2.1. Ciência de dados

De maneira geral, a ciência de dados é compreendida como a extração metodológica de conhecimento a partir de quantidades massivas de dados (^{Dhar, 2013}; ^{NIST Big Data Public Working Group, 2015}). Uma visão mais abrangente é apresentada por ^{Chen et al. (2018}) quando definem a ciência de dados como um campo interdisciplinar que visa beneficiar os seres humanos, por meio da combinação da metodologia científica e da tecnologia computacional voltada à gestão, acesso, análise e avaliação dos dados. Reforçando essa interdisciplinaridade, ^{Grossi et al. (2021}) afirmam que a ciência de dados combina diferentes teorias, práticas e modelos, configurando-se em um paradigma pervasivo que envolve múltiplas disciplinas, com potencial inovativo para a ciência, indústria, política e, consequentemente, para a vida das pessoas.

Para as organizações, a potencialidade dos dados se transforma em um diferencial competitivo (^{Metelo et al., 2021}; ^{Provost & Fawcett, 2013}b), porém as obriga a repensarem suas práticas analíticas (^{Hall et al., 2016}). Dentre as mudanças trazidas pelo desenvolvimento da ciência de dados, está a ampliação na demanda por um novo tipo de profissional, com competência para lidar com volumes de dados cada vez maiores e heterogêneos (^{Curty & Serafim, 2016}). Dentre as características desse profissional, chamado cientista de dados, estão a forte formação técnica, o conhecimento em tecnologias focadas em dados e habilidades voltadas à melhoria dos processos organizacionais (^{Demchenko et al., 2016}).

A valorização dos dados e, por consequência, da ciência de dados enfatiza a relevância desse profissional em muitas áreas sociais e econômicas (^{Brandt, 2016}). Embora recente, a ocupação de cientista de dados passa por um processo de profissionalização evidenciado pelo crescente número de cargos ofertados. Com papéis divididos e diversificados, predominantemente orientados a dados, esse profissional impacta áreas relacionadas a pesquisa, inovação, economia e na sociedade em geral (^{Cao, 2019}).

Para o desenvolvimento desse campo promissor e necessário, é imprescindível a formalização das competências requeridas para esse profissional (^{Cao, 2019}; ^{Demchenko et al., 2017}; ^{Saltz & Grady, 2017}). No Brasil, ainda que de forma mais lenta que outros países, a profissionalização do cientista de dados é corroborada pelo surgimento de cursos para a formação desse profissional, sobretudo na categoria lato sensu (^{Breternitz et al., 2015}). Além disso, se em 2016 o número de vagas ativas para cientistas de dados no Brasil não ultrapassava uma centena na rede social LinkedIn (^{Curty & Serafim, 2016}), a busca pelas expressões “data scientist” e “cientista de dados”, realizada no dia 19 de fevereiro de 2022, demonstrou que esse número triplicou em seis anos, conforme demonstrado Figura 1.

2.2. Competências em ciência de dados

Por ainda ser uma área em desenvolvimento, muitos cientistas de dados possuem formação em cursos universitários já estabelecidos, como física, economia, engenharia, mas principalmente, estatística e ciência da computação (^{Baškarada & Koronios, 2017}). Conforme antecipado por ^{Davenport e Patil (2012}), profissionais que agreguem formação acadêmica com habilidades computacionais e analíticas são raros e caros, uma vez que são disputados pelo mercado. Desse modo, mesmo que as competências do cientista de dados estejam fundamentadas nestas na estatística e ciência da computação, sua atuação envolve outros fatores que os diferenciam de profissionais relacionados, como estatísticos, analistas de dados ou analistas de business intelligence (^{Kim & Lee, 2016}).

Entre estes fatores diferenciais, destaca-se o conhecimento de domínio, ou expertise, que é o conhecimento da área, relevante para o desenvolvimento de aplicações de análise de dados (^{Baškarada & Koronios, 2017}; ^{Demchenko et al., 2016}; ^{Hall et al., 2016}). Além disso, ^{Loukides (2012}) destaca como habilidades interpessoais do cotidiano do profissional de dados a paciência, a motivação em construir produtos de dados, a vontade em explorar e gerar soluções de maneira contínua e incremental, além da busca constante por respostas. Para mais, dentre outras competências associadas à prática da ciência de dados, estão comunicação oral e escrita, além de questões sociais, éticas e legais que implicam em conhecimento sobre privacidade, segurança e propriedade de dados (^{Anderson et al., 2014}).

