Cassie Kozyrkov, cientista chefe do Google, comenta sobre a importância dos analistas de dados. Segundo a pesquisadora, esses profissionais são os grandes responsáveis pela identificação dos problemas de negócios que, depois, são resolvidos por meio de estatística e machine learning.
Nos dias de hoje, cientistas de dados são profissionais extremamente concorridos. Isso acontece porque tais indivíduos são dotados de uma formação generalista (ou full stack), que inclui domínio sobre três campos principais: machine learning, estatística e análise de dados. No entanto, nem sempre é possível contratar alguém com tantas múltiplas habilidades. E, se uma empresa precisasse escolher somente uma delas, qual seria?
Cassie Kozyrkov, cientista chefe do Google, comentou recentemente sobre essa questão na respeitada Harvard Business Review. Segundo a pesquisadora, a efervescência em torno da inteligência artificial tende a favorecer especialistas em machine learning. Na sequência, vem a estatística, em virtude de uma reputação construída ao longo de séculos. E quanto à análise de dados?
Na medida em que as empresas, o mercado de trabalho e a mídia priorizam a importância de machine learning e estatística, isso parece reduzir a importância dos profissionais cujas principais habilidades são análise de dados – ou data mining ou business intelligence.
Entretanto, bons analistas são essenciais para a eficácia de empreendimentos com dados. Ao invés de desenvolver habilidades em estatística ou machine learning, analistas devem ser incentivados a alcançar a excelência em seu próprio campo. Kozyrkov afirma que, em Data Science, a excelência em uma área supera a mediocridade em duas.
A melhor maneira para entender a função da análise de dados dentro das organizações é compará-la com os outros campos mencionados – estatística e machine learning –, para que saibamos o que significa excelência em cada um deles, qual valor trazem e quais traços profissionais são necessários para cumprir cada função.
Estatística = rigor
Os estatísticos são especialistas em tirar conclusões seguras a partir dos dados. Eles são a melhor proteção contra as incertezas do mundo. Para eles, se for para inferir algo com desleixo, é melhor não inferir. Eles se preocupam profundamente com a adequação dos métodos aplicados e com quais inferências são válidas a partir das informações disponíveis.
O resultado é que a abordagem estatística ajuda gestores na tomada de decisões importantes e controla riscos. Em outras palavras, eles usam dados para minimizar a chance de que um gestor chegue a uma conclusão imprudente.
Machine learning = desempenho
Um engenheiro de machine learning aplicado é aquele que batalha para construir modelos com 99,99% de precisão. Esses especialistas têm habilidades de programação e possuem resiliência para lidar com falhas ao longo de anos. Eles são engajados em uma verdadeira maratona de tentativa e erro. Nesta função, desempenho significa modelos confiáveis, escaláveis e de fácil manutenção.
O resultado é um sistema que automatiza uma tarefa complicada, passa nos restritos testes do estatístico e oferece o desempenho exigido pelo líder de negócios.
É preciso enfrentar os problemas certos
O que as duas funções anteriores têm em comum é que ambas fornecem soluções para problemas específicos. Se os problemas atacados não valem a pena, a empresa desperdiça tempo e dinheiro. Entre líderes empresariais, uma crítica frequente é a ausência de utilidade para um grupo de Data Science. Essa posição, geralmente, é provocada por falta de expertise em análise de dados.
Estatísticos e engenheiros machine learning são profissionais que abordam problemas de maneira estrita e profunda. Então, é importante que sejam apontados para problemas que mereçam o esforço. Se os especialistas estão resolvendo cuidadosamente os problemas errados, o investimento em Data Science terá retorno baixo. É preciso ter certeza sobre o problema – ou utilizar uma abordagem mais ampla, para que ele possa ser encontrado.
Análise de dados = velocidade
Os melhores analistas conseguem navegar em vastos conjuntos de dados e, assim, encontrar e explorar possíveis insights mais rápido do que outros especialistas. A velocidade é a maior virtude, além da capacidade de identificar informações potencialmente úteis. O domínio da apresentação visual também ajuda: gráficos bonitos e eficazes permitem a extração mais rápida de insights.
O resultado é que a empresa acelera o passo e observa incógnitas anteriormente desconhecidas. Isso gera a inspiração para que gestores possam selecionar quais missões devem enviar para estatísticos e engenheiros de machine learning e, assim, impedir escavações matematicamente impressionantes de algo inútil.
Storytelling de dados
Analistas são contadores de histórias dos dados. Eles têm a missão de resumir fatos interessantes inspirados pelos dados. Em algumas empresas, esses fatos se tornam contribuição para quem toma as decisões. Porém, em operações mais sofisticadas, a inspiração data-driven segue para um acompanhamento estatístico adequado.
Bons analistas respeitam uma regra de ouro: não tire conclusões fora do alcance dos dados. Dessa maneira, um bom analista usa uma linguagem leve. Ele não “conclui”, mas é “levado a crer”. Eles desencorajam o excesso de confiança dos líderes, pois enfatizam a infinidade de possíveis interpretações para cada insight.
Embora habilidades estatísticas sejam necessárias para testar hipóteses, os analistas são o melhor caminho para que essas hipóteses sejam estabelecidas em primeiro lugar. Isso exige habilidades de comunicação para transmitir as opções ao tomador de decisão, que geralmente dá as dicas sobre quais hipóteses são importantes o suficiente para justificar os esforços de um estatístico. Na medida em que os analistas se familiarizam com o campo dos negócios, há menos alarmes falsos e mais insights importantes.
Tomada de decisão
O tomador de decisão deve funcionar como um filtro entre a análise exploratória de dados e o rigor estatístico. Se alguém com responsabilidade pela decisão considera a exploração do analista promissora, pode requisitar uma análise mais rigorosa para um estatístico.
Machine learning
Especialistas em machine learning inserem inúmeros dados em algoritmos, ajustam as configurações e mantêm a iteração até que as saídas corretas sejam produzidas. Porém, uma empresa geralmente possui muitos ingredientes para introduzir no liquidificador de uma só vez. Uma maneira de filtrar um conjunto promissor de ingredientes de maneira rápida é por meio da análise de dados.
Na dúvida, contrate analistas primeiro
Analistas ajudam a descobrir quais problemas devem ser resolvidos. Sem eles, especialistas em machine learning e estatística são insistentemente contratados para trabalhar em projetos inúteis.
Cassie Kozyrkov sugere que, em caso de dúvida, os analistas devem ser os primeiros contratados e devem ser incentivados a atingir o auge de suas próprias funções. Ela acredita que os personagens principais de toda essa história são os tomadores de decisão e os analistas. Porque estatísticos e engenheiros de machine learning só têm seu potencial explorado quando sabemos exatamente do que precisamos.
Ela arremata: “Comece com análises e sinta o orgulho da sua capacidade recém-descoberta de abrir os olhos para as informações ricas e bonitas que estão à sua frente. A inspiração data-driven é uma ferramenta poderosa”.
