Aprendizados e boas práticas do que fazer e não fazer ao estruturar uma equipe de dados e análises dentro das empresas.
Construir uma equipe eficaz de dados e análises pode ser um desafio para muitas empresas, principalmente no Brasil, onde sobra demanda e faltam profissionais qualificados na área de TI em geral, além do trabalho remoto ter potencializado que talentos conquistem vagas em empresas do Exterior e ganhem seus salários em euro, dólar ou outra moeda mais valorizada que o real.
Para as organizações que conseguem avançar na montagem das equipes de dados e análises, a Pesquisa da Gartner realizada com os Chief Data Officers (CDOs) aponta os principais obstáculos que os líderes dessas áreas precisam superar.
Mudança cultural
Como uma cultura orientada a dados é mais um fator de influência do que de controle, é essencial entender que dados e análises podem ajudar a impulsionar os resultados de negócios. No fim das contas, não são uma implementação de tecnologia, mas uma iniciativa mais ampla, de gerenciamento de mudança que envolve toda a organização.
Falta de financiamento e recursos
Quando solicitados a mostrar o valor comercial dos dados e análises para a organização, os líderes de dados muitas vezes não conseguem conectar o modelo organizacional proposto com os resultados de negócios desejados. Como resultado, não conquistam os recursos desejados para seus programas.
A saída é criar um modelo de organização de dados e análises que responda melhor à dinâmica das circunstâncias em mudança, como a pandemia, e que se alinhe melhor aos objetivos gerais de negócios conforme eles avançam na digitalização da operação. Para fazer isso, a dica é começar formando pequenas equipes multifuncionais que podem integrar diferentes fontes de dados, avaliar sua qualidade e fornecer percepções sobre quais dados e análises são necessários para o negócio.
Alfabetização em dados
A falta da alfabetização em dados por parte dos profissionais em geral das empresas é um dos grandes pontos de dificuldade para fazer a cultura data-driven prosperar.
Sem funcionários com conhecimento de dados, os líderes de negócios permanecerão confusos sobre quais dados possuem, para que podem ser usados e também sobre a qualidade dos dados. Como resultado, as organizações não conseguirão identificar oportunidades de negócios em potencial.
Aqui é importante começar implementando um programa piloto de escopo limitado e direcionado para treinamento de habilidades em alfabetização de dados. Trabalhar com um grupo de partes interessadas que já têm entusiasmo e apetite por dados e análises e que reconhecem que melhorar a alfabetização e nessa área é um fator vital para o sucesso.
Escassez de dados e habilidades analíticas
O trabalho do líder de dados aqui requer a identificação das habilidades, funções e competências disponíveis dentro da organização, comparando-as com a demanda de negócios que pode vir de diversas business units ou diferentes verticais. Desta forma, o déficit em dados e habilidades analíticas torna-se claro, assim como a necessidade de aumentar ou requalificar talentos, usando suporte externo quando necessário.
Além disso, o recomendado pela Gartner é estabelecer equipes de vários especialistas, como integradores de dados, cientistas de dados, modeladores, especialistas no assunto e analistas de negócios. Até 2023, os cientistas e analistas de dados perderão de 60% a 70% de seu tempo produtivo para atividades como encontrar, preparar, integrar e compartilhar conjuntos de dados, tornando os engenheiros de dados uma persona obrigatória em suas equipes.
Falta de foco nas iniciativas de dados e análises mais importantes
A falta de foco nas iniciativas de dados e análises mais importantes está impedindo as organizações de melhorar a maturidade das equipes. Isso geralmente cria complicações ao usar recursos data-driven em toda a empresa. Por exemplo, onde investir primeiro? Criar um data lake governado ou dar suporte à exploração de dados de autoatendimento?
Aqui pode fazer sentido utilizar uma avaliação de maturidade que esclareça os dados e capacidades analíticas e deficiências dentro da organização. Observar o estado atual dos dados, pessoas, processos e tecnologia pode fornecer orientação para avançar em direção ao próximo nível de maturidade.
Boas práticas do que fazer
Um dos maiores desafios para as organizações não é a coleta de dados em si, mas o desenvolvimento de uma equipe que aplicará os dados e promoverá mudanças em toda a organização.
Com o a escassez de profissionais de data analytics não é novidade, as empresas que dispõem de recursos devem considerar a oferta de programas de treinamento e aprendizado contínuo que ajudem a gerar talentos internos. Isso pode incluir tanto programas internos quanto cursos externos.
Esses treinamentos também podem incluir mentores ou reunir equipes multifuncionais para compartilhar experiências e conhecimentos.
Além disso, todo o aparato envolvendo as questões de gestão de pessoas são importantes aqui. Podemos citar o foco na felicidade e bem-estar dos colaboradores, investir na formação de lideranças, criar programas de diversidade, reconhecer os méritos e avanços do time, entre outros pontos.
De forma geral, o que abrange a maioria das iniciativas aqui é criar uma cultura informada por dados. Uma organização que dá alta prioridade a todos os dados alimentará o crescimento e o aprimoramento da equipe de analytics.
É o que mostra o exemplo da Commerce Tools.
