Saiba como alinhar grandes iniciativas de dados com a estratégia da sua organização, e valide seus esforços com Indicadores Chave de Desempenho.

Tópicos chave do artigo:

• O que são Grandes Dados?
• Desafios dos Grandes Dados
• KPIs e Grandes Dados
• Focus Big Data
• Fake Big Data Measurable
• Automação com o BSC Designer

Sign-com um plano gratuito para acessar o Big Data Scorecard, bem como 28 outros modelos de scorecard.
O final do ano é um bom momento para falar de tendências emergentes: carros auto-conduzidos, inteligência artificial, realidade virtual, e a Internet das Coisas. Que efeito terão estas tendências no seu negócio? Como você pode levar em conta um possível impacto dessas idéias que mudam o jogo? Todas as tendências mencionadas merecem uma análise detalhada, mas há uma que parece estar ligada a todas as outras. Estou a falar de Grandes Dados. A IA vai precisar dele, os carros auto-conduzidos são baseados nele, e claro, já é usado por muitas empresas.

No BSC Designer estávamos a falar muito sobre KPIs e estratégia. Neste artigo eu sugiro discutir como uma estratégia bem descrita e KPIs feitos sob medida podem ajudar a focar em grandes esforços de dados. Aqui está o nosso plano para este artigo:

• Grandes dados. O que é isso? Quais são os principais desafios?
• KPIs para grandes dados. 4 níveis de KPIs e alcançar alinhamento estratégico.
• Plano de ação. Implementação mensurável de grandes dados.

O que são grandes dados?

Dados grandes são sobre a análise de grandes conjuntos de dados não estruturados.

Dados grandes podem ser caracterizados por 3 Vs:

• Volume. Os conjuntos de dados são supostos serem grandes. Há algumas estimativas de que deve ser de pelo menos 10 GB ou 1 TB, mas provavelmente um critério melhor seria dizer que dados grandes são algo que precisa ser distribuído (em termos de armazenamento ou cálculos). Se você tivesse que mudar para Hadoop ou um framework similar, então ele está ficando grande.
• Variedade. Pense em diferentes fontes de dados estruturados e não estruturados. Pode ser extraído de texto, vídeo, dados de vendas, mídia social, previsão do tempo, ou o que fizer sentido no seu contexto.
• Velocidade. O alto volume dos dados é o resultado da rápida geração de dados. Pense sobre milhares de elementos de aeronaves que são constantemente monitorados, ou sobre um fluxo constante dos comentários nas mídias sociais, ou sobre dados em tempo real que os dispositivos de uso fornecem.

Often (tome IBM ou EY como exemplo), há também um quarto “V” que significa “Veracidade:”

• Veracidade. Quando estamos falando de dados, estamos sempre lidando com um certo nível de incerteza. Como foram obtidos os dados? Analisamos todos os fatores? Foram manipulados? Podemos confiar nesses números?

Como os dados são utilizados?

Dados grandes são utilizados para uma ampla gama de análises preditivas e de comportamento. As organizações aplicam grandes dados para reduzir custos, compreender melhor as necessidades dos clientes e para mitigar riscos. Pense em um negócio que usa grandes dados para fornecer uma experiência sob medida para os clientes; pense na verificação de fraude de um fornecedor de comércio eletrônico.

No início do artigo eu mencionei algumas tendências emergentes – grandes dados estão envolvidos em todas elas. Para aprender mais sobre o uso prático de grandes dados, recomendo continuar com “7 Empresas Incríveis que Realmente Obtêm Grandes Dados” pelo especialista reconhecido internacionalmente Bernard Marr.

Desafios Principais dos Grandes Dados

A visão descrita de grandes dados soa muito ambiciosa. Por que então as empresas são lentas na adoção desta nova tendência? Quais são os principais desafios dos grandes dados?

A mineração de dados não é mais um desafio principal

Later em outubro, eu estava falando em uma conferência organizada pela SCIP (Strategic and Competitive Intelligence Professionals). Os membros desta organização lidam com grandes dados nos domínios da inteligência de mercado. O tema principal da conferência não foi sobre mineração de alguns dados CI/BI como seria de esperar, mas sim sobre o alinhamento dos esforços de inteligência de negócios com a estratégia de uma organização. Em outras palavras, uma vez que uma empresa conhece as perguntas que quer fazer, o resto é relativamente fácil (veja as pesquisas abaixo para alguns dados).

Se a mineração de dados não é mais um problema, quais são os principais desafios?

