A sua organização é rica em Dados, mas pobre na sua análise e na capacidade de suportar processos de tomada de decisão com base em modelos analíticos? Sente que há um gap entre o valor potencial que os dados e insights respectivos aportam, e a habilidade de os aplicar e implementar eficazmente em desafios de negócio? You’re not alone! E há muito que a principal causa-raiz desta frustração deixou de ser tecnológica!
O aparecimento do “big data” e a utilização generalizada de tecnologias como cloud computing permitiu desde o início deste século aumentar exponencialmente a capacidade das organizações recolherem, armazenarem e analisarem quantidades massivas de dados. Se adicionarmos aos dados e ao cloud computing, os desenvolvimentos recentes de machine learning e inteligência artificial, em que os sistemas/algoritmos têm a capacidade de aprender com o tempo, as possibilidades de empoderar os processos de decisão com base em analítica afiguram-se infinitas.
A mais-valia de dotar as organizações com uma forte cultura de dados, em que as decisões de negócio são guiadas por analítica avançada é inquestionável. A capacidade de tomar decisões melhores, mais rapidamente e com maior frequência, impacta simultaneamente o top-line e o bottom-line das empresas. Não se trata de desnatar ou desvalorizar o poder da intuição, o feeling de negócio tantas vezes diferenciador, mas antes de o cruzar com o poder da analítica, em que técnicas sofisticadas permitem analisar volume elevado de dados e ir aprendendo e refinando recomendações, previsões e linhas de ação, com processos mais estandardizados e menos dependentes das pessoas que os pilotam.
Se é verdade que há uns anos estas tecnologias estavam à disposição de um número reduzido de empresas com talento e capacidade financeira adequados, temos vindo a assistir recentemente a uma acelerada democratização e comoditização do analytics (mais um exemplo recente, ChatGPT). O desafio deixou de ser (apenas) tecnológico, mas antes o de como tirar partido dos dados disponíveis e destes avanços analíticos para disromper e aperfeiçoar modelos de negócio e otimizar processos.
Claro que mais dados (e de fontes mais variadas) melhora a capacidade analítica dos algoritmos. Convém, no entanto, não esquecer que de um ponto de vista puramente estatístico, os dados têm rendimentos marginais decrescentes. Isto é, à medida que acrescentamos observações aos dados de treino (dos modelos), a melhoria dos outputs analíticos é cada vez mais ténue. O gap de execução referido anteriormente não é de todo justificado pela eventual insuficiência de dados. Nem tão pouco pelo esforço das organizações de fazerem uso dos seus dados. Veja-se, por exemplo, a enxurrada de dashboards e overload de informação que proliferam nas empresas. Ao invés de facilitarem a monitorização de indicadores de performance para aprofundar o conhecimento de negócio e informar e acelerar tomadas de decisão, dificultam a obtenção de insights na resposta às perguntas “Porquê” e “O que fazer”. Ou por exemplo, o purgatório dos pilotos e a dificuldade de escalar no pós-piloto (independentemente de quão promissores os resultados em ambiente “controlado”).
De entre os principais bloqueios à introdução e disseminação de analítica avançada numa organização, destacam-se:
Analytics Vision/Strategy: Esboçar uma visão clara para a área de analytics alinhada com a estratégia da organização. E tem que extravasar uma amostra de casos de uso, com uma visão holística que mitigue os silos entre os vários departamentos / funções. Ir simplesmente atrás do Buzz não funciona!
Analytics Value: Identificar a priori métricas de sucesso, o valor a ser capturado e o time-to-market de cada caso de uso de analytics. Esta classificação do valor potencial e da admissibilidade de cada caso tem que nortear a delineação da jornada analítica de uma organização. Citando Jeff McMillan, Chief Data & Analytics Officer da Morgan Stanley, “The biggest challenge we have is not the ability to solve the problem, it’s figuring out which problem to solve”. Atacar um caso de uso sem estimar o impacto quantitativo que o analytics pode aportar não funciona!
Analytics Implementation: Focar na mudança cultural necessária à tomada de decisão. Deve partir-se do problema/desafio de negócio, formulá-lo, identificar todo o tipo de stakeholders e reunir talento multidisciplinar, com conhecimento de negócio e técnico (de analítica) para o resolver. Os “business translators” desempenham um papel fundamental em projetos de analítica avançada ao estabelecer a ponte entre as equipas técnicas e os stakeholders do negócio. Fazer o “push” do analytics (em vez de “pull”), com enfoque da analítica na tecnologia, executado por equipas afastadas das áreas de negócio não funciona!
Estes são alguns dos bloqueios para os quais a gestão de topo de qualquer organização tem que estar sensibilizada. Os líderes têm que garantir que a analítica é guiada pelas decisões, sendo a sua literacia em analítica avançada um enabler chave!
Artigo de Bernardo Almada-Lobo, codiretor do Open Executive Programme Analytics for Executives.
