O documento fornece três lições principais sobre data analytics aprendidas com empresas de tecnologia: 1) Não existe uma regra única e é importante entender o contexto da própria empresa para escolher as melhores ferramentas e estratégias. 2) Times de data devem ter diferentes especialistas que trabalhem em conjunto, como cientistas de dados e engenheiros de dados. 3) É fundamental centralizar os dados da empresa em um repositório único antes de iniciarem análises, para garantir qualidade e consistência.

1. LIÇÕES SOBRE DATA
ANALYTICS QUE AS PRINCIPAIS
EMPRESAS DO VALE DO SILÍCIO
E DO BRASIL ME DERAM
7
THIAGO GOUVEIA ROCHA

2. - Eu
Ser verdadeiramente
data-driven não é fácil

3. Cada vez mais lugares falam da sua importância

4. Cada vez mais lugares falam da sua importância
Data-driven decisions for a changing
world
July 2016

5. Cada vez mais lugares falam da sua importância
Data-driven decisions for a changing
world
July 2016
How data analytics has forever changedpolitical campaigns and elections
March 2018

6. Cada vez mais lugares falam da sua importância
Data-driven decisions for a changing
world
July 2016
Why Your Data Strategy is Your B2B
Growth Strategy
February 2018
How data analytics has forever changedpolitical campaigns and elections
March 2018

7. Cada vez mais lugares falam da sua importância
Data-driven decisions for a changing
world
July 2016
Why data can be the key to your
ecommerce success
March 2018
Why Your Data Strategy is Your B2B
Growth Strategy
February 2018
How data analytics has forever changedpolitical campaigns and elections
March 2018

8. Cada vez mais lugares falam da sua importância
Data-driven decisions for a changing
world
July 2016
Why data can be the key to your
ecommerce success
March 2018
Why Your Data Strategy is Your B2B
Growth Strategy
February 2018
The Age of Analytics: Competing in aData-Driven World
December 2016
How data analytics has forever changedpolitical campaigns and elections
March 2018

9. “JUST AS ELECTRICITY TRANSFORMED
ALMOST EVERYTHING 100 YEARS AGO,
TODAY I ACTUALLY HAVE A HARD TIME
THINKING OF AN INDUSTRY THAT I DON’T
THINK AI WILL TRANSFORM IN THE NEXT
SEVERAL YEARS.”
ANDREW NG
FORMER CHIEF SCIENTIST AT BAIDU, CO-FOUNDER AT COURSERA
‘AI IS THE NEW ELECTRICITY’

10. Venture Capitals investindo em empresas de AI

12. Mas…
Nem tudo são flores

13. Produzimos
1 BilhÃO GB
A cada
3 min.

14. O que eu
deveria fazer
com isso?

15. Fonte: One Poll, February 2016

16. das PMEs raramente
verificam os dados de
suas empresas
55%
Fonte: One Poll, February 2016

17. das PMEs raramente
verificam os dados de
suas empresas
55% das PMEs nunca
olharam para
nada
3%
Fonte: One Poll, February 2016

18. Situação do brasil
0%
25%
50%
75%
100%
Ano 0 Ano 2 Ano 5
61%33%
39%
67%
100%
Abertas
Falência
Fonte: IBGE, 2016

20. Dados

21. Dados
>

22. Dados
>
Insights

23. Dados
>
Insights
>

24. Dados
>
Insights
>
Impacto

25. Por que reinventar a roda?

26. Metas Times
Investimento
Clientes
Cenário
PROPÍCIO
produtividade
resultado
Aprender para cortar caminhos

27. LIÇÕES SOBRE DATA
ANALYTICS QUE AS PRINCIPAIS
EMPRESAS DO VALE DO SILÍCIO
E DO BRASIL ME DERAM
7

28. 1 NÃO EXISTE REGRA DE OURO.
ENTENDA O SEU CONTEXTO

29. “VOU COMEÇAR. QUAL
FERRAMENTA ESCOLHER?”

30. EVENTOS, CONVERSAS, CALLS, BLOGS,
LINKEDIN, ETC
• +20 Empresas no Brasil
• +10 Empresas no Vale do Silício
• Consultorias
• Empresas de BI
• Microsoft Machine Learning & Data Science Summit

