Cientista de dados na Braze: veja o que faz e como trabalha

Na Braze, nosso time de cientistas de dados não constrói apenas modelos isolados. Trabalhamos lado a lado com marcas globais para ajudar a evoluir da comunicação genérica com os clientes para uma experiência verdadeiramente personalizada e escalável em inúmeros setores.

Especialmente quando consideramos a gama de setores em que a ciência de dados atua, esse alcance que proporcionamos torna-se ainda mais importante. Conforme dados do Data Science Jobs, por exemplo, os setores com mais demanda por profissionais da área são:

• serviços financeiros e fintechs;
• saúde e biotecnologia;
• tecnologia e softwares;
• varejo e e-commerce;
• indústria e manufatura avançada;
• logística e supply chain;
• marketing e growth analytics.

Todos esses setores, na Braze, são vistos como indispensáveis. E se você, especialista em dados, deseja fazer a diferença no cenário das empresas, estamos ansiosos para te conhecer!

No conteúdo de hoje, vamos explorar o uso do aprendizado por reforço (RL) na busca de resultados, quais resultados esperamos de um cientista de dados na nossa equipe e por que nossa cultura “de código aberto” é parte do impacto real no mundo.

Boa leitura!

O que é preciso para começar uma carreira em ciência de dados na Braze?

Começar uma carreira na ciência de dados exige desenvolver uma combinação de fundamentos analíticos, habilidades técnicas, entendimento de negócios e, claro, prática aplicada. Nos últimos anos, o caminho ficou mais multidisciplinar: não basta apenas o conhecimento teórico. Você deve ser capaz de transformar dados em decisões estratégicas.

Se você sonha alto e quer saber o que é preciso para começar uma carreira em ciência de dados na Braze, veja nosso checklist abaixo.

Objetivos

Gerar impacto positivo e incremental, como maior valor de tempo de vida do cliente (CLV) ou maiores lucros de um caso.

Tecnologia

Machine learning (aprendizado de máquina) com foco em aprendizado por reforço.

Ferramentas

Python, SQL, Spark.

Funções

Pipelines de dados, design de recursos, pensamento experimental e casual, ajuste de modelos, monitoramento e comunicação objetiva. Como um cientista de dados de implementação avançada na Braze, você será parte engenheiro de machine learning, parte consultor estratégico.

Times

Somos distribuídos globalmente, falantes da língua inglesa. Compartilhamos conhecimentos e suporte entre os membros durante toda a jornada em busca de resultados.

Impactos

RL permite que as marcas movam de regras manuais e testes A/B estáticos para sistemas que aprendem com comportamentos reais do usuário, alinhados aos objetivos do negócio. Nós trabalhamos com vários países, indústrias (varejo, finanças, alimentos, energia e mais) e estágios do ciclo de vida (aquisição, nutrição, upsell, cross-sell e reconquista).

Repare que a lista do que é preciso para começar uma carreira em ciência de dados na Braze não foca apenas os aspectos técnicos. Você precisa oferecer colaboração, empatia e, principalmente, impacto real.

Como o aprendizado por reforço é aplicado?

O aprendizado por reforço funciona por meio de:

• ações: as “alavancas” de resultado (templates criativos, canais ou descontos);
• contextos: o que sabemos do usuário até então (comportamentos, preferências, estágio do ciclo de vida);
• recompensas: o objetivo, seja aumentar o valor do tempo de vida, uma compra, aumento na receita ou valor gerado ao final do processo (ROI);
• restrições: os limites, como “recomende ofertas mais agressivas para clientes com maior taxa de churn rate”).

Muitos times de marketing têm diversas ideias para testar e tempo muito limitado para explorá-las. Além disso, as equipes estão sobrecarregadas com escolhas como o que mandar para análise, quando e quem deve recebê-las. Historicamente, as companhias usam testes A/B estáticos para encontrar uma resposta.

A questão é que essa medida oferece apenas um vislumbre do resultado ao longo do tempo e exige trabalho intensivo para obter desempenho real. E é nesse ponto que usamos o aprendizado por reforço para construir sistemas que ajudam times a mudar de testes estáticos para plataformas que aprendem com interações e se adaptam continuamente.

