Em setembro deste ano, estive no Hacktown – evento de inovação e criatividade que ocorre em Santa Rita do Sapucaí, em Minas Gerais. Lá, nós da Haze Shift tivemos contato com diversas empresas referência, palestras, workshops e showcases dos mais variados conteúdos ligados ao dia a dia das organizações. Foi nessa ocasião que o data driven organization me despertou curiosidade e interesse. 

Isso aconteceu durante a palestra do Instituto Cesar sobre o tema. Um tema, aliás, capaz de transformar a nossa realidade voltada aos dados. Mas existem alguns poréns antes de se estabelecer como data driven, e tudo isso eu conto aqui, com uma inspiração notável graças ao palestrante Vitor Casadei. 

O anseio por se tornar data driven 

Todo mundo já ouviu falar aquela frase: Estamos vivenciando a era da informação. A tecnologia em ascensão é algo que encanta, e no campo corporativo essa questão é ainda mais acentuada.

As empresas que inovam querem lidar com novas metodologias, expandir e se diferenciar das concorrentes, e tudo isso envolve a tomada de decisão. E quem as direciona nesse sentido são os dados. De acordo com essa situação, as empresas possuem a premissa de serem uma data driven organization.

Recentemente, nós da Haze Shift explicamos o conceito data driven e várias de suas implicações. Em um pequeno resumo, ser data driven significa adotar a tecnologia, ou seja, partir para projetos de transformação digital que, por meio da coleta e interpretação de dados, auxiliem o processo de decisões nas organizações.  

Porém, a minha proposta aqui é outra: refletirmos o nível de maturidade de dados das empresas, ou seja, a maturidade da coleta e uso em relação aos dados. Esse direcionamento inicial é necessário para, gradualmente, se tornar data driven . Além disso, essa discussão é importante porque existe uma ansiedade ou ambição quando se trata do tema, mas nada acontece de uma hora para outra. Em outras palavras, é preciso refletir a partir do básico. 

Maturidade de dados: Como você coleta e utiliza seus dados?

Antes de se estabelecer como data driven , é preciso fazer uma autocrítica de como está a tomada de decisão da empresa e sua governança de dados, por exemplo.

Dados de NPS (pesquisas que utilizam a metodologia Net Promoter Score), conversão de vendas e CRM (gestão de relacionamento com o cliente, em português), e outras estimativas financeiras e comerciais são comumente extraídos. Contudo, vale algumas questões sobre a maturidade desses dados: 

1. Você já refletiu se os dados que coleta são úteis? 
2. Existem muitos dados coletados que estão sendo subutilizados?

Afinal, não adianta pesquisar dados. É preciso levá-los à prática inclusive para gestão de mudanças. Isso é um fator significativo para a determinação da maturidade de dados da empresa, e cabe ressaltar a importância de um trabalho bem feito de KDD (Knowledge Discovery in Databases), o que em bom português significa Descobrimento de Conhecimentos de Bancos de Dados. Vale destacar principalmente, a mineração de dados, o chamado data mining. 

“A mineração de dados é o processo de descoberta de informações acionáveis em grandes conjuntos de dados.”, conforme aponta a Microsoft Learning.

A figura abaixo aponta o framework do KDD, segundo o artigo Knowledge Discovery and Data Mining: Towards a Unifying Framework:

Hoje, existem vários métodos de avaliação sobre a maturidade de dados, por exemplo:

Modelo BCG (Boston Consulting Group): 

O Índice de Aceleração (DAI) do BCG é uma avaliação baseada em questionário da maturidade digital de uma empresa em 42 dimensões. A maturidade de dados digital também pode ser entendida como o quão madura está a organização em gerar valor nas informações por meio dos dados, sendo reconhecida pela BCG como um preditor importante para o sucesso das empresas que querem e estão se transformando digitalmente. 

A partir desse contexto, o índice é uma ferramenta diagnóstica que possibilita que as empresas façam uma avaliação de capacidade digital e comparem seu desempenho com seus pares a partir da média do setor em que está inserida. 

Leia também uma forma simples de explicar como ciência de dados e inteligência artificial vão transformar a inovação de seus negócios

O índice também permite que a empresa avalie sua maturidade para se tornar uma empresa que pode combinar tecnologias com capacidades humanas para fomentar o crescimento e a inovação. 

Além disso, o DAI classifica a pontuação das organizações em níveis específicos de maturidade de acordo com as dimensões avaliadas. Assim, temos:

• Nível 1 | Lagging / Atrasado: Não obteve progresso nos recursos de dados.

