A parte de chata de trabalhar com Análise de Dados — e que ninguém comenta
Nesse artigo, eu conto qual é a parte muita chata sobre trabalhar com análise de dados e que é pouco falada por aí
Mas antes…
Se mesmo após ler o título desse artigo, você ainda tem espírito guerreiro e deseja enveredar nessa área, seguem aqui alguns livros muito bons e didáticos para dar um norte:
Primeiramente, uma introdução
Começo esse artigo confessando que não fui totalmente honesta quando disse que “ninguém comenta”.
Em algumas postagens em comunidades como o Quora e o Reddit é possível encontrar depoimentos sobre a realidade de trabalhar na área de análise de dados.
Entretanto, a quantidade de histórias realistas que desmascaram o glamour da área de dados não chega perto do volume de conteúdo sobre:
- Como entrar na área de dados
- Como virar Cientista de Dados
- Curso de Ciência de Dados
- Migrar para Dados
- Quanto ganha um Cientista de Dados
E, de fato, com o número de dados sendo produzido a cada instante, cada vez mais as empresas vão precisar de profissionais nessa área, ainda mais considerando todo o valor que se pode extrair desses dados gerados.
A questão que eu ponho aqui é, quem atua em outras áreas pode se ver tentado a migrar para essa área não necessariamente devido a um interesse genuíno, mas sim pelo fato de a pessoa ser bombardeda constatemente com influenciadores, matérias jornalísticas e tópicos em redes sociais vendendo a ideia de que trabalhar na área de dados é perfeito e intensamente emocionante.
E, a verdade, é que não é.
Trabalho é trabalho e, por mais que o resultado final possa ser gratificante, o processo para chegar até ele pode ser longo, demorado e denso.
Minha ideia não é desmotivar quem tem vontade de atuar na área de dados (me incluo nesse grupo), mas sim lembrar que, não adianta buscar uma área profissional impecável, mas, no mínimo, aquela com problemas com as quais a pessoa está disposta a conviver e resolver.
Dito isso, listo aqui as situações mais chatas ao se trabalhar com análise de dados.
Elaborei a lista com base nas minhas experiências e em depoimentos que li por aí.
Situações chatas em análise de dados
1.Não importa qual é o dado que você quer apresentar, o problema é a cor do gráfico
Eu passei por essa situação algumas vezes (digo “algumas” para ser simpática).
O livro Storytelling com Dados (que eu não canso de recomendar, pois melhora completamente a perspectiva da pessoa sobre como apresentar números), tem uma explicação completa sobre como as cores devem ser usadas de maneira estratégica em gráficos e visualizações.
A ideia é reduzir a carga cognitiva e destacar o que é relevante.
Entretanto, já me aconteceu de estar apresentando números em reuniões (inclusive a respeito de um cenário desfavorável nas vendas da empresa) e a grande implicância da diretoria era que os gráficos não estavam da cor que ela queria.
Juro.
E fui chamada a atenção na frente de todo mundo por isso.
Então por mais que você use teoria das cores para aprimorar suas visualizações, saiba que pode haver cisma com o fato de que você usou laranja ao invés de amarelo em um gráfico de linha.
E isso mesmo em situações em que não é preciso usar as cores da identidade de marca da empresa ou respeitar alguns padrões (por exemplo, verde para números positivos e vermelho para negativos).
2. Limpeza de dados consome a maior parte do seu tempo
Essa parte chata é um pouco mais comentada, mas não custa repetir.
Ainda mais no que concerne à ciência de dados, ainda se propaga com muita frequência a ilusão de que esses profissionais passam a maior parte do dia fazendo previsões e trabalhando com modelos de machine learning super descolados.
A realidade é que coletar, organizar e limpar dados ocupada a maior parte da jornada diária de quem atua com isso.
Principalmente, porque os dados da vida real são muito diferentes daqueles apresentados em cursos e tutoriais por aí. São bagunçados, podem ser difíceis de acessar e não necessariamente possuem uma documentação adequada.
Com isso, quem acaba de estudar e passa a trabalhar de verdade pode ficar desiludido facilmente.
O Bad Data Handbook: Cleaning Up the Data So You Can Get Back to Work é um manual bem prático sobre como lidar com essa tarefa, aliás.
3. Não é só programação, estatística e machine learning: mas sim, comunicação
Por motivos óbvios, os conteúdos e tutoriais sobre análise e ciência de dados focam majoritamente nas habilidades técnicas que a pessoa precisa desenvolver para atuar na área.
E, de fato, trabalhar com dados exige muito conhecimento e experiência prática.
