Dados

10 passos para criar uma cultura orientada por dados

David Waller
15 de maio de 2020

Volumes descomunais de dados podem promover nas empresas uma nova era de inovação baseada em fatos, na qual sólidas evidências serão utilizadas para embasar novas ideias. Encorajadas por promessas de clientes mais satisfeitos, operações mais modernas e estratégias mais explícitas, na última década, as empresas têm acumulado dados, investido em tecnologias e remunerado bem os profissionais da área de inteligência analítica. Mesmo assim, para muitas organizações, a ideia de uma cultura orientada por dados continua confusa e, raramente, dados são utilizados como base universal para a tomada de decisões.

Leia também:

Melhore o domínio em dados do seu time

Uma abordagem baseada em dados para maior diversidade na contratação de talentos

Por que é tão difícil?

O trabalho que desenvolvemos em diversos setores indica que os maiores obstáculos à criação de uma empresa baseada em dados não são de ordem técnica, mas cultural. É fácil descrever como utilizar os dados no processo de tomada de decisão. No entanto, é muito mais complicado normalizar isso e, até mesmo, transformar o conceito em algo automático para os funcionários — trata-se de uma mudança de paradigma bastante desafiadora. Portanto, reunimos dez mandamentos na área de dados que poderão ajudar a criar e sustentar uma cultura com esse objetivo. 

1. A cultura orientada por dados começa (lá) de cima. Nas empresas que adotam uma cultura orientada por dados, a alta gestão normalmente espera que as decisões sejam respaldadas em dados — e que isso seja a norma, não a novidade ou a exceção. Os gestores lideram pelo exemplo. Em um banco de varejo, os altos executivos atuam em conjunto, analisando as evidências de testes controlados de mercado para tomar decisões sobre o lançamento de produtos. Em uma renomada empresa de tecnologia, os líderes dedicam 30 minutos no início das reuniões para ler resumos de propostas e conhecer os fatos relacionados para que possam agir com base em evidências. Essas práticas acabam se propagando ao longo da estrutura hierárquica, pois funcionários que desejam ser levados a sério precisam se comunicar com a alta gestão de acordo com as regras definidas por ela, falando a mesma língua. O exemplo dado por alguns nos cargos mais altos pode promover mudanças significativas nos padrões de toda a empresa.

Aproveite o poder dos dados da sua empresa.

2. Selecione as métricas de forma cuidadosa — e inteligente. Ao escolherem o que deve ser medido e quais métricas os funcionários devem utilizar, os líderes conseguem influenciar comportamentos de forma considerável. Vamos supor que uma empresa consiga lucrar a partir da previsão das movimentações de preço dos concorrentes. Há uma métrica para isso: exatidão preditiva ao longo do tempo. Desta forma, uma equipe deve fazer previsões explícitas e contínuas sobre a escala e a direção dessas movimentações. Ela também deve monitorar a qualidade dessas previsões – que melhorarão cada vez mais!

Por exemplo, uma grande operadora de telecomunicações queria que sua rede proporcionasse a melhor experiência possível a clientes importantes. Entretanto, a empresa havia apenas coletado estatísticas agregadas sobre o desempenho da rede. Sendo assim, sabia pouco sobre o que cada um estava recebendo e sobre a qualidade do serviço prestado. Ao criar métricas detalhadas sobre a experiência dos clientes, a operadora conseguiu realizar uma análise quantitativa do impacto no consumidor causado pelos upgrades realizados na rede. Para isso, a empresa precisou apenas de uma abordagem mais agressiva em relação à origem e ao consumo de seus dados — e é disso que estamos falando.

3. Não isole os seus cientistas de dados. Normalmente, esses profissionais ficam isolados do restante da organização e isso faz com que eles e os líderes da empresa se conheçam muito pouco. A inteligência analítica não consegue sobreviver ou agregar valor se estiver atuando separadamente do restante da empresa. Os profissionais que conseguiram eliminar esse problema o fizeram basicamente de duas formas.

A primeira tática é tornar mais permeável qualquer divisão existente entre a empresa e os cientistas de dados. Uma seguradora de atuação global faz um rodízio com seus funcionários, retirando-os de centros de excelência e direcionando-os a funções de linha, onde trabalham para aumentar a escala de uma prova de conceito. Posteriormente, eles retornam ao centro. Uma empresa global de comércio de commodities criou cargos em diversas áreas funcionais e linhas de negócios para aumentar a sofisticação analítica. Os ocupantes desses novos cargos se relacionam com os centros de excelência de forma indireta. Por fim, as particularidades são menos importantes que o princípio em si, que é encontrar formas de combinar o conhecimento especializado com o know-how técnico.

Empresas líderes empregam outra estratégia. Além de aproximar a ciência de dados da empresa, as organizações levam a empresa à ciência de dados, insistindo, principalmente, que os funcionários tenham uma boa noção de códigos e que sejam conceitualmente fluentes em assuntos quantitativos. Os altos executivos não precisam começar uma nova carreira como engenheiros de aprendizado de máquina. Mas desconhecer a linguagem dos dados não é mais uma opção para os líderes dessas organizações.

