Terminamos 2015, adicionando mais um ano de experiências e prática em Big Data. Que vale a pena compartilhar deste aprendizado? Primeiro que o termo Big Data não é apropriado, pois passa a impressão de uma enorme e estática massa de dados. O termo “advanced analytics” ou analítica avançada me parece mais apropriado. Dados, em qualquer quantidade, não tem muito valor se não analisado por técnicas analíticas. “Advanced analytics” é a aplicação das tecnologias digitais a modelos matemáticos para nos ajudar a resolver problemas de negócio. Que é o que interessa às organizações. Elas não querem projetos de Big Data, mas projetos que resolvam questões de negócio, onde dados e analítica são o meio para se chegar a solução.
Em 2015 ficou bem patente que iniciativas de analítica avançada (ex-projetos de Big Data…) precisam do suporte e comprometimento executivo. Mas, antes dos CIOs levarem aos seus colegas C-level a idéia de projetos que envolvam analítica de dados, é importante ter conhecimento mais aprofundado do conceito e principalmente do que chamamos de “Data Science”, que engloba as tecnologias e conceitos que transformam dados em ações e, portanto, em resultados tangíveis para o negócio. Recomendo a leitura da excelente publicação “2015 The Field Guide to Data Science”, da Booz Allen. Ele define claramente: “Data Science is the art of turning data into actions.It’s all about the tradecraft. Tradecraft is the process, tools andtechnologies for humans and computers to work together totransform data into insights.” Dos insights geramos as ações que trazem retorno ao negócio. Big Data não interessa. Ações que tragam resultados tangíveis, sim.
Quando falamos em analítica, automaticamente pensamos em algoritmos. Já estão em toda a parte: recomendação na Amazon, detecção de fraudes por operadoras de cartões de crédito, etc. Inclusive existe um marketplace para algoritmos, a Algorithmia. É uma espécie a App Store para algoritmos, onde você pode acessar via APIs algoritmos prontos. Ou então criar um novo algoritmo e como um app, conseguir monetização por ele. Como vemos, uso de algoritmos não é uma ciência espacial, já começa a se popularizar.
Aliás, uso de analítica e algoritmos deve ser considerado aplicação de missão crítica nas empresas e não uma iniciativa periférica. Estamos imersos em um oceano de dados, e pouco uso fazemos deles. Estimativas apontam que em 2020 estaremos criando 73,5 zettabytes de dados ou 73 seguido de 21 zeros! Os resultados da aplicação de algoritmos mostram que se conseguem bons resultados em praticamente qualquer situação. Por exemplo, um estudo efetuado nos EUA da American Psychological Association, analisando 17 casos de estudo de práticas de contratação por grandes empresas, mostrou que o uso de algoritmos vencia as melhores práticas (geralmente baseadas na intuição) por 25%, quando considerando o sucesso da contratação, ou seja, o acerto da contratação do novo funcionário na empresa. Vale a pena dar uma olhada em “In Hiring, Algorithms Beat Instinct”.
Mas, voltando à necessidade de mobilizar os executivos da organização para projetos de analítica, ficou claro na minha experiência em 2015, que as iniciativas deste tipo conduzidas e alavancadas por TI, salvo raras exceções, não foram muito à frente. Após gerar valiosos insights, é necessária uma ação, e muitas vezes isso demanda modificações nos processos atuais. TI, sozinha, geralmente não tem o poder de realizar estas mudanças. O CEO deve estar comprometido com a iniciativa e deve ver Data Science como essencial ao seu negócio e não como um projeto periférico de TI, para atender a uma ou outra demanda do marketing ou de outra área de negócio. Como despertar nele a percepção de urgência para o assunto? Pode começar com uma palestra para o board de executivos explicando os conceitos e mostrar casos reais de resultados (e existe já extensa bibliografia que mostra diversos casos) que apresentam saltos quânticos em benefícios. Depois levá-los a visitar empresas que já estejam fazendo uso de analítica com sucesso.