O case da Commerce Tools
Em 2016, o cientista de dados Amadeus Magrabi foi a primeira contratação da equipe de dados da empresa, conforme ele conta em artigo no Medium, onde compartilha os aprendizados do crescimento e estruturação da equipe ao longo dos anos.
Contratar generalistas ao invés de especialistas
Especialmente nos estágios iniciais de uma empresa, não será possível prever exatamente quais casos de uso serão encontrados e nem de quais habilidades serão precisas. Por isso a organização provavelmente se beneficiará mais com profissionais com conhecimento mais amplo. Alguém que conhece um pouco sobre uma ampla gama de tópicos terá mais facilidade em uma nova equipe de ciência de dados do que alguém que é um especialista especificamente em uma dessas coisas.
Os generalistas podem precisar de mais tempo para chegar a uma boa solução para um projeto, mas serão mais flexíveis, terão uma visão melhor para identificar novas oportunidades de negócios e serão capazes de se comunicar com as partes interessadas com mais contexto.
Construir uma equipe autônoma
Há muitas coisas a serem descobertas antes que uma equipe de ciência de dados possa começar a trabalhar. Por isso, obter as respostas certas e configurar a primeira infraestrutura básica requer muita comunicação e suporte de outras equipes da empresa.
Alinhar os planos com as necessidades e objetivos de outras equipes é crucial, mas quando a equipe de dados souber o que precisa construir, deve ter o máximo de autonomia possível para descobrir como fazer, porque dependências de outras equipes podem bloquear o progresso e desacelerar o ímpeto de uma nova equipe de ciência de dados.
O fator mais importante para tornar uma equipe autônoma é construir uma estrutura de equipe com um conjunto amplo e equilibrado de habilidades para cobrir projetos de ciência de dados de ponta a ponta. É cada vez mais comum que as empresas adotem a estrutura semelhante a do Spotify, combinando todas as funções necessárias em uma única equipe autônoma. Por exemplo, se o produto principal da equipe for software, a equipe pode consistir em:
Cientistas de dados que se concentram na análise de dados e no teste de modelos estatísticos.
Engenheiros de software que se concentram em tornar o código eficiente e sustentável.
Engenheiros de dados que se concentram no gerenciamento de bancos de dados e infraestruturas escalonáveis.
Gerentes de produto que especificam requisitos e os alinham com outras equipes.
Não é importante que os currículos dos membros da equipe se encaixem perfeitamente nesses cargos, mas é importante que essas habilidades sejam abordadas dentro da equipe para maximizar a autonomia.
Estrutura do Spotify para maximizar a autonomia da equipe
Definir as expectativas certas
Ciência de dados, aprendizado de máquina e inteligência artificial ainda são tópicos altamente controversos e as pessoas têm opiniões muito diferentes. Algumas pessoas na empresa são mais entusiastas e otimistas, outras mais desconfiadas pessimistas e há aquelas que simplesmente não sabem do que se trata a ciência de dados. É por isso que é muito importante definir as expectativas certas, caso contrário, será difícil trabalhar juntos, levando a muitos mal-entendidos e causa de conflitos.
A orientação aqui é discutir com o maior número possível de interessados o que se deseja alcançar e o que eles podem esperar da ciência de dados e na organização. Explicar que pode levar muito tempo para construir uma infraestrutura de dados antes que haja qualquer resultado. Deixar claro que os projetos precisam de muita experimentação e sempre podem falhar, e que não é possível saber com antecedência quão preciso um modelo será ou quanto tempo levará para construí-lo.
Desmascarar os mitos sobre os poderes mágicos da IA e enfatizar a importância da qualidade dos dados. Convencer os céticos sobre o valor de longo prazo de se tornar uma organização mais orientada a dados. Estar ciente de que diferentes grupos de pessoas (por exemplo, engenheiros, gerentes, profissionais de marketing ou advogados, etc.) se preocuparão com diferentes aspectos e que é preciso adaptar a comunicação com cada parte para trazer todos na mesma página.
Evitar iniciativas medíocres
As empresas que estão começando com a ciência de dados às vezes tentam testar como vai funcionar, contratando um ou dois cientistas de dados, deixando-os fazer suas coisas e vendo o que acontece. A motivação por trás disso é compreensível, porque há muita incerteza em torno da questão de como as iniciativas de ciência de dados funcionarão, então as empresas não querem arriscar muito. Elas querem investir um pouco, extrair um pouco do valor e aprender com as experiências antes de investir mais.
Porém, é mais provável que isso não traga nenhum resultado e apenas o aprendizado de que ciência de dados não funciona sem uma base sólida. A saída aqui é integrar a equipe de dados com os processos centrais da empresa e deixar as informações entre os departamentos fluírem para dentro e para fora com frequência.
A ciência de dados não é um módulo de plug-in que pode simplesmente ser adicionar a uma empresa. Isso não levará a nenhum valor e apenas atrasará a curva de aprendizado para se tornar uma organização mais orientada a dados.
A indústria de ciência de dados ainda está em um estado inicial e vai levar certo tempo até encontrar um caminho mais robusta para as equipes em geral estabelecerem processos mais padronizados, como já acontecem há anos em outras áreas.
