Quem cancela nos primeiros 90 dias?
A Pennant perde assinantes demais nos três primeiros meses. Crie uma tabela de cancelamentos sem espiar o futuro, descubra quem sai, ajuste um primeiro modelo e planeje o que a equipe de retenção deveria testar.
Nível 1: Estreante
0 pontos
Faça login para salvar seu progresso e continuar em outros dispositivos.
Aprenda Python e pandas, consulte seus próprios dados com SQL e depois construa modelos que você consegue avaliar com honestidade e explicar. Cada exercício é executado e corrigido, e a trilha termina com um projeto de churn de clientes, uma avaliação cronometrada com todas as ferramentas e a entrevista.
Cerca de 44 horas de lições, segundo a estimativa de cada lição.
Nada concluído ainda. O progresso é salvo neste navegador conforme você termina as lições, e na sua conta quando você faz login.
Siga os passos nesta ordem. Cada passo é um conjunto de unidades de um curso, não o curso inteiro: as unidades que este cargo usa. Abra uma unidade para começar a primeira lição dela.
Ciência de dados se faz com código. Você aprende valores, coleções, controle de fluxo e funções, e depois a ler e gravar os arquivos em que os dados chegam.
A maior parte do tempo de um cientista de dados vai para a preparação dos dados. Você carrega e inspeciona tabelas, filtra, limpa e combina, agrupa e reorganiza, trabalha com séries temporais e faz gráficos do que encontra.
Os dados que você modela costumam ficar em um banco de dados, e muitas entrevistas têm uma rodada de SQL. Você consulta, resume e combina tabelas, e depois usa funções de janela e os padrões de análise por trás das coortes e dos funis.
Aqui você constrói modelos como se faz no trabalho: define o problema, divide os dados para que a avaliação seja honesta, ajusta modelos de base de regressão e classificação, prepara variáveis em um pipeline, escolhe entre modelos, trata os eventos raros e lê as probabilidades que os modelos entregam.
Crie um índice local de documentos, confira o escopo das fontes e as citações e separe os casos de desenvolvimento dos reservados para avaliação. O notebook usa vetores de teste determinísticos e respostas preparadas, não embeddings aprendidos nem geração real.
Cada projeto parte do briefing de uma empresa fictícia e passa de uma ferramenta para outra como no trabalho de verdade: o que você constrói em uma etapa é o ponto de partida da próxima. Todos os briefings são gratuitos para ler.
A Pennant perde assinantes demais nos três primeiros meses. Crie uma tabela de cancelamentos sem espiar o futuro, descubra quem sai, ajuste um primeiro modelo e planeje o que a equipe de retenção deveria testar.
Um teste no checkout ofereceu um plano anual à metade dos visitantes. O painel diz que funcionou; conte o teste de forma justa e decida se a diferença é real antes de lançar.
Quando terminar as unidades, coloque-se à prova com todas as ferramentas do cargo de uma vez: 12 tarefas práticas em 50 minutos, cada uma na ferramenta a que se refere e corrigida automaticamente. O relógio continua correndo mesmo se você fechar a página.
| Ferramenta | Tarefas | Minutos |
|---|---|---|
| Python | 3 | 13 |
| pandas | 3 | 13 |
| SQL | 3 | 11 |
| Aprendizado de máquina | 3 | 13 |
A avaliação é gratuita. O resultado é um feedback para praticar, no formato de relatório do Interview Hub, e não uma decisão de contratação. Cada nova tentativa sorteia tarefas diferentes quando o banco de perguntas permite.
O Interview Hub conduz a entrevista de ciência de dados etapa por etapa, em uma empresa fictícia: você responde em voz alta ou por escrito, quem entrevista faz perguntas de acompanhamento e o relatório cita suas respostas.
Um cientista de dados usa dados para prever ou explicar algo que importa para uma empresa: quais clientes estão prestes a ir embora, se um novo checkout converte melhor de verdade, de quanto estoque uma loja vai precisar na semana que vem. O trabalho tem menos de algoritmos engenhosos e mais de fazer a pergunta certa, preparar dados que não vazem a resposta, avaliar com honestidade e explicar o resultado para quem vai agir.
O Python vem primeiro porque todo o resto é escrito nele. Depois vem o pandas, porque preparar os dados é a maior parte do trabalho. O SQL traz os dados de partida. Depois vem o machine learning, quando você já sabe preparar as entradas e julgar se o score de um modelo significa alguma coisa. A última etapa aplica limites de fontes e avaliação com casos reservados a uma aplicação com modelos de linguagem.
Na Pennant, uma empresa de assinaturas perde assinantes demais nos três primeiros meses. Com SQL e pandas, você monta uma tabela de churn sem olhar o futuro, descobre quem sai, ajusta um primeiro modelo e propõe o que a equipe de retenção deveria testar. No caso da oferta anual, você decide se o resultado de um teste no checkout é real antes do lançamento. Os dois são o tipo de trabalho que pedem para você explicar numa entrevista de ciência de dados. Depois, a avaliação mostra qual ferramenta praticar antes de você se candidatar.
Muitas vagas de cientista de dados pedem formação em uma área quantitativa, e algumas pedem mestrado. Leia as vagas a que você pretende se candidatar. Esta trilha pratica o trabalho que esses cargos avaliam: preparar dados, modelar, avaliar e explicar. É prática, não um diploma.
Um analista responde perguntas de negócio com dados; um cientista de dados também constrói modelos preditivos e desenha experimentos. Se você está começando, a trilha de analista de dados compartilha quase todos os primeiros passos e leva a mais vagas de entrada.
As aulas desta trilha somam cerca de 44 horas. As unidades de machine learning são as mais longas. Não prometemos em quanto tempo você vai conseguir um emprego.
A primeira unidade de cada curso é grátis e não pede cadastro. One Course libera um curso inteiro; All Access libera a trilha completa. Na página de preços você vê todos os planos e preços.