Segredos de equipes de análise de dados altamente bem-sucedidas

Uma análise de dados eficaz pode dar às empresas uma enorme vantagem competitiva, porque os gerentes de negócios podem obter novas percepções sobre tendências e comportamentos de clientes que, de outra forma, não seriam possíveis.

Para obter o máximo de seus recursos de informação, as empresas precisam ter uma equipe de análise forte.  Mas o que é necessário para montar e manter uma equipe de alto nível e o que essas equipes devem fazer para ter sucesso?

Essas não são perguntas triviais. Nesse ambiente altamente orientado a dados, a maneira como as empresas constroem e operam uma equipe de especialistas em análise de dados pode ter um grande impacto nos negócios nos próximos anos.

Mas antes de montar sua equipe de análise de dados, você precisa formular a missão da equipe, diz Jeffry Nimeroff, CIO da Zeta Global.

“Em muitas organizações, a análise de dados está inserida na noção mais tradicional e branda de ‘relatório e análise'”, diz Nimeroff. “Nessas configurações, muitas vezes ocorre que os relatórios reativos têm precedência. Como sempre há outro caminho para formular relatórios mais significativos, isso pode se tornar um ciclo interminável, onde o verdadeiro poder da análise de dados nunca é totalmente realizado.”

O sucesso dos dados começa com a diversidade

Ao criar uma equipe, não limite o foco apenas para encontrar profissionais de análise. A diversidade é fundamental para o sucesso, dizem especialistas.

“É muito importante incluir não só pessoas com habilidades analíticas, mas também aquelas com habilidades de negócios e relacionamento que possam ajudar a estruturar a questão em primeiro lugar e, em seguida, comunicar os resultados efetivamente no final da análise”, diz Tom Davenport, consultor sênior na Deloitte Analytics e autor do livro Competing on Analytics: The New Science of Winning .

O conglomerado multinacional GE valoriza a diversidade de recursos para suas equipes de análise. “Dados e análises são mais eficazes quando as habilidades tecnológicas são combinadas com um forte conhecimento do domínio funcional”, diz Christina Clark, diretora de dados da empresa.

Isso pode ser conseguido com uma equipe com uma variedade de origens de negócios; uma mistura de TI e habilidades funcionais, diz Clark. “Estamos fazendo um progresso fantástico no desenvolvimento de soluções inovadoras para apoiar nossa função financeira”, diz ela. “A equipe de dados que apoia esse esforço é formada por profissionais de TI de longa data, mas também analistas financeiros, ex-auditores e gerentes financeiros.”

O forte conhecimento da Ciência de Dados é, obviamente, fundamental para qualquer equipe de análise, e deve haver estatísticos, matemáticos e especialistas em aprendizado de máquina na equipe que entendem algoritmos e como eles podem ser aplicados aos dados, acrescenta TP Miglani, CEO da Incedo.

“Você também precisa de tecnólogos – engenheiros de dados que possam construir os pipelines para obter os dados in loco e concluir todas as análises”, diz Miglani. “E você também precisa de especialistas em negócios que entendam as complexidades da área para a qual você está resolvendo o problema. Por exemplo, se o problema em questão é desenvolver medicamentos, baseado em dados, então você precisa de farmacologistas e biólogos. ”

Tecnicamente, um cientista de dados deve ser um “unicórnio” que pode fazer tudo isso simultaneamente, diz Miglani. “Mas os unicórnios não existem”, diz ele. “Equipes de Ciência de Dados de sucesso são diversas, onde os indivíduos trazem essas competências que precisam se unir.”

Gerenciamento de mudanças e o valor da TI

Se um projeto analítico envolve uma análise prescritiva ou operacional (por exemplo, se os resultados estiverem vinculados a um processo de negócios ou a um conjunto de tarefas), também é necessário que alguém gerencie o processo de mudança, diz Davenport. “O projeto ORION da UPS, que levou a mudanças drásticas no direcionamento dos motoristas, dedicou uma enorme quantidade de tempo e energia para a gestão da mudança”, observa ele.

Dado que a equipe estará se apoiando fortemente em infraestrutura de tecnologia, como ferramentas de Big Data e Inteligência Artificial, ter o departamento de TI representado na equipe de análise é importante. “Mesmo que o grupo de análise não se reporte à TI, geralmente é uma boa ideia ter alguma representação da TI na equipe”, diz Davenport.

