A entrevista de cientista de dados virou, silenciosamente, um dos percursos mais amplos da tecnologia. Você pode ser um modelador brilhante e ainda assim afundar numa window function de SQL, ou arrasar no código e engasgar no momento em que um entrevistador pergunta por que o resultado do seu teste A/B pode ser um falso positivo. Em 2026, a régua é menos sobre decorar algoritmos e mais sobre provar que você consegue raciocinar de uma pergunta de negócio bagunçada até um número defensável.
O que as entrevistas de cientista de dados realmente avaliam em 2026
Gestores de contratação não procuram alguém que recite a fórmula do gradiente descendente. Eles querem alguém a quem possam entregar uma pergunta ambígua ("essa funcionalidade mexeu na retenção?") e confiar que vai delimitar o escopo, puxar os dados, escolher um método sólido, quantificar a incerteza e explicar o resultado sem jargão.
O cargo se dividiu. Alguns títulos de "cientista de dados" são na verdade vagas de analytics, pesadas em SQL, inferência causal e comunicação com stakeholders. Outros são mais próximos de machine learning aplicado, pesados em modelagem e produção. Leia a descrição da vaga com lupa, porque as duas trilhas dão pesos diferentes às rodadas. As duas compartilham ênfase em desenho de experimentos (teste A/B agora é o mínimo), familiaridade com as limitações de modelos de linguagem grandes e o instinto de checar a sanidade de um resultado antes de confiar nele.
O processo de entrevista
A maioria dos processos de data science tem de quatro a seis etapas, notavelmente consistentes entre empresas de tamanhos diferentes.
- Triagem com recrutador. Logística, faixa salarial e algumas perguntas do tipo "me conte sobre um projeto". Baixo risco, mas eles checam se você consegue descrever trabalho técnico em linguagem simples.
- Triagem técnica (SQL e/ou código). Normalmente em um editor compartilhado. Espere SQL de nível intermediário a avançado (joins, window functions, agregação) e muitas vezes uma questão de Python envolvendo pandas ou algoritmos básicos. Alguns times usam um teste para levar para casa no lugar disso.
- Rodada de estatística e machine learning. Profundidade conceitual em probabilidade, inferência, teste A/B e o tradeoff viés-variância, além de decisões práticas de modelagem. É onde conhecimento raso é exposto rápido.
- Estudo de caso ou rodada de produto. Um problema de negócio em aberto ("como você mediria o sucesso dessa funcionalidade?"). Eles querem a sua estrutura, métricas e premissas, não uma única resposta correta.
- Rodada comportamental e com stakeholders. Muitas vezes com um parceiro de outra área, sondando colaboração, ambiguidade e como você comunica achados para pessoas não técnicas.
Processos de nível sênior e staff acrescentam design de sistemas ou de ML ("desenhe um pipeline de recomendação") e um foco maior em influência e priorização.
As perguntas
Perguntas reais que cientistas de dados enfrentam, agrupadas por rodada, cada uma com uma nota curta de como abordar.
SQL e código
1. Encontre o segundo maior salário de cada departamento.
Como abordar: use uma window function (DENSE_RANK() particionada por departamento), não uma subquery aninhada desajeitada. Diga por que você escolheu DENSE_RANK em vez de RANK ou ROW_NUMBER, já que os empates são a armadilha.
2. Calcule o total acumulado da receita diária, mais uma média móvel de 7 dias.
Como abordar: SUM() OVER (ORDER BY date) e AVG() OVER (... ROWS BETWEEN 6 PRECEDING AND CURRENT ROW). Narre a cláusula de frame, porque a maioria dos candidatos erra os limites da janela.
3. Dada uma tabela de eventos de usuário, calcule a retenção de dia 1 e dia 7. Como abordar: faça self-join ou use a diferença de datas contra a data do primeiro acesso de cada usuário. Esclareça a definição primeiro: "voltou exatamente no dia 7" e "voltou até o dia 7" são queries diferentes.
Estatística e experimentação
4. Explique p-valor para um stakeholder não técnico. Como abordar: pule a definição de livro-texto. Tente "se a funcionalidade não tivesse feito nada, o p-valor é a chance de vermos um resultado tão forte só por sorte". Depois acrescente o que ele não significa (não é a probabilidade de a hipótese ser verdadeira).
