Dados e Cultura Analitca (Product Design)

Prévia do material em texto

LEIA AQUI ANTES DE INICIAR: INSTALE A FONTE “RUBIK”. CLIQUE NESTA CAIXA DE TEXTO, SELECIONE A LISTA DE FONTES E “MAIS FONTES”.
_W
E
LC
O
M
E
JEAN 
COCTEAU
QUEM SONHA 
CONSTRÓI 
PONTES, NÃO 
MUROS
QUE BOM 
QUE VOCÊ 
VEIO!
JÁ VAI COMEÇAR
_Q
U
E
 B
O
M
 Q
U
E
 V
O
C
Ê
 V
E
IO
PAPEL E CANETA!
Suas anotações são 
cruciais para o seu 
aprendizado, 
insights e dúvidas.
HIDRATE-SE! 
Pegue uma água, 
chá, café e/ou um 
lanche leve!
ABRA O CHAT!
Qual é a sua 
#expectativa 
pra nossa aula de 
hoje?
FIQUE 
CONFORTÁVEL!
Sente-se e 
cuidado com a 
postura!
DADOS E CULTURA
ANALÍTICA
JÁ VAI COMEÇAR
_Q
U
E
 B
O
M
 Q
U
E
 V
O
C
Ê
 V
E
IO
DADOS E CULTURA
ANALÍTICA
Lembrem-se...
- Luz, Câmera, Ação! Mantenha sua câmera ligada pra gente se ver e se conhecer!
- Participe! Não tenha vergonha de falar, "chutar", participar! O chat é o seu 
"microfone"...use-o sempre que quiser! Perguntas ruins simplesmente não existem!
- Conhecimento é uma troca! Conto com vocês para dizer se algo não está claro ou 
pode ser melhor! 
- Aqui e Agora! Concentre-se para que sua atenção esteja presente na aula (valorize o 
seu tempo)
Quem ainda não digitou, abra o Chat e coloque um #sentimento que 
chega aqui hoje
CHECK-IN & 
WARMUP
Bruno Vasconcelos 
Montoni
Head Automation & Adv. 
Analytics @ UberEats (LatAm)
Workshop
DADOS E CULTURA ANALÍTICA
www.linkedin.com/in/brunomontoni/
http://www.linkedin.com/in/brunomontoni/
AGENDA
Bloco 1: Cultura Analítica + Prática (3/4 grupos - 25 mins)
Bloco 2: Jornada da Cultura Analítica (30 min)
Break: 10 mins
Bloco 3: Pilares da Cultura Analítica (40 min)
Bloco 4: Criando uma Cultura Analítica (30 mins)
Bloco 5: Lifecycle de Soluções (35 mins)
Q&A (20 mins)
_N
O
S
S
O
 E
N
C
O
N
TR
O
 D
E
 H
O
J
E
O QUE VAMOS FALAR?
EXPECTATIVAS
SOBRE OS TEMAS
O que esperam aprender sobre os temas de hoje?
CULTURA
ANALÍTICA
Cenário Atual
Um "fox scientist" gerado completamente por uma IA! (mais em 
2 Minute Papers)
https://www.youtube.com/watch?v=Q9FGUii_4Ok
Estamos testemunhando um 
novo paradigma na qual as 
regras de competição 
tornam-se mais complexas, 
dinâmicas, aceleradas...e mais 
cruciais para a sobrevivência 
das empresas.
Vantagem Competitiva
VOCÊ ESTÁ 
INSERIDO(A) EM 
UMA CULTURA 
ANALÍTICA?
Dica: Não seja esse cara! (Office Space 1999)
Você recebe o desafio de provar 
ao CEO da empresa em que 
trabalha a real contribuição do 
Marketing no montante total da 
receita faturada no ano de 
2021.
Que caminho você decide 
percorrer? (10 mins)
O Que Você Faria?
JORNADA
DA CULTURA
ANALÍTICA
● Propõe 5 estágios discretos pelos quais 
pessoas passam ao lidar com a perda;
● Pessoas que experienciam traumas tendem a 
entrar em estado de autodepreciação e 
necessitam se apoiar em conceitos de 
consciencialização;
● Estágios (COVID-19):
○ Negação: "Isso não está acontecendo!"
○ Raiva: "Lockdown?! Isso não é justo!"
○ Negociação: "Distanciamento por 2 
semanas e tudo volta ao normal, certo? "
○ Depressão: "Ninguém sabe quando isso vai 
terminar..."
○ Aceitação: "Isso está acontecendo, preciso 
entender como proceder!"
Modelo de Kübler-Ross
+ Energia
+ Satisfação- Satisfação
Trauma
Negação
Rejeição, 
incompreensão
Raiva
Inércia, revolta, 
sabotagem
Negociação
Tristeza, letargia, 
depressão
Depressão
Desmotivação, 
nostalgia, dúvida
Aceitação
Realização, 
engajamento, controle!
- Energia
5 Estágios do Luto
Moneyball: Science vs Scouts (adapt or die!)
https://www.youtube.com/watch?v=DtumWOsgFXc
Evolução de uma Empresa Data-Driven
P
ro
d
u
ti
vi
d
ad
e
Maturidade Analítica ~ Qualidade Decisória
Data-Aware
Organização tem 
"awareness" sobre Dados
(Data Stage)
Data-Guided
Organização começa a usar 
Dados em Produção
(Analysis Stage)
Data-Savvy
Organização usa Dados na 
maioria de processos críticos
(Insights Stage)
Data-Resistant
Organização ativamente 
resiste à Cultura de 
Dados
Data-Driven
Decision making baseado 
exclusivamente em Dados
(Strategy Stage)
Dados 
crus
Dados 
limpos
Relatórios 
Passivos
★ Dashboards
Analytics 
Preditivas
(ML)
Sistemas 
Autônomos
(Machine action)
Relatórios 
Ativos
★ KPI 
Dashboards
★ OLAP
Analytics em 
"Silo"
★ BI Self-Service
★ Data Viz
Analytics 
X-Platforms
Evolução de uma Empresa Data-Driven
P
ro
d
u
ti
vi
d
ad
e
Maturidade Analítica
Data-Aware
Organização tem 
"awareness" sobre Dados
(Data Stage)
Data-Guided
Organização começa a usar 
Dados em Produção
(Analysis Stage)
Data-Savvy
Organização usa Dados na 
maioria de processos críticos
(Insights Stage)
Data-Resistant
Organização ativamente 
resiste à Cultura de 
Dados
Data-Driven
Decision making baseado 
exclusivamente em Dados
(Strategy Stage)
Dados 
crus
Dados 
limpos
Relatórios 
Passivos
★ Dashboards
Analytics 
Preditivas
(ML)
Sistemas 
Autônomos
(Machine action)
Relatórios 
Ativos
★ KPI 
Dashboards
★ OLAP
Analytics em 
"Silo"
★ BI Self-Service
★ Data Viz
Analytics 
X-Platforms
O que aconteceu?
Porque aconteceu?
Como aconteceu?
O que acontecerá?
Ações otimizadas
Evolução de uma Empresa Data-Driven
P
ro
d
u
ti
vi
d
ad
e
Maturidade Analítica
Data-Aware
Organização tem 
"awareness" sobre Dados
(Data Stage)
Data-Guided
Organização começa a usar 
Dados em Produção
(Analysis Stage)
Data-Savvy
Organização usa Dados na 
maioria de processos críticos
(Insights Stage)
Data-Resistant
Organização ativamente 
resiste à Cultura de 
Dados
Data-Driven
Decision making baseado 
exclusivamente em Dados
(Strategy Stage)
Dados 
crus
Dados 
limpos
Relatórios 
Passivos
★ Dashboards
Analytics 
Preditivas
(ML)
Sistemas 
Autônomos
(Machine action)
Relatórios 
Ativos
★ KPI 
Dashboards
★ OLAP
Analytics em 
"Silo"
★ BI Self-Service
★ Data Viz
Analytics 
X-Platforms
O que aconteceu?
Porque aconteceu?
Como aconteceu?
O que acontecerá?
Ações otimizadas
B
lam
eless 
P
ostm
ortem
s
Evolução de uma Empresa Data-Driven
P
ro
d
u
ti
vi
d
ad
e
Maturidade Analítica
Data-Aware
Organização tem 
"awareness" sobre Dados
(Data Stage)
Data-Guided
Organização começa a usar 
Dados em Produção
(Analysis Stage)
Data-Savvy
Organização usa Dados na 
maioria de processos críticos
(Insights Stage)
Data-Resistant
Organização ativamente 
resiste à Cultura de 
Dados
Data-Driven
Decision making baseado 
exclusivamente em Dados
(Strategy Stage)
Dados 
crus
Dados 
limpos
Relatórios 
Passivos
★ Dashboards
Analytics 
Preditivas
(ML)
Sistemas 
Autônomos
(Machine action)
Relatórios 
Ativos
★ KPI 
Dashboards
★ OLAP
Analytics em 
"Silo"
★ BI Self-Service
★ Data Viz
Analytics 
X-Platforms
O que aconteceu?