Entretanto, isso cria uma fantasia de que a pessoa vai dedicar-se integralmente a criar códigos, gráficos bonitos e modelos estatíscos complexos para fazer jus a tudo o que foi estudado nos cursos e livros caríssimos que a pessoa comprou.
No entanto, o fato é que, como praticamente em qualquer área da vida corporativa, boa parcela do tempo envolve reuniões e e-mails.
Não adianta.
Além de apresentar seus dados e conclusões, você ainda vai precisar:
- Alinhar expectativas
- Negociar prazos e entregas
- Argumentar com gestores
- Enfrentar clientes
E para quem tem mais paixão pelo lado técnico do trabalho com dados, a comunicação costuma ser, de longe, a parte mais maçante e difícil.
Ainda mais para quem trabalha remoto com times globais, dado que a linguagem que empregamos tem forte carga cultural.
Mas é possível treinar e desenvolver uma comunicação mais clara e objetiva, tal como explica do em Os Segredos da Boa Comunicação no Mundo Corporativo (é uma aula sobre como aperfeiçoar a oratória, tanto presencial quanto remotamente).
4.Seu dashboard pode ser espetacular, mas ainda vão pedir mais gráficos e perguntar se pode exportar para Excel
Essa é uma das partes chatas que mais me dói.
Eu trabalhei em uma empresa em que, devido à limitações ferramentais, não tínhamos uma plataforma própria de BI e o CRM tinha funcionalidades bem limitadas. Logo eu construía a maior parte dos gráficos e relatórios no Excel mesmo.
Até aí, não era o ideal, mas eu aceitei que doía menos.
O que me corroía era que, a cada reunião com a gerência e a diretoria, surgia o pedido de um gráfico novo, sendo que o relatório já tinha vários gráficos que mal eram consultados.
E eu conseguia perceber que os tais não eram vistos quando me solicitavam um gráfico que já existia.
Ou pior, pediam um gráfico por causa de uma situação específica, eu criava e mostrava o bendito na reunião seguinte e, depois aquele gráfico nunca mais era usado novamente.
Isso me causava uma sensação horrível de tempo perdido.
A outra situação que apontei no título dessa seção, é bem famosa para quem trabalha com BI.
A pessoa passa anos estudando PowerBI, Tableau, Metabase, domina os melhores métodos para construir visualizações e tornar o dashboard interativo e prático e emprega as cores ideais. Lindo.
Depois que a pessoa apresenta o resultado final e tudo o que o dashboard pode fazer, sempre tem um abençoado que levanta e pergunta:
-Dá para exportar para Excel?
Essa pergunta fere na alma, mas carrega uma máxima sobre os usuários de produtos de dados: muitos não sabem o que querem.
É comum, ainda mais em áreas de negócios, se propagar a ideia de que comprar uma ferramenta de BI é a solução para conseguir realizar todas as análises de que a empresa precisa e que, quando implementada, todos os insights surgirão magicamente.
Entretanto, na hora do “vamo ver”, o usuário final ainda quer sua planilha com uma tabela dinâmica resumindo os números.
Isso traz uma sensação de controle para quem está consultando os dados, enquanto que os dashboards podem acabar exigindo contato com uma ferramenta nova e não é todo mundo que está disposto a interagir com aquilo que não conhece.
Especialmente quando se precisa de respostas rápidas.
O Storytelling with Data: Let’s Practice!, uma expansão do Storytelling com Dados, que eu mencionei antes, é um guia prático sobre como repleto de exemplos que pode ajudar a reduzir esse atrito, pois tem vários exercícios sobre como criar visualizações mais efetivas e fáceis de entender.
5.Documentação é essencial, mas elaborá-la é extremamente entediante
Quem programa sabe que contar com uma documentação completa é bem importante para saber como determinadas bibliotecas e funções funcionam.
Todavia, criar esse documento é bem chato.
Não é toa que muita gente negligencia essa etapa. Aliado a isso, tem o fato de que a pessoa constantemente tem outras tarefas mais urgentes para entregar.
Uma documentação correta inclui registrar os processos, metodologias e resultados alcançados, além de manter um acompanhamento detalhado de todas as etapas realizadas em um determinado projeto.
Isso é necessário para se ter um histórico do trabalho realizado que a equipe atual e possíveis “herdeiros futuros” possam consultar.
Porém, criar esse documento com todos os seus pormenores é bem cansativo e monótono. Não nego.
Considerações finais
Essas são as partes que considero menos interessantes ao trabalhar com análise de dados.
Caso você tenha se identificado ou queira mencionar outra situação não tão emocionante assim no trabalho com dados, deixe seu comentário.
Leia também:
