Construindo um time de Analytics na Loft

A motivação para escrever esse artigo veio de uma realidade que temos na Loft: ao mesmo tempo que precisamos construir em cima de outras soluções, nossa velocidade faz com que as bases se movam bastante — afinal, mudança faz parte da gente e da nossa cultura. Com isso, o time de analytics aprendeu a navegar nessas mudanças minimizando controles que não agregam valor para o momento, e aprendendo a dar visibilidade aos problemas para educar a empresa quando isso virar um problema para escalar.

Image for post
Image for post

Definindo Analytics

Antes de mais nada, vamos definir o que estamos chamando de analytics, já que os termos são usados de forma razoavelmente diferente entre empresas.

Para nós, o time de analytics é aquele que empodera a empresa a tomar decisões baseadas em dados de forma estruturada. É o time que vai criar os conceitos, documentações, transformações e ser uma referência em análises.

Quando falamos de dados estruturados, nem todos os times na empresa precisam disso para usar dados, o time de Data Science sempre vai saber se virar nos dados mesmo sem uma definição clara de conceitos e/ou dados estruturados, mas mesmo esses times ao longo do tempo vão perder performance se a estrutura de dados não começar a ser organizada em algum momento.

E quanto a ser uma referência em análise, o “A” é intencional e necessário. Se a competência de fazer análises não se espalhar pela organização de forma a ter muitos times gerando análises nós teremos falhado na nossa missão. O time de analytics tem a pensar que ser uma referência direcional, e que acaba carregando a missão de subir a barra na qualidade de análises junto com outros times nativamente data-driven.

Então onde queremos chegar?

Com o que é analytics definido já fica fácil imaginar que o objetivo final desse time é ter conceitos claros compartilhados entre os diversos times, com consistência, qualidade e disponibilidade. Fazendo com que outros times possam simplesmente usar o dado sem ter que validar, e acreditando no que está lá sem ter que checar a qualidade.

Quando olhamos para grandes organizações isso se converte em políticas de governança, produtos de validação de dados e identificação de anomalias, controles de disponibilidade e alertas automáticos para todos, e muitas outras funcionalidades que não vem ao caso detalhar aqui.

Image for post
Image for post

Se nossa hipótese de onde queremos chegar é boa, então o problema é fácil né?

Na verdade não! Existem muitos caminhos entre não se ter nada de dados até estar em uma organização com tudo estruturado. O que queremos é achar um caminho onde o time (1) agregue valor ao longo dele, (2) se mantenha enxuto e (3) evite complexidades enquanto elas não agregam valor para o processo.

Vamos separar e descrever abaixo as diferentes fases que já tivemos e/ou imaginamos que vamos ter no nosso time.

fases:

  1. Criação de referências únicas — aceite o caos
  2. Consolidação de blocos de conhecimento — distribuição de responsabilidades
  3. Padronização e instrumentação — escalar sem aumentar o custo
  4. Especialização de funções — nossa melhor hipótese

Cada uma dessas fases será descrita nas seguintes dimensões:

  • Momento da empresa: autoexplicativo
  • Onde esta o valor: onde o valor entregue é percebido pelos times clientes
  • Missão da fase: um milestone importante para alcançar durante essa fase
  • Principais atividades: Quais atividades são recorrentes e uma divisão estimada do tempo
  • Ecossistema de dados: quantidade de usuários, fontes de dados, e complexidade geral do ambiente
  • Como avaliar sucesso: tentando metrificar a evolução

1.Criação de referências únicas — aceite o caos

  • Momento da empresa: a empresa está operando a algum tempo, dados já são usados, mas não existe um time central focado em suportar isso. Processos ainda mudam bastante, mas alguns times começam a ter problemas comparando métricas pois os valores diferem, outros vivem com informações em planilhas e atualizações de relatórios são tipicamente demoradas.
  • Onde está o valor: Disponibilizar a informação. O primeiro grande passo de valor é também o mais óbvio, ter dados é melhor do que não ter. E com isso começar a ter fontes únicas para cada pedaço de informação.
  • Missão da fase: Criar confiança nas informações e entender o processo do negócio para saber representá-lo nos dados.
  • Principais atividades: Nesse momento o time não consegue ter uma visão de longo prazo, o curto e o médio consomem praticamente toda a banda. O principal foco é manter a qualidade do dado acompanhando as mudanças frenéticas de processo, enquanto se mapeia os domínios de dados necessários e quais entidades deveriam existir. A divisão do tempo costuma ser 80% com tarefas de ajustes e inclusões de fontes e 20% dando forma a uma visão rudimentar de entidades analíticas e/ou realizando análises que alavancam muito o negócio.
  • Ecossistema de dados: Poucas fontes de dados, e a maioria das informações consegue ser usada por um usuário típico. Poucas informações dependem de mais de uma fonte e/ou domínio de conhecimento.
  • Como avaliar sucesso: Quantidade de entidades mapeadas que estão estáveis e validadas.

