Os segredos para montar uma equipe de análise de dados altamente bem-sucedida.

Leio muito a respeito de como montar e organizar times de análise de dados, e também já montei diversas equipes de BI, Analíticas, CRM, otimização de mídia, entre tantas outras. Equipes de análise de dados que buscam sempre melhorar a performance da empresa em algum aspecto, muitas delas equipes de sucesso, tantas outras nem tanto.
Nesses dias, precisei montar um novo time para um novo desafio que me apareceu aqui na Just (Just a Little Data), e como “não podia errar de forma alguma”, parei por um momento para tentar entender o que tinha dado certo nos melhores times que montei na vida. Nesse exercício, acabei montando uma lista de coisas extremamente importantes para montar um time de análise de dados de sucesso (pela minha experiência e também muita leitura a respeito), e estou compartilhando aqui com vocês.
Entendo que equipes efetivas de dados trazem conjuntos de habilidades multifuncionais diversificadas para atender as prioridades comerciais claramente definidas do cliente, do job, do problema ou oportunidade que tem no momento, sem perder de vista a importância do testar / errar e da educação permanente. Defendo a melhoria contínua sempre! Não se troca o técnico de um time de futebol com 3 meses de trabalho. Também não se troca o time de análise de dados nesse período caso não tenham encontrado nada ainda de relevante.
Uma análise de dados eficaz pode dar às empresas uma enorme vantagem competitiva, porque os gerentes de negócios podem obter novas percepções sobre tendências e comportamentos de clientes que, de outra forma, não seriam possíveis.

O que é necessário para montar e manter uma equipe de alto nível e o que essas equipes devem fazer para ter sucesso?
Nesse ambiente altamente orientado a dados que vivemos, a maneira como as empresas constroem e operam uma equipe de especialistas em análise pode ter um grande impacto nos negócios desde já. Mas temos algumas premissas:
A. As pessoas não são intuitivamente estatísticas
Importante destacar que as pessoas não intuitivamente estatísticas, li isso esse final de semana (02/09/2018) em uma matéria da folha, onde Steven Pinker fala exatamente essa frase, num outro contexto completamente, mas que faz sentido e deixa claro que realmente não somos especialistas em números por natureza. Nem mesmo na forma de consumirmos e interpretarmos notícias.
Caso tenha interesse em ver essa reportagem da Folha de SP, aqui vai.
B. Estamos falando de Data Driven Business Team, de verdade.
Não estamos falando aqui de uma equipe de BI que faz reports e dashboards. Não mesmo. Nem aquele time que vai automatizar os relatórios que hoje já existem, deixando eles mais rápidos. Realmente isso é uma atividade super importante e muitas empresas que conheço estão nessa fase de vida. Acho que todas estão na verdade, independente de maior ou menor maturidade, há muito pra se automatizar ainda. E tudo certo com isso, mas não é disso que estamos falando por aqui. Estamos falando de montar um time de análise de dados que vai ajudar a empresa / cliente a buscar novas oportunidades de negócio de fato.
C. Tenha perseverança
A intuição ainda vence na maioria das empresas. Não vamos deixar de lado que ela é sim importante em muitos momentos da vida, principalmente pessoal. Mas no mundo dos negócios, intuição é igual aposta. E sempre que você apresentar dados para um ambiente onde o “sempre foi assim” ou “estou aqui há 100 anos e sei o que estou falando” vence, não desista meu amigo. Tenha perseverança!
Falo sobre isso e o porquê disso num outro artigo aqui no Medium. Dados x Intuição ou Dados + Intuição? Se tiver interesse, dá uma olhada nele.
Bom, contexto e premissas dadas, vamos ao que interessa.
Passo 1. Deixe bem claro para todos a missão desse time na empresa.
O óbvio e o mais importante antes de começar a montar seu time é você ter exatamente certeza da missão dele. Por que está montando esse time? Qual o papel dele na empresa / cliente / job / campanha.
Uma boa prática e que sempre falo nos meus textos é aprender a fazer as perguntas certas e resolver os problemas comerciais certos. Todo projeto de ciência de dados deve começar como um exercício de consultoria — entendendo o ‘quê’ e ‘porquê’ dele. Além disso, o objetivo em qualquer exercício de análise não pode ser implementar uma ferramenta ou plataforma. O objetivo deve sempre ser projetado para os resultados de negócios corretos, e você pode chegar lá fazendo as perguntas certas.
