Dados são ativos de negócio, que todas companhias tem. Dados em enormes quantidades, o chamado Big Data, já não é tão comum assim, apesar de ser básico no ambiente de startups e grandes corporações. Nesse formato, os dados são ativos que custam alto para serem mantidos. E custam ainda mais para serem bem mantidos.

Manter grandes volumes de dados tem a ver com arcar com tecnologias específicas para esse fim, com profissionais capazes de manter o pipe de atualização em dia e ferramentas robustas o suficiente para que os dados sejam acessados e utilizados. Até aí, só se discutiu o manter. Manter bem implica em arcar com outras tecnologias de organização desses dados e seus metadados, ter profissionais com habilidades para manter essa organização de ponta a ponta, desde processos de entrada e saída de dados até a forma com a qual esses dados são consumidos pela companhia. Dessa forma, devem existir pelo menos dois times de profissionais de tecnologia altamente capacitados, além diversas ferramentas de alta performance. É difícil dizer qual das duas coisas custa mais para a empresa, mas é certo que cada uma custa muito.

Para tirar o valor desses dados, é comum que existam profissionais capacitados para a construção de visões de negócio sobre os dados disponíveis. Esses são chamados, geralmente, de analistas de BI ( Business Inteligence). A menos que esse time seja profundamente bem organizado, é muito fácil que ele vire a pastelaria da companhia, entregando dados para a empresa com a velocidade e o cuidado de quem faz um pastel de feira. Perceba, eu adoro um pastel de feira, e acho que dar condições para a companhia ter respostas rápidas para perguntas importantes é uma profissão nobre e necessária para as companhias.

Esse processo costuma, no entanto, facilitar para a empresa e para os stakeholders a possibilidade de confirmar suas visões. De encontrar exatamente o dado que pode ser utilizado para aquela apresentação de negócio, aquele dado escolhido a dedo que não representa a realidade do negócio, mas que justifica a crença do stakeholder. Além dessa questão, existe a tendência de revisitar e reutilizar os dados já conhecidos, com pouca (ou nenhuma) exploração de novos pontos de vista.

Além desses profissionais, em algumas organizações existe outro time focado em gerar valor desse ativo, os times de ciência de dados altamente qualificados, com capacidade de criar inovações para a companhia e para seus clientes, eles costumam se especializar no desenvolvimento de algoritmos de inteligência artificial (AI). O processo de desenvolvimento de algoritmos de aprendizado de máquina, porém, é longo e não suporta muitas guinadas de estratégia. Porém os negócios não fazem parte de uma ciência exata, e são pressupostos a alterações de rota rápidas e bruscas. Dessa forma, é comum que os projetos de ciência de dados de grande porte falhem antes mesmo de irem para a produção.

Nesse cenário, fica claro que só utilizar o BI e o AI não é o suficiente para tirar o valor dos dados, uma vez que o primeiro não utiliza boa parte dos dados disponíveis, e o segundo tem a triste tendência de não entregar o valor que o negócio precisa. A boa notícia é que existem diferentes áreas de conhecimento entre essas duas citadas. A má é que, pelo menos no Brasil, elas ainda não são comuns e é, portanto, difícil encontrar profissionais prontos para esse desafio.

Para as companhias que já se utilizam do BI, pode estar ao alcance das mãos a capacidade de utilizar os dados como vantagem competitiva no mercado. O chamado Advanced Analytics, ou Análise Avançada (AA), é a área responsável pela análise autônoma, ou semi-autônoma, de dados por meio de ferramentas e técnicas sofisticadas com o objetivo de compreender o negócio mais profundamente, criar predições de forma mais ágil ou gerar recomendações de negócio acionáveis.

Essa área de atuação tem similaridades tanto com BI quanto com AI, uma vez que tem alto conhecimento e contato com o negócio, tal qual o BI, mas se utiliza de técnicas avançadas de Machine Learning, como a AI. As grandes diferenças estão no fato de que essa área desafia o negócio com novos conhecimentos e pontos de vista sobre os dados, indo além do BI, e tem uma característica de maior velocidade do que a AI, uma vez que seu objetivo é utilizar os dados para a tomada de decisão, que deve ser no tempo do negócio, enquanto que para a AI, os dados são ferramentas para o desenvolvimento e melhoria do negócio, que acontecem no tempo do desenvolvimento do algoritmo.

