Artigo
10 etapas para criar uma cultura orientada a dados
Paulo Pereira
junho 29, 2022
Para muitas empresas, uma cultura forte e orientada por dados permanece inacessível, e os dados raramente são a base universal para a tomada de decisões.
Por que é tão difícil?
A resposta, com base em levantamento em diversos setores, indica que os maiores obstáculos à criação de negócios baseados em dados não são técnicos: são culturais.
É bastante simples descrever como injetar dados em um processo de tomada de decisão, contudo, é muito difícil tornar isso normal e automático para os funcionários, pois é necessária uma mudança de mentalidade que apresenta um desafio assustador.
Por isso, o artigo apresenta 10 mandamentos de dados para ajudar a criar e sustentar uma cultura data driven em sua essência nas organizações.
- A cultura orientada a dados começa no topo. As empresas com fortes culturas orientadas a dados tendem a ter gerentes de alto nível que definem uma expectativa de que as decisões devem ser ancoradas em dados – que isso é normal, não novo ou excepcional. Eles lideram pelo exemplo. Essa prática se propaga para baixo, pois os funcionários que desejam ser levados a sério precisam se comunicar com os líderes seniores em seus termos e em seu idioma. O exemplo dado por alguns no topo pode catalisar mudanças substanciais nas normas de toda a empresa.
- Escolha as métricas com cuidado — e astúcia. Os líderes podem exercer um efeito poderoso no comportamento ao escolher habilmente o que medir e quais métricas eles esperam que os funcionários usem. Suponha que uma empresa possa lucrar antecipando os movimentos de preços dos concorrentes. Bem, há uma métrica para isso: precisão preditiva ao longo do tempo. Portanto, uma equipe deve continuamente fazer previsões explícitas sobre a magnitude e a direção de tais movimentos. Ele também deve rastrear a qualidade dessas previsões – elas melhorarão constantemente!
- Não isole seus cientistas de dados. Os cientistas de dados geralmente ficam separados dentro da empresa, resultando que eles e os líderes empresariais sabem muito pouco um do outro. A análise não pode sobreviver ou fornecer valor se operar separadamente do restante de um negócio. Aqueles que enfrentaram esse desafio com sucesso geralmente o fizeram de duas maneiras.
- A primeira tática é tornar os limites entre a empresa e os cientistas de dados altamente porosos. Uma estratégia é transferir a equipe dos centros de excelência para funções de linha, onde ampliam o uso do conceito. Em seguida, eles podem retornar ao centro. Em última análise, os detalhes importam menos do que o princípio, que é encontrar maneiras de fundir o conhecimento do domínio e o conhecimento técnico.
- As empresas de ponta usam outra tática. Além de aproximar a ciência de dados dos negócios, eles puxam os negócios para a ciência de dados, principalmente insistindo que os funcionários sejam alfabetizados em códigos e conceitualmente fluentes em tópicos quantitativos. Os líderes seniores não precisam renascer como engenheiros de aprendizado de máquina. Mas os líderes de organizações centradas em dados não podem ignorar a linguagem dos dados.
- Corrija rapidamente problemas básicos de acesso a dados. De longe, a reclamação mais comum que ouvimos é que pessoas em diferentes partes de uma empresa lutam para obter até os dados mais básicos. Curiosamente, essa situação persiste apesar de uma série de esforços para democratizar o acesso aos dados dentro das corporações. Com fome de informações, os analistas não fazem muita análise e é impossível que uma cultura orientada a dados se enraíze, quanto mais floresça.
- Quantifique a incerteza. Todos aceitam que a certeza absoluta é impossível. No entanto, a maioria dos gerentes continua a pedir respostas às suas equipes sem uma medida correspondente de confiança. Eles estão perdendo um truque. Exigir que as equipes sejam explícitas e quantitativas sobre seus níveis de incerteza tem três efeitos poderosos.
- Primeiro, ela força os tomadores de decisão a lidar diretamente com potenciais fontes de incerteza: os dados são confiáveis? Existem poucos exemplos para um modelo confiável? Como os fatores podem ser incorporados quando não há dados para eles, como a dinâmica competitiva emergente?
- Em segundo lugar, os analistas obtêm uma compreensão mais profunda de seus modelos quando precisam avaliar rigorosamente a incerteza. Para isso, construir um sistema de alerta antecipado para levar essas tendências em consideração e identificar casos que, de outra forma, seriam perdidos.
