sobre o assunto, paixão por
aprender e tantas outras habilidades que chamamos de soft skills.

Durante os últimos anos, nos deparamos com diversos projetos de dados, em empresas dos mais
diversos tipos pelo Brasil e pelo mundo que não deram certo ou foram engavetados. Diante desse
cenário, tentamos então, entender quais habilidades poderiam minimizar ou evitar a falha destes projetos.
Os principais pontos a serem desenvolvidos são:

-Falha de comunicação, um ponto primordial em projetos de forma geral, mas especialmente em

projetos de dados, onde a conversa pode se tornar técnica facilmente. Aqui a empatia se torna necessária
em ambos os lados - áreas técnicas e de negócio - que devem buscar uma comunicação mais clara,
simples e direta. Lembrando que ambas as áreas precisam estar abertas a aprender um pouco da outra.

CAPPRA INSTITUTE FOR DATA SCIENCE 19

-Falta de entendimento do processo, acontece sempre que a pessoa olha apenas para os dados sem
entender o contexto da sua coleta, como o processo funciona e em quais etapas existem oportunidades
de melhoria ou de novas explorações.

-Pouca curiosidade, porque diferente do que muitos pensam, trabalhar com dados exige curiosidade
e criatividade para buscar soluções, se aprofundar no entendimento dos problemas e muitos outros
pontos levantados pela Anna Cristina Rezende Braga[1] em seu artigo “Curiosidade Data-Driven”.

-Pensamento analítico, talvez o mais importante e difícil de resolver já que envolve uma mudança de
pensamento, da forma como as rotinas são executadas e, num primeiro momento, isso leva tempo e
gera desconforto nas pessoas que têm resistência a mudanças.

-Falta de conhecimento técnico é apenas o último motivo pelo qual vemos os projetos falharem. Em
geral acontece por se estar trabalhando com algo muito complexo ou novo, que envolve pesquisas e se
está na borda do conhecimento, ou mais comumente pela falta de uma hard skill. Nesse cenário temos
um problema menos complexo para ser resolvido, já que é possível contratar um terceiro ou aprender
uma nova hard skill para executar a tarefa.

Pensando nisso deixo aqui algumas sugestões para auxiliar no momento da estruturação de um time de
dados ou da decisão de onde investir o tempo estudando para criar projetos de dados:

1- Antes de contratar ou juntar pessoas em um time, entenda quais problemas a empresa está tentando
resolver. Se isso não estiver claro e com objetivos definidos, a chance de entregas de valor do time,
pessoas descontentes e produtos que não servem para nada é enorme. Dê um passo atrás e defina com
precisão os problemas, mesmo que para isso seja necessário uma consultoria externa.

2- Busque pessoas que tenham as soft skills desejadas para trabalhar com o time e que uma delas
seja a curiosidade e a vontade de aprender, pois é bem mais difícil ensinar uma soft skill do que uma
hard skill. Uma informação útil para se lembrar é que para se tornar um expert em uma nova habilidade
existem estudos dizendo que são necessárias 10.000 horas de dedicação. Porém, como Josh Kaufman
[3] nos conta, é que em apenas 20 horas já é possível aprender uma nova habilidade e isso me leva ao
ponto de entender quando é melhor contratar ou treinar pessoas nas hard skills.

3- Mapeie as tarefas que precisam ser executadas entendendo o que é necessário para executá-las e
depois tente incluir dados em todos os passos possíveis. Isso vai ajudar a medir o processo, seja para
entender sua performance ou para auxiliar na tomada de decisão, então não tenha medo de entrar nos
detalhes de como um processo é executado, pois só assim é possível melhorar a comunicação e inovar.

4- Quebre cada problema que aparecer em partes - problemas muito grandes são difíceis de se
resolver, enquanto problemas pequenos podem ser facilmente resolvidos por um indivíduo ou um time
multidisciplinar.

CAPPRA INSTITUTE FOR DATA SCIENCE 20

Por mais que a diversidade de gênero, de etnia e outras estejam sendo tão discutidas nos dias de hoje,
quando estamos pensando nos problemas do dia a dia, precisamos pensar na diversidade de forma
mais ampla, buscando pessoas de áreas diferentes e com conhecimento de partes diferentes do
negócio que possam atacar o problema por ângulos diferentes.

5- Entendo o processo/problema, junte pessoas que tenham habilidades complementares para resolver
o que precisa. Pode parecer óbvio, mas se não tiver passado pelos dois passos anteriores isso pode
parecer bem mais difícil, desgastante e improdutivo do que realmente é.

