Por EloInsights
- Em um cenário em que a relevância do Advanced Analytics só cresce em todas as empresas pela comprovação do seu potencial de ganhos, somado ao cenário de Transformação Digital, estruturar sua área de Analytics virou mandatório.
- Uma das melhores práticas para esta estruturação é a criação do CoE Analytics para organizar, otimizar e padronizar processos de Advanced Analytics.
- Seu papel também está ligado à disseminação e orientação do mindset test and learn e à valorização de talentos em carreiras de data science.
Num cenário em constante mudança e acelerada introdução de tecnologias disruptivas, é essencial que as organizações desenvolvam uma forte cultura orientada por dados (data-driven). A tomada de decisão deve ser amparada, cada vez mais, por mais volume e qualidade de dados, abrindo um vasto horizonte de possibilidades.
Segundo estudo da McKinsey, varia entre US$ 9,5 trilhões e US$ 15,4 trilhões o valor potencial da aplicação de AI e Analytics em diversas áreas – da produção avançada de eletrônicos e semicondutores, passando pela indústria automotiva, pela de base, a de bens de consumo –, além dos setores público e social, de segurança, varejo, transporte e logística, entre outros. O montante indica que as empresas têm uma oportunidade sem precedentes de ganhos efetivos com o melhor uso da inteligência de dados.
“Todo mundo quer uma empresa data driven. Para chegar nisso, há vários modelos e, certamente, será necessário empregar mais data science , além de mais data engineers para lidar com uma enorme quantidade de dados”, diz Gabriel Renault, diretor-executivo de tecnologia e advanced analytics na EloGroup.
Essa tendência acompanha o foco crescente nos profissionais e demanda das áreas de Advanced Analytics & AI a necessidade por maior robustez e contextualização na geração de insights para os tomadores de decisão – que não se resumem mais às lideranças das organizações.
No entanto, as empresas ainda têm dúvidas sobre a melhor estrutura organizacional para acomodar essas novas necessidades. Nesse contexto, surge como uma boa prática a implementação de um Centro de Excelência em Analytics (CoE Analytics).
É importante ressaltar aqui a diferença entre Analytics e Advanced Analytics. O primeiro envolve Business Intelligence, prática em que várias empresas acumulam duas ou três décadas de experiência. Em uma explicação simples, se refere à utilização de dashboards para agrupar e visualizar dados. Já o Advanced Analytics é sobre a implementação de algoritmos; mecanismos com uma camada extra de inteligência que fornecem repostas mais completas para análises. É nesse estágio mais avançado que o centro de excelência atua.
Um CoE reúne de engenheiros e cientistas de dados a analistas e executivos de negócios como um suporte altamente eficiente no compartilhamento de conhecimentos e na estruturação dos processos de Advanced Analytics. O gerenciamento desses indivíduos especialistas é feito a partir de uma estrutura central, responsável por liderar a melhor aplicação da AI para gerar valor na empresa, além de centralizar a exploração e adoção de novas ferramentas e tecnologias.
Nesse sentido, o CoE Analytics incorpora a AI como uma lente direcionada à geração do máximo de valor sem desperdiçar recursos. Também derruba barreiras e é um habilitador da transformação digital – e de uma postura Strategically Digital – ao trabalhar pontos-chave, como:
- Aculturamento de lideranças e colaboradores
- Estruturação do modelo de trabalho de Advanced Analytics em toda a empresa
- Maior agilidade nas entregas
- Mudança no modelo de gestão
- Atração e retenção de talentos altamente demandados hoje como Data Scientists, Data Engineers e Machine Learning Engineers
De modo geral, pesquisas indicam, já há mais de uma década, que uma empresa com consistente capacidade de análise de dados pode ser, no mínimo, 5% mais produtiva e 6% mais lucrativa, se comparada a concorrentes. Mas foi nos últimos anos que se intensificou, globalmente, a disseminação de Centros de Excelência, no que pode ser lido como uma resposta a essa escalada do emprego da ciência de dados em diferentes áreas das organizações e à alta demanda por mão de obra qualificada, que é mais cara e tem interesses específicos.
