Analytics

O que os melhores analistas de dados fazem – e por que toda empresa precisa deles

Cassie Kozyrkov
25 de fevereiro de 2019

Contratar um cientista de dados de primeira linha é algo difícil de conseguir, e não à toa: um profissional completo tem domínio sobre aprendizado de máquina, estatística e análise. Quando as empresas não conseguem encontrar alguém com as três competências, elas buscam atrair o profissional de maior destaque entre os especialistas de formação única.

Leia também:

Melhore seu people analytics

Os dados da sua empresa são realmente valiosos na era da IA?

Para qual dessas habilidades aponta-se o holofote?

A tendência na ciência de dados estima a sofisticação extravagante com uma pitada de ficção científica, transformando a IA e o aprendizado de máquina nos queridinhos do mercado de trabalho. Os competidores para as vagas de topo vêm da estatística, graças a uma reputação centenária em que pesam o rigor e a superioridade matemática.

E quanto aos analistas?

Analistas como cidadãos de segunda classe

Se sua principal qualificação for como analista (ou a mineração de dados ou a inteligência de negócios), é provável que sua autoconfiança tenha sido prejudicada, já que o aprendizado de máquina e a estatística se tornaram valorizadas nas empresas, no mercado de trabalho e na mídia. Mas o que os não iniciados raramente entendem é que as três profissões sob o guarda-chuva da ciência de dados são completamente diferentes umas das outras.

Eles podem fazer uso de alguns dos mesmos métodos e equações, mas as semelhanças param por aí. Longe de ser uma versão inferior das outras vertentes da ciência de dados, bons analistas são um pré-requisito para a eficácia em empreitadas que incluem dados.  O perigoso é que as empresas desistam de você, mas é exatamente o que elas farão se você subestimá-las.

Em vez de pedir que um analista aprimore suas competências estatísticas ou de aprendizado de máquina, considere antes incentivá-lo a atingir o topo de sua própria disciplina. Na ciência de dados, a excelência em uma área supera a mediocridade em duas.

Então, vamos examinar o que de fato significa ser excepcional em cada uma das disciplinas da ciência de dados, que valor elas trazem e quais os traços de personalidade necessários para sobreviver em cada ambiente de trabalho.
Isso ajudará a explicar por que os analistas são valiosos e como as empresas devem empregá-los.

Excelência em estatística: rigor

Os estatísticos são especialistas em chegar a conclusões seguras para além dos dados que você possui – eles são sua melhor proteção contra o autoengano em um mundo incerto.

Para eles, inferir algo de forma descuidada é um pecado maior do que deixar sua mente em branco, então espere que um bom estatístico ponha um freio em sua exuberância.

Eles se importam profundamente com o fato de os métodos aplicados serem adequados para o problema, e se angustiam com quais inferências são válidas a partir das informações disponíveis.

O resultado?

Uma perspectiva que ajuda os líderes a tomar decisões importantes em situações de controle de risco.
Em outras palavras, eles usam dados para minimizar as chances de você tomar uma conclusão imprudente.

Excelência em aprendizado de máquina: desempenho

Você pode ser um engenheiro de IA ou de aprendizado de máquina aplicado se sua reação ao desafio “Aposto que você não consegue construir um modelo que passe em um teste com 99,99999% de precisão” for “Apenas olhe.” Com conhecimentos em programação para construir de protótipos a sistemas de produção que funcionem e com a persistência e obstinação para falhar a cada hora por vários anos, se isso for necessário, os especialistas em aprendizado de máquina sabem que não encontrarão a solução perfeita em um manual. Em vez disso, eles vão se embrenhar em uma maratona de tentativas e erros. Ter uma boa intuição de quanto tempo levará para experimentar cada nova opção é uma grande vantagem, algo mais valioso do que um conhecimento profundo de como os algoritmos funcionam (embora seja bom ter os dois). Desempenho vale mais do que regular um parâmetro – também significa modelos confiáveis, escalonáveis e de fácil manutenção que funcionam bem na produção. Excelência em engenharia é obrigatório.

O resultado? Um sistema que automatiza uma tarefa complicada suficientemente bem para passar nos rígidos testes do seu estatístico e entregar o desempenho audacioso que um líder de negócios exige.

