Guia do líder para análise de dados

São Paulo - Nos últimos anos, a ciência de dados tornou-se uma ferramenta de negócios essencial. Com o acesso a enormes quantidades de dados — graças à computação avançada e à "internet das coisas" — hoje as empresas podem medir todos os aspectos de suas operações nos mínimos detalhes.

Entretanto, muitos líderes empresariais, sobrecarregados com essa enxurrada constante de métricas, estão relutantes em se envolver no que veem como um processo técnico.

Para Florian Zettelmeyer, professor de marketing e diretor do programa de análise de dados da Kellogg School, os gerentes não deveriam ver a analítica como algo fora de seu escopo. "As habilidades mais importantes em analítica não são habilidades técnicas", afirma.

"O que são é a capacidade de raciocínio". Não é preciso ser um gênio da matemática ou um mestre da computação para lidar bem com analítica; em vez disso, é preciso o que Zettelmeyer chama de "um conhecimento prático" da ciência de dados. Isso significa ser capaz de separar os bons dados dos dados ruins, e entender onde exatamente a analítica pode agregar valor.

Um conhecimento prático da ciência de dados pode ajudar os líderes a transformar a analítica em genuíno insight. Ele também pode poupá-los de tomar decisões com base em suposições equivocadas.

"Quando a analítica erra", diz Zettelmeyer, "a principal razão é que dados que não resultaram de experimentos foram apresentados como se tivessem resultado", diz ele. "Mesmo para análises preditivas e prescritivas, se a pessoa não entender os experimentos", adiciona, "ela não entende analítica".

Comece pelo problema

Muitas vezes, afirma Zettelmeyer, os gestores coletam dados sem saber como irão usá-los. "É preciso pensar na geração de dados como um imperativo estratégico", diz ele.

Em outras palavras, a analítica não é uma prática empresarial à parte; precisa ser integrada ao próprio plano de negócios. Seja lá o que uma empresa optar por medir, os resultados só serão úteis se a coleta de dados for feita com um propósito.

Como todas as investigações científicas, a analítica precisa começar com uma dúvida ou problema em mente.

Seja uma empresa de software que deseja melhorar sua campanha de publicidade, ou uma empresa de fast food que deseja otimizar suas operações globais, a coleta de dados deve coincidir com o problema empresarial específico em questão.

"Não se pode simplesmente esperar que os dados criados de maneira incidental ao longo da condução dos negócios sejam o tipo de dados que levará a avanços", diz Zettelmeyer.

"Embora seja óbvio que alguns tipos de dados devem ser coletados — por exemplo, o comportamento de navegação dos consumidores — as interações com os clientes devem ser concebidas com a analítica em mente, a fim de garantir a obtenção das medições necessárias".

Os gestores também não podem esperar que os cientistas de dados assumam a liderança. Em última análise, é responsabilidade do gestor decidir quais problemas precisam ser resolvidos e como a empresa deve incorporar a analítica em suas operações.

Afinal, são os executivos que precisam tomar decisões; portanto, devem desempenhar um papel central na determinação do que medir e o que os números significam para a estratégia global da empresa.

Entender o processo de geração de dados

"Há uma visão que, como a analítica se baseia na ciência de dados, ela de alguma forma representa a verdade desencarnada", diz Zettelmeyer. "Infelizmente, isso é simplesmente incorreto".

Portanto, como os líderes podem aprender a diferenciar entre analítica boa e ruim? "Tudo começa com a compreensão do processo de geração de dados", diz Zettelmeyer. "Não se pode julgar a qualidade das análises se não tiver uma ideia muito clara sobre de onde vem os dados".

Zettelmeyer diz que a maioria dos gestores compartilha um viés comportamental em comum: quando os resultados são apresentados como tendo sido obtidos por meio de análises complexas de dados, tendem a deferir aos especialistas.

"Há um perigo real se os gestores suporem que a análise foi realizada de forma razoável. Acredito que isso faz com que seja extremamente importante que os gestores tenham um sexto sentido no que se refere a o que eles realmente podem aprender com esses dados".

Para tomar decisões fundamentadas, ele afirma, ajuda muito dar um passo para trás e definir algumas bases. Como a analítica muitas vezes se resume em fazer comparações entre grupos, é importante saber como esses grupos são selecionados.

Por exemplo, um departamento de marketing pode querer determinar a eficácia de um anúncio, comparando os consumidores que foram expostos a ele com os que não foram.

Se os consumidores foram selecionados aleatoriamente, os grupos são aquilo que os cientistas de dados chamam de "probabilisticamente equivalentes", o que é a base para boas análises.

Mas se, por exemplo, eles foram expostos ao anúncio porque haviam demonstrado interesse prévio no produto, isto leva a análises ruins, uma vez que nem mesmo as técnicas analíticas mais sofisticadas poderiam oferecer uma resposta para uma pergunta básica: O anúncio foi realmente eficaz, ou o consumidor já estava interessado?

Este não é um problema apenas de marketing. Vamos tomar como exemplo um hospital que deseja substituir suas máquinas de ultrassom.

