Todo minuto, milhões de dados são gerados ao redor do mundo: para se ter uma ideia, em apenas um minuto, americanos enviam 188 milhões de emails e 18,1 milhões de mensagens de texto, fazem quase 4,5 milhões de buscas no Google e postam cerca de 278 mil stories no Instagram, segundo uma empresa americana de dados.
Ao mesmo tempo, no Brasil, 103 milhões de passageiros voaram em 2018. Ainda, 37 milhões de carros circularam pelas ruas brasileiras.
Parecem dados aleatórios, mas eles demonstram a quantidade de informações que geramos todos os dias.
O que fazer com essa enorme quantidade de dados? É aí que entra Data Science (ou Ciência de Dados).
Mas o que é Data Science?
Data Science é a ciência capaz de transformar dados em informações valiosas. Por exemplo, identificar tendências de transporte a partir da circulação de veículos no Brasil.
"O que buscamos fazer na ciência de dados é, a partir de um conjunto de acontecimentos do passado, prever o que pode acontecer no futuro", explica Alexandre Floriano, Data Scientist no Nubank.
É tipo bola de cristal, então?
Não é bem assim. Quem trabalha com ciência de dados não tem um oráculo onde é possível obter respostas exatas para tudo. Na realidade, cientistas de dados usam um conjunto de técnicas, teorias, análises, parâmetros, algoritmos e princípios para extrair informações a partir dos dados.
Com elas, é possível prever comportamentos, tendências e acontecimentos e, até, automatizar ações. Por isso, quando falamos de Data Science, falamos de olhar para o futuro a partir do passado (se algo nunca aconteceu, não existem dados para serem analisados).
Qual a origem da ciência de dados?
Apesar de ter se tornado um termo conhecido mais recentemente, Data Science não é algo novo. Desde a década de 1970 ele já era usado na academia para se referir a métodos de processamento de dados computacionais.
Por que, então, parece algo tão recente?
Com a popularização da internet e, principalmente, dos smartphones, começamos a gerar uma quantidade enorme de dados. Ao mesmo tempo, os computadores evoluíram e ganharam maior capacidade de armazenar e processar informações muito mais rápido.
Essa combinação de fatores nos trouxe para o momento atual, em que é possível gerar muitos dados (conhecido como Big Data), armazená-los e processá-los de uma forma que não era possível antes.
E por que Data Science é importante?
Antigamente, para analisar dados, era preciso ter um registro físico das informações (em papel, por exemplo) e pessoas dedicadas a isso. Imagine o tempo que não levava para fazer uma análise relativamente simples?
"Hoje, com a ajuda da ciência de dados, conseguimos coletar e processar informações de uma forma muito mais rápida, eficiente e imparcial", diz Alexandre. "Com isso, é possível tomar decisões mais acertadas e, muitas vezes, automatizadas", completa.
É por isso que Data Science é algo tão falado no mundo dos negócios. A partir da análise de dados, empresas conseguem escolher melhores caminhos e aumentar as chances de sucesso.
Um agricultor, por exemplo, consegue analisar informações do solo, do clima e das plantas para aumentar a produção utilizando os recursos com mais eficiência.
Já o dono de um restaurante pode, a partir dos dados de vendas do ano anterior, identificar padrões e criar estratégias para aumentar o faturamento.
O que tudo isso tem a ver com o Nubank?
O Nubank surgiu para remover a complexidade do sistema financeiro e devolver às pessoas o controle sobre seu dinheiro. Fazemos isso a partir de três pilares: tecnologia, design e ciência de dados.
Sim, usamos ciência de dados para tornar nossa interação com o cliente mágica e suportar decisões importantes do negócio.
"Toda decisão acaba sendo influenciada por um ou mais modelos de Data Science", explica Alexandre. "Se um cliente é aprovado ou não, qual será o limite no cartão de crédito, como a gente identifica transações fraudulentas... Temos modelos para quase tudo o que fazemos", diz.
Aqui, nosso time de Data Science está organizado assim:
- Data Engineers (ou engenheiros de dados): são responsáveis por prover e manter a qualidade dos dados e garantir que as informações que usamos estão corretas. Hoje, esse time fica em nosso escritório de Berlim, na Alemanha;
- Machine Learning Engineers (ou engenheiros de machine learning): falamos mais a fundo sobre eles neste outro post, mas, basicamente, são responsáveis por criar soluções que ajudam a resolver problemas de negócio a partir da análise de dados;
- Data Scientists (ou cientistas de dados): estão espalhados em diferentes times e têm dois perfis – um que sabe muito sobre negócios e outro mais técnico, que pensa mais em algoritmos e formas de otimização dos dados.
"Temos um perfil muito variado de pessoas trabalhando com Data Science no Nubank", conta Alexandre. "Temos físicos, estatísticos, economistas, engenheiros, cientistas da computação..."
Essa diversidade de pessoas nos ajuda a olhar para os problemas corretos, a partir dos dados certos, e fazer as análises necessárias para continuarmos reinventando o sistema financeiro e oferecer produtos simples, justos e humanos de verdade.
Se você quer trabalhar com Data Science no Nubank, estamos buscando pessoas que queiram nos ajudar com nossos desafios mais complexos (e divertidos de resolver). Clique aqui e veja nossas vagas abertas.