Challenge 1. Focando grandes dados

O principal desafio é focar grandes dados no que importa, e depois entregá-los nas mãos certas. Em outras palavras, deveria haver alguém na organização que deveria começar a fazer as perguntas certas.

Para ilustrar esta idéia, vamos pegar uma história Target que estava nas manchetes em 2012. Este retalhista utilizou com sucesso dados analíticos de compradores para prever que alguns dos seus clientes estavam grávidos. Vamos olhar para a história (não levando em conta a parte relacionada à privacidade) e ver o que realmente aconteceu. Andrew Pole, um estatístico que trabalhou para a Target não estava apenas entregando todos os dados possíveis, ele recebeu uma tarefa muito específica de seus colegas de marketing – identificar compradores grávidas em seu segundo trimestre.

Havia um foco e, havia um enorme valor comercial associado a este foco, já que os novos pais tendem a mudar seus hábitos de compra e a comprar tudo em uma loja de varejo. Não se tratava apenas de brincar com dados, mas sim de encontrar dados que ajudassem a responder a uma pergunta muito específica.

Challenge 2. Alinhamento com estratégia de negócio

Dados grandes mudarão quando os dados forem de valor tangível para o negócio. Em outras palavras, deve ficar claro como as grandes iniciativas de dados estão apoiando a estratégia de uma empresa. NewVantage Partners em sua pesquisa Big Data Executive perguntou aos entrevistados sobre os impedimentos culturais para a adoção de negócios de Big Data. 42,6% dos respondentes escolheram a resposta “Insuficiente alinhamento organizacional”. Outras opções incluíram falta de adoção, falta de uma estratégia de dados coerente, e falta de uma visão compartilhada.

Voltando ao caso alvo, eles foram bem sucedidos em abordar dois componentes importantes:

1. Grandes dados focados em uma consulta específica: Foi pedido a um cientista de dados que identificasse clientes grávidas no segundo trimestre.
2. Alinhamento com uma estratégia de negócio: Houve um claro valor de negócio para os dados – famílias onde uma criança nasceu tornaram-se clientes de uma loja de varejo por muito tempo.

Challenge 3. Segurança e privacidade de dados

Este desafio ainda não está em uso corrente, mas acho óbvio para qualquer um que a coleta e análise de dados deve ser ética e legal. O Regulamento Geral de Protecção de Dados (GDPR) tornou-se aplicável a partir de 25 de Maio de 2018 na Europa e existem regulamentos semelhantes em outros países. As empresas precisam ser muito mais sérias quanto a seguir as políticas de dados ao processar dados pessoais.

Vamos discutir os KPIs no contexto dos grandes dados.

KPIs e Grandes Dados

Os grandes dados vão substituir os KPIs? Não exatamente. Os grandes dados vão alimentar os KPIs com insights mais precisos e atualizados.

Vamos tomar o NPS (Net Promoter Score) como exemplo:

• NPS agora. Como é calculado o NPS (Net Promoter Score) em sua organização hoje? Provavelmente você faz algum tipo de pesquisa trimestral com os clientes. Portanto, este indicador está atrasado no tempo. Se algo acontecer ao seu negócio, o NPS irá mostrá-lo alguns meses depois.
• NPS alimentado por grandes dados. Agora, imagine que usa alguma grande ferramenta de dados que analisa as emoções do cliente em tempo real (veja a referência do Heedbook abaixo). Neste caso, seu NPS se tornará um KPI em tempo real. Basicamente, você será capaz de ver a reação de um cliente específico a uma oferta específica e a uma abordagem de venda específica.

Em alguns casos, você estará interessado em ir mais fundo nos dados e chegar às situações específicas, e em alguns casos você precisará ver os dados agregados para a semana, mês, ou ano.

KPIs para Grandes Dados

No caso de grandes dados, estamos falando de investimentos significativos nas novas ferramentas e arquitetura, por isso faz sentido monitorar essas iniciativas com alguns dados concretos. As grandes iniciativas de dados também devem ser quantificadas e medidas. Podemos fazer isso em vários níveis diferentes.

Nível 1. Métricas 3-V

Os 3V (Volume, Variedade, Velocidade) dos grandes dados podem ser facilmente quantificados:

• Volume de dados é uma medida por si só (GB, TB, etc.).)
• Variedade pode ser quantificada como o número de diferentes tipos de fontes de dados
• A velocidade é definida pelo volume de dados gerados/analisados por período de tempo

O quarto V – Veracidade pode ser mais difícil de quantificar. Você precisará definir o que sua equipe qualifica como dados precisos e isso depende do contexto. Por exemplo, para os carros com motor de combustão, medir a velocidade da corrente com um nível de erro de +-5 km/h pode ser considerado como dados precisos, enquanto que para carros elétricos, não é aceitável. Defina 1-2 métricas que dão uma idéia da precisão dos dados no seu caso.