Porque aconteceu?
Como aconteceu?
O que acontecerá?
Ações otimizadas
B
lam
eless 
P
ostm
ortem
s
Jornada da Cultura Analítica
Cultura Analítica não se refere apenas a criar 
ferramentas!
Se refere a um processo decisório baseado em dados.
Jornada da Cultura Analítica
Cultura Analítica não se refere apenas a criar 
ferramentas!
Se refere a um processo decisório baseado em dados.
A base da Cultura Analítica não pode se restringir apenas a 
ferramentas...ela precisa de pessoas!
Jornada da Cultura Analítica
Antes de criarmos ferramentas 
analíticas, precisamos criar 
inteligência analítica!
PILARES
DA CULTURA
ANALÍTICA
Você recebe o desafio de provar 
ao CEO da empresa em que 
trabalha a real contribuição do 
Marketing no montante total da 
receita faturada no ano de 
2021.
Que caminho você decide 
percorrer? (10 min)
Voltando ao Problema...
Dica: Não seja esse cara! (Office Space 1999)
Os 6 Passos da Jornada Analítica
02
03
04
06
05
01
CICLO DE VIDA
CIÊNCIA DE 
DADOS
Os 6 Passos da Jornada Analítica
01
CICLO DE VIDA
CIÊNCIA DE 
DADOS
1. Entendendo o Problema
Problema: "real contribuição do Marketing no 
montante total da receita faturada no ano de 
2021"
Objetivos:
Os 6 Passos da Jornada Analítica
01
CICLO DE VIDA
CIÊNCIA DE 
DADOS
1. Entendendo o Problema
Problema: "real contribuição do Marketingno 
montante total da receita faturada no ano de 
2021"
Objetivos:
- "Simplificar" e definir o problema
- Contextualizar o problema (perguntas!)
- Definir o escopo do problema
- Identificar "blocks" da empresa
- Criar hipóteses
2. Coleta de Dados
Objetivos:
Os 6 Passos da Jornada Analítica
01
CICLO DE VIDA
CIÊNCIA DE 
DADOS
02
2. Coleta de Dados
Objetivos:
- Quais dados eu preciso para responder ao 
problema?
- Onde os dados existem?
- Quão "frescos" são os dados?
- Qual é a granularidade necessária?
- Qual é a qualidade dos dados disponíveis?
- Como os dados podem ser acessados?
- Quais as integrações possíveis de sistemas?
Os 6 Passos da Jornada Analítica
01
CICLO DE VIDA
CIÊNCIA DE 
DADOS
02
1. Entendendo o Problema
2. Coleta de Dados
- Passos 1/2 podem ser os mais desafiadores! 
(no data, no fun!)
- Não há garantias de que os dados serão 
suficientes ou mesmo que eles existam
- Permanecer nessas etapas pode levar mais 
tempo que o desejado
- Negligenciar essas etapas pode cobrar um 
preço alto nas etapas seguintes
- "Não existe almoço grátis!" (apenas avance 
para a próxima etapa se completar a atual)
Os 6 Passos da Jornada Analítica
01
CICLO DE VIDA
CIÊNCIA DE 
DADOS
02
3. Processamento de Dados
Objetivos:
Os 6 Passos da Jornada Analítica
01
CICLO DE VIDA
CIÊNCIA DE 
DADOS
02
03
3. Processamento de Dados
Objetivos:
- Integrar as diversas fontes de dados
- Integrar os diversos formatos de dados
- Realizar transformações necessárias nos 
dados (ordenar, classificar, etc)
- Limpeza dos dados (erros, duplicações, dados 
faltando/incompletos, outliers, etc)
- Tratamento dos dados (interpolação, 
formatos, etc)
Os 6 Passos da Jornada Analítica
01
CICLO DE VIDA
CIÊNCIA DE 
DADOS
02
03
3. Processamento de Dados
Objetivos:
- Integrar as diversas fontes de dados
- Integrar os diversos formatos de dados
- Realizar transformações necessárias nos 
dados (ordenar, classificar, etc)
- Limpeza dos dados (erros, duplicações, dados 
faltando/incompletos, etc)
- Tratamento dos dados (outliers, formatos, 
etc)
Essa etapa sempre revela a necessidade, ou 
não, de voltarmos aos passos anteriores! 