Organizações que consigam alcançar a capacidade de diferenciar e utilizar tanto BI, AA e AI, na minha opinião, têm todas as ferramentas para tirar alto valor dos seus conjuntos de dados e de fato terem vantagens competitivas de mercado. É claro, esse processo depende do comprometimento do negócio, da capacidade de disseminação da cultura Data Driven por parte dos especialistas e da paciência dos stakeholders para que todas essas engrenagens sejam azeitadas e funcionem adequadamente.

Originally published at https://www.linkedin.com.

Há muito tempo o cientista de dados é considerado o hot job do século 21. Esse hype tem sua parcela de verdade. De fato, à medida que as corporações avançam na habilidade de coletar e armazenar dados fica evidente que é necessário gerar valor desse ativo, criando novos postos de trabalho com esse perfil.

O problema, na minha opinião, é que o cientista de dados virou a bala de prata da indústria. Ele é procurado por pequenas, médias e grandes organizações, normalmente com gordos salários, para fazer o que ninguém nem ousa sonhar: algo.

Pela minha experiência, existe um misticismo sobre as capacidades da ciência de dados que vai muito além do que ela oferece de fato. Normalmente, quando as pessoas falam sobre esse assunto eu tenho a forte impressão que estão se referindo a alguma magia antiga, alguma forma de feitiçaria ou alquimia. Tudo, absolutamente tudo é possível para a ciência de dados. Não existem limites para as façanhas dos cientistas.

Bom, sendo assim, vamos começar a desmistificar esse assunto pelo começo: Ciência de dados não é magia. Normalmente, ciência de dados é a aplicação da prima feia da matemática, a estatística. Prima feia pois a estatística é a ciência da incerteza, é a arte de dizer “É provável que sim” e quase nunca “Sim”, enquanto que a matemática é a mãe da certeza, do 2+2, do “como queríamos demonstrar”, ou, pelo menos, é assim que boa parte de nós escolhe a encarar.

Por se basear muito na estatística, a ciência de dados é a união da incerteza com a tortura dos dados. O cientista de dados é um profissional multidisciplinar, que tem conhecimentos de desenvolvimento de software e tecnologia, estatística e do contexto onde trabalha. De posse desses conhecimentos, é possível limpar, mudar, organizar os dados para que padrões sejam encontrados e utilizados no mundo material.

A ciência de dados, antes de qualquer coisa, é uma ciência. Portanto tem métodos, deve se basear em eventos e condições observáveis e, como toda ciência, deve ser cética de si mesma, se colocando em dúvida à medida que as evidências evoluem.

Outra coisa que a ciência de dados é: cara. Muito cara. Custa dinheiro manter um time de cientistas de dados, modelos de ciências de dados. Aliás, custa muito dinheiro mesmo. Quando ela funciona custa caro, quando ela não funciona, custa ainda mais. É por isso que é necessário tomar muito cuidado com o formato e objetivo da sua utilização.

Em diferentes situações, percebo as pessoas desejando aplicar (às vezes até aplicando) ciência de dados em projetos que precisam, no máximo, de um direcionamento de dados, por exemplo por meio de um gráfico ou dashboard. Já vi pessoas de negócio aplicando técnicas de agrupamento de dados em uma planilha do excel sem os processos de limpeza e organização dos dados. É um absurdo desperdiçar recursos e abalar a fé do negócio nos dados pelo prazer de incluir no LinkedIn “experiência com machine learning”.

Não faz sentido que pessoas de negócio, sem conhecimento do que é ou como se faz ciência de dados decidam, sozinhas, o que deve ser feito e quando. Software, de um modo geral, deve ser construído com um grau mínimo de certeza de que ele de fato resolve um problema. As soluções de ciência de dados precisam dessa atenção de forma ainda mais cuidadosa, uma vez que costumam estar relacionadas com taxas de acerto e é mais complexo entender a motivação por trás da resposta de um algoritmo, por exemplo. É muito fácil achar que está acertando, com base no algoritmo, e na realidade está errando espetacularmente.