As métricas 3-V são úteis? Depende do seu contexto. Tomemos como exemplo o carro auto-conduzido do Google. O carro produz 1GB de dados de sensor por segundo. Esse número parece impressionante! Podemos estimar o tamanho dos grandes dados, mas esses números não nos ajudarão com os 3 desafios mencionados anteriormente.

Sign-up com um plano gratuito para acessar o Big Data Scorecard, bem como 28 outros modelos de scorecard.

Nível 2. Big Data Process Metrics

Vamos para o próximo nível de abstração e damos uma olhada no processo de grandes dados. O modelo simplificado é o seguinte:

• Query
• Collection
• Analysis
• Reporting

As métricas mais úteis neste caso estão relacionadas ao tempo:

• Frequência da recolha de dados
• Tempo necessário para os dados estarem disponíveis para análise
• Tempo necessário para os dados serem reportados numa forma de KPIs

Os valores de referência para o tempo dependem do contexto do seu negócio. Por exemplo:

• O carro automotor precisa coletar e analisar dados em tempo real, e os milisegundos da diferença importam, mas
• No caso dos gerentes de NPS podem estar interessados em rever dados semanais agregados

Em termos de eficiência do processo, podemos rastrear a:

• Consulta para relatar a taxa de conversão, %. Neste caso devemos definir o conceito de uma consulta qualificada primeiro, e então rastrear a porcentagem de consultas qualificadas que nossos cientistas de dados foram capazes de responder
• Capacidades de captura de dados. O nível de precisão dos dados que capturamos (as idéias discutidas acima em Veracidade). Para algumas empresas esses recursos definem sua vantagem competitiva sustentável.

As métricas desse nível nos dão uma idéia melhor sobre a eficiência dos grandes dados, mas ainda assim, não temos uma pista sobre o impacto dos grandes dados nos objetivos reais do negócio.

Nível 3. KPIs em atraso. KPIs para validar o sucesso dos grandes dados.

Outra questão é como validar o sucesso das grandes iniciativas de dados na empresa. Por um lado, há alguns investimentos significativos em infra-estrutura, por outro lado, os grandes dados devem estar retornando na forma de insights do negócio. Como podemos medir o valor em dólares desses insights?

Neste caso, precisamos acompanhar as melhorias que podem ser creditadas ao uso de grandes dados:

• Que lições aprendemos com os grandes dados? Que economia de custos foi alcançada após a implementação dessas idéias?
• Como a taxa de retenção de clientes mudou devido à entrega de uma experiência feita sob medida? Como o valor da vida útil do cliente está mudando?
• Os grandes dados ajudam o atendimento ao cliente a ser mais eficaz? Como mudou a taxa de resolução na primeira chamada?
• Como mudaram os processos de contratação depois de começar a usar grandes dados? Como mudou o tempo de desempenho da métrica de RH?

Como você pode ver neste nível nós usamos os KPIs clássicos que estávamos usando antes. O que estamos tentando fazer é creditar certas melhorias na implementação de grandes dados.

Esta abordagem pode ser tendenciosa:

• Tendemos a contar mudanças positivas como nossas realizações e
• Vemos mudanças negativas como flutuações normais que sempre acontecem.

A solução é apontar para alvos maiores e mais tangíveis.

Muitas organizações qualificam esta parte de medição e simplesmente compram “alguns dados grandes”. De acordo com o relatório da Capgemini Consulting, 67% das empresas entrevistadas não têm um critério bem definido para medir o sucesso de suas grandes iniciativas de dados. Considerando a quantidade de investimento, as empresas devem ser mais sistemáticas na definição dos objetivos e dos critérios de sucesso da implementação dos grandes dados.

Inscrição com um plano gratuito para acessar o Big Data Scorecard assim como 28 outros modelos de scorecard.

Nível 4. KPIs principais. Garantindo o sucesso dos grandes dados.

Agora sabemos como medir a parte do resultado das grandes iniciativas de dados, mas e quanto à parte principal? O que devemos fazer para garantir uma implementação bem sucedida dos grandes dados?

