Indicadores para Iniciativas de Big Data

Aprenda a alinhar iniciativas de big data com a estratégia de sua organização e valide seus esforços com Indicadores-Chave de Desempenho.

Principais tópicos do artigo:

• O Que É Big Data?
• Desafios de Big Data
• KPIs e Big Data
• Foco da Big Data
• Torne a Big Data Mensurável
• Automação com o BSC Designer

Fonte: Scorecard de Big Data..

O fim do ano é um bom momento para falar sobre as tendências emergentes: carros autônomos, inteligência artificial, realidade virtual e a Internet das Coisas. Que efeitos estas tendências terão em seu negócio? Como você leva em conta um possível impacto destas ideias revolucionárias? Todas as tendências mencionadas merecem uma análise detalhada, mas há uma que parece estar conectada com todas as outras. Eu estou falando sobre Big Data. A AI precisará dela, os carros autônomos são baseados nela e, claro, ela já é utilizada por vários negócios.

No BSC Designer, estávamos falando bastante sobre KPIs e estratégia. Neste artigo, eu sugiro discutir como uma estratégia bem descrita e KPIs feitos sob medida podem ajudar a focar nos esforços de big data. Aqui está nosso plano para este artigo:

• Big data. O que é? Quais são os principais desafios?
• KPIs para big data. 4 níveis de KPIs e alcançando o alinhamento estratégico.
• Plano de ação. Implementação mensurável de big data.

O que é Big Data?

Big data se trata da análise de conjuntos de dados grandes e não estruturados.

Big data pode ser caracterizada por 3 Vs:

• Volume. Os conjuntos de dados devem ser grandes. Há estimativas de que deve ter ao menos 10 GB ou 1 TB, mas provavelmente um melhor critério seria dizer que big data é algo que precisa ser distribuído (em termos de armazenamento ou computação). Se você tivesse que mudar para o Hadoop ou outro modelo, então quer dizer que os dados estão ficando grandes.
• Variedade. Pense nas fontes diferentes de dados estruturados e não-estruturados. Eles podem ser minerados de textos, vídeos, dados de vendas, mídias sociais, previsão do tempo, ou o que quer que seja que faça sentido em seu contexto.
• Velocidade. O alto volume de dados é um resultado de uma geração rápida de dados. Imagine milhares de elementos de uma aeronave que são constantemente monitorados ¹, ou um fluxo constante de comentários nas redes sociais, ou os dados em tempo real que dispositivos “wearable” fornecem.

Muitas vezes (veja a IBM² ou EY³ como exemplo), há também um quarto “V” que significa “Veracidade”:

• Veracidade. Quando falamos sobre big data, estamos sempre lidando com um certo nível de incerteza. Como os dados foram obtidos? Analisamos todos os fatores? Eles foram manipulados? Podemos confiar nestes números?

Como Os Dados São Utilizados?

Big data é utilizado para uma grande variedade de análises preditivas e comportamentais. As organizações aplicam big data para reduzir custos, entender as necessidades dos consumidores e mitigar riscos. Imagine um negócio que utiliza big data para entregar uma experiência customizadas para seus clientes. Pense em na verificação de fraudes de um e-commerce.

No começo do artigo, eu mencionei algumas tendências emergentes – big data está envolvido em todas elas. Para aprender mais sobre o uso prático de big data, eu recomendo continuar com “7 Empresas Incríveis Que Realmente Entendem Big Data ⁴” escrito pelo expert internacionalmente conhecido, Bernard Marr.

Principais Desafios de Big Data

A visão de big data que foi descrita soa muito ambiciosa. Por que, então, as empresas são tão lentas para adotar esta nova tendência? Quais são os principais desafios de big data?

A mineração de dados não é mais o desafio principal

No final de outubro, eu estava palestrando em uma conferência organizada pela SCIP ⁵ (Profissionais de Inteligência Estratégica e Competitiva). Os membros desta organização lidam com big data na área de inteligência de mercado. O tema principal da conferência não foi sobre a mineração de dados CI/BI como alguém esperaria, mas sim sobre alinhar os esforços de inteligência de negócio com a estratégia da empresa. Em outras palavras, uma vez que uma empresa sabe que perguntas fazer, o resto é relativamente fácil (veja as pesquisas abaixo para mais dados).