Segundo passo é desenhar uma estratégia de analítica de dados. Uso de analítica e Data Science na organização não deve ser encarado como projetos isolados, mas devem estar alinhados com uma estratégia de que alavanque todo o potencial de dados que a empresa poderá dispor, interna ou externamente. A estratégia deve passar por etapas e métricas de avaliação dos resultados. Afinal, lembrem-se, o sponsor é o CEO! Nesta estratégia pode-se definir até novas posições executivas como um CAO (Chief Analytics Officer, que considero mais adequado que o CDO, Chief Data Officer). A estratégia deve definir se existirá um Centro de Excelência em Analytics e sua estruturação, centralizado ou distribuído. Aliás, existem diversas variações sobre a estruturação. Também qual será a demanda por recursos internos e externos. Existe expertise internamente? Estamos nos preparando para tê-los? Muitas vezes o uso de consultoria externa acelera a curva de aprendizado, mas dificilmente, uma função de missão crítica será inteiramente terceirizada.
O CIO tem papel fundamental neste processo. No mínimo deve desenvolver a infraestrutura de hardware e software para suportar a estratégia. Claramente o uso de cloud deve ser considerado, pois a demanda por análises de dados tenderá a ser bastante dinâmica, inclusive pela tendência do self-service de analítica por parte dos usuários. Esperar que uma cara e lenta aquisição de hardware chegue, provavelmente vai fazer perder a janela de oportunidade. Neste cenário o CIO deve assumir a responsabilidade de prover os dados adequados. Esta é uma armadilha fatal: se os dados usados pelos usuários não forem corretos, os resultados serão desastrosos. E, a experiência que venho vivendo, mostra que na maioria das empresas, os dados estão em pior situação que muitos imaginavam antes de começar a usá-los para projetos de analítica. Dados incorretos, contraditórios e incompletos são um dos piores pesadelos destas inciativas. E pasmem, mesmo em cadastros teoricamente de qualidade vemos isso acontecer. E quando cruzamos diversas fontes de dados, o problema é potencializado!
Outro e importantíssimo papel do CIO é começar a criar o senso de urgência entre os executivos da organização. Uma eventual estruturação de Data Science com um CAO não necessariamente subordinado ao CIO é uma possibilidade, mas o CIO, tem por obrigação profissional, uma vez que é o atual responsável pela tecnologia na empresa, a despertar o senso de urgência da organização para Data Science. Se não o fizer, outros o farão. Se isto acontecer, a relevância do CIO se deteriora e ele tende a ficar confinado à casa das máquinas, dando apenas o suporte operacional aos processos que trazem retorno ao negócio.
Data Science, analytics, deep learning, etc, já não são curiosidade tecnológica. São realidade e os executivos C-level, com os CIOs à frente, devem estar antenados e desenvolvendo ações para que estas tecnologias e conceitos alavanquem suas empresas. Mesmo em tempo de crise, aliás, melhor em tempos de crise!
Já em 2012, a HBR mostrava claramente no artigo “Making Advanced Analytics Work for You” que as empresas que usavam analítica mostravam ganhos significativos na diferenciação competitiva.
Claro, estamos ainda no início da curva de aprendizado e o futuro, que é medido em poucos anos (a evolução é exponencial e não linear) vai nos mostrar muitos avanços. Recomendo ler o texto e assistir ao vídeo de 20 minutos (em inglês) de Andrew Ng, cientista chefe do Baidu, abordando o tema em “Andrew Ng shares the astonishing ways deep learning is changing the world”. Impressionante! E logo tudo isso será “business as usual”. E nossas empresas? Como estamos? Ainda pensando no assunto como algo de menor prioridade e deixando para fazer algo quando a crise acabar?
[Crédito da Imagem: Advanced Analytics – ShutterStock]
Cezar Taurion é head de Digital Transformation da Kick Ventures e autor de nove livros sobre Transformação Digital, Inovação, Open Source, Cloud Computing e Big Data.
You must be logged in to post a comment.
