Quem contrata um cientista de dados procura modelos que chegaram à produção e mudaram um número do negócio, não notebooks com acurácia alta em dados de competição. O currículo precisa mostrar, em cada projeto, o problema, a abordagem, a métrica do modelo e a métrica de negócio que se moveu: inadimplência, cancelamento, erro de previsão, conversão.
O currículo típico do cargo confunde formação com experiência: lista algoritmos e cursos e deixa o resultado de fora. Este guia mostra o que o recrutador técnico procura, quais termos as vagas filtram, como escrever tópicos com as duas métricas e como fica um exemplo completo dentro da área de tecnologia.
Neste guia
O que pesa no currículo de cientista de dados
Cada experiência deve responder quatro perguntas: qual problema de negócio, qual abordagem (classificação, regressão, séries temporais, recomendação, NLP), como o modelo foi colocado em produção (API, batch, integração com o produto) e o que mudou. Um modelo com AUC de 0,90 que nunca saiu do notebook pesa menos do que um modelo mais simples que decide crédito todos os dias.
A base quantitativa se demonstra na formação e nos projetos: bacharelado em Estatística, Matemática, Engenharia, Física, Economia ou Ciência da Computação, com frequência seguido de mestrado; a pós-graduação é comum e pesa em vagas de pesquisa aplicada. Publicações, competições no Kaggle com colocação e repositórios com código legível completam o perfil, mas não substituem modelos em produção para vagas de pleno em diante.
A seção de habilidades se organiza por camadas: linguagens (Python, SQL, R), bibliotecas (scikit-learn, XGBoost, PyTorch), plataformas (Databricks, SageMaker, Vertex AI), MLOps (MLflow, Airflow, Docker) e estatística (inferência, experimentação, causalidade). Convém indicar quais foram usadas em produção e quais em estudo.
Palavras-chave que as vagas buscam
Os termos mais frequentes nas vagas de cientista de dados no Brasil:
- Python (pandas, NumPy, scikit-learn)
- SQL
- XGBoost, LightGBM e Random Forest
- Regressão e classificação
- Séries temporais e previsão de demanda
- NLP e LLMs
- Deep learning (PyTorch, TensorFlow)
- Estatística inferencial e teste de hipóteses
- Teste A/B e experimentação
- Feature engineering
- MLOps (MLflow, deploy de modelos, monitoramento)
- Spark e Databricks
- AWS SageMaker ou Vertex AI
- Modelos de crédito, churn e recomendação
- Comunicação de resultados para o negócio
Esses termos entram nos tópicos de experiência ligados a um modelo e a um resultado, e na seção de habilidades com a grafia da vaga. A ferramenta para adaptar o currículo à vaga mostra que família de problemas o anúncio enfatiza e o que ainda falta no documento.
Descrições de experiência que funcionam
Cada tópico precisa das duas métricas, a do modelo e a do negócio. Os pares abaixo mostram a diferença:
| Assim não | Assim sim |
|---|---|
| Desenvolvimento de modelos de machine learning | Desenvolvi o modelo de risco de crédito (LightGBM, 140 variáveis) que substituiu a política manual e reduziu a inadimplência em 14% mantendo a taxa de aprovação |
| Análise de churn | Construí o modelo de propensão a cancelamento (AUC 0,86) e desenhei a campanha de retenção que recuperou 2.300 clientes em um trimestre |
| Previsão de demanda | Implementei previsão de demanda por loja com Prophet e XGBoost, reduzindo o erro (MAPE) de 21% para 9% e as rupturas de estoque em 30% |
| Deploy de modelos | Coloquei 6 modelos em produção com MLflow, Docker e API em FastAPI, com monitoramento de drift que detectou 2 degradações antes de afetarem o negócio |
| Sistema de recomendação | Criei o sistema de recomendação do marketplace (filtragem colaborativa e ranking por LightGBM), que elevou a taxa de clique em 18% em teste A/B |
| Apresentação de resultados | Apresentei a análise de elasticidade de preço à diretoria, que revisou a política de descontos e elevou a margem em 2,1 pontos |
Júnior vs. sênior
Um cientista de dados júnior mostra método e rigor mais do que volume: um projeto completo com pergunta, dados, validação honesta (sem vazamento de dados), interpretação e limites, publicado em repositório legível. Competições no Kaggle com colocação, iniciação científica, mestrado em andamento e estágio em equipe de dados entram como experiência. O título pode ser "Cientista de dados júnior", e a formação sobe.