Ter claro a função desse time é de extrema importância para não cair nessa entrega de report, pois geralmente é o que acontece com as áreas de análise de dados.
Passo 2. O sucesso dos dados começa com a diversidade.
Ao criar uma equipe, não limite o foco apenas para encontrar profissionais de análise de dados. A diversidade é fundamental para o sucesso, e não só eu como vários outros especialistas no assunto falam sobre isso.
“It’s very important to include not only people with analytical skills, but also those with business and relationship skills who can help frame the question in the first place and then communicate the results effectively at the end of the analysis. “Data and analytics are most effective when world-class technology skills are paired with strong functional domain knowledge.”
diz Tom Davenport, um consultor sênior na Deloitte Analytics e autor do livro Competing on Analytics: The New Science of Winning (https://www.amazon.com/Competing-Analytics-New-Science-Winning/dp/1422103323).
Isso pode ser alcançado com uma equipe de diferentes origens de negócios por exemplo. Se sua equipe analítica vai fazer um trabalho para a área financeira, é importante ter um analista financeiro no time e não somente as pessoas de TI ou Coding ou Dados. Caso o trabalho seja para mídia, como não ter um especialista no assunto também no time? Caso o assunto seja como melhorar a eficiência financeira do meu investimento em mídia? Por que não ter os dois? Nem que seja part-time.
O forte conhecimento da ciência de dados é, obviamente, fundamental para qualquer equipe de análise, e deve haver estatísticos, matemáticos e especialistas em machine learning (para trabalhos mais evoluídos e de maior maturidade) na equipe, que entendem algoritmos e como eles podem ser aplicados em dados. Mas também especialistas nos assuntos a serem estudados.
Passo 3. Busque um time com experiência, tanto em análise de dados quanto nas ferramentas que serão utilizadas.
A liderança dessa equipe deve ter experiência nesse papel. A análise de dados é uma arte e uma ciência, e indivíduos mais experientes são mais capazes de aproveitar as ferramentas de uma maneira mais criativa e eficaz do que os novatos hoje em dia.
Os mais novos hoje confiam muito em ferramentas para realizar os trabalhos e menos na própria capacidade deles de analisar os dados. Quem nunca viu um novato trazer um excelente resultado de clusterização de dados, mas não entender ou saber explicar o porquê desse resultado? “Usei a função X da plataforma Y e tenho certeza que está correto!”. Sim, provavelmente até está correto, mas sem base não tem como seguir em frente não?
Já conheci grandes cientistas de dados e/ou estatísticos que fazem tudo à mão também, o que não traz velocidade na entrega do trabalho. Encontrar pessoas que podem executar esses trabalhos de ponta a ponta sem necessariamente usar as mais novas tecnologias, mas que sim compreendam e adotem o valor das ferramentas modernas, é onde foco na busca desses recursos mais experientes.
Passo 4. Prioridades. Nada mais importante do que priorizar o que se quer.
As empresas estão se tornando mais ágeis (tantas e tantas novas metodologias de trabalho ágeis estão aí sendo experimentadas e usadas para isso) e, como no desenvolvimento de um software, encontrar uma abordagem para priorizar o trabalho, decompor a execução em partes digestíveis e claras, desenvolver critérios de sucesso específicos para cada esforço de trabalho e fornecer uma estrutura para comunicação continua com todos os envolvidos no processo é a diferença entre sucesso e fracasso aqui.
A equipe terá mais chances de obter sucesso se conseguir demonstrar o valor de negócio do que faz. O envolvimento com as partes interessadas ajuda a demonstrar o valor do trabalho do time, bem como entender melhor os principais pontos problemáticos nos quais eles devem se concentrar. Os famosos quick wins (muito cuidado com eles, mas sim, eles existem aqui também).
Compartilhar resultados mais cedo ou mais tarde e construir estruturas organizacionais em que as metas da ciência de dados estejam alinhadas com as unidades de negócios que elas trabalham / prestam serviços é uma ótima maneira de criar valor para esse “novo” time.
Passo 5. Enfatizar a experimentação e a inovação.
É muito importante manter uma mentalidade de sempre fazer novos experimentos com o time. São pessoas que geralmente possuem forte lado acadêmico, e isso faz parte do dia a dia e formação dessas pessoas. Não é fácil para elas encontrar soluções disruptivas de negócio da noite para o dia, você tem que dar um passo para o desconhecido, para aquilo que ninguém ainda pensou ou observou.
