Quando a COVID-19 surgiu no início de 2020, todos os modelos de data science e ML se romperam. A pandemia transformou radicalmente a forma de trabalho e acelerou o ritmo das operações para que elas se tornassem impulsionadas pelos dados.
Os tempos realmente mudaram!
Mas algumas coisas permaneceram as mesmas.
No campo da análise, data science e machine learning (ML), a inovação tecnológica se desenvolve aceleradamente, mas alguns dos princípios fundamentais continuam firmes. Há inúmeros avanços na preparação de dados, limpeza e criação de perfis automatizados até a aprendizagem de máquinas (AutoML) e engenharia de recursos de automação. Sem dúvida, existem muitas funcionalidades inovadoras para considerar ao avaliar as plataformas DSML.
No entanto, ao fazer investimentos em analytics e IA, os líderes de negócios devem ter uma visão além da tecnologia. A tecnologia muda, mas alguns dos princípios básicos para preparar sua estratégia para o futuro permanecem os mesmos. Afinal, se você já está no mercado de tecnologia há algum tempo, provavelmente já testemunhou o aumento e a queda das tendências tecnológicas. Além disso, você provavelmente já viu uma parcela de projetos analíticos falhar, mas também já viu os que se tornaram extremamente bem-sucedidos. Por que alguns projetos são bem-sucedidos enquanto outros são fadados ao fracasso?
Ao investir em analytics e inteligência artificial, os dirigentes empresariais devem olhar além da tecnologia.
De acordo com a NVP Big Data and AI Executive Survey 2021, 92,2% das empresas “identificam a cultura — pessoas, processos, organização, gestão de mudanças — como o maior obstáculo para se tornarem organizações orientadas por dados”.
Esses resultados não são incomuns. Ano após ano, a cultura continua sendo um impeditivo à ambição das empresas de se tornarem orientadas por analytics. Contudo, muitas empresas descobriram o elixir mágico para a transformação da cultura baseada na intuição e métodos ultrapassados para um ambiente de trabalho digital, impulsionado por analytics, data science e ML. A mágica acontece por meio de cinco estratégias que os líderes usam para preparar seus investimentos para o futuro.
Para as empresas capazes de realizar essa mudança, os resultados podem ser surpreendentes. De acordo com o International Institute for Analytics (IIA), ao comparar organizações com diferentes níveis de maturidade analítica (ou seja, analytics localizado versus empresas analíticas), foram encontradas as seguintes diferenças no crescimento financeiro:
Como líder analítico e de negócios, você deve refletir sobre as seguintes orientações para uma estratégia de investimento em analytics e data science.
1. Alinhe analytics e data science à estratégia de negócios
Sim, pode parecer um tanto clichê, mas uma das principais causas para projetos fracassados é o desencontro entre profissionais de analytics e data science, diferentes setores operacionais dentro da empresa e a estratégia geral de negócios.
As organizações precisam ter uma estratégia de negócios bem definida com metas de negócios e OKRs (objetivos e resultados-chave). A seguir, é preciso determinar uma série de iniciativas (projetos) que mapeiem esses OKRs. Depois, é necessário criar e mapear KPIs (indicadores-chave de desempenho) para essas medidas. E só então as organizações devem elaborar e implementar projetos analíticos para alcançar essas prioridades.
2. Comece com a decisão digital e retroceda
Depois que as principais iniciativas e as equipes de projeto são formadas, as organizações precisam trabalhar de forma retroativa com base nas principais decisões de negócios que precisam ser tomadas. É necessário que os líderes tenham muita atenção aos processos de negócios associados que são afetados. O objetivo principal das análises é gerar valor para a empresa. Se a organização não conseguir mudar sua conduta através da incorporação do analytics em uma resolução digital, de que adianta? Em muitos casos, isso é esquecido e é prejudicial aos projetos, além de ser desmoralizante para aqueles que neles trabalham.
Presumindo que a instituição possa adotar medidas preventivas fundamentadas em analytics, as empresas devem iniciar a implementação desses fluxos de trabalho em seus sistemas corporativos. Para fazer isso com eficácia, elas precisam ter um processo robusto de gerenciamento de mudanças na organização, bem como uma estratégia de operações de ML.
3. Não se esqueça das pessoas
As pessoas são o ativo mais importante de uma organização, e há muito o que ser discutido. Para começar, continuamos com a escassez de cientistas de dados capacitados que possam ser recrutados e retidos pelas empresas. Felizmente, essa lacuna está se fechando rapidamente graças a oportunidades de aprimoramento de habilidades, como o programa ADAPT.
