A transformação digital nas empresas costumava ser feita ao longo de períodos mais longos e nem sempre como estratégia de negócio global. Em 2018, relatórios da SAP, do MIT Sloan Review e da Deloitte indicavam que, apesar dos executivos reconhecerem a importância do processo, não mais que 5% das empresas estavam adiantadas ou o haviam concluído. É um pouco como exercícios físicos. Todo mundo sabe da necessidade, mas manter a regularidade é um passo adiante bastante sonegado.

Esse tipo de atitude produziu nas empresas uma série de disfunções. Por não terem sido planejados de forma global e implantados em momentos diferentes, muitos sistemas não conversam entre si.

Outras vezes, há sistemas que geram determinados dados, mas o fluxo de informação não foi desenhado e continua centralizado nas áreas de TI, que se transformam num gargalo, retardando a chegada do dado onde ele é mais necessário.

Pior: boa parte dos dados efetivamente gerados costumam ser usados apenas para relatórios operacionais, sem gerar valor efetivo.

A Covid-19 obrigou a aceleração nos planos de transformação digital, deixando mais evidentes estas fragilidades em um cenário no qual produtos e serviços são oferecidos em múltiplos canais e converter um lead pode ser uma função que não dependa do contato pessoal com o vendedor, mas de um motor de recomendação alimentado por Inteligência Artificial.

Como fazer para transformar o dado em um ativo estratégico para as empresas?

Em live que mediei sobre “Como transformar sua empresa a ser orientada a dados”, com a participação de Daniel Cassiano, Diretor de Tecnologia do Magazine Luiza; Persival Ballesté, Diretor de Produtos de Big Data e inteligência Artificial da Sciensa; e Bruno Parra, Head de Business Intelligence da Genial Investimentos, o consenso foi de que é preciso empreender nas modificações tecnológicas, de processo e culturais para fazer com que a empresa seja efetivamente data-driven.

A maioria dos líderes de negócio que se convencem sobre a importância da transformação digital querem partir do momento zero direto para adquirir as tecnologias mais comentadas do momento, como machine learning, data hub, etc.

Ballesté recomenda cautela e alerta que há um passo anterior a sair em busca das tecnologias que vão instrumentalizar a mudança: ter pleno conhecimento sobre os dados que já existem dentro da empresa.

Só depois de ter um direcionamento claro deve-se ir em busca de aplicações que tragam vantagem efetiva, otimizem algum processo e gerem resultados. É esse processo, repetido e testado inúmeras vezes, que fará as respectivas áreas de negócio perceberem o valor dos dados. “Nenhum algoritmo sozinho faz milagres”, alerta.

Corroborando a tese de Ballesté, Daniel Cassiano considera que o importante é sair do escuro. E isso pode ser mais simples do que a maioria supõe, mas requer planejamento e foco na sua execução, o que é perceptível na jornada do próprio varejista.

O Magalu é uma potência do varejo brasileiro, com R﹩ 27 bilhões de receita bruta, 25 milhões de clientes ativos e mais de 1.100 lojas.

Por volta de 2018, esse universo já tinha completado a primeira fase de transformação. Saiu do analógico, criando sistemas, integrações, APIs em diversas frentes, digitalizando muitas áreas e conectando a operação multicanal.

As áreas de negócio consumiam dados em planilhas, quando muito extraídas de Data Warehouse locais. A consistência era baixa, com problemas de processamento e baixo poder analítico, pois poucas pessoas tinham acesso, o que gerava muita demanda à área de tecnologia, o que é contraproducente.

O desafio, então, passou a ser democratizar os dados e a ciência na empresa. Resolver problemas de negócio com inteligência de dados envolvia mudar processos estabelecidos há décadas. O primeiro passo foi definir quais eram as entidades geradoras e consumidoras de dados do Magalu: produto, cliente, pedido e estoque.

A partir daí, o Magalu partiu para construção de um Data Lake, que é um grande repositório central de dados de larga escala, também conhecido como Single Source of Truth, ou seja, em vez de bancos espalhados pela empresa com versões diferentes do mesmo dado porque eles não conversavam entre si, foi feita a centralização das informações. Com isso, eliminaram redundâncias e duplicidade, o que ajuda a aumentar a confiança do público que consome esses dados acerca de sua acurácia.

Mas, como o próprio nome indica, Data Lake é um repositório. Para que se possa extrair mais valor, além dos relatórios básicos foi necessária a criação de uma camada de Business Intelligence, um dashboard ou front end, ao qual as áreas de negócio têm acesso e podem ser alimentadas com visões de dados mais sofisticadas derivadas do Lake. “Dado precisa ser self-service”, defende Cassiano.