É importante, ainda, esclarecer que ciência de dados não é, sob nenhuma perspectiva, resumida à criação de algoritmos de aprendizado de máquina. Os algoritmos são ferramentas para que seja possível entregar soluções escaláveis para problemas reais. Dessa forma, um time de cientistas de dados pode, e possivelmente deve, ter especialistas em machine learning, mas também deve contar com pessoas com alta habilidade de storytelling, estatísticos focados nos métodos muito mais do que nos resultados, pessoas com capacidade de exploração de dados e conhecimento de negócio para auxiliar na formação e validação de hipóteses, além de contar com um negócio comprometido com a realidade da ciência de dados, e não com a magia que a tudo resolve.

Um formato relativamente novo no mercado é a aplicação de ciência de dados sem o compromisso ou a conotação da criação de modelos é o chamado de Advanced Analytics, ou Análise Avançada. Esses profissionais são cientistas de dados com foco nas descobertas de conhecimentos mais profundos do que a exploração de negócio, mas menos demoradas do que a automatização via machine learning. Nesse cenário, é possível descobrir conhecimentos novos que o negócio sequer sonhava que existiam, desenvolver hipóteses e validações que podem auxiliar no aumento da certeza sobre o valor de negócio de um projeto de machine learning, e, ainda, desafiar o conhecimento já estabelecido, criando novas avenidas de oportunidades.

A ciência de dados é a aplicação estruturada de técnicas de estatística e do método científico para a descoberta de conhecimento em dados. Para que seu uso seja eficiente é necessário que as organizações entendam as limitações intrínsecas a esse processo e que exista uma estratégia real com foco na aplicação, manutenção e escalabilidade das técnicas e seus ganhos materiais.

Quer ler mais sobre o assunto?

• Artificial Intelligence: Do stupid things faster with more energy!
• Ten Ways Your Data Project is Going to Fail

Eu sou uma defensora da cultura Data Driven, de utilizarmos os dados como nossos guias para a tomada de decisão, de nos questionarmos quando as evidências quantitativas vão contra nossas crenças preexistentes. Ainda assim é extremamente importante colocar as limitações que existem na aplicação da tomada de decisão baseada em dados.

Em primeiro lugar, é necessário entender que os dados têm limitações em si mesmos. Eles são, no frigir dos ovos, apenas representações falhas do mundo real. Falhas pelo fato de que não existe conjunto de números no mundo que possa representar as sutilezas da realidade. Mesmo o ato de coletar os dados pode alterar a realidade material onde esses dados foram coletados. Mudanças sutis e mundanas na forma com o qual os dados são coletados podem alterar drasticamente seus significados.

Além disso, os dados podem conter grupos sub representados, que são importantes para a utilização das evidências. Um exemplo clássico se refere à métrica de NPS (Net Promoter Score) para produtos digitais. É comum que essa métrica seja coletada dentro da plataforma, em intervalos de 30, 90 ou até 180 dias. Os dados coletados representam, portanto, clientes engajados com a plataforma, uma vez que o usuário precisa, necessariamente, utilizar a plataforma para que possa inserir sua impressão. Esse conjunto de dados sub representa clientes desengajados, ou que fazem uso pontual da plataforma.

Ainda que o NPS seja um bom termômetro para qualquer produto digital, o seu uso tem sido indiscriminado, raramente considerando de fato essas nuances da própria métrica. E, perceba, é possível que essa métrica seja um insumo para o viés de confirmação de que a plataforma está adequada, porém justamente o grupo mais importante para entender como evoluir qualquer produto não está sendo considerado: os clientes que pararam de usar a plataforma!

Sob nenhuma perspectiva eu estou dizendo que métricas ou números são insumos que devam ser desconsiderados. Mas eles são, acima de tudo, ferramentas de medição, e como tal devem ter o seu propósito em mente. Quando se pretende usar um martelo, para que o uso da ferramenta seja adequado, você não pode utilizá-lo para colocar um parafuso em uma parede. Eventualmente você conseguirá colocar o parafuso no lugar que gostaria, mas terá gasto uma energia tremenda para ter um parafuso que facilmente cai do local onde foi colocado, que ficou torto, ou, ainda, que se comporta como um prego.