Muitas das grandes organizações pretendem continuar a potencializar sua força de trabalho atual, aprimorando seus conhecimentos técnicos e oferecendo oportunidades de aperfeiçoamento para se tornarem verdadeiros cientistas de dados. O termo cientista de dados pode não agradar a todos, mas atualmente há muitos analistas que continuam presos em planilhas e seguem realizando o mesmo trabalho repetidamente.
Ademais, uma organização orientada por análises é tão sólida quanto a comunidade que a apóia. Ao considerar a tecnologia analítica, preste bastante atenção à resistência da coletividade. Será que ela fornece aos funcionários uma oportunidade de colaboração para aprender as melhores práticas e solucionar problemas sem a ajuda da TI ou programas de capacitação de alto custo?
4. Não faça isso de novo, automatize.
Em relação à estratégia nº 3, a automação é extremamente importante para as organizações. Como se vê na história, conforme os sistemas e processos se tornam mais complexos, eles precisam ser automatizados. Vamos encarar isso de frente. Os trabalhadores do conhecimento hoje estão fartos de processos de trabalho desatualizados. Eles estão cansados de fazer a mesma coisa várias vezes. Eles almejam aproveitar o potencial de suas competências para desenvolver ações inovadoras, deixando de gerar relatórios descritivos do problema semanalmente para criar modelos analíticos de arrastar e soltar e explorar "o que poderia acontecer" e "o que devemos fazer em seguida".
Muitas organizações vêem a automação como uma competência crítica. Desde processos robóticos, passando por bots de bate-papo, interfaces de usuários de baixo/sem código, até IA e ML, caso você precise executar algo mais de uma vez, é possível fazer a automação de tarefas. A Analytic Process Automation é certamente mais uma peça do quebra-cabeças da transformação digital capaz de ajudar empresas a permitir que seus funcionários elaborem desafios complexos e solucionem problemas de forma inovadora.
5. Considerações de tecnologia
Conforme afirmado anteriormente, a tecnologia certamente é um facilitador para melhorar o bem-estar dos funcionários e o desempenho dos negócios, mas ela deve ser levada em consideração depois que as recomendações anteriores forem compreendidas. Em primeiro lugar, a tecnologia precisa ser intuitiva, acessível e fácil de usar. Sim, eu sei, todo fornecedor de tecnologia afirma que sua tecnologia é fácil de usar, e é por isso que incentivo as pessoas a experimentarem antes de comprar.
Além disso, a tecnologia deve ter um conjunto resistente de elementos para construir pipelines analíticos que solucionem problemas concretos e permitam um crescimento escalável.
Ela também precisa oferecer a automação integrada e contar com uma ampla rede de parceiros que contribuam para a sua transformação digital. Para completar, a tecnologia deve dispor de alguns recursos do AutoML sustentados por projetos de open source como o EvalML (este vídeo do YouTube é dedicado aos pythonistas que acompanham este blog).
A decolagem do analytics de uma companhia aérea
Por exemplo, vamos analisar rapidamente a equipe de marketing de uma companhia aérea. Essa equipe estava fazendo a transição do serviço que realizava com uma agência de marketing para produção interna. Através de uma plataforma de analytics intuitiva e fácil de usar, seus colaboradores conseguiram avaliar os e-mails de marketing e entender de fato as necessidades de seus clientes. Após alguns testes A/B e uma economia nas campanhas por e-mail, eles alcançaram um aumento de 50% no número de cliques e um crescimento de 15% nas conversões.
Mas o sucesso não parou por aí. Como dispunham de uma plataforma escalonável e podiam crescer ao aprenderem mais, eles foram capazes de incorporar a análise geoespacial ao seu trabalho, obtendo um acréscimo de 10% na interação. Mais de uma dúzia de fluxos de trabalho foram automatizados, proporcionando a eles mais tempo para buscar trabalhos mais inovadores. Além disso, também acrescentaram recursos preditivos e identificaram um mercado que tinha 3 vezes mais chances de conversão. Ao todo, as conversões foram 20% maiores!
Resumo
A tecnologia é apenas um componente do “banquinho de três pés”, composto por pessoas, processos e tecnologia. À medida em que os líderes corporativos iniciam sua jornada analítica, ter um claro entendimento da estratégia de negócios e de como ela mapeia as decisões digitais de uma organização é fundamental. É fundamental entender como o processo de negócios mudará.
Em seguida, envolva toda a sua organização nos vários projetos e iniciativas. Garanta que seus funcionários tenham um caminho claro de qualificação, afinal, eles conhecem muito bem a sua empresa e podem fazer melhorias significativas se tiverem oportunidade.
Por isso, automatize. Automatize. Automatize. Por último, considere uma plataforma de tecnologia que seja fácil de usar, flexível e que tenha centenas de componentes básicos que possam ser usados para criar fluxos de trabalho inovadores. A tecnologia deve ser apoiada por uma comunidade robusta.