Graças a sensores sem fio avançados, o hospital pode medir, ao longo da condução dos negócios, exatamente quanto tempo leva para realizar um exame usando os novos dispositivos, uma métrica que ajudaria a decidir se realmente desejam mudar de vez.

Mas os dados mostram um resultado surpreendente: o novo dispositivo está levando mais tempo do que o antigo. O que o hospital não tinha levado em consideração era uma diferença pré-existente entre os dois grupos de técnicos: técnicos novatos e técnicos experientes.

O que ocorreu foi que mais técnicos novatos, naturalmente mais lentos que os experientes, optaram por utilizar o dispositivo mais novo, e este fato resultou em dados incorretos.

"O problema," continua Zettelmeyer, "é confundir a experiência do técnico com a velocidade do dispositivo". Reiterando, a análise falhou porque não foram consideradas questões fundamentais: O que fez os técnicos escolherem uma máquina em vez da outra? Tudo sobre o uso das duas máquinas é comparável? Se não for, foi utilizada análise correta para corrigir este fato?

Compreender o processo de geração de dados também pode desvendar o problema de causalidade reversa. Aqui, Zettelmeyer destaca o caso de uma empresa que está decidindo se deve ou não limitar e-mails promocionais.

Os dados revelam que os e-mails promocionais são extremamente eficazes: quanto mais e-mails um cliente recebe, mais compras eles provavelmente farão.

Entretanto, o que não é aparente nos dados é que a empresa está seguindo uma pérola de sabedoria de marketing que a revista Reader's Digest descobriu décadas atrás, quando constatou que clientes leais — as pessoas que compraram mais recentemente, com mais frequência, e que gastaram mais em compras — são mais propensos a comprar novamente quando são o alvo.

Assim, ao invés de ser o número de e-mails alavancando a quantidade de vendas, a causalidade na verdade funciona ao contrário: quanto mais compras os clientes fizerem, mais e-mails recebem. O que significa que os dados são efetivamente inúteis para determinar se os e-mail impulsionam a receita.

Use o conhecimento do assunto

Além de garantir que os dados sejam gerados com a analítica em mente, os gestores devem usar seus conhecimentos do assunto para explicar resultados estranhos.

Zettelmeyer recomenda a seguinte pergunta: "Sabendo o que sabe sobre o seu negócio, há uma explicação plausível para esse resultado?" Afinal de contas, a analítica não é simplesmente uma questão de fazer cálculos em um vácuo.

Cientistas de dados não têm a expertise no assunto que os gestores têm, e a analítica não substitui a compreensão do negócio.

Tomemos em conta uma concessionária automotiva que faz uma promoção em fevereiro. Com base em um aumento nas vendas para este mês, o concessionário imagina que a promoção funcionou.

"Porém", diz Zettelmeyer diz, "digamos que o que eles estavam tentando vender é uma Subaru com tração nas quatro rodas, e ignoraram completamente o fato de que houve uma nevasca gigantesca em fevereiro, o que fez mais pessoas comprar automóveis com tração nas quatro rodas". Em casos como estes, diz ele, não é suficiente simplesmente ter os dados.

Tenha o conhecimento — Não simplesmente acredite que tem

Na visão de Zettelmeyer, a tomada de decisões no mundo dos negócios está sendo revolucionada da mesma forma que os cuidados de saúde estão sendo com a adoção da "medicina baseada em evidências".

À medida que dados e analíticas complexos avançam esta revolução, gestores com um conhecimento prático em ciência de dados terão uma vantagem.

Além de ser os guardiões de suas próprias análises, os líderes devem garantir que esse conhecimento seja compartilhado em sua organização — uma empresa disciplinada e versada em dados provavelmente aprenderá rápido e agregará mais valor em todas as áreas.

"Se queremos que dados analíticos complexos tenham sucesso, todos precisam acreditar que têm o direito de questionar a sabedoria estabelecida", diz Zettelmeyer. “É preciso ter uma cultura em que não seja possível se esquivar com “achismos” em vez de “conhecimento”“.

O desenvolvimento dessa cultura é um grande desafio para os líderes. As organizações raramente estão dispostas a admitir a necessidade de mudanças, e poucos gestores se sentem confiantes o suficiente para liderarem com analítica. Isso, ele afirma, vai ter que mudar.

"Imagine um CFO chegando ao CEO e dizendo: 'Eu não sei como ler um balanço, mas tenho uma pessoa na minha equipe que é muito boa nisso'." Morreríamos de rir dessa pessoa", diz Zettelmeyer.

"E ainda assim, sei que várias pessoas em outras áreas, como por exemplo de marketing, que, sem pestanejar, chegariam para o CEO e diriam: 'Essa coisa de analítica é complicada. Não entendo isso muito bem. Mas montei uma equipe top de especialistas de análise que vai nos levar ao próximo nível'. Acho que não é mais possível aceitar essa resposta".

Texto publicado com a permissão da Northwestern University (em representação da Kellogg School of Management). Publicado originalmente no Kellogg Insight.