Para que os dados efetivamente pudessem se tornar self-service, foi necessário trabalhar em três frentes: documentação muito bem feita, a criação de um sistema de governança robusto para gerar a confiança dos clientes internos e garantir a segurança e integridade das informações compartilhadas e, por fim, treinamento, para que os gestores saibam quais perguntas devem fazer à base de dados.

A partir desse estágio, um analista na ponta passou a ser capaz de rodar e extrair em segundos as análises a partir de terabytes de dados. Antes, esse profissional sofria com planilhas estáticas ou teria de gerar uma requisição para TI.

Mas é preciso preparar a equipe de analistas para extrair o melhor dos dados. Cindi Howson, chief data strategy officer na ThoughtSpot , durante simpósio com executivos responsáveis por dados e qualidade da informação no MIT, citou estudo da Harvard Business Review segundo o qual apenas 20% das empresas treinam os profissionais encarregados de analisar dados. Para ela, essa situação é inaceitável. É mais ou menos como ter uma Ferrari na garagem, utilizada no máximo para ir ao supermercado mais próximo. Não faz sentido.

Quando o processo é bem conduzido os resultados positivos, o ROI é notável. Um dos reflexos mais interessantes da jornada empreendida pelo Magalu, na opinião de Daniel Cassiano, atingiu o processo de precificação dos produtos, que antes era artesanal. Atualmente ele é pilotado por algoritmos de IA, fazendo as alterações de forma automática na base a partir da definição de qualquer uma das dezenas de variáveis disponíveis, escolhidas pelas áreas competentes.

Para empreender essas mudanças, o Magalu fez contratações e formou um time de cerca de 40 pessoas entre cientistas de dados, analistas, programadores e engenheiros.

Ainda sobre o perfil dos profissionais para essa transformação, Ballesté pontua que a ciência de dados é a combinação de conhecimento de negócios com alta capacidade computacional, aplicação de matemática e estatística. Espera-se que o profissional de dados seja multidisciplinar e tenha uma capacidade de comunicação grande. Praticamente uma mosca branca.

Um time ideal é desmembrado em disciplinas, como o analista de negócio, aquele que representa onde a aplicação vai fazer sentido. Já os engenheiros de dados recolhem informações para alimentar os algoritmos. O storyteller, por sua vez, é responsável por entender como os dados são avaliados para responder a um problema de negócio, criando uma interface que permita à empresa enxergá-los visualmente (o dashboard). O engenheiro de Machine Learning é o profissional que escreve o algoritmo, enquanto o DevOps é quem integra o código no sistema. E ainda há o gerente de projetos.

Além da montagem de uma equipe específica para desenvolver projetos orientados a dados, há o esforço de cultura a ser feito dentro das empresas. Enquanto Cassiano e Ballesté são mais cautelosos em relação a como o corpo da empresa deve ser “seduzido” pela evidente melhora na qualidade dos dados gerados, Howson defende um approach de disrupção.

Ela sugere a contratação de um Chief Data Officer que funcione como agente de mudança, um “inovador serial” para balançar as estruturas e mudar processos, ao mesmo tempo em que incentiva a cultura da inovação.

Para uma empresa ser considerada data driven, é preciso que ela compreenda os dados não como uma unidade à parte, um serviço de TI, mas algo integrado ao core business. Este é o ponto crucial. Portanto, se os executivos pretendem efetivamente garantir uma cultura organizacional voltada a dados, devem assegurar que estes estejam disponíveis, acessíveis, sejam precisos, interoperáveis e que, uma vez gerados, possam ser compartilhados e reutilizados por todas as áreas pertinentes com o objetivo de gerar mais valor.

Não é mesmo fácil, mas também não é uma missão impossível. O primeiro passo é centralizar dados, depois criar uma camada de BI para ser acessível, um sistema de governança e muito treinamento para que as pessoas façam as perguntas certas. Cassiano aconselha que precisa partir de uma base sólida, mas concorda com os cálculos de Ballesté de que projetos de dados com um roadmap claro podem gerar valor agregado em questão de meses.

E para avançar é importante nunca perder de vista que: 1) simples é melhor do que complexo; 2) acessível é melhor do que tecnicamente elegante; 3) precisão é fundamental, 4) documentação e didática fazem diferença para garantir que a empresa inteira consiga se comunicar com as terminologias corretas; e 5) governança gera confiança.

Empreender a jornada de dados pode parecer uma odisseia. No entanto, conforme lembra Bruno Parra, da Genial Investimentos, hoje em dia uma empresa não pode mais se dar ao luxo de levar um mês para entregar um dado nas mãos de um executivo para ele tomar alguma decisão de negócio só porque a estrutura não está preparada para produzi-los.

Na nova data economy saber transformar seus dados em ativos estratégicos é o único caminho para ganhar vantagem competitiva e evitar a perda de market share. Tornar-se uma empresa data-driven passou a ser, basicamente, uma questão de sobrevivência. Tá esperando o quê?