Data Science

Produtos de Dados: ativos estratégicos para o negócio

Por: Flavio Furlanetto, maio 20, 2021

Autor Principal: Flávio Furlanetto

Co-autor: Everton Gago

Introdução

Nos últimos anos tem se falado muito a respeito da utilização de dados como forma de tomada de decisão e direcionamento estratégico das empresas, mas pouco se tem falado sobre o uso dos dados como um ativo estratégico para o negócio. Os dados passam a ser um ativo do negócio em duas situações: Onde pessoas ou empresas aceitam pagar pelos insights gerados pelos seus dados, ou quando a própria organização se beneficia pelo uso deles. Neste artigo vamos generalizar estas duas situações através do termo Produtos de Dados.

O que é um produto de dados

Qualquer empresa que opere total ou parcialmente digitalizada é capaz de coletar uma grande quantidade de dados durante suas transações, interações com os usuários, métricas de desempenho de negócios e até mesmo dados de seu mercado e competidores. Coletar e armazenar dados tem sido a grande preocupação de muitas empresas ao longo dos últimos anos e agora elas começaram a investir em meios para extrair valor desses dados. O dado bruto não traz informações relevantes para o negócio, de modo que precisam de passar por etapas de agregação, combinação e enriquecimento para que se tornem mais valiosos.

 

Os produtos de dados têm um objetivo principal: gerenciar, organizar e dar sentido à vasta quantidade de dados que as organizações coletam e geram, através da conexão desses dados com o negócio. Não basta ter métricas, informações enriquecidas e gerar insights se isso não for traduzido em ações práticas do dia a dia [1].

 

As empresas podem usar os produtos de dados para aumentar sua eficiência operacional, prevendo churn, segmentando o perfil dos clientes e gerando insights para tomar decisões mais inteligentes.

 

Os bons produtos de dados devem atender a uma necessidade específica da empresa ou organização ajudando-as a extrair inteligência desses dados para fazer previsões, otimizar custos, melhorar posicionamento de mercado e, por fim, gerar mais receita. 

O valor de um produto de dados dependerá da maturidade da organização em conseguir fazer as provocações, perguntas e hipóteses adequadas para serem endereçadas por meio do produto. Não se pode deixar de lado o pensamento inovador, procurando novas formas de entregar suas soluções, realizar processos internos e ser disruptivo no mercado.

Tipos de produtos de dados

É claro que existe uma ampla gama de diferentes tipos de produtos de dados. Mesmo restringindo o campo de produtos possíveis àqueles que satisfazem nossa definição, ainda há uma variedade considerável entre esses produtos. 

 

Cabe aqui deixar clara a distinção entre produtos que utilizam dados para funcionar dos produtos que tem nos dados seu principal objetivo de existência. Embora muitas das Regras de Desenvolvimento de Produto padrão se apliquem - resolva uma necessidade do cliente, aprenda com o feedback, priorize assertivamente - existem sutilezas que podem tornar o pensamento sobre produtos de dados um pouco diferente.

A definição acima é usada para discernir se devemos pensar em um produto como normalmente faríamos ou se precisamos considerar os aspectos do desenvolvimento do produto que são mais adequados ao mundo dos dados. [2]

 

Podemos organizar esses produtos de dados em 5 grupos amplos: dados brutos, dados derivados, algoritmos, suporte à decisão e tomada de decisão automatizada.[2]

De modo geral, esses tipos de produtos são listados em termos de complexidade interna crescente e facilidade de uso para os usuários finais decrescente. Dito de outra forma, quanto mais computação, tomada de decisão ou “pensamento” o produto de dados faz por si mesmo, menos pensamento é exigido pelo usuário.[2]

Imagem disponível em: https://towardsdatascience.com/designing-data-products-b6b93edf3d23

Tipos de produtos de dados

Vamos descrever brevemente cada um dos 5 tipos de produtos de dados abaixo:

 

Dados brutos: Coleta e disponibilização dos dados como estão, eventualmente com algumas pequenas etapas de processamento ou limpeza. O usuário pode então escolher usar os dados conforme desejado, precisando conhecer detalhes do dataset e ferramentas de processamento para tal.

 

Dados derivados: Ao fornecer dados derivados aos usuários, uma parte do trabalho é realizada pelo time do produto de dados, realizando algumas agregações e transformações mais complexas, com atributos adicionais ou a probabilidade de um cliente clicar em um anúncio de uma determinada categoria.

 

Algoritmos: Em seguida, temos algoritmos ou algoritmos como serviço. Recebemos alguns dados, os executamos por meio do algoritmo - seja esse aprendizado de máquina ou outro - e retornamos informações ou insights. Um bom exemplo seria o Google Image: o usuário carrega uma foto e recebe um conjunto de imagens iguais ou semelhantes ao carregado. Nos bastidores, o produto extrai recursos, classifica a imagem e faz a correspondência com as imagens armazenadas, retornando as que mais se assemelham.

