Ciência e Dados
Menu
  • Home
  • Sobre
  • Contato
Menu
DaaP - Data as a Product

DaaP – Data as a Product

Posted on 26 de setembro de 202226 de setembro de 2022 by David Matos

De acordo com uma pesquisa recente, a taxa de adoção típica de análise de dados ainda é de 26%. Isso significa que, quando oito gerentes se reúnem em uma sala para tomar enormes decisões estratégicas e operacionais, seis deles tomarão decisões críticas com base inteiramente em seus instintos.

Quão assustadora é essa realidade? Apenas dois desses oito gestores consultariam os dados. A última coisa de que precisamos no clima de negócios incerto de hoje é mais adivinhações de nossos líderes.

Mesmo diante de tantas mudanças e incertezas, os tomadores de decisão continuam investindo em análise de dados (o que traz muitas oportunidades no mercado de trabalho). No entanto, apesar disso, as empresas ainda não conseguem alavancar seus dados em todo o seu potencial – ou chegar perto disso.

Precisamos nos perguntar por que as abordagens atuais não funcionam. Vamos discutir alguns dos principais desafios atuais e como Data as a Product pode ser uma alternativa para aumentar o uso da análise de dados nas empresas.

Chief Data Officer

Contratar um Chief Data Officer, ou CDO, indica que a empresa está pronta para levar os dados a sério. Na maioria dos casos, no entanto, os papéis dos CDOs são mal definidos com expectativas pouco claras.

Tom Davenport descreve o CDO como o trabalho mais instável do C-suite (CEO, CIO, CFO, CDO, etc…). Seu mandato é curto, a rotatividade é alta e o papel geralmente não é claro.

Além disso, os CDOs geralmente têm formação técnica. Como resultado, seu foco imediato tende a ser em estratégias de dados defensivas, como criar ambientes de dados ideais, limpar pipelines de dados, estabelecer políticas de governança de dados e criar data warehouses corporativos.

Embora todas essas tarefas sejam importantes, elas são muito caras e sua natureza defensiva torna o valor que elas criam difícil de medir em termos de negócios e invisível para a maioria dos usuários internos.

Não é a melhor maneira de testar a paciência dos executivos de negócios que procuram ROI (Retorno Sobre o Investimento) imediato quando sua equipe está presa em atividades defensivas por até 18 meses – sem surpresa, aproximadamente o mesmo período de tempo que o mandato médio de um diretor de dados. Em vez disso, o foco precisa mudar para demonstrar valor rapidamente.

Perguntar aos usuários de negócios quais dados eles desejam

Comumente referido como levantamento de requisitos. Aqueles que reconheceram as falhas inerentes a um excesso de investimento em estratégias defensivas muitas vezes tentam seguir uma abordagem que prioriza as necessidades para gerar valor a partir dos dados.

Usando essa abordagem, as empresas primeiro tentam entender as necessidades dos usuários de negócios, descobrir quais não são atendidas e elaborar uma estratégia que atenda a essas necessidades não atendidas.

Não é uma má ideia, mas a abordagem tradicional para fazer isso está condenada porque os usuários normalmente não conseguem articular as soluções que desejam. Na maioria dos casos, o usuário não é um Cientista, Engenheiro ou Analista de Dados.

Eles não sabem quais soluções são possíveis, mas por que deveriam? Por que contratar um cliente para fazer o trabalho da equipe de marketing, desenvolvimento e planejamento de produtos? A criação da solução de dados vencedora não é responsabilidade do usuário. É responsabilidade da equipe de dados.

Em seu best-seller de 1991, Competindo pelo Futuro, Gary Hamel e C. K. Prahalad alertam as empresas sobre o risco que correm se não conseguirem ter uma visão das necessidades que os clientes não conseguem articular. O mesmo vale para a coleta de requisitos de dados. Apesar dos métodos de coleta de necessidades disponíveis, as equipes de dados não conseguem descobrir todas ou mesmo a maioria das necessidades do cliente.

Iniciando um programa de alfabetização de dados

Enviar os usuários de negócios para um curso de alfabetização de dados é bem intencionado e fundamentado. No entanto, muitas vezes não funciona por vários motivos.

Alguns programas de alfabetização de dados não são incorporados à estratégia empresarial, enquanto outros são tratados como projetos paralelos que não recebem a atenção que merecem. No entanto, duas das razões mais comuns para o fracasso são a abordagem de tamanho único e a falha em reforçar o aprendizado.

