De onde veio o termo "cientista de dados"?

Popularizou-se por volta de 2008, com DJ Patil, então no LinkedIn e depois primeiro cientista de dados-chefe da Casa Branca, e Jeff Hammerbacher, que montava times no Facebook. A intenção era se diferenciar do estatístico, visto como acadêmico, e do analista, visto como corporativo. Há registro anterior: um artigo de William Cleveland, de 2001.

O que a ciência de dados tem de novo, se a ciência sempre usou dados?

O abandono da amostra. Segundo Rodrigo Senra, o estatístico tradicional tinha ferramental para trabalhar com amostras; o Big Data permitiu olhar para a população inteira. Isso passou a exigir base em ciência da computação — programação, algoritmo, banco de dados, escalabilidade.

Existe o cientista de dados "unicórnio"?

Não como indivíduo. As habilidades exigidas — matemática e estatística, computação, domínio do negócio, visualização e narrativa — somam mais do que uma pessoa consegue acumular. A formulação que ele defende é que o time é o unicórnio, e é o time que se monta com essas capacidades distribuídas.

Por que a cultura de dados não entra nas empresas?

Por cinco razões, segundo ele: o retorno só é visível depois do investimento; falta de mão de obra e infraestrutura; incerteza sobre monetização; a possibilidade real de não haver padrão a encontrar nos dados; e resistência humana, quando a coleta é percebida como controle do indivíduo.

Como vencer a resistência à coleta de dados?

Com transparência e troca. O caso que ele relata: criou uma planilha aberta a toda a empresa em que cada um declarava o que sabe e o que quer aprender. As pessoas entregavam informação, mas também recebiam — e a adesão foi de 98%.

Vale a pena investir em um projeto de dados mesmo sem garantia de resultado?

É uma decisão de risco, e ele é honesto sobre isso: você só encontra a agulha no palheiro se houver uma agulha lá. O projeto pode terminar sem resultado porque o padrão não existe, ou porque se procurou no lugar errado — e vale fazer essa pergunta antes de aprovar o orçamento.

Quais problemas a ciência de dados resolve?

Quatro: automação, para liberar tempo e ganhar escala; previsão, estratégica ou tática; otimização de processos; e, como efeito colateral que ela mesma criou, a retroalimentação entre produto e comportamento, que pode produzir soluções enviesadas.

Onde colocar o time de dados no organograma?

Distribuído, não em silo. Dados atravessam todas as áreas, e um time isolado não recebe o que precisa dos outros setores. A estrutura pragmática que ele sugere é ter representantes na base, no ponto de coleta, e no topo, no ponto de decisão — além de patrocínio executivo para remover obstáculos políticos.

Preciso de faculdade para trabalhar com dados?

Ele valoriza a formação acadêmica pelo fundamento e pela disciplina que ela impõe, e destaca que no Brasil a universidade pública de alta qualidade é acessível, diferente de países onde o custo gera endividamento. Mas não opõe isso a cursos livres, que ajudam quem não sabe nem por onde começar, e a certificação tem valor enquanto falta experiência.

Por onde começar, na prática?

Começando. Projetos levados até o fim, competições de ciência de dados, bases públicas de governo, contribuição a projetos de código aberto. E a orientação final dele: comece pelo que você gostar mais, porque isso reduz o risco de desistir ao esbarrar na primeira parte chata — que você vai precisar aprender de todo modo.

Dados & Tecnologia

Carreira em ciência de dados: o unicórnio não é a pessoa, é o time

Rodrigo Senra é diretor de tecnologia e cofundador da Python Brasil. Conta a origem do termo, os quatro problemas da área e o teste da agulha no palheiro.

Por Thiago Coutinho

Publicado em 20 de out de 2026 · Atualizado em 20 de out de 2026 · 16 min de leitura

Capa do artigo Carreira em ciência de dados: o unicórnio é o time, com a arte do episódio 15 do VoittoCast e a foto do convidado

Rodrigo Senra é Group Technology Director da Work & Co, empresa internacional de produto digital. É engenheiro de computação pela Unicamp, com mestrado e doutorado, foi professor universitário e participou da criação da Associação Python Brasil, organizando a primeira conferência de Python no país em 2005. Usa Python desde 1997 e já deu mais de cem palestras. Nesta conversa com Mariana Paes, professora e pesquisadora de engenharia na UFJF, ele reconstrói a origem do termo "cientista de dados", separa os quatro problemas que a área resolve, e faz a pergunta que quase ninguém faz antes de começar um projeto de dados.