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

Desafio 1. Focando a big data

O principal desafio é focar a big data no que importa e então entregá-la às mãos corretas. Ou seja, deve haver alguém na organização que deve começar a fazer as perguntas corretas.

Para ilustrar esta ideia, vamos utilizar uma história da Target⁶ que protagonizou as manchetes em 2012. A varejista utilizou dados analíticos dos consumidores com sucesso para prever que algumas clientes estavam grávidas. Vamos ver a história (sem levar em consideração a parte relacionada à privacidade) para ver o que realmente aconteceu. Andrew Pole, um estatístico que trabalhou para a Target não estava apenas entregando todos os dados possíveis, mas ele recebeu uma tarefa muito específica de seus colegas de marketing – identificar clientes grávidas em seu segundo trimestre.

Havia um foco e um grande valor de negócio associado a este foco, já que pais de primeira viagem tendem a mudar seus hábitos de consumo e comprar tudo em uma única loja. Não se tratava apenas de brincar com os dados, se tratava de encontrar dados que ajudassem a responder uma pergunta muito específica.

Desafio 2. Alinhamento com a estratégia de negócio

Big data será revolucionária quando fornecer um valor tangível para o negócio. Ou seja, deve ser claro como as iniciativas de big data estão apoiando a estratégia da empresa. A NewVantage Partners em sua Pesquisa Executiva Sobre Big Data⁷ perguntou sobre impedimentos culturais para a adoção de Big Data nos negócios. 42.6% dos que responderam escolheu a resposta “Alinhamento organizacional insuficiente”. Outras opções incluíam uma falta de adoção, falta de estratégia de dados coerente e falta de uma visão compartilhada.

Voltando ao caso da Target, eles tiveram sucesso ao lidar com dois componentes importantes:

1. Big data focada em uma pergunta específica: Pediram para um cientista de dados identificar clientes grávidas em seu segundo trimestre.
2. Alinhamento com a estratégia do negócio: Havia um valor claro dos dados para o negócio – famílias com um novo bebê se tornam clientes de uma loja por mais tempo.

Desafio 3. Segurança e Privacidade de Dados

Este desafio ainda não é dominante ainda, mas acho que é óbvio para qualquer um que a coleta e análise de dados deve ser ética e legal. O Regulamento Geral de Proteção de Dados (GDPR) entrou em vigor no dia 25 de maio de 2018 na Europa e há regulamentos parecidos em outros países. As empresas precisam levar muito mais a sério a obediência às políticas de dados ao processar dados pessoais.

Vamos discutir KPIs no contexto da big data.

KPIs e Big Data

Big data vai substituir os KPIs? Não exatamente. Big data irá alimentar os KPIs com mais insights precisos e atualizados.

Vejamos o NPS (Net Promoter Score) como exemplo:

• NPS agora. Como o NPS (Net Promoter Score) é calculado em sua organização hoje em dia? Provavelmente você realiza algum tipo de enquete com consumidores trimestralmente. Portanto, este indicador está atrasado. Se algo acontecer no seu negócio, o NPS só o mostrará depois de meses.
• NPS alimentado por big data. Agora, imagine que você utilizou alguma ferramenta de big data que analisa as emoções dos consumidores em tempo real (veja a referência do Heedbook abaixo). Neste caso, seu NPS se tornará um KPI em tempo real. Basicamente, você poderá ver a reação de um cliente específico a uma oferta específica e a uma abordagem de vendas específica.

Em alguns casos, você se interessará em explorar mais os dados e buscar situações específicas, e em alguns casos, você precisará ver os dados agregados para a semana, mês ou ano.

KPIs para Big Data

No caso de big data, estamos falando sobre investimentos significativos em novas ferramentas e arquitetura, então faz sentido monitorar estas iniciativas com hard data. As iniciativas de big data também devem ser quantificadas e medidas. Podemos fazer isto em vários níveis diferentes.