Ao contrário dos projetos de tecnologia por exemplo que começam com um escopo definido em mente (quase sempre rs), os projetos de ciência de dados começam com um problema e/ou um conjunto de hipóteses que precisam ser testadas em mente. Não há um mapa claro dos processos de antes e depois para desses projetos, e as equipes que são novas na ciência de dados precisam entender e se sentir confortáveis com isso.
Cansei de montar equipes e participar de processos que se passavam duas, três e as vezes 4 semanas e eu não tinha o que reportar para meu cliente ou diretoria sobre o time. Poderia sim mostrar para eles todo o trabalho que foi feito nesse período, mas muitas vezes, zero conclusivo. Que não trazia valor algum — ainda — ao negócio.
E quando se trata de novos times, em novos negócios então… passar 2 ou 3 meses somente “aprendendo” sobre o negócio e o que os dados falam dele é um tempo comum, e muitas vezes as lideranças da empresa / cliente não querem “ter esse custo”. Querem respostas imediatas, e muitas vezes, precisamos de mais tempo para conseguir elas.
Logo, manter a curiosidade é um elemento-chave da análise e da motivação desse time, a necessidade de experimentar novos métodos, novas ferramentas, e sempre analisar os dados por uma nova perspectiva são “rotinas” que não podem deixar de existir nesse grupo de pessoas.
Passo 6. Dados: a base para o sucesso.
Especialistas técnicos no campo de dados vão querer ver um compromisso real da empresa / cliente com suas bases de dados. Conhecer e gerenciar seus dados é fundamental para o sucesso. Sua análise será tão precisa quanto seus dados são precisos. Quando vemos sucesso com nossa própria análise, muitas vezes pedimos que aproveitemos essa análise em relatórios ou painéis, para que os usuários de negócios possam alavancar essas descobertas no dia a dia. Se o seu processo de dados não for confiável ou seus dados estiverem incompletos, seus resultados serão falhos e quaisquer ações tomadas podem ser errôneas. Fora que o pessoal de negócio — quando os dados mostram algo contra eles — adoram dizer “Acho que esses dados estão errados”.
Enfim, aqui é “chover no molhado” como diria Dona Nair, minha avó. Cuidar bem dos seus dados é base para o sucesso do time, pois é a principal matéria prima do mesmo, inclusive de motivação para o trabalho.
Passo 7. Estude. Estude mais. Estude muito mais.
Para acompanhar os desenvolvimentos em rápido processo de análise, a melhoria contínua e o desenvolvimento pessoal são importantes para manter uma equipe vibrante e bem-sucedida. Já citei lá atrás nesse mesmo texto que as pessoas dessa área geralmente possuem uma grande proximidade com a vida acadêmica, e isso é muito importante para elas, e também para você.
A análise de dados está entre o conjunto de campos que mais crescem no mercado, e mesmo que as técnicas de ponta não sejam aplicáveis em todas as situações ou organizações, que não seja aplicado nos seus projetos, isso não significa que seu time não precisa estar atualizado. Isso é muito importante para eles.
Passo 8. Especialização externa sim, mas com equipes integradas.
Muitas empresas recorrem a especialistas externos para ajudar nos projetos de análise. Isso é comum e um excelente caminho para começar um time. Nem todas as empresas possuem em seus budgets ou até mesmo na sua cultura ter esses times, e não se monta um ROI dessa atividade ou área da noite para o dia.
Logo, uma excelente alternativa é começar todo esse trabalho com um time terceiro especializado e integrado ao seu. É importante garantir que os esforços do projeto estejam de fato atendendo às necessidades da sua organização. Apesar de ser um time “terceiro”, ele precisa estar mais do que com a camisa da sua empresa vestida, com acessos aos seus dados como se fosse de casa. Precisa de fato ser de casa.
Terceirizar essas atividades num formato de Data Sprint para um problema específico por exemplo é comum, traz um resultado num curto espaço de tempo, e também visibilidade para os sponsors da empresa ou até mesmo dos seus clientes entenderem a necessidade de se ter um time de análise de dados dedicados a buscar novas oportunidades de negócio, otimização de budget, novos jeitos de fazer o mesmo de uma melhor forma, com mais alcance e menos investimento.
