Apresentamos seis etapas para levar em consideração ao montar uma boa estratégia de dados e como calcular e provar seu Retorno sob Investimento
Antes de montar um plano para utilizar os dados de forma estratégica dentro da empresa, será preciso provar aos stakeholders que vale à pena investir e que o retorno virá. Aqui há duas situações: uma boa estratégia de dados traz retorno a médio e longo prazo em praticamente todas as áreas da empresa, porém, haverá esforço para mensurar a subjetividade desse ROI.
A principal saída da estratégia de dados será um roadmap que mostra como usar a tecnologia para atender às metas de negócios, identificando os projetos que têm o maior impacto e, provavelmente, o que tem maior chance de obter um retorno maior. Em termos de medição do ROI, um dos melhores lugares para começar é a redução de custos ou o aumento da receita resultante de cada projeto.
Vejamos alguns exemplos de ROI em dois tipos comuns de projetos de dados e análises que podem conter em uma estratégia de dados:
Dados comuns e plataforma analítica: um projeto para desenvolver uma plataforma de tecnologia comum para suportar as necessidades de armazenamento e processamento de dados e relatórios analíticos. Geralmente, esse é o alicerce ou ponto de partida para muitos outros recursos.
Marketing micro-segmentado: usando técnicas analíticas para identificar grupos de nichos de clientes potenciais e criar campanhas de marketing exclusivas. Mesmo que não seja explicitamente um de seus objetivos de negócios, acaba sendo importante, de uma forma ou de outra, entender melhor seus clientes.
Idealmente, os novos recursos e processos desses projetos reduzirão os custos ou aumentarão a receita. Por exemplo, a plataforma comum pode reduzir a duplicação de software e dados em sua empresa, reduzindo seus custos com softwares e armazenamento.
Os projetos no roadmap não são a única peça do quebra-cabeça quando se trata de medir o ROI da estratégia de dados. Para diminuir os custos, é possível olhar para a redução do tempo ou da quantidade de recursos necessários para concluir uma tarefa específica. Para aumentar a receita, podemos pensar no aumento da produção (com a mesma quantidade de tempo ou recursos) e liberar os colaboradores para tarefas de maior valor e maior margem.
Voltando ao exemplo de plataforma de análise e dados consolidados, os ganhos de eficiência deste projeto podem acelerar o desenvolvimento de produtos, ajudando a lançar produtos mais cedo do que era possível anteriormente. Por causa desse lançamento antecipado, a empresa tem a oportunidade de gerar receita mais cedo. Talvez ainda mais importante, todas as receitas resultantes da liberação antecipada aumentam como parte do ROI da estratégia.
A última parte do ROI de uma estratégia de dados é seu efeito na estratégia geral de negócios. Os recursos que resultam dos projetos de roadmap de estratégia permitirão que a empresa execute tipos completamente novos de tarefas e funções.
Voltando ao exemplo de marketing micro-segmentado, se ele identificar novos grupos de clientes, é possível criar iniciativas de negócios que se concentram em ir atrás desses mercados e criar receita adicional. Novos recursos resultantes do roteiro de estratégia de dados também podem ajudá-lo a identificar novos padrões de comportamento do cliente ou analisar o comportamento de cada cliente individual para criar campanhas de marketing verdadeiramente personalizadas. Essas são classificações de clientes que você talvez nunca soubesse que existiam antes. Isso é muito diferente do passado, onde você era forçado a analisar cada cliente como parte de um segmento de mercado ou demográfico mais amplo.
Para as iniciativas que buscam novos mercados, uma maneira de olhar para o ROI é a nova receita desses segmentos de mercado. Para as iniciativas que criam experiências de cliente mais personalizadas, pense na receita resultante do aumento da fidelidade do cliente. Para empresas de P&D, o ROI pode ser a economia de custos na redução do tempo de P&D e na redução do tempo e dos custos de desenvolvimento de produtos.
Uma estratégia de dados ajuda a identificar os projetos ideais para focar que terão o maior retorno para o negócio. Analisar os projetos resultantes, juntamente com o valor de negócios acelerado e os efeitos na estratégia geral de negócios da empresa, dará uma visão abrangente sobre como pensar o valor específico que uma estratégia de dados trará. Sabendo disso, é possível começar a olhar para uma estratégia de dados não como um projeto que entrega resultados abstratos e não quantificáveis, mas como uma oportunidade para identificar as principais fontes de ROI para o negócio.
