Já colocou Analytics na agenda de 2016? Se a resposta for não, é melhor correr. Logo logo o Advanced Analytics será “business as usual”

Terminamos 2015 adicionando mais um ano de experiências e prática em Big Data. O que vale a pena compartilhar deste aprendizado? Primeiro que o termo Big Data é inapropriado, pois passa a impressão de uma enorme e estática massa de dados. O termo “Advanced Analytics” ou analítica avançada me parece mais apropriado. Dados, em qualquer quantidade, não têm muito valor se não passarem por técnicas analíticas.

“Advanced Analytics” é a aplicação das tecnologias digitais a modelos matemáticos para nos ajudar a resolver problemas de negócio,  que é o que interessa às organizações. Elas não querem projetos de Big Data, mas projetos que resolvam questões de negócio, onde dados e analítica são meios para chegar à solução.

Em 2015 ficou bem patente que as iniciativas de analítica avançada (ex-projetos de Big Data…) prescindem do suporte e comprometimento executivo. Mas, antes dos CIOs levarem aos seus colegas C-level a ideia de projetos que envolvam analítica de dados, é importante ter conhecimento mais aprofundado do conceito. Principalmente, do que chamamos de “Data Science”, que engloba as tecnologias e conceitos que transformam dados em ações e, portanto, em resultados tangíveis para o negócio.

Recomendo a leitura da excelente publicação “2015 The Field Guide to Data Science”, da Booz Allen. Ele define claramente: “Data Science is the art of turning data into actions.It’s all about the tradecraft. Tradecraft is the process, tools andtechnologies for humans and computers to work together totransform data into insights.” Dos insights geramos as ações que trazem retorno ao negócio. Big Data não interessa. Ações que tragam resultados tangíveis, sim.

Quando falamos em analítica, automaticamente pensamos em algoritmos. Já estão em toda a parte: recomendação na Amazon, detecção de fraudes por operadoras de cartões de crédito, etc. Inclusive existe um marketplace para algoritmos, a Algorithmia, uma espécie a App Store para algoritmos, onde você pode acessar algoritmos prontos via APIs. Ou então criar um novo algoritmo e como um app, conseguir monetização por ele. 

Como vemos, ouso de algoritmos não é uma ciência espacial, já começa a se popularizar. Aliás, o uso de analítica e algoritmos deve ser considerado aplicação de missão crítica nas empresas e não uma iniciativa periférica. 

Estamos imersos em um oceano de dados, e pouco uso fazemos deles. Estimativas apontam que, em 2020, estaremos criando 73,5 zettabytes de dados ou 73 seguidos de 21 zeros! A aplicação de algoritmos gera bons resultados em praticamente qualquer situação. Por exemplo, um estudo da American Psychological Association, analisando 17 casos de práticas de contratação por grandes empresas, mostrou que o uso de algoritmos superava em 25% as melhores práticas (geralmente baseadas na intuição) quando considerado o sucesso da contratação. Ou seja, o acerto da contratação do novo funcionário na empresa. Vale a pena dar uma olhada em “In Hiring, Algorithms Beat Instinct”.

Mas, voltando à necessidade de mobilizar os executivos da organização para projetos de análise de dados, ficou claro na minha experiência em 2015 que as iniciativas deste tipo, conduzidas e alavancadas por TI, salvo raras exceções, não foram muito à frente. Após gerar valiosos insights, é necessária uma ação, e muitas vezes isso demanda modificações nos processos atuais. A TI, sozinha, geralmente não tem poder para promover estas mudanças. O CEO deve estar comprometido com a iniciativa e deve ver a Ciência de Dados como essencial ao seu negócio e não como um projeto periférico de TI, para atender a uma ou outra demanda do marketing ou de outra área de negócio. Como despertar nele a percepção de urgência para o assunto? Que tal começar com uma palestra para o board de executivos, explicando os conceitos, mostrando resultados de casos reais? Existe uma extensa bibliografia comentando casos que apresentam saltos quânticos em benefícios. Depois, que tal levá-los para visitar empresas que já estejam fazendo uso de analítica, com sucesso?

