Carreiras

Principais desafios de Data Science e Machine Learning no Open Finance

Redatora Kathia Oliveira 

Relato de Diogo Lima, Cientista de Dados na Quanto

 

 

Na Quanto, a área de Data Science assume também o desafio de participar da estratégia de construção de produtos financeiros

 

Em um modelo clássico, uma pessoa que trabalha com Data Science e Machine Learning está acostumada a receber demandas e tarefas que são geradas a partir de uma estratégia macro, sem ter uma participação ativa no processo de tomada de decisão. Porém, na Quanto, empresa de tecnologia para Open Finance, as coisas são bem diferentes - e de um jeito muito positivo, conforme relata Diogo Lima, Cientista de Dados da empresa.

 

"Atuo como Cientista de Dados há algum tempo e boa parte da minha experiência foi consolidada em empresas tradicionais. Ao chegar na Quanto, me deparei com um ambiente muito mais leve e ágil, no qual somos protagonistas na criação dos produtos que serão o futuro do sistema financeiro. 

 

"É muito raro que o time técnico esteja tão envolvido em participar da construção de produtos, que são o core da Quanto"

 

Temos liberdade para escolher, dentro de um pool tecnológico, as técnicas que utilizaremos para as tarefas diárias ou até mesmo para grandes projetos, o que traz muita autonomia e aprendizado. 

 

Dia a dia no time de Data Science

Nossa rotina é permeada por experimentação, o que permite que a gente vivencie o 'testar, errar, aprender e compartilhar', um dos valores da Quanto, na prática. Em conjunto com pessoas de outros times, como Produto e QA (Quality Assurance), colaboramos para definir quais serão as atividades da próxima sprint (ciclo de entregas de até duas semanas). 

 

Temos fácil acesso às pessoas, independentemente de níveis hierárquicos. Estamos em contato constante com o CEO (Chief Executive Officer), CTO (Chief Technology Officer), time de Vendas, Produto e até mesmo clientes para definir os próximos passos das soluções financeiras do futuro. 

 

"Testamos muito para criar o melhor produto possível"

 

As pessoas são muito engajadas e se importam em ajudar, mesmo que aquele problema não faça parte do escopo de trabalho delas. Todas as sextas-feiras, às 16h, temos a oportunidade de agradecer publicamente a quem fez a diferença naquele período - e não há uma semana sequer que eu passe sem ter a quem dizer um 'obrigado'. 

 

Desafios de Data Science e Machine Learning no Open Finance 

 

Na minha visão, alguns dos pontos mais interessantes da rotina aqui são: 

 

  • - Eficiência: trabalhamos com um volume muito grande de dados. O Open Finance democratizou esse acesso, portanto, temos muitas informações de fontes diferentes sobre clientes. Para aplicar técnicas de Machine Learning, que são muito pesadas computacionalmente, precisamos ter eficiência.
  •  
  • - Informações não estruturadas: diferentemente do que vemos no cenário acadêmico, por exemplo, a maior parte dos dados que recebemos precisam de tratamento e organização. Isso exige um cuidado extra no entendimento do contexto para que os parâmetros estejam corretos.
  •  
  • - Segurança: lidamos com dados muito sensíveis, de pessoas reais. É imprescindível ter muita responsabilidade com a segurança da informação e com o resultado final, pois construímos as ferramentas que apoiam a tomada de decisão e que impactam a vida das pessoas. 

 

Pensando em se candidatar para as nossas vagas? Confira as dicas!


Temos muita responsabilidade e  liberdade. É preciso ser uma pessoa  engajada e fazer uma boa gestão de seu tempo, demandas e projetos por meio de métodos de organização eficientes, além de ter habilidade para cumprir prazos. 

 

"É fundamental fazer as perguntas certas para gerar valor para o todo"

 

É essencial ter visão do todo e fazer as perguntas certas para sugerir soluções que impactarão milhares de pessoas, além de compreender como um produto vai gerar valor. Isso exige também que os problemas sejam entendidos com profundidade.

 

É preciso entender, também, que cada cliente tem uma necessidade específica e balancear essa equação, pois queremos um produto que funcione para a maioria das pessoas. Vale se questionar se o que estamos criando representa uma solução para um problema de negócio e que casos de uso teremos para essa solução".

 

Vem para Quanto

Curtiu? Temos vaga para Pessoa Engenheira de Machine Learning - Pleno/Sênior. Se você quer saber mais sobre a Quanto, nossa stack, cultura e benefícios, confira a nossa página de carreiras.

 

 

Leia também: