Por: Milton Volpato
As empresas e seus comitês executivos recebem muitas ofertas relacionadas com o “boom” de soluções relacionadas com Analytics, Machine Learning, AI, IoT, Big Data, Self-Service Analytics ou de que outra forma os fornecedores decidam chamar suas soluções.
Neste mar de opções e confusões, os tomadores de decisão muitas vezes ficam com a impressão que Data Analytics é uma bola de cristal que magicamente vai informar a melhor opção no momento correto. Por essa razão, tantos projetos de analítica falham em seu objetivo principal, que é encontrar informação de valor que vai melhorar a forma que a empresa realiza suas operações e que a mesma tenha uma vantagem competitiva contra as empresas de sua linha de negócio.
Outra típica tendência é coletar e guardar tudo no nível máximo de granularidade, sem importar se é informação útil ou não, pois na maioria das vezes não se sabe se vai ser útil em algum momento, aumentando assim a complexidade do repositório de dados da empresa, que vai precisar de mais tempo para limpar todo esse “ruído” que foi guardado juntamente com informação valiosa para a tomada de decisões.
O erro mais comum que as empresas comentem é associar todas essas ofertas de soluções com Data Science e pensar que ao comprar ferramentas sofisticadas e da moda, elas vão ter automaticamente informação de valor para tomar decisões para vantagem competitiva. Esquecem o propósito principal do time de Data Science.
Esse time usa métodos científicos para manipular os dados, executando experimentos e interpretando os resultados utilizando uma abordagem empírica. Empirismo é uma das formas que os cientistas ganham conhecimento reagindo aos experimentos e às perguntas de negócio. Vocês acreditam que apenas o uso de ferramentas avançadas substitui essa abordagem cientifica em pessoas que nunca trabalharam com análise anteriormente?
Pensando neste sentido, para ter sucesso na transformação digital, que adiciona automação e analítica com foco no cliente ao dia a dia das empresas, elas precisam preparar-se, mudando a cultura atual, preparando seus recursos e não somente comprando máquinas e softwares.
Minhas recomendações são:
- O nível executivo deve ser o motivador da implementação da cultura da empresa impulsionada pelos dados.
- Criar um time de Data Science com pessoas da própria empresa. (Em breve publicarei um artigo com boas práticas de como montar esse time). Como sugestão, você pode chamar esse time de Inteligência Corporativa.
- Com tantos novos formatos de dados, é imprescindível investir em Governança da Informação para ajudar a empresa a falar a mesma língua e ter o mesmo conceito da informação através de suas linhas de negócio.
- Identificar casos de uso, perguntas de negócio como, por exemplo, indicadores estratégicos, indicadores operacionais, etc. Também é importante definir um plano analítico de curto, médio e longo prazo.
- Escolher um fornecedor que possa apoiar a empresa a definir o plano analítico no âmbito técnico e científico.
Enfim, as empresas necessitam de habilidades com os dados para que os mesmos façam sentido, impulsionadas pelas novas tecnologias para apoiar a tomada de decisão baseada em evidências concretas.
Não é barato, é uma longa jornada, mas é muito melhor que falhar nessa transformação, vocês não acham?
