17 perguntas · Ciência de dados

Perguntas de entrevista para Cientista de dados

Perguntas práticas para contratar cientistas de dados: estatística, modelagem, avaliação e experimentação, além do julgamento para saber quando um modelo ajuda o negócio e quando só impressiona. Para encontrar um cientista, não um competidor de Kaggle.

Teste grátis 14 dias Ver todos os cargos

A parte mais difícil de contratar um cientista de dados é que a habilidade vistosa, treinar modelos, raramente é o gargalo do trabalho. O gargalo é o julgamento: transformar um problema de negócio nebuloso numa pergunta mensurável, escolher uma métrica de avaliação que reflita o que o negócio realmente quer, saber quando um modelo simples ganha de um complexo e perceber quando um resultado é bom demais para ser verdade. Muita gente recita o trade-off entre viés e variância, mas não sabe explicar por que o score da validação cruzada não sobreviveu à produção.

As perguntas abaixo estão agrupadas para testar os fundamentos (estatística, modelagem, avaliação) e depois o raciocínio aplicado que separa um cientista de um operador de notebook. Aperte na avaliação: pergunte por que acurácia engana em dados desbalanceados, o que precisão e recall significam numa decisão de negócio específica e como a pessoa detectaria vazamento de dados. Aperte igualmente na experimentação, porque a maior parte do impacto real vem de testes A/B bem conduzidos, não de arquiteturas exóticas.

Reserve peso de verdade para a comunicação. Um cientista de dados que não consegue explicar um resultado para um gerente de produto cético vai ver o próprio trabalho ignorado, por melhor que seja o modelo. Valorize quem faz perguntas antes de responder, usa o método mais simples que funciona e fala em resultado de negócio, não em posição no ranking.

Estatística e experimentação5 perguntas

Explique um p-valor em linguagem simples para um stakeholder não técnico.
O que observar: A chance de ver um resultado tão extremo se não houvesse efeito, sem confundir com "probabilidade de a hipótese ser verdadeira".
Qual a diferença entre correlação e causalidade, e como você estabeleceria causalidade?
O que observar: Variáveis de confusão e experimentos randomizados como padrão, com métodos quase experimentais quando não dá para testar.
Como você desenharia um teste A/B para medir se uma nova funcionalidade aumenta a retenção?
O que observar: Hipótese, métrica principal e de proteção, unidade de randomização, tamanho de amostra e duração definidos antes de começar.
O que é poder estatístico e como você define o tamanho da amostra antes de rodar um experimento?
O que observar: Chance de detectar um efeito que existe, e o cálculo a partir do menor efeito relevante, da variância e do nível de significância.
O seu teste A/B mostra resultado significativo depois de dois dias. Você lança? Por quê?
O que observar: Não, por causa do problema de espiar resultados, do efeito novidade e de ciclos semanais; respeitar a duração planejada.

Modelagem e avaliação5 perguntas

Por que acurácia pode ser uma métrica enganosa, e quando você usaria precisão, recall ou AUC?
O que observar: Classes desbalanceadas e a escolha da métrica guiada pelo custo de falso positivo versus falso negativo no negócio.
Explique o trade-off entre viés e variância com um exemplo concreto de overfitting.
O que observar: Modelo simples demais versus decorando ruído, e como validação cruzada e regularização ajudam a encontrar o equilíbrio.
O que é vazamento de dados (data leakage) e como você já o pegou num projeto real?
O que observar: Informação do futuro ou do alvo entrando no treino, e uma história real, de preferência com resultado bom demais para ser verdade.
Como você decide quais features criar e como evita criar features que vazam o alvo?
O que observar: Conhecimento do domínio, checar se a informação estaria disponível no momento da previsão e divisão temporal dos dados.
Quando você escolheria uma regressão logística simples em vez de gradient boosting ou de uma rede neural?
O que observar: Interpretabilidade, poucos dados, necessidade de explicar a decisão ou ganho marginal que não compensa a complexidade.