5. Rodamos um teste A/B, ele atingiu significância depois de 3 dias, podemos lançar? Como abordar: é uma armadilha de peeking e efeito de novidade. Aponte que parar cedo infla a taxa de falsos positivos, que você fixa o tamanho da amostra com antecedência e que os primeiros adotantes se comportam de forma diferente da população em regime estável.
6. O que é o tradeoff viés-variância e como ele aparece na prática? Como abordar: defina os dois, depois aterrisse. Uma árvore profunda sofre overfitting (variância alta), um modelo linear sobre dados não lineares sofre underfitting (viés alto). Conecte a uma solução como regularização ou validação cruzada.
7. Como você detectaria e trataria um paradoxo de Simpson nos seus resultados? Como abordar: explique que uma tendência agregada pode se inverter dentro dos subgrupos, então diga que segmentaria pela variável de confusão e checaria se a relação se mantém.
8. A AUC offline do seu modelo é ótima, mas a conversão online não mexeu. O que aconteceu? Como abordar: percorra os suspeitos de sempre: divergência entre treino e serving, uma feature com vazamento, uma métrica offline desalinhada ou uma superfície de produto que ignora o score. Premia depuração estruturada em vez de um único palpite.
Machine learning e modelagem
9. Como você lida com um problema de classificação severamente desbalanceado (1% de positivos)? Como abordar: resista a pular direto para SMOTE. Comece pela métrica (precisão e recall, não acurácia), depois pesos de classe e ajuste de limiar, e só então reamostragem. O custo de negócio de um falso negativo versus um falso positivo deve guiar a escolha.
10. Como você escolheria entre regressão logística e uma árvore com gradient boosting para um modelo de churn? Como abordar: enquadre como interpretabilidade e necessidades dos stakeholders versus desempenho puro, além de tamanho dos dados e interações entre features. Respostas fortes começam com o modelo mais simples como baseline.
11. Como você evita vazamento de dados em um pipeline? Como abordar: cite vazamentos concretos (ajustar um scaler antes de dividir os dados, usar informação do futuro, vazamento de alvo por uma feature pós-resultado). Diga que você ajusta as transformações dentro dos folds da validação cruzada.
12. Quando você usaria um LLM em um fluxo de data science, e quais são os riscos? Como abordar: é um clássico de 2026. Bons usos: extração, classificação de texto, rascunhos. Riscos: alucinação, custo, latência e a tentação de usar um LLM onde um classificador barato daria conta. Mostre julgamento, não empolgação.
Estudo de caso e produto
13. Como você mediria se uma nova funcionalidade de "salvar para depois" foi bem-sucedida? Como abordar: esclareça o objetivo, proponha uma métrica principal e métricas de proteção (engajamento subiu, mas a compra ou o churn foram afetados?) e esboce um experimento. Estrutura ganha de esperteza.
14. Os usuários ativos diários caíram 8% na semana passada. Como você investiga? Como abordar: segmente de forma sistemática (plataforma, geografia, novos versus existentes, uma data de release) e separe uma queda real de um bug de logging. Verbalize a sua lógica de ramificação; eles estão pontuando o seu processo diagnóstico.
Comportamental
15. Me conte de uma vez em que a sua análise mudou uma decisão de produto. Como abordar: use uma estrutura enxuta de situação, ação e resultado, quantifique o impacto e enfatize como você comunicou aquilo para conquistar apoio.
16. Descreva um projeto em que os dados estavam mais bagunçados do que o esperado. Como abordar: mostre julgamento sob ambiguidade: o que você limpou, o que você cortou e como comunicou as limitações com honestidade.
Erros comuns que afundam candidatos a cientista de dados
- Pular para um modelo antes de esclarecer a pergunta. O sinal mais forte numa rodada de caso é a delimitação de escopo. Candidatos que perguntam "o que significa sucesso aqui?" rendem mais que aqueles que propõem XGBoost de cara.
- Recitar definições sem aplicação. Qualquer um define p-valor. Poucos conseguem explicar para um PM e depois dizer o que ele não significa. A segunda parte é o diferencial.