De onde veio o termo — e por que ele é quase um pleonasmo

"Apesar de a gente estar num programa de ensaios do futuro, eu acho que a gente tem que começar falando do passado." — Rodrigo Senra

2008. O termo se populariza com duas pessoas: DJ Patil, então no LinkedIn e mais tarde o primeiro cientista de dados-chefe da Casa Branca no governo de Barack Obama, e Jeff Hammerbacher, que estava montando times de cientistas de dados no Facebook.

O motivo de inventar um nome novo é instrutivo:

"Eles criaram esse termo como uma forma de se definir e se diferenciar do que era um estatístico — que soava um pouco muito acadêmico — e de um analista, que soava estritamente mercadológico e corporativo. Então eles tentaram achar alguma coisa mais no meio." — Rodrigo Senra

2001. Mas Senra foi atrás e achou uma referência anterior: um artigo de William Cleveland propondo a ciência de dados como plano de ação para expandir o campo da estatística.

E aí vem a observação que organiza o resto:

"A gente vê que ciência de dados, na real, tem essas raízes na estatística. O termo é até um pouco pleonástico, porque ciência sempre foi de dados. Não tem nenhum cientista que não trabalhe com dados."

Então o que de fato mudou? A amostra

A pergunta que ele se faz é a certa: se sempre foi ciência, e ciência sempre foi de dados, por que surgiu algo diferente?

"O que tem de diferente, eu acho, é o Big Data. A gente começou a ver múltiplas companhias lidando com aquisição de dados numa escala global, e processar esses dados extrapolava a capacidade do estatístico tradicional. Porque ele tinha um excelente conhecimento de estatística, porém o ferramental dele estava limitado a trabalhar com amostras. E o que essas empresas trouxeram é: por que uma amostra, se eu posso olhar para os dados de todo mundo?" — Rodrigo Senra

Daí a exigência nova de formação:

"Agora a gente precisa de um profissional que não é meramente o estatístico. Ele tem que ter um embasamento em ciência da computação, porque, para operacionalizar esses dados, ele vai precisar de know-how de programação, de algoritmo, de banco de dados, de escalabilidade, de computação de alto desempenho."

Ele chama o Big Data de "o fator de mutação".

O unicórnio, e por que ele é um time

A composição do perfil, no diagrama de Venn popularizado por Drew Conway: matemático e estatístico, mais cientista da computação, mais especialista de domínio.

"E aí deram uma pitadinha de marqueteiro, de artista — no sentido de que ele tem que aprender a fazer a visualização dos dados de uma forma atraente. E ele precisa também ser capaz de contar uma história. Ele é um storyteller: precisa não só capturar o insight a partir do dado, mas colocar isso numa linguagem que seja acessível para o público-alvo." — Rodrigo Senra

O problema disso:

"São tantas habilidades que as pessoas começaram a dizer que o cientista de dados é um unicórnio — ele é um ser mitológico, porque são tantas habilidades diferentes que você precisa de mais do que uma vida para chegar nesse estágio."

E a resolução, que é a informação mais importante do episódio para quem contrata:

"Isso se traduz numa coisa que está sendo reforçada continuamente: o cientista de dados não é um indivíduo, ele é um time. Você, na real, começa a montar um time com uma série de capacidades — e o time é o unicórnio." — Rodrigo Senra

A descrição dele para o próprio ofício, de passagem: "uma mistura de garimpeiro e pajé".

As cinco razões pelas quais a cultura de dados não entra

Perguntado por que as empresas brasileiras têm dificuldade de se adaptar, Senra avisa que a resposta é plural — "provavelmente cada empresa tem a dificuldade por uma razão diferente" — e então lista cinco.