6- Se precisasse escolher apenas uma habilidade para o futuro de qualquer profissão, essa seria
“aprender”. Aprender a aprender, deixar seus vieses de lado e se abrir para aprender coisas novas, isso
não apenas te levará a solucionar os problemas de forma mais rápida como auxiliará em todos os
pontos que levantamos como principais para um projeto falhar.

Depois de ter passado por algumas dicas, como mensagem final gostaria de deixar o pensamento que
ser uma empresa data-driven não depende de montar uma área de dados, até porque essa é uma área
que nasce pronta para morrer. Para uma empresa se tornar data-driven, todas as pessoas precisam ser
mais analíticas.

CAPPRA INSTITUTE FOR DATA SCIENCE 21

Habilidades de Lideranças
de times analiticos
Por Maurício Diello Guggiana

O mercado acordou para a necessidade da utilização dos dados. Todas as organizações

passaram a ver e a ouvir sobre a utilização de dados de alguma forma. Questões como
algoritmos, dashboards e inteligência artificial saíram dos círculos de tecnologia e estão
entrando nas conversas de diretorias e times de negócio.

Como qualquer grande mudança de paradigma, existe uma curva de aprendizado e

maturidade dentro das organizações para que as mesmas possam adotar e se adaptar a
esta nova cultura. Grande parte do mercado ainda está no começo deste processo e com
a intenção de acelerar a mudança, cada vez mais surgem estruturas e times dedicados à
utilização de dados. Figuras como cientistas de dados, analistas de dados, engenheiros de
dados e estatísticos estão sendo alocadas para áreas específicas com a intenção de gerar
a mudança dentro das organizações.

Com a construção destas novas estruturas surge um ponto forte, quem deve liderar
estes times? Estes times não possuem um histórico ou uma determinação clara de
como devem entregar valor ao negócio, seu papel é gerar a mudança e levar dados para
os tomadores de decisão. Desta forma, a liderança precisa conseguir navegar entre estes
dois mundos: o mundo da tecnologia e o mundo dos negócios. Sem essa capacidade a
área vai encontrar muitas dificuldades no momento de entregar valor ao negócio.

Esta é uma definição que não está clara para as organizações no momento. Grande parte
delas não possuem recursos com hard skills (skills em database, data mining e analytics)
e, desta forma, não sabem como procurar tais habilidades pelo mercado. A tendência
acaba sendo alocar este projeto de contratação a uma área de negócio considerada mais
analítica ou a um time técnico como BI e TI, que insistem que esta nova área deve ser
absorvida pela sua estrutura por motivos políticos.

Com isso, as organizações vão ao mercado e trazem profissionais altamente técnicos,

normalmente cientistas de dados ou engenheiros de dados, para que estes construam
as áreas. E este é um processo que já nasce equivocado - a construção de uma área
passa por muitos aspectos e poucos deles efetivamente são relacionados a hard skills.
Construção de novos processos, definições de rotinas, conexões e comunicação com

CAPPRA INSTITUTE FOR DATA SCIENCE 22

outras áreas, estratégia de negócios, são alguns dos aspectos importantes a serem
estabelecidos. Todos estes pontos são vitais para a construção de uma área e nenhum
deles faz parte do escopo de especialidades de um cientista ou de um engenheiro de
dados.

A contratação de pessoas com habilidades extremamente técnicas faz com que estes
líderes montem times fortes em hard skills, mas que não conseguem se conectar aos
negócios. Estas áreas focam em estabelecer processos de dados que, em muitos casos,
deveriam fazer parte de um escopo de TI e constroem soluções que eles entendem que
o negócio deveria utilizar. O negócio, por não possuir um conhecimento técnico, por não
conseguir entender o processo que foi realizado e por não conseguir direcionar o time de
dados acaba não utilizando as soluções levantadas. Este ciclo se repete até que alguém
se envolva e redesenhe os processos para aproximar negócios e dados, começando,
então, a geração de valor.

Então, como podemos evitar esta situação? A resposta disso está no perfil do líder de
times analíticos.

A liderança analítica não possui a necessidade de ser operacionalmente o ponto mais

forte da organização. O principal papel de um líder analítico está na conexão entre o
negócio e os times de dados. Este líder precisa conseguir entender os problemas do
negócio e transmitir estas situações para sua estrutura de dados.

Podemos observar os pontos fortes de um líder analítico na matriz abaixo:

CAPPRA INSTITUTE FOR DATA SCIENCE 023

Data & Analytics skills – A liderança precisa ser capaz realizar análises de dados e
entender as habilidades e estruturas necessárias para entregar este tipo de resultado,
mas isso não significa que o líder precise ser um especialista na construção de modelos
estatísticos e análise de dados.

