Dois DADOS de Prosa! | Two Data Questions! - Anderson Cordeiro - #05

[English translation below!]

Dois DADOS de Prosa! Toda semana, entro em contato com profissionais da área de Dados para entender um pouco mais sobre o nosso mercado. Dessa vez, mandei duas perguntas para o Anderson Cordeiro , especialista em Ciência de Dados na Globo . Por lá, ele atua no Gato Mestre , um produto que envolve dados e futebol - e que talvez seja familiar para quem joga o Cartola, popular jogo online entre boleiros e boleiras deste país (ou para quem assistia o Globo Esporte em 2002 rs). Acompanhe!

F: Como tem sido sua experiência ao trabalhar numa empresa que é t?o antiga e tradicional, mas que ao mesmo tem tido um foco enorme no digital? Ainda mais estando em um produto t?o específico como o Gato Mestre.

A: Todos nós já fomos, de alguma maneira, impactados ao longo dos anos pelas inova??es da Globo. Seja por formatos, linguagens, produtos... Internamente, e com uma dose de observa??o muito pessoal, o que eu vejo é um ambiente que incentiva a busca pela inova??o, sem abrir m?o da responsabilidade que é conseguir comunicar com milh?es de pessoas todos os dias. Possuímos um ambiente de muita troca, pesquisa científica e inova??o, o que favorece com que estejamos sempre próximos ao estado da arte nas nossas entregas.

No Gato Mestre, temos a possibilidade de utilizar esse ambiente para lidarmos com um propósito que está muito alinhado ao momento que vivemos e a uma necessidade social, que é o letramento de dados. Por meio do futebol, tentamos aproximar cada vez mais o público do consumo de dados esportivos, oferecendo explica??es, ilustra??es e um conteúdo que é um misto de machine learning, rankings e jornalismo. Acho importante e muito enriquecedor poder dialogar com diferentes áreas, e nosso produto me permite isso. Além disso, lidar com a paix?o de milh?es de brasileiros é de fato empolgante.

F: Volte e meia esbarramos em algum código ou algoritmo que sabemos que vai demorar para rodar e calcular tudo. Quais suas estratégias para esses casos? Alguma library que você goste de usar?

A: Creio que essa pergunta tenha muitas ramifica??es em sua resposta, e todas elas passam obrigatoriamente pelo conhecimento do problema. O primeiro ponto que destaco é puramente técnico: entender qual é o gargalo. S?o os dados? é alguma limita??o computacional? é o n?o-conhecimento de um algoritmo que acarretou em uma parametriza??o equivocada? O código está otimizado? Precisaríamos mesmo de um código? Precisa ser esse? Precisa ser python?

Enfim, podemos levantar uma série de questionamentos mas o ponto maior da discuss?o que levanto é: n?o devemos nos prender ao que conhecemos; e devemos, o tempo todo, questionar se aquela é a melhor maneira. A partir daí, do conhecimento das limita??es e de solu??es já conhecidas, as a??es a serem tomadas ficam muito mais claras.

Um outro ponto, e que talvez seja o mais importante, está associado à entrega de valor: ao fim do ciclo de aprendizado, o resultado valerá o esfor?o empregado? Estamos falando de um ganho profundo e real dentro da organiza??o? A quest?o do tempo foi analisada com o devido cuidado frente ao custo? O ganho (seja ele de informa??o ou resultado) valerá a pena? Dentre todos os questionamentos que eu deixo nessa resposta, esse deveria servir como um mantra. Abuse das pesquisas científicas. Ciência de Dados é ciência pois pressup?em-se conhecimento evolutivo e metodologia. Fa?amos ciência, sempre!

Dois DADOS de Prosa! é um quadro periódico no qual envio duas perguntinhas para profissionais da área de Dados. #DoisDADOSdeProsa

Confira as edi??es anteriores:

#01 - Gustavo Ferreira - Microsoft

#02 - Vanessa Loiacono - BI na Prática

#03 - Marcella Galeotti - MasterClass & Mulheres em Dados:

#04 - Bruno Trentini - NVIDIA

Obrigado pela leitura e considere me seguir para n?o perder as próximas edi??es!

//

Two data questions! Every week, I reach a different Data professional to have a better understanding of our market. This time, I asked two questions to Anderson Cordeiro , Data Science Specialist at Globo - Brazil's most traditional and prominent media corporation. There, he works with Gato Mestre , a product related to data and football, and very close to Cartola, which is probably the country's most popular fantasy sports game.

F: What your experience of working at Globo has been like? It's such a traditional company that's also been focusing a lot on tech, and you're working in such a specific product as Gato Mestre.

A: In Brazil, all of us have been affected somehow by Globo's innovations. Be it formats, languages, products... Looking from the inside, and with a dose of a very personal point of view, what I see is an environment that stimulates the search for innovation, without abandoning the responsibility?that is to communicate to millions of people on a daily basis. We have an environment with lots of exchange, scientific?research and innovation, which is something that favors us being always close to the state of art in our deliveries.

At Gato Mestre, we have the possibility of using this environment to deal with a purpose that is very aligned?to the moment we are living and to a social need, which is data literacy. Through football, we try to bring the public closer to the consumption of sports data by offering explanations, illustrations and a content that's a mix of machine learning, rankings and journalism. I find it very important and rewarding being able to dialogue with those different fields, and our product allow me to do that. Besides that, working with the subject of the passion of millions of Brazilians is indeed exciting.

F: Very often we'll bump into bits of code or algorithms we know that will take a long time to be executed and calculate everything. What's you approach to those cases? Is there any library that you like to?use?

A: I believe that this is a question with an answer that has many ramifications, and all of them involve having knowledge of the problem. The first matter that I point is purely technical: understanding what is the bottleneck. Is it the data itself? Is it some computational limitation??It is the lack of knowledge of an algorithm that resulted in an erroneous parameterization? Is the code optimized? Do we really need a code? Does it need to be this one? Does it need to be Python?

We could raise a series of questions, but the main topic of discussion that I raise is: we don't need to be attached only?to what we know; and we need, all the time, to ask ourselves if that's the best way of doing it. From that point, from the acknowledgement of the limitations and of the already known solutions, the actions to be made become much more clear.

Another point, and this might be the most important one, is associated with delivering value: at the end of the learning cycle, will the outcome justify the effort expended? Are we talking about a deep and tangible gain for the company? Was the issue of time analyzed with due care in relation to cost? Will the gain (be it information or results) be worth it? From all the questions I make in this answer, this one should serve as a mantra.?Make use of scientific research. Data Science is science because it presupposes evolutionary knowledge and methodology. Let's do science, always!

Two Data Questions! is a series of posts in which I send two questions [duh] to Data professionals. #TwoDataQuestions

Check out the previous editions:

#01 - Gustavo Ferreira - Microsoft

#02 - Vanessa Loiacono - BI na Prática

#03 - Marcella Galeotti - MasterClass & Mulheres em Dados:

#04 - Bruno Trentini - NVIDIA

Thanks for reading and kindly consider following me to read the next posts too!