Baixe o app para aproveitar ainda mais
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
Compartilhar