Data Scientist interview answers: exemplos praticos para 2026

Você passou para a entrevista de Data Scientist e agora travou na hora de preparar as respostas. O roteiro abaixo resolve isso com exemplos concretos de fala, do screening inicial até as perguntas comportamentais, com foco no que os recrutadores brasileiros realmente perguntam em 2026.

O que muda no mercado brasileiro de data science#

Aqui a régua é diferente da gringa. Muitas vagas pedem alguém que faça de tudo: limpeza de dados, modelagem, dashboard e às vezes até backend. Isso não é necessariamente uma vaga ruim, mas você precisa perguntar sobre o time e a infraestrutura antes de aceitar.

Salários variam muito por senioridade, setor e cidade. Recomendo checar faixas atuais em fontes de vagas e no próprio anúncio da posição, porque números publicados em listas antigas já mudaram. Para ver o que está sendo pedido agora, dá uma olhada nas vagas de dados abertas no JobRise.

Vale a pena mapear o anúncio antes de qualquer preparação. Use o decodificador de vagas para separar o que é requisito real do que é wish list, e depois meça se seu currículo bate com o texto da vaga usando o verificador de ATS gratuito. Isso muda o foco do seu estudo.

Perguntas de screening: respostas curtas que funcionam#

O screening é onde a maioria das pessoas fala demais. O recrutador quer confirmar três coisas: sua senioridade, seu alinhamento com a vaga e sua pretensão. Responda em 30 segundos a 1 minuto por pergunta.

Para o clássico "me fale sobre você", estruture assim: seu papel atual, um projeto relevante com resultado concreto, e por que você está olhando essa vaga. Evite contar sua vida acadêmica inteira.

Exemplo de fala: "Sou cientista de dados há quatro anos, hoje trabalhando em risco de crédito num banco médio. No último ano liderei a implementação de um modelo de inadimplência que substituiu uma regra manual do time de operações, reduzindo o retrabalho de análise. Estou buscando um time com mais engenharia de dados e modelos em produção, que é o que vocês descreveram na vaga."

Sobre pretensão salarial, pesquise a faixa antes. Diga uma faixa, não um número fixo, e deixe claro que está aberto a entender o pacote total. Se o recrutador pedir um número exato, dê o piso da sua faixa com confiança.

Perguntas técnicas: o que realmente cobram#

Em 2026 a parte técnica ainda gira em torno de estatística, SQL, Python e machine learning aplicado. Ferramentas de LLM e MLOps aparecem com mais frequência, mas quase ninguém vai exigir que você implemente um transformer do zero na entrevista.

As perguntas mais comuns caem em quatro grupos: SQL e manipulação de dados, probabilidade e estatística, fundamentos de modelos, e como você colocaria um modelo em produção. Prepare exemplos reais para cada grupo, não definições de livro.

Para SQL, espere problemas de janela, joins e agregação. Pratique explicar o raciocínio em voz alta enquanto escreve. O entrevistador quer ver seu processo, não só o resultado final.

Para fundamentos de modelos, prepare uma explicação curta de viés e variância, overfitting, validação cruzada e escolha de métrica. Uma boa resposta conecta o conceito ao negócio: "usamos AUC porque a base é desbalanceada, mas o time de operações olhava precision no top 10% para dimensionar a fila de análise".

Como responder perguntas de machine learning em produção

Essa é a pergunta que separa júnior de pleno sênior. Estruture sua resposta em quatro passos: como os dados chegam, como o modelo é treinado e versionado, como é servido, e como você monitora degradação.

Se você nunca colocou um modelo em produção, diga isso. Depois conte o que você fez de mais próximo: um batch de scoring rodando via agendador, ou um dashboard que acompanhava a performance do modelo. Honestidade aqui vale mais que improvisar.

Exemplo prático: reescrevendo uma resposta técnica#

Veja um caso concreto. Pergunta do entrevistador: "conte um projeto de modelagem que você liderou do início ao fim".

Resposta fraca: "Fiz um modelo de churn com XGBoost, usei grid search para otimizar os hiperparâmetros e atingi uma acurácia boa. Foi um projeto interessante porque aprendi muito."

Resposta forte: "O time de retenção queria entender quem ia cancelar antes da renovação. Primeiro fiz uma análise exploratória e descobri que o sinal mais forte era a queda de uso nas últimas quatro semanas, não variáveis demográficas. Construí um modelo de classificação com XGBoost, com validação temporal para não vazar informação do futuro. Escolhemos recall como métrica principal porque o custo de perder um cliente era maior do que o custo de uma ligação desnecessária. Coloquei o scoring em rotina diária e o time comercial passou a priorizar a lista. O modelo ficou em produção por cerca de um ano antes de precisar de retreino."

