Logo E-Commerce Brasil

Em busca do projeto de dados perfeito: quatro habilidades indispensáveis

Por: Elcio Santos

É CEO da Always On Ciência e Engenharia de Dados. Tem mais de 20 anos de experiência em posições de liderança estratégica tanto em grandes empresas como em startups do mercado digital. Trabalhou no desenvolvimento e na implantação de algumas das principais ferramentas de martech no Brasil, sendo hoje parceiro certificado da Oracle (CX) Responsys. Tem reconhecida autoridade em transformação digital, ajudando empresas a obterem resultados financeiros expressivos por meio de estratégias em dados, CRM, vendas (on e offline) e integração multicanal.

A primeira coisa que o Chief Marketing Technology Officer da Always On, Wesley Ruiz, faz nos cursos e palestras que ministra para aspirantes a cientistas de dados, logo depois do bom dia ou boa noite, é perguntar o que aqueles futuros profissionais esperam aprender. E o escopo das respostas costuma ser bem amplo, coisas como “analisar dados”, “construir bons modelos”…

À medida que os dados e a análise se tornam cada vez mais incorporados na tomada de decisões e nas soluções de negócios, as equipes de dados devem ir muito além da mera resolução dos problemas que lhes foram atribuídos.

Ao conduzir workshops em que os participantes são cientistas de dados praticantes, as respostas geralmente giram em torno do que podemos chamar de “resolução de problemas”, o que é, sem dúvida, um passo na direção certa – mas, ainda assim, são respostas bastante limitadas em termos do que estamos buscando para garantir o desenvolvimento, a implementação e a execução perfeita de projetos de dados.

É preciso ir mais longe

Todos os setores – da agricultura à manufatura, da saúde aos serviços financeiros, da mídia ao varejo – estão cada vez mais se tornando dependentes da capacidade que temos de coletar, estruturar e analisar dados. Nesse cenário, a próxima geração de cientistas de dados será composta de verdadeiros líderes, capazes de exercer funções de mais longo alcance e causarem impacto nas estratégias, nas tomadas de decisão e nas operações.

O professor Joel Shapiro, da Kellogg School of Management, Northwestern University, desenvolveu um modelo muito prático e eficaz que costumamos usar aqui na Always On. Ele é composto de quatro áreas principais de habilidades e capacidades que têm o objetivo de orientar os cientistas de dados atuais e futuros a como aprimorar sua atuação para agregar o máximo valor a um negócio.

O segredo é garantir que o trabalho da ciência de dados seja visto como importante e indispensável pelos executivos das demais áreas da empresa – especialmente os componentes do chamado C-Level: CEO, CMO, CFO etc.

O modelo de Shapiro implica uma maior compreensão de cada área de negócio. Dessa forma, os cientistas de dados praticantes e aqueles que estão se preparando para entrar na área podem ver como os seus conhecimentos e experiências se acumularam – e onde precisam de mais desenvolvimento.

1. Identificação de problemas: vendo o problema real

À medida que se aprofundam na análise de toda a empresa, os líderes de dados têm um lugar na primeira fila para quase todas as operações e funções. Isso lhes proporciona um ponto de vista único para resolver problemas e identificar novos.

Quer um exemplo do mundo real?

Em uma rede de hotéis de médio porte, o processo de check-in vinha recebendo notas baixas nas pesquisas de satisfação. Aparentemente, os hóspedes consideravam que o check-in era mal gerenciado, demorava muito e não entregava os resultados desejados. A administração também descobriu que as pessoas que avaliaram mal o check-in tinham uma taxa menor de retorno ao hotel.

A equipe de análise de dados foi encarregada de descobrir a raiz do problema de check-in. No entanto, nenhum dos dados analisados – informações demográficas, tipos de quartos, local do check-in, na recepção, em um quiosque, pelo telefone ou via internet, hora do dia, época do ano, se os clientes estavam ou não no programa de fidelidade – nada parecia apontar uma causa clara para o problema.

Um dos analistas sugeriu ampliar o escopo das pesquisas, incluindo as reclamações que eram coletadas continuamente. Bastaram algumas análises de texto em linguagem natural para perceber que a infraestrutura do hotel estava longe de ser ideal: os hóspedes tinham problemas com o Wi-Fi, as chaves dos quartos ocasionalmente não funcionavam, os móveis estavam quebrados ou os quartos não estavam limpos quando chegavam. Esses problemas envolviam a experiência do cliente como um todo e não estavam diretamente relacionados ao check-in, mas os hóspedes os atribuíam ao processo de check-in porque era disso que se tratava a pesquisa. Ou seja, o problema estava na forma como o hotel estava sendo administrado, não no processo de check-in.

Conclusão: é fundamental entender que quem trabalha com dados geralmente tem acesso a insights profundos e exclusivos sobre diversos aspectos do negócio – e é mais capaz de adotar uma visão mais ampla e, assim, pode atuar sobre o que é realmente importante para a organização.

2. Escopo do problema: ganhando clareza e especificidade

Depois que um problema for identificado, a próxima etapa é determinar seu escopo, ou seja, obter clareza sobre a natureza do problema e como a análise pode ajudar a resolvê-lo.

Os executivos costumam abordar o problema usando jargões e termos excessivamente gerais. Mais ou menos assim: “Estamos lutando para atingir nossas metas de satisfação de clientes – precisamos nos concentrar em nossas estratégias de entrada no mercado. Pode ser um problema de pipeline, mas simplesmente não temos alinhamento. Acho que estamos jogando nas caixas de areia certas, agora só precisamos saber quem e por quê”.

