Os 3 pilares da maturidade de times de analytics: Pessoas, Sistemas e Processos.

A maturidade do time de analytics importa, e muito. Por que?

Esta semana ficamos sabendo de um caso bastante triste de uma empresa de investimentos que apresentou de forma incoerente um enorme saldo negativo na conta de um usuário, levando-o ao suicídio. Referência 1 e 2.

A história é trágica, mas bastante real sobre a necessidade de reflexão sobre a maturidade dos times de analytics responsáveis por sistemas que, direta ou indiretamente, interagem com a realidade em um novo cenário, com tomadas de decisões que vão além de valores determinísticos e começam a se basear em decisões probabilísticas.  

A maturidade do time de analytics é importante, e é resultado da soma da maturidade das pessoas, dos sistemas e dos processos envolvidos na construção das soluções analíticas.

A maturidade das pessoas 

Seja qual for o tipo de análise, é sempre importante lembrar que o início (alfa) e fim (ômega) da existência do sistema é servir as pessoas, seja utilizando ou não algoritmos de inteligência inteligência artificial. 

Tal situação já é abordada por algumas empresas referência, como a Rstudio e H2o, que abrem seus códigos para trabalhar em comunidade, ao mesmo tempo que sugerem aos usuários das plataformas que as utilizem para fazer o “bem”. 

Claro que ainda existirão situações onde profissionais amadores, utilizando software pirateado (fraudado), aplicarão golpes e fraudes. A questão central é que maturidade das pessoas se refere a formação dos “cidadãos” a priori. A formação de um cidadão cientista de dados é um longo caminho e já foi abordado neste artigo com vídeo “por que cidadãos cientista de dados são raros”.

Em adição, e de forma mais técnica, um dos passos mais importantes para elevar a maturidade humana dos times de analytics é a promoção da empatia.

Em nosso histórico, os projetos de maior sucesso estão associados às equipes com formações multidisciplinares, baixo preconceito (tecnológico/social/racial e outros) e fundamentalmente uma grande curiosidade para entender diferenças.

A melhor forma de atingir uma solução tecnológica e útil no final do projeto é trazendo clientes e usuários para o desenvolvimento, e entendendo profundamente as suas necessidades e sonhos.

Empatia no mundo de software é um americano se dispondo a aprender português para entender o porquê brasileiros (no exterior) ficam puxando as portas que só precisavam ser empurradas para abrir. 

(Joni Hoppen, 2020)

Um vasto conhecimento em analytics não garante desambiguação dos resultados, ou seja, que as pessoas que consomem essas informações terão a mesma interpretação que aqueles que a conceberam tiveram. A análise de ambiguidade é apenas um dos possíveis problemas. 

O time de analytics deve prover o entendimento dessas informações, e pode recorrer a ferramentas consolidadas de Service Design e UX, bem como Design de Indicadores para melhorar a eficiência e segurança da entrega dessas informações. 

Processos de dicionarização de dados também são muito relevantes nesse quesito (O que é um dicionário de dados de analytics?). Afinal, quando um usuário comete um erro, por trás geralmente existe um erro de desenvolvimento e design.

A maturidade dos sistemas 

Muito da maturidade dos sistemas de informação está diretamente ligada ao risco tecnológico assumido pelos arquitetos de solução. No final do dia são eles que definem:

• Qual ferramenta será utilizada para resolver qual problema, R, Python ou Java? 
• O banco de dados será Oracle, Mongodb ou Postgres?
• A nuvem será Amazon, Microsoft, IBM ou Oracle?
• Os times tem preparação técnica para o stack tecnológico?  
• O tempo de processamento é um fator crítico? 

Junto a essas perguntas estão seus porquês, o que dá o realce da complexidade do desafio. Acreditamos ser importante que pelo menos um membro da equipe tenha vivenciado projetos de sucesso e fracasso no que tange a arquitetura de informação.

