Cientista de Dados
Constrói modelos preditivos, aplica estatística avançada e machine learning pra resolver problemas de negócio.
Dificuldade
Faixa salarial
R$ 6.000 (júnior) a R$ 24.000 (sênior em grandes empresas). Média BR R$ 10.825, CAGED/Glassdoor 2026. Remoto pra EUA passa R$ 50.000.
Cargos típicos
4 cargos
O que é essa subárea
Cientista de Dados é o profissional que vai além de relatórios: aplica estatística avançada e machine learning pra construir modelos que preveem o futuro. Detecta fraudes antes que aconteçam, prevê quais clientes vão cancelar serviço, recomenda produtos baseado em padrões invisíveis a olho nu. É um dos cargos mais técnicos e mais bem pagos do mercado de dados, com salário médio de R$ 10.825 e topo em R$ 24.000+ (Nubank, fintechs grandes). Combina três pilares (matemática/estatística, programação (Python/R) e visão de negócio) que poucos profissionais dominam ao mesmo tempo.
Como difere de Ciência de Dados
Enquanto o Analista de Dados foca em relatórios e dashboards sobre o que já aconteceu, o Cientista de Dados constrói modelos preditivos sobre o que vai acontecer. Onde o analista usa Excel e Power BI, o cientista usa Python, scikit-learn e TensorFlow. A fronteira com o Machine Learning Engineer (subárea de IA) é de escopo: o cientista experimenta, treina e valida modelos em notebooks; quando o modelo precisa virar produto (API, pipeline de re-treino, escala em produção), o trabalho passa pro ML Engineer. A barreira de entrada é maior (exige base sólida de estatística inferencial e álgebra linear), mas o salário compensa: cientista júnior pode começar acima do pleno analista.
No dia a dia
No dia a dia: coleta dados de múltiplas fontes, explora padrões com análise estatística (Python + Pandas + Matplotlib), formula hipóteses de negócio (ex: 'quais clientes têm maior risco de churn?'), treina modelos de machine learning pra responder essas perguntas, e apresenta resultados pra stakeholders não-técnicos em formato visual e narrativo. Em fintechs e bancos, trabalha em modelos de risco de crédito, prevenção de fraude e segmentação de clientes.
Habilidades específicas
- Estatística inferencial e álgebra linear (base matemática forte)
- Python avançado com Pandas, NumPy e Matplotlib
- Machine Learning supervisionado e não-supervisionado (regressão, classificação, clustering)
- Deep Learning (redes neurais com TensorFlow ou PyTorch)
- Storytelling de dados: traduzir modelos complexos em insights pra liderança
Ferramentas específicas
- Python (Pandas, NumPy, scikit-learn)
- Jupyter Notebooks
- TensorFlow ou PyTorch (Deep Learning)
- R (estatística aplicada)
- SQL avançado
- Kaggle (treino e portfólio público)
Roadmap específico
- 1Estudar estatística inferencial (livro: 'An Introduction to Statistical Learning', gratuito)
- 2Aprender Python + Pandas + Matplotlib até dominar análise exploratória
- 3Estudar Machine Learning: começar pelo Kaggle Learn (regressão → classificação → clustering)
- 4Aprofundar em Deep Learning (TensorFlow ou PyTorch): área de maior crescimento salarial
- 5Construir portfólio público: 3 projetos no GitHub + 1 competição Kaggle com posição decente
Cursos gratuitos
- Sigmoidal: Conteúdo gratuito de Data Science (artigos, tutoriais e cursos introdutórios)
- Kaggle Learn: Trilhas oficiais Kaggle (Python, ML, Deep Learning), todas gratuitas
- StatQuest with Josh Starmer (YouTube): estatística e ML em vídeo
Projetos pra portfólio
- Modelo preditivo de churn (cancelamento) com dados públicos de telecom
- Sistema de classificação de imagens com CNN (deep learning, Kaggle datasets)
- Análise exploratória + dashboard de dados de e-commerce/varejo com insights de negócio
Cargos típicos
Faixa salarial
R$ 6.000 (júnior) a R$ 24.000 (sênior em grandes empresas). Média BR R$ 10.825, CAGED/Glassdoor 2026. Remoto pra EUA passa R$ 50.000.
Dicas pra começar
Não pula a estatística. É a base que separa cientista bom de cientista que só copia código. Use Kaggle como academia de treino: cada competição é uma oportunidade real de portfólio. Foque em comunicar resultados quanto em construir modelos. Quem traduz números pra negócio sobe rápido. Inglês é obrigatório aqui: papers, comunidade, doc, tudo em inglês.