4 Dicas Para Montar Uma Equipe de Data Science
Ciência de Dados (Data Science ou apenas Analytics) deve ser a prioridade de todas as empresas que desejem manter sua competitividade no mercado. E, para isso, é preciso montar uma equipe de Data Science alinhada com os objetivos da empresa.
Entretanto, montar uma equipe de Data Science eficaz e bem-sucedida pode ser um desafio.
Os líderes de Marketing e Analytics do Google detalharam os princípios com algumas dicas valiosas sobre como as empresas podem montar uma equipe de Ciência de Dados vencedora. Trazemos essas dicas agora para você.
Boa leitura.
A transformação digital – o processo de usar tecnologias digitais para modernizar o desempenho, a agilidade e a sustentabilidade dos negócios – é amplamente vista pelos líderes como a chave para organizações à prova de futuro.
Para tirar o máximo proveito das inovações digitais, as empresas devem ser capazes de identificar onde concentrar seus esforços e entender quais estratégias estão funcionando melhor. É por isso que uma equipe forte de Ciência de Dados, que pode extrair e comunicar insights de dados em tempo real para os gestores, é crucial para impulsionar uma transformação digital significativa.
As empresas que constroem uma equipe de Data Science de sucesso têm maior probabilidade de obter ganhos de receita, lucro e participação de mercado. No entanto, de acordo com o Digital Maturity Benchmark (link ao final do artigo), apenas 9% das empresas usam insights e tecnologia de forma eficaz para criar melhores experiências de consumo.
Aqui estão os 4 princípios fundamentais que podem ajudar as empresas a superar desafios e criar estratégias e equipes de Data Science bem-sucedidas.
1. Priorize o Talento, Não as Ferramentas
Quando se trata de investir em Analytics, a empresa deve priorizar as pessoas e não as ferramentas.
Investir em pessoas leva a uma capacidade analítica flexível, que pode se adaptar a um ambiente de negócios em constante mudança sem prender a organização em um sistema de software e ferramentas complicado.
Embora muitas empresas da Fortune 500 tenham feito grandes investimentos em ferramentas de análise, a maioria ainda luta para tomar decisões de negócios significativas baseadas em dados.
Isso ocorre em grande parte porque essa estratégia de investimento comete o erro de pensar que as ferramentas, e não as pessoas, são a solução para criar análises melhores. As próprias ferramentas só podem ir tão longe com as pessoas certas por trás delas.
Esses esforços equivocados devem ser substituídos por uma regra 10/90 para o sucesso da Ciência de Dados: invista 10% do orçamento de Analytics em ferramentas e os 90% restantes em pessoas.
Por exemplo, se a empresa está pagando a um fornecedor de Analytics US$ 25.000 por um contrato anual, ela deve estar preparada para investir mais US$ 225.000 em pessoas para obter um valor significativo dos dados.
Sistemas de software e serviços profissionais de fornecedores são componentes importantes de uma equipe de Data Science bem-sucedida. Mas são os Cientistas de Dados, Analistas de Dados, Engenheiros de Dados, Engenheiros de Machine Learning e Arquitetos de Dados, não as ferramentas, que transformam dados brutos em insights acionáveis.
Ao seguir a regra 10/90, os gestores podem aproveitar a combinação vencedora do poder de processamento do computador e do julgamento humano para informar as atividades e as decisões de negócios e entender o comportamento do consumidor, por exemplo.
2. Fomente a Cultura da Curiosidade
As equipes de Data Science prosperam em ambientes dinâmicos que recompensam a curiosidade, incentivam a inovação e estabelecem altas expectativas.
Construir e reforçar esse tipo de cultura pode ajudar a colocar as organizações no caminho para obter retornos impressionantes dos investimentos em Data Science.
Uma cultura de análise ativa prospera quando os gestores recompensam a curiosidade e não a perfeição. A empresa deve incentivar os analistas a desafiar as convenções e fazer perguntas como um método para melhorar a qualidade e reduzir os riscos. Esse pensamento anda de mãos dadas com uma mentalidade de testar e aprender, onde ultrapassar limites por meio de experimentação proativa ajuda a identificar o que funciona e otimizar o processo de acordo.
Também é importante criar uma cultura em que o fracasso e o sucesso sejam celebrados igualmente. Dar tempo ao que deu errado permite que a equipe aprenda com mais eficiência com seus erros e veja que a perfeição é um sonho insalubre.
Isso incentiva um ambiente que responsabiliza os analistas pela entrega de processos e resultados de qualidade, ajudando ainda mais a mitigar riscos e melhorar as estratégias da empresa.
3. Envolva a Colaboração do C-Suite
Os profissionais de Data Science de alto desempenho não podem e não acontecerão sem o total comprometimento da liderança sênior de uma organização, o que em inglês é chamado de C-Suite (CEO, CIO, CFO, CDO, etc…).
É por isso que é crucial que os líderes colaborem com os analistas para entender os dados por trás da tomada de decisões.
Os líderes de nível C podem criar um ambiente amigável para análises sabendo quando coletar dados, apresentando desafios de negócios para equipes de analistas e buscando quantificar metas e objetivos de forma consistente.
Liderando pelo exemplo, os líderes de nível C com conhecimento de dados podem mostrar aos líderes táticos e estratégicos que é melhor ir para as equipes de Data Science com problemas para resolver em vez de solicitações de entregas específicas, defendendo que os “não analistas” sejam especialistas em seus negócios distintos, em vez de técnicas de análise. Deixamos as análises para as equipes de Data Science.
A manutenção de uma capacidade de análise vencedora requer endosso para cima e para baixo em uma organização, mas deve partir de cima antes de mais nada. Isso define o tom para uma empresa que valoriza a compreensão das soluções de análise, bem como a experiência em solução de problemas que os analistas podem oferecer em toda a organização.
4. Construa Hoje, Ganhe Amanhã
As empresas precisam estabalecer uma cultura centrada em dados (data-driven) que as posicione para vencer através de análise de dados hoje e no futuro. As empresas que fazem isso são mais eficazes e eficientes, obtêm insights impactantes de seus dados e podem atrair e reter talentos analíticos de primeira linha.
Portanto, a empresa deve começar a lançar as bases para a infraestrutura interna de análise de dados imediatamente, mas sabendo que os resultados não virão de uma hora para outra. É mais ou menos como plantar uma árvore. Um dia a árvore poderá fornecer frutos, o oxigênio e a sombra para aliviar o calor. Mas antes disso, tudo começa com a semente, continua com os cuidados ao longo do tempo e a paciência até que a árvore cresça.
A empresa precisa auditar os recursos de análise atuais da organização para identificar lacunas e oportunidades em sua estratégia de dados. Em seguida, identificar qual liderança precisa para fechar essas lacunas, implementando com sucesso os princípios que compartilhamos.
Montar uma equipe de Ciência de Dados não é mais uma escolha. É mandatório. Sem análise de dados eficaz e eficiente não há como sobreviver em um mundo cada vez mais competitivo. Para os profissionais é a certeza de um mercado cada vez maior e com mais oportunidades.
Equipe DSA
Referências:
How to build a winning analytics team