Você sabe qual o papel do BA (Business Analyst) numa equipe de dados?
Você tem ideia do quanto é importante o papel do BA (Business Analyst ou Analista de estratégias de Negócios) numa equipe de dados? Já imaginou que esse papel é fundamental para aumentar a eficiência das iniciativas de dados nas empresas?Sabia que empresas com uma maior maturidade em dados como a Nubank possuem centenas de Business Analysts em seu quadro de colaboradores?
Ao longo de todos esses anos acompanhando o mundo dos dados vejo muitos artigos, posts e threads sobre Data Scientists e Data Analysts, alguns artigos sobre Data Engineers e ML Engineers e poucos artigos sobre Business Analysts, por isso acho muito importante falar mais dessa posição tão importante por aqui.
Você realmente sabe qual o papel do BA (Business Analyst) numa equipe de dados?
Esse conceito pode mudar um pouco de empresa para empresa, mas de uma forma bem resumida e no entendimento que temos hoje um BA, é a pessoa responsável por transformar os insights obtidos nas análises de dados em ações nas diferentes áreas da empresa e aumentando a eficiência dessas áreas.
Uma das maiores fontes de desperdício que vejo em equipes de dados é que em muitos casos o time faz análises incríveis que, infelizmente, nunca se tornam uma ação para a empresa, ou seja, viram um relatório ou estudo esquecido e que nunca vai chegar a agregar valor.
Isso leva as empresas a perder em duas pontas:
1 — Desperdício de tempo e esforço dos analista, cientistas e engenheiros de dados
2 — Desperdício de uma oportunidade que poderia se tornar um diferencial competitivo para a empresa aumentando sua eficiência (essa é geralmente é a maior perda e nesse cenário ela se torna completamente invisível)
Nesse ponto que entram os BAs. Eles são a “ponta” da equipe de dados e utilizam seus conhecimentos em negócios, planejamento de projetos e dados para ajudar as diferentes áreas da empresa a aumentar sua eficiência, através do uso dos dados e da construção de estratégias. Eles não só ajudam a reduzir o desperdício da equipe de dados, mas também tornam os projetos muito mais efetivos, uma vez que tem uma clareza muito maior da área de negócios.
Antes de entrar mais a fundo no papel dos BA’s precisamos falar de um grande problema em projetos de dados: O desperdício
Dificilmente você vai ver o número que eu vou mostrar agora em outras áreas da empresa, mas existe um certo consenso no mercado de que 87% dos projetos de dados nunca vão para a produção, ou seja, quase 90% de todo o trabalho de uma equipe de dados nunca se torna algo prático para a empresa ou algo que gere valor.
Não vou entrar em detalhes de como chegaram nesse número, mas buscando no Google é fácil encontrar reportagens de fontes confiáveis sobre o assunto, se quiser saber mais entre nos links abaixo:
Harvard Business Review: The Dumb Reason Your AI Project Will Fail
Venture Beat: Why do 87% of data science projects never make it into production?
Forbes: Stop Experimenting With Machine Learning And Start Actually Using It
Os artigos acima citam diversos motivos que levam os projetos de Machine Learning ao fracasso na maioria dos casos, sendo principalmente a falta de alinhamento da solução proposta com o negócio, dificuldade de colocar em produção, falta de conhecimento técnico e alinhamento dos times, mudanças constantes no mercado etc.
E falando mais da nossa realidade, depois de tantos anos atuando na área de dados, participando de eventos e sendo uma das pessoas a frente da maior comunidade de dados do Brasil posso garantir que a situação por aqui é bem parecida.
O que mais vejo nas empresas são áreas de dados começando projetos, montando equipes e passados alguns anos decidem mudar tudo de novo. É como se cada vez precisassem reinventar a roda, trazer um novo executivo que vai fazer o milagre de criar um time de AI e Machine Learning na companhia, mas que na prática acabam fazendo tudo do mesmo jeito, com a diferença de ter começado do zero novamente e deixado a empresa mais alguns anos para trás.
Eu sei que existem inúmeros motivos para isso acontecer, mas sem dúvida nenhuma a falta de resultados consistentes é um desses motivos. Afinal, o que levaria uma empresa a mudar tudo se estivesse tudo dando certo?
Na minha visão e experiência a ausência de resultados em projetos de ML e AI se dá em grande parte pela falta de de conexão entre os projetos e os objetivos das áreas de negócios e vou tentar dar um exemplo prático para que vocês consigam entender meu raciocínio.
Pense em qualquer desafio de Machine Learning, como por exemplo a detecção de anomalias, um dos casos mais comuns e amplamente divulgados. A detecção de anomalias pode ser utilizada para detectar falhas nas indústrias ou qualquer comportamento fraudulento no mercado financeiro. Se a empresa ainda não tem nenhuma iniciativa de machine learning para ajudar nisso é bem provável que isso esteja sendo feito por seres humanos, geralmente utilizando planilhas ou consultas em bancos de dados.
Se é feito por humanos está sujeito a falhas e para escalar, com o crescimento da empresa, vai sempre precisar de mais humanos fazendo esse trabalho, ou seja um risco constante de que o processo falhe ou não atenda toda a necessidade. Se não é feito por ML nem Humanos a empresa já está exposta aos problemas decorrentes desse processo, como fraudes financeiras ou prejuízos na produção.
Agora vamos pensar nesse cenário, se o time de Data Science criar um modelo de Machine Learning para prever falhas ou detectar fraudadores, é provável que não acerte muito no início, imagine que o modelo acerte 70% das vezes (o que é um índice muito baixo). Diante desse modelo um Cientista de Dados pode ficar super decepcionado, pois não conseguiu gerar um modelo otimizado e pode ver isso como um fracasso.
Mas agora vamos pensar sob perspectiva da área de negócios, será que um modelo que acerte 70% dos casos é algo tão ruim? Será que não seria possível incluir o output desse modelo no processo de validação que é feito por um humano?
Tenho certeza que com forte entendimento do negócio é possível encaixar o output desse modelo no processo, de forma a dar mais eficiência para a empresa. O modelo poderia por exemplo fornecer um índice mostrando que aquelas são as máquinas com maior probabilidade de falha e mesmo que erre em 30% dos casos, traria um ganho de eficiência enorme para a equipe de manutenção. E depois com esse modelo em produção a equipe de Data Science poderia ter uma validação supervisionada do seu modelo todos os dias e utilizar esses resultados para melhorar o modelo, chegando a 80% de acerto, 90%, 99% e por aí vai… Mas repare que sem um forte entendimento do negócio, dos processos e sem a capacidade de tornar um insight em ações práticas nada disso teria saído do papel. É aí que entra a importância de um Business Analyst na evolução da cultura de dados da empresa.
Mas qual a diferença do papel de um Business Analyst para um Data Scientist?
Obs: Em primeiro lugar é importante lembrar que estamos em 2020 e aquele velho conceito do Cientista de Dados Unicórnio já foi desmistificado a muito tempo.
(Unicórnio = DS que cuida de todo o pipeline de dados, domina estatística, matemática, programação, coloca os modelos em produção, tem pleno conhecimento da área de negócio, se comunica super bem, gerencia projetos complexos e ainda faz um cafezinho para o time).
Atualmente qualquer empresa que leve os dados realmente a sério já sabe que precisa de uma equipe de dados com diferentes papéis para ter uma cultura sólida de dados, trabalhar na democratização dos dados e tomar melhores decisões (Resumindo: Não dá pra passar a eternidade em busca do Unicórnio e pare de perder seu tempo com isso).
Sendo assim acredito que a principal diferença de um cientista de dados para um analista de estratégia de negócios está no foco.
Enquanto um DS (Data Scientist) está focado em responder perguntas complexas de negócios através da análise dos dados, probabilidade, estatística, modelos de machine learning etc, o BA (Business Analyst) está focado em garantir que toda essa inteligência (e muitas outras geradas por Analistas de Dados, times de BI etc) seja convertida em ações relevantes para os negócios da empresa.
Vou dar um exemplo mais prático, dentro da nossa realidade:
Recentemente nossa equipe de Data Science fez uma descoberta incrível, eles conseguiram comprovar que os clientes da Hotmart que hospedam os cursos online na plataforma Hotmart Club, tem cerca de 3% a menos de reembolso* que os clientes que deixam os cursos em outras plataformas, e os modelos mostraram que isso ocorre devido a várias vantagens que refletem numa melhor experiência do cliente e do primeiro acesso ao curso. (*Estou falando em pontos percentuais, ou seja o cliente chega a perder 3% do total de vendas com essa decisão.)
Olhando só esse trabalho isolado, já parece algo incrível, certo? Poucas empresas conseguem comprovar em números a efetividade da melhoria de seus produtos, e esse tipo de informação deixa qualquer gestor super feliz.
O ponto é que se pararmos por aí, essa informação poderá se tornar apenas uma métrica de vaidade (aquela informação que agrada os gestores, mas que não é refletida em ações práticas na empresa). Mas como fazer que uma informação dessa se torne de fato uma informação acionável?
Vou dar alguns exemplos:
- A equipe de Marketing poderia ampliar a divulgação do Hotmart Club, destacando as vantagens e convencendo cada vez mais pessoas a adotar a ferramenta
- A equipe Comercial poderia criar metas que incentivassem o time a vender mais essa ferramenta, afinal existe uma possibilidade de aumentar em 3% ou mais o faturamento dos clientes
- A equipe de produto poderia utilizar os aprendizados desse produto em outros produtos da empresa que passam por problemas semelhantes na tentativa de otimizar os resultados e ter produtos que promovam experiências melhores
- Além desses pontos, outras áreas também poderiam tirar vantagens dessa informação mas seria necessário alguém com forte entendimento de cada área e perfil analítico para identificar essas oportunidades de forma mais efetiva.
