A tomada de decisão baseada em dados

A parte mais importante da tomada de decisão baseada em dados é transformar insights em ação. Porém, é fácil se perder na enxurrada de dados existentes em uma empresa. Neste post listamos pontos cruciais para ajudar neste processo

A NewVantage Partners aponta que 98,6% dos executivos indicam que sua organização deseja criar uma cultura baseada em dados, enquanto apenas 32,4% afirmam ter sucesso nesse processo. Um estudo da IDC também observou que as organizações investiram trilhões de dólares para modernizar seus negócios, mas 70% dessas iniciativas falham porque priorizam os investimentos em tecnologia sem construir uma cultura de dados para apoiá-las.

Se, apesar de conceitualmente óbvio, é tão complicado tomar decisões baseadas em dados, qual a saída? Abaixo, elencamos alguns pontos cruciais para ajudar neste processo:

Primeiro, defina a estratégia

O primeiro passo não começa com dados. Começa com a estratégia de negócios. A pergunta-chave aqui é: o que queremos alcançar?

O foco em um objetivo específico é essencial. Se uma meta clara não for estabelecida, não será novidade se perder em um oceano de dados com infinitas possibilidades, gastando muito tempo com tarefas desnecessárias.

Qualquer decisão a ser tomada precisa começar com os objetivos centrais do negócio. Portanto, convém começar perguntando: quais indicadores queremos melhorar?

Por exemplo: uma empresa que comercializa uma ferramenta SaaS premium em todo o mundo, quer aumentar seu lucro na Europa através de upsell da base de clientes. Existem cinco faixas de preços na assinatura. A prioridade está definida, mas durante a fase de pesquisa, foi descoberto que 75% das assinaturas mais caras vêm da Inglaterra, mas menos de 10% vêm de França e Alemanha.

Portanto, o objetivo específico passa a ser “aumentar as assinaturas na faixa mais alta na Alemanha e na França, fazendo upsell com a base atual de clientes”. Uma vez decidido, é preciso de dados para apoiar o objetivo.

Enquadrar a pergunta

Depois de delimitar o objetivo, a recomendação é formular uma pergunta específica a ser respondida com um projeto de dados.

Por exemplo: qual é a mudança de preço ideal para obter a maior margem nos próximos 30 dias?

Com base nisso, é preciso olhar os últimos 6 meses de vendas de uma loja específica ou olhar as vendas individuais por item? Sendo direto e específico, é possível definir quais pontos de dados serão os mais relevantes para atingir seu objetivo e quais não impactarão no resultado e, portanto, não precisarão demandar tempo e trabalho para serem preparados.

Mapear os dados disponíveis e os necessários

Depois de identificar o problema e a questão a ser respondida, é hora de encontrar e apresentar dados relevantes.

O italiano Fabrizio Fantini, PhD em Matemática e CEO da EvoPricing, no Reino Unido, destaca em artigo que é importante também combinar dados disponíveis internamente com dados de fora da empresa. Dentro de casa, todos os dados de venda estarão disponíveis, mas para fazer um bom forecast de vendas em determinadas categorias, dados de clima ou indicadores macroeconômicos podem fazer diferença em um modelo.

Os dados relevantes podem estar disponíveis em fontes como: site, software de CRM, plataforma de BI, ferramenta de monitoramento social, em pesquisas com clientes, entre muitos outros locais.

O feedback dos clientes é especialmente importante, pois uma pesquisa da BI Survey revela que 67% das empresas dizem que usar o feedback do cliente como parte de seu processo de tomada de decisão contribuiu para seus projetos mais bem-sucedidos.

Voltando ao exemplo de assinatura SaaS, é possível perguntar aos usuários por que se tornaram clientes e não escolheram o concorrente. Essas informações ajudariam a criar uma mensagem mais atraente para os novos assinantes.

Investir em tecnologia

Uma boa plataforma de gerenciamento de dados pode fazer a diferença nos resultados finais. Fabrizio Fantini recomenda que a plataforma escolhida não exija conhecimento especializado em programação SQL, mas que seja construída para uso no nível gerencial, para que os profissionais não-técnicos também consigam utilizar os dados de forma autônoma.

Afinal, de que adianta ter um sistema poderoso que emite resultados ininteligíveis, que ninguém sabe o que fazer com eles? Quanto mais fácil for entender os dados, mais bem informados estarão os tomadores de decisão.

Execução da análise

Depois de instalar os sistemas e acessar os dados de que precisa, a análise pode começar. Importante aqui é manter o foco na pergunta a ser respondida, pois alguns resultados realmente intrigantes serão encontrados, ainda que não tenham nada a ver com a pergunta inicial. A melhor prática é colocá-los de lado e voltar a eles em outro momento, quando for possível se concentrar naquele problema específico.