1. O ovo ou a galinha

"Você só vê o valor real de ter uma cultura de dados depois de implantar a cultura de dados. Então, antes de implantar, você acha que não vale o investimento — e ele, na real, é um investimento. Você vai gastar dinheiro antes de ter o retorno do dinheiro." — Rodrigo Senra

2. Mão de obra e infraestrutura

E aqui ele dá a receita mais concreta do episódio, especificamente para quem não tem caixa de multinacional:

"Contratar um cara experiente é caro, principalmente quando você está começando. Então, uma técnica que eu sugiro, se a empresa é de pequeno ou médio porte: contratar uma consultoria de alguém experiente e já ir montando um time em paralelo, para que essa consultoria treine esse time interno — evolua esse time, e depois esse time dá continuidade ao trabalho a longo prazo." — Rodrigo Senra

A aritmética que sustenta a receita:

"O time mais júnior tem um custo mais baixo. A consultoria, apesar de ter um custo mais alto, é por um período limitado — você consegue se planejar para fazer isso acontecer."

Mariana Paes acrescenta um argumento a favor da consultoria que não é de custo:

"É muito dinâmico, muda toda hora. Eu dou aula disso e é enlouquecedor: o sistema está mudando, as soluções são diversas. Às vezes uma consultoria que está lidando com várias empresas e vários problemas diferentes vai conseguir achar a agulha muito mais fácil que a empresa que está investindo muito dinheiro nesses recursos." — Mariana Paes

3. Monetização

"Uma vez que você adotou a cultura de dados, você vai conseguir ter o retorno sobre esse investimento? Aí é uma aposta."

E a premissa de gestão que ele invoca contra a inação:

"Aquilo que você não mede, você não controla. Então, se você está sendo míope em relação ao que está acontecendo..."

4. A agulha pode não estar no palheiro

Esta é a melhor pergunta do episódio, e quase ninguém a faz antes de aprovar um projeto de dados.

"Às vezes o processo com que você está lidando é tão complexo que você, intuitivamente, não vai conseguir achar a agulha no palheiro. Você precisa de um eletroímã gigantesco que faz isso ficar trivial. Mas daí tem a outra questão, que é: existe agulha no palheiro? Porque você só vai achar agulha no palheiro se já tiver uma agulha lá. E é isso que é o risco." — Rodrigo Senra

E as duas formas de o projeto terminar sem resultado:

"Às vezes a agulha não está lá. E aí você faz todo um trabalho e de repente você ainda não teve resultado — ou porque a agulha não está lá, ou porque você está procurando no lugar errado."

5. O fator humano

"Vou implantar uma cultura de dados, vamos monitorar tudo. Bater ponto, por exemplo, não deixa de ser uma forma de estar coletando dados. Às vezes a coleta de dados é percebida como uma invasão, como um mecanismo não só de controle do processo, mas de controle do indivíduo. E aí existe uma resistência psicológica, social, pessoal, que pode sabotar o processo." — Rodrigo Senra

E a contramedida vem com um caso concreto que vale copiar.

O problema: o time de alocação de pessoas da empresa não conseguia mapear as capacidades de cada desenvolvedor, porque "cada dia você está aprendendo uma coisa nova".

O que ele fez:

"Criei uma planilha. Eu fui lá e escrevi: esse aqui é meu nome, essas são as coisas que eu sei, e essas são as coisas que eu quero aprender. Dei acesso à planilha para a empresa inteira. E aí cada um foi na planilha e começou a editar." — Rodrigo Senra

Por que funcionou:

"Eles estavam entregando informação para a empresa, mas estavam recebendo informação da empresa. Transparência total. Resistência zero. Tivemos 98% de adesão."

E a regra que ele extrai:

"Esse é o segredo para o fator humano: pensar no ganha-ganha e transparência."

Note o detalhe que faz a planilha funcionar: a coluna do que a pessoa quer aprender. Ela transforma um instrumento de inventário num instrumento de desenvolvimento — e é por isso que ninguém sentiu que estava sendo auditado.

Os quatro problemas que a ciência de dados resolve

Antes de falar de tendências, Senra propõe uma taxonomia — "para a gente poder dar tendências contextualizadas".

