O que a organização precisa saber para estar pronta para projetos em data science
Com a quantidade de dados coletados pelas organizações, parece coisa do passado tomar decisões com base na intuição, tradição ou, às vezes, sequer isso. Muito mais interessante e promissor é imaginá-las a partir do data science.
De fato, muitas organizações querem surfar essa onda. O data science permite que organizações extraiam valor de dados em análises que nunca antes foram possíveis.
Por outro lado, tanto potencial pouco significa se elas não conseguirem tirar vantagem de ciência dos dados. É o que parece estar acontecendo. A pesquisa 2020 State of Data Science, da Anaconda, mostra que incríveis 52% dos respondentes sentem que não conseguem mostrar o impacto do data science para os resultados do negócio. Entre as razões estão o efeito de dados e modelos enviesados (bias), os problemas com privacidade, conflito de informações, automatização e baixa inclusão.
A primeira consequência desse resultado é que o caminho para que a disciplina possa realmente entregar todo o seu potencial para os negócios e para a sociedade ainda é longo.
A segunda é a falta de preparo das organizações para o data science. Problema esse muito relacionado ao caráter ainda emergente da disciplina.
Pensando nisso, neste post, questionamos: como é uma organização preparada para o data science? Que características indicam que ela está pronta para aproveitar de fato as vantagens do data science?
1. A cultura “Nós sempre fizemos as coisas assim” não é data-driven
Dados já foram comparados a petróleo, mas muitas vezes perdem feio para o banalíssimo poder do hábito. Mas muitas organizações não estão preparadas para o data science porque “sempre fizeram as coisas dessa forma” – e ficam inseguras se tiverem que abrir mão de seu modus operandi.
Pode até parecer um pseudoproblema, até porque poucos admitirão abertamente que não gostariam de estar munidos de dados em sua tomada de decisão. Mas, como diz o ditado, o coisa-ruim está nos detalhes: é o gestor de vendas que tem tanta confiança em sua experiência em identificar os melhores prospects e sequer analisa os scores de intenção de compra dos leads, é o sistema de recomendação pautado apenas nos produtos mais vendidos e por aí vai...
Para preparar a organização para o data science, portanto, é preciso criar um mindset em que as análises sejam sempre a base para a tomada de decisões em todos os níveis organizacionais. Todos devem ser capazes de fazer isso. Em especial, os líderes. Isso nos leva ao próximo ponto.
Colocando de maneira simples, a demanda por evidências baseadas em dados surge quando começamos a perguntar por que fazemos o que fazemos.
2. Contratar cientistas de dados não garante uma organização pronta para o data science
Quem nunca ouviu a narrativa: empresa contratou cientistas de dados para resolver desafios de negócio, mas não implementa iniciativas baseadas nos resultados do data science.
Assim, data science só funcionará perfeitamente ou quando confirmar as premissas já adotadas pela organização ou quando não prover a organização de insights.
Não espere que a simples contratação de cientistas de dados torne sua organização apta para o data science. O data science é parte de um movimento maior de comprometimento com a transformação digital dos negócios.
Se o ponto de partida desse compromisso está nos negócios – sejamos honestos –, esse é o tipo de cultura que parte do CEO e do C-level, que mais que exemplo dão apoio às iniciativas em data science, puxando consigo os colaboradores de todos os níveis e criando – aí sim – uma cultura que se retroalimenta transversalmente.
Assim, a organização ainda tem o benefício de alinhar suas iniciativas em data science aos objetivos de negócio, dando direção e coesão ao movimento.
3. Não se pode tratar o data science como mais um processo
Embora esteja no nome, o termo “ciência” parece ser subestimado no ambiente de negócios e ser subsumido no conceito de processo.
Data science é um modo de investigar e explorar bem parecido com o das ciências naturais. Se físicos se valem de recursos da matemática e da computação para compreender o universo natural, os cientistas de dados usam recursos muito parecidos para compreender o universo de negócios.
Porém – quem faz sabe – a ciência não tem um andamento linear nem é feita de dogmas. Dado o seu caráter exploratório pautado em validação de hipóteses, ela está sujeita tanto a descobertas incríveis quantos a falhas ou a resultados inaplicáveis ao mundo prático.