Você culparia o parafuso ou o martelo nessa analogia? Em mais situações do que eu estou confortável em descrever aqui, as pessoas culpam o martelo, maldizendo a métrica, ou o parafuso, duvidando dos dados apresentados. Dificilmente as pessoas olham para o par de mãos que brandia o martelo e empurravam o parafuso. Pois esse par de mãos era delas mesmas.

Não basta apenas utilizar os dados para a tomada de decisão. Para sermos eficientes e eficazes, precisamos entender o que eles significam, quais os grupos que eles representam e em qual grau, como foram coletados, quantas e quais são as inferências já aplicadas e, principalmente, qual propósito queremos atingir por meio desses dados. É necessário sermos críticos e criteriosos a cada etapa desse processo, sem pular nenhuma. É preferível que tenhamos algum especialista nos dados para nos auxiliar nas nossas interpretações. É indispensável o uso do bom senso, e acima de tudo, da humildade antes da tomada de decisão.

Quer ler mais sobre isso?

What Data Can't Do

Em organizações complexas, é interessante ter pessoas de diferentes perfis e de diferentes níveis de profundidade de conhecimento sobre os assuntos, como os generalistas e os especialistas. Profissionais generalistas são ótimos em buscar as sacadas ao longo de um grande funil, ou que permeiam uma jornada. Profissionais especialistas podem ter problemas em entender o todo e como cada peça do ecossistema faz a diferença global, mas eles têm a habilidade de entender o funcionamento interno daquele microcosmo, daquela pecinha, que faz parte de algo maior.

O mesmo pode ser dito sobre profissionais de dados, existem longas discussões dentro dos meios de profissionais de dados sobre ser um especialista ou um generalista, e todas essas discussões são válidas. Mas o tema que pretendo tratar aqui se relaciona com o grande grupo de profissionais de dados, que dentro de cada um de seus nichos tem suas especialidades.

Engenheiros de dados, por exemplo, são especialistas em manter plataformas de dados saudáveis, acessíveis e capazes de entregar valor para o negócio. Cientistas de dados não são nem desenvolvedores nem estatísticos, mas moram no meio desse caminho e conectam as habilidades desses dois papéis, o que os faz especialistas exatamente nessa arte do equilíbrio entre a tecnologia e a academia. Analistas, por sua vez, são especialistas em falar a língua do negócio por meio dos dados, esses profissionais tem menos profundidade quando se trata de estatística, tecnologia e até do próprio negócio, a largura de seus conhecimentos os coloca na posição ímpar de unir esses pontos de vista de forma rápida, gerar valor e ajudar a companhia a chegar em resultados práticos.

Além dos resultados práticos que exercer esses papéis trazem para a companhia, contar com profissionais comprometidos com os dados acima de qualquer outra coisa traz outra grande vantagem: eles são o antídoto para o viés de confirmação do negócio!

O viés de confirmação é aquela tendência humana de procurar por evidências que corroborem nossas crenças ou hipóteses, reafirmando a noção da realidade preexistente. É bem documentado que todos nós sofremos deste mal, incluindo os profissionais de dados. Porém esses profissionais são, ou deveriam ser, fiscais de si mesmos, procurando por evidências que suportem umas às outras, por meio de recursos estatísticos e matemáticos que garantam, no mínimo, que existe significado nos resultados encontrados.

Os efeitos do viés de confirmação estão sendo sentidos na realidade material que estamos inseridos, por meio da polarização das opiniões, da persistência em crenças que já foram desmentidas factualmente ou, a minha preferida, a preferência por informações anteriores. Nenhum de nós está imune a qualquer uma dessas manifestações do viés de confirmação, mas quando estamos em um grupo comprometido com o método, com a integridade dos resultados, nos colocamos em uma situação de desafio saudável ao nosso sistema de crenças.

