Luiza — Cientista de Dados no Itaú

Neste episódio do Fale com o Estagiário, a Luiza, cientista de dados júnior no Itaú, conta como entrou na área de dados enquanto estudava relações internacionais e depois migrou para economia.

A conversa passa por processo seletivo, estágio em crédito, diferença entre analista, cientista de dados e engenheiro de machine learning, rotina com políticas de crédito e o jeito que ela usa flashcards para estudar conteúdos técnicos.

O que você vai ver neste episódio

• Como a Luiza entrou na área de dados vindo de relações internacionais e economia
• O processo seletivo do Itaú, com indicação, case de análise de dados e entrevista com gestor
• A transição de estagiária e analista para cientista de dados júnior
• Diferenças entre analista de dados, cientista de dados, engenheiro de dados e engenheiro de machine learning
• Rotina na área de crédito, automações com Python, AWS, SQL, dashboards, agentes e LLMs
• Como estudar ciência de dados com prática, teoria e flashcards

De humanas para dados

A Luiza começou a faculdade em relações internacionais, atraída por línguas, comércio exterior e pela parte mais humana do curso. Ao mesmo tempo, queria entrar no mercado de trabalho rapidamente e viu na área de dados uma forma de juntar tecnologia, análise de negócio e uma carreira com mais flexibilidade.

Durante esse caminho, decidiu migrar para economia na UNIFESP. Para ela, economia mantinha a conexão com ciências sociais, mas trazia mais cálculo, estatística e aplicação prática de dados — uma base que fazia mais sentido para quem já mirava ciência de dados.

Como foi o processo seletivo do Itaú

O processo da Luiza foi pouco convencional. A oportunidade apareceu por meio de um contato do Twitter, que compartilhou uma vaga em um grupo de estágios. Antes de chegar à entrevista, ela fez um case de análise de dados com Python, Pandas, Excel e um relatório em PDF.

A primeira tentativa não virou vaga, mas o case ficou na memória de quem avaliou. Meses depois, quando outra oportunidade abriu em um time próximo, o material dela foi lembrado e ela acabou fazendo uma entrevista com gestor e um case de lógica voltado a negócio.

A experiência mostra um ponto importante para quem busca estágio em dados: para posições de entrada, empresas muitas vezes avaliam raciocínio, comunicação, jogo de cintura e capacidade de estruturar uma análise, não apenas uma lista enorme de projetos técnicos.

Do estágio em crédito para ciência de dados

A Luiza entrou como estagiária em crédito, em uma função muito próxima de análise de dados. No dia a dia, trabalhava com SQL, Python, AWS, ETL, dashboards e análises voltadas a políticas de crédito.

Depois de efetivada como analista, passou por um processo interno do Itaú para migrar para ciência de dados. Segundo ela, esse processo envolve prova teórica, prova prática e uma sabatina técnica com cientistas de dados, cobrando temas como estatística, cálculo, modelagem e fundamentos da área.

Como ainda não tinha visto boa parte desse conteúdo na faculdade, estudou muito por fora, usando materiais de ciência de dados, livros e orientação de mentorias internas no banco.

O que muda entre analista, cientista e engenheiro de dados

Na visão da Luiza, em times de negócio os papéis de analista e cientista de dados podem se aproximar bastante, porque todos estão tentando resolver dores reais do negócio. A diferença aparece principalmente no ferramental e na profundidade técnica: cientistas tendem a ir mais fundo em modelagem, estatística, experimentação, automações e, cada vez mais, LLMs.

Engenheiros de dados aparecem como a base do trabalho: são as pessoas que cuidam das bases, pipelines, disponibilidade e problemas de infraestrutura que sustentam as análises. Já engenheiros de machine learning ficam mais próximos do deploy, produção e manutenção de modelos, exigindo uma mistura maior de ciência de dados com engenharia de software.

Rotina em crédito, LLMs e automação

Na área de crédito, a Luiza trabalha com produtos ligados ao cartão e com análises sobre elegibilidade, comportamento e políticas de crédito. É um tipo de trabalho em que uma mudança de público ou regra pode aparecer diretamente em indicadores financeiros e no acesso de clientes reais a determinados produtos.

Atualmente, ela tem focado bastante em LLMs, agentes e automação de fluxos. A ideia é transformar tarefas operacionais — consultas recorrentes, relatórios, gráficos, apresentações e análises diárias — em processos automatizados com Python, LangGraph, LangChain e ferramentas de IA.

Um ponto forte da conversa é a preocupação em fazer agentes não apenas reportarem números, mas ajudarem a formular hipóteses, testar cenários e raciocinar de forma parecida com um analista.

Como estudar ciência de dados

Para quem está começando, a Luiza recomenda prática: escrever SQL, fazer queries, treinar Python e resolver problemas sem depender de IA para tudo. No começo, decorar função ajuda pouco se a pessoa não entende como aplicar no trabalho real.

Para temas mais teóricos — cálculo, estatística, modelagem, testes e fundamentos de machine learning — ela usa flashcards e revisão espaçada. O método ajuda a manter conceitos na memória de longo prazo, especialmente quando o conteúdo técnico precisa ser lembrado em provas, entrevistas, certificações ou sabatinas internas.

Ela também usa flashcards para estudar certificações de AWS e comparar serviços, casos de uso e conceitos de generative AI. É uma forma de transformar teoria pesada em revisão diária e contínua.

Perguntas frequentes