Estar em constante mudança é buscar tendências, novas referências, novas ideias e formas de atuação. Alinhar-se com “o novo” requer flexibilidade em se adaptar e a consciência de se manter fiel à própria essência. O Social Good Brasil já mudou muito. Muito mesmo. As pessoas envolvidas em cada frente, a maneira com que construímos nossos processos, as metodologias dos nossos programas… Tudo está em evolução. Contudo, o nosso propósito maior sempre foi o mesmo: atuar com tecnologias e discutir de que forma podem ser utilizadas para causar impacto positivo.
Então, queremos contar sobre o nosso mais recente movimento de mudança, que foi bastante significativo: a busca por nos tornarmos uma organização – e, principalmente, os aprendizados sobre ser data-driven. Quando o burburinho sobre dados começou no SGB, lá em 2016, nos fez olhar na direção de organizações orientadas a números e fatos, decisões sem “achismo”, o uso de dados para exponencializar impacto positivo e de que forma engajar toda a nossa equipe para abraçar essa bandeira.
Em processos de transformação, há sempre muita reflexão sobre o que queremos como organização, quais movimentos desejamos fazer e aonde queremos chegar. E, de novo, como inovar é um movimento de aprendizado em todos os processos, queremos trazer algumas das (várias!) lições que tivemos nos últimos meses na empreitada – constante – em nos tornar uma organização orientada a dados. E vamos ser sincerões, viu.
1. Aprendizados sobre ser data-driven: não precisa ser cientista de dados para dedicar mais atenção aos dados na sua organização.
Um bom exemplo disso são os jornalistas de dados: por muito tempo, se imaginou que o trabalho de repórter ao que já fizeram por séculos – tendo suas evoluções naturalmente – e o único contato real com dados era a prática de embasar afirmações com números nas reportagens. Até o momento em que isso não mais bastou. Então, criou-se diversas metodologias para investigações e pesquisas dos próprios jornalistas num trabalho completo com dados que já foram coletados por empresas, organizações e governo.
O jornalismo de dados é uma área que tem crescido nos últimos anos e cria uma categoria para alguns profissionais que se dedicam a trabalhar com pesquisas e números – normalmente públicos –, questionam essas informações, investigam afirmações e reportam suas conclusões a respeito de determinado tema. Mas nem todos os profissionais que utilizam dados no seu dia-a-dia têm uma categoria pra chamar de sua.
Tendo em vista o exemplo de jornalistas de dados, o primeiro mito que a gente buscou quebrar internamente no SGB é de que apenas cientistas de dados trabalham com eles exatamente porque não havia esse profissional na nossa equipe.
Desde sempre temos pessoas formadas nas mais diversas áreas: design, relações internacionais, psicologia, administração, publicidade e propaganda, jornalismo, engenharia elétrica, etc. Todas essas formações agregam de diferentes maneiras e têm muito a contribuir no trabalho com dados vice-versa, pois os dados auxiliam diversas áreas a se organizarem, terem decisões mais assertivas, estratégias com mais retorno e novos métodos de trabalho.
Aliás, ter generalistas no time, pessoas que se profissionalizaram em diferentes áreas do conhecimento, é muito importante. Inclusive, a necessidade de existirem generalistas irá crescer em um mundo com crescimento da automação – a opinião é de Richard Boire, fundador da Boire Filler Group, grupo especializado em análise preditiva, inteligência de negócios e análises de dados com foco em empresas.
Veja o próximo aprendizado sobre ser data-driven…
2. Aprendizados sobre ser data-driven: cientistas de dados não são a solução, eles fazem parte da solução.
Cientistas de dados não são a solução, eles fazem parte da solução. Não adianta ter experts em dados em uma equipe quando não se tem clareza do que se busca com essa expertise. Há uma série de perguntas internas que devem ser feitas sobre os porquês de se adotar dados na organização, decisões estratégias de como aplicar esse novo conhecimento, em que áreas e como começar essa trajetória. E esse processo é bastante longo.
Feito isso, como falamos no ponto anterior, um aprendizado que tivemos no SGB foi que não é necessário ser cientista de dados para trabalhar com eles, e demos inclusive o exemplo de jornalistas. Até aí tudo bem.
Contudo, na realidade das organizações, no momento em que se decide trabalhar com dados, é natural que se queira contratar experts e cientistas de dados imediatamente. Mas, de novo, essa não é a solução.
- É preciso ter cientistas ou especialistas em dados ou pessoas que foquem seu trabalho nessa área? Sim.
- É necessário ter um grupo de super especialistas para trabalhar com dados? Não.
Entramos naturalmente numa discussão: é melhor, então, ser especialista ou generalista? Não existe certo e errado, mas o que muita gente não sabe é que na maioria dos casos, profissionais da área que sejam generalistas podem ser mais eficientes do que especialistas.
No texto “Por que a ciência de dados precisa de generalistas e não especialistas”, do Harvard Business Review, Eric Colson destaca: “Para encorajar aprendizado e interação, os papéis no ciência de dados precisam ser feitos de maneira mais genérica, com amplas responsabilidades agnósticas à função técnica. Isto é, organizar os cientistas de dados para que eles sejam otimizados a aprender. Isso significa contratar cientistas de dados com amplas habilidades —generalistas — que podem performar diversas funções: desde a concepção a criar modelos, passando por implementação e medição.”