Para os negócios, de um modo geral, é importante ser desafiado sobre aqueles conhecimentos e hipóteses partilhados pelo grupo, uma vez que recursos e energia podem, e devem, estar sendo desperdiçados em crenças que não condizem com a realidade e, portanto, as ações não trazem os resultados esperados. Uma forma de perceber que se está no viés de confirmação, é observar se as mesmas ações são repetidas ao longo do tempo. Essa é uma demonstração de que estamos focando nossa energia em hipóteses que não dão resultado.

Profissionais que conheçam seu negócio, com o seu apoio e parceria, tem condições de apontar esses fenômenos acontecendo em tempo real, dando a oportunidade para o aprendizado e a reinvenção o tempo todo. Para que essa dinâmica tenha sucesso, no entanto, é necessário ter coragem de encarar as próprias falhas e ter disposição de aceitar técnicas que podem lhe parecer preciosistas, ou até tacanhas, mas que no fim do dia trarão uma visão mais honesta sobre o estado real do negócio.

Quer ler mais sobre isso?

https://hbr.org/2019/06/the-first-thing-great-decision-makers-do

https://fs.blog/2017/05/confirmation-bias/

Você conhece o efeito de Dunning-Kruger? Ele é um fenômeno psicológico que faz com que pessoas que sabem muito pouco sobre um assunto sintam-se especialistas, enquanto que especialistas sentem-se ignorantes sobre assuntos que dominam. Ele também é chamado de mecanismo de ilusão de superioridade, e é, na minha opinião, muito comum no meio de pessoas que se dizem Data Driven.

Observei esse fenômeno se manifestando nas mais variadas organizações e níveis hierárquicos. O personagem mais comum a apresentar esse comportamento é o criador de planilhas. Ele junta dados de diferentes fontes sem de fato entender minimamente o que esses dados significam, cria recortes dos mais variados tipos até que sua amostra seja tão minúscula que ela representa sua hipótese inicial e, finalmente, ele compartilha esses achados com a companhia.

Até esse ponto, o nosso personagem está apenas se utilizando dos dados que tem à mão. Porém, quando ele coloca seus dados e conclusões no mesmo patamar que aqueles desenvolvidos por especialistas, temos um Dunning-Kruger ao vivo.

Esse é um cenário comum para pessoas que trabalham com ciência e análise de dados. Mas ser comum não faz dele menos danoso. Esse tipo de atitude demonstra uma série de desafios não apenas para os profissionais que trabalham com dados, mas também para as organizações:

1. Não está claro para os stakeholders a dificuldade e o valor relacionado à análise e ciência de dados de fato;
2. Qualquer dado, vindo de qualquer lugar, sob qualquer ponto de vista tem o mesmo valor que qualquer outro dado;
3. Não existe uma cultura de dados na companhia.

Expandindo o ponto número 1: é claro e notório que o mercado está em plena busca por profissionais de dados. O mercado percebe a necessidade de ter essas figuras dentro das organizações, para auxiliar, principalmente, na capacidade de repetição do que dá certo e aprendizado do que dá errado. Se o stakeholder entende que tem o mesmo know how que o especialista, temos 3 opções: ele é também um especialista; o especialista dele não é tão especialista assim; ele precisa tomar uma pílula de humildade.

Somente a primeira opção é razoável, uma vez que teríamos um stakeholder com alto grau de conhecimento de negócio e de dados. Essa opção, no entanto, é razoavelmente incomum, uma vez que o universo de negócio é amplo e o universo de dados além de amplo é cheio de incoerências e pegadinhas prontas para enganar os incautos.

Sobre o ponto número 2, temos a evidência de que não existe governança real sobre os dados e normalmente ganhará o argumento com mais decibéis e não aquele com mais evidências, o velho conhecido “no grito”. Além disso, o time de dados passará uma boa parcela do seu tempo tendo que rever todo o processo criativo do nosso personagem e comparando com sua própria análise, gerando retrabalho, profundas frustações e um largo desperdício de tempo tanto do negócio quanto do time de dados.

