O Dr. Hugo Bowne-Anderson, cientista de dados e educador na DataCamp, apresentou recentemente um webinar sobre as cinco coisas que líderes de negócios precisam saber sobre estratégia de dados. Confira abaixo um resumo do conteúdo ou assista ao webinar sob demanda.
1. A regra 80/20 na ciência de dados
A regra 80/20, também conhecida como princípio de Pareto, diz que, em muitos casos, cerca de 80% dos efeitos vêm de 20% das causas. Em 2018, por exemplo, aproximadamente 80% dos impostos nos EUA foram pagos pelos 20% mais ricos. Aplicado à ciência de dados, o princípio de Pareto significa que o trabalho feito em 20% do tempo gera 80% dos resultados. Então, ao priorizar iniciativas na sua estratégia de dados, foque no que realmente gera valor.
Foque no que realmente faz diferença
Muitas vezes, líderes de negócios são atraídos por temas da moda como deep learning, machine learning (ML) e IA. Mas existem áreas mais básicas nas quais você deve concentrar esforços primeiro e que podem trazer grandes ganhos, como estas:
- Infraestrutura de dados é essencial, embora o retorno possa não ser imediato. Empresas como o Spotify melhoraram a descoberta de dados ao unificar as fontes. Priorizar infraestrutura ajuda a evitar padrões diferentes entre silos, preparar melhor futuras iniciativas e gerar visões e dashboards consistentes.
- Boas práticas de atendimento ao cliente incluem roteamento de chamadas em call centers, modelos de churn e IA conversacional.
- Modelos de propensão a compra são fundamentais para seus times de vendas e marketing.
Analytics descritivo responde por 80% do valor para o negócio
Você pode estar se perguntando: "Em quais tipos de analytics devo focar primeiro?" O princípio de Pareto ajuda aqui:
- Analytics descritivo, ou business intelligence, responde por 80% do valor em muitas empresas. É sobre pegar os dados que sua empresa já tem e levá-los às pessoas certas no formato em que conseguem consumir e usar: dashboards, relatórios e e-mails. Nosso desafio para empresas que querem realmente avançar é focar em cinco projetos de analytics descritivo que possam orientar suas decisões e ordená-los por importância.
- Analytics preditivo, ou ML, prepara você para o futuro ao prever o que vai acontecer. ML é o ramo do analytics preditivo que usa algoritmos estatísticos para prever com base nas informações existentes e identificar relações e insights — pense no mecanismo de recomendação da Netflix.
- Analytics prescritivo, ou ciência de decisão, é a fase final que antecipa o que, quando e por que certos resultados ocorrerão — e determina o que fazer com essa informação. Ele aplica dados ao processo decisório. No nosso podcast DataFramed, Cassie Kozyrkov, Chief Data Scientist do Google Cloud, explica a relação entre decision intelligence e ciência de dados.
2. Por que big data nem é tão grande assim
Resultados maiores com small data
Existem várias formas de definir big data. Hugo traz uma boa definição prática:
Big data é muito mais dado do que você consegue armazenar em um laptop ou em um único disco: algo que precisa ser distribuído em clusters de computadores para armazenar, processar, transmitir e analisar.
Empresas como o Google aproveitaram big data com grande efeito e geraram muito hype. Mas Hugo argumenta que small data pode gerar resultados excelentes e que não precisamos cair na onda do hype.
Uma boa forma de pensar em big data é pelo Gartner Hype Cycle. Se usarmos o Google Trends como um proxy de expectativas, já passamos pelo pico das expectativas infladas e estamos descendo para o vale da desilusão.
Fonte: Wikipedia
Então, a pergunta é: small data dá conta do recado? Para Hugo, sim. Não é sobre montanhas de dados — é sobre dados pequenos e de alta precisão. Por exemplo, Tycho Brahe, astrônomo dinamarquês, coletou cerca de 2.000 pontos de dados que embasaram as três leis do movimento planetário de Johannes Kepler, que depois fundamentaram a teoria da gravitação de Newton. E institutos de pesquisa conseguem usar uma amostra representativa de cerca de 1.000 cidadãos e prever resultados com margem de erro de aproximadamente 3%.
Mais importante que big data: variedade
Hugo vai além: ter variedade de dados é mais importante do que ter muito dado. Combinar dados qualitativos, ou thick data, ao seu conjunto trará resultados melhores. Thick data é um termo emprestado da sociologia e da antropologia e é principalmente descritivo, em oposição ao thin data, baseado em números.
3. Por que o futuro do trabalho com dados é point and click
Usando GUIs no trabalho com dados
Qual é a melhor forma de capacitar pessoas sem conhecimento técnico profundo a acessar business intelligence e usar ML para embasar decisões? Não é fazendo todo mundo programar. A resposta está em fornecedores e ferramentas que transformam analytics em produto. No futuro, Hugo prevê que a maior parte do trabalho com dados será feita em interfaces gráficas, as famosas GUIs, com recursos de arrastar e soltar e point and click.
As big techs já perceberam isso. Aquisições de ferramentas de business intelligence ganharam as manchetes recentemente. No ano passado, a Salesforce adquiriu a Tableau e, algumas semanas atrás, o Google concluiu a aquisição da Looker por US$ 2,6 bilhões, uma popular ferramenta de BI.
Ferramentas de analytics preditivo também estão transformando ML em produto. O Google AutoML permite que não especialistas construam modelos diagnósticos e preditivos, e a Microsoft Azure agora tem uma ferramenta de ML automatizado que torna a criação de modelos tão simples quanto importar um conjunto de dados e dizer ao serviço qual valor prever.
Use produtos de dados com senso crítico
Ferramentas como essas permitem que profissionais não técnicos ganhem poder para usar dados. Mas é essencial saber usar do jeito certo. Hugo se interessa por produtos que ajudam as pessoas a reconhecer quando há vieses nos resultados. Ele recomenda conhecer o Survival of the Best Fit, um jogo educativo sobre vieses em contratações com IA.
4. Estratégia de dados é, na prática, cultura de dados
Quanto dos dados realmente é usado?
Já falamos que coletar montanhas de dados (big data) não é tão importante quanto coletar dados essenciais e relevantes (small data). Em uma enquete feita durante o webinar, vimos que 53% dos participantes usam menos da metade dos dados que coletam. O objetivo, claro, é fazer mais dados trabalharem a seu favor. Isso exige uma estratégia de dados robusta e a construção de uma cultura de dados forte e saudável.
Como construir uma estratégia de dados
No episódio 30 do nosso podcast, DataFramed, Taras Gorishnyy, então Senior Analytics Manager na McKinsey, listou as peças-chave para montar uma estratégia de dados:
- Criar uma visão para analytics alinhada à estratégia da empresa
- Garantir forte apoio do nível executivo, com patrocínio, verba e entusiasmo
- Extrair valor cedo a partir de alguns casos de uso
- Implementar redesign de processos e mudança cultural para garantir a combinação certa de competências em dados na empresa
- Construir uma base de dados sólida para oferecer dados integrados, confiáveis e oportunos
A necessidade de redesenhar processos e promover mudança cultural
A missão da DataCamp de democratizar habilidades em dados no mundo todo se conecta diretamente ao quarto ponto: ajudar empresas a construir uma cultura fluente em dados. Ainda assim, em uma pesquisa com mais de 300 organizações em 2019, vimos que apenas 39% das empresas com fluência madura em dados haviam implementado redesign de processos e mudança cultural em relação a dados — e só 7% entre as com fluência imatura.
Fonte: Don’t Wait: What 300+ L&D Leaders Have Learned About Building Data Fluency
Capacitar, e não apenas contratar, é o caminho para a fluência em dados
Todo mundo quer contratar talentos de ponta, mas, pela regra 80/20, a maioria das empresas não vai conseguir. Existe escassez de talentos frente à abundância de trabalho com dados, e é irrealista basear a estratégia em contratar “unicórnios”. A alternativa? Construir uma cultura de dados focada em capacitação e requalificação do seu time, cultivando um ambiente de aprendizagem na empresa.
5. Por que estratégia de dados é, no fundo, sobre empatia
Considere seus stakeholders
Hugo defende que estratégia de dados, como qualquer estratégia de negócio, exige considerar com cuidado quem você impacta e o que diferentes stakeholders precisam. A estratégia de dados de uma empresa orienta como ela constrói produtos e toma decisões em larga escala. Ao usar dados, lembre-se: cada ponto representa uma pessoa ou um grupo. Não há dúvida de que dados ajudam empresas em escala — mas também podem prejudicar.
Um exemplo: há alguns meses, veio à tona que o Apple Card seria “sexista” com mulheres que solicitavam crédito. Mesmo que a Apple não tenha tido a intenção de comprometer a equidade no processo, acabou enfrentando um grande problema de PR e maior escrutínio regulatório. Algoritmos não podem ser confiados cegamente — eles precisam ser avaliados com empatia.
Reconheça seus pontos cegos
No episódio 50 do nosso podcast, DataFramed, Cathy O’Neil, autora de Weapons of Math Destruction, disse: “Ciência de dados não apenas prevê o futuro. Ela causa o futuro.”
Empresas que constroem produtos e estratégias de dados em larga escala não só precisam listar quem acreditam ser seus stakeholders, mas também consultar o máximo de pessoas possível, porque inevitavelmente haverá grupos impactados que passarão despercebidos — como aconteceu com a Apple.
Seja honesto sobre quais tarefas serão automatizadas
Muita gente teme que máquinas vão tomar seus empregos. Mas, com o avanço da tecnologia, o maior desafio não será a automação do emprego inteiro — será a automação de tarefas. Partes do trabalho de alguém podem acabar sendo automatizadas. O desafio para as empresas é entender como capacitar e requalificar essas pessoas diante da automação e como direcioná-las para atividades de maior valor.
Para se aprofundar nesses temas, assista ao webinar do Hugo sob demanda.
