TDC2018SP | Trilha Data Science - Utilizando dados para melhorar seus sistemas e seus negocios

1. Utilizando dados para melhorar
seus sistemas e seus negócios
TDC 2018 - Trilha Data Science
Bruno Gouveia
TPO@Luizalabs
about.me/bfgouveia

2. 1) Introdução
Assunções, expectativas e objetivos
2) Problemas Comuns
Exemplos de problemas encontrados comumente estruturados em um formato cíclico contínuo
3) Exemplo: Resolvendo um Problema
Identificação, Implementação e Análise
Como identificar problemas, oportunidades e descobrir pontos cegos
Como & O que utilizar para metrificar seus projetos/produtos/negócios
4) Automatização e Reaproveitamento
Insights sobre o que pode ser automatizado, como podemos reaproveitar os dados trabalhados, exemplos
de arquiteturas
5) Perguntas =)
Agenda

3. Perfil: Você exerce um papel de analista de negócios, gerente de produtos/
product owner ou é engenheirx, desenvolvedorx ou analista de dados (ou
deriva de algum destes papéis)
Conhecimentos básicos: Você exerce um dos papéis acima em um negócio digital
(que possui ferramentas, APIs, bancos de dados e outros recursos que armazenam
e disponibilizam dados ou maneiras de coletá-los em formato eletrônico/digital)
Atenção: Essa palestra aborda diversos aspectos
humanos e não possui código - mas aborda alguns
aspectos técnicos dentro de todos os papéis
mencionados no perfil
Objetivo: Compartilhar maneiras de como é possível gerar ou trazer mais
valor para o produto do seu trabalho gerando soluções mais inteligentes,
autônomas, escaláveis e que tornem o seu cotidiano mais produtivo.
Introdução | Assunções, Expectativas, Objetivos

4. Problemas Comuns | Ciclo da Maturidade
Tem
os os dados
m
as não
arm
azenam
os
Armazenamos mas
não sabemos utilizar
Utilizamos mas é
difícil de trabalhá-lo
Utilizam
os facilm
ente,
m
as não conseguim
os
reaproveitar
Ciclo de maturidade da
utilização de dados

5. Problemas Comuns | Ciclo da Maturidade Completo
Tem
os os dados
m
as não
arm
azenam
os
Armazenamos mas
não sabemos utilizar
Utilizamos mas é
difícil de trabalhá-lo
Utilizam
os facilm
ente,
m
as não conseguim
os
reaproveitar
Ciclo de maturidade da
utilização de dados
√
√
√
√

6. Problemas Comuns | Ciclo da Maturidade Parcial
Tem
os os dados
m
as não
arm
azenam
os
Armazenamos mas
não sabemos utilizar
Utilizamos mas é
difícil de trabalhá-lo
Utilizam
os facilm
ente,
m
as não conseguim
os
reaproveitar
Ciclo de maturidade da
utilização de dados
√
√
x
√

7. Problemas Comuns | Ciclo da Maturidade Parcial
Tem
os os dados
m
as não
arm
azenam
os
Armazenamos mas
não sabemos utilizar
Utilizamos mas é
difícil de trabalhá-lo
Ciclo de maturidade da
utilização de dados
√
√
Utilizam
os facilm
ente,
m
as não conseguim
os
reaproveitar
√
x

8. Problemas Comuns | Amplitudes do Ciclo da Maturidade
Código
Tech e Infra
Produtos/ProjetosOKRs, KPIs
Consumo, Desempenho
Logs, Eventos
OrganizaçãoOKRs, KPIs

9. Resolvendo Problemas | Exemplo: Elevador
Thanos Elevadores

10. Resolvendo Problemas | Elevador: Organização
OKRs (Objectives and Key Results)
O: Fornecer o elevador mais eficiente do mercado
KRs: % de aumento vendas de elevadores
% de aumento no NPS (Net Promoter Score)
Thanos Elevadores
no brainer

11. Resolvendo Problemas | Elevador: Produto/Projeto
OKRs (Objectives and Key Results)
Do sistema de controle do elevador
O: Aumentar eficiência das viagens em X%
KRs: % de aumento em viagens bem sucedidas (sem quebras)
% de redução no tempo médio das viagens
% de redução na energia média das viagens
Thanos Elevadores
no brainer% de aumento no NPS