Problema	O que se busca
Automação	economizar tempo e garantir escalabilidade — "liberar o tempo do seu profissional para não fazer coisas manuais e poder focar no insight, no estratégico"
Previsão	"construir bolas de cristal que vão te dar um insight do futuro", seja estratégico de longo prazo ou tático de curto prazo
Otimização	"como é que eu faço isso da forma mais rápida, mais barata" — o foco é no que você já faz
A relação mutualística entre produto e comportamento	o problema que a própria área criou

E o quarto merece atenção, porque é o único que ele apresenta como efeito colateral e não como serviço:

"O Google venceu a batalha dos motores de busca e virou o principal. E, ao se tornar o principal, as respostas que o Google dá interferem no comportamento das pessoas — e aí o Google analisa o comportamento das pessoas, que interfere no algoritmo que ele vai usar. Existe aí uma recursão infinita em que uma coisa muda a outra. Esse também é um problema que a ciência de dados causa e que ela tem que resolver internamente, porque ela fica criando soluções enviesadas às vezes." — Rodrigo Senra

É uma formulação honesta e incomum vindo de dentro da área: o instrumento de medição altera o que mede, e o modelo treinado no resultado alterado se afasta mais.

Onde o cientista de dados mora no organograma

Esta é a parte mais útil do episódio para quem está estruturando a área, e Senra ataca o problema pela natureza do insumo.

"A gente chama de pervasive, cross-cutting. Essas informações são pervasivas, elas tocam tudo. Dados tocam todos os aspectos da empresa. Então, se você coloca isso num silo, esse grupo não consegue trabalhar — porque outros setores não estão alimentando esse grupo com o que ele precisa." — Rodrigo Senra

A metáfora que ele propõe:

"Tem que ser uma coisa como um fungo. Os fungos são conhecidos porque eles criam raízes e, apesar de você só ver o cogumelozinho aqui, as raízes se espalham por todos os lados. O time de cientistas de dados tem que ser como um fungo na empresa: espalhado por todos os segmentos, para garantir que vai conseguir capturar a informação sem barreiras políticas, sem barreiras institucionais."

E a condição que ele não trata como opcional: "ele precisa ter o apoio dos escalões no topo da empresa, que vão remover esses obstáculos".

A política real, dita sem rodeio

"Já dizia Aristóteles, o homem é um animal social — e nós recaímos no Game of Thrones. Existem muitas empresas que têm aquela cultura de: não, essa informação aqui é minha, não libera isso, não põe isso no relatório. Eu não estou nem falando em adulterar dados. Estou falando de uma coisa mais simples, que é a liberação controlada da informação." — Rodrigo Senra

E a consequência técnica disso, que fecha o argumento com o item 4 da lista anterior:

"Ele tem que ser como um fantasma: não tem parede. Ele vai onde quiser ir, ele enxerga o que quiser ver. Só assim você vai conseguir encontrar a agulha no palheiro. Se você começa a dizer 'esse pedaço do palheiro você não pode procurar' — se a agulha estiver lá, você não acha nada."

A estrutura pragmática: vertical e horizontal

"Uma forma é você estruturar o teu time de ciência de dados respondendo vertical e horizontalmente: colocar representantes do time na base, no ponto de coleta, e representantes do time no ponto decisório, no topo da pirâmide. E aí você faz essa conexão." — Rodrigo Senra

O que ele quer evitar:

"Em vez de criar só 'aqui o departamento de cientistas de dados', em que eles só falam com eles próprios — e depois têm que negociar com outros grupos de que eles não fazem parte."

E a analogia histórica que ele usa é a melhor explicação de integração organizacional da série:

"É mais ou menos como os romanos fizeram. Eles conquistavam o povo e aí imediatamente pegavam gente daquela população e absorviam no seu próprio exército. Passava a fazer parte da família romana — então não tinha repulsa aos romanos, e aí eles continuavam se expandindo. Senão eles nunca iam manter o império. O cientista de dados tem que ir sendo absorvido pelos diversos times: ele faz parte daquela pequena tribo, e ao mesmo tempo tem vínculo com as suas raízes e fala com a gestão da empresa." — Rodrigo Senra

Ele acrescenta uma ressalva sobre cargos: criar Chief Data Officer e Chief Data Scientist ao mesmo tempo "começa uma dificuldade de quem manda em quem".