Amplitude versus profundidade

O que as duas funções anteriores têm em comum é que ambas fornecem soluções de esforço elevado para problemas específicos. Se os problemas que esses profissionais enfrentam não valerem a pena, você acaba perdendo o tempo deles e o seu dinheiro. Uma queixa frequente entre líderes empresariais é: “Nosso grupo de ciência de dados é desnecessário”. E o problema geralmente está na falta de capacidade analítica.

Estatísticos e engenheiros de aprendizado de máquina são profissionais “estreitos e profundos” – a forma de um buraco de coelho, aliás – por isso é muito importante direcioná-los para problemas que merecem o esforço. Se os seus especialistas resolverem, com toda a atenção, os problemas errados, seu investimento em ciência de dados terá um retorno baixo.

Para garantir que você possa tirar bom proveito de especialistas “estreitos e profundos”, você precisa ter certeza de já ter o problema certo, ou então precisará de uma abordagem “ampla e superficial” para encontrar um.

Excelência em análise: velocidade

Os melhores analistas são programadores extremamente rápidos que podem navegar em vastos conjuntos de dados rapidamente, encontrando e revelando insights potenciais antes dos outros especialistas conseguirem dizer “quadro branco”. Seu estilo meio desleixado de programar desconcerta os engenheiros de software tradicionais – mas os faz comer poeira. A velocidade é sua maior virtude, seguida de perto pela capacidade de identificar joias que podem vir a ser úteis.

O domínio da apresentação visual da informação também ajuda: gráficos bonitos e eficientes permitem que a mente extraia informações mais rapidamente, o que compensa em termos de insights potenciais por tempo.

O resultado é que a empresa se mantém sempre na vanguarda tecnológica e de olho nos elementos anteriormente desconhecidos. Isso gera a inspiração que ajuda os tomadores de decisão a selecionar tarefas valiosas para enviar a estatísticos e engenheiros de aprendizado de máquina, resgatando-os de inúteis escavações matematicamente impressionantes no mundo do desconhecido.

Absurdo sem rigor ou uma narrativa fora de série?

“Mas”, objetam os estatísticos, “a maioria dos seus supostos insights são puro absurdo”.

Com isso, eles querem dizer que os resultados de sua exploração podem refletir apenas o ruído. Talvez, mas a história vai além.

Os analistas são contadores de histórias dos dados. A eles cabe resumir fatos interessantes e usar dados como inspiração. Em algumas empresas, esses fatos e essa inspiração se tornam o material para os tomadores humanos de decisão. Mas em operações de dados mais sofisticadas, a inspiração orientada por dados é sinalizada para um acompanhamento estatístico adequado.

Os bons analistas têm um respeito inabalável pela única regra de ouro de sua profissão: não tirar conclusões além dos dados (e evitar que seu público também o faça). Para tanto, uma maneira de identificar um bom analista é saber que eles usam uma linguagem suavizada, quase cifrada. Por exemplo, em vez de “concluímos que”, “somos inspirados a pensar que”.

Eles também desestimulam o excesso de confiança dos líderes, enfatizando uma infinidade de possíveis interpretações para cada insight. Desde que os analistas se atenham aos fatos – dizendo apenas “O que temos é isso” – e não se levem tão a sério, o pior crime que eles podem cometer é desperdiçar o tempo de alguém, repassando os processos.

Embora as competências estatísticas sejam necessárias para testar hipóteses, os analistas são a sua melhor aposta para formular essas hipóteses em primeiro lugar. Por exemplo, eles podem dizer algo como “É apenas uma correlação, mas suspeito que o motivo poderia ser…” e depois explicar por que eles acham isso.

Isso requer uma forte intuição sobre o que pode estar acontecendo para além dos dados, e as habilidades de comunicação para transmitir as opções ao tomador de decisão, que normalmente tem a palavra final sobre quais hipóteses (de muitas) são suficientemente importantes para justificar o esforço de um estatístico. À medida que os analistas amadurecem, eles começam a pegar o jeito de julgar o que é importante além do que é interessante, permitindo que os tomadores de decisão se afastem do papel de intermediários.

