Fim do Excel como ferramenta de gestão está mesmo próximo?

Fim do Excel como ferramenta de gestão está mesmo próximo?

Os problemas que precisam de solução nas empresas são praticamente infinitos. Imagine a dificuldade para se alcançar um determinado resultado definido por uma meta de aumento da lucratividade. E, sempre que a meta é alcançada, uma nova meta mais desafiadora é estabelecida. É… o desafio parece não ter fim. Muitas vezes, o que limita o alcance de um resultado são problemas com liderança, falta de conhecimento do negócio, ou a ausência de boas práticas de gestão. Em todos os projetos de consultoria de gestão que participei, esses três fatores foram determinantes, ou seja, com uma liderança forte,  visionária e com um propósito claro, um método de gestão simples como o PDCA aplicado por pessoas experientes e com uma equipe interna capacitada e experiente os melhores resultados são sempre alcançados. Mas, para empresas que já estão na era digital, existem algumas dificuldades que surgem com essa abordagem tradicional, como, por exemplo, a alteração constante dos dados. Isso tudo faz com que bons planos de ação se tornem, rapidamente, obsoletos. Daí, surge a necessidade de uma nova abordagem que seja capaz de lidar com essa nova realidade: a Ciência de Dados. Nesse artigo, você vai entender porque a replicação de análises, a obtenção de dados externos e o uso de métodos preditivos fazem da ciência de dados uma abordagem mais adequada aos novos tempos.

Replicação de análises

Aplicando Ciência de Dados, especialmente usando as linguagens de programação R e Python, é possível analisar de maneira automática, rápida e replicável grandes quantidades de dados que nunca poderiam ser feitas em Excel. Recentemente, sem olhar o tamanho do arquivo tentei importar para o Excel, dados que estavam em um arquivo texto de mais de 1 Giga. Como era de se esperar, o arquivo travou. Poderia citar vários outros exemplos, mas se você já teve que esperar o processamento do Excel quando foi adicionar dados em uma tabela dinâmica ou arrastar uma fórmula de procv você, provavelmente, tem seus próprios exemplos de limitação do Excel. No entanto, a necessidade de se escrever linhas de código para realizar uma análise pode parecer um exagero, certo. Agora, lembre-se das vezes que você se deparou com uma análise feita em Excel que você não conseguiu replicar. Cliques em botões e movimentos de mouse podem ser amigáveis, mas em geral escondem etapas pelas quais os dados originais passaram, fato que torna no mínimo tedioso replicar uma análise já realizada.

Obtendo dados externos

O universo de dados disponível na internet pode ser incorporado em suas análises através de webscraping. Informações na internet são em geral públicas e podem ser coletadas (salvo informado o contrário). Por isso, criar programas em R ou Python que sejam capazes de coletar dados em vários sites de forma automática pode ser bastante útil. Imagine, por exemplo, que sua empresa precisa fazer uma coleta de preço a cada nova compra. É claro que a negociação é fundamental para se conseguir descontos, mas ter acesso a informação pode ajudar muito nesse processo. Outro exemplo, no qual esse tipo de automação na coleta de dados pode ajudar, é a fixação dos preços dos produtos que sua empresa vende. Imagine a estratégia da empresa é ter o preço 10% acima dos concorrentes da internet. Criar um robô que seja capaz de navegar por vários sites e definir novos preços pode acelerar bastante essa etapa do trabalho de precificação. Existem várias outras aplicações de webscraping, mas isso será assunto para um outro artigo.

Métodos preditivos

Métodos de previsão como regressões estatísticas, ou modernos algoritmos de machine learning e deep learning vão muito além da análise feita em reuniões periódicas que usam gráficos de espinha de peixe e Pareto. A dupla espinha de peixe e pareto já me ajudou muito a resolver problemas nas empresas, sua simplicidade e capacidade para organizar o raciocínio coletivo são realmente impressionantes. No entanto, em alguns casos, principalmente para empresas digitais, os dados mudam constantemente e parar para fazer uma reunião sobre um assunto que é novo para todos será simplesmente improdutivo. Por exemplo, saber se um determinado layout no site influencia na compra de clientes pelo e-commerce. Opiniões de especialistas poderiam ser antagônicas e difíceis de serem avaliadas. Fazer um teste A/B para avaliar a hipótese com base nos dados de tráfego usando o R seria muito mais preciso e produtivo nesse caso. Mas as aplicações vão muito além de um simples teste A/B. Técnicas como o machine learning e deep learning estão revolucionando vários segmentos como reconhecimento imagem, interpretação de comando usando a voz, e outros tipos de aplicação de previsão, especialmente, com ferramentas como o Tensorflow da Google.

Em suma, novos métodos, técnicas e ferramentas surgiram para lidar com a nova realidade dos negócios. O próximo passo é conseguir aplicá-los e conseguir extrair o máximo de valor desse novo universo de ferramentas que está surgindo. Para isso, será necessário um exército de cientista de dados capaz de lidar com quantidade de dados cada vez maiores e construir soluções que possam ser compartilhadas por toda a empresa para que a análise não fique restrita à equipe de analistas e se torne parte integrante do processo de tomada de decisão de todos na empresa.

Deixe uma resposta

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

shares