Contrate um data scientist

Um data scientist investiga o que os dados revelam sobre uma questão da sua organização. Analisa dados, constrói e testa modelos, organiza experiências e explica os resultados às pessoas que têm de tomar decisões.

Na nossa página sobre cedência de profissionais, encontra a função de data scientist na área de data science e IA, a par de funções como engenheiro de IA e especialista em machine learning. Os nossos colegas falam sobre a profissão em De Databar, episódio 10.

O data scientist procura responder a estas perguntas: que relação existe entre os dados, que modelo permite fazer previsões e funciona melhor do que a abordagem atual? Um engenheiro de machine learning coloca esse modelo em produção e mantém-no operacional. Um especialista em BI cria relatórios e dashboards com dados que já estão disponíveis.

Em equipas pequenas, uma pessoa desempenha muitas vezes mais do que uma destas funções. Na primeira conversa, identificamos o perfil mais adequado.

Se recorrer a um data scientist freelancer, celebra o contrato diretamente com ele, muitas vezes através de uma plataforma. Cabe-lhe avaliar a qualidade do trabalho e verificar se a contratação cumpre as regras aplicáveis aos trabalhadores independentes. Na cedência através da Data Science Lab, o data scientist tem um contrato de trabalho connosco. Tratamos da seleção, do onboarding e do acompanhamento.

Também não fica sem apoio: o data scientist pode contar com os colegas, o nosso laboratório interno e os Techdays.

Desde 1 de janeiro de 2025, a autoridade tributária neerlandesa voltou a fiscalizar plenamente as situações de falso trabalho independente. A determinação de que alguém trabalha, na prática, como empregado depende das condições reais, incluindo a autoridade exercida sobre o seu trabalho, a integração na organização e a autonomia empresarial.

Um data scientist cedido pela Data Science Lab tem um contrato de trabalho connosco. É uma situação diferente da de um freelancer contratado diretamente. Peça aos recursos humanos, ao departamento de compras ou a um consultor que avalie a sua política de contratação.

Habitualmente, Python e SQL, em notebooks na plataforma que já utiliza, como Databricks ou Microsoft Fabric. O trabalho inclui também estatística, regressão e machine learning, bem como experiências com um grupo de controlo. O MLflow permite registar os dados e as configurações associados a cada resultado.

Tão importante como isso é comunicar os resultados: explicá-los de forma a que um médico, um responsável pelo planeamento ou um profissional de marketing possa tomar uma decisão. Saiba como construímos modelos na página de machine learning.

Definindo antecipadamente o que deve melhorar e como vai medir essa melhoria. Testa-se o modelo com dados que ainda não conhece, por exemplo de um período posterior, e compara-se o resultado com a abordagem atual ou uma regra simples.

Se estiver a avaliar uma medida, como uma ação de retenção, um grupo de controlo permite verificar se a diferença se deve a essa medida. Sem esse teste, continua a ser uma suposição.

As análises, os notebooks, o código e a documentação ficam no seu ambiente e repositório, não nos nossos. Quando faz sentido, o data scientist trabalha com um colega da sua organização que assumirá o trabalho.

Se a colaboração correr bem e quiser integrar esse conhecimento na sua equipa de forma permanente, podemos conversar sobre a contratação direta do data scientist.

Se os dados ainda não estiverem organizados ou acessíveis, um data scientist terá pouco com que trabalhar. Comece por um data engineer ou por uma fundação de dados. Se precisa sobretudo de relatórios, um consultor de BI será mais adequado.

Se pretende uma aplicação pronta a utilizar em vez de capacidade adicional na equipa, opte por desenvolvê-la como projeto através de data science.