E-book: Guia de introdução à Cultura de Data Analytics.

E-book:
Guia de introdução à
Cultura de Data Analytics.
Versão 1.0

1
©2017 Aquarela Inovação do Brasil S.A - Todos os direitos reservados
 E-book: Guia de introdução à Cultura de Data Analytics.

A onda data analytics chegou

e fará muitas mudanças nos
cenários de negócios no Brasil.

As 7 fases para o (paraiso) Data Analytics:

As empresas, de um modo geral, já estão buscando
formas de se adequar às novas oportunidades
geradas pelas ferramentas cada vez mais poderosas 1 - Conscientização
de análise de dados. Neste caminho, a Aquarela
desenvolveu um conjunto de melhores práticas para
acelerar a materialização de uma cultura de dados 2 - Definição dos early adopters
nas empresas, o que torna as decisões cada vez mais
pautadas em dados
3 - Capacitações em massa
Neste Ebook focamos nos 7 principais processos
da metodologia DCIM (Data Culture Introduction
Methodology), desenvolvida pela Aquarela, que
4 - Projetos prototípicos
introduz a cultura do Data Analytics no seu negócio.

Acreditamos que o maior número possível de

5 - Implementação em produção
indivíduos, em todos os níveis da empresa, devem
conhecer o poder das análises de dados, como senso
comum na organização.
6 - Mensuração e divulgação
7 - Replicação

2
©2017 Aquarela Inovação do Brasil S.A - Todos os direitos reservados
 E-book: Guia de introdução à Cultura de Data Analytics.

1 - Conscientização
O processo de conscientização começa pela alta gestão para depois se disseminar
na empresa. A disseminação acontece por meio de workshops, internos ou
externos, utilizando cases de sucesso nas áreas de atuação/verticais da empresa,
de forma a mostrar na prática as vantagens da adoção de uma cultura de dados.

Recomenda-se o alinhamento com a equipe de marketing para gerar newsletters

internos sobre o tema também e a criação de grupos de interesse e discussão e
até de estudo sobre o tema Data Analytics.

Uma outra dica é aproximar a organização das comunidades

de prática, como grupos em universidades ou mesmo grupos
autogeridos de Data Science mantidos em canais de Facebook
e outros. Já vimos casos interessantes onde as empresas
apoiam esses grupos externos oferecendo até espaço para
reuniões mensais com coffee-breaks.

Embora esse investimento (em Data Analytics) é de difícil mensuração, tal como
é a cultura de dados. São essas práticas que estão de fato gerando mudanças nos
níveis de maturidade dos profissionais e consequentemente gerando negócios,
parcerias e disseminação do conhecimento.

3
©2017 Aquarela Inovação do Brasil S.A - Todos os direitos reservados
 E-book: Guia de introdução à Cultura de Data Analytics.

2 - Definição das equipes evangelistas

(Early adopters)

Apenas 2% da população apresenta um desejo constante por novidades. Estes

perfis são essenciais para auxiliar na absorção das novas tecnologias do mercado
(não apenas de data analytics).

Recomendamos que o RH identifique estes perfis nas interações dos grupos de

interesse formados na etapa 1 (conscientização) para a formação de um time de
inovação com foco na introdução das melhores práticas de Data Analytics. Estes
irão compor a linha de frente da pesquisa e validação das soluções e expansão do
conhecimento interno.

Os 3 principais papéis são:

• BS - Business Specialist - Conhecedor(a) do negócio que expressa as dores e

oportunidades do mercado.
• DO - Data Owner - Responsável pelo acesso aos dados da análise.
• DT - Data Transformer - Perfil técnico com conhecimento profundo de técnicas
de extração e transformação de dados.

4
©2017 Aquarela Inovação do Brasil S.A - Todos os direitos reservados
 E-book: Guia de introdução à Cultura de Data Analytics.

3 - Capacitações em massa + Hackthon

Em nossa experiência como consultores em diversas empresas, temos uma
impressão de que os melhores projetos de data analytics tendem a ser executados
por times extremamente multidisciplinares e com baixa hierarquia entre os pares.

Para ajustar os times é fundamental que o processo de capacitação incorpore

conhecimentos em níveis básicos, para alinhar todos os integrantes, desde
aspectos de vocabulário de data analytics até as novas possibilidades geradas por
ferramentas de análise. Isso cria a oportunidade para alinhamento e disseminação
do vocabulário e de conhecimento entre os envolvidos, o que melhora a qualidade
da comunicação.

Consultores e gestores trabalham com planilhas e

entendem os termos: “linhas e colunas”; já programadores
dizem “registros” e “variáveis”; cientistas de dados falam
“amostras” e “dimensões. O que acontece é que todos
estão falando sobre a mesma coisa, mas nem sempre os
envolvidos têm consciência dessas diferenças.

