Como criar projetos de dados que geram valor para o negócio? Como ir além da tecnologia e realmente ajudar seus stakeholders a tomarem decisões ou a medir seus indicadores?

Já perdi a conta de quantas empresas fracassam ao tentar criar times de dados quando não conseguem enxergar esse time além da tecnologia. Ou quantas pessoas que são profissionais de dados (Cientistas de Dados, Analistas de Dados e diversas outras derivações) se sentem frustradas após entregarem seus projetos e não entenderem como suas entregas tiveram impacto no negócio.

Há vários motivos para que isso aconteça, e muitos deles podem ser melhorados com uma maior aproximação entre times de negócio e times de dados. Nesse texto, vou entrar em algumas razões e mostrar como podemos contorná-las a fim de entregar projetos de dados que realmente impulsionem as empresas.

 

Uma entrega de dados que não promove valor ao negócio é como uma peça importante de um quebra-cabeça, mas que não se encaixa.

 

 

Uma breve seção sobre carreira

Acredito que a área de Dados é muito democrática. É muito comum encontrar Analistas e Cientistas de Dados que vieram de áreas não-técnicas, o que traz uma multidisciplinaridade importantíssima para esse contexto. Porém, a maioria dos cursos e disciplinas da área ainda se encontra em grades curriculares de tecnologia ou matemática (e derivados).

Mas onde está o problema nisso? Bom, sou formada em Ciência da Computação e posso compartilhar minha experiência de como cursos de tecnologia são capazes de “adestrar” quem os cursa para pensar dentro da caixa. Durante todo o curso, fui ensinada a receber uma lista de requisitos técnicos, executar e entregar. Essa é a rotina básica de quem atua na área de tecnologia, mas, infelizmente, é o oposto do que se espera de uma pessoa que trabalha com Ciência de Dados, Inteligência Artificial e Análise de Dados.

Nota importante: A área de dados é muito ampla, e envolve carreiras que são extremamente técnicas (e precisam de ser). Profissionais de Engenharia de Dados, Arquitetura de Dados e similares compartilham um tipo de atuação muito próximo da rotina de quem atua com Engenharia de Software ou de uma pessoa desenvolvedora, entre outros. No entanto, nosso foco nesse texto estará nas carreiras de Ciência de Dados e Análise de Dados, que envolvem uma atuação que precisa ir além da tecnologia.

Antes de atuar como Cientista de Dados, trabalhei como Analista de Business Intelligence (BI), realizando projetos em uma consultoria que atendia vários setores da economia. Nessa época, eu havia acabado de sair do mestrado, também em Ciência da Computação, e tinha para mim que não gostaria de trabalhar com desenvolvimento de software, mas não fazia ideia de como conectar o que aprendi ao mercado de trabalho.

Rapidamente entendi que trabalhar com análise de dados ia muito além de requisitos. Durante cerca de 2 anos trabalhando com BI, a maior parte do meu tempo era tomada por conversas com as áreas de negócio, com stakeholders, com tomadores de decisão. E não, não era para fazer levantamento de requisitos apenas, mas para entender suas dores, suas necessidades de negócio e só então entender como os dados poderiam ajudá-los.

 

 

Mas vamos ao que interessa! Como podemos gerar valor com dados?

Imagem 2 – Profissional de dados (à direita) entregando dados que não geram valor negócio (à esquerda).

 

1 – Seu algoritmo, código e/ou modelagem NÃO É a entrega final!

É muito comum cairmos na armadilha de achar que nosso maior trabalho como profissional de dados é construir algoritmos complexos, modelos performáticos e tunados. Ou então estudos de dados muito pautados em estatísticas e matemáticas difíceis. Pois bem, o negócio está pouquíssimo (ou zero) interessado nas etapas técnicas por trás da sua entrega.

Antes de começar a construir seu projeto de dados (ex.: modelo de Machine Learning), identifique quais são as métricas de negócio que você busca impactar. Ou quais perguntas do negócio você precisa responder com sua exploração dos dados.

