O que é Data Science?

Data Science é um campo voltado para a análise de dados, identificação de padrões e construção de modelos preditivos. A sua finalidade é extrair informações úteis e insights para auxiliar no processo de tomada de decisão. Para a construção de modelos preditivos, utilizam-se normalmente modelos de Machine Learning como: Regressão Linear Regressão Logística Redes Neurais

O que faz um Cientista de Dados?

Cientista de Dados é o profissional que trabalha na área de Data Science . Interdisciplinar, atua em todas as etapas do projeto, desde a fase de aquisição, análise e tratamento dos dados, quanto na construção de modelos de Machine Learning , avaliação e deploy . Atualmente, é considerada por muitos como sendo a profissão do futuro , com demanda crescente por esse tipo de profissional.

Qual a linguagem mais usada em Data Science?

Atualmente, Python é a linguagem mais utilizada para Data Science . Entre os fatores que tornam o Python tão popular estão a curva de aprendizado, quantidade de pacotes disponíveis e alto engajamento da sua comunidade. Outras linguagems populares para Ciência de Dados são R (uma linguagem com aplicações em estatística) e Matlab.

O que é Machine Learning?

Machine Learning (Aprendizado de Máquina) é uma área dentro do campo da Inteligência Artificial que utiliza algoritmos capazes de aprender por meio de dados coletados. Suas aplicações são vistas em áreas como medicina, marketing digital, logística, análise de malware e até mesmo no setor espacial.

O que é Deep Learning?

Deep Learning (Aprendizado Profundo) é uma área dentro do Machine Learning , que se tornou possível graças à explosão na disponibilidade de dados e no aumento do poder computacional. Usando redes neurais profundas (com diversas camadas), Deep Learning é considerada hoje como sendo o estado-da-arte para inúmeras aplicações, tendo se destacado em carros autônomos e detecção de doenças.

Sigmoidal › Qual o Cenário de Data Science no Brasil hoje?

Definir o cenário de Data Science no Brasil era algo muito subjetivo, baseado em muitos “achismos” e opiniões próprias.

Agora não é mais. Graças a uma iniciativa do Data Hackers, provavelmente a mais completa já feita no Brasil, temos dados de uma pesquisa respondida por mais de 1.700 pessoas.

Análise completa do cenário de Data Science no Brasil em 2020

São dados sobre a faixa salarial, formação, linguagens utilizadas, entre outros insumos fornecidos pelos participantes desse survey.

Vamos dar uma olhada nesse dataset e tentar responder algumas perguntas de interesse.

Data Hackers Survey 2019

A pesquisa Data Hackers Survey 2019 foi realizada pela comunidade Data Hackers durante o mês de novembro de 2019.

Conduzida de forma online, foram feitas 36 perguntas, e o resultado (anonimizado) foi disponibilizado dentro da plataforma Kaggle. Veja algumas das perguntas feitas:

Pergunta_1 (P1) = Idade?
Pergunta_2 (P2) = Gênero?
Pergunta_8 (P8) = Qual seu nível de ensino?
Pergunta_10 (P10) = Qual sua situação atual de trabalho?
Pergunta_16 (P16) = Qual sua faixa salarial atual?
Pergunta_19 (P19) = Você se considera um profissional que atua na área de Data Science?
Pergunta_21 (P21) = Quais das linguagens de programação listadas abaixo você utiliza no trabalho?

Para ter acesso ao dicionário de variáveis completo, basta acessar o conjunto de dados completo no link lá em cima.

# importar as bibliotecas necessárias
import pandas as pd
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns

# melhorar a visualização
pd.set_option('max_columns',170)
%matplotlib inline
%config InlineBackend.figure_format = 'svg'

# importar o dataset para um DataFrame
df = pd.read_csv('https://www.dropbox.com/s/915cbi019cxfpuo/datahackers-survey-2019-anonymous-responses.csv?dl=1')

# extrair o nome da variável da tupla
df.columns = [eval(col)[1] for col in df.columns]

# importar as bibliotecas necessárias

import pandas as pd

import numpy as np

import matplotlib as mpl

import matplotlib.pyplot as plt

import seaborn as sns

# melhorar a visualização

pd.set_option('max_columns',170)

%matplotlib inline

%config InlineBackend.figure_format = 'svg'

# importar o dataset para um DataFrame

df = pd.read_csv('https://www.dropbox.com/s/915cbi019cxfpuo/datahackers-survey-2019-anonymous-responses.csv?dl=1')

# extrair o nome da variável da tupla

df.columns = [eval(col)[1] for col in df.columns]

Acima, apenas importei as bibliotecas necessárias e importei o dataset para um DataFrame. Como os colunas são tupla, também extrai o elemento que continha apenas o nome da feature.

Vamos começar a responder algumas perguntas.

Onde vivem os Cientistas de Dados?

Como o objetivo deste artigo é analisar a situação de cientistas de dados, filtrei o DataFrame para os casos onde a resposta para a pergunta “Você se considera um profissional que atua na área de Data Science?” foi sim.

Na sequência, plotei os valores por estados que as pessoas moram atualmente.

