Toda empresa que decidiu levar dados, IA e engenharia a sério nos últimos anos aprendeu a mesma lição da forma mais inconveniente: o mercado de talento técnico não escala no mesmo ritmo que a ambição estratégica. O processo seletivo para um engenheiro de dados sênior demora meses. O candidato ideal recebe três ofertas simultâneas antes de aceitar a sua. E quando finalmente entra, descobre que o projeto para o qual foi contratado mudou de escopo enquanto a vaga ficava aberta. O resultado prático é uma lacuna entre a capacidade analítica que a organização precisa e a capacidade que ela consegue contratar, e essa lacuna tem um custo direto em decisões atrasadas, iniciativas paralisadas e oportunidades perdidas.
O problema não é novo, mas o contexto mudou. Durante anos, empresas compensaram a dificuldade de encontrar talento técnico com tempo: processos mais longos, ofertas mais agressivas, contratação de perfis mais generalistas para treinar internamente. Essas estratégias funcionam quando a agenda tecnológica é estável e o ritmo de entrega é previsível. Não funcionam quando a empresa precisa de um analytics engineer para estruturar a camada semântica de um data lake agora, de um especialista em LLMs para colocar um caso de uso de IA generativa em produção no próximo trimestre, e de alguém que entenda governança de dados para sustentar tudo isso com rastreabilidade e compliance. A diversidade de especialidades exigidas, combinada com a velocidade da agenda, cria um perfil de demanda que o modelo tradicional de contratação simplesmente não consegue atender.
Por que contratar profissionais técnicos ficou estruturalmente mais difícil
Há uma distinção importante que costuma passar despercebida no diagnóstico desse problema: a escassez de talentos em tecnologia não é apenas uma questão de volume, é uma questão de especialização. O mercado tem profissionais de dados. O que falta são profissionais com a combinação certa de especialização técnica, experiência com o problema de negócio e maturidade para operar com autonomia num contexto novo.
Engenheiro de dados que conhece Spark e sabe modelar dados para consumo analítico é diferente de engenheiro de dados que conhece Spark. Analytics engineer que entende a semântica do negócio e consegue documentar definições de métricas para diferentes áreas é diferente de quem sabe dbt. Data Product Owner que equilibra priorização de backlog, relacionamento com stakeholder e visão técnica é uma combinação que raramente aparece numa única pessoa e ainda mais raramente aparece disponível no mercado.
Essa granularidade de especialização é relativamente recente. Há dez anos, “analista de dados” era uma categoria suficientemente descritiva. Hoje, o espectro vai de engenheiro de dados a analytics engineer, de data scientist a ML engineer, de BI developer a data product manager, e cada uma dessas especializações tem seu próprio mercado, sua própria faixa salarial e seu próprio ciclo de oferta e demanda. Tentar cobrir esse espectro inteiro com uma política de contratação uniforme é como tentar comprar equipamentos de alta precisão num mercado de commodities: a estratégia está errada antes de começar.
Novos modelos de contratação e formação de equipes
Organizações que estão conseguindo avançar sua agenda de dados e IA sem depender exclusivamente de contratações CLT tradicionais estão operando com uma lógica diferente: em vez de tentar montar um time completo internamente, o que levaria meses e exigiria estrutura permanente para sustentar, elas combinam um núcleo interno enxuto com capacidade especializada externa, acionada conforme a demanda e o estágio da iniciativa.
Essa lógica não é nova no mundo de produto e software, squads ágeis, times de produto com aceleração externa, parcerias técnicas de longo prazo são modelos conhecidos. O que está mudando é a aplicação desse modelo especificamente para capacidade analítica e de dados. As variações mais comuns que temos observado no mercado seguem padrões reconhecíveis:
Modelos emergentes de construção de capacidade analítica
– Núcleo interno + squad externo dedicado: a empresa mantém um Data Product Owner e um Data Steward internos, responsáveis pela interface com o negócio e pela continuidade, e contrata um squad externo para engenharia, modelagem e analytics. O squad opera de forma integrada, não como fornecedor transacional.
– Complemento de especialidade: o time interno existe e funciona, mas tem uma lacuna específica: falta um analytics engineer sênior para estruturar a camada semântica, ou um ML engineer para levar o modelo do piloto à produção. A contratação externa preenche esse gap por tempo determinado, com transferência de conhecimento ao final.
– Aceleração de iniciativa: a empresa quer entregar um caso de uso específico, uma plataforma de dados, um produto analítico financeiro, uma solução de IA generativa, num prazo que inviabiliza a contratação convencional. Um squad especializado é acionado para essa entrega, com capacidade de escalar e desescalar conforme o ciclo da iniciativa.
– Centro de habilitação compartilhado: em grupos empresariais, a capacidade técnica especializada é centralizada numa estrutura compartilhada (uma espécie de C4E ampliado) que atende múltiplas empresas do grupo, com padrão, governança e suporte comuns.