2.Consolidação de blocos de conhecimento — distribuição de responsabilidades

  • Momento da empresa: processos começam a se estabilizar, e com isso as perguntas do negócio começam a evoluir para ficarem mais complexas. Mais times começam a consumir dados.
  • Onde está o valor: Padronização das informações de primeiro grau (aquelas que vem direto das fontes). Acesso da informação mais rápido e sem dúvida, análises entre domínios começam a ser relevantes.
  • Missão da fase: Educar os times responsáveis por criar os dados (normalmente squads), que a qualidade do dado depende deles, construir formas ainda que simplistas de expor os problemas e não tentar resolver todos os problemas do lado do dado, pois isso será um problema adiante.
  • Principais atividades: Revisão de conceitos e criação de documentações e padronizações básicas para evitar que o time se trombe nas mudanças e dependências que começam a surgir. Ainda chegam muitas tarefas, mas começam a chegar problemas mais complexos para o time e a quantidade de stakeholders aumenta quando outros times começam a usar dados. Análises ainda gastam em torno de 20% do tempo do time e outros 80% vão para alinhamento de conceitos e manutenção nas entidades.
  • Ecossistema de dados: A quantidade de entidades de negócio começa a crescer com o negócio se expandindo em mais verticais (é o caso da Loft). E visões entre domínios de conhecimento começam a virar corriqueiras (dados de que dependem de fontes de múltiplas fontes). Esses dados com múltiplas fontes começam a quebrar mais facilmente já que possuem muitas dependências, nasce aqui uma necessidade de instrumentar a validação mesmo que de forma simplista.
  • Como avaliar sucesso: A quantidade de usuários engajados com as soluções dadas pelo time começa a ser uma forma boa de medir o sucesso.

3.Padronização e instrumentação — escalar sem aumentar o custo

  • Momento da empresa: O momento da empresa começa a ser dividido entre uma parte com mais controle de processos e consolidado, enquanto outras partes estão nascendo e utilizando o que já existe e criando processos novos.
  • Onde está o valor: Acessibilidade de informação entre assuntos vira crítico, e a disponibilização de informação curada é crítica.
  • Missão da fase: Construir a base para a governança dos dados junto com times de tecnologia, instrumentar para identificar problemas antes que eles impactem o negócio.
  • Principais atividades: Criação de soluções para a entrega de dados (muitas vezes através de dashboards, mas não somente), em vez de tarefas as demandas começam a ser problemas mais complexos. O time começa a ter realidades diferentes dentro de cada domínio, mas para manter a unidade do time e aumentar a sua produtividade começamos a desenvolver soluções e padrões que deixam mais fáceis de entender códigos e informações de diversos domínios. A padronização junto com análises críticas consomem os outros 50% do tempo. Essa padronização permite o time escalar sem aumento de pessoas em excesso.
  • Ecossistema de dados: O ambiente entra em um patamar de complexidade mais alto, a necessidade de um time mais técnico surge e ele pode nascer de uma subdivisão do time de analytics ou de um time dentro de tecnologia que ajuda a suportar a governança e instrumentação da qualidade dos dados.
  • Como avaliar sucesso: Mantemos o engajamento dos usuários como uma métrica de sucesso e começamos a medir indicadores de produtividade alavancando que o time começa a ter uma visão de médio prazo das atividades e deixa de ser tão tarefeiro.