3.1. Estratégia de busca, coleta e tratamento de dados

As fontes de dados da pesquisa foram websites especializados na divulgação de vagas voltadas à área de tecnologia, selecionados a partir da experiência dos autores e do resultado de pesquisa, com a expressão “vagas de emprego”, realizada no mecanismo de busca Google. Foram selecionados três websites estrangeiros com versões voltadas ao público brasileiro (LinkedIn, Indeed e Infojobs) e três empresas brasileiras destinadas ao mesmo fim (Catho, Empregos e Vagas). Nesta etapa, correspondente ao entendimento de negócio proposto pela CRISP-DM, procurou-se por APIs (Application Programming Interface) nos websites definidos, a fim de se verificar a disponibilidade de dados de interesse da pesquisa pelas plataformas consultadas. Uma vez que nenhuma API encontrada fornecia os dados requeridos, optou-se por empregar técnicas de raspagem de dados para acesso e coleta do material. A raspagem de dados, também conhecida como web scraping, corresponde ao uso de programas que percorrem páginas HTML procurando informações desejadas na estrutura de marcação e compilando os dados para a formação de um conjunto passível de ser analisado (^{Lantz, 2015}).

Assim, como parte do entendimento dos dados, foram identificados quais informações dos anúncios de emprego poderiam ser extraídas pelo procedimento de raspagem: endereço URL do anúncio (jobUrl), título (jobTitle), resumo (snippet), descrição (jobDescription), nome da empresa (companyName), localidade da vaga (companyLocation), avaliação da empresa (companyRating), URL da empresa (companyUrl), remuneração (salary) e data de cadastro (date). Ainda que nem todos os seis websites e nem todas as vagas forneciam todas essas informações, sempre que possível, esses foram os dados coletados.

Os programas web scraper foram desenvolvidos em linguagem de programação Python, sendo adaptados para cada website acessado, visto que a estrutura HTML de cada um é única. Além disso, para todos os websites, a raspagem foi organizada em duas etapas: 1) coleta de todos os anúncios com dados presentes na listagem (título, URL e resumo) e; 2) acesso individual a cada anúncio para coletar os demais dados disponíveis. Para buscar os anúncios, em cada website foram utilizadas as expressões “cientista de dados” e “data scientist” (dado que muitas empresas brasileiras utilizam termos em inglês em seus anúncios), filtrando por vagas no território brasileiro. Nesta etapa, entre 21 e 29 de setembro de 2021, foi possível coletar um total de 1.343 anúncios, cujos valores individuais de cada base são mostrados na Figura 1.

Uma vez que os mecanismos de busca dos websites não são atrelados aos títulos dos anúncios, percebeu-se que muitas vagas encontradas não se destinavam a cientista de dados. Por isso, como primeiro procedimento de tratamento, foram excluídos 475 anúncios que não continham nem “cientista de dados” e nem “data scien” em seus títulos. Em seguida, foram excluídos também quatro anúncios que não possuíam descrição, campo que será utilizado na mineração de texto, e 182 anúncios cujo idioma principal não era o português. Por fim, também foram removidos os anúncios com descrições duplicadas, uma vez que a mesma empresa poderia ter várias vagas para um cargo. Anúncios com descrições duplicadas afetariam a frequência com que os termos aparecem na mineração. Desse modo, ao final desses procedimentos, relacionados à “Preparação dos dados” da CRISP-DM, o corpus a ser analisado apresentava 613 documentos.

3.2. Protocolo de análise

Inicialmente, é necessário apresentar as principais características da amostra de anúncios que compuseram o corpus da pesquisa. Nesta etapa, além da participação de cada website utilizado, foram verificadas as localidades das vagas, os salários, o nível de escolaridade exigido, além do nível de experiência (Júnior, Pleno ou Sênior).