- Ignorar qualidade de dados e vazamento. Entrevistadores plantam armadilhas de dados sujos e de vazamento de propósito, e deixá-las passar soa a inexperiência.
- Complicar demais a baseline. Recorrer a uma rede neural quando uma regressão logística resolveria sinaliza mau julgamento. Diga a baseline simples primeiro.
- Comunicação fraca da incerteza. Uma estimativa pontual sem intervalo de confiança nem ressalva é a forma mais rápida de reprovar num processo de nível sênior.
Como se preparar (e onde um copiloto ao vivo ajuda)
Construa uma base, depois treine sob pressão. Martele window functions e joins de SQL até saírem no automático, porque essa rodada é pura velocidade. Redemonstre a estatística essencial (teste de hipóteses, teorema central do limite, mecânica de testes A/B) para conseguir ensinar, não só recitar. Mantenha um documento vivo com três ou quatro projetos com resultados quantificados para as rodadas comportamentais. Depois faça entrevistas simuladas em voz alta com alguém que te interrompa, porque pensar em voz alta sob interrupção é a habilidade que realmente está sendo avaliada.
A lacuna que a maioria dos candidatos sente fica entre saber o conteúdo com calma e lembrar dele enquanto um estranho observa um cursor piscando. É aí que um copiloto ao vivo ganha o lugar dele. O GhostPilot escuta o áudio da entrevista e traz sugestões estruturadas em tempo real: o padrão certo de window function quando cai uma questão de SQL, ou um framework limpo para um caso de produto. Ele roda no painel lateral do Chrome, então quando você compartilha uma única aba do navegador ele não faz parte do que é capturado, e o app desktop opcional para Windows é invisível para captura de tela no Windows 10 (build 2004 ou posterior) e no Windows 11. Bem usado, ele te mantém estruturado em vez de te dar um roteiro para ler, já que ler de forma robótica é exatamente o que um entrevistador afiado percebe. Veja como funciona em ghostpilotai.com.
FAQ
Que perguntas são feitas em uma entrevista de cientista de dados? Uma mistura de SQL (joins, window functions, queries de retenção), estatística e testes A/B, conceitos de machine learning (viés-variância, dados desbalanceados, vazamento), casos de produto em aberto e perguntas comportamentais. O peso depende de a vaga pender para analytics ou para ML aplicado.
Como me preparo para uma entrevista de cientista de dados em 2026? Treine SQL até virar reflexo, redemonstre a estatística essencial para explicá-la de forma simples, prepare três ou quatro histórias de projeto quantificadas e pratique estudos de caso em voz alta. Desenho de experimentos e comunicação clara da incerteza são o que mais importa neste ano.
SQL ainda é importante em entrevistas de data science? Com certeza. SQL é a habilidade testada de forma mais consistente nos processos de data science e normalmente é uma rodada eliminatória logo no começo. Espera-se SQL de nível intermediário a avançado, especialmente window functions.
Quão difíceis são as entrevistas de estudo de caso em data science? Difíceis justamente porque não existe uma única resposta certa. Elas premiam estrutura: esclarecer o objetivo, escolher métricas sensatas e métricas de proteção, enunciar premissas e propor um experimento. Raciocínio claro ganha de um modelo esperto.
Cientistas de dados são questionados sobre modelos de linguagem grandes agora? Cada vez mais, sim. Espere perguntas sobre quando um LLM é a ferramenta certa, como você avaliaria a saída dele e quais são os riscos (alucinação, custo, latência). Julgamento comedido ganha de soar entusiasmado.
Teste o GhostPilot AI
Entrevistas de data science se espalham por SQL, estatística, modelagem e raciocínio de produto em aberto, ou seja, muita coisa para segurar sob pressão. O GhostPilot te dá uma rede em tempo real que mantém as suas respostas estruturadas enquanto você fala. Comece grátis com sessões ao vivo de 10 minutos e respostas de IA ilimitadas, pegue um Session Pass por $29 (três entrevistas completas de duas horas, pagamento único, sem assinatura), ou vá de Pro a $59/mês ou $192/ano ($16/mês na cobrança anual).