Como criar produtos de Data Science que enriquecem o negócio?

Quando fui convidada para falar sobre esse tema no Hot’n’Code, dois sentimentos surgiram quase que instantaneamente. O primeiro foi a alegria de poder compartilhar algo que vivencio todos os dias desde que me tornei cientista de dados na Hotmart. O segundo foi ̶o̶ ̶d̶e̶s̶e̶s̶p̶e̶r̶o̶ a ansiedade de conseguir sintetizar em uma palestra um tema com tantas camadas.

Como não me arriscaria em levar somente meu ponto de vista para essa palestra, antes de começar a esboçar as linhas gerais da apresentação, fui pedir a iluminação dos melhores cientistas de dados que conheço: meus colegas de trabalho. Apesar de cada um elaborar esse tema a partir de uma vivência diferente, teve algo de unânime em todas as conversas: a pergunta central desta palestra não é algo que conseguimos responder de forma simples e trivial.

Depois de pensar com cada um deles sobre como, no nosso dia-a-dia, fazemos para criar produtos de data science que enriquecem o negócio, cheguei na conclusão que o sucesso dos projetos em que estamos envolvidos tem muito mais a ver com a nossa disposição em entender profundamente o negócio, mergulhando na realidade daqueles que vão utilizar nossa solução, do que com as técnicas de estatística e aprendizado de máquina que tradicionalmente estudamos.

É importante notar que não estou dizendo que todo o arcabouço teórico que vamos usar para desenvolver nossa solução não seja importante. Ele é. E muito. O ponto que estou trazendo é que uma solução de data science que realmente impacte o negócio não vai se encerrar na técnica em si. A técnica é essencial. É talvez onde nós, cientistas de dados, nos sentimos mais orgulhosos da solução que pensamos. Mas não é a técnica sozinha que vai fazer um projeto ter início, meio e fim. Muito além disso, não é a técnica por si só que vai fazer com que nosso projeto seja concluído com aquela sensação de “deu tudo certo”.

Sem dar muito spoiler do que vamos conversar no dia 07 de junho às 15h, acredito que podemos sintetizar que as soluções de data science que verdadeiramente impactam o negócio são atingidas quando nós, cientistas, nos comprometemos em:

1. Entender o negócio A FUNDO. Precisamos conversar com os times que vão usar nossa solução quantas vezes forem necessárias e perguntar e perguntar e perguntar mais um pouco. Quase como em um processo de colocar esse time no microscópio e enxergar todas as suas nuances. É só dessa maneira que conseguimos entender os reais problemas que precisam ser resolvidos para propormos soluções que atinjam a raiz dos problemas.
2. Trazer todos os envolvidos no projeto para a mesma página, dialogando com cada um de forma clara. Um projeto de ciência de dados vai envolver pessoas das mais variadas áreas: do negócio aos times técnicos. Estabelecer uma comunicação capaz de ser entendida por tanta gente não é tarefa fácil, mas é tarefa essencial. Sem a linguagem adequada, dificilmente vamos conseguir manter os times engajados no projeto até o final.
3. Ter prudência no desenho geral do projeto. Nosso cliente final precisa de um modelo preditivo ou de um modelo que o ajude a entender o negócio? Os dados que precisamos para elaborar a nossa solução existem? Se não, como podemos propor para as áreas técnicas a obtenção e tratamento desses dados? Como nossa entrega vai acontecer? É um modelo que roda diariamente? Como nosso cliente final vai consumir nossa solução? Será através de uma query, de um dashboard ou de uma API? Eu sei que são muitas perguntas, mas todas elas nos ajudam a enxergar o todo para que o projeto caminhe de um modo mais leve.
4. (isso aqui é ouro) Traduzir todos os achados técnicos para métricas de negócio. Os times que vão usar a solução final não estão muito interessados em acurácia, recall e precisão. Eles querem entender, no fim das contas, o quanto aquela solução resolve o problema apresentado. Qual o retorno financeiro esperado se a solução for utilizada? Quanto de dinheiro vamos economizar? Vamos conseguir reter qual porcentagem de clientes caso o modelo se comporte conforme o esperado? São inúmeras maneiras de traduzir as métricas de um modelo para uma métrica acionável e tudo vai depender do problema original. Contudo, é essencial ter em mente que se não tivermos uma métrica palpável e que mostre valor para o negócio, dificilmente teremos a confiança dos times envolvidos para que a solução seja consumida.
5. Por fim, mas não menos importante: aceitar que NENHUM projeto de ciência de dados é linear. Vamos andar em círculos… MUITAS VEZES. Vamos ter mais linhas de código na nossa lixeira do que no arquivo final-model.R (sim, na batalha R x Python, o R ganhou meu coração 🤓). Vamos precisar conversar com muita gente pra realmente entender como ligar todos os pontos e vamos achar, em algum momento, que tudo o que pensamos até então está errado. A vida do cientista é isso. Ouso dizer que se não for assim, não é ciência o que estamos fazendo.

Como falei no começo, esse tema é tão complexo que é impossível explorar tudo em um único artigo. Por isso, espero vocês no dia 07 de junho pra gente trocar experiências e aprofundar ainda mais em como entregar valor através da ciência de dados!

Compre o seu ingresso com 40% de desconto com o cupom TROOPER40.

Confira também a campanha Mulheres em Tech, que oferece 50% de desconto para mulheres em qualquer um dos ingressos. Usem o cupom WOMENTECH e garanta seu lugar!

Clique aqui para adquirir o seu ingresso!