Em seguida, com o perfil das vagas conhecidos, procedeu-se à mineração de texto propriamente dita, que foi dividida em três passos:

Segundo ^{Wesslen (2018}), a adoção de modelos de aprendizagem de máquina por pesquisadores das Ciências Sociais tem emergido como uma das principais técnicas para descoberta de variáveis latentes, que antes só poderiam ser medidas sob suposições não testáveis. Nesse sentido, esta pesquisa explora esses recursos, algoritmos de machine learning para mineração de texto, para identificar os principais requisitos para ser contratado como um cientista de dados. Além disso, o emprego da mineração de texto possibilitou a extração de padrões e conhecimento de centenas de documentos cuja análise manual seria mais onerosa.

A linguagem de programação Python foi adotada na etapa de limpeza e formatação dos dados, nos procedimentos pré-análise e, também, nas próprias análises aplicadas. Para visualizar os termos no seu contexto original, empregou-se o software livre AntConc (^{Anthony, 2022}).

4.1. Características da amostra

Dos 613 anúncios eleitos para análise, 79,28% foram obtidos em duas únicas fontes: Indeed (250 anúncios) e LinkedIn (236 anúncios), ambas de origem estrangeira. Esses valores confirmam a relevância do site Indeed para área da ciência de dados que já tinha sido apresentada por ^{Kim e Lee (2016}). Por outro lado, a empresa Infojobs, de origem espanhola, apresenta a menor contribuição com apenas sete anúncios analisados (1,14%). Em relação à Infojobs, também chama a atenção que dos 84 anúncios coletados inicialmente foram excluídos 77, principalmente, por não conterem em seus títulos “cientista de dados” ou “data scien”. Em relação às empresas de origem brasileira (Catho, Empregos e Vagas), pode-se constatar que juntos compuseram quase 1/5 das vagas analisadas (19,58%, ou 120 anúncios).

Outra característica analisada foi quanto à localidade das vagas referentes aos anúncios coletados. A cidade de São Paulo concentrou quase 1/3 da amostra com 193 anúncios (31,48%). Na segunda posição, com 102 anúncios (16,64%), estão as vagas destinada a trabalho remoto (home office), seguida pela cidade do Rio de Janeiro com 51 anúncios (8,32%). Todas as demais cidades apresentaram menos de 22 anúncios, não ultrapassando 4,00% do total. Em relação aos estados brasileiros, São Paulo sozinho, com 260 anúncios, corresponde a 42,41% dos documentos analisados, impulsionado naturalmente pela demanda apresentada pela sua capital.

O salário oferecido foi outra informação analisada, porém apenas 98 anúncios (15,99%) faziam menção a esse item, dos quais 62 exibiam a mensagem “A combinar”. Dessa maneira, as remunerações puderam ser analisadas em somente 36 anúncios ou 5,87% da amostra. Ainda assim, foi possível extrair alguns dados relevantes: o valor médio mensal oferecido é R$ 6.782,03 (desvio padrão de R$ 542,47), sendo o menor valor apresentado correspondendo à faixa salarial “De R$ 1.001,00 a R$ 2.000,00” e o maior, R$ 15.000,00. Considerando a cotação do Real¹, a moeda brasileira vale 0,20 dólares americanos e implica em uma média salarial mensal de U$ 1,356.40 ou um valor anual de cerca de U$ 16,276.87. Esse valor equivalente a 1/6 da média do salário anual de um cientista de dados iniciante nos EUA em 2019 (^{Burtch Works, 2021}).

Em relação à experiência exigida, analisou-se os títulos das vagas procurando pelos termos Júnior (ou Jr), Pleno e Sênior. Dos 613 anúncios, 184 (30,02%) mencionavam em seu título ao menos um dos termos procurados. O nível sênior foi o mais procurado com 103 ocorrências (16,80%), seguido pelos profissionais plenos (70 anúncios, 11,42%) e, por fim, pelos profissionais do nível Júnior (11 anúncios, 1,79%). Dessa forma, segundo os anúncios que apresentam essa informação, há uma maior demanda por profissionais mais experientes.