Na sequência, é pertinente executar um levantamento de cursos disponíveis em

diversos níveis, do mais técnico aos mais gerenciais, assim como um listar as
principais tecnologias (bancos de dados, linguagens de programação, sistemas de
CRM, ERP e etc) adotadas pela empresa para então fazer a alocação mais adequada
possível das tecnologias, aos cursos e papéis das pessoas em cada iniciativa de
data analytics.

Ao final das capacitações, recomenda-se praticar os novos conhecimentos com

dados reais, para além de ajudar a fixar o conhecimento sobre os conteúdo e
integrar as equipes, formar a plano dos primeiros projetos de Data Analytics.
5
©2017 Aquarela Inovação do Brasil S.A - Todos os direitos reservados
 E-book: Guia de introdução à Cultura de Data Analytics.

4 - Projetos Take off

São projetos iniciais, concebidos pelos grupos de análise recém treinados. Estes
projetos devem ser acompanhados por pessoas (consultores) com alguma
experiência como cientista de dados em projetos de análise e mineração de
dados. Esta experiência não é necessariamente relacionada a projetos de
desenvolvimento de software ou projetos geridos por metodologias de gestão de
projetos, embora ambos conhecimentos possam ser úteis.

Os tempos destes projetos devem ser curtos, não estendendo-se

a mais de 6 semanas. Do contrário é necessário uma revisão do
escopo do projeto e das expectativas.

Em geral, os primeiros projetos em uma organização costumam gerar grandes

expectativas. Porém, sem se ter certeza do nível de maturidade do dados e dos
processos da organização, é preciso tomar cuidado com insights precoces. Por
isso, a DCIM sugere a realização de projetos prototípicos, de prazo reduzido e
escopo limitado, como uma forma de introduzir a cultura de data analytics ao
mesmo tempo que também serve para ajustar as expectativas.

6
©2017 Aquarela Inovação do Brasil S.A - Todos os direitos reservados
 E-book: Guia de introdução à Cultura de Data Analytics.

5 - Implementação e produção

Do ponto de vista do seu negócio, é nesta etapa em que o processo teórico,

modelado na fase 4, é colocado em prática. É aqui que a geração de valor acontece
com alterações de fato na operação da empresa/negócio. É importante, no
entanto, buscar todo o apoio técnico/politico nescessário para que as mudanças
aconteçam.

A fase de implementação têm pelo menos três desafios importantes:

• Obter permissão para mudanças em processos em operação;

• Definir métricas para mensuração de resultados;
• Integrar sistemas.

Atenção! Esses três desafios têm desdobramentos que vão muito além do
ambiente de testes, gerando riscos que devem ser previamente mapeados.

7
©2017 Aquarela Inovação do Brasil S.A - Todos os direitos reservados
 E-book: Guia de introdução à Cultura de Data Analytics.

6 - Mensuração e divulgação dos resultados

Existem diversas métricas utilizadas para mensurar os resultados de Analytics,

embora existam recomendações e boas práticas, cada organização tem seu próprio
público, processo e conjuntos de dados (Data DNA).

Uma das formas mais utilizadas e genéricas de avaliação posterior à análise dos
dados é a aplicação de testes A/B. Esta técnica é muito utilizada em áreas como
marketing digital e pode ser facilmente incorporada nos cenários de analytics,
principalmente em situações em que a captura dos dados se dá de maneira
automatizada.

Na visão de Data Analytics, o teste A/B consiste em dividir os cenários de análise

de modo que seja possível verificar se algum ajuste administrativo pós-análise
gerou, de fato, o retorno esperado em relação à outra parte da amostragem, que
não recebeu a alteração. Depois, mede-se qual das duas amostras apresentou
melhor desempenho e permite escalar ou não o modelo.

A seguir apresentamos um case de sucesso

utilizando o processo descrito neste guia:

8
©2017 Aquarela Inovação do Brasil S.A - Todos os direitos reservados
 E-book: Guia de introdução à Cultura de Data Analytics.

CASE:
Redução de faltas em agendamentos médicos com inteligência artificial:

Em conjunto com a Prefeitura de Vitória - ES,
realizamos uma análise com 1.575.487 (um milhão,
quinhentos e setenta e cinco mil) registros de
agendamentos médicos, colhidos em dois anos
(2014 e 2015) e um total de 474.833 (quatrocentos e
setenta e quatro mil oitocentas e trinta e três) faltas.
Este volume de faltas corresponde à 30,14% do
total de consultas. O objetivo era reduzir a taxa
de faltas, que corresponde a um prejuízo anual
de aproximadamente R$ 19,5 milhões aos cofres
públicos.
A abordagem de testes, neste caso, foi selecionar dois hospitais com
as características mais comuns (normais) no município, para formar
o grupo que recebeu a implantação dessas alterações. Após um mês
de coleta de dados, a avaliação comparativa entre o grupo que sofreu
alterações e o grupo de controle mostrou uma redução nas faltas
de 6,6% em relação às demais unidades de saúde. Assim foi possível
fazer a expansão do modelo para outras 43 unidades de saúde, com
uma meta de gerar uma economia mínima aproximada de R$ 1,3
milhões no primeiro ano da implantação.

