Profissões em alta para 2020 segundo LinkedIn

As 15 profissões mais promissoras de 2020, segundo o LINKEDIN

A rede social listou 15 profissionais com mais oportunidades no mercado de trabalho

No começo do mês de janeiro, o LinkedIn listou as 15 profissões emergentes de 2020, nove delas ligados à Tecnologia da Informação e da Comunicação. O resultado dessa lista baseia-se em dados de perfis públicos de usuários que tenham ocupado um ou mais cargos nos últimos cinco anos no Brasil.

Para concretizar o relatório, a rede social relacionou as profissões com mais movimentação e, então, realizou um cálculo de crescimento, que levou em consideração o número de contratações a aumento da taxa de procura. Gestor de mídias sociais aparece como o cargo mais crescente no mercado, com um aumento anual de 122% em média, considerando os anos entre 2015 e 2019. O site atenta para a profissão de motorista em 10º lugar, cujo aumento está relacionado à popularização de aplicativos.

Confira a lista a seguir:

1. Gestor de mídias sociais, crescimento médio anual de 122%;

2. Engenheiro de cibersegurança, crescimento médio anual de 115%;

3. Representante de vendas, crescimento médio anual de 109%;

4. Especialista em sucesso do cliente, crescimento médio anual de 79%;

5. Cientista de dados, crescimento médio anual de 78%;

6. Engenheiro de dados, crescimento médio anual de 75%;

7. Especialista em Inteligência Artificial, crescimento médio anual de 73%;

8. Desenvolvedor em JavaScript, crescimento médio anual de 72%;

9. Investidor Day Trader, crescimento médio anual de 69%;

10. Motorista, crescimento médio anual de 68%;

11. Consultor de investimentos, crescimento médio anual de 61%;

12. Assistente de mídias sociais, crescimento médio anual de 60%;

13. Desenvolvedor de plataforma Salesforce, crescimento médio anual de 58%;

14. Recrutador especialista em Tecnologia da Informação, crescimento médio anual de 56%;

15. Coach de metodologia Agile, crescimento médio anual de 53%.

Fonte: LinkedIn / IT4CIO

10 motivos para aprender a programar no século 21

Aprender a programar é se alfabetizar. Depois de ver esses motivos, você não vai mais querer ficar de fora disso

Não há como negar que a tecnologia agora domina uma enorme quantidade de indústrias diferentes. Ser analfabeto no computador simplesmente o cortará no mundo do trabalho em algum tempo. Aprender a codificar é a palavra de ordem no momento.

1. A codificação pode levar a trabalhos de desenvolvimento de software

A codificação é a habilidade fundamental para trabalhos com desenvolvimento de software. Atualmente há uma escassez de desenvolvedores de software em todo o mundo, então aprender a codificar pode ser um caminho fácil para um campo aberto de trabalho. No entanto, essa não é a única maneira pela qual a codificação pode abrir oportunidades de emprego.

2. Abre diversas outras oportunidades de emprego

Para startups menores, contratar alguém apenas para cuidar de programação e web design pode não ser a opção economicamente mais viável. Ter a codificação como uma vantagem para o seu arco de atividades pode ser a chave para encontrar empregos relacionados ao campo, como criação de conteúdo, marketing, relações públicas e muito mais.

3. A programação pode fazer com que sua aplicação no trabalho se destaque

Mesmo que você esteja se candidatando a uma posição que não tenha relevância direta para a programação, ela ainda é bem conhecida como uma habilidade útil. Assim, ao ter conhecimento disso, você provavelmente se posicionará automaticamente acima da competição. Além de ser uma habilidade que geralmente vale a pena na maioria dos trabalhos, ela também mostra que você é dedicado, dinâmico e autocrítico.

4. A alfabetização por programação pode ajudá-lo a entender outros aspectos da tecnologia

Conhecimento de codificação pode ajudar de outras maneiras também. Isso pode significar que você é mais rápido para aprender outros aspectos da tecnologia, além de dizer que você é mais fluente digitalmente. No atual mercado de trabalho, cada vez mais digital, isso só pode ser benéfico.

5. Isso pode te levar ao trabalho freelancer

Se você deseja se tornar freelancer ou trabalhar durante viagens, a codificação pode ser uma ótima maneira de entrar nisso. Como a programação é uma habilidade altamente valorizada no momento, muitas empresas estão dispostas a terceirizar o trabalho. Isso significa que os programadores habilidosos têm a capacidade de criar sua própria marca e cobrar uma boa taxa por isso.

6. A programação pode permitir que você desenvolva projetos que ama

A codificação é uma habilidade fantástica para você se você é do tipo que tem muitas ideias e quer começar várias coisas diferentes o tempo todo. Não ter que procurar em outro lugar por um programador economiza tempo e dinheiro, e isso significa que você pode continuar mudando e redesenhando à medida que sua ideia se desenvolve.

