Participei na Data Summer School para actualizar conhecimentos e comparar algumas das práticas que tenho aplicado ao longo da minha carreira com a experiência de outros líderes de dados.
Não fui à procura de uma introdução à área. Depois de vários anos a trabalhar com dados, analytics e informação de gestão, muitos dos temas abordados já faziam parte da minha realidade profissional. O valor esteve em revisitar esses temas de forma estruturada, discutir diferentes abordagens e confirmar o que continua a ser relevante num contexto em que a inteligência artificial está a alterar rapidamente o trabalho das organizações.
O programa abordou liderança de dados, construção do caso de negócio, primeiros cem dias de um líder, avaliação de maturidade, estratégia, pessoas, governação, risco, tecnologia, estruturação de equipas, inovação e gestão da mudança.
Destaco dez pontos que considero particularmente importantes.
1. O líder de dados deve conhecer o negócio
O primeiro ponto parece básico, mas continua a ser um dos principais problemas da área: uma equipa de dados pode dominar tecnologia e, ainda assim, estar distante das prioridades da organização.
O líder de dados precisa de compreender como a empresa gera receitas, gere custos, calcula rentabilidade, controla riscos, serve os clientes e acompanha a execução da sua estratégia. Sem esse conhecimento, corre o risco de construir soluções tecnicamente boas para problemas que não são prioritários.
Na prática, um projecto de dados deve estar ligado a um resultado concreto. Pode apoiar o crescimento da receita, reduzir custos, melhorar a eficiência operacional, controlar o risco, aumentar a retenção de clientes ou melhorar a qualidade das decisões.
Isso também influencia a forma como apresentamos os projectos.
Uma Comissão Executiva não precisa de ouvir apenas que a nova plataforma possui uma arquitectura moderna. Precisa de saber que problema será resolvido, quanto custa a situação actual, qual será o benefício esperado e em que prazo esse benefício poderá ser observado.
Dados devem fazer parte da discussão do negócio, e não aparecer apenas depois de a decisão já ter sido tomada.
2. Nem todo problema precisa de inteligência artificial
Actualmente, muitas discussões começam pela solução. Alguém diz que a organização precisa de inteligência artificial antes de definir claramente o problema que pretende resolver.
Nem todos os problemas exigem IA. Alguns precisam de um processo mais organizado, uma definição comum, uma regra de qualidade, uma integração entre sistemas ou um relatório simples e confiável.
Antes de escolher a tecnologia, é necessário esclarecer seis aspectos:
- Qual é o problema?
- Quem é afectado?
- Qual decisão precisa de ser tomada?
- Que dados estão disponíveis?
- Quanto custa não resolver o problema?
- Como será medido o resultado?
Sem estas respostas, a discussão tecnológica começa demasiado cedo.
Ao longo da minha experiência, encontrei situações em que a organização procurava uma solução avançada, mas ainda não possuía definições consistentes, responsáveis claramente identificados ou dados com qualidade suficiente.
A sofisticação da solução deve acompanhar a complexidade real do problema e a maturidade da organização. Caso contrário, o investimento aumenta, mas o resultado não melhora na mesma proporção.
3. Os primeiros cem dias não devem começar por uma reorganização
Quando um líder assume uma nova função, existe pressão para mostrar rapidamente que está a produzir mudanças. Uma das reacções mais comuns é alterar a estrutura, substituir ferramentas ou lançar imediatamente uma nova estratégia.
A abordagem discutida na Data Summer School reforçou a importância de utilizar os primeiros cem dias para fazer um diagnóstico sério.
É necessário conhecer a estratégia da organização, os processos críticos, os principais sistemas, os dados disponíveis, a estrutura da equipa, os projectos em curso e as expectativas da liderança.
Também é importante compreender o histórico:
- Que iniciativas já foram tentadas?
- Que resultados produziram?
- Onde existem divergências entre as áreas?
- Que indicadores são efectivamente utilizados?
- Em que informação a gestão confia?
- Que compromissos já foram assumidos?
Estas respostas ajudam a evitar a repetição de erros e permitem identificar resultados que podem ser entregues mais rapidamente.
Escutar e analisar não significa passar cem dias sem decidir. Significa decidir com maior conhecimento da realidade da organização.
4. Ter mais ferramentas não significa ter maior maturidade
Uma das discussões mais relevantes foi a avaliação da maturidade de dados.
Uma organização pode ter uma plataforma analítica moderna, vários dashboards e projectos de inteligência artificial, mas continuar a enfrentar problemas básicos de definições, qualidade, responsabilidades e utilização.
Por isso, a maturidade deve ser avaliada em várias dimensões:
- Estratégia e liderança;
- Qualidade e governação;
- Pessoas e competências;
- Arquitectura e tecnologia;
- Cultura e literacia;
- Processos e responsabilidades;
- Adopção e criação de valor.