32. QUAL É O
CONTEXTO
DA EMPRESA

33. QUÃO PRIORITÁRIO
É RESOLVER ESSE
PROBLEMA
QUAL É O
CONTEXTO
DA EMPRESA

34. QUÃO PRIORITÁRIO
É RESOLVER ESSE
PROBLEMA
QUAL É O
IMPACTO ESPERADO
NO NEGÓCIO
QUAL É O
CONTEXTO
DA EMPRESA

35. Os outros já erraram, aprenda com eles

36. 2 DATA TEAM: DATA SCIENTIST
SÃO COMO SUPER HERÓIS

37. Engineering Skills Business Skills

38. Data Collection
(Tracking)
Engineering Skills Business Skills

39. Data Collection
(Tracking)
Data Storage
(Infrastructure)
Engineering Skills Business Skills

40. Data Collection
(Tracking)
Data Storage
(Infrastructure)
Data Analysis
& Data Science
Engineering Skills Business Skills

41. Data Collection
(Tracking)
Data Storage
(Infrastructure)
Data Analysis
& Data Science
Business Decisions
Engineering Skills Business Skills

42. Data Scientist são como super heróis

44. Crie visualizações poderosas

45. Crie visualizações poderosas
Habilidades avançadas
em data management

46. Crie visualizações poderosas
Habilidades avançadas
em data management
Habilidades de persuasão

47. Crie visualizações poderosas
Habilidades avançadas
em data management
Habilidades de persuasão
Excelente em Storytelling

48. Crie visualizações poderosas
Habilidades avançadas
em data management
Habilidades de persuasão
Excelente em Storytelling
Entenda do negócio

49. Crie visualizações poderosas
Habilidades avançadas
em data management
Habilidades de persuasão
Excelente em Storytelling
Entenda do negócio
Raciocínio lógico, números e
estatística

50. Eles possuem somente uma habilidade especial
Crie visualizações poderosas
Habilidades avançadas
em data management
Habilidades de persuasão
Excelente em Storytelling
Entenda do negócio
Raciocínio lógico, números e
estatística

53. Data Engineer

54. Data Engineer
Software Engineer

55. Data Engineer
Software Engineer
Data Scientist

56. Data Engineer
Software Engineer
Business Analyst
Data Scientist

57. Data Engineer
Software Engineer
Business Analyst
Data Scientist
NÃO
EXISTE
TAMANHO DE
TIME IDEAL!

58. 3
DATA INFRASTRUCTURE:
PRIMEIRO, CENTRALIZE OS
DADOS

59. A empresa VLOOKUP

60. A empresa VLOOKUP

61. A empresa colcha de retalhos

62. A empresa colcha de retalhos
Produto
Pós Venda
Vendas
Suporte
Marketing
Financeiro

64. A empresa centralizadora

65. A empresa centralizadora
Produto
Pós Venda
Vendas
Suporte
Marketing
Financeiro

66. A empresa centralizadora
Produto
Pós Venda
Vendas
Suporte
Marketing
Financeiro
+ CONSISTENTE
+ CONFIÁVEL
+ CONVENIENTE

68. MAS CRM CMSFontes de dados Social

69. MAS CRM CMSFontes de dados Social
Armazenamento
Data Integration
Data Lake - Governança, Segurança e Operação

70. MAS CRM CMSFontes de dados Social
Armazenamento
Data Integration
Data Lake - Governança, Segurança e Operação
Processamento &
análise
Data Warehouse - ETL Aplicações com Machine Learning

71. MAS CRM CMSFontes de dados Social
Armazenamento
Data Integration
Data Lake - Governança, Segurança e Operação
Processamento &
análise
Data Warehouse - ETL Aplicações com Machine Learning
Data output BI Tools Dashboards Análises Ad-hoc

72. 4
NÓS NÃO ESTAMOS FALANDO
SOBRE DADOS, ESTAMOS
FALANDO SOBRE PROBLEMAS
DE NEGÓCIO

73. TOMADOR DE DECISÃO

74. TOMADOR DE DECISÃO
{

75. TOMADOR DE DECISÃO
{
Não se importará com o número pelo número

76. TOMADOR DE DECISÃO
{
Não se importará com o número pelo número
Mas sim com o que a informação representa

77. TOMADOR DE DECISÃO
{
Não se importará com o número pelo número
Mas sim com o que a informação representa
E como ela afeta nos resultados de performance

78. ú"l para
a sua análise
inú"l para a sua análise
A MAIORIA DOS DADOS NÃO SÃO ÚTEIS

