Cientista de dados: perguntas de entrevista
Entrevistas de ciência de dados passam por estatística, um teste de código ou SQL, uma conversa sobre machine learning e um estudo de caso sobre como enquadrar um problema de negócio. As equipes querem rigor e o bom senso de saber quando uma resposta simples é melhor do que uma sofisticada.
O que os entrevistadores avaliam
Raciocínio estatístico, desenho de experimentos, fluência em SQL e código, julgamento na modelagem e a capacidade de transformar uma pergunta de negócio vaga em algo mensurável.
Perguntas comportamentais
Me conte sobre uma análise que mudou uma decisão. Como você fez ela ser aceita?
O que eles realmente avaliam: Impacto e comunicação importam tanto quanto o modelo. Um insight que ninguém usa não vale nada.
Descreva uma vez em que sua primeira hipótese estava errada. O que os dados mostraram?
O que eles realmente avaliam: Honestidade intelectual e seguir as evidências são a base do trabalho.
Como você explica as limitações de um modelo para uma pessoa que não é da área técnica?
O que eles realmente avaliam: Prometer demais destrói a confiança. Eles querem alguém que saiba comunicar incerteza.
Perguntas específicas do cargo
Como você desenharia um teste A/B para esta funcionalidade, e como saberia se funcionou?
Por que perguntam: Desenho de experimentos, poder estatístico e armadilhas como espiar os resultados antes da hora são o feijão com arroz aqui.
Explique o trade-off entre viés e variância com um exemplo do seu trabalho.
Por que perguntam: Um fundamento que mostra se a sua intuição de modelagem é real ou decorada.
Escreva uma consulta SQL que encontre o segundo maior valor de cada grupo.
Por que perguntam: Testes de SQL eliminam candidatos rápido. Espera-se fluência com window functions e joins.
Como você lida com classes desbalanceadas ou dados faltantes em um modelo?
Por que perguntam: Problemas práticos com dados separam quem coloca modelos em produção de quem só estuda.
Uma métrica caiu 15% de um dia para o outro. Como você investiga?
Por que perguntam: Um caso de diagnóstico que testa pensamento estruturado e conhecimento de variáveis de confusão.
Quando você escolheria um modelo simples em vez de um complexo?
Por que perguntam: Bom senso sobre interpretabilidade, manutenção e ganhos marginais mostra senioridade.
Como se preparar
- Treine window functions, joins e agregações em SQL até que saiam no automático, mesmo com pressa.
- Revise testes de hipótese, p-valores, intervalos de confiança e as armadilhas mais comuns de testes A/B.
- Prepare a história de um projeto no formato problema de negócio → abordagem → impacto mensurável.
- Esteja pronto para raciocinar sobre métricas: como você definiria sucesso e como perceberia uma métrica quebrada.
- Pratique explicar um modelo em linguagem simples para uma pessoa cética e sem formação técnica.
Perguntas frequentes
Quanto de código e quanto de estatística devo esperar?
A maioria dos processos tem um teste de SQL ou Python e pelo menos uma etapa de estatística ou desenho de experimentos, além de um estudo de caso. O foco é mais analítico do que engenharia de software pura.
Preciso de teoria profunda de machine learning?
Você deve entender os algoritmos principais, as métricas de avaliação e os trade-offs bem o bastante para justificar suas escolhas. Muitas vagas valorizam mais uma estatística sólida e visão de produto do que ML de ponta.
O que o estudo de caso testa de verdade?
Se você consegue transformar uma pergunta de negócio aberta em um problema mensurável, escolher o método certo e comunicar o que a resposta significa para uma decisão.
Preparar-se combina com adaptar o currículo: Como adaptar seu currículo a uma vaga.
Treine com perguntas baseadas no seu currículo real e na vaga, grátis