E Mariana Paes aponta o paralelo com outra área que sofre do mesmo mal:

"É mais ou menos a ideia de criar um departamento, um profissional exclusivo para a inovação, e deixar o cara isolado, sem interagir com os demais." — Mariana Paes

Por onde começar

A resposta mais direta do episódio

Perguntado que dica daria a quem quer trabalhar com dados, Senra conta uma história sobre o preço:

"Eu lembro de uma entrevista com um pianista. Ele tocava piano, e o entrevistador falou: nossa, você toca maravilhosamente bem, eu daria tudo para tocar como você. E ele falou: eu dei." — Rodrigo Senra

E a versão operacional, que ele credita ao conselho de um escritor conhecido sobre escrita criativa:

"A dica que eu dou para os iniciantes que querem escrever é: escrevam. Vão num projeto até o fim. Criem essa experiência. Acumulem as dez mil horas."

Os recursos que ele aponta: competições de ciência de dados, bases de dados públicas de governo, cursos abertos — e, para quem não tem equipamento, computadores de biblioteca.

"Nada no mundo te impede mais de se tornar isso. Só você mesmo. Tem várias formas de driblar os obstáculos — e eles vão existir. Não é fácil para ninguém. Mas se você persistir, você vai chegar no seu objetivo."

Faculdade ou cursos?

Senra declara o próprio viés antes de responder: fez engenharia de computação, mestrado, doutorado, e foi professor universitário.

A favor da formação acadêmica:

"Ele te dá o fundamento que muitas vezes não é tão sexy, para você chegar na parte sexy do trabalho. E, às vezes, sozinho, você não tem a disciplina para encarar — e a formação acadêmica te força, de certa forma, a passar por isso e construir a base que você vai precisar." — Rodrigo Senra

E o argumento especificamente brasileiro, que ele faz questão de registrar:

"O Brasil, em particular, está privilegiado, porque ele ainda tem instituições acadêmicas que são acessíveis à população. A universidade pública tem um padrão altíssimo de qualidade, e existe. Em outros países, como os Estados Unidos, é um problema você ter formação acadêmica, porque o custo é altíssimo — as pessoas se endividam, às vezes, por metade da carreira delas. Então, aqui, a minha dica talvez fosse diferente; mas para quem está no Brasil, eu acho que um curso universitário é factível." — Rodrigo Senra

A favor dos cursos livres, que ele não opõe à faculdade:

"Eles também te dão uma formação que tem um sílabo, que tem uma estrutura pedagógica. Isso ajuda, porque você está querendo aprender uma área e você não sabe nem para onde ir. Fazer um curso te ajuda a entender o que você precisa estudar."

E o valor do certificado, delimitado com precisão:

"Te ajuda a comprovar, no momento em que você não tem experiência nenhuma, que você tem esse conhecimento. Eu ainda não fiz nenhum projeto, mas eu tenho esse conhecimento."

Outros dois caminhos que ele cita: competições nacionais e internacionais, e o movimento de código aberto — "lá eles só pedem tempo, e eles te ajudam a te treinar".

A trajetória dele própria combinou tudo: trabalhou enquanto fazia mestrado, deu aula enquanto fazia doutorado e contribuía para código aberto, e dava palestras em paralelo.

"Eu tentei fazer tudo um pouco para poder entender o que eu gostava. Então a minha dica final é: tenta começar pelo que você gostar mais — porque isso vai facilitar a tua motivação e é menos risco de você desistir na hora que esbarrar na primeira coisa que você não vai gostar, mas que vai precisar saber também." — Rodrigo Senra

Quem é Rodrigo Senra

Group Technology Director da Work & Co, empresa internacional de produto digital
Engenheiro de computação pela Unicamp, com mestrado e doutorado; foi professor universitário
Participou da criação da Associação Python Brasil e organizou a primeira conferência de Python no Brasil, em 2005; usa a linguagem desde 1997
Mais de cem palestras proferidas, mais de 80 delas no Brasil
Experiência que atravessa simulação de processos logísticos, automação industrial, análise de sentimento em redes sociais e aplicação móvel para atletas

A entrevistadora é Mariana Paes, professora e pesquisadora de engenharia na Universidade Federal de Juiz de Fora, com atuação em empreendedorismo, tecnologia da informação e gestão da inovação, e apresentadora do quadro Ensaio do Futuro do VoittoCast.

Ouvir o episódio

VoittoCast #15 — O fantástico mundo da Ciência de Dados Quadro: Ensaio do Futuro, com Mariana Paes Convidado: Rodrigo Senra

Ouvir no Spotify

Página do episódio no VoittoCast