4.Especialização de funções — nossa melhor hipótese

  • Momento da empresa: Parte da empresa está consolidada, e outros negócios começam a ser construídos em cima da cadeia de valor deles.
  • Onde está o valor: Entrega de insights para as unidades consolidadas, com muitas análises de melhoria e impactos cruzados das unidades dependentes. Ao mesmo tempo que novas unidades começam a se utilizar do ecossistema desenvolvido até então.
  • Missão da fase: Encontrar oportunidades para o negócio, aumentar a relação de produtividade, atendendo cada vez mais áreas com uma quantidade constante ou até menor de analistas.
  • Principais atividades: O time chega em uma massa crítica onde o time que atende a cada unidade de negócio passa a viver a realidade delas de forma mais próxima, e análises e identificação de insights consome a maior parte desses times. Surge a necessidade de um time central para ter uma visão de soluções para os times que estão dentro do negócio, e continuar evoluindo padronizações e soluções. Esse time mantém instrumentações e traz provocações sobre aumento de produtividade e redução de custos de ferramentas.
  • Ecossistema de dados: Apesar da complexidade as instrumentações necessárias estão funcionando, e as evoluções são incrementais. Surge a oportunidade de desenvolvimento de ferramentas de dados internas para melhorar a escalabilidade / custo da operação.
  • Como avaliar sucesso: Engajamento com múltiplas ferramentas continuam sendo relevantes assim como NPS dos usuários sobre elas, surge a possibilidade de mensurar impacto causado por sugestões do time em termos de receita. O time central começa a ser avaliado em função de produtividade dos times atendidos.

Finalizando

Essas fases foram pensadas / definidas baseado em alguns anos de experiência em áreas de analytics, muitos artigos lidos (desculpem pela falta de referências, nenhuma foi 100% direcional, mas muita coisa ao longo do tempo contribuiu), e mais importante entender a Loft e sua cultura e entender o que funcionaria melhor.

Uma forma que vemos grandes conceitos evoluindo ao longo dessas fases está representado no gráfico abaixo (eixo y genérico só para dosar a intensidade dos esforços e tempos).

Image for post
Image for post

Conseguimos perceber que ao longo do tempo a dor causada pela falta de qualidade / governança cresce de forma a comprometer muito do tempo do time. Esse é um momento onde competências mais técnicas entram em jogo para devolver a produtividade ao time, e permitir a evolução para um patamar mais saudável.

Na Loft entre diversas unidades de negócio temos um cenário misto, alguns negócios vivendo o final da fase 1, alguns já no final da 2, início. Como a necessidade da qualidade de dados para os mais adiantados se transforma em um ponto crítico, os demais negócios vão poder escalar sem precisar da criação de um ferramental dedicado ao longo do tempo.

A etapa 4 apesar de ainda parecer distante no nosso dia-a-dia, trás um pouco da nossa visão do que esperamos que alcancemos. Nesse momento o foco do time começa a se voltar de forma mais intensa a suportar análises e o tempo gasto com a manutenção das estrutura de dados se estabiliza.

No final, a infra-estrutura, a parte técnica de nada adianta se ela não for útil para o negócio. Certamente nosso caminho não é o único e provavelmente não é nem o melhor, mas foi o que funcionou na nossa realidade. Esse artigo traz um pouco do que fizemos e do que vislumbramos para o futuro. E aí, o que achou? Tem experiências diferentes?

Ficou com vontade de fazer parte da Loft?
Se inscreva nas nossas vagas! — https://jobs.lever.co/loft/

Loft

Espaço para compartilhar o que acontece de inovação e…

Tiago Naviskas Lippi

Written by

Just a Curious Mind

Loft

Loft

Espaço para compartilhar o que acontece de inovação e tecnologia na Loft Confira nossas vagas: https://jobs.lever.co/loft

Tiago Naviskas Lippi

Written by

Just a Curious Mind

Loft

Loft

Espaço para compartilhar o que acontece de inovação e tecnologia na Loft Confira nossas vagas: https://jobs.lever.co/loft

Medium is an open platform where 170 million readers come to find insightful and dynamic thinking. Here, expert and undiscovered voices alike dive into the heart of any topic and bring new ideas to the surface. Learn more

Follow the writers, publications, and topics that matter to you, and you’ll see them on your homepage and in your inbox. Explore

If you have a story to tell, knowledge to share, or a perspective to offer — welcome home. It’s easy and free to post your thinking on any topic. Write on Medium

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store