 

Apoio à decisão: Fornecer informações ao usuário para ajudá-lo na tomada de decisão, mas não tomar a decisão pelo usuário. Painéis de análise como Google Analytics e Adobe Analytics, ferramentas de inteligência de mercado ou people analytics se enquadram nesta categoria. A maior parte do trabalho pesado está implementada no produto, com a intenção de fornecer ao usuário informações relevantes em um formato fácil de digerir para permitir que eles tomem decisões melhores baseadas em dados, mas ainda assim, Os usuários estão no controle da decisão de agir (ou não) com base nos indicadores do produto.

 

Tomada de decisão automatizada: Aqui, terceirizamos toda a inteligência de um determinado domínio. Alguns exemplos deste tipo de produto são: Recomendadores de produtos/conteúdos como Netflix ou Spotify, sistemas de manutenção preditiva para fábricas ou equipamentos de campo, geofencing veicular, detectores de anomalias e fraudes em operações financeiras ou nos planos de saúde. Carros autônomos ou drones automatizados são manifestações mais físicas desse ciclo fechado de decisão.

Neste tipo de produto, permitimos que o algoritmo faça o trabalho e apresente ao usuário o resultado final e a ação a ser tomada.

 

Cada um desses produtos de dados pode ser apresentado aos nossos usuários de várias maneiras - com implicações claras para seu design e que traz uma dimensão transversal aos seus tipos, as formas de interação com o usuário.

Formas de interação com o usuário

Disponível em: https://miro.medium.com/max/3924/1*tQOdic2Q2FuT9jMQmoJ81g.jpeg
Disponível em: https://miro.medium.com/max/3924/1*tQOdic2Q2FuT9jMQmoJ81g.jpeg

APIs: No caso de APIs, presumimos um usuário técnico. Devemos ainda seguir as boas práticas do Produto e garantir que a API seja intuitiva de usar, bem documentada, possa fazer o que seu usuário precisa e é desejável para trabalhar [2].

 

Painéis e visualizações: Assume-se que os usuários terão algum conhecimento estatístico ou competência em lidar com números embora muito do trabalho pesado garantindo que as informações mais pertinentes sejam apresentadas em um formato fácil de entender seja realizado pelo time do produto. Essas informações influenciam a tomada de decisão, mas ainda deixam a interpretação e a ação nas mãos do usuário.

 

Elementos da web: A interface menos técnica para produtos de dados comumente vistos pelos usuários tem sido os elementos da web. Essas interfaces foram amplamente estendidas para incluir voz, robótica e realidade aumentada, entre outros. Embora os detalhes de design para cada uma dessas interfaces mais novas sejam claramente distintos, há uma sobreposição considerável, pois eles giram em torno da apresentação dos resultados de uma decisão ao usuário e, talvez, também comunicando por que ou como a IA tomou essa decisão [2].

 

A matriz dos produtos de dados

Ao cruzarmos as duas dimensões (tipo de produto x tipo de interação) temos a seguinte matriz:

grafico api
Disponível em: https://towardsdatascience.com/designing-data-products-b6b93edf3d23

Mover-se diagonalmente do círculo superior esquerdo (dados brutos-API) em direção ao círculo inferior direito (elementos da Web para tomada de decisão automatizada) é passar de produtos técnicos menos elaborados para os produtos mais intuitivos ao usuário com maior complexidade de desenvolvimento, envolvendo disciplinas como Machine Learning e Engenharia de software mais refinados.

Fatores de sucesso

Entender a necessidade do seu usuário é fundamental pois guiará decisões importantes da equipe de produtos na escolha da complexidade e forma de disponibilização deste, correlacionando uma posição dentro da matriz anteriormente apresentada. Essa decisão se desdobrará nas habilidades e competências necessárias da equipe de desenvolvimento que deverá estar alocada no time, sempre buscando perfis complementares em uma equipe multidisciplinar.

Dependendo da complexidade do produto a ser desenvolvido, é muito válido que antes de sua implementação final, seja realizada uma prova de conceito para garantir sua viabilidade. As provas de conceito são ferramentas excelentes para garantir que não encontraremos um beco sem saída após longos meses de trabalho, antecipando fatores de sucesso ou fracasso que farão com que novas hipóteses surjam e outros caminhos para desenvolver o produto sejam pesquisados. Falhar não é um problema, desde que se descubra rápido.

O desenvolvimento em pequenas etapas iterativas com validações dos próprios usuários sobre o caminho que está sendo seguido também é fundamental para que não tenhamos ao final de um longo período, algo que não atenda como esperado ou cuja necessidade inicial já não existe mais. Aqui, o método ágil de desenvolvimento cabe como uma excelente estratégia para gerar engajamento e garantia de que o que está sendo desenvolvido está no caminho correto para quem mais importa: os usuários.

 

Referências:

[1] https://www.sisense.com/glossary/data-products/

[2] https://towardsdatascience.com/designing-data-products-b6b93edf3d23

 

https://medium.com/@exastax/how-to-build-a-great-data-product-8d1d58775673

https://medium.com/@itunpredictable/data-as-a-product-vs-data-as-a-service-d9f7e622dc55

https://www.intersectlabs.io/post/what-is-a-data-app

https://bigdatacorp.com.br/produtos-de-dados-facilitando-o-caminho-rumo-a-cultura-digital/

  • Receba nosso conteúdo em primeira mão.