Talvez não seja mais novidade falar em análise de dados e nos insights que ela pode trazer aos negócios. O fato, porém, é que esse hype em torno de dados tem levado muitas empresas a, equivocadamente, estabelecerem uma ligação obrigatória entre análise de dados, machine learning e Inteligência Artificial. Como resultado, temos visto organizações adiando projetos por falta de recursos – humanos e/ou financeiros – e outras tantas correndo atrás do retorno sobre investimento que nunca chega.
A razão, sendo bastante objetivo, é que há muito o que ser feito antes de chegar ao estágio mais avançado da ciência de dados. É possível desenhar estratégias de data analytics menos sofisticadas e muito mais eficientes. E aí os resultados virão, seja para o microempreendedor, seja para as pequenas e médias empresas ou para as grandes corporações.
Há alguns anos, gigantes como Uber, Netflix e Airbnb vêm ditando o ritmo, e todos querem ser como eles. No entanto, as empresas precisam atuar dentro da sua realidade, vislumbrando chegar ao topo, mas investindo naquilo que de fato faz sentido.
O primeiro passo pode ser estabelecer uma cultura orientada a dados, onde pessoas, tecnologia e processos estão alinhados para que as decisões sejam de fato tomadas baseadas em dados atuais, e não mais em achismos que utilizam o passado como base. Esse processo de aculturamento pode até começar por uma área específica ou estar centralizado em um executivo para então avançar por toda a organização.
Independentemente do formato, é preciso entender o que os dados dizem. E aí sim, a partir disso, compreender quais as melhores tecnologias para extrair deles os insights que farão diferença para o negócio. Gosto de uma frase do Lorenzo Bavasso, diretor de data analytics e AI do BT Group, que diz: "Precisamos deixar que os dados falem".
As ideias trazidas pelos dados são base segura para tomada de decisão. Ou seja, quando os dados são utilizados corretamente, eles podem ser transformados em insights que, por sua vez, podem resultar na automação de processos. E esses processos automatizados então transformam a maneira como outros colaboradores em uma organização veem um problema ou encontram soluções para ele.
Quando uma organização possui a cultura verdadeiramente orientada a dados, fica mais simples escolher as ferramentas, as pessoas e os parceiros certos. Nem sempre é preciso começar por machine learning, inteligência artificial ou pela contratação de cientistas de dados. Seria como começar o projeto de uma casa pela decoração. A empresa ainda não precisa ter uma estratégia de dados, mas colocar dados na estratégia de todas as suas áreas de negócio.
Dados precisam ser pensados desde o início e, mais importante: são algo cíclico. A exemplo da computação em nuvem, também em dados os processos são alimentados pela transformação digital vivida pelas organizações e precisam ser continuamente acompanhados e aprimorados.
É preciso desenhar uma solução como um todo, integrada, que vai desde determinar os objetivos de negócio, garantir que os dados sejam atualizados corretamente até a definição da melhor tecnologia para tirar proveito deles.
Em resumo, dados continuam sendo os maiores ativos que uma empresa pode ter. Mas é preciso ter uma estratégia para utilizá-los da melhor maneira possível. E, não necessariamente, essa estratégia precisa incluir IA ou machine learning desde o princípio. Há muito espaço para soluções analíticas, assim como, diga-se, há muito terreno para analistas de dados, e não apenas para os cientistas de dados, como se convencionou acreditar.
Pietro Oliveira, head de Data & Analytics da Solutis.
Realmente, tenho trabalhado com data engineering há pelo menos 5 anos e percebi que várias empresas tentam entrar na onda da "ciência de dados", mas não olham dentro de casa primeiro para ver se tem uma organização mínima para começar a virar "data driven".
Em muitos casos, poderiam começar as análises com gráficos no Excel bem feitos, para depois pularam para Analytics com dasboards e tudo que vem junto.
Quando não fazem isso, geram retrabalho, custo excessivo, insatisfação nos profissionais, demora por resultados… e a lista só aumenta.
Arrumar a casa, eu diria que seria a primeira regra.
Lúcido!!!
Infelizmente é uma qualidade que está em extinção: Sobriedade no texto sem blá blá blá de modinhas.
Grato por compartilhar.
Muitos empresas seguem a "modinha" do momento. Cabe ao Cientista de Dados mostrar a área de negócio das empresas que é possível resolver vários problemas apenas com o uso de uma boa análise de dados a princípio. Não é preciso aplicar machine learning ou deep learning.
Criar uma cultura orientada a dados leva tempo e Data Scientists não são super-humanos. Hoje há um crescimento de outros segmentos profissionais na área de dados principalmente para suprir a falta para áreas onde os DS's não atuam, eles podem muito, mas não tudo.
Quanto aos Data Analysts eu diria que diversas vagas pedem conhecimento avançado em Machine Learning e IA, o que é muito estranho, mas só mostra o quanto as empresas são despreparadas ou querem um Data Scientist para pagarem menos? É possível…
Acredito que um Data Analyst tenha como requisitos ferramentas como Excel, Power BI ou Tableau, SQL e uma linguagem de programação como R ou Python. Mas conhecimentos de IA e Machine Learning em nível introdutório pode ser útil em algumas áreas, tudo depende do contexto.
O DA difere do DS no que diz respeito à comunicação e um DA está mais próximo de áreas de Project Management, visto suas capacidades em resolver problemas de negócios e gestão de stakeholders, enquanto os DS's poderiam seguir com pesquisas em inovação, produto e etc.
Há campo para ambos e o futuro é ser data-driven.