O Ciclo de Desenvolvimento Ideal para Data Products: L5 Framework em Ação

Descubra a abordagem estratégica para criar Data Products impactantes e alavancar a inovação guiada por dados na sua organização implementar a cultura de Data Mesh

Disclaimer: Este artigo faz parte da série, “Data Mesh na Prática”, que visa abordar de maneira prática e objetiva como de fato trazer o que temos de literatura para o mundo real.

No cenário atual de análise de dados, a criação de Data Products representa um poderoso impulsionador de inovação e crescimento para empresas em todo o mundo. No entanto, para alcançar o máximo potencial, é essencial compreender e aplicar um Ciclo de Desenvolvimento Ideal para Data Products que garanta eficácia, usabilidade e o impacto desejado dessas soluções. Neste artigo, exploramos as etapas desse ciclo e como elas convergem para a criação de produtos orientados por dados de sucesso.

O Conceito-Chave: O que é um Data Product?

Imagem criada por Vinícius Coimbra via Midjourney

Antes de mergulharmos nas etapas do ciclo de desenvolvimento, é importante elucidar o conceito central: o que exatamente é um Data Product, segundo especialistas renomados? Eles definem:

Um produto que auxilia o atingimento de um objetivo final através do uso de dados. — DJ Patil

Produtos que o objetivo principal é usar dados para alcançar um objetivo final. — Simon O’Regan

Produto de dados é uma aplicação ou ferramenta que usa dados para ajudar o negócio a melhorar suas decisões e processos… Alcançando objetivos de negócios através de decisões baseadas nos insights fornecidos pelos produtos de dados. — Carlo Velten

Em sua essência, um Data Product é um produto que emprega dados como pilar fundamental para conferir valor aos usuários. Ele pode tomar diversas formas, como aplicativos, ferramentas ou serviços, e tira proveito de análises de dados para proporcionar insights, automação e decisões mais fundamentadas.

O Ciclo de Desenvolvimento Ideal para Data Products

A criação de um Data Product de sucesso requer uma abordagem estratégica e meticulosa. Nesse cenário, o ciclo de desenvolvimento desempenha um papel central para assegurar que o produto final atenda às expectativas e entregue valor tangível. Compreendendo e harmonizando os conceitos que permeiam esse ciclo, as organizações podem criar Data Products que impulsionam a inovação e contribuem para o crescimento dos negócios.

O L5 Framework: Estratégica em Evidência

Gráfico explicando o fluxo de cada um dos passos, estágios e fases do L5 framework sendo utilizado para o cgerenciamento do ciclo de vida de u produto de dados

Há aproximadamente uma década, ao unir conceitos de gestão de produtos, agilidade e design thinking, desenvolvi e aprimorei de forma prática a metodologia denominada L5: LAYOUT, LIFT, LAUNCH & LAND, LEARN.

Essa abordagem, inspirada no PDCA, engloba três grandes etapas no ciclo de planejamento, desenvolvimento, entrega e monitoramento de um produto de dados: Discovery, Development, Delivery. Cada etapa contém fases que acompanham a evolução da concretização do produto, viabilizando uma execução eficiente.

Estágio de Layout : Organização estratégica

Na fase de “layout”, orquestramos o projeto e procedemos uma triagem criteriosa, estabelecendo Definition of Ready & Done (DoR / DoD). Essa etapa se desdobra em duas fases:

• Immersion: Aqui, aprofundamos a compreensão da demanda, formulando as primeiras perguntas sobre o Produto a ser desenvolvido, seu público-alvo, entre outros aspectos.
• Ideation & Planning: Nessa fase, avaliamos a viabilidade do produto, colaborativamente com os stakeholders, definindo métricas de sucesso, Definition of Ready e Definition of Done.

Estágio de Lift: Concretização estratégica

O estágio de “lifiting” visa concretizar o que foi planejado na fase anterior, entregando um Produto Mínimo Viável (PMV / MVP). Esse estágio se divide em fases como:

• Experimentation: Aqui, conduzimos testes de conceito (POC), avaliações de viabilidade e refinamento do mapeamento para a execução do produto de dados.
• Execution: Nessa fase, efetivamos o desenvolvimento do produto de dados, com regras e requisitos claramente definidos.
• Approval: Nesse momento, validamos as (DoR / DoD) com os stakeholders e planejamos a próxima fase, a de “Launch & Land”.

Estágio de Launch & Land: Lançamento e Aterrisagem Estratégicos

Uma vez que os requisitos foram definidos e aprovados por todas as equipes, ingressamos na fase de lançamento e aterrisagem do produto de dados para uso. Essa fase se desdobra em etapas como:

• Build: Finalizamos o produto de dados, deixando-o pronto para ser implantado e consumido pelos stakeholders.
• Deploy: Realizamos a publicação efetiva do produto de dados em um ambiente produtivo.

Estágio de Learn: Aprendizado Contínuo

Este estágio frequentemente subestimado é vital para o ciclo. Aqui, avaliamos a qualidade do processo e mensuramos o sucesso obtido, gerando insights valiosos para o próximo ciclo. Essa fase se subdivide em:

• Measure: Compilamos, criamos e correlacionamos métricas para monitorar o sucesso do produto de dados entregue e sua capacidade de resolver os problemas descritos no documento de visão do produto.
• Detect: Após um período de medição do produto, avaliamos se ele está sendo utilizado, se as métricas de sucesso estão sendo atingidas e o grau de satisfação. Isso permite que o Data Translator proponha melhorias contínuas ou novas análises derivadas do produto de dados construído.