Segundo a pesquisa State of Data Brasil 2021, os profissionais da área de dados no Brasil têm alto grau de instrução, desde o nível júnior. E, mesmo que estejam satisfeitos em seus empregos, 40,2% se mantêm abertos a outras propostas, enquanto 22,7% procuram ativamente por vagas. Entre os maiores pontos de insatisfação desses profissionais: a falta de maturidade analítica nas organizações (citada por 44,5%) e a escassez de oportunidades de crescimento (43,8%).
“São profissionais escassos no mercado, além de exigentes, e que gostam de promover uma constante troca de aprendizagem técnica”, diz Renault, que já vê um aumento na procura de grandes empresas no Brasil para a implantação de CoE Analytics.
Geração de valor: negócios, analytics e TI
No desafio de aculturar a empresa para tomadas de decisão por dados, é fundamental investir no fator humano e não apenas priorizar o desenvolvimento tecnológico. Para isso, o Centro de Excelência em Analytics faz uma ponte entre três núcleos de habilidades: negócios, ciência de dados e tecnologia. Une necessidade dos processos ligados ao negócio final, disponibilidade da Arquitetura de Dados e capacidade de Advanced Analytics relacionada à aplicação de modelos estatísticos, machine learning e inteligência artificial para resolver problemas que gerem valor tangível para as empresas.
O CoE desempenha diversos papéis, entre eles: alinhar a visão de Advanced Analytics à estratégia de negócio da empresa; aprimorar a capacidade de análise avançada de dados em toda a organização; proporcionar maior governança e qualidade dos dados; desenvolver boas práticas e padronização para análises mais ágeis e confiáveis; reduzir esforço repetitivo; monitorar tendências, atrair e reter talentos de alta capacidade técnica e analítica.
Podemos agrupar esses papéis em três principais dimensões:
1. Direciona a análise de dados para a tomada de decisão
É comum ligar a análise de dados à capacidade tecnológica, mas, na verdade, como o próprio nome diz, Ciência de Dados é uma ciência e tem por premissa ser empírica. Quando métodos científicos deixam de ficar confinados a áreas de Pesquisa e Desenvolvimento, há uma quebra de paradigma. “Há toda uma metodologia para tratar isso. Você precisa aculturar a empresa e fazer os colaboradores sentirem que estão protegidos de um mindset mais tradicional; que estão em um ambiente onde podem errar, pois negar hipóteses também é um resultado dos modelos”, afirma Renault.
A implementação de um CoE auxilia nessa ruptura, uma vez que promove a adoção de um novo mindset, em que a tomada de decisão por dados se conecta à experimentação e a uma lógica de testagem e aprendizagem. De modo direto, forma uma equipe que aproxima a ciência de dados das áreas de negócios por meio de processos e metodologias para que sua aplicação vá muito além de bons modelos, pois ela muda a cultura e a forma de trabalho.
A análise de dados avançada é levada a outro nível ao ser integrada a uma visão executiva, que vai orientar o que será feito, e à habilitação técnica, que vai determinar como será feito. Executivos, especialistas em Business Intelligence, arquitetos e engenheiros de dados, administradores de sistemas e cientistas de dados trabalham dentro de uma mesma estratégia para a geração de insights, o que potencializa resultados na extração de valor e na melhoria de desempenho do negócio.
2. Organiza, dissemina e orienta os recursos em analytics
O centro de excelência viabiliza que diversos tipos de dados estejam prontos no momento e no formato adequados para diferentes áreas da organização. Em linhas gerais, desenvolve e aprimora a capacidade de análise de dados de maneira mais uniforme.
Para isso, trabalha em conjunto à TI na evolução da infraestrutura tecnológica, o que inclui implementar repositórios para dados estruturados, semiestruturados e não estruturados – data lakes e data warehouses – na criação de uma fonte confiável de informação. A proteção de informações confidenciais também deve ser levada em conta, com autenticações e níveis de autorização de acesso que impeçam violações.