A tecnologia é apenas uma dessas dimensões.
Uma empresa pode estar avançada na produção de relatórios e continuar pouco desenvolvida na utilização analítica. Pode ter uma boa arquitectura, mas não possuir responsáveis pelos principais domínios de dados. Pode disponibilizar muita informação, mas continuar a discutir diferentes versões do mesmo indicador.
A avaliação de maturidade deve mostrar a situação real, mesmo quando o resultado não é confortável. O objectivo não é obter uma classificação elevada. É identificar as lacunas que impedem a organização de avançar.
Sem esse diagnóstico, existe o risco de investir em capacidades avançadas enquanto os fundamentos continuam frágeis.
5. Uma estratégia de dados precisa de uma sequência de execução
Uma estratégia de dados não pode reunir todas as ambições da organização numa única lista.
Inteligência artificial, dados em tempo real, self-service, cliente 360, modernização tecnológica, governação, qualidade e literacia podem ser componentes importantes. O problema surge quando todas essas iniciativas recebem a mesma prioridade.
É necessário definir uma sequência.
Quais são os principais problemas do negócio?
Que dados são necessários para os resolver?
Que fundamentos precisam de ser construídos primeiro?
Que resultados podem ser entregues no curto prazo?
Que iniciativas devem ser adiadas?
Uma estratégia equilibrada deve combinar três tipos de intervenção:
- Resolver problemas actuais;
- Construir capacidades estruturais;
- Preparar a organização para necessidades futuras.
Se a equipa estiver concentrada apenas em responder a pedidos urgentes, não terá espaço para construir os fundamentos. Se trabalhar apenas nos fundamentos, o negócio poderá esperar demasiado tempo para observar resultados. Se estiver focada apenas em projectos futuros, poderá perder ligação com as necessidades actuais.
Estratégia não é incluir tudo. É definir o que será feito, em que ordem e com que resultado esperado.
6. A cultura de dados é demonstrada nas decisões
Uma organização não se torna orientada por dados porque possui muitos relatórios ou dashboards.
A diferença está na utilização.
As reuniões de gestão usam os indicadores para decidir ou apenas para apresentar resultados? Quando uma análise contraria uma expectativa da liderança, a conclusão é discutida com abertura ou procura-se outro número que confirme a opinião inicial? Quando uma iniciativa não produz o resultado esperado, a decisão é revista?
Estas situações mostram a cultura real da organização.
Ser orientado por dados também não significa aceitar qualquer análise sem questionamento. Os dados podem estar incompletos, a metodologia pode estar errada e a interpretação pode não considerar todo o contexto.
Por isso, tanto a decisão como a análise devem poder ser questionadas.
O importante é que a discussão se concentre na qualidade da evidência, nos critérios utilizados e nas consequências para o negócio. A posição hierárquica não deve determinar qual versão dos factos será aceite.
Uma cultura de dados existe quando os números influenciam efectivamente as decisões e quando a organização consegue rever uma posição à luz de novas evidências.
7. Governação deve resolver problemas do dia-a-dia
A governação de dados é frequentemente tratada como um tema documental: políticas, normas, matrizes e comités.
Esses instrumentos são necessários, mas a governação precisa de produzir efeitos concretos.
Deve permitir que a organização saiba:
- Quem é responsável por cada dado crítico;
- Qual é a definição oficial de cada indicador;
- De que sistema vem a informação;
- Que transformações foram realizadas;
- Quem pode aceder;
- Quais regras de qualidade devem ser cumpridas;
- Como são resolvidas as divergências.
Quando estas respostas não existem, as equipas gastam tempo em reconciliações manuais, apresentam números diferentes e voltam a discutir as mesmas definições em cada ciclo de reporte.
A governação também não deve ficar exclusivamente sob responsabilidade da equipa de dados. As áreas de negócio precisam de assumir responsabilidade pelos dados gerados nos seus processos e pelas definições que utilizam.
Outro ponto importante é a proporcionalidade. Nem todos os dados representam o mesmo risco. Um indicador utilizado para decisões financeiras, regulatórias ou de crédito exige um nível de controlo diferente de uma informação utilizada numa análise exploratória.
A boa governação deve aumentar a confiança e reduzir o tempo perdido. Se apenas acrescentar etapas ao processo, precisa de ser revista.
8. A estrutura da equipa depende da maturidade e das prioridades
Não existe uma única estrutura aplicável a todas as organizações.
Uma equipa centralizada pode funcionar melhor quando as competências são escassas, a maturidade é reduzida ou existe necessidade de criar padrões comuns. Esse modelo concentra conhecimento e facilita a utilização dos investimentos tecnológicos.
