Currículo de cientista de dados: da academia ao ATS sem perder o mestrado

Um currículo de três páginas, quatro publicações e um doutorado concluído chega à triagem de uma vaga de cientista de dados e não passa. Não porque a formação seja fraca, mas porque o texto foi escrito para uma banca, não para um parser: fala em contribuição teórica e revisão por pares, quando a vaga pergunta por Python, scikit-learn e resultado de negócio. A régua muda quando o destino muda de universidade para empresa, e poucos currículos acadêmicos fazem essa tradução.

Este guia mostra como nomear modelo e ferramenta do jeito que o ATS reconhece, como descrever um resultado técnico pela métrica de negócio que ele move, e o que fazer com o histórico acadêmico sem deixar o currículo parecer um currículo Lattes.

Regra do Resultado, não da Técnica: todo modelo citado no currículo precisa terminar em uma consequência de negócio, não em uma métrica estatística sozinha. Acurácia de 0,89 não diz nada para quem não é cientista de dados, mas identificar 30% dos casos de risco antes do prazo diz tudo.

O currículo acadêmico organiza por publicação, o currículo de mercado organiza por modelo aplicado e ferramenta

Currículo Lattes e currículo acadêmico priorizam produção bibliográfica, orientação e participação em banca. O ATS de uma empresa procura outra estrutura: título de cargo reconhecido, ferramenta nomeada e projeto com começo, meio e resultado.

Antes: Doutor em Estatística, com produção científica em modelagem preditiva e três publicações em periódicos internacionais.
Depois: Cientista de Dados | modelos preditivos em Python com scikit-learn e XGBoost, aplicados a previsão de churn e risco de crédito.

Isso não significa esconder o doutorado, significa não deixar que ele seja a única informação visível no topo do currículo. Para quem está migrando de vez da academia, o problema completo do currículo acadêmico está tratado em como adaptar o currículo Lattes para o mercado.

Nomear o algoritmo e a biblioteca é o que faz o parser reconhecer capacidade técnica

Aprendizado de máquina, como termo isolado, não diz nada sobre o que você sabe implementar. A vaga costuma citar a técnica esperada de forma literal, e o currículo precisa espelhar isso.

• Regressão logística e árvores de decisão: cite como base, principalmente se a vaga é de nível júnior ou pleno, onde esses modelos ainda são o padrão de muitos times.
• XGBoost / LightGBM: os modelos de gradient boosting mais citados em vaga de mercado. Cite pelo nome, não como modelo mais avançado de árvore.
• scikit-learn: a biblioteca mais citada em vaga de ciência de dados aplicada. Escreva junto do algoritmo usado nela.
• MLflow: ferramenta de versionamento e rastreamento de experimentos, cada vez mais presente em vaga pleno e sênior que já opera com MLOps.
• Kaggle: cite competições concluídas com posição ou métrica alcançada, não apenas participação, porque participação sozinha não distingue ninguém.

Descrever o modelo pela métrica de negócio é o que separa cientista de dados de estatístico

Um modelo com boa métrica técnica e nenhuma consequência de negócio citada soa como exercício acadêmico. A vaga de mercado quer saber o que o modelo permitiu fazer de diferente.

Antes: Desenvolvi modelo de classificação com acurácia de 0,89 para previsão de churn.
Depois: Desenvolvi modelo de classificação em Python com XGBoost para prever churn, permitindo à área comercial priorizar contato com os clientes de maior risco antes do vencimento do contrato.

A segunda versão mantém a técnica visível, mas termina na decisão de negócio que o modelo tornou possível. É essa combinação que a vaga de mercado espera ler.

MLOps e deploy de modelo aparecem em quase toda vaga pleno e sênior da área

A distância entre treinar um modelo em notebook e mantê-lo em produção é grande, e empresas cada vez mais escrevem essa exigência na vaga de forma explícita, usando o termo MLOps ou citando ferramentas específicas dessa etapa.

Se você já colocou um modelo em produção, monitorou degradação de performance ao longo do tempo ou versionou experimentos com MLflow, escreva isso separadamente da etapa de treinamento. São competências distintas, e a vaga costuma pedir as duas.

Teste A/B é experimentação, não é a mesma coisa que treinar modelo

Empresas de produto digital frequentemente pedem experiência com experimentação, porque é a forma padrão de provar que um modelo ou uma mudança realmente melhora um resultado, e não apenas parece melhorar em teste isolado.

Se você já desenhou a métrica de sucesso de um teste A/B, definiu o tamanho de amostra necessário ou interpretou o resultado de um experimento em produção, cite isso como competência separada de modelagem. É um sinal valorizado em vaga de cientista de dados sênior.

O que fazer agora com o seu currículo de cientista de dados

Se o seu currículo lista publicações e formação sem nomear algoritmo, biblioteca e resultado de negócio, ele está competindo contra currículos mais curtos e mais bem traduzidos para o vocabulário que a vaga usa. Formação forte não compensa vocabulário errado na triagem automática.

Rode a análise gratuita em /ats com a vaga colada para ver quais termos técnicos estão faltando no seu texto atual. Se o score vier baixo, a otimização completa custa R$ 7,80 via PIX em /checkout. Se a vaga que você busca é mais voltada a colocar modelo em produção do que a treiná-lo, o guia certo é o de currículo de engenheiro de machine learning.

Perguntas frequentes