Primeiro emprego como Data Scientist

Antes mesmo de pegar meu diploma em Estatística, tive a grande chance de trabalhar como Data Scientist numa empresa de games! Gostaria então de compartilhar essa experiência, criando mais um capítulo no Livro do Guru.

Primeira pergunta: o que um estatístico, com perfil de cientista de dados, faz numa empresa de games mobile? Muita coisa!!

Quando você está jogando ou utilizando um aplicativo instalado em seu celular, a empresa desenvolvedora recebe cada “tapp” que você dá na tela. Assim, é possível saber cada passo realizado durante sua sessão no aplicativo. Isso significa que diariamente uma enxurrada de dados é enviada para os servidores do aplicativos, informando as atividades de todos seus usuários.

Dados são a principal fonte de motivação para um profissional na área da estatística. Eles criam uma curiosidade intensa para descobrir o que podem nos dizer a respeito do jogo, gerando assim, insights em novas tomadas de decisões.

Os analistas responsáveis pelas análises do jogo é o pessoal de Game Analysis. Utilizam consultas em banco de dados, dashboards, testes estatísticos, metodologia de amostragem e aprendizado de máquina, buscando descrever os dados, realizar predições futuras e possíveis otimizações no jogo.

Minha principal atividade era optimização de Ads, realizando estudos de como distribuir as impressões de publicidades nos jogos. Mesmo não me aprofundando diretamente no enredo de um jogo específico, pude ter muito contato com analistas que mandavam super bem nisso. Era muito comum a troca de informações no ambiente de trabalho, fomentando assim o compartilhamento de informações e técnicas utilizadas dentro de cada contexto. Pude aprender muito com isso tudo, tendo a chance de também compartilhar meus conhecimentos com a equipe.

Durante minha rápida trajetória, fui anotando todas as técnicas estatísticas que utilizei na Tapps Games. Acredite, as aulas teóricas foram fundamentais para meu rápido desenvolvimento e colaboração com toda equipe.

• Regressão Linear Múltipla
• Método Simplex
• Análise de Agrupamento (Cluster)
• Árvore de Decisão
• Support Vector Machine (SVM)
• Naíve-Bayes
• Social Network Analysis (SNA) / Análise de Grafos
• Multi-Armed Bandit
• Amostragem
• Comparações Múltiplas

Tais técnicas permitiram que eu seguisse em frente com meu papel dento da empresa. Mas só a técnica não seria suficiente para alcançar o objetivo de trazer respostas. A bagagem em computação foi fundamental desde o primeiro dia, algo que só aumentou dia a dia de trabalho. Algumas ferramentas que se tornaram indispensáveis no meu ambiente de trabalho:

• Python
  • Pandas
  • Numpy
  • Scikit-learning
  • StatsModels
  • Jupyter Notebook
• BigQuery (solução Google para consultas SQL)
  • SQL
• DataStudio (solução Google para visualização de dados)
• Git (Bitbucket / Github)
• Sistemas Unix-like
• Sublime (Editor de texto/código)

Alguns pontos importantes: Fui forçado a melhorar muito minha habilidade de programação, afinal outras pessoas deveriam ler e dar manutenção no meu código. E isso vai de encontro com a parte de versionamento, ou seja, saber o mínimo de Git (valeu Pavê) também aprimora o trabalho em equipe. Pude aprender muito de SQL com o crânios que trabalharam comigo, muitas dicas e ajudas foram essenciais para poder realizar minhas entregas (valeu Léo e Lu). O Sublime é um editor de texto incrível que possui um universo de funções e atalhos, tornando o trabalho de programação mais rápido e prazeroso.

Já temos a técnica e a parte computacional, o que está faltando? Pois bem, o problema. Isso mesmo, é necessário entender muito bem qual é o problema a ser resolvido. Diferentemente das salas de aula o problema não possui um enunciado, assim, é muito importante que você esteja alinhado com o negócio da empresa onde está inserido e compreender onde que você se encaixa nisso tudo. Ou seja, é necessário interdisciplinaridade para que se entenda o problema mais rapidamente, identifique possíveis bloqueadores na solução, recursos a serem utilizados e prazos a serem definidos. Tudo isso irá te auxiliar muito nas definições de estratégias para atacar o problema.

Juntando a técnica com a parte computacional, somando com noções do negócio, tem-se um cientista de dados. Não existe receita mágica para obter esses conhecimentos, acredito que seja a experiência do dia a dia que trará naturalmente essas coisas. Basta que esteja afim de aprender e crescer com os erros e feedbacks, sem reclamar que sua faculdade não te preparou para isso ou aquilo. Vai de você ir atrás disso ou não.

Quero aqui apenas apresentar algo que possa motivar outras pessoas a seguirem esse caminho de Data Science, mostrando que o mundo de games está sedento por este profissional. Onde é possível:

• Definir perfis distintos de usuários que jogam determinado jogo com base na atividade de cada um;
• Avaliar qual campanha performou melhor, A, B ou C?
• Responder se o jogo deve receber balanceamento em sua economia e de quanto que deve ser esse balanceamento;
• Identificar o que pode causar uma queda no engajamento dos usuários;
• Prever usuários que desistirão de jogar em d dias.
• E mais uma infinidade de problemas enfrentados por empresas de jogos ao redor do mundo.

Dado todas essas coisas, só tenho a agradecer. Convivi por 5 meses com uma equipe fantástica, cheia de pessoas comprometidas com o trabalho e afim de “creating fun for every one”. Foi um prazer imenso trabalhar todo este tempo com vocês e aprender tanto! Espero ter passado um pouco do que sei para vocês, ainda quero ver muito essa empresa crescendo cada dia mais. Muito obrigado aos meus companheiros de equipe: Luara, Leonardo Matsura, Leonardo Guimarães, Lucas, Vinícius, Pedro Sant’ana, Pedro Carvalho e o chefe Felipe Hayashida, a convivência com vocês foi incrível. Agradeço ao René Retz pela oportunidade de ter composto à equipe Tapps. Sucesso a todos vocês!

Hoje estou encarando outro desafio no SAS. Espero em breve ter outro capítulo para mostrar para vocês. =D