Enfatize a experiência – com dados e ferramentas

Quem está na equipe de análise deve ter muita experiência em seu papel, diz Nimeroff.

“A análise de dados é tanto uma arte quanto uma ciência, e indivíduos mais experientes são mais capazes de alavancar ferramentas de maneira criativa e eficaz do que os novatos”, diz ele. “Descobri também que os novatos confiam em ferramentas para realizar trabalhos pesados ​​que podem ou não estar completamente confortáveis ​​em fazer eles mesmos. Por outro lado, conheci grandes cientistas de dados que fazem tudo à mão. Eles não escalam nem ajudam uma equipe a acelerar. Encontrar pessoas que podem fazer o trabalho sem o auxílio de ferramentas, mas que compreendam e adotem o valor das ferramentas modernas, é no que me concentro ”.

Especialização externa e equipes integradas

Muitas empresas recorrem a especialistas externos para ajudar nos projetos de análise. Tudo bem, mas é importante garantir que os esforços do projeto estejam de fato atendendo às necessidades organizacionais.

“Se houver alguns membros da equipe que são terceirizados, tente garantir que haja pelo menos um funcionário [interno] em cada projeto, que possa ajudar a garantir que os resultados das análises sejam adotados”, diz Davenport.

E sempre que possível, a equipe de análise deve ser uma parte formal do negócio que está fazendo a análise ou, pelo menos, incorporada a ela durante o período de projeto. A Procter & Gamble, costumava fazer isso por meio de analistas “incorporados”, diz Davenport, mas agora eles se reportam ao chefe da função ou à unidade de negócios demandante.

‘Priorização implacável’

Uma vez que sua equipe esteja alocada em uma projeto, encontrar um modelo operacional em que todos possam trabalhar é o próximo passo, diz Nimeroff.

“As empresas estão se tornando mais ágeis e, assim como no desenvolvimento de software, encontrar uma abordagem para priorizar o trabalho, decompor a execução em partes digestíveis, desenvolver critérios específicos de sucesso para cada esforço de trabalho e fornecer uma estrutura para comunicação contínua é a diferença entre sucesso e fracasso ”, diz ele.

Além disso, a equipe terá mais chances de obter sucesso se conseguir demonstrar o valor comercial do que faz, diz Miglani.

“O envolvimento com as partes interessadas e consumidoras das recomendações de ciência de dados ajuda a equipe a demonstrar esse valor e também a entender melhor os principais problemas nos quais ela deve se concentrar”, diz Miglani. “Compartilhar resultados mais cedo ou mais tarde e construir estruturas organizacionais em que as metas da ciência de dados estejam alinhadas com as [unidades de negócios] para as quais são rotuladas é uma ótima maneira de criar valor”.

A GE pratica a “priorização implacável” em seus esforços de análise. “Um compromisso com as prioridades de negócios claramente definidas permitirá que a equipe de análise de dados seja mais bem-sucedida”, diz Clark. “Quando as equipes podem demonstrar um impacto em áreas específicas, elas são mais propensas a permanecer motivadas e inspirar o engajamento dos parceiros de negócios”.

A empresa tem visto resultados significativos de produtividade da “Liga Digital” em seus negócios de aviação, onde uma equipe multifuncional se uniu para definir prioridades e depois fornecer insights em sprints de duas semanas.

Enfatizar a experimentação e a inovação

Também é importante manter uma mentalidade experimental na equipe.

“O caso de negócios para esses projetos não é fácil; você tem que dar um passo para o desconhecido ”, diz Miglani. “Ao contrário dos projetos de tecnologia que começam com um escopo definido em mente, os projetos de Ciência de Dados começam com um problema e um conjunto de hipóteses que precisam ser testadas. Não há um mapa claro dos processos de antes e depois nesses projetos, e as equipes que são novatas em Ciência de Dados precisam entender e se sentir confortáveis ​​com isso. ”

Nesse sentido, deve haver saídas para a inovação, diz Clark. “Há uma enorme quantidade de tecnologias emergentes neste campo”, diz ela. “Os funcionários vão querer saber que têm tempo e dinheiro para continuar a desenvolver suas próprias habilidades e tentar novas abordagens. Aproveitamos os nossos Global Digital Hubs como locais para incubar novas tecnologias e trabalho piloto em equipes auto-organizadas; uma atmosfera de inovação mantém as equipes motivadas ”.

