{"id":5475,"date":"2022-11-28T05:01:00","date_gmt":"2022-11-28T05:01:00","guid":{"rendered":"http:\/\/ianews.com.br\/?p=5475"},"modified":"2022-11-22T23:12:51","modified_gmt":"2022-11-22T23:12:51","slug":"reflexoes-sobre-a-construcao-de-uma-capability-habilitadora-de-dados","status":"publish","type":"post","link":"https:\/\/ianews.com.br\/reflexoes-sobre-a-construcao-de-uma-capability-habilitadora-de-dados\/","title":{"rendered":"Reflex\u00f5es sobre a constru\u00e7\u00e3o de uma capability habilitadora de dados"},"content":{"rendered":"\n

Por JM Benedetto<\/a>, Senior Manager Solutions & Value Acceleration<\/p>\n\n\n\n

Qualquer atividade empresarial deve come\u00e7ar com o fim em mente. Isso inclui aquelas relacionadas aos dados. Dados s\u00e3o meio, n\u00e3o fim. S\u00e3o ferramentas para atingirmos os objetivos do neg\u00f3cio. Muitas vezes, esse princ\u00edpio b\u00e1sico acaba esquecido ou atropelado pelo dia a dia fren\u00e9tico das empresas. Nossas equipes acabam t\u00e3o focadas no que fazem que perdem de vista o motivo que as levou at\u00e9 a a\u00e7\u00e3o.<\/p>\n\n\n\n

Muitos dos modelos conceituais que usamos para operacionalizar nossas ideias no mundo comprovativo tamb\u00e9m tendem a olhar atividades e fluxos do in\u00edcio ao fim. A cadeia de valor do dado \u00e9 um exemplo, com pipelines come\u00e7ando no dado bruto e terminando no valor criado para o neg\u00f3cio. No entanto, ao montarmos um produto de dados, devemos seguir o caminho contr\u00e1rio, discutindo qual efeito queremos causar, qual comportamento humano precisamos mudar. Todo o resto \u00e9 consequ\u00eancia dessa primeira an\u00e1lise.<\/p>\n\n\n\n

Uma estrat\u00e9gia de dados deve combinar processos, conhecimento e ativos em uma capability habilitadora de dados capaz de criar valor nas diversas \u00e1reas de neg\u00f3cio da empresa. Ao menos tr\u00eas componentes s\u00e3o essenciais para uma estrat\u00e9gia de sucesso:<\/p>\n\n\n\n

Aplica\u00e7\u00f5es: os problemas de neg\u00f3cio que estamos tentando resolver com dados (ex.: recomenda\u00e7\u00e3o de produtos);<\/li>\n\n\n\n

Tech & Data: a base tecnol\u00f3gica para suportar as aplica\u00e7\u00f5es. Aqui entram os dados, sua governan\u00e7a, os softwares e hardwares utilizados (ex.: data lake, data viz, data science, integra\u00e7\u00e3o, …);<\/li>\n\n\n\n

Pessoas: cultura data influenced, data literacy, organiza\u00e7\u00e3o, perfil (ex.: treinamentos, mentorias, requisitos de cargo, avalia\u00e7\u00e3o de desempenho, cerim\u00f4nias da lideran\u00e7a, incentivos).<\/li>\n<\/ul>\n\n\n\n

O caminho para constru\u00e7\u00e3o de uma capability de dados \u00e9 tortuoso, com muitos percal\u00e7os. Como ex-CDO (Chief Data Officer) de um grande varejista de material de constru\u00e7\u00e3o, tive a oportunidade de aprender em primeira m\u00e3o algumas li\u00e7\u00f5es sobre a introdu\u00e7\u00e3o dos dados em uma organiza\u00e7\u00e3o centen\u00e1ria. Compartilho a seguir alguns desses aprendizados.<\/p>\n\n\n\n

Democratiza\u00e7\u00e3o de dados<\/strong><\/p>\n\n\n\n

A democratiza\u00e7\u00e3o do dado pede mais governan\u00e7a, n\u00e3o menos. N\u00e3o foi o carro quem transformou a mobilidade urbana; o ecossistema que constru\u00edmos no entorno do carro, sim (Detran, habilita\u00e7\u00e3o, autoescola, estradas, legisla\u00e7\u00e3o de tr\u00e2nsito, guardas de tr\u00e2nsito). Darmos acesso \u00e0s bases de dados ao neg\u00f3cio esperando que as equipes criem valor \u00e9 t\u00e3o eficaz quanto acabar com a pol\u00edcia e armar toda a popula\u00e7\u00e3o, esperando que as pessoas se defendam.<\/p>\n\n\n\n

Se quisermos dar mais liberdade ao neg\u00f3cio, devemos estruturar, preparar, suportar, habilitar e controlar a plataforma de dados. Uma das principais miss\u00f5es das equipes de dados \u00e9 construir quartos montessorianos para nossas equipes de neg\u00f3cio pensados para suportar autonomia e experimenta\u00e7\u00e3o. Isso nada mais \u00e9 do que uma aplica\u00e7\u00e3o dos preceitos de UX aos dados.<\/p>\n\n\n\n

Ao mesmo tempo, n\u00e3o podemos cair no erro de tentar governar tudo. Governar \u00e9 uma atividade de gest\u00e3o de risco e tem um custo, seja em dinheiro, seja em velocidade. Governe o que \u00e9 essencial. N\u00e3o temos um guarda de tr\u00e2nsito em cada carro, e ainda assim temos n\u00edveis aceit\u00e1veis de riscos no tr\u00e2nsito.<\/p>\n\n\n\n