Além disso, é importante não confiar em dados sem contexto. Certificar-se de que os relatórios sejam baseados em uma compreensão profunda do que são os dados e como estão sendo usados, considerando os dados históricos coletados e buscando identificar padrões ou tendências.

Padrão de ação

Depois de toda a análise, é preciso tomar medidas que possam impactar no indicador desejado. Utilizando o exemplo do software novamente, se trocássemos o o objetivo para reduzir o churn das assinaturas, podemos considerar reescrever a sequência de e-mail de boas-vindas dos novos assinantes para checar essa melhoria afetará de alguma forma a taxa de churn.

Ao longo desse processo, podemos descobrir que:

• Reescrever a sequência de boas-vindas no passado levou a uma melhoria positiva;

• Postagens de mídia social compartilhadas com um tom de voz mais leve e bem-humorado receberam mais engajamento;

• A maioria das pessoas que visitam o centro de suporte são clientes existentes, mas a sequência de e-mails não direciona novos usuários para lá.

Nesse caso, é possível concluir que reescrever a sequência de e-mails de boas-vindas é seguro, porque os dados indicam que ela pode ser bem-sucedida. E isso seria uma decisão inteligente.

Compartilhar as descobertas

Sem o compartilhamento adequado de dados, não será possível uma eficaz tomada de decisão. Os gerentes e a equipe da linha de frente do negócio precisam de fácil acesso aos insights de dados e que seja fácil e prático esse processo. A melhor maneira de agir com base em dados é deixar que as ações evoluam organicamente, com base na experiência e no feedback do mundo real.

E também não é nenhum segredo que tabelas, gráficos e dashboards fazem toda diferença. A narrativa de dados visuais incentiva a tomada de decisões mais rápida e inteligente. Por isso é tão importante investir energia em técnicas de Data Visualization.

Exemplos de Tomada de Decisão Orientada por Dados

Em seu blog, a alemã DataPine, multinacional de tecnologia e dados, lista duas empresas que são exemplos em tomar decisões orientada a dados:

Google

Um dos exemplos mais notáveis de tomada de decisão baseada em dados vem do Google. As startups em geral são famosas por desmantelar hierarquias e o Google estava curioso para saber se ter gerentes realmente importava no negócio.

Para responder à pergunta, os cientistas de dados do Google analisaram as avaliações de desempenho e pesquisas com funcionários subordinados aos gerentes (dados qualitativos). Os analistas traçaram as informações em um gráfico e determinaram que os gerentes geralmente eram considerados bons. Eles deram um passo adiante e dividiram os dados nos quartis superior e inferior e, em seguida, executaram as regressões. Esses testes mostraram grandes diferenças entre os melhores e os piores gerentes em termos de produtividade da equipe, felicidade e rotatividade dos funcionários. Bons gerentes ganham mais dinheiro com o Google e criam funcionários mais felizes, mas o que torna um gerente bom no Google?

Novamente, os analistas revisaram os dados das pontuações do “Prêmio Grande Gerente”, em que os funcionários podiam indicar gerentes que realizaram um trabalho excepcional. Os funcionários tiveram que fornecer exemplos explicando exatamente o que tornava o gerente tão bom. Os gerentes dos quartis superior e inferior também foram entrevistados para completar o conjunto de dados. A análise do Google encontrou os oito principais comportamentos que fazem um grande gerente no Google e três que não o fazem. Eles revisaram seu treinamento de gestão, incorporando as novas descobertas, dando continuidade ao Prêmio Grande Gerente e implementando uma pesquisa de feedback semestral.

Walmart

O Walmart usou um processo semelhante quando se tratou de mercadorias de emergência em preparação para o furacão Frances em 2004. Os executivos queriam saber os tipos de mercadoria que deveriam estocar antes da tempestade. Então analisaram registros de compras anteriores de outras lojas do Walmart em condições semelhantes, classificando um terabyte de históricos de clientes para decidir quais mercadorias enviar para a Flórida (dados quantitativos). Curiosamente, descobriram que, em tempos de desastres naturais, os americanos recorrem a bolinhos de morango e cerveja.

Os analistas do Walmart não apenas mantiveram os habitantes da Flórida agradavelmente animados com cerveja e bolinhos durante a tempestade, mas também criaram lucros ao antecipar a demanda, já que a maioria dos produtos era vendida rapidamente.

A parte mais importante da tomada de decisão baseada em dados é transformar insights em ação. Usar os dados da maneira certa pode ajudar profissionais e empresas a entender seu negócio em um nível muito mais detalhado.

Porém, é fácil se perder na enxurrada de dados, portanto, é fundamental sempre começar pelo fim: a questão do negócio.