7. A programação pode melhorar as habilidades de resolução de problemas e lógica

Fora das implicações que parecem boas em um currículo, a codificação realmente aumenta as habilidades que são úteis para a maioria dos trabalhos. Resolução de problemas e lógica são os dois principais. Aprender a codificar é como uma sessão de exercícios para o lado esquerdo do cérebro.

8. Codificar melhora habilidades interpessoais

A programação, diferente do que muitos acreditam, para a maioria dos grandes projetos tende a ser um esforço colaborativo. Isso significa ter que trabalhar como uma engrenagem, como parte de uma equipe maior. Aprender a melhor forma de interagir com chefes e colegas de trabalho é uma habilidade essencial no trabalho, e ela pode ser desenvolvida por meio de codificação.

9. Ser um codificador habilidoso pode construir confiança

Saber que você tem uma habilidade desejável em um mercado de trabalho competitivo pode ajudá-lo a se tornar mais confiante em suas próprias habilidades. Também é um processo bastante viciante: quanto mais você aprende, mais você vai querer aprender. Sabendo que qualquer problema que possa prejudicar a maioria das pessoas é facilmente resolvido por você é capacitar.

10. Qualquer um pode fazer isso

O mito da programação para gênios já caiu a muito tempo: qualquer pessoa pode aprender a codificar. Não leva vários anos ou custa milhares de reais. Na verdade, pode ser feito on-line e no conforto da sua própria casa, e pode ser aprendido de forma flexível em torno de seus outros compromissos. Aprender a programar é se alfabetizar.

Fonte: Computer World

Por que Cientistas de Dados escolhem Python?

A Ciência de Dados é algo que está em evidência hoje no mundo digital. Compondo um ranking das Top 10 profissões do futuro, a profissão de cientista de dados requer que o profissional tenha um conjunto de habilidades e conhecimentos para poder executar bem suas tarefas. Mas, por que a maioria dos cientistas de dados escolhem a linguagem PYTHON?

Python é uma linguagem de programação que foi concebida no final de 1980 e sua implementação foi iniciada em Dezembro de 1989 por Guido van Rossum no CWI na Holanda, como um sucessor para a linguagem de programação ABC capaz de manipulação de exceção e interface com o sistema operacional Amoeba . Van Rossum é o principal autor da linguagem Python e continua como líder nas decisões que envolvem o futuro da linguagem.

Recentemente o blog Ciência e Dados publicou matéria a respeito elencando os porquês dessa escolha por parte dos profissionais e futuros profissionais da área.

Por que os Cientistas de Dados preferem codificação em Python?

Perceba que este pode ser um tema polêmico. Outras linguagens de programação podem ser usadas para o mesmo fim e fatores muitas vezes pessoais estarão envolvidos nesta escolha. Mas aqui seguem algumas razões porque usar Python.

Grande comunidade – com Python, você pode encontrar uma grande (e crescente) Comunidade. No final do dia, se você se perder, pode contar com uma grande comunidade de especialistas para ajudá-lo a encontrar uma solução adequada para a codificação (mesmo em nichos específicos) além de respostas a perguntas relacionadas com a Ciência de Dados e Análise de Dados.

Crescente número de bibliotecas de análise de dados – Com Python, você pode encontrar uma grande variedade bibliotecas de Ciência de dados (como por exemplo: NumPy, SciPy, StatsModels, scikit-learn, pandas, etc.), que estão em crescimento exponencial. Restrições (em métodos de otimização / funções) que estavam faltando um ano atrás já não são um problema e você pode encontrar uma solução robusta adequada, que funciona de forma confiável.

Juypyter-Notebook – esta é simplesmente uma grande ferramenta. Você pode executar múltiplas linhas / blocos de código em diferentes células, você pode brincar com os dados, movê-los para cima ou para baixo e você ainda pode obter seus resultados logo abaixo da célula. É realmente como um organizador mágico que Cientistas de Dados (e as pessoas que executam código) sempre sonharam. Você também pode escrever em R, SQL, Scala, e outras linguagens com Jupyter-Notebook o que faz com que o fluxo de trabalho seja muito mais fácil e eficiente.

Leia na íntegra do blog Ciência e Dados (clicando aqui)

#PensandoEmDados [5] – ETL

No contexto de dados e seu ambiente onde se envolvem Data Warehouse (DW) e Business Intelligence (BI), o processo de Extrair e Tratar os dados é um processo comum, chamado de ETL. Esse processo é dividido em três etapas, em que cada uma delas possui grande importância para o sucesso da transição dos dados dos sistemas de origem para o DW.

Você sabe o que é ETL?

