A maioria das transições de carreira em dados se resume a 2-3 skills. Analisamos 6 cargos, 15 competências e as rotas mais viáveis — com dados do State of Data Brazil 2024-2025.
O State of Data Brazil 2024-2025 é a maior pesquisa sobre profissionais de dados do país. Coletou dados de salário, ferramentas, satisfação e carreira de milhares de respondentes.
No primeiro crash course, analisamos o retrato geral: quem são esses profissionais, quanto ganham, quais ferramentas usam. Este aqui responde a pergunta que ficou no ar: o que separa um cargo do outro — e quanto esforço custa essa transição?
Qual cargo paga quanto, quais skills separam você do próximo nível, e qual rota de transição tem a melhor relação esforço x retorno. Você vai ter clareza sobre o que aprender primeiro — e o que pode ignorar.
Em 15 minutos, você vai:
Um dos dados mais comentados do State of Data: a diferença salarial entre cargos. Um ML/AI Engineer ganha, na mediana, quase 3x o que ganha um Analista de BI. A distância parece grande. Mas quando você olha as competências que separam esses cargos, a maioria das transições depende de 2-3 skills novas.
A mediana esconde a dispersão. Um Analista de Dados no top 10% pode ganhar mais que um Engenheiro de Dados no bottom 25%. Mas a tendência é clara: a faixa salarial cresce conforme o cargo se afasta de "reporting" e se aproxima de "engenharia" e "ciência".
A amostra de ML/AI Engineers (n=98) é a menor da pesquisa. O cargo é relativamente novo no Brasil e a demanda ainda supera a oferta — o que explica tanto o salário mais alto quanto a amostra menor.
A próxima seção mostra exatamente quais competências separam cada cargo — e por que a maioria das transições se resume a aprender 2-3 skills novas. Se quiser saber como seu currículo se compara às vagas do cargo que você quer, passe pelo CV10x.
Mapeamos 15 competências em 5 categorias para cada um dos 6 cargos. O resultado: SQL é requisito em todos os 6 cargos. Python e Estatística são requisito em 5. ML Clássico aparece em todos — pelo menos como diferencial. GenAI é diferencial em todos e requisito para ML/AI Engineer. Isso significa que a base é maior do que parece, independente de onde você está hoje.
A diferença entre cargos se concentra em poucas competências. Um Analista de Dados que aprende Experimentação e ML Clássico se torna Cientista de Dados — são apenas 2 skills. Um Analista que aprende Modelagem, ETL/ELT e ML Clássico vira Analytics Engineer — 3 skills. Quanto mais longe o cargo-alvo, mais skills mudam de nível.
Clique em uma célula para comparar dois cargos lado a lado.
Cada cargo é um vetor de 15 skills, onde cada skill vale 0 (não típico), 1 (diferencial) ou 2 (requisito). A similaridade é o cosseno do ângulo entre dois vetores: quanto mais parecido o perfil de competências, mais próximo de 100%. Exemplo: BI e Analista de Dados compartilham quase todas as skills nos mesmos níveis (96%). ML/AI Engineer e BI têm perfis mais distantes (61%) — um foca em visualização e storytelling, o outro em deep learning e MLOps.
Visualização e Storytelling pesam mais nos cargos analíticos. DevOps e Cloud pesam mais nos cargos de engenharia. ML Clássico agora aparece em todos os cargos — e é requisito para AE, DS e MLE. O Analytics Engineer é o cargo mais "generalista" do mapa: aparece em todas as categorias.
Você já viu os salários e o mapa de skills. O que vem a seguir: rotas de transição com cronograma semana a semana, projetos para portfólio com dados reais, templates prontos para copiar e um prompt de IA que monta seu plano personalizado.
Cada rota abaixo tem o perfil de quem se beneficia, as skills priorizadas e um plano com prazo definido. Escolha a sua e adapte o ritmo às suas horas disponíveis.
Para quem é: Você já domina SQL e dashboards. Quer mais autonomia técnica e menos dependência de engenheiros para conseguir dados limpos.
Por que vale a pena: Analytics Engineer é o cargo que mais cresceu nos últimos 3 anos no Brasil. A demanda supera a oferta, e a mediana salarial salta de R$7k para R$10k. O gap é de 3 skills — viável em 3 meses com dedicação.
Skills para aprender (em ordem de prioridade):
Transformar um dataset público usando dbt. Um bom ponto de partida: os dados do CEAP no GitHub — dados reais de gastos públicos, já com notebooks de análise que você pode usar como referência. Publicar no GitHub com README e documentação. Escrever um post no LinkedIn explicando as decisões de modelagem.
Para quem é: Você tem curiosidade sobre ML, já tem boa base de Python e estatística. Quer ir além do descritivo e começar a prever e recomendar.