• Nível 2 | Developing / Em desenvolvimento: Compreendeu as necessidades da empresa relacionadas aos dados e iniciou seu trabalho no tema.

• Nível 3 | Mainstream / Convencional: Possui dados comuns às empresas do seu setor, está em uma situação convencional, como diz o nome.

• Nível 4 | State of Art / Estado de arte: Entre as capacidades de dados avaliadas existem vários pontos positivos, mas seu gerenciamento não está maduro o suficiente.

• Nível 5 | Best practice / Melhor prática: Está avançado em todas dimensões e consegue fazer o gerenciamento de dados amplamente de forma eficaz.

Na imagem abaixo, temos a comparação da situação de uma amostra de 100 empresas com seus resultados de índices de 2016 até 2019: 

Você pode saber mais sobre o diagnóstico da BCG neste link

Modelo Gartner 

Para contextualizar, o Gartner é uma empresa de Tecnologia da Informação cujo foco é dar direcionamento para o restante das empresas no mercado – suas principais funcionalidades se concentram em diagnosticar, consultar a situação das organizações no que se refere às suas tecnologias e fornecer insights importantes.  

Dentre modelos de tendências para tecnologia e painéis de dados sobre o futuro dos dados, o Modelo Gartner para governança apresenta, assim como no índice DAI, níveis de maturidade de dados de acordo com a situação em que a empresa se encontra. Aqui, o objetivo é medir o quão maduras estão as estruturas de governança de dados das organizações em seis níveis, aplicando, principalmente, o conceito de gestão da informação nas organizações. Os níveis funcionam da seguinte maneira:

Nível 0 | Inconsciente: A empresa não pratica atividades relacionadas a governança de dados e o time não tem quaisquer relacionamento com o tema.

Nível 1 | Consciente: Ocorrem situações nas atividades diárias da organização em que o fato de não se ter uma governança de dados estruturada se torna claro e entende-se sua necessidade.

Nível 2 | Reativo: A partir do momento em que a empresa entende o valor dos dados, ela passa a querer reagir à falta de governança e sugere mudanças.

Nível 3 | Proativo: As mudanças e sistemas de dados e informações são implementados e disseminados para o time.

Nível 4 | Gerenciado: Além da implementação e entendimento, políticas de governança são realizadas.

Nível 5 | Eficaz: A empresa atingiu seu objetivo e resolveu seus problemas relacionados a falta de governança e uso de dados. 

Você pode saber mais sobre o Gartner e seus diversos modelos neste link.

Mais uma forma de pensar a maturidade nos dados:

Outro ponto importante em relação à maturidade do uso de dados nas empresas e que não necessariamente é um modelo específico de medição. Ele está relacionado aos tipos de análises que a organização explora. No âmbito de análise de dados, é possível realizar: 

• Análise descritiva: É aquela que descreve padrões nos dados existentes, permitindo observar situações e comportamentos comuns. Exemplo: Análises que descrevem o perfil do cliente – quais suas características principais, porte, etc.

• Análise diagnóstica: Busca entender a causa raíz do problema e responder perguntas. São feitas conclusões baseadas nos dados da análise descritiva. Exemplo: Entender o motivo dos produtos de uma empresa estarem sendo mal avaliados e porque há entregas fora do prazo.

• Análise preditiva: Pretende entender o que vai acontecer. São identificados comportamentos futuros possíveis com base em uma série histórica de dados. Exemplo: Prever a quantidade de produtos ou serviços vendidos por trimestre e a necessidade de contratação conforme a capacidade produtiva da empresa.

• Análise prescritiva: Com base nas informações da análise preditiva, a prescritiva procura prescrever uma ação que otimize o contexto que está sendo observado. Aqui, se responde perguntas como: O que deve ser feito? Com qual frequência deve ser feito? Onde (qual área)  deve ser feito?

Exemplo de análise prescritiva: Relacionado ao exemplo anterior, com base no padrão de necessidade de contratação conforme o tempo, as empresas podem desenvolver algoritmos de antecipação de atividades administrativas de contratação, como mensagens automatizadas de solicitação de preenchimento de dados pessoais e outras informações necessárias para contrato.

O ponto importante aqui é refletir que a grande maioria das empresas coletam diversos dados, mas realizam pouquíssimas análises, costumando parar na análise diagnóstica. Existem uma infinidade de dados que podem virar informações que transformam organizações por inteiro. 

Para se tornar data driven , pense sobre sua maturidade e utilização de análises de dados primeiro. E se precisar de uma mãozinha, a Haze Shift está aqui com a frente de Transformação Digital para ajudar. Vamos conversar sobre nossos cases de mercado.