Mais do que se preocupar com a entrega, o foco precisa ser no impacto. Quando falamos em Ciência de Dados, os resultados são muito mais significativos do que as saídas ou entregas propriamente ditas.
Começo de ano é aquela época que as empresas buscam mudar e melhorar seus processos. Serem mais eficientes. Acontece que sempre é mais efetivo focar em algo específico em vez de fazer um monte de mudanças que, no fim, não levam a nada. E se existe algo que você pode começar a mudar neste ano (caso ainda não tenha feito) é sua mentalidade de negócio a respeito dos projetos de dados. Ou seja, deixar de focar apenas na execução e voltar o olhar mais fortemente para o resultado e o impacto que eles têm no dia a dia da organização.
Assim, ao invés de dizer “entregue o projeto X”, procure dizer “entregue o resultado Y por meio do projeto X”. Apenas essa pequena mudança de vocabulário já pode fazer uma diferença enorme no dia a dia da sua empresa. Isso porque, quando falamos em Ciência de Dados, os resultados são muito mais significativos do que tudo. Não é porque um projeto foi entregue, que ele realmente teve impacto no negócio. E é esse tipo de entendimento que os profissionais de dados precisam começar a praticar. Assim, neste texto de início de ano, nossos “votos” são para que sua empresa adquira a mentalidade de focar em resultados.
Foco nos resultados: sua entrega está sendo produtiva?
Em geral, existem 4 características das empresas que, muitas vezes, acabam distraindo suas equipes de dados de uma maneira improdutiva.
1. Equipe de dados muito acessível
Ao contrário dos engenheiros de dados, que geralmente são protegidos por um gerente de produto e uma forma estabelecida de trabalho, na Ciência de Dados o trabalho vem de todos os lados, e pode ser difícil praticar a priorização de tarefas. Principalmente ao lidar com gerentes e líderes de equipes.
2. Todo mundo quer opinar
Não apenas na área de dados, mas principalmente nela, muita gente tem uma opinião sobre o assunto. Isso significa que, em muitos casos, as equipes ficam presas em discussões improdutivas e intermináveis, que não chegam a lugar nenhum, e acabam resultando em retrabalho, reanálises e perda de tempo.
3. Dependência extrema da equipe de dados
Em muitas empresas, os outros setores são excessivamente dependentes do pessoal de dados para fazer seu trabalho. Assim, não é incomum que um executivo de vendas peça dados para “entender melhor o que está acontecendo no seu negócio”, por exemplo. É claro que, em certa medida, isso é saudável; porém, nem tudo pode ser terceirizado para a equipe de dados, e certa autonomia de decisão deve existir.
4. “Reinventar a roda”
Esse é um problema específico dos profissionais de dados. Muitas vezes, essas pessoas buscam soluções tecnicamente complexas e extremamente inovadoras, mas esquecem daquilo que realmente importa, e que pode ter um real impacto nos negócios.
Essas quatro características são muito comuns em empresas, e podem acabar atrapalhando o dia a dia do negócio de forma profunda. Pode parecer óbvio dizer que a equipe deve ser organizada, e que nem todos devem emitir opinião sobre um projeto, mas na prática essa consciência nem sempre existe. Portanto, é preciso ter em mente quais são as ações que têm impacto no negócio, e aquelas que simplesmente não ajudam em nada.
O último tópico de querer “reinventar a roda” deixa isso bem claro. Por exemplo, digamos que sua empresa tenha descoberto uma pequena mudança que poderia melhorar a taxa de conversão de suas inscrições em 1%, mas decidiu ignorar isso por parecer “simples demais”. Em alguns cenários, isso poderia significar que 10 mil novos clientes seriam inscritos a cada mês. E isso pode ser muito mais valioso do que construir um sistema de Machine Learning totalmente do zero. Então, por mais que a segunda opção pareça mais complexa e inovadora, no momento é o aumento da taxa de conversão que trará o resultado que você precisa.
É claro, isso não quer dizer que você ou sua equipe de dados devam parar de inovar e buscar soluções mais complexas a longo prazo. Porém, pequenas mudanças não podem ser deixadas de lado em detrimento disso. Porque, muitas vezes, são elas que levam o seu negócio para frente.
Como ter e não ter impacto nas funções de dados
Agora que já entendemos alguns dos problemas existentes dentro das empresas, e que acabam tirando o foco das equipes de dados nos resultados, é preciso saber como fazer para conseguir um impacto real nas funções de dados dentro da empresa. E também o que você deve deixar de fazer e que não trará impacto algum nos seus resultados.
O que ajuda
Para gerar impactos positivos e trazer resultados reais em sua função de dados, você pode:
-
Melhorar suas ferramentas de trabalho, tornando-as mais rápidas e disponíveis para o uso de todos.
-
Disponibilizar dados de forma acessível, em painéis de controle de alta qualidade e modelos de dados que tornem mais fácil para as pessoas visualizarem por conta própria os dados de que precisam (isso resolve o problema da dependência, que falamos há pouco);
-
Gerar insights com base em hipóteses e experimentos a partir de dados, fazendo o acompanhamento caso sejam implementados;
-
Direcionar diretamente um KPI principal como receita por meio de modelos de Machine Learning aplicados de maneira cuidadosa.
-
Fazer pulls de dados pelo motivo certo (afinal, em alguns casos, vale a pena tirar um tempo para ajudar outras pessoas a obter os dados de que precisam).
O que atrapalha
Contudo, outro tipo de atitude pode fazer com que o seu trabalho acabe gerando nenhum impacto. Por exemplo:
-
Estar sempre disponível para fazer solicitações, sem priorizar o que é mais importante (também já falamos sobre isso);
-
Esquecer que ‘simples e pronto’ geralmente é melhor do que ‘muito complexo e inacabado’ (às vezes, menos é mais).