Assim como a ciência e a aprendizagem em geral, a curiosidade é um elemento-chave na análise. “As pessoas curiosas têm o desejo de acompanhar suas próprias análises, independentemente de nossos clientes pedirem ou não”, diz Stuart Wilson, cientista de dados e líder de equipe de análise da Paytronix Systems.

“Um dos nossos analistas decidiu verificar uma campanha de marketing realizada seis meses antes”, diz Wilson. “Por causa disso, fomos capazes de descobrir um resultado imprevisto desta campanha, que teria sido inconclusivo”.

Outra boa prática é aprender a fazer as perguntas certas e resolver os problemas comerciais certos.

“Todo projeto de ciência de dados deve começar como um exercício de consultoria – entendendo o ‘quê’ e ‘por que’”, diz Miglani. “Além disso, o objetivo em qualquer exercício de análise não pode ser implementar uma ferramenta ou plataforma. O objetivo deve sempre ser projetado para os resultados comerciais corretos, e você pode chegar lá fazendo as perguntas certas. ”

Dados: a base para o sucesso

É mais provável que a equipe de análise de dados venha a ter sucesso se a organização criar uma “base de dados”, diz Clark. “Especialistas técnicos no campo de dados vão querer ver um compromisso real da organização com a construção de uma base de dados confiável”, diz ela. “Em nossa divisão de tesouraria, administramos um programa coordenado para otimizar e melhorar a qualidade e acessibilidade dos dados durante um período de dois anos. Vimos a produtividade dos funcionários melhorar, os custos de tecnologia caírem e uma comunidade mais ampla de funcionários com experiência digital ser formada”.

Garantir dados de alta qualidade deve ser uma pedra angular de qualquer base de dados.

“Conhecer e gerenciar seus dados é fundamental para o sucesso”, diz Wilson. “Sua análise será tão precisa quanto seus dados. Quando temos sucesso com nossa própria análise, muitas vezes pedimos que aproveitemos essa análise em relatórios ou painéis, para que os usuários de negócios possam alavancar essas descobertas no dia a dia. Se o seu processo de dados não for confiável ou se seus dados estiverem incompletos, seus resultados serão falhos e qualquer ação tomada será errada. ”

Treinar continuamente

Para acompanhar os desenvolvimentos do processo de análise, a educação continuada e o desenvolvimento de pessoal são importantes para manter uma equipe vibrante e bem-sucedida, diz Nimeroff. “A análise de dados está entre o conjunto de funções que mais crescem no mercado, e mesmo que as técnicas de ponta não sejam aplicáveis ​​em todas as situações ou organizações, isso não significa que poder permanecer atualizado não seja importante”, diz ele. 

Paytronix enfatiza o treinamento contínuo da equipe de análise, bem como a capacidade de comunicar resultados. “Sua equipe precisa entender os pontos mais delicados de seus dados, saber como a análise pode dar errado com vieses estatísticos e entender como efetivamente destilar e, em seguida, comunicar resultados acionáveis”, afirma Wilson.

“Costumo dizer à minha equipe que a melhor análise do mundo será um esforço desperdiçado se não for claramente entendido e posto em prática”, afirma Wilson. “Para esse fim, lembre-se do objetivo ao trabalhar com um problema: como os usuários de negócios mudarão os comportamentos com base nessas informações? Isso deve ajudá-lo a adaptar sua abordagem e organizar as conclusões que você fornece ”.

A fácil visualização dos dados e da análise faz toda a diferença. Avinash Kaushik, evangelista de Marketing Digital do Google, costuma se referir à distância entre as tendências e insights encontrados na análise e a influência que eles possam vira a ter na tomada de decisão e na ação dos líderes de negócio como “lacunas da última milha dos dados”.

Segundo Avinash, o maior trunfo para fechar essa lacuna de última milha é a forma como a equipe de análise apresenta os dados. “Esta apresentação dos dados decidirá se as suas tendências e percepções serão compreendidas, aceitas e inferidas por quem decide. Se a sua apresentação de dados for boa, você reduz a lacuna da última milha. Se a sua apresentação de dados for confusa, complexa, selvagem, todo o trabalho duro feito para coletar os dados, analisá-los, e procurar pelo contexto terá sido em vão.