Os 6 Passos da Jornada Analítica
01
CICLO DE VIDA
CIÊNCIA DE 
DADOS
02
03
4. Exploração de Dados
Objetivos:
Os 6 Passos da Jornada Analítica
01
CICLO DE VIDA
CIÊNCIA DE 
DADOS
02
03
04
4. Exploração de Dados
Objetivos:
- Identificar tendências
- Identificar sazonalidades
- Identificar correlações
- Identificar causalidades
- Identificar edge-cases e incertezas
- Prover robustez no teste das hipóteses 
("stat-sig")
Os 6 Passos da Jornada Analítica
01
CICLO DE VIDA
CIÊNCIA DE 
DADOS
02
03
04
5. Comunicar Resultados
Objetivos:
Os 6 Passos da Jornada Analítica
01
CICLO DE VIDA
CIÊNCIA DE 
DADOS
02
03
04
05
5. Comunicar Resultados
Objetivos:
- Comunicar-se clara e efetivamente em todas 
as fases da Jornada (ouvir é tão importante 
quanto falar)
- Conheça sua audiência e o que importa pra 
eles
- Comece pelo resumo mas ofereça 
profundidade (links, anexos, etc) 
- Use histórias e cases ("be brief, be brilliant")
- Transparência e integridade quanto ao 
caminho e resultados
Os 6 Passos da Jornada Analítica
01
CICLO DE VIDA
CIÊNCIA DE 
DADOS
02
03
04
05
6. Feedbacks
Objetivos:
Os 6 Passos da Jornada Analítica
01
CICLO DE VIDA
CIÊNCIA DE 
DADOS
02
03
04
05
06
6. Feedbacks
Objetivos:
- Esteja aberto/receptivo a opiniões contrárias
- Escute mais, não interrompa e assuma menos 
(não fique defensivo)
- Clarifique a mensagem com o interlocutor
- Lembre-se: existe mais de uma maneira de 
fazer praticamente tudo
- Documente suas dificuldades e crie planos de 
ação para a próxima Jornada
- Pergunte-se sempre: eu quero estar certo ou 
aprender?
Os 6 Passos da Jornada Analítica
01
CICLO DE VIDA
CIÊNCIA DE 
DADOS
02
03
04
05
06
VOCÊ ESTÁ 
INSERIDO(A) EM 
UMA CULTURA 
ANALÍTICA?
Voltando à Pergunta...
CRIANDO UMA 
CULTURA
ANALÍTICA
● Ajuda a definir o "paradigma" (como diferentes 
elementos moldam a experiência de trabalho)
● Suporta mudanças estratégicas em momentos 
em que a cultura torna-se inapropriada 
(atrapalha em vez de alimentar o progresso)
● 6 dimensões:
○ Histórias: Narrativas internas e externas
○ Símbolos: Comunicação não-verbal e 
representações
○ Poder: Influências sobre o funcionamento e 
direcionamento
○ Organização: Estruturas formais e informais
○ Controles: Sistemas em funcionamento 
para monitoramento e alertas
○ Rituais: Valores individuais, organizacionais 
e métodos de trabalho
Modelo Cultural Web
RITUAIS
CONTROLES ORGANIZAÇÃO
PODER
SÍMBOLOSHISTÓRIAS
PARADIGMA
DIferentes 
elementos da 
Organização
Histórias
Narrativas descrevem a Organização, sua história 
e, principalmente, seu futuro! 
● Que reputação é comunicada entre seus 
stakeholders?
● O que essas narrativas dizem sobre suas 
"crenças"?
● Como elas impactam o onboarding de novos 
membros?
● Que comportamentos queremos encorajar?
● Como elas colaboram para a difusão de 
conhecimento e insights?
Modelo Cultural Web
HISTÓRIAS
Narrativas internas e 
externas
PARADIGMA
DIferentes 
elementos da 
Organização
Símbolos
Representações não-verbais influenciam a 
imagem da Organização e como ela é percebida
● Quais são os valores culturais?
