O que líderes de negócios precisam saber sobre estratégias de dados em 2022

É bem provável que você tenha iniciado o ano de 2022 com a impressão de ter muito trabalho pela frente. Essa certamente é a realidade de empresas em relação à tecnologia, que ocupou o centro das atenções com a digitalização acelerada pela pandemia e subiu a barra para as demandas de 2022.

Ouvimos muitos tomadores de decisão dizer que o período trouxe uma oportunidade para recalibrar investimentos e, em muitos casos, acelerar os planos existentes. Ao mesmo tempo, que o papel da tecnologia nos negócio está mudando, e data analytics está cada vez mais na dianteira deste processo de transformação.

Com esses elementos em mente, nas linhas a seguir trago quatro áreas que líderes de negócios devem considerar nos próximos meses.

1. Foque na experiência do cliente. Lideranças precisam constantemente medir o pulso da base de clientes para entender o que é importante para eles e como a tecnologia pode atender a estas demandas. A esta altura, espera-se que o topo da pirâmide das organizações também esteja nessa mesma sintonia e entenda a importância da experiência do consumidor (CX). Para obter este resultado, é preciso uma visão granular dos dados processados e analisados pela sua organização, que entregarão insights para informar a estratégia do negócio. Se precisar escolher uma área para focar seus esforços em analytics este ano, escolha CX.

2. Avance nas formas de análise para gerar valor. Se “os dados são o  novo petróleo”, explorá-los para gerar o máximo valor possível é fundamental. Costumo dizer que dados sem análise é o mesmo que valor ainda não realizado.

Mas quais são as principais formas de análises, e para que servem cada uma delas? As três formas mais utilizadas são análise descritiva, análise preditiva e análise prescritiva. A seguir, explico o que cada uma destas frentes significa e o valor gerado por elas.

Análise descritiva: baseada em técnicas estatísticas para explicar os dados como estão, é uma análise exploratória. Exemplos de perguntas que podem se beneficiar deste tipo de análise podem ser: “Qual time teve mais posse de bola?”, “Qual produto foi o mais vendido durante o final de semana na loja X?”.

Parece simples, mas uma boa análise descritiva pode responder muitas perguntas de maneira rápida. Essa técnica ajuda negócios a entenderem o que aconteceu, como aconteceu e onde aconteceu.

Mas muitas vezes, olhar somente para o passado não gera o diferencial competitivo, ou o benefício real que os dados podem apresentar. Imagine um caso de fraude de cartão de crédito: apenas olhar para o passado, não evitará que algo aconteça, certo? Por essa razão, é muito importante dar um passo adiante, e usar os dados para a montagem de uma análise preditiva.

Análise preditiva: como o nome já diz, tem o objetivo de prever algo. Insights que podem ser gerados com essa modalidade incluem: “Essa transação de cartão de crédito tem alta probabilidade de ser fraude”; “O time A tem 70% de probabilidade de vencer a partida”; “Quais produtos são os mais vendidos antes da chegada de um furacão”; “Qual perfil de cliente tem alta probabilidade de não renovar meu serviço?”; “Qual é a melhor próxima oferta a ser feita para o cliente X?”

Um modelo preditivo tem como objetivo estimar um parâmetro ainda não conhecido: quanto mais preciso for o seu desempenho, melhor é o modelo. Com esse tipo de análise, é possível prever o que acontece usando como base os dados históricos. O mais importante, no entanto, é a qualidade dos dados disponíveis, para que a previsão seja o mais precisa possível.

Agora vem uma pergunta importante: Prever o futuro com precisão é sem dúvida algo crucial. Mas será que consigo “interferir” no que irá acontecer no futuro? Se a probabilidade de meu time de futebol perder é alta, posso fazer algo para “mudar esse jogo?”. Perguntas que podem ser feitas sob a abordagem preditiva podem incluir: “Qual o melhor caminho para o meu time fazer um gol?”; “Como faço para vender mais essa linha de produtos?”.