Nós equilibramos o RL com o que é importante para a empresa a longo termo antes de definir como o aprendizado por reforço é aplicado na prática. Ou seja, o objetivo pode ser conversão, compras ou engajamento do usuário. O sistema aprende ao longo do tempo e se adapta enquanto usuários e mercado mudam.

Como é a jornada de um cientista de dados?

Ser um cientista “em campo” significa que você não detém apenas um conjunto de dados, mas que ajuda a construir uma planta do projeto. Como data scientist, você se reúne com o gestor de engajamento e de sucesso de IA (inteligência artificial) para observar a timeline e seus envolvidos. Assim, você pode focar os problemas do negócio e a solução de aprendizado de máquina.

Você pode entender como é a jornada de um cientista de dados na prática em 3 fases:

1. Design;
2. Implementação;
3. Iteração.

Veja os detalhes.

Design

O primeiro passo é aprender os objetivos do cliente e sua configuração inicial. Para tanto, elaboramos sessões com os times de marketing, Analytics e engenharia para entender:

• o que o cliente vende e o que ele almeja aumentar;
• como é a jornada do cliente atualmente;
• quais dados existem e quão confiáveis são.

Também definimos métricas para a mensuração, ou seja, o que é sucesso, como identificá-lo e quais os indicadores principais.

Você não está sozinho aqui! Nós compartilhamos nossos modelos de caso com todos do time de ciência de dados da Braze em fóruns abertos e sessões de troca de conhecimentos. Também temos documentações e passo a passo de exemplos para consulta a qualquer momento.

Sempre nos perguntamos: “esse cenário parece algum caso que já resolvemos antes?” e “o que funcionou e o que não deu certo?”. Esse pensamento nos permite reutilizar padrões, evitar gargalos e escolher as configurações iniciais mais inteligentes. Tudo porque o time é acessível e colaborativo e, portanto, fácil de trocar com um colega que já resolveu um caso similar em outra situação.

Implementação

A criação do modelo é viva. O cientista de dados avançado transforma objetivos de negócio em dados, benefícios e modelos de configuração. Essa fase exige pensamento estatístico. Nós analisamos sinais, separamos ruídos e alinhamos o modelo comportamental com as regras da empresa para que o sistema seja seguro e útil.

Em outras palavras, saber como é a jornada de um cientista de dados envolve 2 pilares:

• trabalho: você ajudará a adicionar dados de clientes à plataforma, além de elaborar e validar características, definir recompensas e atribuir janelas. Também precisa configurar o sistema de aprendizado de máquina para o caso atual e rodar análises para garantir funcionamento conforme o esperado;
• energia: seja muito colaborativo! Sempre pedimos para os times da Braze implementarem dicas e compartilharem códigos e checklists. Nós nos reunimos com o time de produtos para revisar as características, sinais de atenção e mapeamento detalhado quando precisamos de uma configuração personalizada.

Se precisamos de ajuda com o fluxo de dados, falamos com um engenheiro interno. A norma é o suporte constante. Qualquer membro da Braze pode pedir ajuda, e todos estão dispostos a atender.

Iteração

Após o lançamento, o sistema aprende com as interações dos usuários reais; é aqui que o primeiro impacto (e a diversão!) começa e quanto a iteração realmente importa. Temos 4 princípios nessa fase.

Melhoria contínua

Usamos design experimental para provar nosso impacto. Você revisará performance e preferências de modelo, rodará experimentos e interpretará os resultados para alinhar configurações, ajustar características, recompensar definições, atribuir janelas e propor otimizações.

Colaboração ininterrupta

Fazemos parceria com as equipes de produto, engenharia e outros cientistas de dados para entender profundamente os detalhes da demanda. Realizamos sessões de resolução de problemas para eliminar erros, discutimos anomalias e planejamos os próximos testes.

A cobertura global significa que alguém sempre está disponível para revisar as questões o mais rápido possível. Assim, mantemos o looping de aprendizado curto e ficamos mais fortes e estáveis.