Das três vertentes, os analistas são os herdeiros mais prováveis do trono da decisão. Como a experiência no assunto ajuda muito a identificar padrões interessantes em seus dados mais rapidamente, os melhores analistas levam a sério a familiarização com o campo. Deixar de fazer isso é indício de problemas.

À medida que sua curiosidade os leva a desenvolver um sentido organizacional, espere uma mudança nos seus resultados, de um amontoado de alarmes falsos para um conjunto lógico de insights escolhidos a dedo, com o qual os tomadores de decisão estão mais propensos a se importar.

Analytics para tomada de decisão

Para evitar desperdício de tempo, os analistas devem esquematizar a história que estão tentados a contar e examiná-la de vários ângulos, com investigações posteriores para ver se ela funciona antes de levá-la aos tomadores de decisão. Quem decide deve então atuar como um filtro entre a análise exploratória de dados e o rigor estatístico. Se uma pessoa com responsabilidade decisória achar a investigação do analista promissora para uma decisão que precisa ser tomada, ela poderá apontar um estatístico para conduzir uma análise mais rigorosa. (Esse processo mostra por que apenas dizer aos analistas que melhorem em estatística é um equívoco importante. Além de as duas atividades constituírem campos separados, outra pessoa fica entre elas, o que significa que não é necessariamente mais eficiente para uma pessoa fazer as duas coisas).

Analytics em aprendizado de máquina e IA

Os especialistas em aprendizado de máquina analisam muitos dados em potencial por meio de algoritmos, ajustam as configurações e continuam a fazer modificações até que os resultados certos sejam produzidos. Embora possa parecer que não haja função para analistas, na prática, um setor muitas vezes tem muitos ingredientes em potencial a serem colocados no liquidificador de uma só vez.

Uma forma de filtrar um conjunto promissor de informações a serem testadas é a experiência na área – pergunte a um humano com noções de como as coisas podem funcionar. Outra maneira é através da análise. Utilizando-se a analogia da culinária, os engenheiros de aprendizado de máquina são ótimos em experimentar na cozinha, mas no momento eles estão em frente a um armazém enorme e escuro, cheio de ingredientes em potencial. Eles podem começar a selecioná-los ao acaso e levá-los arbitrariamente para a cozinha, ou enviar um velocista munido de uma lanterna para percorrer o armazém antes.

Seu analista é o velocista; sua capacidade em ajudar você rapidamente a ver e resumir o que está aqui é um superpoder para o seu processo.

Os perigos em subestimar analistas

Analistas excelentes não são uma versão de má qualidade do engenheiro de aprendizado de máquina; seu estilo de programação é otimizado para a velocidade – deliberadamente.

Eles também não são maus estatísticos, já que não lidam com a incerteza, mas apenas com os fatos.

A principal função do analista é dizer: “Isso é o que existe nos nossos dados. Não é meu trabalho falar sobre o que significa, mas talvez isso inspire o tomador de decisão a aprofundar a questão com um estatístico”.

Se você colocar muita ênfase, em termos de contratação e remuneração, em uma formação em aprendizado de máquina e estatística, perderá seus analistas. Quem irá lhe ajudar a descobrir quais problemas valem a pena resolver? Você ficará com um grupo de especialistas descontentes que são continuamente solicitados a trabalhar em projetos desnecessários ou tarefas de análise para os quais não foram contratados. Seus dados não terão nenhuma utilidade.

Se estiver em dúvida, contrate analistas antes de preencher outros cargos. Valorize-os e recompense-os. Incentive-os a atingirem o topo da carreira que escolheram (e não a de outra pessoa).

Do elenco de personagens mencionados nesta história, os únicos que toda empresa precisa são os tomadores de decisão e os analistas. Os outros você só poderá empregar quando souber exatamente para que precisa deles. Comece com a análise e orgulhe-se da sua recém-descoberta capacidade de abrir os olhos para a riqueza e a beleza das informações à sua frente. A inspiração orientada por dados é algo poderoso.


Cassie Kozyrkov é cientista chefe de decisão da Google.

Compartilhe nas redes sociais!

replica rolex