Por fim, se a companhia tivesse uma cultura de dados de fato, o nosso personagem estaria confortável para buscar auxílio dos especialistas, dividir suas hipóteses, participar ativamente do processo EM CONJUNTO com os especialistas e aceitar sua conclusões. O stakeholder poderia investir a energia nos desafios e oportunidades disponíveis para o negócio, ao invés de investir horas infindáveis em fórmulas e células de planilhas.

A atitude do nosso personagem faz com que a organização perca a confiança nos dados e especialistas que possui, e leva os stakeholders a tomarem decisões baseadas unicamente em seus instintos. Essas decisões dificilmente são repetíveis e as lições aprendidas são superficiais e insuficientes. É necessário que a organização, como um todo, esteja comprometida com a cultura de dados e se coloque disponível para as dores e os frutos desse processo.

Não me entenda mal. Existem excelentes profissionais que tem alta capacidade de análise e utilizam a planilha como a ferramenta tecnológica, esse profissional dificilmente será o nosso personagem. Entendo, ainda, que o negócio tem o dever de se empoderar dos dados que tem à mão. Mas esse poder tem que vir com sabedoria e responsabilidade, senão o seu Excel vai fazer mal à sua companhia.

Quer ler mais sobre isso?

Why do we trust scientists?

No texto anterior, comentei que ter uma cultura orientada a dados facilitava (e muito) a jornada de cada um dos indivíduos que fazem parte da organização. Cultura é um tema complexo sobre o qual sei bem pouco, até por que esse termo abrange uma abundante complexidade de fatores, a maior parte intangíveis, como as crenças, os valores e ações que definem a instituição em si e são disseminados para os indivíduos, mas me esforçarei para me manter na parte da equação que de fato entendo: dados.

Ao ler sobre o tema cultura de dados, costumo me deparar com dicas sobre tecnologias, sobre a coleta dos dados em si ou, ainda, sobre a contratação de profissionais especialistas em dados. Não discordo dessas dicas, mas entendo que a cultura não é criada nem pela tecnologia, nem pela sua aplicação e muito menos por meia dúzia de heróis que precisam aplicar, explicar e disseminar a tecnologia e a tal cultura.

A cultura de dados, tal qual qualquer outra influência sistêmica que se pretenda ter sobre um grupo de pessoas, precisa de esforço contínuo e direcionado. Importante comentar, ainda, que escrever na estratégia da companhia “seremos Data Driven até o ano X” não é disseminar cultura. Peter Drucker falou melhor que todos nós quando disse que “A cultura come a estratégia no café da manhã”. Eu sei, citar essa frase já virou clichê, mas ele tem razão!

Perceba, é necessário ter uma estratégia de dados, altamente relacionada com a estratégia da companhia. É altamente indicado ter tecnologias e profissionais para esse fim. Mas a cultura está na intenção em conjunto com a ação dos detentores de poder e influência dentro da organização.

Se um CEO quer que sua empresa prime pelos dados, quer que seus gerentes sejam capazes de aceitar o que os dados demonstram, que usem os dados a favor da companhia, quem deve iniciar esse processo é ninguém menos que o próprio CEO. Ele pode, inclusive deve, se possível, ter um time que lida com o cotidiano dos dados, um time que provoque a companhia por meio dos dados. Isso facilitará o seu trabalho de disseminar a cultura de dados, em conjunto com todas as outras figuras que se relacionam com o ecossistema de dados.

Disseminar a cultura de dados é garantir, mesmo enquanto ouvinte, que os indivíduos estejam usando os dados de forma adequada. É desafiá-los a se questionar e questionar se aqueles dados vem do lugar correto, pelos meios acordados e se são baseados na realidade e não em hipóteses provindas de um anjo em um sonho.

Falo muito em desafiar os indivíduos pois é simples mentir com dados. Um dos livros de estatística mais lidos do mundo tem justamente esse nome (Como mentir com estatística)! E essas mentiras, sejam elas intencionais ou puramente fruto da ignorância em associação com a iniciativa, são profundamente danosas para a confiança nos dados e suas capacidades.