Exemplo: Suponha que você está construindo um ChatBot para ajudar um time de Atendimento ao Cliente a ser mais ágil ao responder aos clientes finais.  Você precisará mapear e monitorar as métricas do seu modelo (taxa de assertividade de resposta, taxa de desistência no atendimento, recall/precision/F1 measure etc.), e também as métricas de negócio (satisfação do cliente, taxa de resolução dos problemas, tempo médio de interação etc.).

Só assim você conseguirá entender se sua entrega está indo além das métricas técnicas, e realmente impactando positivamente a eficiência operacional e/ou os indicadores da área solicitante.

 

2 – Utilize frameworks que te ajudam a entender melhor a necessidade do negócio.

Existem por aí diversas metodologias que facilitam o melhor entendimento das necessidades do negócio e que vão te ajudar a não cair na armadilha citada no item anterior.

Ainda dentro do contexto de Inteligência Artificial e Machine Learning, o Machine Learning Canvas é um forte aliado na busca por projetos de dados que geram valor ao negócio.

Imagem 3 – Note que no centro do ML Canvas está o item “Value Proposition”, e que é dele que partem todos os itens de Validação, Aprendizagem e Predição do seu modelo.

Outra dica muito legal, no contexto de Ciência e Análise de Dados, é o DIBB (Data Insight Belief Bet), um framework que ajuda você a entender melhor o processo de criação de insights que geram valor ao negócio.

 

 3 – Cuidado com o timing! Quebre sua entrega em partes pequenas, rápidas e que gerem valor ao longo do projeto.

 Outro grande risco em projetos de dados é acreditarmos que uma entrega só é possível após estar tudo tecnicamente perfeito. O modelo precisa estar produtizado, o estudo de dados precisa estar disponível em um formato ideal etc.

Cair nessa armadilha aumenta o tempo de entrega do seu projeto e, assim, você corre o risco de perder o timing do negócio: seu projeto é entregue, porém, não é mais importante para a empresa, seja porque a decisão foi tomada com outros recursos, seja porque conseguiram responder as hipóteses com dados mais simples.

Pense nos itens a seguir:

Está trabalhando em um modelo de Machine Learning?

• Qual algoritmo simples, mas eficiente, posso usar antes de buscar por algoritmos mais complexos?
• Como posso gerar outputs do meu modelo para o negócio sem precisar que ele já esteja em produção?

Está trabalhando em um estudo de dados?

• De todas as perguntas e hipóteses que vieram do negócio, quais são as de maior prioridade, para que eu explore antes?
• Preciso mesmo construir um book de dados supercompleto antes de começar a levar os primeiros insights para o solicitante?

Está trabalhando na construção de um dashboard?

• Como descobrir junto aos stakeholders os indicadores principais e fugir do relatório “cockpit de avião”?

Imagem 4 – O dashboard “cockpit de avião” traz todos os dados possíveis, mas exige que o solicitante realize um treinamento para conseguir extrair informações importantes.

 

Para fechar…Sua entrega deve responder às perguntas do negócio!

Por fim, a dica mais importante, e que resume todos os itens anteriores: seu foco precisa estar SEMPRE nas perguntas do negócio, nos indicadores do negócio, no alinhamento com o negócio.

A tecnologia ou ferramenta que você usa só é importante para você, seu time e os processos e padrões da área de dados que atua. Para a empresa, o mais importante é saber as informações que você conseguirá extrair a partir dos dados, independentemente dos recursos que utilizou.

 Gostaria de deixar a imagem abaixo para sua reflexão. Ela foca na diferença entre o output (sua entrega) e o outcome (resultados provocados pela sua entrega):

Imagem 5 – As diferenças entre output e outcome, para reflexão final.

 

[box type=”bio”] CRÉDITOS

Autora

Pollyanna Gonçalves, Gerente Sênior de Dados na Hotmart
Bacharel e mestre em Ciência da Computação, atua na área de dados desde 2011. Atualmente, lidera times de Ciência de Dados & IA, Estratégia e Governança de Dados e Engenharia Analítica na Hotmart, empresa de tecnologia na Creators Economy.

Saiba mais no LinkedIn

Revisora

Luciana Fleury, jornalista

Saiba mais no LinkedIn[/box]

Este conteúdo faz parte da PrograMaria Sprint Tech Leads.