Da Redaçcão CIO, com Computerworld/EUA
Publicada em 24 de janeiro de 2018
Cerca de 2,2 milhões de terabytes – o suficiente para armazenar 88 milhões de filmes em qualidade Blu-Ray – é a quantidade de novos dados criados todos os dias no mundo, segundo o Gartner. Esse número deve crescer para 40 trilhões de terabytes diários até 2020. Bem-vindo à era do Big Data.
Toda essa explosão de informações tem deixado as empresas de cabelo em pé e a busca por pessoas capazes de extrair, analisar e gerar insights a partir desses dados só cresce. Uma grande oportunidade de carreira para muita gente, certo? Só há uma questão... Em um mercado novo e em franca expansão, como alguém pode se tornar um profissional de dados?
O primeiro passo é acabar com o mito de que apenas pessoas que vieram da tecnologia podem trabalhar com isso. Uma equipe multidisciplinar é essencial para entender o que os números e informações querem dizer. Diversas profissões, como geógrafos, estatísticos, cientistas sociais, jornalistas – e também o profissional de tecnologia – podem atuar com análises visuais.
Mais importante que a formação é ter interesse por dados. O que nos leva ao próximo ponto: o perfil dessas pessoas. Sem gostar de números, análises e estatísticas fica impossível trabalhar com analytics. A curiosidade e a desconfiança também são essenciais. Afinal, o que parece óbvio nem sempre é verdade.
Ao realizar análises de dados, as equipes de dados buscam descobrir informações úteis sobre consumidores, para apoiar a tomada de decisões em um projeto, aumentar a produtividade, e diversos outros resultados.
Mas, dada a natureza exploratória da análise de dados, algumas vezes os benefícios ou insights surgem ‘do nada’, de uma maneira completamente inesperada e que não fazia parte do plano original de negócios. Esses "acidentes felizes" suportam a ideia de que toda análise de dados vale o esforço, já que você nunca sabe o que vai encontrar.
Confira abaixo exemplos reais de empresas que encontraram benefícios inesperados a partir da análise de dados.
Mudança geral
A Allegis Global Solutions desenvolveu o seu programa de analytics, o Acumen Workforce Intelligenge, com três objetivos em mentes: medir o desempenho dos programas; como eles se saem em relação a outros programas; e o que devemos fazer a seguir.
“A plataforma analítica foi criada para desenvolver uma perspectiva histórica que pudesse ser usada para planejamento, mas descobrimos que o Analytics usado para responder a essas três questões teve um efeito dominó na nossa empresa”, explica o diretor executivo de Business Intelligence da Allegis, Tim Johnson.
“Como os dados são retirados de todos os nossos programas eatualizados diariamente, temos uma visão muito atualizada das operações. E isso resultou no lançamento recente de uma nova aplicação de dados que ajuda a analisar as atividades do dia a dia, tanto no nível dos programas quanto no nível da empresa”, explica o executivo. Os operadores não precisam puxar um relatório e analisar as informações para reunir os insights do programa. Em vez disso, eles podem apenas agir com as informações já estruturadas e apresentadas.
“Diante do benefício extra de usar os dados operacionalmente, as taxas de adoção de Analytics estão muito mais altas do que as projeções iniciais”, afirma Johnson. “Agora estabelecemos um objetivo de 100% de adoção interna por semana. Como estão usando os dados diariamente para melhorar o desempenho, nossos usuários finais também estão mantendo um olho mais atento à informação, impulsionando a qualidade dos dados para um novo nível de excelência.”
Para os objetivos iniciais de análise da empresa, os dados só precisavam entre 90% e 95% de precisão. Mas para operações eles precisam entre 98% e 99% de precisão. “É engraçado pensar que aquelas três perguntas iniciaram essa transformação de dados na empresa como um todo.”
Benefícios de longo prazo para perdas de curto prazo
Um esforço de análise dados ajudou a fornecedora online de recursos de imóveis Trulia a refinar sua estratégia de e-mail para uma campanha, o que acabou aumentando o tráfego da companhia.
A companhia vinha enviando vários e-mails por dia, o que aumentou o número de clientes que cancelaram o cadastro dos seus e-mails, explica o VP de engenharia da Trulia, Deep Varma. “Então mudamos nossa abordagem e agregamos os e-mails para que enviássemos apenas um e-mail por dia”, lembra.
Inicialmente, a Trulia viu uma queda de engajamento dos usuários, então voltou atrás na abordagem. Mas a empresa então decidiu testar o novo formato por um período mais longo e viu resultados melhores, que não eram esperados no início, diz Varma.
“Neste exemplo, inicialmente, os dados provaram que algo estava saindo errado porque não tínhamos ampliado nosso alcance nos testes. Depois que fizemos isso, registramos um benefício inesperado no sentido que nunca esperamos que o tráfego fosse subir porque os dados de uma semana tinham mostrado o tráfego caindo. No entanto, ao rodá-lo por mais tempo, as análises provaram que o contrário era verdade.”