O que esses modelos têm em comum é uma mudança de premissa: a capacidade analítica deixa de ser definida pela folha de pagamento e passa a ser definida pelo resultado que a organização consegue entregar. Um time de dados enxuto com acesso a especialização externa sob demanda pode ser mais efetivo do que um time grande operando abaixo da sua capacidade porque a agenda mudou e as contratações feitas para o projeto anterior não se encaixam no novo contexto.
O que as empresas mais avançadas estão aprendendo sobre talento em dados
Existe uma distinção que separa as organizações que estão conseguindo construir capacidade analítica de forma sustentável das que estão presas em ciclos de contratação e rotatividade: as primeiras pensam em talento como portfólio, não como headcount. Um portfólio de capacidade tem profissionais internos responsáveis pelo conhecimento de negócio e pela continuidade institucional, e acesso a especialistas externos para o que exige profundidade técnica específica ou para o que a demanda é sazonal.
Essa lógica tem uma implicação direta para o papel do time interno: ele deixa de ser o executador de todo o trabalho técnico e passa a ser o curador da agenda analítica, quem define prioridades, quem valida entregas, quem garante que o conhecimento construído fica na organização. É um papel que exige habilidades diferentes das de engenharia pura: entendimento de negócio, capacidade de gestão de parceiros, visão de produto. E é um papel que o mercado de talento técnico, paradoxalmente, oferece em abundância, porque é o tipo de profissional que cresceu em times de produto e dados, acumulou experiência em múltiplos contextos e está mais interessado em impacto do que em pilha tecnológica.
Há ainda uma dimensão que costuma ficar de fora das conversas de tecnologia, mas que determina se qualquer modelo funciona na prática: a capacidade da área de pessoas e talent acquisition de compreender o que está sendo pedido. Contratar um analytics engineer não é o mesmo que contratar um analista de dados. Avaliar um ML engineer vai além do currículo técnico. Quando a área de RH não tem referência para os perfis que a agenda digital exige, o que acontece com frequência, o processo seletivo se torna lento não por falta de candidatos, mas por falta de critério para reconhecê-los. Resolver esse gap entre a demanda técnica e a capacidade de atração é tão estratégico quanto definir a arquitetura de dados.
A escassez de talento técnico em tecnologia não vai se resolver no curto prazo. A demanda por profissionais de dados, IA e cloud vai continuar crescendo mais rápido do que a formação. Mas as empresas que enxergam esse cenário como problema de recrutamento vão continuar presas nele, porque o problema não é de recrutamento. É de modelo. E modelos se redesenham com mais velocidade do que o mercado de talento se equilibra. O que resolve é ter, ao mesmo tempo, quem entregue capacidade técnica estruturada e quem saiba encontrar o profissional certo quando a contratação direta for o caminho.
Como a Target e a HRSoul ajudam a construir capacidade analítica além do headcount
Essa é precisamente a proposta do Data Squad da Target: capacidade técnica especializada, engenharia de dados, analytics engineering, BI, ML engineering, que opera de forma integrada ao time do cliente, orientada a produto de dados e com transferência de conhecimento como parte do modelo.
O Data Office estrutura a governança e os papéis internos que sustentam essa capacidade ao longo do tempo.
E o Lab de AI & Inovação conecta essa base técnica aos casos de uso de IA que dependem exatamente do tipo de fundação que o squad constrói.
Para os casos em que a organização quer construir ou reforçar seu próprio time de tecnologia, a Target conta com a parceria da HRSoul, consultoria especializada em hunting e alocação de profissionais técnicos, com banco de dados de mais de 90 mil profissionais cadastrados e capacidade de indicação em 48 horas. À frente desse trabalho está Alessandra Ferraz, cofundadora da HRSoul, com mais de 15 anos de experiência nos segmentos de TI, Telecom e Serviços, alguém que vive diariamente os desafios de conectar empresas aos profissionais que suas agendas de tecnologia exigem. A HRSoul atua nos perfis que mais faltam no mercado: engenharia de dados, BI, inteligência artificial, infraestrutura, gestão de projetos, SAP e desenvolvimento, com conhecimento de negócio que garante assertividade na indicação, não apenas volume de candidatos.
Juntas, Target e HRSoul cobrem os dois lados do problema: quem estrutura a capacidade analítica e quem encontra o talento para sustentá-la.
Se o tema chegou perto de algo que você vive na sua organização, vale reservar uma hora da agenda. No dia 11 de agosto, às 16h, Alan Feliciano, Head de Data Office da Target, e Alessandra Ferraz, cofundadora da HRSoul e especialista em talentos técnicos, vão aprofundar essa conversa ao vivo, com casos reais e espaço para perguntas. O webinar é gratuito e online.