O segundo passo é desenhar uma estratégia de analítica de dados. Os usos de Análise e de Ciência de Dados na organização não devem ser encarados como projetos isolados, mas devem estar alinhados com uma estratégia capaz de alavancar todo o potencial de dados que a empresa poderá dispor, interna ou externamente. A estratégia deve passar por etapas e métricas de avaliação dos resultados. Afinal, lembrem-se que o sponsor é o CEO! 

Nesta estratégia pode-se definir até novas posições executivas como um CAO (Chief Analytics Officer, que considero mais adequado que o CDO, Chief Data Officer). A estratégia deve definir se existirá um Centro de Excelência em Analytics e qual será a sua estruturação, centralizado ou distribuído. Aliás, existem diversas variações sobre a estruturação. Também deve definir qual será a demanda por recursos internos e externos. Existe expertise internamente? Estamos nos preparando para ter essa expertise? Muitas vezes o uso de consultoria externa acelera a curva de aprendizado, mas dificilmente, uma função de missão crítica será inteiramente terceirizada.

O CIO tem papel fundamental neste processo. No mínimo deve desenvolver a infraestrutura de hardware e software que suportará a estratégia. O uso de cloud deve ser considerado, pois a demanda por análises de dados tenderá a ser bastante dinâmica, inclusive pela tendência do modelo self-service. Esperar que uma cara e lenta aquisição de hardware chegue, provavelmente vai fazer a empresa perder a janela de oportunidade. 

Neste cenário o CIO deve assumir a responsabilidade de prover os dados adequados. Mas precisa estar ciente de que esta é uma armadilha fatal: se os dados usados pelas áreas de negócio não forem corretos, os resultados serão desastrosos. E, a experiência que venho vivendo, mostra que na maioria das empresas os dados estão em pior situação do que muitos imaginavam antes de começar a usá-los para projetos de análise. Dados incorretos, contraditórios e incompletos são os piores pesadelos destas iniciativas. E pasmem, mesmo em cadastros teoricamente de qualidade vemos isso acontecer. E quando cruzamos diversas fontes de dados, o problema é potencializado!

Outro e importantíssimo papel do CIO é começar a criar o senso de urgência entre os executivos da organização. Uma eventual estruturação de Data Science com um CAO não necessariamente subordinado ao CIO é uma possibilidade, mas o CIO tem por obrigação profissional, uma vez que é o atual responsável pela tecnologia na empresa, despertar o senso de urgência da organização para Data Science. Se não o fizer, outros o farão. Se isto acontecer, a relevância do CIO se deteriora e ele tende a ficar confinado à casa das máquinas, dando apenas o suporte operacional aos processos que trazem retorno ao negócio.

Data Science, Analytics, Deep Learning, etc, já não são curiosidades tecnológicas. São realidade e os executivos C-level, com os CIOs à frente, devem estar antenados e desenvolvendo ações para que estas tecnologias e conceitos alavanquem suas empresas. Mesmo em tempo de crise, Aliás, principalmente em tempos de crise!

Já em 2012, a HBR mostrava claramente, no artigo “Making Advanced Analytics Work for You”,  que as empresas que usavam análise de dados mostravam ganhos significativos na diferenciação competitiva.

Claro, estamos ainda no início da curva de aprendizado e o futuro, que é medido em poucos anos (a evolução é exponencial e não linear) vai nos mostrar muitos avanços. Recomendo ler o texto e assistir ao vídeo de Andrew Ng (20 minutos, em inglês), cientista chefe do Baidu, abordando o tema, intitulado “Andrew Ng shares the astonishing ways deep learning is changing the world”.  Impressionante! 

E logo tudo isso será “business as usual”. E nossas empresas? Como estamos? Ainda pensando no assunto como algo de menor prioridade, deixando para fazer algo quando a crise acabar?

Fonte: (*) Cezar Taurion é CEO da Litteris Consulting, autor de seis livros sobre Open Source, Inovação, Cloud Computing e Big Data