12. Resolvendo Problemas | Elevador: Tech
Consumo:
Energia sendo gasta pelo sistema e pelos motores do elevador
durante a execução das tarefas
Desempenho:
Tempo médio das viagens com mesmo comprimento
(Ex.: 1º ao 4º, 5º ao 8º, 10º ao 14º)
Thanos Elevadores
% de redução na energia média das viagens
fornece indicador para um objetivo
% de redução no tempo médio das viagens
% de redução na energia média das viagens
fornece indicador para um objetivoEndpoint na sua API!
Métrica no sistema
de monitoramento
de infraestrutura

13. Resolvendo Problemas | Elevador: Código
Logs e Eventos:
Ações do pressionamento dos botões e seus valores
Troca de estado dos sensores das portas, sensores de peso, etc
Erros inesperados
Exceções esperadas (por mal funcionamento devido a baixas cargas, etc)
Thanos Elevadores
% de aumento em viagens bem sucedidas
fornece indicador para um objetivo
% de redução no tempo médio das viagens
% de redução na energia média das viagens
fornece indicador para um objetivo
Bônus!!!!
Detalha a composição do
indicador, facilitando
debugging, tracing, etc.

14. Utilizam
os facilm
ente,
m
as não conseguim
os
reaproveitar
Resolvendo Problemas | Recapitulando
Tem
os os dados
m
as não
arm
azenam
os
Armazenamos mas
não sabemos utilizar
Utilizamos mas é
difícil de trabalhá-lo
Ciclo de maturidade da
utilização de dados
√ Frustrações
√ Insights
√ Problemas
√ Feedbacks
Valor
Utilizam
os facilm
ente,
m
as não conseguim
os
reaproveitar
√
√
x
√

15. Resolvendo Problemas | Opções: Tech + Código
Código
Tech e Infra
Produtos/Projetos OKRs, KPIs
Consumo, Desempenho
Logs, Eventos
Organização
valor

16. Resolvendo Problemas | A Última Fronteira
Tem
os os dados
m
as não
arm
azenam
os
Armazenamos mas
não sabemos utilizar
Utilizamos mas é
difícil de trabalhá-lo
Utilizam
os facilm
ente,
m
as não conseguim
os
reaproveitar
Ciclo de maturidade da
utilização de dados

17. Resolvendo Problemas | Coleta e Análise
Produtos/Projetos
Código
Tech e Infra
OKRs, KPIs
Consumo, Desempenho
Logs, Eventos
Organização

18. Resolvendo Problemas | Coleta e Análise
Fonte
de
Eventos
Coleta e
Storage
Analytics
Tableau, Mixpanel,.
Análises
com
Machine
Learning
Business
Tech
Isolamento por escopo:
- Latência- Consumo- Desempenho

19. Resolvendo Problemas | Elevador: Reaproveitando (ML)
API
Análises
com
Machine
Learning
“Nos períodos de
horas X à Z os andares
superiores são mais
requisitados”
“Configure para que o
andar de repouso do
elevador, quando
inativo, fique entre os
andares superiores”
% de redução no tempo médio das viagens
% de redução na energia média das viagens
fornece indicador para um objetivo

20. Arquitetura | Sugestão
Worker
DB
Streaming
ML Libs
Dados
Pré-Processados
DB API
Treinar modelos
com dados reais
Usar modelos no
processamento dos dados
Usar estruturas
pré-processadas
Estrutura dados
brutos
Importar os dados de
origens estáticas
API

21. Arquitetura | Sugestões e Padrões: Exemplo Real
Python
Worker
SQL
Server
AWS Kinesis
ML Libs
MongoDB
MongoDB Python API
Google Analytics
API

22. Considerações Finais
● Encontre aspectos “No Brainer”
No brainer == maximizar coisas boas & minimizar coisas ruins
● Muitos Dados > Sem Dados
Não tenha medo de medir/logar em excesso (mas não esqueça de revisitar e higienizar depois)
● No planejamento faça uma retrospectiva - só que ao contrário
Pre-mortem: imagine antecipadamente o que irá quebrar, o que irá dar problemas, o que
provavelmente será algo ruim
● LOOP: Experimente, Erre, Anote, Aprenda, Execute

23. Materiais recomendados
Vídeo:
How Google Sets Goals https://www.youtube.com/watch?v=mJB83EZtAjc
Podcasts:
This Is Product Management: Becoming Data Driven
https://www.thisisproductmanagement.com/episodes/becoming-data-driven/
This Is Product Management: Mastering Quantitative Research
https://www.thisisproductmanagement.com/episodes/mastering-quantitative-research/
Livros:

24. Muito obrigado! Perguntas?
(temos vagas!)
luizalabs.com
medium.com/luizalabs
@bfgouveia
bit.ly/vagaluizalabs