3 maneiras de extrair o máximo de valor das seus projetos em ciência de dados

3 maneiras de extrair o máximo de valor das seus projetos em ciência de dados

Como você já deve saber, a lista de problemas que podem ser resolvidos usando Data Science é praticamente infinita. No entanto, para uma pessoa que foi apresentada a esse novo tema recentemente, às vezes, fica difícil enxergar as possibilidades de aplicação. Mesmo para pessoas que já se capacitaram em algumas das técnicas e ferramentas, o assunto parece um tanto abstrato. Nesse artigo, poderíamos apenas citar uma série de aplicações em alta tecnologia como a maioria das informações que você, provavelmente, irá encontrar na internet. Mas o que vou descrever, além dos exemplos, é a maneira como identificar projetos de Data Science em qualquer organização. Lendo esse artigo você vai apreender a identificar oportunidade que serão valorizadas, principalmente, pela alta direção da empresa. Se você pretende atuar ou se já atua como consultor nessa área você vai descobrir como convencer a alta direção a fazer investimentos nessa área. Caso seu interesse seja o desenvolvimento de um aplicativo que use essa nova tecnologia, você poderá se beneficiar da lógica por traz da metodologia que irei apresentar para desenvolver seu próximo aplicativo. A pergunta-chave que gostaria de ajudar a responder é: Como extrair o máximo de valor dos dados que você tem a sua disposição?

Existem basicamente 3 abordagens possíveis para se identificar novos projetos. A primeira é tentar resolver problemas do dia-a-dia, discutindo com pessoas que trabalham em algum setor da empresa e em seguida definir uma decisão que precisa ser melhor trabalhada com a utilização de dados. Essa é uma abordagem conhecida como botom-up porque sua demanda nasce da base hierárquica da empresa. Em contraposição, existe a abordagem top-down, na qual a estratégia da empresa define alguns indicadores e metas que precisam ser atingidas. Nesse cenário, pode ser feito um mapeamento das decisões que afetam um determinado indicador estratégico. Com essas decisões mapeadas pode ser feito um programa de melhoria do processo de tomada de decisão utilizando métodos quantitativos. A terceira via, e mais indicada, é uma mescla das duas anteriores. A direção da empresa define as decisões que precisam ser trabalhadas em função da estratégia e a equipe operacional propõe decisões adicionais que precisam ser tratadas com o rigor da Ciência de Dados. Mas isso tudo é muito abstrato. Para facilitar vamos dar alguns exemplos.

Primeiramente, vamos considerar um exemplo de abordagem Botom-up. No desenvolvimento de carros elétricos, a equipe de engenheiros instalou dispositivos nos carros que são capazes de coletar dados sobre a aceleração e frenagem, dentre outras informações. Esses dados podem ser passados para o motorista enquanto o carro está em movimento. Esses dados também são enviados para a equipe de desenvolvimento que utiliza esses dados para identificar oportunidades melhoria no projeto atual do veículo.

A abordagem Top-down é mais adequada quando a empresa já tem um plano estratégico bem estabelecido e os indicadores de desempenho. Suponha, por exemplo, uma outra empresa que trabalha em geração de eletricidade. Essa empresa hipotética produz energia através de hidrelétricas e vende para a concessionária responsável pela distribuição de uma determinada região do país. Sua produção depende da ocorrência de chuvas para poder gerar receita. Além disso, o valor da tarifa de energia varia conforme o consumo e a disponibilidade de água em outros reservatórios. Você poderia aguardar com as comportas fechadas até que o preço seja suficientemente alto para vender. O problema é que se chover demais você será obrigado a abrir as comportas e o dinheiro irá correr rio abaixo… Parece complicado, certo? O diretor operacional tem uma meta relacionada à redução de desperdício de energia potencial e o diretor comercial tem uma meta de aumento de receita. A equipe de cientistas de dados pode ajudá-los a alinhar essas metas e, juntamente com a equipe operacional, pode ajudar a criar uma ferramenta que recomenda a venda de energia baseada na previsão de chuvas sobre o reservatório da empresa e na previsão da mudança de bandeira. A partir do uso dessa ferramenta será possível obter a maximização da geração de receita dos seus ativos.

Por fim, a abordagem Mista. Imagine que a empresa está tendo muitos problemas com inadimplência precisa reduzir o “contas a receber” para poder alcançar seus objetivos. A partir desse cenário, o diretor financeiro da empresa estabelece uma meta de redução da inadimplência para o setor de crédito. Ao mesmo tempo, esse mesmo setor percebe que o problema da inadimplência é devido às falhas na classificação de risco e na concessão do limite de crédito. Nesse caso, o problema designado para a equipe de cientistas de dados poderia ser o desenvolvimento de ferramentas para auxiliar na classificação do risco do cliente e uma outra ferramenta para cálculo do limite ótimo de crédito de maneira a evitar inadimplência sem prejudicar as vendas.

Analisando essas três aplicações, podemos ver que o problema de decisão que será abordado depende da estratégia da empresa e do que as pessoas que colocam a mão na massa realmente percebem como um problema de tomada de decisão. A equipe de Data Science, própria ou terceirizada, deve ser capaz de atuar e conduzir seus estudos junto com o restante das pessoas envolvidas de modo a extrair o real problema vivido no dia-a-dia antes de começar a construir os sistemas de suporte à decisão.

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

shares