# countplot de estado onde mora
plt.figure(figsize=(15,10))
ax = sns.countplot(x="living_state", data=df[df['is_data_science_professional'] == 1], order=df['living_state'].value_counts().index)
plt.title('Cientistas de Dados por Estado', size=14)
plt.xlabel('Estados', size=12)
plt.show()

# countplot de estado onde mora

plt.figure(figsize=(15,10))

ax = sns.countplot(x="living_state", data=df[df['is_data_science_professional'] == 1], order=df['living_state'].value_counts().index)

plt.title('Cientistas de Dados por Estado', size=14)

plt.xlabel('Estados', size=12)

plt.show()

De acordo com as respostas de profissionais de Data Science, pode-se notar que os estados de São Paulo, Minas e Rio de Janeiro juntos somam 62% dos profissionais do Brasil.

(Des)equilíbrio de gêneros em Data Science no Brasil

Todos sabemos do desequilíbrio que há entre os gêneros femininos e masculinos em Data Science no mundo.

Apesar das diversas iniciativas e conscientização da sociedade nos últimos anos, conseguimos ver que essa balança ainda está longe do ideal.

# plotar gráfico de gêneros
plt.figure(figsize=(8,8))
ax = sns.countplot(x="gender", data=df[df['is_data_science_professional'] == 1], order=df['gender'].value_counts().index)
plt.title('Cientistas de Dados por Gênero', size=14)
plt.xlabel('Gênero', size=12)
plt.show()

# plotar gráfico de gêneros

plt.figure(figsize=(8,8))

ax = sns.countplot(x="gender", data=df[df['is_data_science_professional'] == 1], order=df['gender'].value_counts().index)

plt.title('Cientistas de Dados por Gênero', size=14)

plt.xlabel('Gênero', size=12)

plt.show()

Dos participantes do survey que se consideram profissionais de Data Science, apenas 17% se declararam mulheres.

O contraste com os 83% de homens mostra que o desbalanceamento de classes é nítido.

Qual a formação dos cientistas de dados no Brasil?

O retrato mostrado pela pesquisa Data Hacker mostra um cenário brasileiro composto de profissionais que têm em sua maioria o diploma de graduação ou bacharelado.

# ver formação dos profissionais de data science
plt.figure(figsize=(18,10))
ax = sns.countplot(x="degreee_level", data=df[df['is_data_science_professional'] == 1], order=df['degreee_level'].value_counts().index)
plt.title('Cientistas de Dados por Nível Educacional', size=14)
plt.xlabel('Nível Educacional', size=12)

# ver formação dos profissionais de data science

plt.figure(figsize=(18,10))

ax = sns.countplot(x="degreee_level", data=df[df['is_data_science_professional'] == 1], order=df['degreee_level'].value_counts().index)

plt.title('Cientistas de Dados por Nível Educacional', size=14)

plt.xlabel('Nível Educacional', size=12)

Um detalhe interessante é que, enquanto 32% dos entrevistados possuem graduação ou bacharelado, 21% deles ainda são estudantes de graduação.

Cientistas de Dados com Mestrado ou Doutorado+ representam apenas 13% do universo analisado.

Qual a idade média dos Cientistas de Dados no Brasil?

A idade média do profissional de Data Science é de aproximadamente 30 anos.

Você pode acompanhar o perfil dessa distribuição olhando o histograma abaixo.

# plotar histograma de idade
plt.figure(figsize=(12,6))
ax = sns.distplot(df.age)
plt.title('Cientistas de Dados por Idade', size=14)
plt.xlabel('Idade', size=12)
plt.show()

# plotar histograma de idade

plt.figure(figsize=(12,6))

ax = sns.distplot(df.age)

plt.title('Cientistas de Dados por Idade', size=14)

plt.xlabel('Idade', size=12)

plt.show()

Outras informações estatísticas da idade puderam ser extraídas usando df.age.describe():

O profissional mais jovem tinha 18 anos de idade
O profissional mais experiente tinha 50 anos.

Qual o salário de um cientista de dados no Brasil?

Os salários são, talvez, o maior atrativo na narrativa a favor da Ciência de Dados como profissão. Vemos em todos os lugares notícias de salários altíssimos na empresa X, fintech Y, que são, realmente, excelentes.

Mas será essa a realidade dos Cientistas de Dados no Brasil?