Cada empresa deve ter uma visão de negócios e uma estratégia de negócios em vigor antes de ter uma estratégia de dados. Uma estratégia de dados deve andar de mãos dadas com uma estratégia de negócios e servir para concretizar a visão de negócios. Por outro lado, os dados convivem com a tecnologia, ao mesmo tempo em que fornecem valor para empresas e clientes. Estratégia de dados, portanto, é também a estratégia de dados e tecnologia.
Existem seis áreas nas quais devemos nos concentrar para criar uma estratégia de dados de sucesso: Alinhamento, Arquitetura, Processo, Organização, Pessoas e Planejamento de longo prazo.
Alinhamento com a estratégia de negócios
Este é, provavelmente, o aspecto mais importante da estratégia de dados. Embora a importância da estratégia de dados seja amplamente aceita, sua implementação ainda é uma grande questão para muitas organizações. Isso ocorre principalmente porque empresários não confiam na tecnologia e os cientistas de dados estão muito focados na tecnologia sem contextualizar as ferramentas tecnológicas em face dos desafios de negócios. O alinhamento pode acontecer, portanto, apenas quando ambos os lados focam nos resultados do negócio.
Em um nível mais alto, as necessidades de negócios para estratégia de dados vêm de 3 áreas: Produtos, Melhorias Operacionais / Processos e Compliance. A estratégia de dados para cada uma dessas áreas pode ser muito diferente. A estratégia relacionada a produtos requer recursos de descoberta rápida e integração com novas fontes de dados e entrega de novas experiências de usuário. As melhorias operacionais / de processo são aplicadas mais internamente e se concentram na eficiência, redução de custos e melhoria da qualidade. A compliance se concentra na segurança de dados. A estratégia de dados eficaz, portanto, deve ter todas essas áreas cobertas.
Arquitetura: o volume de dados é importante
Ao trabalhar na arquitetura de dados é fundamental compreender os ativos de dados existentes e futuros. Questões importantes precisam ser levantadas, como que tipo de dados são necessários para resolver problemas de negócios, quais são os casos de uso típicos e qual é o crescimento de volume em 3 a 5 anos.
Trabalhar com um pequeno volume de dados é mais simples, o que garante ciclos mais rápidos e requer menos investimento. Ao trabalhar com grandes volumes de dados, no entanto, a arquitetura se tornará muito mais complexa, portanto, o custo será muito maior e a implementação será mais demorada e com mais riscos. Se os tamanhos dos dados forem de fato diferentes para diferentes fontes e aplicações, deve haver diferentes estratégias para lidar com cada caso, com diferentes formas de pensar e planejar desde o início.
Uma arquitetura típica para big data consiste em três áreas: Fontes de dados e sua área de preparação; Data Lake e Plataforma de Processamento de Dados; Soluções de entrega.
Uma estratégia de dados bem-sucedida para big data deve ser planejada de maneira diferente para essas três áreas e alinhar cada uma com os objetivos de negócios. Em particular, reconstruir a plataforma de Data Lake e Processamento de Dados para Big Data é muito caro e pode consumir muito tempo e muitos recursos. Adicionar uma fonte de dados ou desenvolver uma nova solução de entrega, por outro lado, pode ser feito de forma relativamente rápida e fácil para aumentar a receita. Construir um pipeline de processamento de dados escalável, integrável e sustentável e a plataforma é uma estratégia central para permitir o crescimento de uma empresa a longo prazo.
Organização: Centralizada vs Descentralizada
Novas ideias e inovação geralmente começam nos departamentos de negócios porque eles estão mais próximos dos clientes e consumidores, enquanto os grupos de TI ou de tecnologia de dados centralizados têm experiência em gerenciamento de mudanças, sistemas de produção escaláveis, automação de processos e soluções de nível empresarial.