Nem todos os funcionários exigem o mesmo nível padrão de alfabetização de dados. Por exemplo, aqueles que usam dados taticamente têm requisitos de alfabetização diferentes daqueles que usam dados estrategicamente.

Para manter o treinamento relevante, os indivíduos precisam apenas de alfabetização suficiente para realizar seus trabalhos específicos – o que significa que programas extensivos de alfabetização de dados em toda a empresa podem resultar em treinamento excessivo e falta de adesão dos funcionários que consideram o treinamento irrelevante.

Precisamos de uma nova abordagem

Contratar um CDO, reunir as necessidades do usuário ou enviar a equipe para treinamento em alfabetização de dados não é errado, mas cada abordagem tem muitos desafios sutis que ainda dificultam a adoção da análise de dados.

A dura realidade é que os dados ainda são ignorados por muitos dos que precisam deles. Para a maioria das pessoas a alternativa ainda é o instinto, a abordagem preferida para a tomada de decisões.

Devemos redefinir nosso relacionamento com os dados e produzir insights que sejam mais acessíveis aos usuários do que apenas instintos, ajudando-os a tomar decisões melhores e mais rápidas. Para fazer isso, não podemos continuar a tratar os dados como um projeto.

Em vez disso, devemos mudar nossa perspectiva e tratar os dados como um produto acessível, visível e utilizável para todos, independentemente de sua disciplina ou desejo.

Gerenciando dados como um produto

Um produto é qualquer item ou serviço que você oferece para atender às necessidades reais do cliente melhor do que as alternativas.

Para construir um produto de sucesso, é essencial ser específico sobre os seguintes detalhes; quem o usará, quanto e como será usado, quais trabalhos ajudará a realizar, quais pontos problemáticos abordará e como gerará receita.

As empresas podem liberar todo o valor de seus dados aplicando os princípios do pensamento do produto para criar produtos de dados.

Quando você cria um ótimo produto, alcança o que é comumente conhecido como ajuste ao mercado do produto, em que seu produto atende às necessidades do usuário melhor do que as alternativas. Quando você tem um bom ajuste ao mercado do produto, seus clientes-alvo estão comprando, usando e recomendando o produto em número suficiente para sustentar o crescimento e a lucratividade desse produto.

Uma das métricas mais notáveis usadas para avaliar o ajuste do produto/mercado é o teste de Sean Ellis (também conhecido como The 40% Test). A regra é simples; se 40% dos clientes pesquisados disserem que ficariam “muito desapontados” se não pudessem mais acessar o determinado produto, então o produto está do lado vencedor.

Vamos voltar aos nossos oito gerentes em uma sala de reuniões tomando decisões estratégicas e operacionais maciças. Todos eles têm acesso aos dados e estão em um curso de alfabetização de dados. Apenas dois podem ficar desapontados se não tiverem mais acesso. Os outros que nem se incomodam em acessar os dados não vão perder.

Simplificando, com uma adoção média de 26%, os dados que estamos produzindo já estão perdendo. Não tem ajuste de mercado do produto.

A equipe de dados precisa deixar de tratar os dados como um projeto e tratar os dados como um produto, ou seja, Data as a Product. Isso significa entender o trabalho que a análise ajuda a realizar, os resultados desejados e a experiência do usuário.

Fornecer análises com um conjunto claro de recursos, experiência do usuário e proposta de valor que atenda às necessidades dos clientes-alvo fará com que mais deles adotem o produto. Isso alcançará o ajuste do produto ao mercado e resultará em uma reviravolta completa na adoção, atitudes, perspectivas e comportamentos da equipe em relação aos dados.

De volta à sala com os oito gerentes, se os dados forem projetados como um produto intuitivo com forte adequação ao mercado de produtos, passaremos de apenas dois gerentes usando dados para mais de quatro gerentes incorporando dados em suas tomadas de decisão. Uma mudança de comportamento muito necessária para lidar com um futuro cada vez mais incerto.

Traduzido do original em inglês:

Data As A Product, Redefining Our Approach To Producing Value From Data

Como dica, recomendo visitar o site da K2View, plataforma de Data as a Product.