Database & Data Mining – Grande parte do escopo de trabalho em relação a

manutenção e storage de dados deve ficar junto dos times de tecnologia. Desta forma, a
liderança das áreas de dados precisa entender sobre como estes processos funcionam e
como eles se conectam ao trabalho executado na área de dados. Isto não quer dizer que
o líder deva possuir experiência na construção de bancos de dados SQL e NoSQL. Um
líder que entende sobre conceitos de bancos de dados, cloud computing e ETL, mas sem
habilidade prática de execução destes conceitos já está bem amparado para lidar com os
desafios de uma área de dados.

Data Products and Applications – Uma camada de conhecimento muito importante

para este tipo de liderança é o conhecimento sobre as possibilidades de aplicação de
dados. A liderança precisa entender sobre o que é necessário para construção de reports,
dashboards, algoritmos e outros modelos avançados. O líder em si não precisa ser um
programador de inteligência artificial, mas ele precisa entender o que é preciso construir
na organização para que uma solução do tipo possa ser aplicada no futuro.

Knowledge of the Business – O líder da área de dados não deve ser um especialista
em todas as áreas de negócio da organização. A liderança precisa se familiarizar com
os processos da empresa e entender o fluxo de trabalho e conexões entre as áreas.
Entender sobre como uma área impacta a outra é muito mais importante do que
entender exatamente todos os detalhes do funcionamento de uma área em específico.

Problem Framing – Esta é potencialmente a principal skill de um líder de time de

dados. A capacidade de entender os problemas das áreas de negócio e traduzir isto em
um plano de ação para os times de dados é essencial. Uma liderança forte nesta skill
consegue traduzir a estratégia de uma organização de forma que se identifique como
apoiar estes processos de negócios com dados de forma clara.

Desta forma, podemos entender que é mais importante que a liderança entenda os
conceitos e o que é necessário para a construção de soluções, do que necessariamente
ser capaz de construir modelos avançados sozinhos. A capacidade operacional é
suportada pelo time, mas o processo de visão e estratégia são desenhados pela liderança
e se esta liderança não consegue se conectar com o negócio, nunca será possível gerar
valor tangível para o mesmo.

CAPPRA INSTITUTE FOR DATA SCIENCE 24

CEO
data-driven
Por Ricardo Cappra

O perfil do CEO (Chief Executive Officer) mudou por causa da transformação digital.
Por muitos anos, o principal diferencial das lideranças de negócios se concentrava em
identificar talentos para posições estratégicas, orquestrar um equilíbrio entre resultados
e custos e promover a visão institucional para dentro e fora da empresa, enquanto
o conhecimento sobre tecnologia era responsabilidade da liderança de cada área.
Contudo, a tecnologia deixou de ser uma competência especialista e passou a ser um
pilar fundamental para todo o negócio junto dos pilares de pessoas e processos. Para as
organizações sobreviverem nessa era da informação, além da eficiência necessária nos
processos e da preocupação com a performance das pessoas, a base tecnológica, agora,
também é uma premissa fundamental. Obviamente a tecnologia não é uma novidade,
mas o fato dela ter se tornado imprescindível, em alguns mercados é inclusive o principal
diferencial competitivo, é algo novo e já ocupa grande espaço na agenda dos executivos
que lideram organizações ao redor do mundo todo.

Com a urgência da tecnologia como diferencial competitivo, ocorreu também o

crescimento de novas funções e cargos na área, surgindo, além do CTO (Chief Technology
Officer) e do CIO (Chief Information Officer), papéis como o do CDO (Chief Data Officer),
do CAO (Chief Analytics Officer), dentre várias outros. O Google, por exemplo, possui
inclusive uma posição de CDS (Chief Decision Scientist). Nesse sentido, podemos
observar que a tecnologia vem desempenhando um papel fundamental nas organizações,
não se limitando mais a uma área, e sim tornando-se uma competência necessária
para a execução de todas as etapas do negócio, envolvendo todos os colaboradores da
empresa. Essas novas posições de liderança na tecnologia funcionam como um comitê
que atua em conjunto nas disciplinas de tecnologia e informação criando interfaces
diretas com os outros líderes do c-level. Sua missão é fornecer o suporte necessário para
essas empresas tornarem-se data-driven, serem mais ágeis, competitivas e tecnológicas,
quando comparadas aos outros competidores de mercado.

