Entenda os principais pontos a considerar no momento de montar uma equipe de dados, quais os modelos que o mercado pratica e confira cases nacionais e internacionais de como estruturar os times.
Montar uma equipe exclusiva de dados é novidade, principalmente nas empresas do Brasil. Separar os profissionais de dados da área de TI, criando um setor específico, é um sinal de maturidade e relevância da estratégia de organizações que passam a adotar uma cultura data-driven.
Não há resposta pronta quanto a este movimento. As empresas estão construindo essas equipes à sua maneira e que respondam à sua própria realidade interna. Analisando alguns cases disponíveis sobre a construção de times de dados, encontramos pontos-chave em comum a serem esclarecidos para uma melhor estruturação:
Centralizada ou Distribuída?
Algumas equipes de dados são altamente centralizadas, com todos os profissionais embaixo de um mesmo “guarda-chuva” da área de dados. Outras equipes distribuem os membros do time para sentar e trabalhar com unidades organizacionais, como Comercial, Marketing, Financeiro, etc. Às vezes, um cientista de dados pode ser a única pessoa em uma equipe multifuncional de produtos com experiência em análise de dados.
O modelo descentralizado tende a funcionar melhor para empresas sem intenção de se tornarem expressamente orientadas a dados, pelo menos no curto prazo. Pode ser aplicado aos estágios iniciais das atividades de ciência de dados, como um teste para uma evolução a longo prazo, e também estruturado em projetos pontuais que exijam análises avançadas de dados.
Já uma equipe de dados centralizada permite atender a toda a organização de forma macro, permitindo análises e tomadas de decisões mais estratégicas para a empresa como um todo, além de um melhor gerenciamento de recursos de dados e o incentivo ao crescimento da carreira dos profissionais de dados.
Introduzindo uma abordagem centralizada, uma empresa indica que considera os dados um conceito estratégico e está pronto para criar um departamento de análise igual a vendas ou marketing. O ponto de atenção é não deixar a equipe isolada e se desconectar da linha de negócios, sem estar alinhada com as necessidades de outros times.
Serviço ou produto?
Algumas equipes adotam dados como um produto e outras operacionalizam os dados como um serviço. Dependendo a cultura e organização da empresa, o papel da equipe de dados contempla ajudar as unidades de negócios a responder perguntas específicas ou elas existem para disponibilizar dados e facilitar o autoatendimento.
Quem comanda?
Um ponto que varia é a quem a equipe de dados se reporta. Algumas equipes são lideradas por executivos de nível VP ou C, como o CTO, e eles se reportam diretamente ao CEO. Em outros casos, os dados rolam para um Head com atuação prática no dia-a-dia.
Princípios e cultura data-driven
Construir um time de dados também está ligado à cultura da empresa. Aqui, a Altex Soft, empresa mundial que oferece diversos serviços de tecnologia, lista três princípios para levar em consideração neste momento:
Experiência: Encontrar maneiras de inserir dados em novos projetos da empresa utilizando um processo estabelecido seguindo o raciocínio: Aprender-Planejar-Medir.
Democratizar os dados: Escalar uma equipe de Ciência de Dados que consiga dialogar por todos os setores internos e até mesmo voltada para os clientes e pensar em evangelizar profissionais que não sejam focados em dados, mas que podem contribuir no processo de análise e utilização dos dados em sua atuação no dia a dia.
Medir o impacto: Avaliar qual parte das equipes de Data Science se envolve diretamente no processo de tomada de decisão e dar crédito a elas para incentivar atitudes como esta e pontuar a importância perante todos os colaboradores.
Esses três princípios ajudam a fomentar uma cultura data-driven e tornar mais efetivo a construção de times de dados. Para segui-los é necessário ter uma estratégia clara de dados, ter clareza de quais profissionais compõem essas equipes e como elas se encaixam na estrutura organizacional.
Cases de estruturação de times de dados
A seguir está apresentado como é a montagem dos times de dados de algumas empresas, a partir dos cases levantados pelo blog da DBT.
Away Travel
Setor: Comércio eletrônico
Tamanho da empresa: 250 funcionários
Os números
33% da organização focada em análise
20% da organização se sente confortável usando a ferramenta de BI
1 cientista de dados (fornece e analisa dados)
1 engenheiro de dados (fornece dados)
5 analistas (analisa principalmente)
Estrutura organizacional da equipe de dados
As necessidades de dados de Away Travel são suportadas por cinco pessoas na equipe de análise e uma pessoa na equipe de ciência de dados, ambas as equipes se reportam ao diretor de dados e estratégia. O único engenheiro de dados trabalha em estreita colaboração com a equipe de dados e estratégia, mas se reporta à engenharia. O setor de Data & Strategy, como é chamado, se reporta ao CEO. A longo prazo, a intenção é se reportar diretamente ao CFO.