Por que vale a pena: Você sai do descritivo ("o que aconteceu") para o preditivo ("o que vai acontecer"). A mediana vai de R$7k para R$10k e 41% dos Cientistas de Dados ganham acima de R$12k. O gap é de apenas 2 skills — ambas passam de diferencial para requisito.
Skills para aprender (em ordem de prioridade):
Modelo de classificação em dataset real (ex: churn, crédito). Análise A/B completa com poder estatístico e tamanho de amostra. Deploy de um modelo simples com Streamlit. Se quiser um dataset real com análises de referência, o CEAP Playbook tem notebooks completos de EDA e modelagem com dados públicos.
Para quem é: Você sabe construir modelos. Quer colocá-los em produção. Cansou de ver seu trabalho morrer no notebook.
Por que vale a pena: Maior salto salarial da área: +R$4k na mediana (R$10k → R$14k). 51% dos ML/AI Engineers ganham acima de R$12k. A amostra pequena (n=98) mostra que poucos profissionais ocupam esse cargo — quem chegar primeiro tem vantagem. Mas é a rota mais longa a partir de DS: 5 skills de diferencial para requisito.
Skills para aprender (em ordem de prioridade):
Pegar um modelo existente e colocar em produção com FastAPI + Docker. Criar pipeline de retreino automático com monitoramento. Contribuir para um projeto open source de MLOps.
Menor esforço: Analista de BI → Analista de Dados. Gap de 1 skill (Python). Melhor retorno por esforço: Analista → Analytics Engineer. +R$3k na mediana com 3 skills. Rota mais longa: Engenheiro de Dados → ML/AI Engineer — 6 skills de diferencial para requisito.
Tudo que você viu até aqui — a distância entre cargos, os gaps de skills, os planos de estudo — assume que você aprende da forma tradicional: cursos, projetos, prática. Mas IA generativa muda o ritmo.
Um Analista de Dados usando Claude ou ChatGPT já consegue escrever dbt models, queries complexas de SQL, e protótipos de modelos de ML. Competências que antes exigiam meses de estudo formal agora podem ser prototipadas em dias. Por isso separamos GenAI de Deep Learning no mapa: usar LLMs para acelerar seu trabalho (GenAI) é diferente de construir modelos e agentes do zero (Deep Learning). O primeiro é diferencial em todos os cargos. O segundo é requisito só para ML/AI Engineers.
| Tarefa | Antes | Com GenAI |
|---|---|---|
| Aprender dbt | ~3 meses | Primeiros models em dias |
| Primeiro modelo ML | ~2 meses | Protótipo funcional em horas |
| Pipeline Airflow do zero | Semanas | Scaffold completo em uma sessão |
| Dockerfile para deploy | Dias de troubleshooting | Funcional na primeira tentativa |
A vantagem vai para quem entende o por que e deixa a AI cuidar do como. Você precisa saber por que modelar de determinada forma — a AI escreve o código. Quem combina entendimento com velocidade sai na frente.
Analytics Engineer como ponto central: É o cargo mais novo da área e também o que tem maior overlap com todos os outros. Se você quer flexibilidade para mudar de direção depois, é uma boa base. Com GenAI, as competências que faltam para qualquer outro cargo podem ser prototipadas em semanas, não meses.
Todos os cargos estão se movendo na mesma direção: mais Python, mais Estatística, mais GenAI. SQL+Python+Estatística+GenAI formam a base comum. ML Clássico já aparece em todos os cargos — pelo menos como diferencial. O que separa os cargos é a profundidade em áreas específicas — modelagem, deep learning, infraestrutura.
As ferramentas para aprender e prototipar nunca foram tão acessíveis. BigQuery free tier, dbt open source, Claude/ChatGPT para tirar dúvidas. Se quiser ver um projeto end-to-end como referência, o CEAP Playbook (gratuito) mostra coleta, limpeza e análise de dados reais. Para quem quer ir além, o CEAP Completo tem os notebooks de análise detalhados. Dá para começar hoje sem gastar nada.
Na prática, você pode usar GenAI agora mesmo para montar um plano de migração personalizado. Copie o prompt abaixo, preencha com seus dados e cole no Claude ou ChatGPT:
Você tem os dados, as rotas e as ferramentas. Falta decidir e agir.
SQL, Python, Estatística e GenAI conectam todos os 6 cargos. ML Clássico já aparece em todos — pelo menos como diferencial. As transições mais curtas exigem 2-3 skills de diferencial para requisito. As mais longas (DS→ML, DE→ML) exigem 5-6. Escolha uma rota, monte seu plano e comece pela skill que aparece mais vezes no mapa.
A gente manda análises como essa direto no email. Sem spam. Só conteúdo prático para quem trabalha com dados.