Do negócio aos dados: Por que decidi aprofundar minha carreira em Data Science e IA

Minha trajetória profissional começou muito antes de eu escrever minha primeira linha de código. Ao longo dos anos, construí minha experiência em áreas como Marketing, Operações, Gestão Comercial e Gestão de Projetos, sempre muito próximo de metas, indicadores, processos, clientes, equipes e, principalmente, decisões.

Foi nesse ambiente que comecei a perceber algo que, mais tarde, se tornaria central na minha jornada profissional: boas decisões dependem de boas informações — e boas informações dependem de dados bem tratados, contextualizados e analisados.

O ponto de partida foi o negócio

Durante boa parte da minha carreira, tecnologia não era necessariamente o centro da minha atividade. O centro era o negócio. Era preciso entender uma operação, acompanhar indicadores, identificar problemas, melhorar processos, avaliar resultados e decidir o próximo passo.

Mas havia algo recorrente.

Muitas vezes, existiam dados, porém eles estavam dispersos. Havia relatórios, mas faltava análise. Havia indicadores, mas nem sempre estava claro o que eles realmente significavam.

E comecei a perceber uma diferença importante :

Ter dados não significa necessariamente ter informação. E ter informação não significa automaticamente gerar inteligência.

É preciso conectar essas etapas.

Foi dessa inquietação que surgiu uma pergunta que passou a orientar boa parte do meu desenvolvimento:

Como utilizar dados e tecnologia para compreender melhor os problemas e tomar decisões mais consistentes ?

Quando a curiosidade encontrou propósito

A resposta começou pelo aprendizado.

Vieram os primeiros estudos mais estruturados de tecnologia, programação e análise de dados. Depois, Python, SQL, Data Analytics, visualização, Machine Learning, Cloud Computing e, mais recentemente, uma imersão cada vez maior em Inteligência Artificial Generativa, LLMs, RAG, agentes de IA e Graph Data Science.

Mas houve uma mudança importante durante esse processo. Em determinado momento, percebi que não estava simplesmente aprendendo novas tecnologias.

Estava adquirindo novas ferramentas para lidar com problemas que já conhecia do mundo dos negócios.

E isso mudou completamente minha perspectiva.

Minha experiência anterior não precisava ser deixada para trás para que eu avançasse em tecnologia.

Pelo contrário.

Ela poderia ser justamente o elemento capaz de dar contexto ao conhecimento técnico.

Foi quando três dimensões começaram a se conectar :

Experiência de Negócio + Dados & Analytics + Inteligência Artificial

Aprender fazendo mudou tudo

Os cursos foram fundamentais, mas os projetos fizeram a diferença.

Passei a buscar situações nas quais pudesse transformar conhecimento em alguma coisa concreta. Em alguns projetos, trabalhei com análise exploratória e visualização de dados. Em outros, avancei para Machine Learning e modelos preditivos. Também comecei a explorar Neo4j e Graph Data Science, sistemas de recomendação, Marketing Intelligence, APIs, automação, IA Generativa, engenharia de prompts, RAG e agentes. E algumas experiências permitiram levar esse conhecimento para problemas reais. Na análise de uma operação, por exemplo, o desafio deixou de ser simplesmente criar um dashboard. A questão passou a ser :

Quais indicadores realmente ajudam a entender o desempenho dessa operação ?

Em Marketing Analytics, a pergunta deixou de ser apenas qual métrica apresentar e passou a ser :

O que essa métrica está dizendo e qual decisão ela pode apoiar ?

Em Machine Learning :

Não basta saber qual modelo apresenta melhor resultado. Como essa previsão pode ser utilizada ?

Em Inteligência Artificial :

Não basta obter uma boa resposta de um modelo. Como transformar essa capacidade em um processo, uma ferramenta ou uma solução útil?

Essa mudança de perspectiva foi talvez um dos aprendizados mais importantes dessa jornada.

Tecnologia não começa pela ferramenta

Quanto mais avanço em Data Science e Inteligência Artificial, mais acredito que um bom projeto não deveria começar com :

"Qual tecnologia vamos usar ?"

Mas sim com :

"Qual problema estamos tentando resolver ?"

A partir daí, podemos perguntar :

Quais dados temos ?

Quais informações faltam ?

Que tipo de análise pode ajudar ?

É necessário Machine Learning ?

IA Generativa agrega valor nesse contexto ?

Automação faz sentido ?

Qual decisão queremos melhorar ?

Isso evita um risco cada vez mais comum: utilizar tecnologia porque ela está disponível, e não porque é necessária.

O que me motiva a continuar

Data Science e Inteligência Artificial me atraem justamente porque são áreas em que aprendizado nunca termina. Novas ferramentas aparecem. Modelos evoluem. Arquiteturas mudam. Abordagens que eram referência há pouco tempo rapidamente ganham novas alternativas.

Isso exige curiosidade constante.

Mas existe outro elemento que me interessa ainda mais: a possibilidade de conectar áreas diferentes.

Marketing pode gerar dados.

Operações podem gerar dados.

Vendas podem gerar dados.

Clientes geram dados.

Processos geram dados.

A questão é o que fazemos com eles.

Quando adicionamos Analytics e Inteligência Artificial, passamos a ter novas possibilidades para identificar padrões, antecipar comportamentos, automatizar processos, gerar insights e apoiar decisões.

É exatamente nessa interseção que pretendo continuar trabalhando.

Não considero uma mudança de carreira. Considero uma evolução.

Talvez essa seja a melhor maneira de definir o processo que venho vivendo. Não abandonei Marketing, Operações, Gestão ou minha experiência de negócio para entrar em tecnologia.

Passei a incorporar tecnologia, dados e Inteligência Artificial àquilo que já havia construído.

Hoje consigo olhar para um problema sob perspectivas que antes estavam mais separadas :

Negócio → Dados → Análise → Tecnologia → Decisão → Resultado

E acredito que justamente essa combinação pode gerar valor.

A jornada continua

Quando olho para meus primeiros projetos e comparo com aquilo que consigo desenvolver hoje, vejo uma evolução técnica significativa. Mas também vejo algo que considero ainda mais importante: uma evolução na maneira de pensar os problemas.

Cada curso, projeto, desafio, erro e nova tecnologia acrescentou alguma coisa.

Ainda existe muito a aprender — especialmente em um momento em que a Inteligência Artificial evolui em uma velocidade impressionante.

E isso, longe de ser um problema, é justamente o que torna essa jornada tão interessante.

Meu objetivo é continuar avançando na interseção entre Negócios, Data Science e Inteligência Artificial, combinando conhecimento técnico com visão estratégica para desenvolver soluções que tenham aplicação prática.

Porque, no final, dados não são o destino.

IA também não.

São ferramentas para compreender melhor, decidir melhor e construir soluções melhores.

Sobre esta jornada

Tenho documentado essa evolução por meio dos projetos que desenvolvo e publico no GitHub — desde os primeiros desafios de programação até projetos envolvendo Analytics, Machine Learning, Graph Data Science, IA Generativa, RAG e agentes de IA.

Conheça meu portfólio no GitHub

Business + Data + AI.

É nessa interseção que pretendo continuar construindo os próximos capítulos.