Como faço algo acontecer? Essa é sem dúvida a resposta mais valiosa de todas. O diferencial de uma estratégia está claramente ligado à capacidade de respondermos essa pergunta. E para isso existe a análise prescritiva.

Análise prescritiva: nesta modalidade, juntamos as análises descritiva e preditiva com o conhecimento de negócios. Juntas, estas abordagens são capazes de recomendar ações, aprimorar processos e ajudar profundamente na tomada de decisões.

Lembre-se: o que queremos saber é: como faço algo acontecer?

O aplicativo Waze é um exemplo claro desse tipo de análise. A partir de informações sobre um ponto de partida e um ponto de chegada, a ferramenta calcula as melhores rotas, usando uma combinação de dados históricos com os em tempo real. Saber comportamentos dos clientes para lançar campanhas de marketing, de acordo com as necessidades dos usuários é outro exemplo em que a análise preditiva pode ajudar. Assim como mudar a história de uma partida durante o jogo, montando estratégias que aumentem a probabilidade de sucesso de uma equipe.

Alguns benefícios claros do uso destas abordagens é o aprimoramento de processos, campanhas mais efetivas, além de redução de custos sem afetar o desempenho. Sem contar o aumento da probabilidade de sucesso de uma empresa. Em resumo, o foco aqui é a criação de recomendações que ajudem a alterar o futuro em relação a uma determinada ação.

3. Tenha a seletividade como mantra. Um dos maiores desafios de organizações que querem avançar em data analytics é escolher em quais áreas focar, por causa da quantidade imensurável de dados que produzem e captam. Juntamente com o gasto de tempo associado a buscar e limpa dados quando se quer utilizá-los, a falta de clareza impõe empecilhos à geração de “bons dados” – o material que, no final do dia, seria usado para produzir as pepitas de ouro para o negócio. Para atacar a possibilidade de paralisia, é preciso escolher um nicho ou objetivo de negócio – por exemplo, a previsão de abandono de clientes com base em certas variáveis – e fazer um piloto para demonstrar valor.

4. Use pragmatismo nas provas de conceito. Este ponto é relacionado à área de foco que citei acima. Quando se trata de analytics, o melhor é que pilotos sejam simples e robustos, ao invés de provas de conceito que parecem obras primas, mas não param em pé na prática. Normalmente, essa diferença fica óbvia quando empresas saem do âmbito de teste e colocam um projeto de análise de dados para rodar de fato. É inútil propor, por exemplo, uma melhoria super elegante para um processo de atendimento ao cliente baseado em dados se isso vai requerer mudanças custosas em sistemas que já existem.

Além destas quatro áreas de foco, acrescento uma consideração que é intrínseca a todas elas: a velocidade. Empresas fizeram coisas incríveis desde o surgimento da Covid-19, impulsionadas pelo senso de urgência. Nesta nova fase de digitalização movida a dados, a velocidade precisa ser incorporada à organização. Melhor dizendo, a velocidade não é apenas sobre a aceleração do motor propriamente dita, mas desenhá-lo para que funcione de uma forma mais eficiente e inteligente.

O modo que as empresas vão trabalhar nas frentes citadas neste artigo deve variar, de acordo com sua maturidade e indústria. Mas a observação das melhores práticas de organizações que estão conseguindo evoluir suas estratégias de analytics sugere que dominar estas áreas de foco deve aumentar significativamente as chances de sucesso no “próximo normal”.

Marvio Portela é vice-presidente sênior para Estados Unidos, América Latina e Caribe do SAS. O executivo passou por grandes empresas como Oracle e IBM, trazendo uma vasta experiência na área de vendas e gestão de parcerias. Sua carreira no SAS teve início em 2010.

Os artigos assinados são de responsabilidade exclusiva dos autores e não refletem, necessariamente, a opinião de Forbes Brasil e de seus editores.