HubSpot
Setor: Indústria de dados comerciais: SaaS
Tamanho da empresa: ~ 3000 funcionários
Os números
55% da organização focada em análise
10% da organização se sente confortável usando a ferramenta de BI
10 provedores de dados
120 analisadores de dados
Estrutura organizacional da equipe de dados
A vice-presidência de dados comerciais gerencia a engenharia de dados, o armazenamento de dados e a ativação de análises. Como muitas empresas de SaaS, o software da HubSpot cria e move uma enorme quantidade de dados de clientes, o que pode ser difícil de entender. Ao mesmo tempo, a engenharia de dados é vista como uma habilidade distinta da engenharia geral da empresa. Por esse motivo, a equipe de engenharia de dados é composta por engenheiros de software, mas se reporta ao setor de Business Intelligence.
GetYourGuide
Setor: Atendimento ao consumidor
Tamanho da empresa: 600 funcionários
Os números
2,50% da organização focada em análise
42% da organização se sente confortável usando a ferramenta de BI
4 cientistas de dados (analisar dados)
10 engenheiros de dados (dados de provisão)
6 analistas de dados (analisar dados)
Estrutura organizacional da equipe de dados
Em relato ao blog da DBT, o Data Analyst da GetYoutGuide, Baran Toppare, conta que “cada analista é incorporado a uma equipe de missão 1-2. Apoiamos produtos, suprimentos, marketing e finanças. Todos nos reportamos ao nosso diretor de análise. Na maioria das vezes, os cientistas de dados não estão fazendo análises, concentrando-se em projetos de aprendizado de máquina no roteiro do produto”.
O case da Olist
Vale à pena conferir o case de equipe de dados da Olist, startup criada em 2015 com sede em Curitiba/PR. Como escreveu no Medium o então Cientista de Dados da empresa, André Sionek, a empresa possuía profissionais de dados especialistas em quatro áreas do negócio: vendas, inteligência comercial, customer success e em operações. Eles eram responsáveis pelas análises de dados, criação de dashboards e automação de processos de suas respectivas áreas. Havia poucas oportunidades de colaboração e troca de conhecimento: cada especialista estava alocado em um setor diferente e possuía expertise e atribuições relacionadas à unidade de negócios onde estavam inseridos.
O grande questionamento que guiou a reestruturação da equipe foi: Como os especialistas em dados podem ganhar velocidade nas suas entregas, aprender mais rápido e colaborar mais uns com os outros?
Após intensa pesquisa, a Olist chegou há algumas conclusões que culminaram na proposta de criação da área de Business Science & Analytics (BS&A).
Ao mapear as tarefas e habilidades de cada especialista, o ideal era designar cada profissional a diferentes funções e responsáveis somente por uma parte do projeto. “Não faz sentido pedir para um engenheiro de dados criar dashboards executivos, assim como não faz sentido pedir para um gerente de projeto criar um script”, descreve Sionek.
Para implementar o modelo de especialistas dentro de BS&A foi preciso dividir os principais tipos de tarefas executadas dentro de um projeto. Chegaram à seguinte estrutura:
Business Science & Analytics faz interface com o Olist por meio das unidades de negócio e também pelos squads, pequenas equipes de tecnologia auto organizadas que atuam no desenvolvimento de novas funcionalidades do produto. Na outra ponta BS&A também faz interface direta com tecnologia, levantando requisitos de persistência de dados, sugerindo uso de novas ferramentas e construindo fluxos de dados que possam alimentar toda a equipe.
Foram criadas equipes especializadas em etapas específicas dos projetos de analytics. Com este modelo foi possível acelerar as entregas, pois Tools & Framework, por exemplo, pode trabalhar em paralelo à Data Science em um mesmo projeto.
Uma novidade interessante na Olist foi a criação da figura dos Subject Matter Experts, analistas que respondem diretamente às áreas de negócio em análises simples de dados. Um SME é um colaborador pertencente à unidade de negócio que possui mais facilidade para lidar com dados, indicadores e alguns scripts básicos. Ele continua realizando a sua atividade principal no dia a dia, porém passa também a dedicar parte do seu tempo para responder pequenas demandas e estudos.
O ponto crítico a ter em conta
Há dois pontos críticos que os profissionais da área de dados vão precisar sempre superar, por mais madura que a empresa esteja do ponto de vista data-driven:
Os executivos de negócios precisam ser constantemente convencidos de que existe um ROI significativo nos investimentos em projetos envolvendo Data Science, Inteligência Artificial, Machine Learning, Big Data e quaisquer coisas ligadas a dados.
Ainda que os executivos estejam convencidos sobre o ROI e compreendem a proposta de valor e a demanda do mercado, podem não ter habilidades e recursos técnicos para tornar realidade os produtos, serviços e projetos da área de dados.
Essas barreiras se devem principalmente à cultura digital das organizações. Embora a própria pandemia do coronavírus tenha acelerado esse processo de digitalização, os processos de dados eficientes desafiam os executivos de nível C a adotarem a tomada de decisões horizontal. Os gerentes ou líderes com acesso a análises têm mais liberdade operacional para tomar decisões orientadas por dados, enquanto a administração de nível superior supervisiona uma estratégia. De forma resumida, a mudança cultural molda a formação de times de dados e define o sucesso final da construção de um negócio orientado a dados.
