O documento discute três problemas comuns na relação entre analistas de dados e gestores: 1) a crença de que insights precisam ser fornecidos continuamente nos relatórios, 2) a mistura entre geração de ciência e relatórios, e 3) o descolamento entre os objetivos do negócio e a análise de dados. O autor argumenta que esses problemas surgem de uma falta de entendimento dos gestores sobre o processo científico.
5. Todos nós já nos
deparamos com a
mesma frase,
proferida sempre pelo
mesmo tipo de
pessoa
6. “Preciso que esse seu relatório traga
bons insights para nosso próximo
semestre. Precisamos de um
guidance que realmente alavanque
nossos resultados.
-- um(a) chato(a) qualquer
8. “Preciso que esse seu relatório traga
bons insights para nosso próximo
semestre. Precisamos de um
guidance que realmente alavanque
nossos resultados.
9. O problema é que isso vem de um
conceito errôneo:
“Acionando a Data Science, meu negócio
vai crescer”
10. A crença parece ser
que é só adicionar um
pedal – qualquer
pedal – e o carro
andará
12. “A hypothesis or theory is clear,
decisive, and positive, but it is believed
by no one but the man who created it.
Experimental findings, on the other
hand, are messy, inexact things, which
are believed by everyone except the
man who did that work.
12
Harlow Shapley
13. Só para manter uma analogia automotiva,
buscamos um jeito de exemplificar....
14. O que queremos dizer é que não estamos
aqui para gerar insights, e sim
conhecimento, útil e de longo prazo...
16. Mas não temos como falar em
infográficos.
Então o que sai da boca é...
17. “
Ciência não é feita com relatórios.
– todo analista, pelo menos uma vez
18. E com isso o seu
chefe está
questionando a vida,
o universo e o seu
emprego.
19. Mas podemos corrigir isso!
Só temos que oferecer a ele a noção de
que o relatório deverá mostrar o que ele
precisa!
O conhecimento nós geraremos depois.
20. “Me diga quais números que você
acredita serem importantes para o
relatório periódico. Quando houver
algo de diferente, eu investigo e te
trago insights
– todo analista, nervoso, pelo
menos uma vez
21. E o chefe começa a listar as métricas que
ele acha importantes...
22. Vendas
Investimento em
mídia
Nº de vendas Visitas
Valor vendido Ticket Médio
Taxa de conversão
Páginas por visita
ImpressõesCliquesCTRROI
Fontes de Tráfego Modelo de atribuição
Visitas retornantes
CLVInfluência social
23. E criamos o relatório.
E ele fica lindo e cheio
de gráficos (de pizza).
E o chefe está feliz.
25. “E os insights, por que não estão
aqui?
-- um(a) chato(a) qualquer
26.
27. Mas por que isso
aconteceu?
Como eu, cientista de dados, fiquei preso a
um bando de gráficos que sequer
representam a realidade?
27
28. Este não é um problema
de Data Science
Este é um problema de administração
disfarçado de Data Science
28
29. Temos três problemas distintos nessa
situação:
• Crença em insights como uma necessidade
contínua
• Mistura entre criação de ciência e reporte
• Descolamento entre objetivos do negócio e a
análise de dados
30. Crença em insights como uma
necessidade contínua
ou “quero saber exatamente todas as oportunidades que
deixarei passar”
36. Maior parte das pessoas desiste após
ver o frete
Teste: Apresentar tempo
de frete antes do valor do
mesmo
Teste: oferecer tipos
diferentes de frete
Teste: apresentar valor do
frete antes do tempo
Teste: oferecer frete grátis
para produtos sem
desconto (memso TCO)
37. Para isso funcionar, empresas precisam
ser adeptas da melhoria contínua. Poucas
querem, menos ainda são.
38. Com isso, mudanças viram projetos. E
projetos precisam ser levados a sério:
▸ Prazo
▸ Escopo
▸ Comprometimento
▸ Orçamento
▸ Responsáveis
▸ Análise de impacto
41. “[…] discussions of analytics
projects risk devolving into
debates about time and cost.
Unfortunately, time and cost
discussions often obscure
unintended trade-offs in analytic
quality
41
Roger M. Stein, MIT Sloan
42. Poucos gestores estão prontos para
admitir que o profissional de ciência de
dados que ele contratou não vai aumentar
o seu ROI de maneira contínua.
43. Menos gestores ainda percebem o quão
profundamente seus analistas mergulham
no funcionamento da empresa como um
todo
44. Pois poucos gestores compreendem uma
realidade sobre ciência de dados:
Não se faz ciência com reportes...
...pois não há respostas fáceis
45. Mistura entre criação de ciência
e reporte
ou “por que neste mês não tivemos nenhum insight?”
46. Outro pecado cometido por gestores é
acreditar que aprendemos coisas novas,
holísticas e importantes a cada novo
relatório
47. É muito fácil esquecer que
precisamos de uma visão
mais alta
73. Objetivos de
Negócio
Métricas de Sucesso
do Negócio
Objetivos de
Processo
Métricas de Sucesso
do Processo
Objetivos de
Departamento
Métricas de Sucesso
do Departamento
Data
Science
75. Objetivos de
Negócio
Meta do Negócio
Indicadores de
Performance
Indicador de
Meta
$XXXX
Economia
em MídiaAumentar a
Lucratividade da
Agencia
$$$
∆CPM ∆CPV
76. Indicadores de
Performance
Indicador de
Meta
$XXXX
Economia
em Mídia
∆CPM ∆CPV
Data Science
Variação de
veículo?
Interferência
sazonal?
Qualidade do
Vídeo?
Temas atuais?
Horário de
anuncio?
Investimento
concorrentes?
Modelo de
remuneração?
Modelo de
remuneração?
Reprodutibilida
de?
77.
78. “Two roads diverged in a yellow wood,
And sorry I could not travel both
And be one traveler, long I stood
And looked down one as far as I could
To where it bent in the undergrowth;
79. “Then took the other, as just as fair,
And having perhaps the better claim,
Because it was grassy and wanted wear;
Though as for that the passing there
Had worn them really about the same,
80. “And both that morning equally lay
In leaves no step had trodden black.
Oh, I kept the first for another day!
Yet knowing how way leads on to way,
I doubted if I should ever come back.
81. “I shall be telling this with a sigh
Somewhere ages and ages hence:
Two roads diverged in a wood, and I—
I took the one less traveled by,
And that has made all the difference.
Robert Frost – The Road Less Travelled
83. Leitura posterior
The Balanced Scorecard
por Robert Steven Kaplan e David P. Norton
5 tips for embracing open data science in the enterprise
por Alice LaPlante
https://www.oreilly.com/ideas/5-tips-for-embracing-open-data-science-in-the-enterprise
84. Créditos
Vetor de rabisco:
• Por Starline
• http://www.freepik.com/free-vector/set-of-hand-drawn-ink-pen-scribbles_1177190.htm
Vídeo do Panda
• Por Panda Cheese
• https://www.youtube.com/watch?v=t9mxon4txFQ
Office Space, Sherlock, Mad Max e Trump são marcas pertencentes a seus respectivos donos.
Why Managing Data Scientists Is Different
Por Roger M. Stein
• http://sloanreview.mit.edu/article/why-managing-data-scientists-is-different/