Assim, após gerar as análises conclusivas sobre

os dados, foram elencadas 5 medidas de alteração
no processo de gestão. Um exemplo de alteração
realizada foi a introdução de um novo sistema de
check in via aplicativo, ao invés do envio de SMS,
como era feito anteriormente.

9
©2017 Aquarela Inovação do Brasil S.A - Todos os direitos reservados
 E-book: Guia de introdução à Cultura de Data Analytics.

6 - Mensuração e divulgação dos resultados

Após ter em mãos os impactos gerados pelos testes A/B, o cientista de dados deve desenvolver conteúdos
– como relatórios e dashboards – para a divulgação dos resultados. Não é possível terceirizar conteúdos
relevantes de análise de dados, estes devem ser feitos pelos próprios cientistas, que por sua vez precisam
constantemente aperfeiçoar sua capacidade de expressão em linguagem natural.

Neste processo de obter e analisar dados, gerar insights, testar e validar, ainda é necessário transformar as
experiências em conteúdos de fácil entendimento para o público geral. Este é um ponto fundamental para a
conformação da cultura de Data Analytics e que necessita de profissionais experientes nas áreas de sistemas,
estatística e design gráfico.

Raramente o mesmo profissional é capaz fazer todas estas tarefas com qualidade ou em um tempo aceitável e
competitivo, por isso é necessária a integração das equipes de análise com a turma do design e marketing para
gerar conteúdos não técnicos e esteticamente agradáveis, motivando assim novas análises e a manutenção da
cultura de dados.

Clique aqui e leia na íntegra o case de Vitória em nosso blog.

10
©2017 Aquarela Inovação do Brasil S.A - Todos os direitos reservados
 E-book: Guia de introdução à Cultura de Data Analytics.

7 - Replicação
A possibilidade de replicação de um projeto é o que permite a elaboração e
execução de novos projetos de forma cada vez mais otimizada. Nesta fase, poucos
projetos chegam com 100% (cem por cento) de possibilidade de replicação. Isso
se dá porque, como já descrito anteriormente, cada análise tem seu próprio DNA
e complexidade. Apesar disso, do ponto de vista de gestão do conhecimento, as
lições aprendidas devem permanecer.

Tipicamente processos que permanecem por mais tempo são aqueles associados
à cultura: os times continuam com o costume de coletar a informação da forma
correta e documentam cada passo e cada análise e os padrões de manutenção do
conhecimento começam a se cristalizar. Uma das dicas mais importantes é utilizar
sistemas de controle de versão e ter uma organização bastante efetiva das pastas,
de modo que seja possível fazer o seguinte teste:

“Selecione um projeto que possui pelo menos

5 anos de existência, ele está tão bem
documentado a ponto de ser viável utilizá-lo?”

No final, análises de dados implementadas em processos representam um conjunto

de trabalhos direcionados à gestão do conhecimento: criação, uso e manutenção
de artefatos criativos. Isso gera muito valor à organização e eleva o seu nível de
maturidade.

11
©2017 Aquarela Inovação do Brasil S.A - Todos os direitos reservados
 E-book: Guia de introdução à Cultura de Data Analytics.

Conclusão:

Neste ebook, procuramos resumir os principais aprendizados da

Aquarela ao longo de sua trajetória, do ponto de vista metodológico
e estratégico. Não abordamos assuntos sobre tecnologias, pois
os processos de introdução à cultura de dados representam
estratégias de médio e longo prazo, que atingem facetas de negócio
essencialmente atreladas à capacitação de pessoas e a processos
de gestão, cada vez mais horizontalizados e multidisciplinares.

A principal visão é de que a cultura Data Analytics, diferentemente

da onda da informática nos anos 90 – que por muitos anos foi um
trabalho exclusivo dos times de TI –, deve ser o mais disseminada www.aquare.la | falecom@aquare.la
possível dentro das organizações, uma vez que os dados podem +55 48 3304 1137
ser gerados e analisados de forma cíclica e assíncrona em todas as
frentes e por todas as pessoas.

Icone da capa - SimpleIcon - www.flaticon.com

12
©2017 Aquarela Inovação do Brasil S.A - Todos os direitos reservados