4. Resolva com agilidade problemas básicos de acesso a dados. A reclamação mais comum é a dificuldade de obter até mesmo os dados mais básicos, independente do departamento da empresa. De forma curiosa, essa situação persiste apesar dos inúmeros esforços para democratizar o acesso a dados nas organizações. Sem informações, os analistas não realizam muitas análises, ficando impossível criar uma cultura orientada por dados e, muito menos, permitir que ela deslanche.

Esse empasse é resolvido nas empresas de destaque com uma estratégia simples. Em vez de programas grandiosos — mas lentos — para reorganizar todos os seus dados, elas concedem acesso universal a apenas algumas medidas importantes por vez. Por exemplo, um banco de atuação global, que buscava prever de forma mais efetiva as necessidades de refinanciamento de empréstimo, criou uma camada de dados padrão para o departamento de marketing, com foco nas medidas mais relevantes. Nesse caso, essa camada incluía dados centrais relacionados às condições do empréstimo, saldos e informações sobre o imóvel; dados do canal de marketing sobre a origem dos empréstimos; e dados que caracterizavam o amplo relacionamento que os clientes têm com o banco. Independentemente da iniciativa, as métricas que estiverem na pauta dos altos executivos devem ser os primeiros dados a serem disponibilizados. Exigir que outros números sejam associados à essa fonte de dados em algum momento pode incentivar bastante o uso.

5. Esteja ciente do nível de incerteza. Todos sabem que não é possível obter uma certeza. Mesmo assim, a maioria dos gestores continua exigindo de suas equipes respostas sem uma medida correspondente de confiança. Eles estão perdendo uma grande oportunidade. Exigir que as equipes sejam explícitas e quantifiquem seus níveis de incerteza produz três resultados importantes.

Primeiro, obriga os responsáveis pelas tomadas de decisão a atacarem as possíveis fontes de incerteza: os dados são confiáveis? Os exemplos são muito escassos para um modelo confiável? Como os fatores podem ser incorporados quando não há dados disponíveis para eles, como a dinâmica competitiva mais recente? Um varejista descobriu que o aparente declínio nas taxas de retorno em seus modelos de marketing direto estava sendo causado por informações de endereço que estavam cada vez mais antigas. Uma atualização, além de um processo para mantê-los sempre assim, solucionou o problema.

Segundo, os analistas conseguem compreender melhor seus modelos quando precisam avaliar a incerteza de forma rigorosa. Por exemplo, os principais modelos de risco de uma seguradora no Reino Unido não haviam conseguido se ajustar adequadamente às tendências de mercado. Então a empresa criou um sistema de alerta antecipado para considerar essas tendências e identificar casos que, em outras circunstâncias, teriam passado despercebidos. Como resultado, a seguradora evitou prejuízos devido a aumentos repentinos no número de sinistros.

Por fim, tentar compreender a incerteza leva as organizações a realizar experimentos. “Na maioria dos locais, ‘testar e aprender’ significa ‘brincar e esperar’”, comentou o diretor de vendas de uma empresa de varejo. Em sua empresa, uma equipe de analistas quantitativos trabalhou com gerentes de categoria para realizar testes estatisticamente rigorosos e controlados de suas ideias, antes de implementarem grandes mudanças.

6. Prefira provas de conceito simples e robustas, não as requintadas e frágeis. Em inteligência analítica, existem muito mais ideias promissoras do que práticas. Normalmente, essa diferença só é identificada quando as empresas começam a produzir suas provas de conceito. Uma grande seguradora realizou uma maratona de programação interna e premiou o trabalho vencedor — uma bela melhoria em um processo online — apenas para, posteriormente, descartar a ideia porque alterações dispendiosas nos sistemas já existentes seriam necessárias. Rejeitar boas ideais dessa forma pode desmoralizar as organizações.

Uma abordagem melhor seria criar provas de conceito nas quais a parte central do conceito fosse sua viabilidade de produção. Uma maneira interessante seria começar com uma criação em nível industrial, mas que também fosse bastante simples e, posteriormente, aumentar o nível de sofisticação. Por exemplo, para implementar novos modelos de risco em um amplo sistema computacional distribuído, o primeiro passo de uma empresa de produtos de dados foi implementar um processo extremamente básico que funcionava de uma ponta a outra: um pequeno conjunto de dados que fluía corretamente de sistemas fonte passava por um modelo simples e, então, era transmitido aos usuários finais. Posteriormente, e sabendo que o todo ainda apresentava coerência, a empresa poderia aperfeiçoar cada componente de forma independente: volumes maiores de dados, modelos mais exóticos e melhor tempo de execução.

