Sobre este modelo
O modelo Mosaico Triangular é uma carta de apresentação moderna com motivo de cabeçalho triangulado em azuis tonais, corpo Inter e uma única cúspide para marcar a saudação. Geométrica, enérgica, mas suficientemente disciplinada para passar um screening data. Compatível com os ATS B2B e data (Workday, Greenhouse, Lever, Avature) maioritários nas consultoras e editores analytics portugueses.
Para que perfil?
Encaixa com data scientists (Mestrado Ciência de Dados Universidade de Lisboa, Universidade do Porto, Universidade Nova de Lisboa), consultores analytics, BI leads (Tableau, Power BI, Looker, Metabase), business analysts, consultores juniores (Bain Portugal, BCG Portugal, McKinsey Portugal, Roland Berger Portugal para entry-level) e perfis finanças quantitativas que querem um toque de motivo sem cair no decorativo. O triângulo diz rigor geométrico e leitura matemática do mundo.
Como utilizá-lo
A carta data scientist deve provar o duplo pé ciência + business: cite as ferramentas (Python, R, SQL, dbt, Snowflake, BigQuery, Dataiku), os frameworks ML (scikit-learn, PyTorch, TensorFlow, JAX) e os casos de uso com impacto business (€ poupanças, % uplift conversão, ganho tempo processo). Mencione duas ou três competições Kaggle se for pertinente (top 10 %, top 5 %), ou um projeto OSS publicado. Para um BI lead, mencione o número de utilizadores internos servidos pelos dashboards.
Perguntas frequentes
É preciso um ranking Kaggle para candidatar data scientist?
Não, mas é apreciado. Um ranking top 10 % numa competição pública recente é sinal forte para os recrutadores (top 5 % torna-se sinal de seniority técnica). Para um perfil senior, a experiência industrial prima sobre Kaggle. Para um junior, duas ou três competições terminadas mostram a autonomia de aprendizagem.
O motivo triangulado é demasiado visual para finanças quantitativas?
Para os fundos quant (Pathena Capital Portugal partners, Hedge funds Portugal), sim — o código visual parece demasiado decorativo. Prefira Bordo Platina ou Grelha Suíça para estas candidaturas. Para finanças de empresa quantitativa (M&A modeling, Treasury, FP&A senior), o triângulo continua aceitável.
Como evocar um projeto ML implementado em produção?
É muito valorizado — a diferença entre « modelo em notebook » e « modelo em prod » é maior. Indique o stack MLOps (MLflow, Kubeflow, Vertex AI, SageMaker, BentoML), a latência de scoring, o volume de predições/dia e o modo de monitoring (drift detection, model performance tracking). A implementação ML é sinal de seniority discriminante.