É muito fácil cair no viés de confirmação e mais difícil aceitar que nossas crenças individuais estão simplesmente inadequadas com a realidade. Já vi nos mais variados contextos e lugares o stakeholder, de posse dos dados que demonstravam que o caminho seguido devia ser ajustado, decidir continuar no mesmo caminho! E justificar o “racional” com a frase “na minha experiência isso funciona assim…”. E depois o stakeholder ficou com a impressão de que sua decisão foi baseada nos dados! Eu chamo essa situação de cultura apesar dos dados.

Cultura de dados, de fato, só existe quando os poderes instituídos estão dispostos a se utilizar da transparência real, aquela que ouve o que está sendo dito não para responder mas para entender. Aquela que admite quando não entendeu ou que estava respondendo um e-mail e não conseguiu acompanhar o fio da meada. Sem líderes dispostos a serem vulneráveis e falhos, a cultura é apesar dos dados.

Quer ler mais sobre o assunto?

Most Data-Driven Cultures… Aren’t

Como criar uma cultura orientada a dados? was originally published in Blog de Cultura Conta Azul on Medium, where people are continuing the conversation by highlighting and responding to this story.

Já fui abordada por colegas de trabalho e pessoas da comunidade de tecnologia com a pergunta de um milhão de dólares: Como eu posso ser um profissional Data Driven?

Pela minha experiência, é muito difícil ser de fato orientado pelos dados quando a cultura organizacional em que o profissional está inserido não é. Até mais do que isso, vi em incontáveis situações pessoas que não sabiam o que isso significava de fato e ainda assim buscavam esse fim por meio de aulas de SQL, bootcamps de python, leituras infindáveis sobre visualização de dados.

Ser data driven não é sobre conhecer o ferramental e sim seguir a filosofia. Essa filosofia é muito bem descrita por diversos autores, o meu resumo pessoal é bem simples:

• Ter curiosidade de fazer perguntas além das óbvias;
• Confiar nos instintos mas nunca colocá-los à frente das evidências;
• Ser crítico e nunca esquecer que o mundo real é cheio de contextos e nuances.

A curiosidade a que me refiro aqui é quase infantil. É aquela que pergunta “mas por que?” para tudo. É a que nos faz investigar incansavelmente, até que não restem dúvidas do que estamos vendo. Mas cuidado, investigar incansavelmente não é procurar TODOS os dados, pois eles não existem. Nunca encontraremos todos os dados de todos os aspectos do que estamos investigando, mas em algum momento encontraremos dados o suficiente para que tenhamos segurança de seguir em frente. Essa segurança tem a ver com confiança, seja no nosso conhecimento, na nossa solução ou no nosso time.

Os grandes analistas com os quais já convivi nunca deixaram seus instintos de lado, aquele conhecido “gut feeling”. Mas sempre que as evidências são contrárias ao instinto, elas tomam a frente e guiam a investigação. Somos todos humanos e todos temos parcialidades, faz parte da nossa natureza. Reconhecer essa característica é extremamente importante para que possamos de fato confiar nos nossos instintos e questioná-los antes de questionar os dados ou as pessoas que nos trazem novos pontos de vista.

O dado, qualquer que seja ele, é uma representação falha da realidade. Mesmo todos os dados do mundo ainda não são a realidade em si. Essa noção deve ser o guia para a interpretação de qualquer evidência. O questionamento interno deve ser sempre num sentido de entender o que não está representado por aquele dado, mas que faz parte daquele contexto. Quais fatores externos podem influenciar o resultado observado? Qual a saúde da fonte desses dados? Qual o grau de inferência existente nas camadas internas da construção desse indicador?

Ser um profissional data driven, na minha opinião, é a implantação dessas diretrizes no cotidiano. É alcançar a maturidade de olhar para os dados, as evidências de forma pragmática e aceitar os resultados que eles apontam, mesmo que as crenças pessoais não sejam atendidas por eles. O data driven é uma cultura, uma filosofia, que depende de tempo e esforço. Não existem fórmulas mágicas, cursos ou tecnologias que sozinhas criem essa cultura.

Quer ler mais sobre esse assunto?

• Data-Driven? Think again
• 10 Steps to Creating a Data-Driven Culture

Como eu posso ser um profissional Data Driven? was originally published in Blog de Cultura Conta Azul on Medium, where people are continuing the conversation by highlighting and responding to this story.