-
Trabalhar apenas com dados e gastar 95% do seu tempo em SQL (em vez disso, levante a cabeça e preste atenção ao que está acontecendo ao seu redor).
Portanto, o primeiro passo para identificar se a empresa está no caminho certo, pode ser registrar quanto tempo a equipe de dados gasta em cada atividade acima. Faça isso durante algumas semanas, e analise se as ações da equipe de dados realmente vem trazendo os melhores resultados. Assim, é mais fácil entender o que está funcionando, e quais tipos de comportamento não fazem mais sentido.
O impacto das diferentes funções de dados
Por fim, falaremos um pouco mais sobre o impacto de cada função de dados dentro de uma empresa. Isso inclui cargos como Data Engineer, Analytics Engineer, Data Analyst, Data Scientist, Machine Learning Engineer, CTO, CDO, etc. Todo mundo deve saber qual impacto a sua função traz para o dia a dia do negócio. Lembrando que todos têm um papel importante a desempenhar, por isso, é crucial entender qual a melhor forma de tirar o máximo de desempenho de cada função. A seguir, a gente entende um pouco mais sobre cada uma delas.
Data Engineer
O engenheiro de dados, muitas vezes, passa despercebido. Se fizer bem o seu trabalho, pode ser que nem percebam que está ali. E isso é algo bom. Afinal, esse profissional trabalha na construção e manutenção da plataforma de dados, o que inclui a forma como os dados chegam, são processados e ficam disponíveis para uso.
Nessa função, para conseguir um trabalho de impacto, a principal dica é simplificar os processos. Seja a forma como os dados vão dos sistemas de produção para o data warehouse, seja encontrando formas mais rápidas e seguras para as pessoas acessarem e trabalharem com os dados.
Analytics Engineers
Esse profissional é responsável por criar valor ao disponibilizar dados para outros consumidores de dados de maneira fácil, confiável e escalonável. Ou seja, é um dos administradores do data warehouse e provavelmente entende os relacionamentos e advertências de dados melhor do que ninguém. É alguém que pode ser posto em qualquer situação, pois saberá resolver o problema.
Nesse caso, um trabalho de maior impacto consiste em construir modelos de dados de alta qualidade, fazendo uso das melhores práticas de padrões de engenharia, como teste e controle de versão. E também garantir que os dados tenham um bom desempenho e estejam prontos a tempo para serem acessados. Outra forma de entregar um bom resultado é compartilhando seu conhecimento com analistas, cientistas de dados e cientistas de Machine Learning, dando o suporte necessário para fazer uso dos dados.
Analista de Dados
Ao mesmo tempo curioso e organizado, esse profissional é responsável por investigar tendências, mergulhar fundo nos dados (mais do que a maioria), e encontrar garantias para os negócios, por meio de painéis ou relatórios bem elaborados. Como é uma das pessoas que percebe mais claramente o negócio, costuma sentar à mesa para ajudar as equipes a entenderem o que está acontecendo em sua área.
Para um trabalho orientado para o impacto, o analista de dados deve investigar o que causou um aumento repentino na rotatividade, por exemplo, e chegar a uma hipótese clara do que poderia ser feito a respeito. Também precisa criar e manter painéis bem elaborados, que sejam acessíveis e de fácil uso para a maioria das pessoas na empresa. Outro trabalho importante é trocar ideias e insights com a equipe de vendas, compartilhando informações valiosas e entendendo quais são os feedbacks que chegam dos clientes todos os dias.
Data Scientist
O cientista de dados é uma das pessoas mais importantes da empresa, pois traz o conhecimento estatístico e rigor aos dados que ninguém mais possui. Sua missão é ajudar a entender alguns pontos que nem sempre são óbvios, auxiliando as equipes a avaliar seus lançamentos por meio de testes tipo A / B (entre muitas outras coisas).
Para realizar um trabalho de impacto, o Cientista de Dados deve construir uma métrica inteligente, que pode ser usada para executar testes A/B e dizer à equipe de produto que um experimento no fluxo de inscrição realmente trouxe resultados positivos. Outra forma de trazer maior impacto no dia a dia é trocar ideias frequentes com a pessoa que realiza os testes de usuário, descobrindo os principais pontos apontados por ela e traduzindo isso em experimentos.
Cientista de Machine Learning
Um dos cargos mais técnicos, sabe identificar oportunidades de treinar máquinas, alimentando-as com dados a cada curva. Sabe quando o aprendizado de máquina é a ferramenta certa, mas geralmente defende começar com uma abordagem mais simples, baseada em regras. Está sempre próximo dos negócios e das equipes de produto, e realmente sabe o que está fazendo.
Nessa função, um trabalho de real impacto significa entrar em uma área de negócios, construindo modelos diversos para resolver problemas de negócios e obter uma indicação de qual se adapta melhor ao Machine Learning. Também é preciso aprender o básico para que você possa implantar o código diretamente no back-end, sem depender de engenheiros de back-end; e, claro, passar muito tempo com a equipe de dados, indo a reuniões de produto e estando sempre por dentro dos principais problemas encontrados. É preciso entender como os dados são emitidos; por isso, fazer amizade com os engenheiros é grande parte do trabalho.
Enfim, em geral, tente não estar muito ocupado, e busque um momento para trocar ideias com as outras equipes, independentemente do seu cargo. Entenda que não importa tanto sua posição na empresa, mas sim o que você pode entregar com o seu trabalho – como a sua função contribui para o sucesso do negócio. O valor que você entrega hoje é importante, porque todas as peças são importantes. Sem uma delas, o sucesso não chega. E talvez essa seja uma boa resolução de Ano Novo. Quem sabe?