Nível 1. Métricas 3-V

Os 3Vs (Volume, Variedade, Velocidade) da big data podem ser facilmente quantificados:

• Volume de dados é uma medida em si (GB, TB etc.)
• Variedade pode ser quantificada como o número de tipos diferentes de fontes de dados
• 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 o seu time qualifica como dados precisos e isto depende do contexto. Por exemplo, para carros com motor de combustão interna, a medição da velocidade atual com uma margem de erro de +-5 km/h pode ser considerada como um dado correto, enquanto para carros elétricos, isto não é aceitável. Defina 1-2 métricas que dão uma ideia sobre precisão de dados em seu caso.

As métricas 3-V são úteis? Depende do seu contexto. Vejamos o carro autônomo do Google como um exemplo. O carro produz 1GB de dados de sensores por segundo ⁸. Este número parece impressionante! Podemos estimar quão grande o volume de big data é, mas estes números não nos ajudarão com os 3 desafios mencionados anteriormente.

Fonte: Scorecard de Big Data.

Nível 2. Métricas de processamento de Big data

Vamos para o próximo nível de abstração e vamos dar uma olhada no processamento de big data. O modelo simplificado é o seguinte:

• Pergunta
• Coleta
• Análise
• Relatório

As métricas mais úteis neste caso estão relacionadas ao tempo:

• Frequência da coleta de dados
• Tempo necessário para os dados se tornarem disponíveis para análise
• Tempo necessário para os dados serem registrados na forma de KPIs

Os benchmarks para o tempo dependem do contexto do seu negócio. Por exemplo:

• O carro autônomo precisa coletar e analisar dados em tempo real e os milissegundos de diferença importam, mas
• No caso de gestores de NPS, eles podem estar interessados em revisar dados semanais agregados

Em termos da eficiência do processo, podemos monitorar a:

• Taxa de conversão de pergunta para relatório, %. Neste caso, devemos definir o conceito de uma pergunta qualificada primeiro e então monitorar a porcentagem de perguntas qualificadas que nossos cientistas de dados puderam responder
• Capacidade de captura de dados. O nível de precisão dos dados que capturamos (as ideias discutidas acima em Veracidade). Para algumas empresas, estas capacidades definem sua vantagem competitiva sustentável.

As métricas deste nível nos dão uma melhor ideia sobre o quão eficiente é a big data, mas ainda assim, não sabemos o impacto de big data nos objetivos reais do negócio.

Nível 3. KPIs de Resultado. KPIs para validar o sucesso de big data.

Outra pergunta é como validar o sucesso de iniciativas de big data na empresa. Por um lado, há investimentos significativos em infraestrutura. Por outro lado, big data deve estar trazendo retornos na forma de insights de negócio. Como podemos medir o valor em dólar destes insights?

Neste caso, precisamos monitorar as melhorias que podem ser creditadas ao uso de big data:

• Que lições aprendemos com big data? Que economia foi alcançada após a implementação destas ideias?
• Como a taxa de retenção de clientes mudou devido à entrega de uma experiência customizada? Como o lifetime value do consumidor está mudando?
• Big data ajuda o serviço ao consumidor a ser mais efetivo? Como a taxa de resolução na primeira ligação mudou?
• Como os processos de contratação mudaram após começar a utilizar big data? Como a métrica de RH tempo para performance mudou?

Como você pode ver neste nível, utilizamos KPIs clássicas que estávamos utilizando antes. O que estamos tentando fazer é associar certas melhorias à implementação de big data.

Esta abordagem pode ser tendenciosa:

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

A solução é focar em metas maiores e mais tangíveis.

Muitas organizações pulam esta parte de medição e simplesmente compram “algum big data”. De acordo com o relatório⁹ da Capgemini Consulting, 67% das empresas entrevistadas não possuem critérios bem definidos para medir o sucesso de suas iniciativas de big data. Considerando o valor de investimento, as empresas deveriam ser mais sistemáticas ao definir os objetivos e critérios de sucesso da implementação de big data.

Fonte: Scorecard de Big Data.

Nível 4. KPIs de Tendência. Assegurando o sucesso do big data.

Agora que sabemos como medir a parte de resultados das iniciativas de big data. O que acontece com a parte de tendência? O que deveríamos fazer para assegurar uma implementação bem-sucedida de big data?