Code para resolver o complicado, no-code\/low-code para todo o resto<\/strong><\/p>\n\n\n\n

Estamos ainda jovens na jornada de dados nas empresas, e muita coisa est\u00e1 em constru\u00e7\u00e3o. Quando a jornada come\u00e7ou o uso de c\u00f3digo era a \u00fanica op\u00e7\u00e3o. Nossas equipes t\u00e9cnicas trabalhavam como artes\u00e3os, construindo cada pipeline como um artista faz sua escultura. Com o tempo, o conhecimento acumulado e a fatia de custos associada aos dados abriram a porta para uma mir\u00edade de solu\u00e7\u00f5es t\u00e9cnicas, com foco na simplifica\u00e7\u00e3o, robustez e automa\u00e7\u00e3o do trabalho das equipes de dados.<\/p>\n\n\n\n

J\u00e1 est\u00e1 na hora, portanto, de sairmos do mindset de artes\u00e3os e abra\u00e7armos a automa\u00e7\u00e3o como novo paradigma de desenvolvimento. Claro que ainda teremos partes do pipeline em Python, mas apenas aquelas que n\u00e3o puderem ser resolvidas pelo caminho do no-code\/low-code (ferramentas para constru\u00e7\u00e3o de aplica\u00e7\u00f5es sem necessidade de escrever c\u00f3digo). Essa mudan\u00e7a far\u00e1 pelos produtos de dados o que a industrializa\u00e7\u00e3o fez pelos produtos f\u00edsicos: uma queda dr\u00e1stica do custo, levando a uma explos\u00e3o de consumo.<\/p>\n\n\n\n

Somos todos diferentes (ainda bem!)<\/strong><\/p>\n\n\n\n

Uma parte grande do desafio de uso dos dados em processos de neg\u00f3cio n\u00e3o est\u00e1 na tecnologia. Muitas vezes, uma simples regress\u00e3o linear poderia mudar drasticamente a performance de um processo, se fosse utilizada. A barreira est\u00e1 na cultura da organiza\u00e7\u00e3o, embrenhada no que \u00e9 considerado certo e justo, o que \u00e9 refor\u00e7ado pelos incentivos que damos para nossas equipes.<\/p>\n\n\n\n

N\u00e3o h\u00e1 p\u00edlula m\u00e1gica para a transforma\u00e7\u00e3o cultural. No entanto, sabemos que ela passa por empoderar as equipes com conhecimento, apoio e dire\u00e7\u00e3o, al\u00e9m, \u00e9 claro, de incentivar os comportamentos desejados. Aumentar o n\u00edvel de data literacy das equipes se inclui na categoria empoderamento, e \u00e9 cr\u00edtico na transforma\u00e7\u00e3o data-influenced.<\/p>\n\n\n\n

Como dados tocam toda a empresa, por vezes pensamos em iniciativas corporativas e padronizadas. No entanto, pessoas diferentes precisam de n\u00edveis distintos de data literacy e, por vezes, de abordagens de aprendizado adaptadas. A necessidade de cada um est\u00e1 ligada ao papel que desempenha na organiza\u00e7\u00e3o, e tamb\u00e9m \u00e0 sua personalidade. Assim, qualquer programa de data literacy deve come\u00e7ar por identificar as equipes respons\u00e1veis pelos casos de uso priorit\u00e1rios, agrupando as pessoas em popula\u00e7\u00f5es com perfis e necessidades semelhantes. S\u00f3 ent\u00e3o podemos pensar em a\u00e7\u00f5es para aumentar o n\u00edvel de data literacy de cada popula\u00e7\u00e3o.<\/p>\n\n\n\n

As ferramentas de DataViz (visualiza\u00e7\u00e3o de dados) podem ser um grande aliado na introdu\u00e7\u00e3o dos dados ao cotidiano das pessoas. Essas ferramentas s\u00e3o o primeiro contato das equipes com a aplica\u00e7\u00e3o de dados a problemas de neg\u00f3cio (depois do Excel!) e est\u00e3o por toda parte nas empresas. Uma boa ferramenta de DataViz pode ser a garota propaganda do dado.<\/p>\n\n\n\n

O DataViz, por defini\u00e7\u00e3o, busca simplificar o insight e tornar intuitiva a intera\u00e7\u00e3o com o dado. A evolu\u00e7\u00e3o das ferramentas de DataViz s\u00e3o as plataformas de Analytics e, em especial, as que suportam Augmented Analytics. Essas ferramentas oferecem uma combina\u00e7\u00e3o de assistentes virtuais, linguagem natural e AutoML, entre outros facilitadores. Quando combinadas, essas funcionalidades reduzem drasticamente o n\u00edvel de conhecimento necess\u00e1rio para o bom uso da ferramenta pelas equipes de neg\u00f3cio e permitem que leigos realizem an\u00e1lises complexas.<\/p>\n\n\n\n

Conclus\u00e3o<\/strong><\/p>\n\n\n\n

N\u00f3s, profissionais de dados, temos a miss\u00e3o de democratizar o acesso ao dado em nossas organiza\u00e7\u00f5es. Como em qualquer transforma\u00e7\u00e3o organizacional, esse processo exigir\u00e1 muito esfor\u00e7o, e nem todos conseguir\u00e3o terminar a jornada. Para aumentar a chance de sucesso, podemos aproveitar o conhecimento coletivo que estamos acumulando como comunidade. Alguns pontos importantes:<\/p>\n\n\n\n