Você ficou sabendo dos dois assaltantes que roubaram um calendário?
- Cada um pegou seis meses!
HAHA 🗓🗓
Se você gosta dessa Newsletter…
Não esqueça de compartilhar no Whatsapp e Slack da sua empresa, sem contar criar um story super legal com o que mais curtir dessa news e marcar o meu instagram @BernardDeLuna .
Se você tem ouvido muito falar em Data-driven, ou pensando em implantar esse tipo de cultura na sua empresa. Esse episódio foi feito para você!
Introdução
Vamos trocar o termo “data-driven” por “Orientação a dados”, assim como podemos trocar “helloween” por “olá vitória” (piada sem graça é minha maior skill!). Orientação a dados significa utilizar o máximo de contextos e informações, para mudar o processo de tomada de decisão. Quanto mais dados confiáveis, menos suposições e mais análises dos cenários desejados.
Já está provado que a utilização de dados na sua empresa melhora sua performance, otimiza operação e impacta diretamente a geração de receita. Uma pesquisa da Nucleus, descobriu que uma empresa, através de BI (Business Inteligence) e decisões Data-driven, podem gerar mais de 1.300% de ROI.
O desafio das empresas é mover o mindset de seus líderes/tomadores de decisão, colaboradores, de uma equipe resistente a dados, para uma equipe orientada a dados, como mostra a imagem abaixo:
Tem um artigo super legal da IBM sobre essas etapas, vale a leitura.
O poder da análise
O Grande problema não está na obtençao dos dados, e sim em uma análise prática e útil por parte da empresa
@bernarddeluna
Em uma pesquisa da Forrester, 74% das empresas querem ser data-driven, mas somente 29% dizem ser boas em conectar análises com ações. Por isso, você que trabalha com produto, precisa saber o básico de análise de dados, pois, por mais que você não seja técnico, ou até mesmo data-scientist, você precisa ajudar a fazer as perguntas certas, e ajudar a transformar suas análises em ações objetivas.
Toda análise de dados é dividade em 4 níveis:
Análise Descritiva
O primeiro nível está focado em obter um raio-x da informação, ou do problema que queremos resolver. Nesse momento, você se atém apenas a perguntar “O que aconteceu?” ou “O que está acontecendo?”.
O objetivo dessa análise é coletar informações, sem ainda fazer relações entre essas e outras informações.
Análise Diagnóstica
Esse é o nível que eu acho mais interessante, pois saímos do “WHAT” (O QUE) para perguntar o WHY (POR QUE?).
Dentro da diagnose, você pode identificar anomalias, detalhar melhor a informação que está buscando, relacionar com outras informações, ou investigar melhor suas fontes de informação, buscando mais dados.
Análise Preditiva
O terceiro nível de análise responde a pergunta “O que vai acontecer agora?”. Nessa análise, podemos utilizar técnicas de regressão, previsão, mineração e até aprendizagem de máquina (Machine Learning = ML).
Essa análise é vital para transformar dados em insights para o futuro, e ajudar numa ação mais benéfica para a empresa.
Análise Prescritiva
O quarto e último nível está diretamente ligado as ações. A prescrição envolve duas abordagens possíveis: a simulação e a otimização.
Geralmente, em produto, usamos a simulação, pois identificamos qual será o comportamento nos diferentes cenários definidos, ou seja, totalmente ligado a nossas hipóteses.
A otimização é bastante comum com Inteligência Artificial, pois ela já identifica as falhas, ou pontos de melhoria, e já vai melhorando o produto sem interferência manual.
Então, podemos visualizar os níveis da seguinte forma…
Conclusão
Depois que entende a importância dos 4 níveis de uma análise de dados, você passa a olhar de outra forma, um problema, rodando as 4 perguntas antes de decidir:
O que aconteceu?
Por que aconteceu?
O que vai acontecer em seguida?
O que nós podemos fazer a respeito?
O/A PM podem/devem se tornar os maiores amigos do time de dados de uma empresa, para agilizar a transformação da cultura em uma cultura orientada a dados. Inicialmente, os times de dados eram células isoladas, que recebiam pedidos já prontos de outros times. Porém, hoje em dia você tem a presença de um data-analyst ou data-scientist dentro de cada squad (mesmo que on demand), e uma célula ou chapter próprio para um Data-Lake (nome dado ao grupo responsável por administrar, padronizar e otimizar o acesso da empresa a dados).
Se você pensa que tomaria uma melhor decisão se tivesse os dados na sua mão, imagina se todas as outras muitas pessoas que trabalham na sua empresa, acessassem os mesmos dados, e pudessem rodar suas próprias análises, ao mesmo tempo?
Pois é! Seria I N C R Í V E L!