Menos disposto do que a academia a aceitar com tolerância e naturalidade esses efeitos – que têm sim um custo e, muitas vezes, não só financeiro mas para a credibilidade –, o mundo dos negócios tenta revestir o data science de uma natureza processual. No entanto, com isso, seu caráter experimentador, exploratório e descobridor acaba encoberto.
Organizações preparadas para o data science abraçam esse potencial exploratório em toda a sua amplitude, assim como o aspecto científico da disciplina. Segundo Normélio Schneider Junior, Data Science Leader da Supero:
Tenha em mente que o foco do data science não é fazer rápido, e sim entregar resultado valioso e seguro. Outro ponto importante é saber lidar com certo grau de imprevisibilidade ligado a projetos em data science. Não se sabe sempre quanto trabalho realmente será realizado para chegar ao resultado esperado. Durante o andamento, muitos passos definidos no pipeline deverão ser revisados, tanto para ajustar quanto para acrescentar passos não definidos por inobservância, o que é algo bem normal em projetos grandes.
Leia também: [Entrevista] Data science: conceitos que você precisa conhecer para trabalhar com dados
4. Não se pode setorizar o data science
Há uma grande falta de consenso e até muita confusão sobre como os times de data science se encaixam dentro dos setores de TI. Aí está: eles não se encaixam, porque são autônomos, ainda que precisem, e muito, do suporte da TI, sobretudo em engenharia de dados.
Assim como não pode ser transformado em processo, o data science não é um setor isolado – ao contrário, ele é híbrido e essencialmente distribuído dentro de uma organização. E é assim que ele gera as maiores vantagens competitivas.
Por isso, está muito mais afim às áreas estratégicas e de negócios – aos decisores –, das áreas de finanças e RH, passando pelo marketing e comercial até operações e logística.
5. Não se compra data science de prateleira
Organizações prontas para o data science sabem que não vão obter o valor da análise com um software de prateleira. E às vezes, descobrem isso da pior forma, ou seja, investindo em um produto e não obtendo sucesso com ele. Esse é um relato comum de nossos clientes.
“Não podemos trivializar o processo de data science”, afirma Normélio Schneider. Em outras palavras, não se faz data science simplesmente apertando o botão da predição ou colocando para rodar um sistema de predição que funciona para todo mundo.
A ciência de dados requer expertise na área e familiaridade com os aspectos únicos do negócio. Como diz Normélio Schneider Junior, “não existe receita pronta em data science, e se elas existem são genéricas demais”. Isso nos leva a mais um ponto.
6. É melhor começar pequeno
A vastidão de possibilidades em data science pode intimidar as organizações - e com razão. Por isso, é melhor começar pequeno mesmo, e não pelos desafios mais complexos ou que atravessam muitos setores.
Isso se faz com a seleção de um desafio bem compreendido e conhecido, com um abordagem assertiva e que proporcione um ganho rápido.
Por exemplo, um de nossos clientes, do setor supermercadista, fazia recomendações de produtos completamente aleatórias a seus clientes. Após uma pesquisa que verificou que a taxa de acerto em recomendações era muito baixa, conheceram nossas soluções em ciência de dados.
Criamos uma solução de recomendação feita por um algoritmo híbrido que oferece recomendações personalizadas, baseadas no perfil dos clientes.
Ao abrir essa porta para o data science e experimentar bons resultados, a iniciativa foi validada e abriu portar para novas iniciativas, mais arrojadas.
Sua organização está pronta para o data science?
Agora é sua vez: em que ponto suas organização está dessa jornada? Se estiver ativamente buscando se preparar para o data science ou sendo forçada a fazer isso por demandas externas, independe: ela deverá atravessar esse caminho para ter sucesso.
Sem a pretensão de esgotar a questão, elencamos algumas características das organizações que estão prontas para o data science, isto é, prontas para usar modelos de dados, não o hábito, na tomada de decisão.
Vimos também que essas organizações não esperam que essa cultura seja construída pelos data scientists. Ela vem do C-level, que pelo exemplo e apoio puxa a organização, criando uma máquina que se retoalimenta.
Outros pontos revelvantes das organizações prontas para o data science: elas entendem o caráter não processual e não setorizável da disciplina, assim como a sua não redução a um produto. E partem de projetos pequenos.
Quer se ajuda para preparar sua organização para o data science? Converse com nossos consultores!