● Quão formal é a estrutura?
● Qual é o nível de empowerment?
● O que é mais importante: "what" ou "how"?
● Quão democráticos são os dados?
SÍMBOLOS
Comunicação e 
representações 
não-verbais
HISTÓRIAS
Narrativas internas e 
externas
PARADIGMA
DIferentes 
elementos da 
Organização
Modelo Cultural Web
Poder
Nós de poder decisório não necessariamente 
traduzem a Organização
● Quão autônoma é a estratégia?
● Onde se encontram os reais tomadores de 
decisão?
● Quão influentes são os atores?
● Em que direção é criada a Visão?
● Qual é a importância do desenvolvimento 
individual?
● Quão capacitada é a liderança? Onde está o seu 
foco?
SÍMBOLOS
Comunicação e 
representações 
não-verbais
HISTÓRIAS
Narrativas internas e 
externas
Modelo Cultural Web
PODER
Influências sobre o 
funcionamento e 
direcionamento
PARADIGMA
DIferentes 
elementos da 
Organização
Organização
A estrutura da Organização deve ser a 
consequência (e não causa) de seus objetivos
● Quanta fricção existe no processo decisório?
● Como a estrutura potencializa os skills? 
(vantagem competitiva) 
● Como os membros são capacitados?
● Quão otimizadas são as metodologias de 
trabalho? (Agile? Scrum?)
● Como são traduzidos os OKRs → roadmaps?
SÍMBOLOS
Comunicação e 
representações 
não-verbais
HISTÓRIAS
Narrativas internas e 
externas
Modelo Cultural Web
PODER
Influências sobre o 
funcionamento e 
direcionamento
ORGANIZAÇÃO
Estruturas formais e 
informais
PARADIGMA
DIferentes 
elementos da 
Organização
Controles
A constante e diligente medição de KPIs/OKRs 
deve, necessariamente, tornar-se um hábito
● Quão eficiente é a governança de dados?
● Quão familiares são as plataformas?
● Quão reativo é o monitoramento da 
performance? (KPIs e OKRs)
● Quão eficiente é a resposta?
● Quão orquestrado é o fallback?
● Quantos são os single-point of failure?
SÍMBOLOS
Comunicação e 
representações 
não-verbais
HISTÓRIAS
Narrativas internas e 
externas
Modelo Cultural Web
PODER
Influências sobre o 
funcionamento e 
direcionamento
ORGANIZAÇÃO
Estruturas formais e 
informais
CONTROLES
Sistemas em 
funcionamento para 
monitoramento e 
controle
PARADIGMA
DIferentes 
elementos da 
Organização
Rituais
Rotinas, internas e externas, garantem 
alinhamentos necessários ao longo da Organização
● Quão frequentes são os touchpoints 
internos/externos?
● Quais os objetivos dos diversos touchpoints?
● Como são estruturados os kick-offs?
● Como é estruturada a documentação?
● Como funciona o lifecycle de soluções?
SÍMBOLOS
Comunicação e 
representações 
não-verbais
HISTÓRIAS
Narrativas internas e 
externas
Modelo Cultural Web
PODER
Influências sobre o 
funcionamentoe 
direcionamento
ORGANIZAÇÃO
Estruturas formais e 
informais
CONTROLES
Sistemas em 
funcionamento para 
monitoramento e 
controle
RITUAIS
Rotinas individuais, 
organizacionais e 
métodos de trabalho
PARADIGMA
DIferentes 
elementos da 
Organização
LIFECYCLE DE 
SOLUÇÕES
● 0. Monitoramento
○ Reatividade limita recursos dedicados a Discovery
● 1. Ideation (Reativo)
○ Patchwork é sinal de uma Visão não clara
○ Foco no "what" e não no "how"
● 2. Solução
○ Solução é tão boa quanto o direcionamento dado 
(roles & responsibilities claros)
● 3. Business Case
○ Escalation deve ser a última linha de defesa (dano 
já foi feito)
