
Data Analytics: um investimento estratégico necessário, porém complexo
Em abril de 2013, o Wall Street Journal publicou uma matéria com o título “O grande ativo que a maioria das empresas ignora: dados do cliente”, onde relata que as empresas estão sentadas em um tesouro de dados de clientes, mas na maioria das vezes não sabem como usá-los. E esta é uma realidade que vemos até hoje. Apesar de Moore ter acertado em 1965 nas suas previsões com sua famosa lei sobre o crescimento da capacidade de armazenamento, ele não imaginava o potencial de geração de dados que as tecnologias emergentes, como IoT por exemplo, teriam. Esse crescimento vertiginoso do volume de dados que estamos vivenciando tem como reflexo uma aceleração rápida dos investimentos em Big Data e Inteligência Artificial. Mas, muitas empresas estão investindo seus recursos nestas tecnologias ainda sem saber qual a melhor trajetória a seguir, simplesmente pelo medo das mudanças disruptivas que podem vir a surgir ou na tentativa de se preparar de alguma forma para poder tirar proveito no futuro dessas minas de informações. Não há dúvidas que o Data Analytics é uma fonte de preocupação para as empresas porém, quão efetivamente seu uso está se tornando uma vantagem competitiva é uma questão complexa. Uma pesquisa recente realizada pela NewVantage Partners, com 65 empresas líderes de mercado e integrantes da lista Fortune 1000, revela que 91% destas empresas investem em Big Data e IA, porém menos da metade afirma ter conseguido criar uma organização data-driven e 77% consideram que a adoção destas tecnologias continua sendo um grande desafio. E os principais obstáculos a estas transformações não são necessariamente relacionados a desafios tecnológicos (apenas 5% citam a tecnologia), e sim fatores culturais (pessoas e processos). Possuir as ferramentas corretas é altamente importante, mas não é incomum os executivos subestimarem o significado das dimensões organizacionais e culturais requeridas para a construção de uma função de Data Analytics (DA) bem sucedida. E quando isso acontece, as iniciativas de Data Analytics podem falhar e não entregar os resultados necessários para elevar a empresa a um novo patamar de desempenho comercial ou operacional. Ou seja, além dos investimentos em tecnologia, é imprescindível que as empresas se estruturem em termos de organização, processos, sistemas e pessoas. Segundo pesquisa da International Data Corporation, publicada pela Harvard Business Review, além destas quatro dimensões, as empresas bem-sucedidas iniciaram este movimento desenvolvendo uma estratégia integrada, envolvendo a organização como um todo, incluindo um claro entendimento dos objetivos a serem alcançados e como estes seriam medidos. Os maiores desafios dos gestores para o uso efetivo de Data Analytics Thomas H. Davenport, professor e autor norte-americano especialista em tecnologia da informação e Analytics, afirma que o ingrediente que falta aos gestores para o uso efetivo do Data Analytics é o “entendimento do que é possível”. Dados, hardware e software são abundantes, mas a compreensão humana das possibilidades é menos comum. Por isso, os gestores precisam ser mais bem preparados e muitas vezes auxiliados na construção de uma equipe de Analytics nas suas áreas ou empresas. Entre as principais dificuldades dos gestores, destaca-se: Vencer a complexidade dos dados: O primeiro desafio que limita o valor do Big Data para as empresas é a compatibilidade e a integração. Uma das principais características do Big Data é que ele vem de várias fontes. No entanto, se esses dados não forem naturalmente congruentes ou fáceis de serem integrados, a variedade de fontes pode dificultar que as empresas consigam gerar insumos de negócio válidos para poder explicar uma determinada tendência ou comportamento do cliente e, em seguida, gerar uma tomada de decisão. Por exemplo, durante um projeto conduzido pela BIP Brasil, um dos nossos clientes precisava analisar a jornada dos seus clientes que usavam um App como modalidade de self-caring (autoatendimento) e entender porque esses clientes tinham a necessidade de ligar em seguida para um call-center para serem atendidos novamente. A ausência de detalhes nos bancos de dados quanto ao percurso realizado no App, bem como o horário de uso do mesmo (para poder comparar com o horário da ligação ao call-center e verificar a relação de precedência) impossibilitou essa análise. Com isso foi necessária uma análise qualitativa baseada na escuta de ligações, bem mais demorada e não holística, para conseguir definir ações que evitassem essas chamadas e melhorar a experiência do cliente. Além disto, muitas vezes as informações relevantes para o negócio são armazenadas por meio de dados desestruturados (ex: comentários ou reclamações de clientes sobre um determinado produto realizadas em algum site ou rede social) e as tecnologias que permitem explorá-los (speech-to-text, motores de cognição, reconhecimento de imagens, etc…) ainda são de difícil acesso ou simplesmente caras apesar de estarem em constante evolução. Evitar a má-interpretação dos dados: a correlação que se pode observar entre variáveis selecionadas para realizar um determinado estudo pode levar a conclusões e decisões equivocadas. Até os algoritmos de Machine Learning, utilizados para mapear relações entre informações, quando impropriamente aplicados podem mostrar uma boa correlação entre algumas variáveis, porém sem que exista necessariamente uma relação de causa-efeito entre as mesmas, fazendo com que o resultado não seja utilizável como insumo para uma eventual tomada de decisão. Este efeito é potencializado pela multiplicidade de variáveis disponíveis hoje em dia com a emergência do Big Data. Consequentemente, para conseguir tirar proveito do Big Data é imprescindível que as empresas aprendam a olhar além das correlações e identificar as que apontam para uma verdadeira relação causa-efeito, base para gerar insumos valiosos. Tomemos como exemplo um Marketplace que pretende realizar campanhas via Google Ads para promover um determinado produto para o usuário que visualizou esse mesmo produto no seu site nos últimos dias. Uma análise de correlação fria demostraria que os clientes que receberam essa campanha apresentam uma maior probabilidade de comprar o produto em questão. Porém, esses clientes já tinham visitado o site (ou seja, já tinham demostrado interesse no produto) antes mesmo da campanha ser disparada, o que significa que eles já estavam mais propensos que os demais clientes a comprar o produto. Sendo assim, fica muito