Há ainda a definição de mecanismos de governança: quais dados serão coletados, como será feito o agrupamento e a limpeza deles, onde e como serão armazenados e de que forma serão integrados aos vários sistemas que facilitarão a leitura das análises por outras equipes. A disseminação de conceitos de Advanced Analytics deve ser um pilar importante de um CoE efetivo, com abordagens práticas e mão na massa (on-the-job-training) que visem transformar a cultura através de resultados concretos.
3. Valoriza carreiras na retenção de talentos especializados
A escassez de bons profissionais pode prejudicar a capacidade das empresas em formar times e, consequentemente, criar uma cultura de decisões orientadas por dados. Ainda que existam necessidades específicas em relação a toda essa coordenação de áreas e processos, é importante garantir que o centro de excelência possa exercer o papel de chamariz e valorização de pessoas especializadas em Advanced Analytics.
Atrair e reter talentos requer o apoio da alta liderança a uma cultura organizacional flexível, que calibre a oferta de benefícios e de progressão de carreira. Ter um quadro de pessoas com conhecimento avançado em analytics e uma visão estratégica de negócios demanda estar aberto para que eles possam exercer não apenas funções padrão, mas que também tenham espaço para experimentar, desenvolver habilidades e explorar inovações, seja na entrada em novos mercados, ou na criação de produtos e serviços.
Diferentes modelos de operação de Centro de Excelência
Ao falarmos em modelo operacional de Analytics, ou Analytics Operational Model (AOM), definimos como será feito o gerenciamento e a coordenação de regras gerais de todo esse universo de capacidade analítica.
O início pode ser a formação de um squad ou de um grupo de trabalho. A estrutura inicial tende a ser centralizada por uma questão de alocação de recursos e maturidade dos projetos. Com o passar do tempo, pode-se avançar a discussão, mantendo uma estrutura única ou descentralizando-a na coordenação de vários CoEs na empresa.
Um CoE centralizado vai priorizar as grandes questões de uma empresa, por isso tende a se conectar ao core business como um caminho mais direto para ganhos exponenciais. Por exemplo: em uma fábrica, uma pequena melhora na margem de eficiência pode economizar milhões de reais na linha de produção.
No entanto, Gabriel Renault defende a progressão a uma estrutura mais descentralizada para aumentar a capacidade de execução e diversificação de projetos. Nos últimos dois anos, sobretudo com o impacto da pandemia de Covid-19, as empresas têm acompanhado uma explosão de casos de burnout e outras questões envolvendo a saúde mental de seus colaboradores e que podem ser mitigadas a partir de uma análise de dados. “As empresas querem entender esse fenômeno. E aí, caso você tenha um CoE central, outras áreas entram na fila e podem sofrer com a falta de priorização”, explica.
Então, se uma mineradora tem um CoE centralizado, provavelmente ele estará focado em resolver questões ligadas à manipulação e transformação de minérios. Dessa forma, uma questão como essa de People Analytics, que demanda dados de colaboração, fica em segundo plano, apesar de também trazer enormes ganhos ao ser estudada. Ao descentralizar o modelo operacional, cada área ou unidade de negócio pode elevar as análises de dados a outro patamar, sem impacto no core.
É possível haver ainda tons intermediários, em um modelo híbrido. Por exemplo: um CoE centralizado que reúna periodicamente aprendizados para evoluir processos, mas com os projetos sendo aplicados de forma distribuída nas diferentes áreas da empresa. Ou o contrário: com processos de descoberta e análise de demanda realizados pelos departamentos e implementados pelo CoE central.
Geralmente, as prioridades da empresa, a necessidade de equilibrar oferta e demanda de habilidades de Analytics e a maturidade da capacidade de análise apontam para a definição do modelo operacional. O principal objetivo é estabelecer uma cultura data-driven. Ter uma forte espinha dorsal de Analytics viabiliza isso, ainda que venha acompanhada de um alto e complexo investimento. Em um mundo em que a capacidade de competir e a necessidade de se reinventar contam cada vez mais, pode ser um diferencial decisivo para amenizar as inevitáveis e constantes transformações da organização.