Este conflito se torna ainda mais óbvio nos campos de Ciência de Dados e Inteligência Artificial. Embora pequenas equipes de ciência de dados em departamentos de negócios possam fazer experiências rapidamente com IA e algoritmos de machine learning, também devem planejar como dimensionar e produzir seus. Todo o ciclo de vida, desde a experimentação de novos algoritmos até a integração e produção, precisa ser explicitamente discutido e aplicado na estratégia de dados, com a estrutura de organização e parceria entre os departamentos de negócios e tecnologia incorporados. Este exercício pode levar à eficiência em nível empresarial e inovações mais rápidas ao mesmo tempo. Uma boa estratégia nos permite olhar o ciclo de vida dos dados como um todo, desde a inovação inicial até a eventual produção e crescimento do negócio. Ele também solicita que os departamentos de tecnologia e negócios trabalhem em conjunto com os mesmos objetivos.
Processo: Governança de Dados
Uma estratégia de dados bem-sucedida deve ter um plano claro sobre como liberar o valor dos ativos de dados para servir aos objetivos de negócios. A governança de dados é o processo de gerenciamento desses conjuntos de dados em termos de propriedade, integridade, compliance, qualidade, conteúdo e relacionamento com outros conjuntos de dados.
Sem governança estabelecida, uma empresa não teria clareza e percepção sobre seus conjuntos de dados, o que poderia resultar em estratégias inconsistentes ou sobrepostas. A governança é um processo cuja eficácia é medida pelos resultados que entrega. Seu objetivo é proporcionar transparência e eficiência, mas não confusão e burocracia. Dada sua função importante no gerenciamento de ativos de dados, a governança deve fazer parte da estratégia de dados, com um plano mais concreto sobre como estabelecer, aplicar e melhorar continuamente o processo.
Pessoas: Talento e Cultura
As pessoas também devem fazer parte de qualquer estratégia de uma empresa e isso não é exceção para a estratégia de dados. A diferença é que o talento técnico é difícil de encontrar e os dados também requerem conhecimento institucional para serem produtivos. A avaliação dos talentos atuais e o planejamento antes do treinamento ou construção do pipeline de novos talentos são cruciais para uma estratégia de dados bem-sucedida. Neste espaço, reter e encontrar novos talentos são igualmente importantes. Construir equipes com conjuntos de habilidades diversificados e complementares e vários níveis de experiência deve ser um aspecto importante de uma estratégia de dados bem-sucedida.
Outro aspecto é construir a competência e cultura de dados na organização. Isso não quer dizer que qualquer pessoa que acesse os dados deva ser capaz de fazer programação SQL, Python ou executar algoritmos de aprendizado de máquina. Um exemplo é que a maioria das pessoas é capaz de trabalhar com dados em uma planilha do Excel. O mesmo nível de alcance e competência deve ser estabelecido para que as pessoas acessem os dados facilmente usando uma ferramenta padronizada dentro da organização, de modo que as pessoas possam puxar, analisar e usar os dados para melhorar sua tomada de decisão e eficiência de trabalho sem a ajuda dos técnicos.
Essa liberdade depende de vários recursos dentro da empresa: fácil acesso aos dados, catalogação clara dos dados, disponibilidade de ferramentas de autoatendimento com plugins de acesso e análise dos dados e muito treinamento.
Competência e competitividade de longo prazo
Trabalhar com dados é um esforço de longo prazo e a estratégia de dados requer visão de longo prazo. Na verdade, uma estratégia bem-sucedida deve ter um plano abrangente que possa superar a estratégia de negócios para permitir uma base de longo prazo para futuras estratégias de negócios e crescimento. Trabalhar com ativos de dados é muito diferente de criar programas ou interfaces. Requer gerenciamento cuidadoso, investimento de longo prazo e esforço persistente. A força de uma estratégia de dados eficaz enfatiza o valor fornecido pelos ativos de dados e pelas pessoas, mas não pelas novas tecnologias, que são simplesmente as ferramentas e abordagens para extrair e realizar o valor dos dados.
Embora a estratégia de dados tenha os mesmos componentes da estratégia de negócios, ela ainda é relativamente nova. Definir uma estratégia de dados certa requer primeiro uma visão de negócios e o alinhamento com uma estratégia de negócios. A estratégia de dados também deve ser considerada como um capacitador da visão de longo prazo, estabelecendo a pedra angular na qual as estratégias de negócios futuras podem contar. Por último, impedir que uma estratégia de dados seja puramente tecnológica ou focada em TI é essencial. Uma organização deve ter uma abordagem holística para adotar uma estratégia de dados de longo prazo, com investimentos em tecnologia, pessoas e processos otimizados, para permitir o crescimento contínuo dos negócios.