- Finalmente, uma ênfase na compreensão da incerteza leva as organizações a realizar experimentos. Na empresa, uma equipe de analistas quantitativos pode juntar-se a gerentes de categoria para conduzir testes estatisticamente rigorosos e controlados de suas ideias antes de fazer mudanças generalizadas.
- Faça provas de conceito simples e robustas, não extravagantes e frágeis. Na análise, as ideias promissoras superam em muito as práticas. Muitas vezes, é só quando as empresas tentam colocar provas de conceito em produção que a diferença fica clara.
Uma abordagem melhor é projetar provas de conceito em que uma parte central do conceito seja sua viabilidade na produção. Uma boa maneira é começar a construir algo de nível industrial, mas trivialmente simples, e depois aumentar o nível de sofisticação.
- O treinamento especializado deve ser oferecido na hora certa. Muitas empresas investem em esforços de treinamento “big bang”, apenas para que os funcionários esqueçam rapidamente o que aprenderam se não o colocarem em prática imediatamente. Portanto, embora habilidades básicas, como codificação, devam fazer parte do treinamento fundamental, é mais eficaz treinar a equipe em conceitos analíticos especializados e ferramentas pouco antes de serem necessários – digamos, para uma prova de conceito.
- Use análises para ajudar os funcionários, não apenas os clientes. É fácil esquecer o papel potencial da fluência de dados para tornar os funcionários mais felizes. Mas capacitar os funcionários a disputar dados por conta própria pode fazer isso, pois permite que eles sigam os conselhos de um livro de título memorável sobre programação: “Automatize the Boring Stuff with Python” (Automatize as coisas chatas com Python). Se a ideia de aprender novas habilidades para lidar melhor com os dados for apresentada de forma abstrata, poucos funcionários ficarão animados o suficiente para perseverar e renovar seu trabalho. Mas se os objetivos imediatos os beneficiam diretamente – economizando tempo, ajudando a evitar retrabalho ou buscando informações frequentemente necessárias – então uma tarefa torna-se uma escolha.
- Esteja disposto a trocar flexibilidade por consistência — pelo menos no curto prazo. Muitas empresas que dependem de dados abrigam diferentes “tribos de dados”. Cada um pode ter suas próprias fontes de informação preferidas, métricas personalizadas e linguagens de programação favoritas. Em toda a organização, isso pode ser um desastre. As empresas podem perder inúmeras horas tentando conciliar versões sutilmente diferentes de uma métrica que deveria ser universal. As inconsistências em como os modeladores fazem seu trabalho também têm um preço. Se os padrões de codificação e as linguagens variam em uma empresa, cada movimento do talento analítico implica em retreinamento, dificultando sua circulação. Também pode ser proibitivamente complicado compartilhar ideias internamente se elas sempre exigirem tradução. As empresas devem escolher métricas canônicas e linguagens de programação. Um banco global líder fez isso, insistindo que seus novos contratados em banco de investimento e gestão de ativos sabiam como codificar em Python.
- Adquira o hábito de explicar as escolhas analíticas. Para a maioria dos problemas analíticos, raramente há uma abordagem única e correta. Em vez disso, os cientistas de dados devem fazer escolhas com diferentes compensações. Portanto, é uma boa ideia perguntar às equipes como abordaram um problema, quais alternativas consideraram, o que entenderam como compensações e por que escolheram uma abordagem em detrimento de outra. Fazer isso naturalmente dá às equipes uma compreensão mais profunda das abordagens e muitas vezes as leva a considerar um conjunto mais amplo de alternativas ou a repensar suposições fundamentais.
As empresas – e as divisões e indivíduos que as compõem – muitas vezes recorrem ao hábito, porque as alternativas parecem muito arriscadas.
Os dados podem fornecer uma forma de evidência para respaldar hipóteses, dando aos gerentes a confiança para entrar em novas áreas e processos sem dar um salto no escuro.
Mas simplesmente aspirar a ser orientado por dados não é suficiente.
Para serem impulsionadas por dados, as empresas precisam desenvolver culturas nas quais essa mentalidade possa florescer.
Os líderes podem promover essa mudança por meio do exemplo, praticando novos hábitos e criando expectativas sobre o que realmente significa enraizar as decisões em dados.
Colaboração: Afonso Macagnani
Seguir nossa rede social