Nessa complexa evolução funcional dos negócios surgem algumas questões

fundamentais: quais dessas lideranças da tecnologia deveriam ter um canal direto com
o CEO? Aquelas que ajudam na tradução do que está ocorrendo no negócio? As que
participam da definição de estratégia de plataformas?! Todos? Perguntas difíceis de serem

CAPPRA INSTITUTE FOR DATA SCIENCE 25

respondidas, pois cada organização lida com essa questão de uma forma diferente, mas a
complexidade nessas definições é algo muito comum nos dias de hoje. Para exemplificar,
Barack Obama, durante o seu mandato como presidente dos EUA, estabeleceu um canal
direto com o CDO da Casa Branca, pois ele não queria que houvesse nenhum tipo de
interferência no fluxo da informação, uma vez que considerava esse um dos principais ativos
para a tomada de decisão em seu governo. Fato é que a tarefa de escolher algumas dessas
interfaces para interação não é nada fácil, afinal o tempo de alguém que está na posição
de CEO é algo obviamente muito limitado, então fica impossível participar das decisões de
todos esses novos líderes.

A função de CEO sempre exigiu um olhar data-driven. Uma tomada de decisão orientada
por dados é uma exigência para alguém que costuma lidar com ambientes complexos com
muitas pessoas envolvidas, onde processos são observados de uma certa distância em
razão da escassez de tempo do líder e da necessidade de relacionar-se em um ambiente
extremamente político. Por tudo isso, lidar com dados e informações já são parte da
tomada de decisão do CEO. Contudo, muitas vezes, outros líderes do nível c-level não
possuem essas mesmas características: alguns podem ter um foco especial nas pessoas
e na cultura, enquanto outros podem ter um conhecimento e relacionamento com o
mercado que supera qualquer outra coisa, dentre outras habilidades especiais, mas podem
deixar enfraquecida a relação com dados ao decorrer de suas formações profissionais.
Afinal, exemplificando, 10 anos atrás dizer que uma área de Recursos Humanos usaria um
algoritmo para pré-selecionar os candidatos às vagas da empresa seria um insulto, sendo
que hoje isso já é uma realidade em muitas organizações. Líderes que atuam na posição
de CEO precisaram “delegar” a função do olhar data-driven para esses pares, criando
assim uma nova forma de olhar para o negócio, onde toda a liderança precisa consumir
informação de forma ágil e mensurar os resultados instantaneamente, sempre com o apoio
da tecnologia para ser mais eficiente nesse processo.

Após entrevistar muitos CEOs, apoiar membros de conselhos de diferentes tipos de

organizações e orientar através de mentorias diretas esses profissionais, tive a oportunidade
de conhecer algumas das dores que costumam se repetir. Nesse sentido, vou compartilhar
aqui alguns dos aprendizados relacionados à transformação desses profissionais durante
a rápida aceleração digital que está impactando o mundo, principalmente observando a
fragilidade de algumas habilidades desses líderes. Mapeamos aqui no Cappra Institute as
dificuldades da jornada na visão do CEO, entendendo os principais marcos e impactos
na curva da evolução analítica. Os quatro principais estágios exigem das pessoas que
estão nesse cargo de CEO habilidades específicas, sendo eles: Incentivar, Recrutar,
Instrumentalizar e Suportar.

CAPPRA INSTITUTE FOR DATA SCIENCE 26

1.Incentivar: Para o CEO incentivar o movimento analítico, é preciso antes desbravar o
conhecimento em torno da tecnologia da informação, mais especificamente sobre o
impacto dos dados nos negócios. A busca de referências, vídeos, livros, conteúdos sobre o
assunto e até abordagens inspiradoras são fundamentais para o líder nessa fase, afinal ele
precisará motivar outras pessoas ao movimento que transformará todo o funcionamento
do negócio. Aqui se destacam a necessidade de habilidades de aprendizado contínuo,
visão de longo prazo, abertura para a mudança e uma visão analítica sobre o negócio.

2.Recrutar: Encontrar, atrair e mover os agentes da transformação analítica para o

caminho da cultura data-driven não é nada fácil. É preciso identificar aqueles que
possuem inteligência analítica mais desenvolvida, que não tenham medo da mudança e
que sempre busquem atualização, já que é um cenário de muitas atualizações diárias.
As principais habilidades do líder aqui costumam ser a capacidade de identificar talentos
dispostos a enfrentar um processo de mudança organizacional, a habilidade de enxergar
aqueles que melhor lidam com informação e também aproximar os profissionais que têm
boa capacidade de comunicação e negociação, fatores fundamentais em um ambiente
em transformação.