Para concluir esta etapa, foram identificados os anúncios que citavam algum nível de escolaridade. Primeiramente, verificou-se que 209 anúncios, ou 34,09% do corpus, continham a expressão “graduação” ou “ensino superior”. Se por um lado, 1/3 dos anúncios apontam que os contratantes valorizam a educação superior, por outro, expõe que 2/3 não expressam a educação formal como item fundamental à seleção de candidatos. Já os cursos strictu sensu são menos exigidos, sendo que mestrado aparece em 53 anúncios (8,65%) e doutorado, em 38 anúncios (6,20%). Esses valores são muito inferiores aos apresentados por ^{Kim e Lee (2016}), que apontam que de 1.240 anúncios relativos a cientista de dados, 645 (52,01%) citam o nível de mestre e 561 (45,20%), o nível de doutoramento como diferencial.

4.2. Termos mais frequentes

Como primeiro resultado da mineração de texto, são apresentados os resultados obtidos pela análise n-grama aplicada aos stems gerados. Os 10 termos mais frequentes 1-grama e 2-grama são listados em Tabela 1 e Tabela 2, respectivamente.

A classificação 1-grama, formada pelos stems, confirmou “dado” como o temos mais recorrente nos anúncios, com 2.911 ocorrências e presente em 567 documentos analisados (92,50%). Em seguida, com menos da metade de ocorrência, vem o stem “model” com 1.447 aparições em 478 documentos distintos. Já “conhec”, referente a conhecimento, está presente em mais anúncios (499), mas em menor frequência (1.441). De maneira geral, o ranking 1-grama enfatiza dado, modelo, conhecimento, experiência, desenvolvimento e análise como as palavras presentes em mais de 70% dos documentos analisados. Além disso, percebe-se entre as 20 palavras mais recorrentes, termos relativos ao contexto organizacional como “empresa”, “negócios”, “pessoas”, “time” e “clientes”. Nos anúncios, esses termos são adotados para descrever a própria empresa contratante, mas também para tratar do cotidiano do futuro contratado.

A lista com as termos 2-grama demonstra a expressão “machine learning” como a mais recorrente entre os anúncios, aparecendo 580 vezes em 348 documentos, ou seja, 56,77% do corpus. Em seguida, os stems de “cientista de dados” com 275 ocorrências em 195 anúncios (31,81%) e de “análise de dados”, 272 ocorrência, 196 anúncios (31,97%). As outras expressões presentes em pelo menos 1/5 dos anúncios são: “ciência de dados”, “modelo estatístico”, “banco de dados”, “desenvolvimento de modelo”, “big data” e “ciência da computação”. A adoção de expressão aumenta o valor semântico dos itens da classificação, especificando as competências mais recorrentes, como o desenvolvimento de modelos estatísticos, administração de banco de dados e formação em ciências da computação. Nesse sentido, outra expressão presente em mais de 20% dos anúncios é “seguro de vida”, um dos benefícios mais recorrentes nos anúncios analisados e “superior completo”. A Tabela 3 apresenta as principais expressões formadas por três stems.

Novamente, o termo mais frequente está relacionado à aprendizagem de máquina. A expressão referente a “modelos de machine learning” foi a única presente em mais de 10% do corpus, aparecendo em 77 anúncios. Ademais, ressalta-se que “machine learning” está presente em oito expressões 3-grama dentre as 20 mais recorrentes. A segunda expressão mais frequente foi “grande volume de dados”, referente à “matéria-prima” do cientista de dados, seguido por “ensino superior completo”, que ocorre em 9,62% dos anúncios. Mais uma vez, a educação formal está presente entre os termos mais recorrentes, porém em uma patamar muito abaixo do que demonstrado em outras pesquisas (^{Curty & Serafim, 2016}; ^{Kim & Lee, 2016}).