Entrega contínua

Nós não vamos simplesmente implementar e rodar o sistema e declarar que o projeto está pronto. Trabalhamos constantemente nos bastidores para auxiliar nossos clientes no crescimento ao longo do tempo por meio de intervenção proativa e parceria forte.

Atualizamos nossos designs de casos de uso conforme as necessidades e prioridades do cliente, que podem ser desde templates inovadores até reconstrução total da questão. Na prática, agimos como uma extensão estratégica do marketing dos clientes.

Viu só? Na Braze, mais do que ajudar marcas, você aprende continuamente e evolui o seu desempenho profissional na prática, com acompanhamento contínuo de especialistas no assunto.

Ainda se pergunta por que trabalhar como cientista de dados na Braze é o que falta para sua ascensão profissional? Veja a seguir.

Por que trabalhar como cientista de dados na Braze?

Somos um time global unido. Nós nos reunimos semanalmente para compartilhar casos em que trabalhamos, o que funciona ou não e quais padrões valem a pena reutilizar. Também promovemos sessões de resolução de problemas em casos atuais para auxiliar em questões semelhantes e evoluir constantemente.

Confira os principais motivos que te farão gostar da equipe.

Pouco ego, muito impacto

Os times estão sempre dispostos a se ajudar, sejam de data science, produto, engenharia ou experiência do cliente. É normal enviar uma mensagem para alguém para pedir um contexto ou revisão rápida do caso.

O conhecimento está disponível por padrão: documentos, manuais, exemplos e dashboards são fáceis de encontrar e as pessoas são sempre acessíveis.

Cérebro global

Com times ao redor do mundo todo, você sempre encontra alguém para te ajudar em algum problema.

Aliás, a Braze tem uma cultura organizacional premiada: de grupos de afinidade e clubes de empregados a eventos sociais e oportunidades de voluntariado, você sempre terá um local certo para prosperar.

Ou seja, a resposta mais curta para por que trabalhar na Braze como cientistas de dados é: porque nossos esforços não se limitam ao cliente. Você, como parte do time, é parte do nosso crescimento.

Por este motivo, desde o primeiro momento, nosso foco é te ajudar a compreender quais habilidades técnicas e comportamentais um cientista de dados precisa ter. Assim, você evolui de forma contínua e significativa para se tornar um profissional cada vez melhor.

Quais habilidades técnicas e comportamentais um cientista de dados precisa ter?

As principais habilidades para um bom profissional são:

• programação e manipulação de dados;
• pensamento analítico;
• estatística e matemática aplicada;
• comunicação;
• análise e visualização de dados;
• curiosidade e aprendizado contínuo;
• machine learning e IA;
• entendimento de negócio;
• engenharia de dados e computação em nuvem;
• colaboração interdisciplinar.

Os melhores profissionais de data science são as pessoas que amam os “comos” e “porquês”, tanto quanto os “o ques”. Em outras palavras, um bom cientista de dados é aquele que cumpre com os seguintes requisitos:

• lado técnico: você está confortável em construir e refinar pipelines de dados com parceiros, desenhar características que refletem o comportamento, aplicar pensamento experimental e causal e alinhar modelos;
• lado humano: você gosta de aprender sobre clientes e suas métricas de sucesso, bem como de traduzi-las em modelos prontos para implementar, propor situações de uso mensuráveis e escaláveis e compartilhar insights que ajudam os times de marketing a agir.

Na Braze, os cientistas de dados conectam machine learning a resultados reais. Se você quer embarcar na jornada do aprendizado por reforço de modelos que impactam milhões de usuários, ajudam clientes a partir de uma lógica fixa para sistemas de aprendizado, e deseja fazê-lo com um time global apaixonado e com pessoas que vão te ajudar, nós adoraremos te conhecer!

Na Braze, mais do que valorizar seus esforços, nós oferecemos recursos e tecnologias para te ajudar a evoluir constantemente. Aqui, pessoas não são ferramentas: são parte fundamental da transformação tecnológica que impulsiona empresas para um futuro cada vez mais brilhante.

Quer fazer parte do time Braze? Conheça nossas vagas e saiba como trabalhar conosco!