Vamos dar uma olhada nos dados do nosso dataset, e entender como está essa distribuição de acordo com a nossa realidade.

ordem_salarios = ["Menos de R$ 1.000/mês",
         "de R$ 1.001/mês a R$ 2.000/mês",
         "de R$ 2.001/mês a R$ 3000/mês",
         "de R$ 3.001/mês a R$ 4.000/mês",
         "de R$ 4.001/mês a R$ 6.000/mês",
         "de R$ 6.001/mês a R$ 8.000/mês",
         "de R$ 8.001/mês a R$ 12.000/mês",
         "de R$ 12.001/mês a R$ 16.000/mês",
         "de R$ 16.001/mês a R$ 20.000/mês",
         "de R$ 20.001/mês a R$ 25.000/mês"]

labels = ["Menos de R\$ 1.000",
         'de R\$ 1.001 a R\$ 2.000',
         "de R\$ 2.001 a R$ 3.000",
         "de R\$ 3.001 a R\$ 4.000",
         "de R\$ 4.001 a R\$ 6.000",
         "de R\$ 6.001 a R\$ 8.000",
         "de R\$ 8.001 a R\$ 12.000",
         "de R\$ 12.001 a R\$ 16.000",
         "de R\$ 16.001 a R\$ 20.000",
         "de R\$ 20.001 a R\$ 25.000"]

# plotar o gráfico de salários
ax = sns.countplot(df[df['is_data_science_professional'] == 1].salary_range, order=ordem_salarios)
ax.set_xticklabels(labels=labels, rotation=45, horizontalalignment='right');

ordem_salarios = ["Menos de R$ 1.000/mês",

"de R$ 1.001/mês a R$ 2.000/mês",

"de R$ 2.001/mês a R$ 3000/mês",

"de R$ 3.001/mês a R$ 4.000/mês",

"de R$ 4.001/mês a R$ 6.000/mês",

"de R$ 6.001/mês a R$ 8.000/mês",

"de R$ 8.001/mês a R$ 12.000/mês",

"de R$ 12.001/mês a R$ 16.000/mês",

"de R$ 16.001/mês a R$ 20.000/mês",

"de R$ 20.001/mês a R$ 25.000/mês"]

labels = ["Menos de R\$ 1.000",

'de R\$ 1.001 a R\$ 2.000',

"de R\$ 2.001 a R$ 3.000",

"de R\$ 3.001 a R\$ 4.000",

"de R\$ 4.001 a R\$ 6.000",

"de R\$ 6.001 a R\$ 8.000",

"de R\$ 8.001 a R\$ 12.000",

"de R\$ 12.001 a R\$ 16.000",

"de R\$ 16.001 a R\$ 20.000",

"de R\$ 20.001 a R\$ 25.000"]

# plotar o gráfico de salários

ax = sns.countplot(df[df['is_data_science_professional'] == 1].salary_range, order=ordem_salarios)

ax.set_xticklabels(labels=labels, rotation=45, horizontalalignment='right');

Salários de cientistas de dados (Data Science) no Brasil

Temos sim, salários altos, com alguns respondentes declarando salários acima dos 25 mil reais mensais. Entretanto, vemos que a maioria dos Cientistas de Dados do Brasil ganham entre 3 e 12 mil reais.

Sendo mais específico, a maior parte dos profissionais pertence à categoria “de R$ 4.001 a R$ 6.000”.

Pode chamar atenção o fato de termos Cientistas de Dados ganhando menos de R$ 3.000, entretanto, precisamos lembrar que essa pesquisa envolve desde estagiários aos cargos mais altos da área, o que provavelmente explica esse intervalo.

Qual a linguagem de programação mais usada em Data Science?

Pra quem acompanha o Sigmoidal, isso não é novidade. Python é o campeão absoluto nesse quesito.

Ainda na frente do R, temos SQL, que faz sentido, visto que profissionais utilizando das mais diversas tecnologias precisarão acessar seus dados de alguma maneira, o que muitas vezes é feito por meio de queries em SQL.

# plotar linguagens mais usadas
plt.figure(figsize=(10,5))
ax = sns.countplot(x="most_used_proggraming_languages",
                   data=df.replace("Não utilizo nenhuma das linguagens listadas", "N.D.A."))
plt.title('Cientistas de Dados por Linguagem de Programação Mais Utilizada', size=14)
plt.xticks(rotation= 45,horizontalalignment='right')
plt.xlabel('Linguagem de Programação Mais Utilizada', size=12);

# plotar linguagens mais usadas

plt.figure(figsize=(10,5))

ax = sns.countplot(x="most_used_proggraming_languages",

data=df.replace("Não utilizo nenhuma das linguagens listadas", "N.D.A."))

plt.title('Cientistas de Dados por Linguagem de Programação Mais Utilizada', size=14)

plt.xticks(rotation= 45,horizontalalignment='right')

plt.xlabel('Linguagem de Programação Mais Utilizada', size=12);

Mesmo tendo um número de adeptos consideravelmente maior que as linguagens restantes, a diferença entre R e Python é realmente significativa.

Ou seja, mais um motivo para você escolher o Python como sua linguagem de programação.

Como Aprender Data Science

Se você se interessou pela área e deseja saber mais sobre carreira, salários e como começar uma carreira do zero, convido você a participar da Semana Data Science na Prática.

Serão 4 aulas 100% grátis, onde vou explicar a minha metodologia para você aprender Data Science. Além disso, vou mostrar na prática como fazer um projeto completo.

Espero você na nossa Semana Data Science na Prática. Clique no botão abaixo e faça sua inscrição agora.

RESERVAR MEU LUGAR

Depois da inscrição, aproveita para acompanhar todas as novidades e atualizações do evento diretamente pelo meu Instagram. Um forte abraço!