Pessoas, Organização e dados

Trata-se de um desafio multidimensional e complexo, que envolve pessoas, processos, tecnologia e demanda uma visão estratégica e uma estrutura organizacional flexível, capaz de atender uma estratégia de dados escalável, inteligente e inclusiva a longo prazo. Confira a seguir:

Estratégia desalinhada

Parece óbvio que dados de baixa qualidade ou de difícil acesso são grandes dificuldades para se efetivar a transformação data-driven. No entanto, nossa opinião é de que esses são desafios menores se comparados com a falta de estratégia que verificamos na maioria das iniciativas de investimento em dados e IA.

Gestão dos stakeholders

É necessária uma gestão dos interesses de diferentes stakeholders da organização para que todos estejam alinhados sobre a importância estratégica desta iniciativa.

Organização da estrutura de trabalho e orçamento

Não basta investir em uma transformação tecnológica e cultural da organização se a estrutura de trabalho não estiver refletindo as formas modernas de organização de times e gestão de orçamento.

Construção da cultura data-driven e data literacy

Hoje já é possível utilizar plataformas de treinamento externas sem a necessidade de grandes investimentos em produção de conteúdo especializado.

Cabe reforçar que os investimentos em capacitação e disseminação de conhecimento não terão resultados se não houver uma cultura de decisão baseada em dados na organização. Por isso é importante que, partindo da alta gerência, se estimule a construção de indicadores, uso de scorecards, OKRs e outras técnicas gerenciais baseadas em dados sempre que possível.

Escolha da arquitetura de dados adequada

As empresas precisam de dados de qualidade para evoluírem na transformação data-driven, mas esta não é a realidade para a maioria das organizações.

Em muitos casos, seus dados são armazenados de forma desestruturada e desorganizada em diferentes sistemas espalhados por diversos departamentos de negócio, formando os chamados silos de dados.

A baixa qualidade dessas informações adiciona mais incertezas e complexidades ao progresso tecnológico e avanço das empresas na transformação data-driven, incluindo:

• O aumento de silos de dados.
• A necessidade de integrações entre sistemas.
• Riscos de segurança e governança.
• Aumento da capacidade de armazenamento.

O ciclo da transformação data-driven se inicia com uma visão estratégica alinhada com o uso massivo de tecnologias digitais e dados.

Em seguida, desenvolve-se as competências fundamentais de organização e processos de trabalho, pessoas e cultura e plataforma de dados.

Por último, a materialização dos casos de uso se dá através da construção de produtos de dados que seguem um ciclo de aprendizado contínuo, com metodologia ágil e experimentação baseada em dados. Só assim o verdadeiro valor da transformação data-driven será obtido pelas empresas.

Podemos ainda converter este ciclo na “equação da transformação data-driven”:

Visão x (Construir + Medir + Inovar) x Produtos = Valor

(Pessoas + Organização + Dados)

Os modelos de maturidade analítica podem ter natureza comparativa, descritiva ou prescritiva. O POD combina todas elas em uma metodologia holística, que consiste em três etapas: assessment, estratégia e monitoramento.

Assessment

Avaliação e descrição dos níveis de maturidade analítica das empresas por meio de um questionário composto por perguntas abertas e fechadas.

Estratégia

Definição das estratégias recomendadas para aceleração da transformação data-driven com base no diagnóstico do assessment.

Monitoramento

Monitoramento contínuo para mapear as evoluções, estratégias e gargalos.

Os níveis de maturidade analítica de uma empresa não dependem somente da vontade de fazer acontecer, mas também de infraestrutura econômica e cultural.

Com base na análise de diferentes modelos de maturidade, podemos identificar alguns problemas e tendências que são solucionados pelo POD:
‍
Falta uma solução holística aprofundada e modelos formalizados
A maioria dos documentos e das MMAs estão disponíveis em blogs e whitepapers, gerando uma inconsistência e falta de profundidade nos tópicos.

Muita teoria e pouca prática
Os modelos de maturidade analítica não fornecem informações suficientes sobre como aplicá-los na prática.

Ferramentas e tecnologias não padronizadas
Há poucas ferramentas ou metodologias padronizadas, descrição de iniciativas ou pontos de ação, dificultando uma aplicação prática.

Foco em empresas maiores
Os modelos atuais falham em trazer abordagens holísticas e democráticas para empresas de todos os tamanhos.