O slideshow foi denunciado.
Utilizamos seu perfil e dados de atividades no LinkedIn para personalizar e exibir anúncios mais relevantes. Altere suas preferências de anúncios quando desejar.

4 passos para a Transformação Digital

0 visualizações

Publicada em

Uma abordagem pragmática das trincheiras para guiar efetivamente as empresas na jornada da Transformação Digital. Falamos sobre squads autônomas, cultura DevOps/Site Reliability, Gestão Analítica de Produtos e Formação de Cultura Data-Driven.

Publicada em: Tecnologia
  • Hello! Get Your Professional Job-Winning Resume Here - Check our website! https://vk.cc/818RFv
       Responder 
    Tem certeza que deseja  Sim  Não
    Insira sua mensagem aqui

4 passos para a Transformação Digital

  1. 1. 4 passos para a Transformação Digital
  2. 2. Por que buscar a Transformação Digital? Para se manterem competitivas e sólidas, as empresas precisam inovar continuamente
  3. 3. 1º Passo: Lean e Métodos Ágeis
  4. 4. Motivação Há uma hipótese de que Lean e modelos analíticos adicionam ainda mais chances de sucesso aos métodos ágeis Ágil Waterfall
  5. 5. Como as empresas tem aplicado? Scrum + Kanban +
  6. 6. Scrum - Primeiras mudanças • Times multidisciplinares, auto-gerenciados • Gerentes de Projeto e PMOs deixam de existir, pois o foco é em times de Produto • Ciclos curtos de inspeção e adaptação, com timebox definido • Normalmente usado por times de Produto/Desenvolvimento
  7. 7. Kanban • Fluxo de trabalho visível, limitando Work in Progress para reduzir Lead Time • Fluxo contínuo, sistema “puxado" em vez de "empurrado" • Melhoria contínua, em vez de projeto com início, meio e fim • Muito usado por times de Plataforma e Operações
  8. 8. Modelo de times (Squads) amplamente adotado
  9. 9. Cultura de inovação
  10. 10. • Sair da cultura Comando e Controle p/ Times Autônomos • Como organizar Squads multidisciplinares quebrando estrutura hierárquica anterior • Sair de estruturas Monolíticas e Projetos para um modelo de Microserviços e Produtos • Criar um ambiente favorável para Experimentos e Inovação Principais dificuldades das empresas no Passo 1
  11. 11. 2º Passo: Cultura DevOps e Site Reliability
  12. 12. DevOps numa casca de noz Práticas DevOps permitem que gerenciemos a infraestrutura como gado em vez de bichos de estimação • Foco em Pessoas e Cultura • Colaboração intensa entre Desenvolvimento e Operações • Automação construindo uma infraestrutura altamente Dinâmica e Programável
  13. 13. É possível ser Ágil sem DevOps? Resumindo: Não! :) • É possível ser ágil com Deploys manuais? • É possível ter código saudável sem testes automatizados? • Podemos ter Produtos de sucesso sem pensar em escalabilidade e tolerância a falhas? • É possível manter dezenas de micro-serviços sem automatizar o ciclo de vida completo?
  14. 14. Continuous Delivery/Deployment
  15. 15. DevOps e os times ágeis • DevOps dentro dos times • Todos em contato com a infraestrutura • Múltiplos deployments diários sem dor
  16. 16. Infraestrutura como código • Possibilidade de construir stacks inteiras: balanceadores, máquinas virtuais, serviços gerenciados, bases de dados, entre outros. • Configuração legível e versionada de segurança, monitoramento, propriedades de cada ambiente.
  17. 17. Blue-Green Deployments Stacks inteiras em Produção simultaneamente Chaveamento em poucos segundos
  18. 18. Canary Releases • Refinamento dos blue-green deployments • Múltiplas versões em Produção simultaneamente • Rollout progressivo de tráfego entre as versões • Interessante para reduzir risco de deployments e também para testes A/B
  19. 19. Site Reliability Engineering
  20. 20. • Relação antagonista entre Desenvolvimento e Infraestrutura • Ambientes de infraestrutura/aplicação rígidos e engessados • Dificuldade de encontrar profissionais com Cultura DevOps e automação • Postmortens buscando culpados em vez de focar na solução estrutural dos problemas Principais dificuldades das empresas no Passo 2
  21. 21. 3º Passo: Gestão Analítica de Produtos
  22. 22. Startups/Inovação “Startups são organizações temporárias projetadas para buscar um modelo de negócios repetível e escalável” Steve Blank Premissa: se estamos inovando, ainda não conhecemos o modelo de negócios que dará certo (e se dará)
  23. 23. Startups/Novos Produtos Startup: sem garantia de longevidade e de modelo sustentável Corporação: escalar e otimizar o modelo de negócios validado
  24. 24. Customer Development (Steve Blank) Ciclos de Product Dev e Customer Dev ocorrem em paralelo buscando validar o Product/Market fit
  25. 25. Lean Startup - Eric Ries • Até que tenhamos aprendizado validado, tudo que temos são Hipóteses de Negócio • Experimentos são utilizados para validar as Hipóteses de Negócio com o mínimo de esforço/investimento possível • Construir MVPs ou artefatos que permitam o aprendizado. Ciclos de Build, Measure, Learn • Aprendizado validado ocorre com métricas e critérios objetivos
  26. 26. Metrics for Pirates - Dave McClure AARRR!
  27. 27. Metrics for Pirates - Dave McClure • Acquisition: clientes chegam ao seu produto através de diferentes canais • Activation: clientes gostam da 1a interação - experiência feliz • Retention: clientes voltam e usam seu produto várias vezes • Referral: clientes gostam o suficiente do seu produto para indicá-lo para outras pessoas • Revenue: clientes te geram receita Qual etapa do funil é mais crítica pro seu produto AGORA?
  28. 28. Mudança na Cultura baseada em opiniões subjetivas antes depois baseada em coleta e análise de dados
  29. 29. • Falta de autonomia para os Product Owners/Managers • Cultura de tomada de decisões subjetivas inibe pensamento analítico • Dificuldade de obtenção de métricas confiáveis para guiar a análise • Falta de profissionais experientes em Gestão Analítica de Produtos Principais dificuldades das empresas no Passo 3
  30. 30. 4º Passo: Escalando Cultura Data-Driven
  31. 31. Data & Analytics - Definição e Objetivos • Extração de conhecimento a partir dos dados • Aplicação de análises estatísticas e aprendizado de máquina para entender o histórico e prever comportamento futuro • Comumente associado a Big Data, mas já conseguimos muitos aprendizados valiosos com Small Data • Abordagens de Big Data tipicamente necessárias dependendo do volume e velocidade dos dados
  32. 32. Premissas para trabalhar com Data Science • Problemas e objetivos bem definidos. • Definição de objetivos e resultados em cima de métricas acionáveis • Capacidade de coletar dados analíticos sem comprometer a experiência do usuário e funcionamento do produto • Unir expertise matemática com propósito de negócio
  33. 33. Exemplo de Arquitetura de Stack de Dados
  34. 34. Obrigado!

×