Razão e Intuição: Analytics no Processo Decisório
A tomada de decisão (decision making) é um processo cognitivo de definição de escolhas realizada a partir de crenças e/ou da avaliação de alternativas que podem ser analisadas de maneira racional e/ou emocional. Este processo faz parte da área de resolução de problemas que por sua vez é desafio constante das organizações, em especial, responsabilidade constante de executivos e líderes.
Historicamente as tarefas de solução de problemas complexos e tomada de decisões importantes eram delegadas aos anciãos de comunidades, uma vez que os mesmo eram a referência maior de experiência e sensibilidade. Prática comum de uma época de informações escassas e lentas onde se utilizavam praticamente a intuição, os conselhos e até as “práticas sobrenaturais” para suportar um processo complexo de tomada de decisão.
Atualmente com o grande volume de informações, foi estabelecida uma nova forma de solução de problemas fortemente sustentada pela tangibilidade dos dados, novas metodologias e sofisticadas ferramentas estatísticas.
O processo de decisório como uma investigação analítica
O processo de tomada de decisões complexas pode ser conduzido como uma investigação analítica, envolvendo etapas muito bem definidas e metodologias estruturadas.
Quem nunca ouviu o famoso “Contra fatos e dados não há argumentos” ?
Uma mudança forte da presença do embasamento racional na composição das componentes decisórias e que atualmente ganhou muita forma com a forte coleta de informações sobre tudo e todos.
As perguntas que fazemos a nós mesmos diante das situações de decisão são suportadas por metodologias técnicas específicas, elaboradas para acompanhar a velocidade e a volatilidade deste mundo atual.
Confira abaixo cada tipo de investigação analítica e seu objetivo foco:
Para cada tipo de análise são utilizadas ferramentas específicas, tais como, medidas estatísticas, análises multivariadas, modelos de inferência, diagrama de Ishikawa, inteligência artificial, heurísticas avançadas, testes A/B, métodos de otimização e muitas outras presentes em disciplinas de gestão, ciências exatas, humanas e tecnologia.
Todas muito suportadas pela disponibilidade de informações que possam construir a base da construção do racional decisório. As organizações que primeiro fizeram uso destas ferramentas e de grandes volumes de informação conseguiram se destacar no mercado.
A superioridade das empresas data-driven
Nos últimos anos podemos observar a promoção da cultura data-driven, que incentiva a geração de conhecimento a partir de dados, foi fator competitivo importante para o destaque das empresas que adotaram estratégias analíticas.
Não por acaso as empresas de tecnologia que já utilizavam dados como matéria-prima de seus produtos disparam em geração de riqueza, com podemos observar na análise temporal da Ranking The World sobre as Top 10 empresas mais valiosas do mundo ou com mais detalhes em cada momento econômico (bolha da ponto com, crise de 2009, big tech,etc) no artigo A Visual History of the Largest Companies by Market Cap.
Racionalidade x Intuição
Não é o objetivo deste artigo promover a supremacia do modo de raciocínio lógico baseado em dados frente a abordagem intuitiva.
A abordagem híbrida que adota as potencialidades das análises técnicas como fomento para a criatividade e o senso crítico que realmente acelera a obtenção de resultados e o crescimento.
Esse assunto é estudado na psicologia como “dual process theory” onde as decisões são resultado da execução de dois processos distintos: inconsciente (emocional) e consciente (racional). Assunto recentemente atualizado e muito bem detalhado no best-seller “Rápido e Devagar: Duas formas de Pensar” de Daniel Kahneman.
Por um lado temos uma parte “intuitiva” responsável pela geração de hipóteses e discussões disruptivas que se complementa com a parte de “dados” responsável pela transformação das bases de dados em insights.
Assim a criatividade e criticidade se unem com a automatização e a inteligência de dados para uma entidade híbrida e complementar. A cada ciclo de análise uma parte retro-alimenta a outra para a geração de mais conhecimento e novas explorações. Assunto muito relacionado ao novo momento da Revolução Aumentada discutido anteriormente no nosso blog.
Business e Data Analytics: Papéis e Competências Convergentes
Cientes da necessidade de se complementar o pensamento intuitivo e criativo com o raciocínio lógico e observador, podemos compor papéis e competências bem condicionadas a estes dois vieses para enriquecer o processo investigativo da tomada de decisão.
Não por acaso, o mercado já adota duas funções que representam muito bem esta composição híbrida para um trabalho exploratório analítico:
- Analista de Negócios (Business Analyst — BA)
- Analista de Dados (Data Analyst — DA)
Quando analisamos profissionais de sucesso nestes papéis, podemos reconhecer características pessoais (soft skills) predominantes. Claro que em determinados cenários as duas funções podem sejam realizadas por um mesmo profissional, ou ainda serem compostos por grupos de trabalho.
Abaixo listamos alguns comportamentos de maior destaque para cada perfil e ilustramos a complementariedade dos papéis:
Analista de Negócio
- Habilidades de comunicação
- Relacionamento interpessoal
- Visão sistêmica
- Leitura de contextos
- Foco em resultado
- Espírito investigativo e questionador
- Disposição para a experimentação
Analista de Dados
- Foco e concentração
- Detalhista e investigativo
- Curiosidade e exploração
- Busca constante por conhecimento
- Resiliência e perseverança
- Comunicação
- Organização
As funções do Analista de Negócio são bem conhecidas por serem já muito atuantes nas organizações desde antes dos anos 2000 quando se difundiram com mais força as teorias modernas de administração e a informatização. Sendo o vetor da transformação das organizações, analisando as situações de negócio presentes e propondo evoluções nas técnicas de gestão e condução das organizações. Um perfil muito oferecido pelas grandes empresas de consultoria de gestão.