ETL é uma sigla que significa Extract, Transform, Load ou Extração, Transformação e Carga, em português. Para trabalharmos com dados, se faz necessário que esse processo seja realizado com as fontes de dados já bem definidas.

Ao acessar os dados na fonte, a extração é a primeira etapa, tratando-se da obtenção do dado.

A transformação é etapa onde limpamos e preparamos os dados para que ele esteja pronto para consultas com definição de tipos de dados, formatos, medidas e métricas a serem utilizadas nas visualizações.

A carga é a submissão dos dados a um repositório ou Data warehouse, local onde os dados estarão disponíveis para que consultas e visões diferentes dos mesmos possam ser disponibilizadas.

De forma geral, o ETL pode ser representado pela imagem abaixo:

ETL
Figura 1 – Processo de ETL. Autor: Diego Elias [ CanalTech, 2014]

O processo de ETL, por exemplo, é essencial para a criação das estruturas de Dimensões e Fatos no ambiente do DW. É ele que faz a “ponte” de ligação entre o operacional e o DW. Devemos escolher bem as ferramentas que darão suporte ao processo, pois são essenciais para a correta execução das atividades do ETL.

ELIAS, Diego [ CanalTech, 2014]

Em resumo, o processo de ETL é a forma como podemos interligar um sistema de análise de dados ou um novo repositório a fonte original de dados. Bancos de dados, Planilhas, arquivos em servidores e muitos outros formatos podem ser a fonte de dados e, desde que permitam o acesso de aplicações externas, permitirão que a Extração seja feita. Uma vez que essa primeira etapa tenha sido concluída com sucesso, a Transformação (ou tratamento) dos dados e a carga em sua nova estrutura de armazenamento concluem a integração de dados com sucesso.

Para acompanhar essas e outras postagens, me siga pelas redes sociais no Instagram como @profdanielbrandao e Facebook @professordanielbrandao. Em breve a série #PensandoEmDados estará em vídeo também no meu Canal do Youtube (inscreva-se).

#PensandoEmDados [4] – Integração de dados

Integração de dados é combinação de processos técnicos e de negócios utilizados para combinar dados de…

Integrar dados é unificar diferentes bases

A busca por informações sobre qualquer assunto requer dados íntegros e confiáveis. É de interesse de todos que dados verdadeiros e completos sejam recolhidos para uma análise, seja para um relatório mensal/semestral de uma instituição ou o resultado de uma busca na internet. A fonte dos dados é de vital importância nesse aspecto e, por isso, integração de dados é tema recorrente nas pesquisas, artigos e nos estudos sobre DADOS.

O termo INTEGRAÇÃO vem justamente de integrar, tornar íntegro, formando um conjunto de dados a partir de fontes e origens distintas. A IBM é uma gigante da área de computação e de lidar com dados. Em seu site oficial, ela nos traz a seguinte definição:

“A integração de dados é a combinação de processos técnicos e de negócios utilizados para combinar dados de fontes distintas em informações valiosas e relevantes através de um software de integração.”

IBM, 2018

Diversas empresas e organizações passaram a criar mecanismos para que diferentes tipos de dados pudessem ter uma conexão, principalmente após o termo Big Data ficar em evidencia. Empresas como a Microsoft, Oracle, Amazon e a própria IBM tem criado grupos de trabalho e pesquisa e com isso temos hoje diversas formas de realizar essa integração e análise de dados de maneira rápida, com baixo custo e com uso de inteligência artificial no processo.

Apache Hadoop

Hadoop é uma plataforma da Apache Foundation criada para computação distribuída. Ou seja, é um sistema que consegue unificar várias máquinas (computadores) que passam a ser enxergados como um só. Com ele, trabalhar com processamento de dados em grandes volumes a tarefa passa a ser menos penosa. Além do Hadoop, a Apache se destaca de várias formas com produtos que atendem a diversas demandas voltadas a dados. Por ser uma fundação, não tem necessariamente fins lucrativos, o que torna o uso de seus sistemas práticos para diversos projetos, sejam eles públicos ou privados.

Com ferramentas com essa, é possível receber dados vindos de um banco de dados Relacional, outro de um banco Não Relacional, de um .TXT ou .CSV, uma planilha ou de diversos outros sistemas, conecta-los entre si e criar visualizações a partir dessa unificação.

Em resumo, integração de dados é preciso para que possamos ter a consolidação da informação e, com isso, a geração de conhecimento acerca de um ou de vários tipos de dados.

O Futuro do Trabalho em 3 conceitos: Dados, Descentralização e Automação

Não sou eu quem estou falando, mas os fatos estão a mostra. A DSA (DataScience Academy) lançou essa semana em seu blog um artigo que trata sobre os 3 principais conceitos do “Trabalho do Futuro”. Os 3 pilares são os já citados no título da postagem: Dados, Descentralização e Automação que, segundo a DSA ” mudarão radicalmente liderança, cultura, privacidade e segurança. Vamos discutir cada um desses conceitos”.

