Promovendo a cultura e a mentalidade orientadas por dados em torno da ciência de dados e da IA
Nos últimos dois anos, tenho compartilhado artigos sobre Inteligência Artificial (IA) com foco em negócios, a partir de leitura, estudo e curadoria – buscando o melhor para agregar valor aos leitores. Nesse sentido considero este artigo extremamente relevante aos líderes e gestores que estão buscando literacia e melhor entendimento em como usar melhor os dados disponíveis em suas organizações para permanecerem competitivos e inovadores.
Pensar estrategicamente é bastante simples, basta olhar para o futuro do negócio em questão (visão) e escolher o caminho a ser percorrido para chegar lá (estratégia), partindo das capacidades existentes, identificar as capacidades necessárias e preencher a lacuna existente.
O mesmo ocorre quando se pensa sobre uma estratégia de dados, é preciso primeiramente identificar o que se pretende com os dados e depois traçar uma estratégia, com objetivos e metas bastante claros do que fazer com eles. Porém, o que geralmente existe nas organizações, é uma lacuna entre os dados coletados e o entendimento deles.
A figura que segue, mostra uma linha grossa exemplificando os dados coletados, uma linha fina exemplificando o entendimento dos dados pelos gestores, e por fim uma linha tracejada que exemplifica um possível novo entendimento sobre os dados a partir de uma perspicácia de dados. Tal perspicácia pode ser conseguida com recursos tecnológicos inteligência artificial, aprendizado de máquina, aprendizado profundo e outras abordagens.
Fonte: AI Ladder – Acelerate your Journey to AI, by Rob Thomas & Paul Zikopoulos, 2020
Nesse sentido, alguns fatores devem ser considerados:
- Entender “por que os dados são críticos” e, mais importante, “que os dados certos são críticos, e não todos os dados”;
- Do ponto de vista da ciência de dados e da IA, as estratégias de “defesa de dados” e “ofensiva de dados” devem equilibram o pêndulo que impulsiona o sucesso, portanto, uma fusão dessas duas estratégias é fundamental.
Alinhamento da força de trabalho-cultura na ciência de dados:
Embora a estratégia orientada por dados seja extremamente crítica para gerar valor e impacto nos negócios, é igualmente importante haver uma cultura e uma mentalidade apropriada para tal.
Conforme a referência do Gartner de Workforce-Culture Alignment a cultura data-driven é um fator multiplicador de conhecimento, mentalidade e comportamento; e isso reflete para atuar em ciência de dados, como segue:
- Conhecimento em ciência de dados = os funcionários entendem alguns dos atributos culturais que a liderança sênior pensa e age para que suas empresas sejam bem-sucedidas
- Mentalidade em ciência de dados = os funcionários acreditam que os atributos culturais tornarão suas empresas mais bem-sucedidas e contribuem pessoalmente para isso e estão comprometidos em defender algumas dessas ações estabelecidas
- Comportamento na ciência de dados = os funcionários inculcam os atributos culturais na maneira como realizam seu trabalho e dependem disso para navegar por situações desafiadoras
Data Science é um esporte de equipe e depende significativamente dessa intervenção de “Workforce-Culture Alignment in Data Science” para se destacar e acelerar a jornada em Dados e IA.
Equilíbrio entre Estratégias de Ofensiva de Dados e Defesa de Dados:
A “ofensiva de dados” normalmente se concentra em aumentar a receita, melhorar a lucratividade, aumentar a experiência do cliente, aumentar a satisfação do cliente etc.
Ao mesmo tempo, a “defesa de dados” geralmente se concentra na redução de riscos, redução do custo total de propriedade, redução dos custos de manutenção, resolução de problemas de dados internamente dentro da organização e padronização, tornando os dados compatíveis com a regulamentação etc.
O CIO (Chief Information Officer) e CDO (Chief Data Officer) geralmente têm tarefas em torno de estratégias de defesa de dados, enquanto CAO (Chief Analytics Officer) terá o foco em estratégias de ofensiva de dados. Idealmente, o CEO (Chief Executive Officer) é neutro para ambos.
Para uma paixão e cultura orientadas por dados dentro da organização, é muito importante formar uma estratégia híbrida que englobe ambos e forme uma amálgama dos dois. Poucos temas de caso de uso de nível muito alto são capturados na representação diagramática abaixo como um ponto de vista. Isso não é exaustivo e não é preciso para as coordenadas da perspectiva de importância relativa, mas visa fornecer uma direção ao nosso processo de pensamento.
A cultura e a estratégia orientadas por dados percorrem aa seguintes etapas de ações:
- Definir metas, objetivos – É necessário definir metas/objetivos orientados por dados a partir da estratégia geral definida pela alta liderança para alinhamento da organização. É uma boa prática ter uma ideia clara se são de curto, médio ou longo prazo para que as ações sigam de acordo.
- Identificação de dados adequada – A identificação de dados apropriados/corretos é a chave para o sucesso. Isso reduz o custo ao longo da linha se soubermos que não precisamos de todos os dados ou de mais dados, mas de dados muito “específicos” para a análise e processo de geração de insights. Além disso, ferramentas e técnicas “certas” serão necessárias. Isso ajuda a construir um design robusto, com arquitetura com foco em escalabilidade e facilidade de manutenção.