Esse profissional normalmente vem do mercado e não necessariamente da universidade. A comparação entre estes dois é um tema rico para outro artigo. 

Além das questões técnicas de cada tecnologia, uma recomendação importante aos profissionais é a necessidade de aprimoramento contínuo em metodologias de teste.

Isso mesmo, teste de software. Embora não seja o tema mais esperado nas palestras (como é a Inteligência artificial), o teste de software é o responsável para garantir que todo o teatro fique de pé antes, durante e depois da apresentação. O bom gestor deve olhar para este aspecto com bastante atenção. 

A maturidade dos processos 

Os processos, assim como pessoas e tecnologias, podem variar enormemente em tamanho, complexidade, formato e risco de negócio (FIA.com.br). 

Vejamos um processo de pricing (precificação) como exemplo: 

• Quais são os dados básicos de análise? 
• Como será o fluxo da régua de precificação? 
• Quem são os atores e sistemas envolvidos na precificação? 
• Quais produtos entram ou saem de cada régua? 

Como aqui temos um processo grande e potencialmente bastante complexo, ele demora para ser realizado.

Os testes serão mais complexos, as interações entre os vários times é praticamente certa, e os requisitos de sistemas tendem a uma complexidade que só poderá ser domada com metodologias consistentes de gestão de sistemas. Estas por sua vez estão na conta do risco tecnológico das empresas. 

Alguns dos processos que consideramos mais relevantes para analytics, e que talvez você ainda não conheça, são a biblioteca de processos ITIL ( Information Technology Infrastructure Library, que em português pode ser traduzido por Biblioteca de Infraestrutura de Tecnologia da Informação). 

Em resumo, segundo a Venki 2020 – O ITIL é o padrão de boas práticas para gerenciamento de serviços de tecnologia da Informação mais amplamente empregado no mundo, e vem sendo construído e aprimorado desde 1980. 

Do ponto de vista de analytics, vemos um ótimo encaixe destes processos no dia a dia de equipes de alta performance em projetos de pricing, manutenção preditiva, people analytics e outros. Um mergulho neste mundo de governança de dados é muito proveitoso. 

Conclusão

Em mais de 10 anos desenvolvendo soluções de diversos tamanhos e em diferentes contextos, conquistamos uma grande maturidade técnica a partir dos padrões encontrados em projetos de analytics, e também na construção da plataforma Vorteris. 

Concluímos que a maturidade dos times é importante para os negócios, para manutenção da marcas (cada vez mais digitais) e para melhorar não só a qualidade dos modelos de machine learning, mas também garantir a consistência dos dados disponibilizados no final dos processos. 

A contratação de equipes já desenvolvidas de analytics não é um processo fácil. Até já publicamos anteriormente um artigo mais detalhado sobre esse processo, porém alguns critérios podem ser levados em consideração na hora de escolher o melhor fornecedor de Data Analytics? 

Para fechar, deixamos algumas recomendações chaves:

• Preste atenção ao principal objetivo das pessoas envolvidas, avaliando se estão alinhadas aos objetivo de negócio e a visão humanística do profissional. 
• Segurança de dados não é simplesmente não ser hackeado, é garantir que o sistema não entrega informações incorretas. Em vários casos isso pode ser fatal. Não deixe que os sistemas criarem fake news!
• Desenvolva uma cultura orientada a ciência, com um forte cunho de testes dos casos de uso, e possibilidade de replicações e cenarização. Escolha os profissionais mais criativos para essa parte, mesmo que pareça contra intuitivo.
• Ciência de dados não se resume apenas a o desenvolvimento de um software. É importante compor um time com perfil multidisciplinar que atue tanto na construção de modelos complexos, quanto na definição e acompanhamento das metas, entendimento das necessidades dos stakeholders e construção de pipelines seguras e otimizadas.
• O mais importante é que o usuário final entenda o significado dos indicadores, e não apenas o time de desenvolvimento e análise. Quando isso não ocorre, há uma falha grave de comunicação.

Autores