Para que as empresas consigam gerar conhecimento e melhores decisões a partir dos dados, há um fluxo de atividades que não podem ser negligenciadas. De forma bastante simplista, basicamente começa com o armazenamento e estruturação adequados dos dados, passando pela construção de algoritmos preditivos e prescritivos que vão consumir os dados e transformá-los em informação relevantes ao contexto do negócio.
Em todas essas etapas são necessários diferentes profissionais e habilidades. É daí que fazemos a analogia que a ciência de dados é como um jogo de equipe. E, na escalação desse time de Data Science, temos 4 papeis fundamentais: o engenheiro de dados, o cientista de dados, o analista de negócios e o desenvolvedor de aplicações.
Um papel muito importante é a do analista de negócios, que tem a função de dialogar com a área de negócios e traduzir um problema ou oportunidade em uma necessidade e requisitos de modelagem. O engenheiro de dados, por sua vez, tem a capacidade de coletar, transformar e tratar os dados de modo que fiquem adequados e estruturados para que os modelos (preditivos e prescritivos) possam extrair as informações buscadas.
Já o cientista de dados é quem produz tais modelos — e deve ter o repertório adequado de técnicas capaz de encontrar a história e a informação camuflada nos dados. De forma igualmente importante temos o desenvolvedor de aplicações, que gera as ferramentas (aplicações) nas quais os usuários irão interagir com os dados e modelos construídos. Em resumo, dizemos que o desenvolvedor é responsável por operacionalizar o modelo.
Ter um time de data science “campeão” já é estratégico entre as empresas que entenderam que os dados são uma excelente fonte de oportunidades — algumas, inclusive, há tempos vêm ganhando campeonatos: mantendo a competitividade, fazendo entregas com cada vez com mais acurácia e ao menor custo possível.
O que muda nestas organizações é a forma de selecionar os melhores jogadores e compor o time. E, nesse quesito, tem vantagem quem monta times mistos. Vamos explicar melhor nesse artigo. Mas, antes, vamos falar um pouco da importância dos dados para as empresas.
Big Data: a descoberta do “ouro”
Os dados ganharam o status de ser o maior potencial de geração de valor para os diferentes setores da economia. Cada vez mais produtos e serviços têm um componente de dados que demanda soluções analíticas para extraírem valor e direcionarem estratégias de negócios.
E a transformação digital, em passos acelerados nos últimos anos (ainda mais depois da pandemia da Covid-19), mostrou que um futuro orientado a dados não é apenas o futuro ideal, mas o único futuro possível — e isso independe do setor ou da atuação das empresas.
Afinal, com uso da Inteligência Artificial e de ferramentas como machine learning, modelos prescritivos de otimização e modelos preditivos, uma empreitada de Data Science contribui para:
– Otimizar a eficiência operacional;
– Possibilitar experiências personalizadas;
– Entregar produtos relevantes;
– Entender melhor o comportamento do consumidor;
– Melhorar o fluxo de caixa;
– Mitigar riscos e fraudes, entre tantos outros aspectos.
Muitas empresas enxergaram a riqueza dos dados e implementaram uma cultura de modo a tirar proveito de todo o potencial gerado pelo analytics. Iniciaram uma jornada analítica fundamentada em quatro pilares — processos, ferramentas, pessoas e dados — para sair do empírico.
Passaram a tomar decisões baseadas em metodologias da inteligência computacional e da ciência de dados, ganharam um arsenal para prever cenários de curto, médio e longo prazo. Nesse caminho rumo à maturidade analítica, também iniciaram sua trajetória para ser uma empresa Data Driven.
Cultura Data Driven e equipe de Data Science
Uma cultura de Data Driven vai além de ferramentas de última geração. Tem mais a ver com uma dinâmica de trabalho baseada na colaboração e experimentação, na qual os dados são a base para qualquer decisão tomada dentro da organização.
É uma mudança que traz mais agilidade para as organizações, mais confiança nas decisões e mais responsividade. Isso porque os dados permitem identificar tendências e padrões por meio de análises preditivas que resultam em abordagens proativas dos negócios.
As organizações que passaram a usufruir dessas vantagens — e que há algum tempo extraem dados com qualidade suficiente para “contar uma história” — começaram, então, a montar suas próprias equipes de Data Science, bem como ferramentas mais transacionais.
É um negócio atualmente mais restrito aos grandes players por exigir novas posições, governança de dados e alto investimento (e que, claramente, pode ser iniciado por toda empresa que já vislumbra a potencialidade dos dados).
Time misto = composição de equipes
Em uma composição de equipes de Data Science, entende-se como “o melhor” dos dois mundos uma equipe mista: de um lado, jogadores que conhecem o negócio da empresa; do outro, jogadores especializados em analytics e Inteligência Artificial. Ou seja, a composição da equipe deve ter quem garante a aderência das soluções ao contexto da empresa e também quem está antenado com relação às best practices, evolução dos algoritmos e técnicas de modelagem para compor a análise de dados.
Porém, há alguns desafios que permeiam essa estratégia. O primeiro deles está em encontrar profissionais qualificados e disponíveis para as posições em um mercado altamente competitivo quanto o da tecnologia, o que exige criar mecanismos específicos para atração de talentos.
Além disso, é muito caro para as empresas manterem internamente a equipe de analytics atualizada e em plena produtividade. Muitas vezes ela acaba se tornando obsoleta por falta de atualização ou pelo viés interno de sempre atuar no mesmo contexto, sem visão sistêmica do que está acontecendo no mercado. Inclusive corre-se o risco de que a falta de desafios venha a se tornar um fator desmotivacional para a equipe.
Temos percebido excelentes resultados em empresas que compõem um time misto, que mantêm jogadores internos que entendem do negócio e completando sua equipe com jogadores alocados de empresas focadas em analytics.
E é essa a composição que a UniSoma propõe. Temos atuado em diferentes clientes com alocação de um backoffice de conhecimento e de recursos. E, assim, em complemento a um time interno do cliente, oferecemos recursos que podem atuar não apenas na execução dos projetos de analytics, mas que também contribuem para discussões mais estratégicas, criação de road map e melhor avaliação de onde a empresa quer chegar nos próximos anos.
Para quem ainda não entrou nessa jornada analítica, por mais que o caminho seja complexo, ter uma boa equipe e o suporte de uma empresa vencedora como a UniSoma é fundamental para o sucesso. Entre em contato conosco e entenda como podemos ajudar a vencer esse campeonato.
Luciano Moura é Diretor Comercial da UniSoma.