Por outro lado, uma estrutura mais distribuída aproxima os profissionais das áreas de negócio e pode tornar as respostas mais rápidas. No entanto, exige maior coordenação para evitar duplicação, ferramentas diferentes e definições inconsistentes.
Em muitos casos, o modelo de núcleo e satélites pode criar um equilíbrio. A equipa central mantém arquitectura, plataformas, governação e algumas competências especializadas. As áreas de negócio possuem profissionais mais próximos dos seus processos e decisões.
A estrutura deve ser desenhada a partir das necessidades da organização, não copiada de outra empresa.
Também é importante equilibrar os perfis da equipa. Engenharia, arquitectura, análise, ciência de dados, qualidade e governação são competências essenciais. Mas a equipa também precisa de conhecimento do negócio, comunicação, gestão de produtos e capacidade de trabalhar com diferentes intervenientes.
Uma equipa de dados não pode ser avaliada apenas pela qualidade técnica das soluções. Deve ser avaliada pela utilização e pelos resultados que consegue produzir.
9. A inteligência artificial aumenta a necessidade de controlo
A inteligência artificial está a acelerar a análise de informação, a automação de tarefas e a criação de novos serviços. Ao mesmo tempo, aumenta a exposição a problemas relacionados com qualidade, segurança, privacidade, enviesamento e responsabilidade.
Um modelo não funciona isoladamente. Depende dos dados recebidos, das regras definidas, dos sistemas aos quais está ligado e da forma como os seus resultados serão utilizados.
Uma iniciativa de IA deve considerar, pelo menos:
- Qualidade e disponibilidade dos dados;
- Segurança e privacidade;
- Possíveis enviesamentos;
- Explicabilidade dos resultados;
- Supervisão humana;
- Responsabilidade pelas decisões;
- Monitorização do desempenho;
- Benefício esperado.
A abordagem de aumentar primeiro a capacidade humana e automatizar depois é particularmente útil.
A IA pode começar por apoiar a análise, resumir documentos, identificar anomalias, preparar recomendações ou reduzir tarefas repetitivas. A automação pode avançar quando os resultados forem suficientemente conhecidos e os controlos estiverem implementados.
A IA não elimina os problemas de dados existentes. Em muitos casos, torna-os mais visíveis e aumenta o seu impacto.
10. Entregar não é o mesmo que criar valor
As equipas de dados costumam reportar o número de dashboards publicados, modelos desenvolvidos, relatórios automatizados ou plataformas implementadas.
Estes indicadores mostram produção. Não mostram necessariamente valor.
Um dashboard pode estar disponível e não ser utilizado. Um modelo pode estar em produção e não alterar qualquer decisão. Uma plataforma pode ter sido implementada e continuar sem adesão das áreas de negócio.
Por isso, além das entregas, é necessário medir:
- Utilização e frequência de acesso;
- Decisões suportadas;
- Tempo poupado;
- Redução de erros;
- Custos evitados;
- Receita ou rentabilidade gerada;
- Riscos identificados;
- Satisfação dos utilizadores;
- Continuidade do benefício.
A adopção deve ser considerada desde o início do projecto. Não deve aparecer apenas no momento da implementação.
Também é necessário atribuir responsabilidade pela realização dos benefícios. A equipa de dados pode desenvolver a solução, mas o valor normalmente depende da forma como a área de negócio a utiliza.
O projecto não termina quando a solução entra em produção. Termina quando o resultado esperado é demonstrado ou quando se conclui, com evidências, que a solução precisa de ser alterada.
Consideração final
A Data Summer School foi uma oportunidade para consolidar temas que fazem parte da minha actividade profissional e analisar como estão a evoluir perante novas exigências do negócio e da tecnologia.
O programa reforçou uma posição que tenho defendido ao longo da minha carreira: os dados precisam de estar ligados às decisões, à execução da estratégia e aos resultados da organização.
Tecnologia é importante, mas não resolve sozinha problemas de definições, processos, responsabilidades, qualidade ou adopção. Da mesma forma, uma estratégia de dados não produz resultados se não tiver prioridades, patrocínio, capacidade de execução e métricas de valor.
A Ciência de Dados foi apresentada como o trabalho mais sexy do século XXI. A expressão deu visibilidade à profissão, mas também criou uma imagem muito concentrada nos algoritmos e na tecnologia.
Na realidade das organizações, o trabalho é mais amplo. Envolve compreender o negócio, organizar os dados, garantir confiança, estabelecer responsabilidades, desenvolver pessoas e transformar análises em decisões.
O meu principal takeaway da Data Summer School é, por isso, bastante objectivo: uma organização não se torna mais avançada por ter mais dados ou mais ferramentas.
Torna-se mais avançada quando consegue utilizar os dados de forma consistente para decidir melhor, executar com maior disciplina e demonstrar resultados.