○ A qualidade do pedido é proporcional a sua chance 
de adoção/sucesso de execução
● 4. Produção
○ Times são especialistas, Data/Eng são técnicos (a 
estratégia pertence aos primeiros)
○ Times monitoram e fazem pivots; Data/Eng 
mantém tudo rodando
3. Business Case
➔ Solução manual adereça sintomas e não 
causas (não permitindo pivots);
➔ Problema se torna grande demais 
(escalation via business case);
➔ Business case consome ainda mais 
recursos;
➔ Pedido "luta" por recursos escassos contra 
toda a empresa (potencialmente interferindo 
no Planning);
Business Case: Interfaces com Ops <> Eng
1. Ideation (Reativo)
➔ Time "reage" aos dados (end-to-end míope);
➔ Time se depara com gaps técnicos;
➔ Pedidos pontuais constantes são feitos aos 
times técnicos (patchwork);
➔ Tradução dos pedidos é ineficiente (barreira 
técnica);
2. Solução 
➔ Interfaces inerentemente criam fricção;
➔ Solução é obtida via "bate-voltas" 
intermináveis (lead time inflado); 
➔ Times gastam mais tempo obtendo os dados 
do que interpretando-os;
➔ Solução manual/trancada a ser mantida pelo 
time (consumindo HC);
4. Produção
➔ Data/Eng torna-se o gargalo mesmo 
distante do "front" (time tem olhos/ouvidos 
na Operação);
➔ Time tem autonomia reduzida;
➔ Inovação e Velocidade impactados;
➔ Ownership não é claro
0. Monitoramento
➔ Time monitora OKRs + KPIs adhoc (
"incêndio" ou feedback de POCs);
➔ Time identifica oportunidade (curto-prazo);
P
ar
ce
ri
a 
"l
in
ea
r"
(e
fe
it
os
 in
d
es
ej
ad
os
 a
o 
fin
al
)
3. Iteração
➔ Data/Eng lança o MVP de acordo com as 
especificações do Time;
➔ Time mede o "sucesso" e inicia o loop de 
ajustes (feedbacks/requests constantes);
➔ Alocação de recursos é definida pelo 
impacto;
2
. S
o
lu
ç
ã
o
 
➔
In
terfaces têm
 freq
u
ên
cia e fóru
n
s d
efin
id
os 
(m
ín
im
o n
ecessário);
➔
Tim
e foca exclu
sivam
en
te n
a g
eração / 
com
u
n
icação d
e in
sig
h
ts (d
ad
os já existem
);
➔
D
ata/E
n
g
 foca n
a con
stru
ção d
o M
V
P
;
➔
Tim
e g
u
ia a estratég
ia p
or trás d
as featu
res, 
riscos e d
ead
lin
es;
1. Ideation (Ativo)
➔ Time prioriza as hipóteses, alocando 
recursos de forma ótima;
➔ Time detalha a Visão, traduzindo-a em 
actionables para Data/Eng;
➔ Time participa ativamente na identificação 
de requirements;
0. Monitoramento
➔ Time monitora OKRs + KPIs semanalmente;
➔ Time faz deep-dives (macro > micro) em 
busca de causas-raiz;
➔ Time cria hipóteses adereçando 
oportunidades;
Business Case: Interfaces com Ops <> Eng
4
. P
ro
d
u
ç
ã
o
➔
M
V
P
 é
 e
xp
an
d
id
o 
at
é 
M
as
sa
 C
rí
ti
ca
;
➔
R
oa
d
m
ap
s 
d
e 
D
at
a/
E
n
g
 s
ão
 in
fl
u
en
ci
ad
os
 
p
el
o 
Ti
m
e;
➔
S
ol
u
çã
o 
é 
in
co
rp
or
ad
a 
g
lo
b
al
m
en
te
;
➔
Ti
m
es
 t
êm
 H
C
 li
b
er
ad
o 
p
ar
a 
fu
tu
ro
s 
p
ro
je
to
s;
● 0. Monitoramento
○ Proatividade mitiga o impacto no business
● 1. Ideation (Reativo)
○ Priorização garante foco em P0s
○ Mitigação de ruído na tradução da Visão
● 2. Solução
○ Redução do tempo de desenvolvimento do MVP + 
alinhamento da estratégia
● 3. Iteração
○ Quanto antes medirmos, melhor alocamos os 
recursos
○ Alocação de recursos (ou pivots) é guiada pelo 
impacto
● 4. Produção
○ Time influencia roadmaps de Data/Eng (mais 
visibilidade)
○ HC é liberado para futuras iniciativas
DÚVIDAS FINAIS
E ATÉ A PRÓXIMA!
BOA SEMANA