A parte concreta de big data é bem tangível, que podemos medir por meio de métricas genéricas como:

• Fundos investidos em iniciativas de big data
• Tempo gasto em iniciativas de big data

Objetivos de Negócios Focados em Big Data

Aqui está um cenário real: uma empresa investiu milhões de dólares em infraestrutura, ferramentas e coleta de big data com o cluster do Hadoop e nada mensurável aconteceu. É disto que estamos falando no desafio 1: Big data não é AI, ela não sabe falar e seu time precisa aprender a fazer as perguntas. Então como podemos medir o papel do time?

Aqui estão algumas ideias para começar:

• Eficácia do treinamento de Big data. Certifique-se de que membros essenciais do seu time tenham algum treinamento em big data. Eles não necessariamente se tornarão cientistas de dados, mas eles precisam saber o que perguntar e como formular estas perguntas. As métricas neste caso estarão relacionadas à eficácia do treinamento ¹⁰.
• % de objetivos estratégicos com iniciativas de big data. Poderíamos monitorar o número de perguntas de big data formuladas por cada time, mas esta abordagem seria muito formal e menos útil. Uma melhor opção é monitorar o alinhamento entre objetivos e perguntas de big data. Peça para seu time olhar para os objetivos estratégicos e então discutir de que dados eles podem precisar para tomar melhores decisões no contexto destes objetivos.

Big Data Ajuda a Formular Novos Objetivos de Negócio

O processo de relacionar o contexto do negócio e big data é bidirecional. Às vezes temos desafio específico em mente e então estamos buscando ferramentas de big data específicas (como no caso da Target), às vezes encontramos uma ferramenta interessante e então tentamos encaixá-la em nossos objetivos. Aqui estão alguns exemplos:

• Alguém no seu time descobriu o Heedbook¹¹, um serviço que analisa as emoções dos clientes em tempo real. O serviço foi desenvolvido sobre a Azure da Microsoft e está disponível na Nuvem. Seu time de serviço ao consumidor pode ter a ideia de utilizar este serviço para calcular seus NPS.
• Sua equipe de TI foi desafiada para encontrar um software de DLP (Prevenção de perda de dados). Eles encontraram a SearchInform¹² que não só pode analisar comunicações e arquivos transmitidos, mas também enforcar políticas de segurança específicas. A estratégia de TI de sua organização pode ser atualizada ao levar em consideração as possibilidades da ferramenta DLP.

De todas as formas, é uma boa ideia combinar os objetivos específicos do negócio com os requerimentos de big data.

Plano de Ação. Torne o Big Data Mensurável.

Vamos formular algumas lições deste artigo. Eu prefiro fazer isto na forma de um plano de ação.

1. Revise o big data. Como os dados são coletados agora, que capacidades de coleta de dados você possui (utilize as métricas do processo de big data como um modelo).
2. Faça sua lição de casa. Formule sua estratégia no mapa estratégico e alinhe-a com as unidades de negócio. Revise seus KPIs atuais.
3. Melhore as capacidades. Planeje as iniciativas para lidar com as capacidades do time em termos de big data. Membros-chave devem entender que perguntas põem fazer e como formular estas perguntas.
4. Foque os esforços de big data. Revise seu mapa estratégico, encontre oportunidades onde big data pode apoiar os objetivos do negócio. Formule perguntas de big data.
5. Implementação. Analise os insights entregues pela big data, reflita-os na forma de KPI quando necessário

Um Breve Guia Para Usuários do Software BSC Designer

Como usuário do BSC Designer, você possui um software poderoso que automatizará muitos dos aspectos de alinhamento estratégico e KPIs discutidos neste artigo:

• Alinhamento estratégico e focado em big data. Crie um mapa estratégico para apresentar seus objetivos de negócio; alinhe os KPIs com os objetivos no mapa. Se você não possui um mapa estratégico ainda, então utilize um assistente de mapa estratégico para iniciar.

• Assegurando-se de que seu time possui capacidades de big data Utilize um scorecard de treinamento (você pode começar com este exemplo) para se certificar de que seu time possui as capacidades necessárias para trabalhar com big data.
• Alimentando KPIs com big data Monitore métricas de performance para as iniciativas de big data; utilize a API RESTFul para inserir relatórios de big data em tempo real aos indicadores.

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

Mais exemplos do Balanced Scorecard