Raciocínio aplicado e comunicação7 perguntas

Um gerente de produto pede para "usar IA para melhorar o churn". Como você transforma isso num problema mensurável?
O que observar: Definir churn, a decisão que o modelo apoia, quem age com a previsão e como medir o impacto da ação, não só a precisão.
O seu modelo vai bem offline e pior em produção. Explique como você investiga.
O que observar: Vazamento no treino, diferença entre os dados de treino e de produção, drift e bugs no pipeline de features.
Como você explicaria a um executivo cético por que o seu modelo merece confiança?
O que observar: Resultado em termos de negócio, comparação com o processo atual, limitações honestas e um plano de monitoramento.
Conte sobre uma análise em que os dados levaram a uma conclusão que o time não queria ouvir.
O que observar: Rigor para checar o próprio resultado e coragem de apresentá-lo com tato.
Como você decide quando um modelo está bom o suficiente para ir para produção e quando precisa de mais trabalho?
O que observar: Comparação com uma linha de base, um limiar de valor de negócio definido antes e custo de continuar melhorando.
Um stakeholder quer um único número de acurácia para um modelo de fraude. Por que isso pode ser a coisa errada a entregar?
O que observar: Fraude é rara, então acurácia engana; melhor mostrar precisão e recall em diferentes limiares e o custo de cada erro.
Descreva um projeto em que a solução mais simples acabou sendo a certa.
O que observar: Humildade técnica e foco no resultado, com um exemplo em que uma regra, uma consulta ou um modelo simples resolveu.

Dicas para a entrevista de Cientista de dados

Dê muito peso a avaliação e escolha de métrica. Isso prevê o julgamento no trabalho melhor do que perguntas sobre modelos.
Peça para a pessoa enquadrar um problema de negócio vago. Bons candidatos esclarecem antes de modelar.
Procure consciência de vazamento de dados em qualquer resposta de modelagem.
Valorize quem usa o método mais simples que resolve o problema.
Inclua uma pergunta do tipo "explique isto para um stakeholder não técnico" para testar comunicação.

FAQ

Perguntas frequentes

Qual a diferença entre cientista de dados e analista de dados?

O analista responde perguntas de negócio definidas com os dados existentes. O cientista de dados constrói modelos, desenha experimentos e ataca problemas abertos com estatística e machine learning. A sobreposição é real, mas o cientista vai mais fundo em modelagem e inferência.

Vale aplicar um desafio de modelagem para fazer em casa?

Um desafio curto e bem delimitado, ou uma discussão de caso ao vivo, é um bom preditor. Evite projetos abertos de vários dias, que punem candidatos ocupados e premiam tempo disponível, não habilidade.

Quanto peso dar a Kaggle ou a competições?

Algum, mas não muito. Competições premiam espremer acurácia no ranking; o trabalho premia enquadrar problemas, conduzir experimentos limpos e comunicar resultados. Teste essas coisas diretamente.

Preciso de um entrevistador com doutorado para avaliar candidatos?

Não. Foque em perguntas de julgamento que um profissional sênior consiga avaliar: escolha de métrica, desenho de experimento e como a pessoa explica resultados. Chame um especialista só para vagas de modelagem muito profunda.

Como triar cientistas de dados antes da entrevista?

Use um teste curto de estatística e avaliação, mais uma pergunta de enquadramento, para filtrar antes de investir tempo de entrevista. Na Hireaan, os testes de habilidades, as perguntas de triagem e o ranking com IA ajudam a entrevistar só quem raciocina sobre métricas e experimentos, não só quem treina modelos.

Mais bancos de perguntas de entrevista

Abriu a vaga de Cientista de dados? Rode o processo na Hireaan.

A IA ranqueia os candidatos, você agenda as entrevistas, aplica testes de habilidades e envia a proposta, com um preço fixo para o time inteiro.

Teste grátis 14 dias Ver planos

14 dias grátis
Sem cartão de crédito
Cancele quando quiser
Conforme a LGPD