- Percorrer os KPIs de negócios – A determinação de KPIs de negócios (indicadores-chave de desempenho) para critérios de sucesso deve ser realizada em um estágio inicial. Pode ser por setor, por várias funções como Vendas, RH, Marketing, Sucesso do Cliente, Gestão/Liderança etc. Isso ajuda no estreitamento dos objetivos para melhor cumprimento das metas.
- Entender a maturidade do Analytics – A avaliação da maturidade do Analytics deve ser realizada antes de iniciar uma jornada ou qualquer iniciativa de transformação. Isso ajuda a avaliar o nível de maturidade atual (AS-IS) e fornece uma imagem clara sobre o que focar no futuro. O ciclo de vida de ponta a ponta, Data Science CRISP-DM, ajuda a focar onde a energia precisa ser gasta – se em análise de dados, visualização de dados, integração de dados “certos” em um só lugar para melhor análise, engenharia de recursos, seleção de recursos, modelo desenvolvimento, avaliação de modelo, implantação de modelo, gerenciamento e monitoramento de modelo, gerenciamento de versão e gerenciamento de dados e desvios de modelo etc.
- Formular Estratégia promovendo inovação – Formular a estratégia promovendo a inovação ajuda. Novos métodos para lidar com dados, curadoria de dados, obter insights de dados ajudam muito e para isso uma estratégia deve ser definida para a realização de valor. Se as empresas puderem trabalhar para obter valor tangível dos dados, isso seria um grande passo. Algumas das perguntas que vêm à mente no processo estão nas seguintes áreas, por exemplo: encontrar novos fluxos de receita, melhorar e otimizar os modelos de negócios existentes, criar eficiências internas e monitorar os mesmos para melhor controle, manter a conformidade regulatória, aumentar a taxa de alfabetização de dados, criar novos produtos e insights, estratégia para “X Analytics” (Customer Analytics, Marketing Analytics , Operation Analytics, CRM Analytics, Retail Analytics, Healthcare Analytics etc.), estratégia para AI com Cloud, AI com Blockchain, AI com IoT, AI com AR/VR etc.
- Contratar o Talento “certo” – Contrate especialistas de dados certos com “talentos” apropriados na equipe para executar todas as etapas das operações de maneira bem-sucedida.
- Definir as funções e a recompensa aos talentos – Definir funções como administradores de dados e proprietários de dados é extremamente importante e crítico. Com base nesse e em outros papéis adequados, a matriz de atribuições de responsabilidade (RACI) pode ser formulada. Isso ajuda na Governança de Dados. Recompense talentos/equipes pelo uso diligente de dados, traga a cadeia de valor de motivação de dados dentro da organização.
- Analisar dados e medir a realização de valor – Use ferramentas e técnicas apropriadas para analisar dados. Explore dados para entender melhor os padrões, correlações e insights significativos. Uma vez que entendemos e preparamos melhor os dados, torna-se cada vez mais simples descobrir valor e obter insights tangíveis a partir deles.
- Treinar sua equipe/funcionários/talentos – Treine sua equipe aproveitando os métodos certos, modelos e soluções certos. Abordagem de design thinking, compreensão de modelos apropriados para casos de uso específicos, arquitetura para formular diferentes modelos e soluções podem ser treinadas. Upskilling, cross-skilling e requalificação são aspectos importantes, mas devem ser executados com cuidado com base na necessidade, resultado, uso, interesse etc.
- Permitir adoção contínua – A adoção de cima para baixo deve fluir perfeitamente. O provisionamento de acesso correto aos dados corretos para as pessoas corretas deve estar alinhado para realizar essa atividade. Tornar a prova de conceitos simples e robusta ajuda, em vez de pensar muito sofisticado, complexo desde o início. Todo o propósito é de adotar uma cultura onde estes ganhos rápidos fornecem motivação para a construção de uma base sólida e, em seguida, gerar impulso.
- Gerar dados para negócios – Defina como os dados são coletados, quais são as fontes de dados de entrada, qual equipe está envolvida na coleta de dados e assim por diante. Se a pesquisa for conduzida para gerar conjuntos de dados, isso deve ser planejado de forma eficaz.
- Impacto e valor de rendimento – Analise o resultado de negócios e a realização de valor e meça-o para métricas de sucesso. Documente as lições aprendidas e continue melhorando os processos sobre onde melhorar, em que estágio etc.
Concluindo
Em resumo, a tomada de decisão baseada em dados depende de várias dimensões e as empresas devem seguir uma abordagem estruturada para enfrentar os desafios que enfrentam. A gestão de valor de Data Science segue alguns dos pontos críticos mencionados. É importante definir a estratégia com inovação em todas as etapas e executá-la com esforços e ações em torno dela.
Para os interessados em Data-Driven Marketing, recomendo o capítulo 4 do livro “Trends MKT na Era Digital: O futuro do Marketing”, de Martha Gabriel, Rafael Kiso e outros autores colaboradores, bem como o post Data Driven Marketing
Para pequenas e médias empresas iniciando no tema, recomendo o artigo “PMEs deveriam pensar mais sobre DADOS”
Se gostou, por favor, compartilhe.
Conte comigo em seus projetos. Sobre mim: aqui. Contato: aqui.
Um abraço, @neigrando
Referências
- Este texto partiu do conteúdo traduzido e adaptado com base no post original em inglês “Data-driven Strategy in Data and AI”, de Kamal Mishra (2021)
- AI Ladder – Acelerate your Journey to AI, by Rob Thomas & Paul Zikopoulos, 2020
Blog do Nei 