Muitas empresas começam o time de dados contratando um cientista de dados. A expectativa é ter modelos preditivos e IA em poucos meses. Em poucas semanas, ele está gastando a maior parte do tempo limpando planilhas, juntando extrações de sistemas diferentes e descobrindo que o mesmo indicador tem três definições. Isso é trabalho de engenharia de dados, feito pela pessoa errada e na ordem errada.

O resultado é frustração dos dois lados. O negócio não vê o retorno prometido, e o profissional sai em busca de um lugar onde possa fazer o que sabe. Montar um time de dados que funciona começa por entender a ordem das camadas e contratar para o problema que você tem hoje, não para o que vai ter daqui a dois anos.

Antes de contratar: as perguntas de negócio

Time de dados sem pergunta de negócio vira fábrica de dashboards que ninguém abre. Antes de abrir a primeira vaga, responda:

  1. Quais três decisões a empresa toma hoje sem dados confiáveis, e que gostaria de tomar com eles?
  2. Quais sistemas guardam os dados que respondem essas perguntas? ERP, CRM, e-commerce, planilhas?
  3. Quem vai usar os resultados no dia a dia? Diretoria, operação, marketing?
  4. Existe hoje alguma fonte única de verdade, ou cada área tem o seu número?
  5. Há dados sensíveis ou regulados que exigem cuidado desde o início?
  6. Qual é o horizonte: um painel de vendas confiável em três meses, ou um motor de recomendação no próximo ano?

As respostas definem quem contratar primeiro. Um e-commerce que ainda fecha o mês em planilha não precisa de um cientista de dados. Precisa de alguém que leve os dados da plataforma e do ERP para um lugar central.

A ordem de montagem: engenharia, analytics, ciência e IA

1. Engenharia de dados: a fundação

Pipelines que levam os dados dos sistemas de origem para um repositório central, como Databricks ou Snowflake, com qualidade, atualização e histórico confiáveis. Sem essa base, qualquer análise é frágil e qualquer modelo aprende com erro.

2. Analytics: dados que viram decisão

Com dados confiáveis, a camada de analytics modela as regras de negócio (o que é “cliente ativo”, como se calcula margem) e entrega indicadores em ferramentas como Power BI. É aqui que o negócio começa a sentir o valor do time.

3. Ciência de dados e IA: o que vem por cima

Modelos preditivos, segmentação, previsão de demanda, IA generativa aplicada a atendimento ou catálogo. Rendem muito mais quando têm dados organizados, métricas estáveis e perguntas claras.

Um guia rápido para saber onde você está

  • Sem pipeline, dados espalhados em sistemas e planilhas: comece por engenharia de dados.
  • Dados centralizados, mas pouco usados: traga analytics.
  • Indicadores maduros e perguntas preditivas claras: é hora de ciência de dados e IA.

Os papéis e o que cada um faz

  • Engenheiro de dados: constrói e mantém os pipelines de ingestão e transformação, cuida de qualidade, orquestração e custo da plataforma. Normalmente trabalha com Python, SQL e as ferramentas nativas de Databricks ou Snowflake, na nuvem que a empresa já usa (AWS, Azure ou GCP).
  • Analytics engineer: fica entre engenharia e análise. Modela os dados em tabelas prontas para consumo, documenta métricas e garante que “receita” signifique a mesma coisa em todos os painéis.
  • Analista de dados ou BI: traduz perguntas de negócio em análises e dashboards, geralmente em Power BI. Conversa com as áreas e ajuda a priorizar.
  • Cientista de dados: constrói modelos estatísticos e de machine learning para prever, classificar ou segmentar. Precisa de dados limpos e de uma pergunta clara.
  • ML engineer: leva modelos para produção, com monitoramento, versionamento e integração aos sistemas. Também é quem costuma operacionalizar soluções com IA generativa.

Em times pequenos, uma pessoa acumula papéis. Um engenheiro de dados sênior pode fazer parte do trabalho de analytics engineering no começo. Mas evite pedir que o cientista de dados faça engenharia: é o erro mais caro da lista.

Uma stack típica para começar

Não existe stack única, mas uma combinação comum e sólida é:

  • Ingestão e processamento: Python e SQL, com orquestração de pipelines.
  • Plataforma: Databricks ou Snowflake, na nuvem que a empresa já usa.
  • Modelagem: camadas de dados brutos, tratados e prontos para consumo, com testes de qualidade.
  • Visualização: Power BI, integrado ao ambiente corporativo.
  • Ciência e IA: Python e as bibliotecas de machine learning, mais os serviços de IA generativa da nuvem escolhida.

Escolha a plataforma pensando em quem vai mantê-la e no que o time já conhece. A melhor ferramenta é a que o seu time consegue operar bem.

Os primeiros 90 dias

  1. Dias 1 a 30: mapear fontes de dados, definir a plataforma, colocar os primeiros pipelines das fontes mais críticas em produção. Escolher uma única pergunta de negócio para responder primeiro.
  2. Dias 31 a 60: modelar as métricas dessa pergunta, validar os números com a área de negócio e publicar o primeiro painel confiável.
  3. Dias 61 a 90: ampliar para novas fontes e perguntas, documentar métricas, definir quem é dono de cada dado. Só então avaliar se há um caso de uso preditivo maduro.

A meta dos 90 dias não é ter IA. É ter um número em que a diretoria confia e usa.

Erros comuns

  • Começar pelo cientista de dados. Ele vira engenheiro por necessidade, e ninguém fica satisfeito.
  • Dashboard antes de definição. Publicar painéis sem acordar o que cada métrica significa. Em pouco tempo, ninguém confia.
  • Stack pela moda. Escolher a ferramenta mais comentada, sem gente para operá-la.
  • Projeto de IA sem pergunta. “Queremos usar IA” não é requisito. “Queremos prever ruptura de estoque por loja” é.
  • Time sem dono no negócio. Dados sem um patrocinador que use os resultados perdem prioridade rápido.

Como a Devgo ajuda a montar o time

A Devgo aloca profissionais de Dados e IA com experiência em Databricks, Snowflake, Power BI, Python e IA generativa, sempre full-time e 100% dedicados ao seu time. Você pode começar com um engenheiro de dados, montar um squad completo com Squad as a Service ou, se quiser o time na sua folha, usar o hunting tech. Tudo começa com um deep dive de 30 minutos sobre stack, contexto e urgência.

Com uma base de mais de 8 mil talentos e shortlist ranqueada por IA e validada pelo time, 82% das indicações são aprovadas pelos clientes. Para entender qual modelo faz mais sentido, veja como escolher o modelo de contratação.

Primeiro dados confiáveis, depois indicadores que o negócio usa, e só então IA. Contrate na ordem do problema que você tem hoje.