Você DISCORDA?

O Big Data já existe há algum tempo. Muitas vezes, o termo foi cunhado como a próxima “revolução da administração”, a Quarta Revolução Industrial ou “a próxima fronteira para inovação, competição e produtividade”. Embora apenas alguns anos atrás, as organizações ainda lutassem para entender o impacto dessas tendências em seus negócios, o Big Data agora emergiu como o padrão corporativo.

Data Science Academy, 2019

O Futuro do Trabalho é Descentralizado

Termos como Blockchain, Big Data, Machine Learning, Bots e afins estão e estarão cada dia mais em evidência. Será impossível dissociar nossa sociedade cada vez mais conectada de termos e metodologias assim. O profissional do futuro deverá ser familiarizado com isso tudo e muito mais que virá.

Todos nós, do funcionário público ao vendedor de loja, do professor ao cientista, teremos que ser EMPREENDEDORES DE NÓS MESMOS. “Com o futuro do trabalho, os contratos inteligentes removerão cada vez mais a necessidade de julgamento humano e minimizarão a necessidade de confiança. ” [DSA, 2019]

Resumindo

O futuro do trabalho gira em torno de dados, descentralização e automação. A coleta de dados pode ajudar todos os aspectos da sua empresa, desde o desenvolvimento de novos produtos até a melhoria da eficiência operacional. Os dados levam ao conhecimento que, em última análise, impulsiona a tomada de decisão. Como tal, a organização do amanhã é uma empresa de dados.

Quer saber mais sobre DADOS? Acompanhe a série #PensandoEmDados aqui no blog

Leia a postagem na íntegra no Blog DSA

#PensandoEmDados [3] – Armazenando dados

Como você deve saber, os dados são passíveis de serem coletados de várias maneiras. Sensores, formulários, bases de dados, câmeras e variados sistemas, em conjunto ou separadamente, podem ser usados como coletores de dados. Mas, você já se perguntou onde SEUS DADOS são ARMAZENADOS?

Armazenando dados

Se você já tem conhecimento na área de sistemas e desenvolvimento, sabe que o meio mais tradicional de armazenamento de dados são os Bancos de dados (BD). Os BDs são bases que contém uma estrutura e regras para armazenagem de dados em formatos geralmente pré-estabelecidos, utilizando SGBDs (Sistemas Gerenciadores de Banco de Dados). Os modelos de bancos de dados mais tradicionais e ainda grandemente utilizados são os bancos de dados Relacionais.

O termo RELACIONAL vem do conceito matemático de relações, onde um dado conjunto A pode se relacionar com um B, que por sua vez pode ser relacionado a um C. O conceito de “estar contido” ou “não estar contido” te remete a alguma coisa? Pois é, esse princípio matemático define o que seriam os relacionamentos.

Os BDs relacionais são baseados em TABELAS, que possuem um nome e colunas que definem que tipo de dado será guardado. Os tipos de dados a serem armazenados devem ser definidos na criação da tabela e cada campo da tabela terá um tipo específico de dado, como: String (caracteres), Double/Float/Integer (tipos numéricos), Boolean (tipo booleano), Data/Datatime/TimeStamp (tipos que armazenam data e/ou data e hora), entre outros.

Dos bancos relacionais no mercado, se destacam os robustos ORACLE, SQL SERVER (da Microsoft), BD2 (da IBM) como Bancos proprietários (pagos). Para os gratuitos temos  POSTGRESQL e MySQL (pertencente a Oracle mas com a versão MariaDB gratuita).

Outros tipos de Bases de dados

Existem outros tipos de bancos de dados além dos relacionais. Um dos que está em maior crescimento são os NoSQL (acrônimo para Não Apenas SQL), também conhecidos por Bancos Não Relacionais. Os NoSQL dividem-se basicamente em 4 modelos: Documentos, Grafos, Colunas e Chave-valor [baseado em Amazon, 2018]. O modelo que tem tido maior volume de utilizadores é o baseado em Documentos, dentre eles se destaca o MongoDB.

Além de um banco de dados e seu SGBD, os dados podem ser armazenados em arquivos de texto, planilhas ou em bancos de dados de outro tipo como Objeto-Relacional, Hierárquico, Rede, etc.

De um modo geral, armazenar dados pode ser feito de diversas maneiras e, com isso, sistemas heterogêneos podem ser criados. Para poder gerenciar essa gama de dados vindos e armazenados em distintos formatos, temos o importante papel da INTEGRAÇÃO DE DADOS, tema de nossa próxima postagem. Até lá!

Siga-me nas redes sociais: