Ciência de Dados para Estratégias de Negócios

A disponibilidade dos dados por si só, não garante a tomada de decisões bem-sucedida com base nos dados. Como uma empresa pode garantir obter melhor riqueza de dados? A gestão da empresa deve pensar nos dados de forma analítica, isso não significa que os gestores precisam ser cientistas de dados. No entanto, eles precisam compreender os princípios fundamentais bem o suficiente para prever ou apresentar oportunidades de Ciência de Dados(Data Science).

Pensando em dados de forma analítica

A ciência de dados é tipicamente um termo abrangente que engloba análise avançada de dados, mineração de dados, aprendizado de máquina e várias outras áreas relacionadas, que tem objetivo de extrair conhecimento a partir dos dados e transformá-los em estratégias de negócios. Desse modo, é necessário definir algumas etapas para transformar os problemas de negócio em soluções eficientes.

Compreender os problemas de negócios.

Isso envolve obter uma ideia melhor do que a empresa precisa e o que os cientistas de dados poderão abordar para resolver o problema em questão. Assim, para entender e identificar os problemas de negócios, os cientistas de dados formulam perguntas ao trabalhar com os usuários finais e outras partes interessadas. Uma vez que o problema do negócio tenha sido analisado, o cientista de dados pode definir o plano de ação para resolver o problema.

Entendendo os dados.

Para obter insights relevantes a partir dos dados, eles precisam estar consistentes, ou seja, é necessário tratar valores ausentes ou incoerentes. Vários aspectos, como tipo/formato de dados, a quantidade de dados se é suficiente ou não para extrair, importância do recurso ou atributo, métricas importantes para relatar os dados, entre outros, são necessários para compreender o problema de negócios.

Exploração de dados.

Antes de explorar os dados é necessário processá-los, que é tipicamente o processo de limpeza e transformação dos dados brutos em dados que poderemos utilizá-los para a etapa de exploração. A etapa de exploração de dados é normalmente usada para descobrir a essência dos dados de forma visual, a partir de gráficos e análises estatísticas.

Modelagem e avaliação de aprendizado de máquina.

Uma vez que os dados são preparados para construir o modelo, os cientistas de dados poderão projetar um modelo para abordar o problema de negócio. Em seguida, os cientistas de dados normalmente separam os subconjuntos de dados em treino e teste, aplicam o modelo e realizam métricas de validação e avaliação como taxa de erro, precisão, recall, f-score, entre outros, que são usados para medir o desempenho do modelo.

Produto de dados.

Um produto de dados é normalmente a saída de qualquer atividade de ciência de dados. Um produto de dados, em termos gerais, é uma entrega de dados, que pode ser uma descoberta, previsão, insight na tomada de decisão, dashboards, entre outros, que entregam e geram resultados. As empresas podem usar os resultados dessa análise de dados para obter informações úteis.

Dessa forma, podemos concluir que a modelagem de ciência de dados pode ser usada para ajudar a impulsionar mudanças e melhorias nos negócios. Em termos de papel, os “Cientistas de Dados” normalmente interpretam e gerenciam os dados para descobrir as respostas para as principais questões que ajudam as organizações a tomarem decisões objetivas.

Na figura abaixo podemos observar um exemplo dos passos citados anteriormente.

Figura 1: Um exemplo de modelagem de ciência de dados do mundo real para sistema orientado a dados e tomada de decisão. Fonte: Sarker, Iqbal H. “Data science and analytics: an overview from data-driven smart computing, decision-making and applications perspective.” SN Computer Science 2.5 (2021): 1-22.

Conseguir Vantagem Competitiva com a Ciência de Dados

Cada vez mais, as empresas estão considerando como podem obter vantagem competitiva a partir de seus dados. Uma estratégia para competir com base em Data Science é planejar sempre estar um passo à frente da concorrência, como por exemplo estar sempre investindo em novos ativos de dados. Desse modo, você precisa se perguntar como estou ganhando no mercado e como os insights analíticos podem me ajudar a ganhar mais rápido, mais barato, com mais frequência, criando margens maiores.
Considerando um exemplo da Walmart x Amazon. A Amazon, se estabeleceu antes da Walmart como um varejista online, através de tecnologias sofisticadas para atrair clientes, por meio de recomendações personalizadas. Em contrapartida, a Walmart precisou evoluir rapidamente das suas lojas físicas para o mundo online, tornando-se grande concorrente da Amazon, se estabelecendo com tecnologias complementares para apoiar suas estratégias de negócio.

Atrair e Estimular Cientista de Dados e suas equipes

A presença de uma empresa Data Driven pode ser reforçada pela presença de cientistas de dados. Mas como podemos atrair e estimular cientistas de dados para criar grandes equipes?

• Progressão na carreira;
• Oportunidades para desenvolver habilidades técnicas e soft skills;
• Incentivar cientistas acadêmicos, pois geralmente os mesmos estão interessados em aplicações práticas em seus projetos;
• Além das remunerações e benefícios que as empresas podem oferecer;
• Desafios técnicos e de negócios para criar um ambiente que promova o aprendizado e desenvolvimento;
• Notar que seu trabalho está gerando valor para o cliente e solucionando os problemas de negócio da organização.

Propostas e Ideias Criativas para projetos de Ciência de Dados

Uma vez que diferentes pessoas compreendem os princípios fundamentais de Data Science, ideias criativas para os problemas de negócio podem surgir de qualquer lugar, a partir de gestores examinando regras de negócios, até aos funcionários com conhecimento de como determinado processo na empresa funciona. Desse modo, deve-se encorajar cientistas de dados a interagir com funcionários de todas as áreas de negócio, e parte de sua avaliação do quanto estas boas ideias podem melhorar o negócio da organização com Data Science.
Dessa forma os gerentes da área de negócio devem ser capazes de formular propostas para projetos de Data Science e estarem dispostos a responder perguntas, como por exemplo; O problema de negócios está bem especificado? A solução de Data Science resolveria o problema? Está claro como avaliaríamos uma solução?
Além dos gerentes da área de negócio, os cientistas de dados também podem formular perguntas e propor ideias, para auxiliar a solucionar os problemas de negócios da organização.

Maturidade da Ciência de Dados de uma Empresa

Para uma empresa planejar de forma realista esforços de Data Science ela deve avaliar sua própria maturidade em relação aos seus dados, especificamente o quanto os processos utilizados estão bem fundamentados para orientar projetos de Data Science. Em um alto nível de maturidade as empresas trabalham continuamente para melhorar seus processos. Gestores de negócio de tais empresas desafiam a equipe para impor processos que melhorem suas soluções com problemas de negócios. Em contrapartida uma empresa imatura terá funcionários analiticamente adeptos da implementação de soluções espontâneas com base em suas próprias intuições sobre como gerenciar os problemas de negócios da empresa. Uma autoavaliação da empresa sobre a maturidade de ser orientada a dados é complexa, mas é essencial para extrair o melhor das atuais capacidades e melhorá-las.

Referências:
SARKER, Iqbal H. Data science and analytics: an overview from data-driven smart computing, decision-making and applications perspective. SN Computer Science, v. 2, n. 5, p. 1-22, 2021.
FAWCETT, Tom; PROVOST, Foster. Data Science para Negócios: O que você precisa saber sobre mineração de dados e pensamento analítico de dados. Alta Books Editora, 2018.

Recomendação de podcast:
Os Agilistas Episódio #104 Data Science na prática
Os Agilistas Episódio #96 Hype dos negócios: Data Science