Introdução 

Ao longo da disciplina discutimos diversos temas relacionados às atividades da análise de negócios para a tomada de decisão que gere resultados satisfatórios para a organização. Nessa aula, vamos trazer algumas considerações finais sobre temas muito relevantes: inovação, cadeia de valor dos dados, mensuração de valor, gestão de dados e capturar os dados certos.

Estimulando a inovação

A inovação é um conceito difícil de definir. Às vezes, a inovação é evolutiva; melhorias vêm de tornar os processos existentes melhores. Às vezes, a inovação é revolucionária; as melhorias vêm do descarte de abordagens existentes e da abertura de um novo caminho. Às vezes, a inovação é fácil; às vezes, é difícil. A única constante é que requer a destruição criativa e um ambiente que permita flexibilidade e experimentação. Isso é contrário ao modo como a maioria das organizações trabalha (Stubbs, 2013).

As organizações geralmente são ruins em promover a inovação. Isso não deveria ser surpreendente: a maioria das organizações é projetada em torno da repetibilidade. Administrar uma empresa não é fácil e a incerteza prejudica a eficiência. Há uma razão pela qual as organizações enfatizam consistência e governança (Stubbs, 2013).

As organizações interessadas em inovar enfrentam um dilema. Por um lado, a inovação requer flexibilidade. Por outro lado, porém, a eficiência vem da estrutura. Dado esse conflito inerente, não é de surpreender que as organizações geralmente lutem para impulsionar melhorias contínuas quando percebem o sucesso na análise de negócios. Os sucessos iniciais são recebidos com inércia e, eventualmente, estagnação. A resposta não é tentar criar uma solução para todos os problemas. Em vez de tentar fazer um sistema que atenda a todos os requisitos, superar a inércia de processos fortemente definidos envolve ignorá-los completamente (Stubbs, 2013).

A melhor solução gira em torno da criação de modelos de negócios separados, mas vinculados. Ao capitalizar o poder oferecido por diferentes estruturas orientadas por diferentes requisitos, as organizações podem obter o melhor dos dois mundos. A maioria das equipes tem como objetivo impulsionar a eficiência e melhorias evolutivas. Outras equipes recebem a flexibilidade de que precisam para impulsionar a inovação disruptiva. Todos, no entanto, são medidos em sua capacidade de gerar melhores resultados (Stubbs, 2013).

Ao estabelecer um modelo operacional totalmente separado, mas integrado, as organizações aproveitam a inovação evolutiva e revolucionária. Todos aproveitam os mesmos ativos de dados. Todos se integram nos mesmos processos operacionais. Existem processos bem definidos para transformar inovações revolucionárias em processos de negócios habituais. Ao separar a experimentação da melhoria contínua, as organizações podem inovar e testar novas abordagens sem afetar os negócios como de costume (Stubbs, 2013).

Cadeia de valor de dados

A análise de negócios usa e produz grandes quantidades de dados. Os ativos precisam de um conjunto amplo e profundo de entradas para serem precisos e relevantes, e esses ativos, por sua vez, criam grandes quantidades de dados analíticos por conta própria. Esse grande volume de informações cria um problema de gerenciamento (Stubbs, 2013).

Perder a noção de como as informações são modificadas expõe a equipe ao risco operacional, porque a análise de negócios gira em torno da transformação de dados, é perigosamente fácil acabar em uma situação em que a equipe não consegue explicar como e por que um determinado dado foi alterado. Isso questiona os resultados e prejudica a credibilidade. Estabelecer uma governança analítica eficaz requer mais do que definir processos. A equipe precisa ser capaz de reconstruir como cada parte da informação processada foi gerada. Isso ajuda a gerenciar o risco operacional e melhorar a qualidade e a confiabilidade dos resultados analíticos (Stubbs, 2013).

Ao gerar insights, cada ação que uma equipe realiza origina, transforma ou aumenta seus dados existentes. Cada passo exige que a equipe faça suposições. Acompanhar essas suposições envolve entender a cadeia de valor de dados. Para criar resultados robustos e defensáveis, a equipe precisa:

• Dados brutos.
• Limpar e imputar dados.
• Calcular transformações e derivações.
• Calcular os dados de valor agregado.
• Traduzir dados em um formulário para que os tomadores de decisão utilizem.

Para ir do insight à ação, toda equipe precisa garantir que seus processos passem por cada uma dessas transformações. O rigor que uma equipe precisa aplicar ao fazer isso varia de acordo com o contexto. A governança necessária para dar suporte à pontuação de crédito geralmente é muito diferente daquela exigida no marketing. O que não muda, no entanto, é garantir que todos os processos atendam e rastreiem esses requisitos de alguma forma (Stubbs, 2013).

Medição de valor

Dado que a análise de negócios visa gerar valor econômico, é um tanto irônico que a maioria das organizações seja tão ruim em quantificar o valor da análise de negócios. Eles geralmente se concentram em ganhos de produtividade, tomada de decisão melhores ou maior agilidade, nenhuma das quais são medidas muito firmes quando se trata de avaliar o impacto financeiro da análise de negócios (Stubbs, 2013).

