[NECESSÁRIO] Como acelerar o ciclo de gestão de dados-para-insights-para-ação?


Fonte: ComputerWorld

digital


As empresas líderes dos mais diversos setores estão se destacando pela capacidade de gerar, incorporar e alavancar insights em sua organização e em seu ecossistema.
No entanto, apesar do hype significativo em torno dos termos “BigData” e “Analytics”, um aspecto crítico é muitas vezes negligenciado: os ciclos “dados-para-insight” e “insight-para-ação” são processos de negócio, e para gerar impacto relevante no negócio demandam escala, bem como a correta concepção, adequada gestão de mudanças, definição de incentivos e pessoas, além de acompanhamento.
Dada a sua natureza abrangente, o processo de “dados à ação” deveria ser tratado como peça fundamental para a gestão de desempenho real da empresa e com suporte efetivo do C-Level, que deve considerar sua industrialização por meio de modelos operacionais que não estão limitados às equipes com pessoas altamente qualificadas e à tecnologia com ferramentas potentes.
O que se observa é que até 30% do esforço analítico refere-se às tarefas de levantamento de modelos operacionais, tais como serviços compartilhados ou terceirização, e que muitas atividades de análise relacionadas podem se beneficiar da centralização e compartilhamento de melhores práticas, dados críticos e ativos de TI.
Finalmente, a visão precisa ser incorporada profundamente nas etapas de processos de negócios que geram impactos relevantes sobre os resultados esperados.
Como chegamos aqui?
Cada vez mais, as indústrias estão competindo em análise. Há uma vantagem real que os insights sobre o cliente, produção ou cadeia de suprimentos podem fornecer às empresas e seus ecossistemas (fornecedores, clientes e outras partes interessadas).
Embora este fato seja óbvio para setores como o de serviços financeiros, a concorrência impulsionada por análises também remodela empresas cujo produto não é baseado em informação; cadeias de suprimento de dados, interfaces digitais com clientes e de transmissão de dados de máquina-para-máquina tornam as empresas que lidam com bens físicos cada vez mais capazes de alavancar grandes e significativos volumes de dados.
Um estudo recente da Accenture mostrou que as empresas que injetam grandes dados e análises em suas operações superam em 45% seus concorrentes no custo de servir (55% das companhias entrevistadas com aplicação de analytics integrado confirmam redução no custo de servir, comparado a 10% das empresas sem analytics integrado).

No entanto, muitas organizações ainda são muito lentas na adoção de análises avançadas. Após anos baseando-se em intuição e experiência, apenas 30% ou menos das empresas de baixa performance inserem analytics em seus processos de tomada de decisão, de acordo com outro levantamento .
Quais são os impactos?
Desde order-to-cash até incentivos às vendas, desinvestimento, procure-to-pay, análises financeiras, manutenção de ativos industriais e otimização, constantemente vemos desafios para encontrar os recursos analíticos adequados e implementar as tecnologias corretas para alimentar esses processos de dados intensivos; com isso, cerca de uma em cada cinco empresas está muito satisfeita com os resultados de negócios de seus programas de análise existentes.
Dois grandes conjuntos de desafios existem, os relacionados às pessoas e os relacionados às tecnologias. A velocidade de dados, quantidade e complexidade típica de dados não estruturados, e a adoção de análises preditivas adicionam dimensões ao problema.
Neste caso, os números são realmente incompreensíveis, mas enquanto estas áreas trazem novidades – até mesmo dados estruturados e análise descritiva – a atual força vital das empresas – têm um longo caminho a percorrer.
Desafios relativamente básicos, como gestão de dados-mestres, ainda não estão completamente resolvidos em muitas empresas. A manipulação de dados continua sendo um desafio, apesar dos bilhões de investimentos em tecnologia BI e DW.
No entanto, essa perspectiva não ataca um ponto importante. O desafio não é apenas relativo a alguns cientistas de dados ou às ferramentas de tecnologia corretas para tratamento de dados. Análises mostram que o problema é eminentemente organizacional; o processo de análise (de dados-para-insight) não é robusto o suficiente, e “ciência” insuficiente é aplicada à incorporação com uma visão suportada por insights nos processos de negócio reais (insight-para-ação) para gerar impacto material.
Desenho do processo de “Dados-para-Insight-para-Ação”
O desafio de análise é tanto uma geração de insights (processo de dados para insight) quanto a incorporação (insight para ação) da visão, de modo que possa ser utilizado em grande escala.
Correndo o risco de banalizar, a questão é que ter grandes insights em PowerPoint, ou até mesmo em uma ferramenta de visualização de dados em tempo real, pode ajudar os consultores isolados ou estrategistas, mas não vai por si só ajudar as operações de organizações grandes e globais.
Curiosamente, este framework de dados-para-insight-para-ação (em suma, de dados à ação) aplica-se desde análises mais simples, discretas e descritivas, bem como às baseadas em BigData e Internet das Coisas habilitados por transmissão de dados máquina-entre-máquina.
Os insights têm impacto relevante apenas quando são industrializados e incorporados aos processos de negócios de forma eficaz. Insights orientados por dados estão rapidamente se tornando um fator importante no sucesso ou fracasso das empresas.
Muitas empresas têm desafios com o aproveitamento de práticas de análise para impulsionar de forma material os seus negócios e, ao contrário do senso comum, não apenas porque os cientistas de dados são difíceis de encontrar ou porque a tecnologia é um “alvo em movimento”, mas porque as empresas não estão acostumadas a pensar no impacto analítico em escala em termos de (1) o processo de dados-para-insight e (2) o processo de insight-para-ação. O impacto destes dois processos pode ser materialmente melhorado ao analisá-los de forma holística como um primeiro passo para uma solução robusta, escalável e flexível.
O segundo passo é a formação de uma estratégia organizacional que utiliza modelos operacionais avançados, como Centros de Excelência e suas respectivas tecnologias-alvo – não apenas ferramental analítico, mas também soluções de colaboração – para reforçar esses processos.
O ambiente de negócios nunca foi tão difícil como hoje; volatilidade e incerteza são generalizadas, enquanto a fome do mercado de ações pede incessantemente para aceleração de desempenho.
Temos usado a analogia dos carros antigos em comparação com novos modelos, digitalmente habilitados, que utilizam dados para tornar o veículo mais inteligente, ágil, seguro e menos dispendioso.
Temos notado que a diferença é ainda mais fortemente sentida em estradas difíceis. Embora nunca poderia ter sido um caminho fácil, em linha reta e plana nos negócios, hoje o caminho é montanhoso e cheio de curvas fechadas. Melhor se preparar para ela, industrializando suas percepções analíticas e tornando os seus processos de negócio mais inteligentes.
*Daniel Lázaro é diretor executivo para Tecnologias de Analytics da Accenture na América Latina.
Compatilhe no Google Plus

Sobre Grimaldo Oliveira

Mestre pela Universidade do Estado da Bahia (UNEB) no Curso de Mestrado Profissional Gestão e Tecnologias Aplicadas à Educação (GESTEC) com o projeto “GESMOODLE – Ferramenta de acompanhamento do aluno de graduação, no ambiente virtual de aprendizagem(MOODLE), no contexto da UNEB“. Possui também Especialização em Análise de Sistemas pela Faculdade Visconde de Cairu e Bacharelado em Estatística pela Universidade Federal da Bahia. Atua profissionalmente como consultor há mais de 15 anos nas áreas de Data Warehouse, Mineração de Dados, Ferramentas de Tomada de Decisão e Estatística. Atualmente é editor do blog BI com Vatapá. Livro: BI COMO DEVE SER - www.bicomodeveser.com.br

0 comentários: