Data science: segunda temporada

O conceito de data science remete-nos para um mundo diferente onde algoritmos brilhantemente desenhados tiram partido dos dados disponíveis para suportar, ou mesmo tomar decisões que outrora eram consideradas impossíveis de automatizar.

De facto é uma ciência que evoluiu ao longo dos tempos, mas que sempre existiu e só não progrediu mais rapidamente por falta de capacidade computacional e de plataformas adequadas de exploração dos dados, para além de uma inerente apatia por parte das organizações em reconhecerem que é nos dados que se encontram muitas das soluções para os problemas de negócio.

As organizações investiram durante anos, provavelmente demasiados, na componente descritiva de data science, acreditando que essas demonstrações ou representações das suas realidades empresariais levariam a uma otimização dos tempos para tomada de decisão e mesmo a suportar melhores decisões – a fase descritiva do data science.

No entanto, o paradigma para as organizações foi alterado por força da dinâmica de cada mercado que obriga a uma tomada de decisão mais célere e antecipativa que anteriormente – a fase preditiva do data science.

Ao conseguirmos demonstrar que os modelos preditivos são eficientes e demonstram real capacidade de implementação, podemos avançar para os processos de tomada de decisão automatizada, onde os recursos computacionais vão correlacionar os recursos de dados disponíveis e tomar decisões de forma automatizada – a fase prescritiva do data science.

Para implementar estas componentes de data science são necessários recursos humanos multidisciplinares, com elevadas capacidades técnicas, mas também com uma forte capacidade de abstração e de tratamento de problemas – são desafios distintos. Ou seja, muda também o paradigma para os profissionais de sistemas de informação, que anteriormente tinham de dominar as melhores práticas para os sistemas descritivos e agora têm de se tornar verdadeiros cientistas de exploração de dados, com métodos de trabalho e modelos de raciocínio bastante diferentes do anterior perfil.

Neste aspeto, Portugal, assim como muitos outros países, enfrentam uma elevada escassez de recursos profissionais que podem preencher as vagas de data science nas organizações. Trata-se de um problema transversal ao mercado e, porventura, o maior desafio que enfrentamos atualmente com a vinda de tantas organizações para Portugal, na ânsia de encontrarem soluções para os seus problemas, nomeadamente de capacidade.

Se reunirmos todos estes fatores, chegamos rapidamente à conclusão que é urgente criar estas competências nos alunos que estão agora em formação nas nossas universidades, caso contrário chegaremos rapidamente ao ponto de estagnação do mercado, que vai inevitavelmente desiludir os grandes investidores que estamos a captar.

É na formação de novos recursos, ou na reconversão de recursos atuais, que se encontra a solução para a necessidade cada vez maior de data scientists a nível nacional. Já demonstrámos no passado que temos capacidades, sem igual, para abraçar novos desafios, pelo que seria bastante oportuno que o ensino de data science fosse prioritário no programa nacional de formação e, se não mesmo, nas próprias organizações. É fundamental mantermo-nos competitivos.

Nos últimos 25 anos,  Jorge Antunes assumiu funções executivas em diversas empresas nacionais e multinacionais, tendo anteriormente liderado uma importante empresa de tecnologias de informação nos mercados financeiro, seguros, telecomunicações e energia. Nestes mercados liderou e implementou soluções disruptivas na criação de valor para os seus clientes.

Atualmente está focado na implementação das soluções da Hitachi, com especial ênfase em projetos de transformação digital e inovação social, tendo também participado e liderado importantes soluções nas áreas de privacidade de dados, manutenção preditiva para oil & gas, business intelligence, segurança de infraestruturas críticas, metro revenue leakage, entre outras.