A parte difícil dos grandes dados é bastante tangível, podemos medi-lo por métricas genéricas como:

• Funds investidos em grandes iniciativas de dados
• Despesa de tempo em grandes iniciativas de dados

Business Goals Focus Big Data

Aqui está um cenário real: uma empresa investiu milhões de dólares na infra-estrutura, ferramentas e grande recolha de dados com o cluster Hadoop, e nada de mensurável aconteceu. Era disso que estávamos falando no desafio 1: Grandes dados não são IA, não podem falar, e sua equipe precisa aprender a fazer as perguntas. Como podemos medir o papel da equipe então?

Aqui estão algumas idéias para começar:

• Eficácia do treinamento de grandes dados. Certifique-se de que os membros chave da sua equipe tiveram algum treinamento em grandes dados. Eles não são necessários para se tornarem cientistas de dados, mas precisam saber que perguntas podem fazer e como formular essas perguntas. As métricas neste caso estarão relacionadas com a eficácia do treinamento.
• % de metas estratégicas com grandes iniciativas de dados. Poderíamos acompanhar o número de grandes consultas de dados formulados por cada equipe, mas esta abordagem seria muito formal e menos útil. Uma melhor opção é rastrear o alinhamento entre metas e grandes consultas de dados. Peça à sua equipe para olhar para seus objetivos estratégicos e depois discutir que dados eles podem precisar para tomar melhores decisões no contexto desses objetivos.

Dados Grandes Ajuda a Formular Novos Objetivos de Negócios

O processo de correspondência entre contexto de negócios e grandes dados é bidirecional. Às vezes temos um desafio específico em mente e depois estamos procurando por grandes ferramentas de dados específicos (como no caso do Target), às vezes encontramos uma ferramenta interessante e depois tentamos combiná-la com nossos objetivos. Aqui estão alguns exemplos:

• Uma pessoa da sua equipa encontrou o Heedbook, um serviço que analisa as emoções do cliente em tempo real. O serviço é construído sobre o Microsoft’s Azure e está disponível na Nuvem. Sua equipe de atendimento ao cliente pode ter a idéia de usar este serviço para calcular melhor seu NPS.
• Seu pessoal de TI foi desafiado a encontrar um software DLP (Data Loss Prevention). Eles se depararam com o SearchInform que não só pode analisar comunicações e arquivos transmitidos, mas também pode aplicar políticas de segurança específicas. A estratégia de TI de sua organização pode ser atualizada levando em conta as possibilidades da ferramenta DLP.

Em qualquer caso, é uma boa idéia combinar metas de negócios específicas com os requisitos para os grandes dados.

Plano de Ação. Make Big Data Measurable.

Façamos algumas retiradas deste artigo. Prefiro fazê-lo na forma de um plano de ação.

1. Revisar os grandes dados. Como os dados são coletados agora, que recursos de captura de dados você tem (use as grandes métricas do processo de dados como uma estrutura).
2. Faça o seu dever de casa. Tenha a sua estratégia formulada no mapa de estratégia, e em cascata para as unidades de negócio. Revise seus KPIs atuais.
3. Melhore as capacidades. Planeje as iniciativas para abordar as capacidades da equipe em termos de grandes dados. Os membros-chave devem compreender que perguntas podem fazer e como formular essas perguntas.
4. Concentrar os grandes esforços de dados. Reveja o seu mapa estratégico, identifique as oportunidades onde os grandes dados podem apoiar as metas de negócios. Formule grandes consultas de dados.
5. Implementação. Analise os insights fornecidos pelos grandes dados, reflicta-os na forma de KPIs onde necessário.

Um pequeno guia para usuários do BSC Designer Software

Como usuário do BSC Designer você tem um poderoso software que irá automatizar muitos dos aspectos de alinhamento estratégico e KPIs discutidos neste artigo:

• Alinhamento estratégico e foco em grandes dados. Crie um mapa estratégico para apresentar seus objetivos de negócio; alinhe os KPIs com os objetivos no mapa. Se você ainda não tem um mapa de estratégia, então use um assistente de mapa de estratégia para começar.

• Garantindo que uma equipe tenha grandes capacidades de dados. Use um scorecard de treinamento (você pode começar com este exemplo) para garantir que sua equipe tenha as capacidades necessárias para trabalhar com grandes dados.
• Alimentar os KPIs com grandes dados. Rastrear métricas de desempenho para as grandes iniciativas de dados; use RESTFul API para inserir grandes relatórios de dados em tempo real nos indicadores.

Se você ainda não é um usuário, então você pode começar com um plano gratuito do BSC Designer, que está disponível online.

Mais exemplos do Balanced Scorecard