Pessoas generalistas são essenciais para o trabalho com dados, e inclusive isso é encorajado e a experiência de pessoas com anos de estrada mostra a necessidade de não afunilar os conhecimentos e habilidades profissionais no trabalho com dados. Isto é, pode valer mais a pena ter alguém que entende um pouco de tudo – um pouco de dados, um pouco de gestão, um pouco de programação, etc. –, do que aquele cientista de dados especialista apenas em dados. E é inclusive contratando essas pessoas mais generalistas que algumas empresas começam a estruturar suas áreas de dados.
No SGB, mas um dos maiores aprendizados sobre ser data-driven (ou buscar ser) que o SGB teve foi de que os profissionais que aqui trabalham, em sua maioria generalistas, foram extremamente abertos, capazes e eficientes no aprendizado e aplicação de uma mentalidade analítica em seus projetos.
A lição mais importante incorporada pela equipe é de podemos e devemos ter diversos tipos de profissionais lidando com dados numa organização – e que isso não exclui a importância de ter alguém olhando estrategicamente para os dados e ter essa responsabilidade, inclusive pensando sobre as mudanças que a Lei Geral de Proteção de Dados requer.
3. Aprendizados sobre ser data-driven: a cultura analítica deve ser parte da cultura organizacional
Dados são importantes. Hoje, são vitais no funcionamento de organizações, empresas e governo. “Mas por quê?”, as pessoas irão perguntar, em qualquer setor, em qualquer lugar.
Só tendo a compreensão da urgência e relevância de algo que as pessoas se engajam em torno dessa causa. Então, é necessário compreender a importância de desenvolver a mentalidade analítica inerente à inteligência de dados antes de, de fato, buscá-la. Por isso, no SGB entendemos a fundo os porquês e pulamos no barco dos dados ao compreender quais tipos de mudança o uso de dados acarreta e todos lados positivos em se tornar data-driven que reverberam em diferentes áreas. Alguns exemplos são:
- Com estratégias mais inteligentes, direcionadas e assertivas, o trabalho é otimizado.
- Os erros são percebidos com mais antecedência e, por isso, as rotas são ajustadas mais rapidamente.
- Além disso, são colocados objetivos mais concisos e metas claras para o time – quando se usa dados para medir sucesso, é preciso definir métricas para medir o que se busca; assim, o leque de possibilidades se afunila e as finalidades também.
Para que todos esses pontos se concretizem, é necessária uma mudança sistêmica de pensamento e comportamento em todas as áreas. No SGB um dos grandes passos dados foi alterar a maneira com que encaramos e identificamos o “achismo” nos nossos programas e na nossa rotina de trabalho. E não é porque não tem dados, que precisa ter achismo; se não há histórico para medir, pode-se buscar pesquisas, resultados e números que tornem uma ação ou estratégia factíveis. A maior “sacada” aqui é: em vez de falar “eu acho…”, falar “vou buscar fatos a respeito desse assunto”, e só então tomar uma decisão.
O maior exemplo disso foi como passamos a tratar o Festival SGB, nosso evento anual que trata de tecnologia para impacto positivo, começando todas as reuniões de planejamento em 2018 com um dashboard aberto. Assim, todas as perguntas e questionamentos eram endereçados conforme as informações que já tínhamos de anos anteriores, já que o evento ocorre desde 2012.
Desde então, nossas estratégias de planejamento de agenda, logística, experiência e marketing se têm se tornado muito mais assertivas. A equipe que busca temas e palestrantes para a agenda, olha para as avaliações dos anos anteriores quanto às falas, aos temas e às dinâmicas do evento. Quando uma estratégia para ter mais participantes inscritos no Festival não funciona, a equipe de comunicação olha para o que já foi feito e surtiu efeito positivo, pensa em como converter conforme padrões do nosso público, e várias outras formas de pensar que são, umas mais e outras menos, analíticas.
4. Aprendizados sobre ser data-driven: ser data-driven é um processo que não termina
Sabe aquela expressão de “não é sobre o destino, mas sobre o caminho”? Pois então, é uma analogia bastante possível quando falamos sobre o desenvolvimento de maturidade analítica. Aliás, o termo maturidade analítica é usado principalmente em contexto organizacional e define a capacidade de gerar valor e evoluir em complexidade de análise, direcionando sua tomada de decisões e/ou estratégia de impacto por dados.
Conversando sobre o nível maturidade analítica do SGB com o Bruno e o Tiago, duas pessoas que tomam bastante a frente de dados no SGB, chegamos à conclusão de que a frase “somos uma organização orientada por dados” fica até esquisita, já que estamos em constante aprimoramento nessa área. Estamos constantemente em construção e, por isso, nossa estratégia de dados também, assim como a forma com que se aplica em cada área do SGB.