Entendi as fases, mas como colocar em prática?

Problema Prático: Data Product para o Abandono de Carrinho em um E-commerce

Imagem criada por Vinícius Coimbra via Midjourney

Neste cenário, enfrentamos o desafio do “carrinho abandonado” em um contexto de comércio eletrônico. Nos domínios do e-commerce, é recorrente que os consumidores adicionem produtos ao carrinho de compras durante sua jornada, entretanto, por variados motivos, muitos desses carrinhos são deixados de lado antes da conclusão da transação.

Esse fenômeno pode ser influenciado por fatores como preço, complexidade no processo de checkout, distrações externas ou mesmo incertezas sobre os produtos em questão. A solução desse problema possui uma magnitude vital para os varejistas online, pois a recuperação desses carrinhos abandonados pode resultar em vendas adicionais e proporcionar uma experiência de compra otimizada aos clientes.

Neste contexto, adotaremos a abordagem do L5 Framework para construir produtos de dados que enfrentem esse desafio. Vamos lá?

O que fazer no estágio de Layout?

1. Definição do Problema e Planejamento: Nesta fase, você identifica o problema que deseja resolver com o produto de dados e planeja como abordá-lo. Considerando o exemplo, imagine que você trabalhe para uma empresa de comércio eletrônico e queira reduzir o abandono de carrinho. O problema é o alto número de clientes que colocam produtos no carrinho, mas não finalizam a compra.
2. Aquisição e Coleta de Dados: Aqui, você identifica as fontes de dados necessárias para resolver o problema. No exemplo do comércio eletrônico, você pode coletar dados sobre os itens no carrinho, histórico de compras passadas, informações demográficas dos clientes etc.

O que fazer no estágio de Lift

1. Limpeza e Pré-processamento: Os dados coletados muitas vezes contêm erros, valores faltantes ou inconsistências. Nesta fase, você limpa os dados, trata os valores faltantes e os prepara para a análise. Por exemplo, você pode remover linhas com informações inconsistentes ou preencher valores faltantes com estimativas razoáveis.
2. Análise e Exploração: Aqui, você explora os dados para entender melhor o problema. Usando o exemplo, você pode analisar quais produtos têm mais probabilidade de serem abandonados, qual é o valor médio do carrinho abandonado, entre outras análises.
3. Modelagem e Desenvolvimento: Nesta fase, você cria modelos de dados ou algoritmos para resolver o problema. Para o exemplo do abandono de carrinho, você pode desenvolver um modelo de predição para identificar quais clientes têm maior probabilidade de abandonar o carrinho.
4. Avaliação: Após construir os modelos, é importante avaliar sua eficácia. Usando técnicas como validação cruzada, você verifica quão bem o modelo está performando com dados não vistos anteriormente.

O que fazer no estágio de Launch & Landing

1. Implantação: Uma vez satisfeito com o desempenho do modelo, é hora de implementá-lo em um ambiente real. No exemplo, você pode integrar o modelo ao sistema do site de comércio eletrônico para identificar clientes em risco de abandonar o carrinho.

O que fazer no estágio de Learn

1. Monitoramento e Manutenção: Após a implantação, é necessário monitorar o desempenho contínuo do modelo e fazer ajustes conforme necessário. Isso pode envolver re-treino do o modelo periodicamente com novos dados para mantê-lo atualizado.
2. Iteração e Melhoria: O ciclo de vida não termina na implantação. Com base no feedback e nos resultados observados, você itera no processo, ajustando o modelo e o processo conforme necessário para melhorar continuamente os resultados.

Resumindo

1. A criação de Data Products impulsiona a inovação e crescimento empresarial através do uso estratégico de dados.
2. Um Data Product utiliza dados para entregar valor aos usuários, com aplicações variadas e análise de dados para insights e automação.
3. O Ciclo de Desenvolvimento Ideal para Data Products, baseado no L5 Framework, engloba etapas de planejamento, desenvolvimento, entrega, e aprendizado contínuo.
4. Cada estágio do L5 Framework possui fases específicas, como Layout, Lift, Launch & Land, e Learn, abordando desde a definição do problema até a implementação e melhoria contínua do produto de dados.
5. Através da aplicação do Ciclo de Desenvolvimento Ideal para Data Products, especificamente utilizando o L5 Framework, as empresas podem trilhar um caminho confiante em direção a produtos de dados impactantes.
6. Compreender a importância de cada etapa e adotar uma abordagem estratégica é a chave para transformar análises em ações concretas e gerar resultados significativos no mundo dos Data Products.

Referências que valem a pena

1. Data as a product vs. data products. What are the differences?
2. How to Move Beyond a Monolithic Data Lake to a Distributed Data Mesh
3. A Federated Information Infrastructure That Works
4. Data as a Product vs. Data as a Service
5. Approach Your Data with a Product Mindset
6. Designing Data Products
7. Understanding Data Mesh
8. How to Create Data Products — From Data Scientist to Business Owner

Gostou do texto? Tem alguma dúvida, crítica e/ou sugestão? Use os comentários para me mandar feedbacks e compartilhe com quem interessar sobre o assunto e não deixe de me seguir aqui no Medium e no LinkedIn

Abraços e até mais! ❤