Aqui na Always On, usamos workshops para ajudar os executivos de negócio a transformar questões vagas como a do parágrafo anterior em orientações técnicas que permitam aos analistas selecionar os dados e as técnicas de análise corretas para resolver o problema.

Dessa forma, eles são orientados a corrigir as questões, fazendo a si mesmos perguntas esclarecedoras como “o que queremos dizer com ‘alinhamento?’”, “como estamos medindo as metas de satisfação do cliente?” e “que medidas indicam que tivemos sucesso (ou não)?”. O que se segue é um processo interativo de extração de informações para ajudar a criar um problema bem definido que pode ser resolvido com ferramentas e conceitos de análise de dados.

Eis algumas perguntas investigativas que podem ser feitas:

1. Qual é exatamente o problema que estamos tentando resolver?
2. Que resultados, se melhorados, indicariam que o problema foi realmente resolvido?
3. Que dados estariam idealmente disponíveis para resolver o problema e que dados estão realmente disponíveis?
4. Como a análise levará a uma solução?

Responder à última pergunta é sem dúvida a parte mais importante, pois determinará a técnica analítica apropriada – por exemplo, alguns insights simples ou um modelo de inferência preditiva ou causal mais formal.

Conclusão: para se destacarem na definição do escopo do problema, os líderes de dados precisam de boas habilidades de comunicação para conversar sobre o problema com o líder empresarial e chegar à especificidade necessária que permitirá que ferramentas e conceitos de análise de dados contribuam significativamente para o negócio. Só então o problema pode ser entregue à equipe de dados para análise.

3. Administrando os problemas: obtendo atualizações, coletando feedback

Depois que o problema é identificado e definido, muitos analistas de dados ficam isolados e só emergem quando encontram uma solução. Essa abordagem é altamente problemática. Para ser mais eficaz, o processo requer uma grande partilha de informações e definição de expectativas.

Para os líderes de dados, isso significa capacitar sua equipe para que se sinta mais confortável ao fornecer resultados preliminares à equipe de negócios. Cada troca torna-se então uma oportunidade para obter feedback. Por exemplo: “esses resultados iniciais são de interesse da equipe de negócios?” e “estamos definindo os termos corretamente?”. De uma atualização para outra, os resultados vêm acompanhados de atualizações sequenciais até a conclusão do projeto.

Essa abordagem vai contra a forma como alguns cientistas de dados preferem trabalhar. Às vezes, eles ficam encantados com seus modelos e suas técnicas criativas de resolução de problemas e mal podem esperar pela grande revelação. Mas “grandes revelações” são uma má prática. Muitas surpresas em uma apresentação final podem colocar o público na defensiva. A razão? Resultados surpreendentes muitas vezes levam as pessoas a questionar os dados e métodos subjacentes.

Todo modelo de dados requer suposições (por exemplo, o que fazer com os dados ausentes, como tratar valores discrepantes etc.). Se as equipes de dados que trabalham ativamente nas análises não divulgarem e discutirem suas suposições com antecedência – e, em vez disso, esperarem até o fim -, a equipe de negócios irá acumular perguntas e apontar os pontos fracos. No entanto, ao envolver a equipe de negócios na tomada de decisões ao longo do caminho, ela acreditará nos resultados e comprometerá sua confiança.

Conclusão: a administração de problemas estabelece um processo de fornecimento de atualizações regulares e coleta de feedback da equipe de negócios. Cientistas de dados e líderes de equipe fortes nessa área são capazes de incentivar e facilitar discussões francas que garantem que o resultado final atinja o objetivo da equipe de negócios – sem surpresas.

4. Tradução das soluções: falar no idioma do público

Neste ponto, fazemos a transição do problema para a solução, cujo sucesso depende de quão bem os líderes de dados e suas equipes executaram as três primeiras etapas. Mais do que determinar uma resposta final, a equipe de dados deve entregar uma solução que seja compreensível e, portanto, acionável.

Não se trata apenas de colocar os dados em um gráfico ou outro formato visual. Em vez disso, a solução – sejam insights de dados ou um novo curso de ação recomendado pelo modelo – deve ser transmitida em uma linguagem que a equipe de negócios possa compreender. Uma ferramenta que recomendamos é o memorando de análise de dados de duas páginas, que destaca os elementos mais importantes do problema a ser resolvido. Embora duas páginas possam parecer altamente condensadas, especialmente em comparação com os relatórios robustos que as equipes de dados costumam gerar, a brevidade é o poder por trás dessa arma secreta.

Conclusão: a tradução da solução exige que os líderes de dados deem um passo atrás e considerem como causar o máximo impacto com suas análises e recomendações. Ao utilizar uma linguagem simples, sem comprometer a complexidade, os líderes de dados que se destacam nessa área podem fazer o equivalente a um discurso de elevador para envolver os líderes empresariais com soluções atraentes e compreensíveis.

Resumindo…

À medida que os dados e a análise se tornam cada vez mais incorporados na tomada de decisões e nas soluções de negócios, as equipes de dados devem ir muito além da mera resolução dos problemas que lhes foram atribuídos.

Os líderes de dados e suas equipes devem se concentrar nos termos “colaboração” e “comunicação”. Isso significa tornar-se mais adepto de funções mais amplas que os ajudem a identificar o problema real, definir a sua natureza e importância, orientar o processo com atualizações periódicas e fornecer e traduzir soluções que realmente causarão impacto.

Dúvidas? Entre em contato comigo pelo e-mail elcio@aodigital.com.br e terei a maior satisfações em esclarecê-las.