4.3. Modelagem de tópicos

Inicialmente, procedeu-se pela verificação de coerência, medida utilizada para avaliar os modelos gerados, para definir a quantidade de tópicos a serem extraídos. Para isto, fez o cruzamento de possibilidades de número de tópicos (2, 3, 4, 5, 6, 10, 15, 20) com três de variações do valor de alfa (0,01, 0,1 e 1), que é um parâmetro que influencia na definição de tópicos para cada documento. O resultado desse cruzamento pode ser visto na Figura 2:

Os valores de coerência obtidos variaram entre 0,387 e 0,401, sendo este maior valor encontrado para a combinação de quatro tópicos e o valor de alfa de 0,10. Uma vez que o valor de coerência pode variar de 0 a 1, onde valores próximos a 0,7 são esperados, a coerência obtida é considerada baixa, mas não impede a utilização da LDA. Assim, com a definição do número de tópicos, procedeu-se à definição do modelo cuja visualização, desenvolvida com a biblioteca LDAVis (^{Sievert & Shirley, 2014}). Este procedimento indicou os quatro tópicos distantes, não havendo sobreposição, sendo que todos eles, segundo a distribuição marginal, são relevantes para grande parte do corpus. Porém, quando se verificou os 10 principais termos que compõem cada tópico, percebe-se que os termos encontrados são praticamente os mesmos, diferenciando-se apenas pela posição, ou seja, pelo peso que o termo representa a cada tópico. Termos únicos (entre os 10 principais) acontecem apenas nos três primeiros tópicos. No primeiro tópico, os stems “tecn”, referente a técnica, e “client”, de cliente, não aparecem nas primeiras posições dos demais tópicos. Para o segundo tópico, o termo exclusivo se refere a “projeto” e para o terceiro, o termo é “empr”, referente a empresa. A Figura 3 traz os 10 principais termos de cada tópico, demonstrando as variações nas posições entre cada tópico definido.

A similaridade encontrada entre os tópicos definidos, que se repetiu em modelos com dois, três, cinco e seis tópicos, tornou incoerente a usual nomeação dos tópicos, vide todos “tratam” de temas muito parecidos. Resumidamente, os quatro tópicos tratam do mesmo tema, com poucas e sutis diferenças entre os pesos dos termos principais. Dessa forma, julga-se que os resultados obtidos pela LDA pouco contribuem para extrair informações da amostra analisada.

4.4. Agrupamento

Com a utilização da ferramenta online Clustering Workbench (Carrot² Clustering Engine, 2021), é possível aplicar algoritmos de agrupamento, dentre eles o K-Means, a partir de uma base de dados já trabalhada, de forma amigável. Os únicos parâmetros alterados na configuração padrão da ferramenta foram o número de clusters, definido em quatro para seguir o mesmo número obtido pela LDA, número de rótulos exibidos em cada grupo, definido como 10, e o idioma, alterado para português. Todos os 613 documentos foram agrupados nos seguintes clusters:

O primeiro cluster, que engloba 59,87% do total de anúncios, apresenta exclusividade nos termos “negócio”, “novas” (de “novas técnicas”, “novas ferramentas”, “novas práticas”, “novas soluções”, demonstrado relação com inovação e aprendizagem, conforme apontado por ^{Cao (2019})), “machine”, “learning”, “algoritmos” e “atuar”. Os termos sem negritos são aqueles presentes em mais de um grupo, como “time”, referente aos profissionais já presentes na organização contratante, “data”, dados no idioma inglês, “empresa”, “processos”, dentre outros.

Os outros três agrupamentos estão equilibrados em relação à quantidade de documentos englobados, 15,17%, 12,56% e 12,40%, respectivamente. O segundo agrupamento é marcado por termos relacionados a benefícios que a empresa oferece aos seus funcionários, bem como a ênfase à diversidade. O terceiro, apresenta os termos “Financeiro” e “Ciência” como destaques de exclusividade, enquanto o quarto apresenta “Tecnologia”, “Modelagem” e “Avançado”, termo geralmente utilizado juntamente com “Conhecimento”.

Ainda que haja termos comuns a mais de um cluster, percebe-se uma maior distinção entre os grupos pela utilização do algoritmo K-Means do que pela aplicação do LDA. Logicamente, os objetivos das duas técnicas são distintos. Conforme, apontado por ^{Bengfort et al. (2018}), clustering procura estabelecer grupos em uma coleção de documentos, deixando cada documento em um grupo; enquanto a modelagem de tópico, busca abstrair os principais temas desta coleção, onde um único documento pode abranger mais de um tópico. A conclusão aqui é que o agrupamento se mostra mais definido que a abstração de tópicos.