Data Science: Pré-requisitos de gestão

Data Science: Pré-requisitos de gestão

Pré-requisitos de gestão? Como assim? Essas são as perguntas que eu mais escuto quando falo sobre esse tipo de pré-requisito. É claro que se o cientista de dados vai trabalhar com reconhecimento de imagem, voz ou com desenvolvimento de medicamentos personalizados, a gestão não será um pré-requisito. Mas, pensando do ponto de vista do Business Analytics esse tipo de conhecimento é simplesmente fundamental. Saber quais os impactos das novas tecnologias trazidas pela ciência de dados aos departamentos de recursos humanos, vendas, marketing, financeiro, operacional, fiscal, contábil, jurídico, dentre outros, é crucial para se extrair o máximo de valor desse tipo de iniciativas.

Mas o que é a gestão? Esse termo anda tão banalizado e possui tantos gurus que nos fornecem definições diferentes que fica difícil falar sobre o tema sem dar uma definição prévia. Nesse artigo, vamos considerar gestão como sendo todas as atividades relacionadas desde o estabelecimento de objetivos estratégicos, como capacidade de geração de caixa, até a melhoria de indicadores de desempenho operacionais do negócio, como o número de carregamentos de caminhão feitos por dia, através do acompanhamento de metas. Parece extenso, não é? Felizmente, para lidar com tudo isso, existe um método simples capaz de organizar todas essas atividades, o PDCA. Esse método é definitivamente um pré-requisito. A partir dele é possível entender o contexto no qual o Business Analytics está inserido.

O PDCA é uma sigla do inglês que descreve as etapas: plan-do-check-act.  O método foi estabelecido por Deming, um estatístico americano que levou esse tipo de conceito para o Japão no pós-guerra, e contribuiu para criação de um novo sistema de produção, o Toyotismo. No Brasil, essas tecnologias foram trazidas através de missões acadêmicas que deram origem ao movimento da Qualidade Total, muito forte na década de 90. Esse movimento começou por indústrias e se espalhou, gradativamente, para os mais variados setores da economia. O ponto forte e o sucesso atingido, em termos de resultados financeiros, alcançados pelos pioneiros está fortemente relacionado a aplicação rigorosa do método PDCA. Na prática, garantir que as ações de uma organização sejam bem planejadas, executadas conforme planejamento, controladas em termos de efetividade e, em caso de sucesso, padronizadas é uma receita que parece simples, mas que poucas empresas incorporam na sua rotina diária.

O Business Analytics pode ser encaixado na etapa P do PDCA. Essa é a etapa na qual acontece o planejamento, que, na verdade, pode ser quebrado em várias sub etapas. O primeiro passo é reconhecer a existência do problema, e acredite se puder, essa é uma das etapas mais difíceis. Infelizmente, o natural é jogar a culpa nos outros. O problema é que, se todo mundo joga a culpa no outro, o problema não é de ninguém e por isso ninguém pega pra resolver. Uma vez superada essa dificuldade inicial, vem o segundo passo: o estabelecimento da meta. Esse processo é complexo do ponto de vista da quantidade de interações entre os envolvidos e dos interesses em jogo dentro da organização. Esse, normalmente, é um trabalho para um Analista de Negócios, que talvez solicite alguma análise para a equipe de Análise de Dados. A partir das metas estabelecidas, começa a etapa de levantamento de dados relacionados ao problema, ou seja, a distância entre o resultado atual e a meta a ser alcançada. É aqui que a intimidade com a computação pode ajudar muito a acelerar o processo, especialmente conhecimentos ligados a linguagem SQL e ferramentas como Hadoop e Spark. No entanto, alguns dos dados necessários podem estar indisponíveis. Nesse caso, é preciso definir uma forma de coletar os dados sem que a operação seja afetada (lembre-se, o objetivo da organização é ganhar dinheiro, e não fazer ciência de dados). Uma vez obtidos os dados é preciso prepará-los para análise. Muito provavelmente, existirão muitos campos vazios e dados estranhos. Nesse ponto, conhecimento estatístico para lidar com NAs, NaNs e outliers são simplesmente fundamentais. Além disso, saber manipular os data frames no R ou no Python pode ajudar muito, já que o Excel tem limitações quanto ao tamanho dos arquivos e funções pré-construídas. Quando a base estiver preparada, o objetivo passa a ser a análise exploratória. Nessa etapa são gerados gráficos rápidos para aumentar a compreensão geral dos dados. A ideia nessa etapa é identificar onde o problema está concentrado. Por exemplo, se temos um indicador de giro de estoque, precisamos buscar um um entendimento maior sobre em qual item ele está mais concentrado, em qual região aquele item perdeu muitas vendas, e assim por diante. Saber onde está esse foco irá simplificar o próximo passo da análise, a identificação dos fatores que levaram ao não atingimento da meta. Nessa nova análise, a correlação do indicador com os fatores que mais influenciaram é estudada. Nessa etapa, ferramentas como análise de regressão, machine learning, testes A/B, e todas as outras que relacionam valores de variáveis dependentes às variáveis independentes podem ajudar a entender quais fatores contribuíram mais para o resultado insuficiente. De posse do fator que mais influenciou o determinado resultado, o trabalho ficará, substancialmente, reduzido a no máximo uma meia dúzia de ações que irão auxiliar a empresa a atingir suas metas.

Na prática o PDCA ajuda o cientista de dados a trabalhar no problema mais relevante da organização, em função da estratégia definida pelos diretores, e a organizar sua caixa de ferramentas, usando a ferramenta certa na hora certa. E ainda, se a empresa já tiver reuniões de resultado e análises sistemáticas incluídas na sua rotina de gestão, ficará fácil inserir essas novas ferramentas para potencializar ainda mais seus resultados.

Deixe uma resposta

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

shares