As organizações que não conseguem quantificar o valor da análise de negócios raramente desenvolvem qualquer forma verdadeira de vantagem competitiva. Por não saberem quanto vale seu esforço, geralmente lutam para justificar qualquer mudança ampla na forma como o negócio opera. Eles também geralmente acham difícil comparar e avaliar o valor relativo de diferentes iniciativas. Isso dificulta o foco do investimento onde ele fará mais diferença. Na melhor das hipóteses, a análise de negócios acaba sendo um exercício de nicho, funcionalmente alinhado e geralmente incompreendido (Stubbs, 2013).

A melhor abordagem é ter um conjunto padrão de medidas de negócios aplicadas a todas as iniciativas de análise de negócios, independentemente de onde existam na organização. Isso ajuda a orientar o investimento para onde ele gerará os melhores resultados, além de comunicar claramente o valor da análise de negócios. Isso impulsiona mais investimentos, o que, por sua vez, leva a economias de escopo, eficiência de custos e resultados de maior qualidade (Stubbs, 2013).

Gerenciamento de dados

Obter insights que se transformem em ação envolve uma cadeia de valor razoavelmente padrão. As equipes precisam obter dados. Eles precisam garantir que os dados estejam limpos e completos. Eles precisam alterar e estender os dados para atender a sua finalidade. Por fim, eles precisam criar insights a partir desses dados e garantir que sejam operacionalizados (Stubbs, 2013).

Conceitualmente, isso é bastante elementar. Na prática, porém, as equipes precisam tornar esses marcos reais de alguma forma. Isso inevitavelmente envolve a criação de processos que realizam uma ou mais de cada uma das atividades dentro dessa cadeia de valor geral. Fazer todas essas etapas em um único processo às vezes pode parecer a escolha mais inteligente – a equipe pode reduzir o número de ferramentas necessárias, bem como o número de processos que precisa monitorar e gerenciar (Stubbs, 2013).

Ambos são verdadeiros. Infelizmente, esses benefícios superam os custos apenas quando todos trabalham de forma independente. A reutilização é uma parte crítica da geração de economias de escala e a adoção dessa abordagem cria processos monolíticos que desencorajam a reutilização de ativos. Uma das melhores razões para manter as coisas separadas é que isso torna tudo flexível. Processos fracamente acoplados flexionam com os requisitos em mudança, até mesmo ao ponto de serem capazes de combinar aplicações em tempo real com aplicações não em tempo real. A eficiência vem de pegar os cinco marcos e implementá-los como quatro atividades. Esses são:

• Criando dados comuns.
• Construindo tabelas específicas do modelo.
• Modelos de treinamento ou geração de insights.
• Implantação de resultados.

Assim como as arquiteturas de dados lógicos e físicos estão relacionadas, essas são uma maneira prática de garantir que tudo permaneça flexível. Embora se sobreponham, um é conceitual, enquanto o outro é instanciado (Stubbs, 2013).

Captando os dados certos

Toda organização tem mais dados do que sabe usar. Caso contrário, não está sendo honesto ou não está rastreando seus negócios. Descobrir a melhor forma de usar esses dados é difícil porque a análise de dados oferece oportunidades e escolher as certas é mais difícil do que parece. Diante de uma escolha, a maioria das equipes tende a escolher a opção mais fácil: analisam o que se sentem confortáveis em analisar. Isto é um erro; conforto raramente equivale a valor. As zonas de conforto da maioria das equipes giram em torno de dados numéricos. De maior interesse são os dados transacionais, principalmente porque precisam ser bem estruturados e ter mais números do que texto. Infelizmente, essa abordagem ignora as vastas reservas de dados baseados em texto que a maioria das organizações tem armazenado (Stubbs, 2013).

Isso cria um problema interessante. Ironicamente, a maioria das equipes se tornou altamente habilidosa em analisar o que compõe a minoria de seus dados disponíveis. Isso não ocorre porque os dados estruturados são mais fáceis de analisar; é porque é aí que reside a maioria das habilidades. Ao determinar a melhor forma de resolver um problema, é tentador escolher dados com base nos níveis de conforto. A equipe define sua abordagem com base no uso dos dados com os quais se sente mais confortável. Isso é o contrário de como deveria ser; a melhor abordagem é trabalhar de trás para frente a partir do resultado e usar os dados que conduzem ao melhor resultado. Em vez de permitir que as habilidades definam o escopo, os resultados devem definir as habilidades (Stubbs, 2013).

Em resumo

Nessa aula retomamos alguns pontos importantes sobre inovação, cadeia de valor dos dados, mensuração de valor, gestão de dados e capturar os dados certos visando reforçar mecanismos para garantir que a análise de negócios efetivamente agregue valor para a organização.