Sua empresa está pronta para Transformação Digital na nova "data economy"?

0
188

Ao longo do ano passado, um dos termos que mais se ouviu falar nos meios corporativos foi "transformação digital". Nove de cada dez empresas empreenderam algum esforço de digitalização.

Apesar de avanços notáveis, o Brasil pode estar ficando para trás nessa batalha.

O DT Index 2020, apurado pela Vanson Bourne, sob encomenda da Dell e da Intel, separou as empresas consultadas em cinco grandes grupos: Retardatárias Digitais, Seguidoras, Avaliadoras, Adotantes e Líderes.

A classificação considera o desempenho em quatro quesitos: incorporação dos principais atributos de um negócio digital, a estrutura de TI existente, a estratégia de transformação da força de trabalho e os investimentos planejados para os próximos cinco anos. Apenas 4% das empresas brasileiras entrevistadas se encaixaram na categoria "Líderes", índice 3 vezes inferior há cinco anos.

Dos executivos consultados, 95,5% apontaram barreiras ao processo de digitalização. Entre os motivos apontados, um deles me chamou atenção em particular: a incapacidade de extrair informações importantes dos dados, mostrando que não bastam capacidade de investimento ou equipamentos, mas sim é preciso mudar a cultura nas empresas e capacitar os profissionais.

Toda empresa, mesmo que não se dê conta disso, gera hoje uma quantidade enorme de dados, seja por planilhas, ferramentas isoladas, sistemas internos ou de terceiros. Essa massa de informação pode ser extremamente útil, mas precisa estar organizada para gerar valor.

Uma coisa é eu ser uma agência de marketing com uma ferramenta para postar conteúdo nas redes sociais. Outra é ter a capacidade de ler os relatórios de analytics e produzir insights a partir deles que vão distribuir de maneira cada vez mais eficiente o conteúdo de acordo com os objetivos de cada cliente.

A teoria de Business Intelligence nos mostra que, quanto mais organizados estão os dados, maior a possibilidade de extrair análises. A sofisticação dos insights é diretamente proporcional ao valor gerado por eles. Ou seja, se você não consegue sequer entender quais as perguntas a serem feitas para a base de dados, significa que a jornada está perto do marco zero

O primeiro nível é o dos relatórios, com os quais se pode, no máximo, entender o que aconteceu. Investindo um pouco mais de tempo, dá pra perceber porque aquilo aconteceu. Com o uso de ferramentas, passa a ser possível acompanhar o que está acontecendo agora. Temos, então, relatórios, análises e monitoramento.

Quando se acompanha o presente, apoiado em um histórico, é possível extrair padrões e tendências baseados em comportamento e relações entre fatos, dando aos analistas a capacidade de supor o que poderia acontecer num cenário A ou B. O que era mera hipótese, feeling, vira previsão; e esse é o salto de valor decisivo.

Bancos de dados organizados, de preferência com o conceito de Single Source of Truth (confiáveis), estão prontos para implementação de algoritmos baseados em machine learning ou redes neurais (IA). A partir deles, o próprio sistema faz projeções de resultados potenciais em cima de interações complexas – o que vai acontecer, quando e porque.

Vamos imaginar que você tenha um e-commerce. Quantos pedidos foram finalizados por dia no último mês? Sabe o percentual atendido e dentro dele quais os entregues no prazo prometido? Qual a distância percorrida pela frota, volume transferido ou entregue, tamanho da entrega por veículo? Conhece esses números por dia, semana, quinzena, região? Existe uma sazonalidade crítica dentro do mês? Consegue prever quais os pedidos que serão realizados no mês seguinte e, assim, otimizar a logística para garantir as entregas rapidamente com um baixo custo de estoque?

Lembra aquele pessoal no começo do texto que nem sabia quais perguntas fazer para extrair valor dos dados… Não adianta produzi-los sem ter como interpretá-los.

Veja o caso da Amazon, que oferece milhões de itens e entrega os pedidos a um preço abaixo da concorrência e mais rápido. Como? A empresa implantou um sistema batizado de Supply Chain Optimization Technologies (Scot). Basicamente, "o Scot" analisa bilhões de cliques, pedidos e entregas feitos nos sites Amazon.

Com Big Data, cria modelos capazes de prever que tipos de produtos estarão mais sob demanda, selecionar os melhores fornecedores de determinado produto e automaticamente fazer um pedido antecipado baseado nas previsões. Também por IA, a Amazon escolhe a localização estratégica dos seus armazéns e os organiza para guardar os produtos de forma mais eficiente. Boa parte da tarefa de pegar os itens nas prateleiras, separar e embalar cabe a robôs.

Os dados podem gerar ganhos de eficiência em todos os elos da cadeia de uma empresa, impactando áreas como suprimentos, vendas, fornecedores, administrativa e financeira.

No Brasil, além da logística, o financeiro merece atenção especial. Nosso histórico de desigualdade se reflete também no acesso a serviços financeiros. Pelo menos 1/3 da população é desbancarizada e o crédito bastante caro, inclusive para pessoas jurídicas.

Não é à toa que dentro do ecossistema de startups brasileiras, o setor financeiro é o que mais rápido floresceu: são mais de 800 no país. As fintechs fazem uso intensivo de Big Data para conseguir facilitar a concessão de crédito.

Os economistas há anos entoam o mesmo mantra: o custo do crédito está diretamente relacionado à falta de dados financeiros sobre pessoas ou empresas. Será que vão pagar em dia as prestações? O fornecedor entrega no prazo? Terá o varejista bom histórico de pagamento com a indústria? Qual o risco de fraude?

O Banco Central começou a colocar em prática no ano passado uma estratégia ampla para ajudar a resolver alguns dos problemas, como a disseminação do Cadastro Positivo e a possibilidade das instituições compartilharem os dados mediante autorização. O setor privado também pode propor soluções nesse sentido.

A revolução financeira alimentada por Big Data é uma realidade, ainda está no começo e não depende só do governo. Para seu negócio tirar melhor proveito da digitalização dos dados é preciso organizar a casa e implantar uma cultura data-driven.

E então? Sua empresa está preparada para ela?

Marcos Maciel, CEO da CIAL Dun & Bradstreet do Brasil.

Deixe seu comentário