Note o que mudou: contexto de negócio, decisão técnica com justificativa, métrica escolhida por motivo, e um desfecho real. Isso é o que o entrevistador anota.

Perguntas comportamentais e o método STAR#

Comportamentais testam se você sabe trabalhar com gente difícil, prazo apertado e ambiguidade. Use STAR: situação, tarefa, ação, resultado. Dedique mais tempo à ação e menos à situação.

Prepare de três a cinco histórias reais antes da entrevista. Uma sobre conflito, uma sobre erro, uma sobre prazo impossível, uma sobre aprendizado técnico e uma sobre influenciar sem autoridade. As mesmas histórias podem ser reenquadradas para perguntas diferentes.

Exemplo de resposta STAR: "Num projeto de pricing, o time de negócios queria subir a margem em uma categoria específica (situação). Eu precisava validar se a recomendação deles se sustentava nos dados antes de qualquer mudança (tarefa). Rodei uma análise de elasticidade por produto, separei os itens com histórico curto e apresentei três cenários com os intervalos de confiança de cada um, explicando onde o dado não era confiável (ação). A recomendação final mudou: em vez de subir tudo, subimos só nos produtos com histórico longo, e a margem da categoria melhorou sem perda de volume relevante nos outros (resultado)."

Se o resultado foi ruim, diga. Entrevistador sênior percebe quando você embeleza história. Contar um fracasso bem analisado costuma impressionar mais do que um sucesso genérico.

O que evitar na entrevista#

Certos erros aparecem o tempo todo e derrubam candidatos técnicos fortes. Vale uma revisão antes de qualquer processo.

• Falar mal de ex-chefe, ex-empresa ou ex-time, mesmo que seja verdade
• Inventar números de impacto que você não consegue defender
• Decorar definição sem conseguir aplicar num caso concreto
• Responder pergunta de produtização com jargão de ferramenta, sem explicar o fluxo
• Ignorar a pergunta do entrevistador para mostrar o que você sabe
• Não ter nenhuma pergunta preparada para o final da entrevista
• Tratar conceito de estatística como decoreba, sem dizer quando você o usou

Perguntas para você fazer no final: como é o ciclo de vida de um modelo aqui, quem define a métrica de sucesso, e qual o maior gargalo hoje do time de dados. Isso mostra senioridade e ainda te dá informação real para decidir.

Como se preparar em duas semanas#

Se a entrevista é daqui a pouco, siga um plano curto e realista. Não tente aprender tudo.

• Releia o anúncio da vaga e marque os três requisitos mais citados
• Prepare uma história STAR para cada requisito marcado
• Pratique SQL em voz alta, com um temporizador, trinta minutos por dia
• Escreva de cinco a dez bullets do seu currículo em formato de ação e resultado
• Simule a entrevista gravando seu áudio e ouvindo depois
• Pesquise o salário da faixa pretendida em fontes atuais
• Escreva três perguntas para o entrevistador baseadas no que você pesquisou sobre a empresa

Reescrever seus bullets é o exercício que mais muda resultado. Um bullet como "responsável por análises de dados" vira "construí o pipeline de análise de funil que substituiu três planilhas manuais e reduziu o tempo de relatório semanal de horas para minutos". Mais específico, mais defendível.

Ferramentas grátis#

• jobrise.io/pt/free-ats-checker/
• jobrise.io/pt/free-jd-decoder/
• jobrise.io/pt/jobs/
• jobrise.io/pt/blog/

Perguntas frequentes#

Preciso ter portfólio no GitHub para passar em entrevista de data scientist?

Depende da senioridade. Para júnior e transição de carreira, um ou dois projetos bem explicados ajudam bastante. Para sênior, o que pesa mais é a profundidade das suas respostas técnicas e de produção.

Quanto tempo devo falar em cada resposta técnica?

De um a três minutos na maioria dos casos. Se o entrevistador quiser mais profundidade, ele pergunta. Falar demais sem estrutura cansa e esconde seu raciocínio.

Devo dizer que não sei responder uma pergunta técnica?

Sim, e rápido. Diga o que você sabe sobre o tema, onde ficou sua dúvida, e como você abordaria o problema. Tentar improvisar uma resposta errada é pior do que assumir a lacuna.

Como responder sobre pretensão salarial sem me prejudicar?

Pesquise a faixa antes da conversa, dê um intervalo em vez de um número fixo, e deixe claro que está avaliando o pacote total. Varia muito por empresa, setor e cidade, então confira fontes atuais de vagas e não confie em números antigos.

O que fazer quando a entrevista tem case técnico com dados reais da empresa?

Peça o tempo esperado e o formato de entrega antes de começar. Foque em explicar suas suposições e limitações, porque em case curto o caminho do raciocínio vale mais do que o resultado numérico final.