3.Instrumentalizar: O papel do CEO aqui é um pouco mais inspiracional. Enquanto

o processo de infraestrutura e treinamento para o funcionamento de uma operação
data-driven mais eficiente ocorre por toda a empresa, o líder da organização precisa
mostrar os motivos dessa mudança, incentivar a participação e cobrar o engajamento
dos outros líderes para fazer um movimento consistente. Nenhuma área pode ficar fora
do movimento de cultura analítica: RH, Vendas, Logística, TI, e todas as outras precisam
ser encorajadas - e até monitoradas - sobre sua evolução analítica nos processos do
dia-a-dia, aqui a energia do CEO precisará ser utilizada para conduzir a organização para o
futuro.

4.Suportar: Quando o processo parece estabilizado, com governança, ferramentas e

pessoas engajadas, acontece algo curioso e até doloroso - a mudança também impacta
aqueles que não vão conseguir se atualizar. Aqui a presença do CEO é fundamental, afinal
uma transformação de mercado não é o desejo de todos, então alguns bons profissionais
que trabalham na empresa ficarão pelo caminho. Isso ocorre em razão do tipo de perfil
que as empresas do futuro exigem, da dificuldade de atualização de algumas pessoas e
até de aspectos culturais. O fato é que o líder do negócio precisará ter um certo preparo
para suportar a dor dessa transformação. Aqui a flexibilidade, motivação contínua e visão
de longo prazo ajudarão o CEO a ultrapassar essa fase do processo de evolução.

CAPPRA INSTITUTE FOR DATA SCIENCE 27

Jornada de evolução da mudança c-level
(Gráfico de dor da mudança)

O estrondoso impacto dos dados em todos os negócios é inevitável e, mais do que

habilidades analíticas inatas, os CEOs vão precisar aprender mais sobre dados, a buscar
as pessoas certas para conduzir esse movimento, a disponibilizar recursos para que a
mudança ocorra de forma sustentável, sendo que ainda será necessário energia para
suportar algo que muda completamente a forma dos negócios. Um futuro mais analítico
é inevitável - as organizações que lidarem melhor com informação através da tecnologia
serão aquelas melhor adaptadas para esse momento. Vimos isso ocorrer durante uma
pandemia com mercados específicos,mas daqui para frente veremos isso acontecendo
com mais frequência em todos os tipos de negócios. O mercado precisará de mais líderes
que conduzam essa mudança e que não sejam apenas levados pelo movimento. O CEO
precisa incentivar a adoção da cultura analítica como fundamento para dar suporte ao
futuro dos negócios.

CAPPRA INSTITUTE FOR DATA SCIENCE 28

Fontes:

1- Anna C. R. Braga, 2021, “Curiosidade Data-Driven”, Cappra Institute for Data Science
(http://cappra.institute/iha)

2- Gabriel Figlarz, 2021, “Decodificando profissionais analíticos”, Cappra Institute for Data
Science (http://cappra.institute/iha)

3- Josh Kaufman, 2013/2019, “Don’t have 10,000 hours to learn something new? That’s
fine — all you need is 20 hours”, TED (https://ideas.ted.com/dont-have-10000-hours-to-
learn-something-new-thats-fine-all-you-need-is-20-hours/)

4- Matt Asay, 2017, “85% of big data projects fail”, TechRepublic, November (https://www.
techrepublic.com/article/85-of-big-data-projects-fail-but-your-developers-can-help-
yours-succeed/).

5- NewVantage Partners LLC, 2017, Big Data Executive Survey (http://newvantage.com/

wp-content/uploads/2017/01/Big-Data-Executive-Survey-2017-Executive-Summary.pdf).

6- Rui Maciel, 10/2020, “ Setor de Fintechs cresceu 34% no Brasil em 2020”, Canal Tech
https://canaltech.com.br/startup/setor-de-fintechs-cresceu-34-no-
brasil-m-2020-172778/

CAPPRA INSTITUTE FOR DATA SCIENCE 29

Disclaimer

Alguns dos textos estão usando dados devidamente referenciados. Nos demais casos, os textos
são visões proprietárias dos analistas do Cappra Institute for Data Science.

Equipe Responsável

Anna Cristina Rezende Braga

Eduardo Santos
Gabriel Rossi Figlarz
Guilherme Machado
Maurício Diello Guggiana
Pedro Veturini
Léo Namem Ambros
Ricardo Cappra

CAPPRA INSTITUTE FOR DATA SCIENCE 30