Com a popularização recente das tecnologias de Big Data, Cloud Computing e Machine Learning, um novo perfil profissional encontrou destaque no mercado: o Analista de Dados.
O profissional analista de dados reúne competências de tecnologia da informação e estatística avançada para acelerar a transformação de dados em conhecimento competitivo. Além de colaborar na produção de insights estratégicos, como uma evolução do Business Intelligence, colaboram também na produtização de conhecimento oferecendo novas propostas de valor por meio de produtos digitais.
O termo “Data Analysis” surgiu em 1962 com John Tukey, matemático desenvolvedor da FFT (Fast Fourier Transform). Já a terminologia “Data Science” foi proposta inicialmente em 1974 por Peter Naur, mas somente reforçada em 1998 por Chikio Hayasahi como uma nova disciplina em seu artigo “What is Data Science? Fundamental Concepts and a Heuristic Example”. Assim a partir do início dos anos 2000, o termo “Data Science” se popularizou e se tornou uma buzzword que representa a integração da estatística com a ciência da computação. Atualmente muitos utilizam o termo Cientista de Dados para referenciar o profissional de Análise de Dados.
O analista de negócio consegue ter a leitura de cenário, identificar expectativas, provocar hipóteses e perceber como agregar valor enquanto o analista de dados busca evidências, padrões, tendências e relações que possam confirmar as impressões vindas do negócio ou simplesmente despertar novos insights não percebidos pela análise de negócio. Uma troca contínua de perguntas e respostas que reforçam a base de conhecimento para a tomada de decisões estratégicas.
O importante é que a colaboração das competências interpessoais e técnicas destes dois papéis (analista de negócios + analista de dados) é totalmente complementar e agregativa. Nesta parceria podemos identificar a presença da racionalidade e da intuição, que são muito fortemente exploradas pelos analistas de dados e analistas de negócio respectivamente.
As especialidades analíticas de cada perfil
O papel de analista de negócio tem muita relação com a vivência de mercado e conhecimento dos processos organizacionais. Geralmente estes analistas possuem formação na área de negócios e/ou exatas e já atuaram ou possuem grande conhecimento em atividades específicas empresariais, como por exemplo, marketing, recursos humanos, contabilidade, vendas, compras, auditorias, etc. Por isso, geralmente sua especialidade é representada por um processo empresarial. Conhece muito bem todas as interfaces dos processos, stakeholders, fatores de sucesso e possui domínio de metodologias e ferramentas avançadas de gestão e transformação de organizações.
A área de análise de dados possui diversas sobreposições entre suas terminologias e diferentes interpretações por serem conceituadas recentemente e ter bastante apelo mercadológico com suas buzzwords. Assim neste artigo apresentaremos somente as atividades foco de cada sub-área da análise de dados que, de forma geral, seguem o ciclo de vida de projetos data-driven:
- coleta e armazenamento de dados
- análise e exploração
- construção de modelos estatísticos
- apresentação de resultados (dataviz)
- construção de produtos de dados
A seguir apresentamos um modelo mental da organização das especialidades analíticas das áreas de negócio e dados. Apesar de autores adotarem denominações com abrangências distintas ou colocarem tudo dentro do guarda-chuva da ciência de dados é possível perceber uma predominância de alguns termos sob algumas terminologias.
O infográfico abaixo ilustra cada sub-área de domínio para a análise de negócio e análise de dados com suas tarefas de maior relevância.
Após discutirmos as dimensões intuitivas e racionais que se complementam na busca de soluções para problemas complexos, pudemos ilustrar a complementariedade de papéis e competências na formação de um squad analítico responsável por suportar a tomada de decisões.
Discutimos apenas as áreas dedicadas a parte de dados, no entanto não se pode deixar de mencionar as disciplinas de Engenharia e Desenvolvimento de Software que são essenciais para a completa realização do ciclo de vida fornecendo ferramentas e produtos complexos. Nesta disciplina se encontram os desenvolvedores front-end/back-end, DBAs, designers, arquitetos, devops, cyber security, entre outras áreas.
Analytics como estratégia competitiva
Neste artigos podemos verificar a importância das componentes emocionais e racionais em um processo de decisão. Em especial, destacamos a relevância dos aspectos racionais trazidos pela disponibilidade e facilidades propostas pelas recentes tecnologias de dados e a superioridade das empresas que já incorporaram esta evolução.
Reforçamos que a intuição e a racionalidade devem trabalhar de forma complementar sob um processo metodológico científico que passa por um crivo analítico descritivo, diagnóstico, preditivo e prescritivo. Isso realizado por uma composição de equipe multidisciplinar e complementar trazendo as melhores especialidades da área analítica de negócios com as competências da área analítica de dados. Uma equipe que deve constantemente provocar entre si muitas perguntas e respostas de forma a enriquecer o conhecimento na tomada de decisões estratégicas.
Curtiu deste conteúdo ou gostaria de complementar nosso material? Não deixe de deixar seu comentário e compartilhar esse conhecimento!
Conheça outros conteúdos em nosso blog e nos siga nas redes sociais.
Bons insights para você!
Referências:
Learning Data Science: Manage your Team. Linkedin Learning. 2020.
Business Analytics Foundations: Predictive, Prescriptive and Experimental Analytics. Linkedin Learning. 2020.
Qual é o perfil de um analista de negócios?. Website CIO. 2018.
Hayashi C. (1998) What is Data Science ? Fundamental Concepts and a Heuristic Example. In: Hayashi C., Yajima K., Bock HH., Ohsumi N., Tanaka Y., Baba Y. (eds) Data Science, Classification, and Related Methods. Studies in Classification, Data Analysis, and Knowledge Organization. Springer, Tokyo.