David Matos

Compartilhar

  • Clique para compartilhar no X(abre em nova janela) 18+
  • Clique para compartilhar no Facebook(abre em nova janela) Facebook
  • Clique para compartilhar no LinkedIn(abre em nova janela) LinkedIn
  • Clique para compartilhar no WhatsApp(abre em nova janela) WhatsApp
  • Clique para compartilhar no Telegram(abre em nova janela) Telegram
  • Clique para compartilhar no Tumblr(abre em nova janela) Tumblr
  • Clique para compartilhar no Pinterest(abre em nova janela) Pinterest

Relacionado

Deixe um comentário Cancelar resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Assinar blog por e-mail

Digite seu endereço de e-mail para assinar este blog e receber notificações de novas publicações por e-mail.

Buscar

Tags Mais Comuns nos Posts

Agentes de IA Analytics Análise de Negócios Apache Spark AWS Big Data Blockchain Business Intelligence Cache-Augmented Generation (CAG) ChatGPT Cientista de Dados Cientistas de Dados Ciência de Dados Cloud Computing Data Lake Data Mesh Data Science Data Scientist Data Warehouse Deep Learning Deploy Engenharia de Dados Estatística GPU GraphRAG Hadoop IA Generativa Inteligência Artificial Internet of Things Linguagem Python Linguagem R LLM LLMs Machine Learning Metadados Normalização NVIDIA Oracle Pipeline de Dados Predictive Analytics Probabilidade PySpark Python RAG Storytelling

Histórico de Posts

  • maio 2025 (3)
  • abril 2025 (2)
  • março 2025 (4)
  • fevereiro 2025 (8)
  • janeiro 2025 (5)
  • dezembro 2024 (4)
  • novembro 2024 (1)
  • outubro 2024 (1)
  • setembro 2024 (1)
  • agosto 2024 (1)
  • julho 2024 (3)
  • junho 2024 (1)
  • maio 2024 (1)
  • abril 2024 (2)
  • março 2024 (1)
  • fevereiro 2024 (1)
  • janeiro 2024 (1)
  • dezembro 2023 (1)
  • outubro 2023 (2)
  • setembro 2023 (1)
  • agosto 2023 (4)
  • julho 2023 (2)
  • junho 2023 (4)
  • maio 2023 (2)
  • abril 2023 (2)
  • março 2023 (3)
  • fevereiro 2023 (3)
  • janeiro 2023 (3)
  • dezembro 2022 (7)
  • novembro 2022 (6)
  • outubro 2022 (2)
  • setembro 2022 (3)
  • agosto 2022 (2)
  • julho 2022 (2)
  • junho 2022 (3)
  • maio 2022 (1)
  • abril 2022 (3)
  • março 2022 (1)
  • fevereiro 2022 (3)
  • janeiro 2022 (2)
  • dezembro 2021 (1)
  • novembro 2021 (5)
  • outubro 2021 (2)
  • setembro 2021 (3)
  • agosto 2021 (1)
  • junho 2021 (1)
  • fevereiro 2021 (2)
  • janeiro 2021 (1)
  • dezembro 2020 (1)
  • novembro 2020 (1)
  • outubro 2020 (2)
  • agosto 2020 (1)
  • abril 2020 (1)
  • março 2020 (1)
  • fevereiro 2020 (2)
  • agosto 2019 (1)
  • abril 2019 (1)
  • setembro 2018 (2)
  • julho 2018 (1)
  • junho 2018 (3)
  • abril 2018 (1)
  • março 2018 (1)
  • fevereiro 2018 (2)
  • janeiro 2018 (1)
  • dezembro 2017 (1)
  • novembro 2017 (1)
  • outubro 2017 (1)
  • setembro 2017 (1)
  • julho 2017 (1)
  • junho 2017 (1)
  • maio 2017 (2)
  • abril 2017 (1)
  • janeiro 2017 (1)
  • novembro 2016 (1)
  • outubro 2016 (1)
  • setembro 2016 (1)
  • julho 2016 (1)
  • junho 2016 (1)
  • maio 2016 (1)
  • abril 2016 (1)
  • fevereiro 2016 (1)
  • janeiro 2016 (3)
  • dezembro 2015 (4)
  • novembro 2015 (6)
  • outubro 2015 (9)
  • setembro 2015 (9)
  • agosto 2015 (9)
©2025 Ciência e Dados