7. Ofereça treinamento especializado no momento certo. Muitas empresas investem agressivamente em treinamento e, no fim, os funcionários esquecem o que aprenderam por não colocarem o conhecimento em prática em tempo hábil. Ao passo que conhecimentos básicos, como codificação, devem fazer parte do treinamento, é mais efetivo oferecer aos funcionários treinamento sobre conceitos e ferramentas analíticos especializados, logo antes de tais recursos serem necessários — digamos, para uma prova de conceito. Uma empresa varejista esperou até pouco antes de seu primeiro teste de mercado para treinar seus analistas de suporte, na fase mais específica do design experimental. O conhecimento foi incorporado e conceitos que antes eram estranhos, como confiança estatística, agora fazem parte do vernáculo dos analistas.

8. Utilize a inteligência analítica para ajudar os funcionários e não apenas os clientes. É fácil esquecer que a fluência em dados pode tornar os funcionários mais satisfeitos. No entanto, empoderar os funcionários para que eles mesmos lidem com os dados pode fazê-los mais felizes, pois permite que sigam o conselho de um grande livro sobre programação: Automatize tarefas maçantes com Python. Se a ideia de aprender novas habilidades para melhor utilizar os dados for apresentada no logo no início, poucos funcionários ficarão animados para seguir em frente e melhorar seu trabalho. Contudo, se os objetivos imediatos trouxerem benefícios diretos — como economia de tempo, evitar o retrabalho ou conseguir informações normalmente necessárias — então a tarefa se torna uma escolha. Anos atrás, a equipe de inteligência analítica de uma importante seguradora aprendeu sozinha os princípios da computação em nuvem apenas para que pudesse realizar experimentos com os novos modelos em grandes bases de dados sem precisar esperar pelo departamento de TI atendar suas necessidades. A experiência se mostrou essencial quando, finalmente, o TI refez a infraestrutura técnica da empresa. Quando chegou o momento de enumerar as exigências de inteligência analítica avançada da plataforma, a equipe conseguiu fazer mais do que descrever uma resposta. Eles conseguiram apresentar uma solução que funcionasse.

9. Esteja disposto a trocar flexibilidade por consistência — pelo menos em curto prazo. Muitas empresas que dependem de dados mantêm diferentes “grupos de dados”. Cada grupo pode possuir suas fontes preferidas de informação, métricas personalizadas e linguagens de programação favoritas. Mas em uma organização, isso pode ser desastroso. As empresas acabam perdendo horas e horas tentando reconciliar versões discretamente diferentes de uma métrica que deveria ser universal. Inconsistências na forma de trabalhar dos modeladores também trazem impactos negativos. Se os padrões e linguagens de codificação variam numa mesma empresa, toda ação do profissional de inteligência analítica implica um novo treinamento, dificultando a circulação desses padrões e linguagens. Também pode ser bastante difícil compartilhar ideias internamente quando elas precisam ser sempre explicadas. Em vez disso, as empresas devem escolher métricas e linguagens de programação que sejam normativas. Um banco global líder de mercado fez exatamente isso, insistindo que os novos contratados nas áreas de investment banking e gestão de ativos soubessem programar em Python.

10. Crie o hábito de explicar as escolhas analíticas. Para a maioria dos problemas analíticos, raramente há uma única abordagem correta. Assim, os cientistas de dados devem fazer escolhas visando diferentes elementos em troca. Então, é interessante perguntar às equipes como elas abordaram determinado problema, quais alternativas foram consideradas, quais elementos de troca foram identificados e por que preferiram determinada abordagem em relação a outra. Fazer isso dá as equipes uma melhor compreensão das abordagens e normalmente possibilita que elas considerem um conjunto maior de alternativas ou reflitam novamente sobre suposições básicas. Uma empresa global de serviços financeiros inicialmente supôs que um modelo de aprendizado de máquina convencional para detecção de fraudes não poderia funcionar com a agilidade necessária para ser empregado na produção. Mas, posteriormente, a empresa percebeu que o modelo poderia ter um ótimo desempenho com apenas alguns ajustes. Quando começou a utilizá-lo, obteve melhorias impressionantes, identificando fraudes com precisão.

As organizações — e os departamentos e pessoas que as compõem — normalmente voltam a velhos hábitos porque as alternativas parecem ser arriscadas demais. Dados podem fornecer evidências para embasar hipóteses, dando aos gestores confiança para que desbravem novas áreas e processos sem que seja preciso dar um salto no escuro. Mas simplesmente almejar uma empresa focada em dados não é suficiente. Para criar uma empresa desse tipo, é preciso desenvolver culturas nas quais essa mentalidade prospere. Líderes podem promover essa mudança por meio do exemplo, praticando novos hábitos e estabelecendo expectativas para aquilo que realmente acreditam ser decisões baseadas em dados.


David Waller é sócio e diretor de ciência de dados e inteligência analítica no Oliver Wyman Labs.

Compartilhe nas redes sociais!

replica rolex