79. Do dado até o Insight
Dado
O que
aconteceu?
Vantagem
Competitiva
Sofisticação

80. Do dado até o Insight
R$0 R$10.000,00
R$5.500,00
Sales Revenue

81. Do dado até o Insight
Receita
R$0 R$10.000,00
R$5.500,00
Sales Revenue

82. Do dado até o Insight
Receita
Número de
Vendas
Ticket MédioX
R$0 R$10.000,00
R$5.500,00
Sales Revenue

83. Do dado até o Insight
Receita
Número de
Vendas
Ticket MédioX
R$0 R$10.000,00
R$5.500,00
Sales Revenue

84. Do dado até o Insight
Receita
Número de
Vendas
Ticket MédioX
R$0 R$10.000,00
R$5.500,00
Sales Revenue

85. Do dado até o Insight
Dado
Informação
O que
aconteceu?
Por que
aconteceu?
Vantagem
Competitiva
Sofisticação

86. Do dado até o Insight
Vendas
0
27,5
55
82,5
110
Junho Julho Agosto Setembro
Meta Vendas
Número de Vendas
Ticket Médio
R$50
Meta: R$100

87. Do dado até o Insight
Dado
Informação
Inteligência
O que
aconteceu?
Por que
aconteceu?
O que
vai acontecer?
Vantagem
Competitiva
Sofisticação

88. Do dado até o Insight
Receita - Ano 2017

89. Do dado até o Insight
Dado
Informação
Inteligência
Insights
O que
aconteceu?
Por que
aconteceu?
O que
vai acontecer?
O que fazer para
ter os melhores
resultados?
Vantagem
Competitiva
Sofisticação

90. Do dado até o Insight

91. Do dado até o Insight
O que fazer para aumentar o ticket médio?

92. Do dado até o Insight
O que fazer para aumentar o ticket médio?
Aumentar a tabela
de preços

93. Do dado até o Insight
O que fazer para aumentar o ticket médio?
Aumentar a tabela
de preços
Trazer clientes com
maiores necessidades

104. Ticket Médio em 2017
R$30,00
R$41,25
R$52,50
R$63,75
R$75,00
Janeiro Abril Julho Outubro

105. 5
DEMOCRATIZAÇÃO DOS
DADOS: EDUCAÇÃO, SUPORTE
E A-PLAYERS

106. 4 GRANDES FRENTES DE ATUAÇÃO

107. A-PLAYERS
4 GRANDES FRENTES DE ATUAÇÃO

108. A-PLAYERS EDUCAÇÃO
4 GRANDES FRENTES DE ATUAÇÃO

109. A-PLAYERS EDUCAÇÃO
SUPORTE
4 GRANDES FRENTES DE ATUAÇÃO

110. A-PLAYERS
FERRAMENTAS E
PROCESSOS
EDUCAÇÃO
SUPORTE
4 GRANDES FRENTES DE ATUAÇÃO

115. 6
DATA FATAL FLAWS:
APRENDA COM O ERRO DOS
OUTROS

116. "BI PROJECTS FAIL BECAUSE OF LACK OF
FOCUS AND CLEAR STRATEGY OF HOW THE
DATA WILL HELP THE COMPANY ACHIEVE ITS
STRATEGIC OBJECTIVES"
BRANDON ROHRER
FORMER DATA SCIENTIST DIRECTOR AT MICROSOFT
DATA SCIENTIST AT FACEBOOK

117. PRINCIPAIS FALHAS EM DATA
!

118. 1
Empresas possuíam várias
fontes de verdade
PRINCIPAIS FALHAS EM DATA
!

119. 1
Empresas possuíam várias
fontes de verdade
2
Expectativa que seria somente
comprar uma ferramenta de BI
PRINCIPAIS FALHAS EM DATA
!

120. 1
Empresas possuíam várias
fontes de verdade
2
Expectativa que seria somente
comprar uma ferramenta de BI
3 Não possuir foco no problema
PRINCIPAIS FALHAS EM DATA
!

121. 1
Empresas possuíam várias
fontes de verdade
2
Expectativa que seria somente
comprar uma ferramenta de BI
3 Não possuir foco no problema
4
Negligenciar o esforço em
educação, suporte e comunicação
PRINCIPAIS FALHAS EM DATA
!

122. “DATA WHEEL OF DEATH”

123. “DATA WHEEL OF DEATH”
Fase 1
Os dados não são cuidados

124. “DATA WHEEL OF DEATH”
Fase 1
Os dados não são cuidados
Fase 2
Dados ficam irrelevantes/deficientes

125. “DATA WHEEL OF DEATH”
Fase 1
Os dados não são cuidados
Fase 2
Dados ficam irrelevantes/deficientes
Fase 3
As pessoas perdem confiança

126. “DATA WHEEL OF DEATH”
Fase 1
Os dados não são cuidados
Fase 2
Dados ficam irrelevantes/deficientes
Fase 4
Dados se tornam menos úteis
Fase 3
As pessoas perdem confiança

127. 7
AGILE IMPLEMENTATION:
COMECE PEQUENO, PENSE
GRANDE

129. Qual é o valor de uma ideia?

130. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias

131. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias

132. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
Você deve entender:

133. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
Você deve entender:
• As necessidades de negócios

134. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
Você deve entender:
• As necessidades de negócios
• A cultura organizacional com os dados

135. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
Você deve entender:
• As necessidades de negócios
• A cultura organizacional com os dados
• As características dos dados (latência, volumes e
qualidade)

136. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
Você deve entender:
• As necessidades de negócios
• A cultura organizacional com os dados
• As características dos dados (latência, volumes e
qualidade)
• A importância de cada fonte de dados e quais delas a
gente já possui com a qualidade desejada

137. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias

138. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias

139. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
• Garantir que o que sai é o que você precisa

140. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
• Garantir que o que sai é o que você precisa
• Definir stack de ferramentas

141. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
• Garantir que o que sai é o que você precisa
• Definir stack de ferramentas
• Definir políticas de governança sobre a sua estrutura de
dados

142. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias

143. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
• Estabelecer um prova de conceito em cima da
arquitetura definida

144. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
• Estabelecer um prova de conceito em cima da
arquitetura definida
• Definir os critérios de sucesso

145. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
• Estabelecer um prova de conceito em cima da
arquitetura definida
• Definir os critérios de sucesso
• Estabelecer um alinhamento sobre a performance do DB

146. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
• Estabelecer um prova de conceito em cima da
arquitetura definida
• Definir os critérios de sucesso
• Estabelecer um alinhamento sobre a performance do DB
• Definir os requisitos de longo prazo para uso de todos os
stakeholders

147. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
• Estabelecer um prova de conceito em cima da
arquitetura definida
• Definir os critérios de sucesso
• Estabelecer um alinhamento sobre a performance do DB
• Definir os requisitos de longo prazo para uso de todos os
stakeholders
• Desenhar as arquiteturas de BI/Analytics

148. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
• Estabelecer um prova de conceito em cima da
arquitetura definida
• Definir os critérios de sucesso
• Estabelecer um alinhamento sobre a performance do DB
• Definir os requisitos de longo prazo para uso de todos os
stakeholders
• Desenhar as arquiteturas de BI/Analytics

149. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias

150. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
• Realizar ações de correção a partir dos aprendizados do POC

151. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
• Realizar ações de correção a partir dos aprendizados do POC
• Estabelecer um roadmap de dados

152. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
• Realizar ações de correção a partir dos aprendizados do POC
• Estabelecer um roadmap de dados
• Executar e modelar os dados para os usuários finais

153. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
• Realizar ações de correção a partir dos aprendizados do POC
• Estabelecer um roadmap de dados
• Executar e modelar os dados para os usuários finais
• Educar, treinar e dar suporte para que os usuários sejam
mais eficientes nas suas análises

154. Passo 1: Fase de
Compreensão
Passo 2: Fase de
Priorização
Passo 3: Fase de
Deploy
Passo 4: Fase de
Aprendizado e
Melhorias
• Realizar ações de correção a partir dos aprendizados do POC
• Estabelecer um roadmap de dados
• Executar e modelar os dados para os usuários finais
• Educar, treinar e dar suporte para que os usuários sejam
mais eficientes nas suas análises
• Realizar melhorias através do constante aprendizado

155. Ganhe apoio
político e consiga
prioridade

156. Ganhe apoio
político e consiga
prioridade

157. Compreenda os
seus dados e o negócio
Ganhe apoio
político e consiga
prioridade

158. Compreenda os
seus dados e o negócio
Ganhe apoio
político e consiga
prioridade
Priorize o que
realmente
impacta nos
negócios

159. Compreenda os
seus dados e o negócio
Responda uma grande
pergunta e obtenha uma
visão de longo prazo
Ganhe apoio
político e consiga
prioridade
Priorize o que
realmente
impacta nos
negócios

160. Compreenda os
seus dados e o negócio
Compreenda, corrija,
repita, cresça a
relevância
Responda uma grande
pergunta e obtenha uma
visão de longo prazo
Ganhe apoio
político e consiga
prioridade
Priorize o que
realmente
impacta nos
negócios

161. Plante dados de qualidade e colha resultados

163. Data Infrastructure?
DÚVIDAS?

164. Data Infrastructure?
Data Team?
DÚVIDAS?

165. Data Roadmap?
Data Infrastructure?
Data Team?
DÚVIDAS?

166. Ferramentas, Processos,
qualquer outra dúvida?
Data Roadmap?
Data Infrastructure?
Data Team?
DÚVIDAS?

167. É HORA DE COLOCAR EM
PRÁTICA
Thiago Gouveia Rocha
thiago.rocha@resultadosdigitais.com.br
LinkedIn / thiago-gouveia-rocha
www.thiagorocha.me