"In God we trust", todos os outros tragam dados!
Aqui no Yara Digital Labs Brazil, temos nossos próprios valores. Eles estão ligados aos valores da empresa, mas quando pensamos em ter nossa própria identidade, temos que olhar para nós mesmos e entender o que é mais importante quando buscamos resolver os problemas dos clientes. Somos filhos de um grande pai, mas temos que andar com os próprios pés.
“In data we trust” é um dos nossos valores. Data-driven tornou-se uma das palavras de usadas hoje em dia — e muitas vezes isso tem sido feito de forma errada.
No meu artigo anterior, dei vida às minhas ideias sobre o futuro da agricultura. No meio desse futuro, como eu vejo, assim como o meio do futuro de qualquer coisa cercada por tecnologia, estão os dados.
Quando você pensa em dados, nós, Product Managers, nos preocupamos com taxas de conversão, números de usuários, usuários recorrentes e muitos indicadores. É assim que nos “comunicamos” com o produto. É como um pai recém-nascido olhando para o seu bebê e tentando descobrir o que está acontecendo em sua mente, mesmo quando ele está dormindo. Esses indicadores são muito importantes e podem nos guiar para aumentar a entrega de valor aos nossos clientes e usuários. Mas este artigo não é sobre isso. É sobre outro tipo de dados.
Os dados, aqueles para medir o nosso produto, também conhecidos como os dados para “aprender”, quando você olha para o ciclo “lean startup” [learn — build — mesure]. Que outra razão para “medir” se não “aprender”? O conjunto de dados por trás da agricultura do futuro — ou outro produto ou serviço de inovação, ou qualquer outra coisa — é o conjunto de dados para “construir”. Talvez a questão mais relevante aqui seja criar algo capaz de “aprender” ou se “adaptar” sem precisar escrever mais linhas de código. O conjunto de dados deve ser usado para não dizer ao nosso time como aumentar a entrega de valor do nosso produto, mas sim para dizer a nosso próprio produto como aumentar isso para nossos clientes.
O próprio sistema pode coletar, aplicar e entregar valor com base no conjunto de dados disponível. O grande desafio é obter conhecimento, tornar esses dados disponíveis. Precisamos saber como as coisas funcionam e trazer a ciência para nos ajudar a resolver essa tarefa. No entanto, não precisamos nos tornar especialistas nessa ciência. Nosso foco é moldar o caminho para disponibilizar os dados certos para coletar. O objetivo do produto é trabalhar em que conjunto de informações que podem ser mais relevantes e possíveis coletar; como interpretá-los, como aprender com eles e como adaptá-los para se tornar algo novo e útil.
O time de produto deve trabalhar como os estudantes de ciências mais dedicados, mas com um objetivo um pouco diferente dos outros alunos. O objetivo é entender o quadro geral. E então, pensar em soluções que podem aprender e se adaptar para resolver problemas e agregar valor ao usuário final.
Há muitas buzzwords nos cercando hoje. Big data, machine learning, inteligência artificial. No entanto, para aplicá-las no mundo real temos que nos concentrar em nosso propósito: aprender. E há algo que ouvi há muito tempo e nunca esqueci: a melhor maneira de aprender algo é ensiná-lo aos outros. Então, em tempos cheios de complexidade, talvez tenhamos que recuar um passo atrás e pensar em como aprender e ensinar — e usar Big Data e Machine Learning é sobre isso. Aprender e ensinar.
Toda grande novidade que nos chega, é cercada por interfaces simples ou mesmo intangíveis. Isso acontece com todos os ótimos produtos. Por trás da grande complexidade que estamos tentando resolver, para o usuário final, a simplicidade é fundamental. Usabilidade pode ser a diferença entre sucesso e fracasso de um produto.
Neste contexto, temos que criar maneiras de coletar os dados certos de nossas fontes e “ensinar” aos serviços que desenvolvemos, como usá-los para cumprir a missão para a qual foram projetados. Medicina é sobre a aprendizagem de um sistema complexo — o nosso corpo. Agricultura é sobre a aprendizagem de um sistema complexo — cultivo de alimentos. Escola é sobre aprender sobre um sistema complexo — ensinar os alunos. Os problemas são muito parecidos, mas nem por isso são fáceis de resolver. Quando falamos de inovação em um sistema complexo, aprender é a chave para começar. Precisamos respeitar e entender a complexidade, e ter um time de produto disposto a aprender, trazendo seu próprio caminho para entender o contexto, definir o problema e chegar na solução. Nós não somos cientistas loucos em seu porão, misturando elementos. O mundo real está lá fora, para entender e criar experimentos, para aprender com as pessoas envolvidas nele, para ouvir mais do que falar. É preciso ir lá fora e ouvir o usuário!
Voltando ao foco nos dados, nossa missão como time de produtos é disponibilizar esses dados para nossos sistemas e ensiná-los a ler e adaptar-se para resolver problemas. Enquanto criarmos sistemas ou produtos apenas para concluir tarefas, não estamos trazendo nenhuma inovação ao mercado. O caminho da inovação é ensinar nossos próprios produtos a aprender com os dados que disponibilizamos e, depois, resolver os problemas por si mesmos. Esta é a melhor maneira de evoluir nossos produtos para continuar resolvendo grandes problemas. Nos “dados” nós confiamos, mas não apenas os dados para ouvir ou assistir, mas para aprender, ensinar e adaptar, e finalmente resolver o problema certo da maneira certa.
