Uma profissão dinâmica, em que desafios e aprendizados são uma constante, e que não deixa um milímetro de espaço para a inércia. É assim que o cientista de dados Flávio Coelho, da equipe da LexisNexis® Risk Solutions, vê a profissão que escolheu. Estatístico com pós-graduação em gestão de risco e mestrado em engenharia elétrica com ênfase em estatística, o profissional trabalha no desenvolvimento de modelos de machine learning. Os modelos que Flávio cria permitem identificar padrões em grandes volumes de dados que nem sempre estão disponíveis para as seguradoras e extrair valor deles. A partir daí, ele consegue consolidar as informações em um único indicador que permite às seguradoras melhorar a qualidade de suas decisões, diminuir riscos e aumentar a eficiência. Além de criar produtos inovadores. Abaixo ele nos conta como é seu dia a dia.

“Entrei na LexisNexis Risk Solutions há quase dois anos para trabalhar com uma equipe multidisciplinar. Juntei-me a um time competente, com autonomia para tomada de decisões e gestão de tarefas. Nossa maneira de operar facilita as atividades de análises de dados e o desenvolvimento dos modelos preditivos.

 No dia a dia, buscamos estar próximos do cliente para entender seus principais problemas ou demandas. Aliás, este é o ponto de partida do nosso trabalho. As necessidades são bastante diversas. Análises realizadas por um cientista de dados estão presentes na base de muitos produtos oferecidos pelo setor. Uma vez que se tem as demandas mapeadas, tarefa realizada com a nossa área de Client Engagement, podemos gerar modelos de machine learning. Estes permitem identificar padrões e extrair insights a partir de um conjunto de dados relacionado à necessidade do cliente.

Uma solicitação interessante que recebi outro dia foi de segmentar os condutores jovens, porém responsáveis ao volante. Em tese, isso significa ter um menor risco para a seguradora. Começamos selecionando as bases de dados referentes àquela população. A LexisNexis Risk Solutions possui uma série de informações já disponíveis no seu data lake, capturadas a partir de fontes públicas. A estas, somam-se indicadores de telemetria, de crédito e outros advindos de parcerias com provedores de informações diversos. Usados em conjunto com os dados coletados especificamente para cada demanda, eles aumentam a precisão das análises.

Buscamos então relacionar os dados, tornar estruturados os que não são, analisá-los e interpretá-los. Na sequência, aplicamos machine learning. Após os testes e validação, o modelo está pronto. É como se espremêssemos os dados ao máximo até chegar a informações relevantes. Por fim, todos os insights são resumidos em um indicador (score) para facilitar a avaliação pela seguradora em seus processos de tomada de decisão.

O trabalho que fizemos tornou possível oferecer um seguro mais competitivo, com preço acessível para jovens de menor risco associado. 

Conselhos a um jovem profissional

Para ser um cientista de dados, não é um pré-requisito, mas ajuda muito gostar de matemática, programação e estatística. Acima de tudo, é preciso ter paixão por aprender e por inovações. O segredo está em praticar, adquirir conhecimento e começar a testar. Desafiar a si próprio e buscar estar sempre atualizado em relação às ferramentas de ponta. Pode ser uma boa pedida inscrever-se em competições, como as que se encontram na plataforma Kaggle. Alguns profissionais são premiados, outros não. Mas o principal objetivo é obter mais conhecimento. Outra dica é treinar o desenvolvimento de modelos usando as ferramentas open source para machine learning, por exemplo, R e Python, fáceis de acessar nos seus respectivos sites.

A carreira estará sempre em evolução. Tudo o que fazemos agora poderá não servir mais daqui a dez anos. Por isso, é preciso sempre estar atento a novas metodologias e tecnologias. A área vai se expandir muito. Hoje em dia, por exemplo, empresas de diferentes segmentos já sentem a necessidade de ter um cientista de dados para lidar com a volumetria de dados, sempre crescente, e isso deve se intensificar. A procura por profissionais com essas habilidades certamente vai crescer.

O que eu mais gosto nessa profissão é resolver problemas, colocar em prática os conceitos e criar um produto capaz de atender às demandas do cliente. A possibilidade de inovar constantemente é outra fonte de satisfação. Hoje, cada vez mais modelos de machine learning e deep learning vêm aparecendo e sendo testados, cada um com suas propriedades e particularidades, o que nos permite apurar cada vez mais o poder preditivo. Há desafios e dinamismo de aprendizado, sem espaço para a inércia!”

Para conhecer melhor o trabalho dos cientistas de dados da LexisNexis Risk Solutions Seguros Brasil, visite o nosso site.

Se quiser conversar com um dos nossos representantes sobre produtos e soluções, por favor preencha nosso formulário de contato.