Mas pensando em habilidades, quais seriam as principais diferenças?
Esse é um ponto bem complexo, pois a maioria das empresas ainda está amadurecendo em relação aos dados e testando diferentes modelos, com isso as pessoas podem precisar de diferentes habilidades em diferentes contextos. Para tentar exemplificar pedi ajuda a mais de 8 profissionais que trabalham comigo (Data Scientists, Data Analysts, Business Analysts e gestores de equipes de dados), afinal como sou fascinado pela área de dados acredito na “Sabedoria das Multidões” (obs: foi uma brincadeira, nesse exemplo são apenas 8 pessoas e isso não pode ser considerado uma multidão, mas é também uma oportunidade de compartilhar com vocês esse princípio estabelece que estimativas precisas podem ser obtidas combinando os julgamentos de diferentes indivíduos, quem quiser entender melhor existe até um livro sobre o assunto, link: A Sabedoria das Multidões).
Bom, de forma resumida na realidade da Hotmart acreditamos que os profissionais de DS, DA e BA compartilham de várias habilidades comuns, porém cada papel precisa ter um domínio maior de alguma área específica e num primeiro momento entendemos que se trata de algo próximo disso:
*Obs 1:Essas habilidades são apenas algumas habilidades que acreditamos que sejam críticas para a área de dados, sabemos que existem inúmeras outras habilidades importantes (tanto hard skills quanto soft skills)
*Obs 2: Isso não quer dizer que essa é a verdade absoluta para todas as empresas e nem que não podemos mudar nossa visão com o tempo
*Obs 3: Se tiver críticas ou sugestões são super bem vindas nos comentários, essa é a primeira vez que começamos a nos questionar sobre essas habilidades
Se partirmos dessa análise para definir os diferentes papéis, podemos resumir dessa forma:
Data Analyst: Precisa ter fortes habilidades em manipulação e processamento de dados, consultas em diferentes bases de dados, análise de dados e dataviz. Além disso, seu sucesso está relacionado a um forte conhecimento de negócio e uma boa habilidade de comunicação com as outras áreas da empresa.
Data Scientist: Tem uma maior necessidade por habilidades relacionadas a Machine Learning, forte conhecimentos em matemática e estatística e conhecimentos sólidos em programação para conseguir garantir o impacto de seu trabalho. Ao contrário dos outros dois papéis é necessário um certo conhecimento de Produtização/ML Ops para colocar modelos em produção (ou pelo menos apoiar os Devs e ML Engineers nessa tarefa). Apesar de precisar ter um entendimento do negócio o gráfico mostra que esse conhecimento não é tão profundo quanto dos Data Analysts e Business Analysts principalmente.
Business Analysts: Concentram mais habilidades relacionadas à comunicação, negociação e gestão de projetos. Além disso tem a maior necessidade de conhecimento específico da área de negócios dentre os 3 papéis. Os conhecimentos sobre Machine Learning, programação e consultas a bancos de dados não são tão necessários (mais um motivo para que esses diferentes papéis atuem sempre juntos). Outro ponto curioso é que os conhecimentos em análise de dados e dataviz são tão importantes para um BA quanto para um DS, afinal fazer a leitura e análise de processo e negócios em busca de insights pode ser tão ou mais complexo quanto fazer as análises das features de um modelo de Machine Learning.
Resumo de toda essa bagunça
Nessa análise inicial, no meu ponto de vista fica bem claro o quanto os Business Analysts cobrem gaps de Data Scientists e Data Analysts, principalmente no que diz respeito a execução de transformações dentro das áreas de negócios das empresas e que esse papel é essencial para maximizar o impacto da área de dados na companhia.
Lendo artigos na internet é fácil encontrar autores destacando a importância de gerarmos sempre dados acionáveis para os negócios, mas eu sinceramente acredito que o papel da área de dados deve ir além da geração de dados acionáveis ou insights. Muitas vezes será necessário que a área de dados leve ações concretas para solucionar os problemas da empresa e garantir que essas ações sejam colocadas em prática.
Como falei neste artigo, existe uma distância enorme entre criar um modelo que entrega uma resposta e fazer isso ser realmente utilizado mudando tudo que vier pela frente para garantir isso, o mesmo vale para a geração de insights, gerar conclusões importantes através dos dados é um passo, mas isso só vai ser convertido em valor para a empresa depois que esse insight for convertido em ações práticas ou mudanças em processos, é aí que entra o tão importante papel dos BA’s.
Bom essa é uma discussão que resolvi trazer pois ainda não é tão comum encontrar artigos, vídeos e discussões sobre o papel dos BA’s em equipes de dados, pra mim uma empresa que é referencia nisso no Brasil é a Nubank e eles tem um excelente artigo sobre isso: https://blog.nubank.com.br/analista-business-ba-nubank/