“Se ser data-driven significa ser orientado a dados, e o volume de dados cresce tendendo ao infinito, ser orientado a dados é portanto, um processo que nunca terá fim”, como lembrou o Tiago, o “cara dos dados” no SGB. Portanto, a partir de agora, além de tomar cuidado ao falar que “somos uma organização data-driven”, também mantemos em mente esse constante e contínuo aprimoramento dos nossos processos de dados.
E tentativa e erro são parte desse processo:
“O objetivo da ciência de dados não é executar, mas sim aprender e desenvolver profundamente novas capacidades de negócios. Produtos derivados de algoritmos e serviços de dados (…) não podem ser desenhados com antecedência. Eles precisam ser aprendidos no decorrer de um projeto. Isto é, não existe um manual a ser seguido; suas características possuem uma incerteza inerente. (…) Todos os elementos que você irá precisar são aprendidos por meio da experimentação, tentativa e erro, e interação. Em projetos mecânicos, todo o conhecimento e o design podem ser concebidos com antecedência, antes de você de fato executar o projeto. Com a ciência de dados, você aprende conforme desenvolve o projeto, não antes.”
Eric Colson, no Harvard Business Review
5. Aprendizados sobre ser data-driven: sem dados, sem decisão?
Ao ministrar algum workshop, palestra ou mesmo durante um Laboratório SGB de dados, nossa equipe busca as melhores referências para que esse mundo fique o mais tangível possível às pessoas. Portanto, para um workshop de dados, uniu-se o entendimento da Cappra Data Science e da Universidade de Columbia para chegar a um horizonte comum sobre as etapas da maturidade analítica de uma organização.
Muito resumidamente, a complexidade da maturidade analítica de uma organização tem vários passos e pode ser dividida em:
- Data aware: compilamos manualmente relatórios não-padronizados de diferentes sistemas
- Data proficient: temos relatórios e plataformas unificados
- Data safety: usamos dados para justificar decisões tomadas sem dados
- Data savvy: usamos dados para decisões críticas da organização
- Data-driven: sem dados, sem decisão. Os dados permeiam todos os processos e decisões da organização.
Uma reflexão que temos feito no SGB é de que maturidade analítica organizacional não é linear, com um passo depois do outro, porque a organização não é um bloco sozinho. Alguns projetos podem ser mais ou menos orientados a dados, encaixando em diferentes níveis da escala de maturidade analítica. A avaliação sobre essa complexidade pode ser dividida por projeto, produto, serviço, programa – ou a maneira com que se subdividem os times –, ou para a organização como um todo, juntando todas essas partes.
E, se pudermos, uma dica valiosa é: não deixe com que o medo, receio ou barreira de achar que se deve estar no mais complexo nível de maturidade analítica, impeça que se comece de maneira embrionária uma estratégia de dados. Todas as organizações começam daquele início, do mais básico, e vão galgando os degraus. E, mais importante do que evoluir nessa escada, é compreender o que se busca ao complexificar sua maturidade analítica e avaliar inclusive os efeitos desse movimento na organização, e se ela precisa tomar esses caminhos.
Então, nossa conclusão foi que “sem decisão, sem dados” não funciona para nós porque determinar o SGB como um todo é, em cada pequeno processo, orientado a dados, não reflete a realidade com precisão. Todos os programas implementam estratégias de dados da maneira que condiz mais com as suas finalidades (e tudo bem!), pensando onde se está e aonde se quer chegar – na estratégia de dados e na estratégia geral. Da mesma forma é com o SGB como organização: é sabendo em que patamar estamos que enxergamos aonde queremos e podemos chegar quanto à nossa complexidade de maturidade analítica.
Portanto, “sem dados, com a decisão mais próxima possível de que teríamos, caso tivéssemos dados” está mais para o nosso mantra estratégico nessa seara.
6. Aprendizados sobre ser data-driven: definir bem qual o próximo desafio
Definir bem qual o próximo desafio é essencial para dar mais passos e expandir a abrangência do uso de dados na organização.
O nosso primeiro passo foi olhar para o Festival SGB. Um fator primordial foi de que no Festival SGB era onde tínhamos maior número e frequência de participação presencial; consequentemente, havia muitos dados coletados por nós (primários). Por ser uma um evento com alguns anos de estrada, já havia um histórico maior, repetições e padrões para analisar e, de todos os nosso programas, era o que mais tinha informações já organizadas. Assim, podendo desenvolver um olhar mais preditivo e entender fenômeno.
- Definir resultados/objetivos: dentre os resultados que queremos para Festival, quais são fundamentais para tomada de decisão? No festival foi entender melhor a quebra
- Criar produtos de dados: quais produtos de dados podemos criar para essa tomada de decisão e que dados usamos para alimentá-los? criamos uma análise preditiva e um dashboard de monitoramento das inscrições
- Mudar o comportamento: Só a ferramenta não basta – quais comportamentos temos que mudar? começamos as reuniões semanais com o responsável de dados trazendo um panorama em tempo real sobre as inscrições
- Coletar aprendizados: fazer um momento de coleta de aprendizados e melhorias para os próximos passos
Com esse aprendizado, então, estamos desenhando quais os próximos desafios do SGB para nos tornarmos cada vez mais orientados por dados. (E aí, qual é o próximo desafio da sua organização?).
