Por Dan Seevers
Embora muitas organizações estejam a usara ferramentas de inteligência artificial (IA) e machine learning (ML) como facilitadores principais dos seus projetos de data analytics, e os gastos com IA em todo o mundo continuem a aumentar, a dura verdade é que a maioria dos projetos de ciência de dados está fadada ao fracasso.
Existem vários motivos para estas falhas, que vão desde a complexidade inerente das iniciativas de IA/ML e a falta persistente de talentos qualificados até os desafios que existem em segurança de dados, governança e integração de dados. Estas questões são coletivamente chamadas de preocupações com “prontidão de dados”, de acordo com uma investigação global da IDC com mais de 2.000 decisores de TI e de negócios, todos envolvidos em algum nível de uso ou desenvolvimento de IA.
Priorizando, embora a maioria das empresas mantenham rotineiramente grandes quantidades de dados, geralmente são armazenados em silos funcionais e não são facilmente acedidos ou usados para além destas fronteiras. Avanços em computação em nuvem, ferramentas de engenharia de dados e algoritmos de machine learning também estão a chegar mais rápido do que produtos e novos processos podem ser implantados. Depois, há os desafios competitivos que vêm tanto dos canais tradicionais quanto das novas tecnologias disruptivas.
Para superar esta realidade e criar novo valor para clientes e acionistas, os líderes de TI devem criar uma comunidade e uma cultura que possam acelerar e sustentar o crescimento da ciência de dados e analytics em toda a empresa.
Uma necessidade crítica de competência
É óbvio que a ciência de dados requer competências em programação de computadores, engenharia de dados, matemática e estatística. O que diferencia um bom cientista de dados de um excelente, no entanto, é a capacidade de traduzir os requisitos de negócios de domínios funcionais em toda a empresa que marca a excelência. Estes recursos podem ser escassos, por isso, devem ser focados nos projetos com a maior relação ROI/valor mais rápido e, ao mesmo tempo, ajudarem a aumentar a comunidade analítica geral dentro da empresa.
Muitas vezes, um centro de competência de ciência de dados (CoC) é estabelecido como um recurso para a empresa atingir esses objetivos. Tradicionalmente, esses CoCs reportavam-se à organização de TI por causa de sua codependência da infraestrutura de dados.
No entanto, embora a arquitetura e a governança de dados sejam essenciais, um CoC de ciência de dados muito distante dos domínios de negócios resultará em desalinhamento de metas, atrasos e, por fim, aumento de falhas no projeto.
Uma abordagem de organização híbrida, em que um centro de analítica e ciência de dados atua como uma ponte entre a infraestrutura de TI tradicional e os domínios funcionais, é essencial para permitir o sucesso. Isto pode ter sucesso na aceleração do desenvolvimento do ecossistema de dados para valor e na mudança de cultura necessária para o crescimento sustentável.
Visando o sucesso do ROI
Os seguintes objetivos fundamentais são essenciais para o desenvolvimento de um plano estratégico e processo de competência e capacitação sustentável:
Crie um centro de competência. Os projetos geralmente falham porque são desenvolvidos isoladamente, sem levar em consideração todo o ciclo de vida do modelo, bem como os requisitos de thread digital, linhagem e pipeline de dados. As pessoas podem reter ou ocultar dados e informações por acreditarem que podem ajudá-las pessoalmente. Essa atitude impede o potencial de criação de valor ao buscar insights mais profundos.
É importante entender que a ciência de dados e a analítica são um trabalho de equipa. A criação de um centro de competência com foco na colaboração, educação e inclusão ajudará a construir confiança entre organizações funcionais.
Estenda os esforços de alfabetização em dados e design. Crie uma comunidade virtual em toda a empresa para responder a perguntas, desde os conceitos mais básicos até as construções mais complexas de ciência de dados e design thinking. Como parte de um CoC, este centro de recursos conduzirá o desenvolvimento e administração de planos de estudo com curadoria, variando do nível de habilidade de “analítica integrada” a certificações de ciência de dados mais avançadas.
Este hub também será um ponto focal para a formação e certificação de novos cientistas de dados em todos os domínios funcionais da empresa. O objetivo é criar uma comunidade multifuncional que forneça apoio a todos na jornada de literacia de dados.
Crie uma equipa multifuncional e diversificada de pensadores estratégicos. Isto fornece uma plataforma em toda a empresa para partilhar ideias e identificar projetos com maior potencial. Também permite que os membros da equipa aproveitem as competências e conhecimentos de domínio uns dos outros para cocriar um novo valor para clientes e acionistas.
O alinhamento entre KPI’s estratégicos e métricas individuais reduz o atrito por uma mudança de cultura desejada e coloca o foco nos projetos de maior ROI. Em última análise, no entanto, um ecossistema de dados para valor não é sustentável a menos que a confiança seja estabelecida – tanto na integridade e segurança do pipeline de dados, como entre as pessoas, e entre as funções. Uma vez que a confiança e o alinhamento são estabelecidos dentro dessa comunidade mais ampla e o funil do projeto é estabelecido, a meta de agregar valor à taxa de negócios pode ser alcançada.