Em outro exemplo, o data analytics inspirou um novo produto, o que não era o objetivo geral.
“Vimos que os usuários caíam após enviar uma pergunta a um corretor, então criamos uma experiência pós-lead em que começamos a mostrar para eles propriedades recomendadas que eram similares à listagem sobre a qual eles tinham acabado de fazer uma pergunta”, explica Varma. “Como resultado, os usuários começaram a voltar e continuaram a retornar mais frequentemente por conta desse novo perfil de recomendações.”
Problemas com garantia
Na Rockwell Automation, um projeto chegou à equipe de Analytics por meio do grupo de qualidade de produtos da empresa.
“Fomos desafiados com um problema de gerenciamento de garantia”, afirma a diretora de BI da Rockwell, Sangeeta Edwin. “Em vez de apenas olhar para o problema apresentado, pedimos para a nossa equipe de data analytics focar em identificar a causa raiz.”
Ao rastrear os dados, a equipe descobriu um defeito de fabricação que correlacionava falhas de montagem com retornos pela garantia. “Isso ajudou a evoluir a nossa estratégia e plataforma para incluir IOT (Internet das Coisas) e Machine Data Analytics”, destaca a especialista.
Essa simples situação de análise de dados se transformou em uma solução surpreendente para a companhia, diz Sangeeta. “Pegamos as nossas descobertas a partir do grupo de qualidade e criamos a nossa própria plataforma de data analytics de nível de dispositivo para os nossos clientes”, lembra. “Por meio da análise de dados, transformarmos um problema de negócios em uma ferramenta útil para os nossos clientes, criando uma nova fonte de receita.”
Redescobrindo a importância dos cuidados básicos
A fornecedora de seguros de saúde Health Care Service Corp também viu ganhos inesperados a partir da análise de dados.
“Descobrimos uma joia escondida ao tentar inicialmente puxar os dados para nos ajudar a identificar os clientes que estavam indo para a sala de emergência por causas evitáveis – não emergenciais – e as razões para isso”, aponta o diretor de governança e análises corporativas da Health Care Service, Himanshu Arora.
Se 10% dos clientes da empresa estavam em planos do HMO (Health Maintenance Organization), seria esperado que menos de 10% dos serviços de emergência evitáveis fossem atribuídos a esse grupo, dado o acesso que eles possuem a um clínico geral (PCP – Primary Care Provider) . “O que descobrimos foi uma tendência até quatro vezes maior na direção oposta”, explica. “Esses 10% dos clientes estavam respondendo por 40% de todos os serviços evitáveis no pronto-socorro.”
O alto custo de uma visita à emergência mais a inconveniência dos clientes em irem ao pronto-socorro, e não se beneficiarem de serviços que não podiam prevenir ou tratar tais problemas de saúde, levou a empresa a encontrar maneiras de ajudar os associados além de fornecer acesso a um clínico da rede.
“Voltamos para o quadro de ideias para entender melhor quais determinantes do atendimento, como barreiras de linguagem, acesso a transporte, e problemas de agendamentos, estavam levando os nossos associados HMO a visitarem o pronto-socorro em vez do seu clínico geral e a encontrar soluções para isso”, afirma.
“Engajamos a nossa rede de provedores para ajudá-los a entrar em contato proativamente com os associados para garantir que eles estavam recebendo os cuidados que precisavam, (e) reavaliamos nosso produto e desenho de rede para fortalecer nossos modelos de compartilhamento de risco com os provedores – para que eles tenham mais incentivo para ajudar a identificar e a agir com esses dados.
Redefinindo o sucesso – e metodologias analíticas
A Zeta Global, que produz uma plataforma de software para aplicações de marketing, usa analytics para fornecer suporte a iniciativas internas e de clientes, como o desenvolvimento de algoritmos para fazer previsões dentro dos dados do cliente ou análise de sinal para gerenciamento de segurança.
“O poder profético dos dados geralmente está onde você não espera”, explica o CIO da Zeta, Jeffry Nimeroff. “Os resultados inesperados são parte da mágica, e tivemos muitas situações em que ficamos olhando maravilhados para as descobertas.”
Um exemplo envolve a redução de custos de tecnologia. “A maioria das empresas que utiliza tecnologia e tem custos de tecnologia acaba com algum tipo de tecnologia sombra”, destaca. “Na busca por maior produtividade, as pessoas encontram as ferramentas que funcionam para elas.”
Como parte da sua recente parceria para um centro de operação de segurança, a implementação focou na inteligência de ameaças. Os resultados esperados apresentaram progresso contínuo na maturação de segurança, diz Nimeroff, mas o valor inesperado veio da descoberta de custos escondidos da tecnologia de segurança.
“Com essa visualização, pudemos falar com pessoas específicas sobre tecnologias específicas, algumas das quais elas tinham esquecido, e desconectar esses serviços gerou uma redução de custos de seis dígitos”, aponta o executivo.
Nenhum comentário:
Postar um comentário