No sênior, o currículo mostra decisões e influência: escolha de abordagem justificada, modelos que operam há anos com monitoramento, práticas de MLOps definidas para a equipe, mentoria, experimentos que mudaram a estratégia. As métricas de negócio ganham espaço sobre as métricas de modelo. Quem migrou de analista de dados deve mostrar essa transição com o primeiro modelo em produção, sem apagar a experiência de BI. Perfis com foco em pesquisa seguem outra lógica, descrita no guia de currículo acadêmico.
Cada modelo no currículo precisa de duas métricas: a do modelo (AUC, MAPE, F1) e a do negócio (inadimplência, ruptura, conversão). Só a primeira soa a estudo; só a segunda, a marketing.
Erros frequentes neste cargo
Os currículos de cientista de dados falham quando ficam no notebook:
- Só métricas de modelo. "Acurácia de 94%" sem contexto de negócio não diz se o modelo serviu para algo nem se a métrica era adequada.
- Notebooks como experiência. Projetos de curso e datasets do Kaggle listados como se fossem trabalho em empresa; podem entrar, mas em seção própria.
- Lista de algoritmos. Doze algoritmos na seção de habilidades sem nenhum caso aplicado sugerem estudo, não prática.
- Omitir deploy e monitoramento. Vagas de pleno em diante querem saber como o modelo chegou à produção e como se detecta quando degrada.
- Esconder SQL e engenharia de dados. Cientista que não consulta o warehouse sozinho depende de outros; convém mostrar SQL e noções de pipeline.
- Currículo acadêmico em vaga de mercado. Três páginas com publicações e disciplinas para uma vaga de produto; a versão de mercado tem uma ou duas páginas em um modelo de currículo sóbrio, com publicações em uma linha.
Exemplo de currículo de cientista de dados
O exemplo abaixo mostra um perfil pleno, em uma página. Nome e empresas são fictícios.
Cientista de dados pleno ou sênior em fintech ou marketplace, com foco em modelos de risco, experimentação e MLOps.
Cientista de dados com 5 anos em crédito e marketplace, especializado em modelos de classificação e previsão com Python, LightGBM e MLflow. Mestre em Estatística. Histórico de modelos em produção com impacto medido em inadimplência, retenção e conversão.
Cientista de dados pleno, Crédito Ágil (fintech), São Paulo. 2023 - atual
- Desenvolvi o modelo de risco de crédito (LightGBM, 140 variáveis) que substituiu a política manual e reduziu a inadimplência em 14% mantendo a taxa de aprovação.
- Coloquei 6 modelos em produção com MLflow, Docker e API em FastAPI, com monitoramento de drift que detectou 2 degradações antes de afetarem o negócio.
- Apresentei a análise de elasticidade de preço à diretoria, que revisou a política de descontos e elevou a margem em 2,1 pontos.
Cientista de dados júnior, Mercado Vizinho (marketplace), São Paulo. 2021 - 2023
- Construí o modelo de propensão a cancelamento de vendedores (AUC 0,86) e desenhei a campanha de retenção que recuperou 2.300 contas em um trimestre.
- Criei o sistema de recomendação (filtragem colaborativa e ranking por LightGBM), que elevou a taxa de clique em 18% em teste A/B.
- Implementei previsão de demanda por categoria com Prophet e XGBoost, reduzindo o erro (MAPE) de 21% para 9%.
Mestrado em Estatística, USP, 2021. Bacharelado em Estatística, USP, 2019.
Python (pandas, scikit-learn, LightGBM, XGBoost, PyTorch), SQL, MLflow, FastAPI, Docker, Airflow, Spark, Databricks, AWS SageMaker, estatística inferencial, teste A/B, inferência causal. Inglês avançado.
Perguntas frequentes
Projetos do Kaggle valem como experiência no currículo de cientista de dados?
Valem como projetos, em seção própria, com colocação e abordagem. Não substituem experiência em empresa para vagas de pleno em diante, mas para júnior demonstram método e capacidade de validar modelos com rigor.
É necessário mestrado para o currículo de cientista de dados?
Não é obrigatório na maioria das vagas de produto, mas é frequente e pesa em pesquisa aplicada e em equipes com forte base estatística. Quando existe, vai na formação com a área e o ano; quando não existe, projetos e modelos em produção compensam.
Como descrever um modelo cujo impacto de negócio não foi medido?
Com a métrica do modelo, o uso em produção e a escala ("usado em 40 mil decisões por mês"), deixando claro que o impacto direto não foi isolado. Inventar um número de negócio é o erro que mais custa na entrevista técnica.
O currículo de cientista de dados deve mencionar engenharia de dados?
Sim, em uma linha de habilidades e, quando houve trabalho real, em um tópico: SQL no warehouse, pipelines de features, Spark. Mostra autonomia para chegar aos dados sem depender de outra equipe.