: :
os agilistas

#169 – Data Driven: a teoria na prática, com Victor Pontello, Head of Data and Analytics na dti

#169 – Data Driven: a teoria na prática, com Victor Pontello, Head of Data and Analytics na dti

os agilistas
: :
Victor Pontello: Pior do que tomar a decisão de maneira intuitiva é tomar
uma decisão Data Driven em cima de dado errado, que aí é aquela ideia do
Garbage In e Garbage Out, se você tem um dado totalmente errado ali
numa qualidade muito duvidosa, você pode chegar a conclusões que na
verdade são mentiras.
Marcelo: Bom dia, boa tarde, boa noite, vamos começar mais um episódio
dos Agilistas, estou aqui hoje mais uma vez com o Vinição, e aí Vinição, tudo
bom?
Vinícius: E aí pessoal, tudo bem? Vamos lá.
Marcelo: Então, hoje nós vamos falar de um tema que vai estar presente
em muitos episódios nossos, que é o tema de como fazer uma empresa ser
Data Driven ou discutir, não tem nenhuma pretensão de esgotar o assunto
todo, mas discutir muito esse assunto de como a empresa ficar Data Driven
tentando tocar em questões mais concretas e avançar um pouco mais nesse
tema que é tão relevante para a maior parte das empresas. Esse tema tem
uma conexão muito grande com o agilismo na medida em que quando a
gente fala de agilismo, a gente fala de uma capacidade de adaptação, e essa
capacidade de adaptação obviamente em relação ao que a empresa sente
no ambiente dessa capacidade de sentir responder, e ela tem que saber se
ela está de fato sentindo e respondendo bem. E para ela saber se de fato
está sentindo e respondendo bem, ela tem que medir o que está
acontecendo, tem que ser direcionada por dados para saber se está no
caminho certo, e isso é mais importante ainda no momento em que as
empresas têm pressa para poderem conseguir os resultados e ao mesmo
tempo os recursos são limitados, então você tem que saber priorizar bem.
E para falar sobre esse assunto, nós vamos conversar com o convidado que
já esteve aqui anteriormente, como sempre eu peço para ele se apresentar,
ele é da DTI, é o Victor Pontello. E aí Pontello, beleza?
Victor Pontello: Fala pessoal, bom dia, boa tarde, boa noite, sou o Victor
Pontello, como você já adiantou. Eu trabalho na área de dados aqui na DTI
como head de dados, e a gente está aqui para debater um pouco esse
assunto tão relevante para o contexto empresarial atual e tão relevante
para a sobrevivência das empresas, a gente vai falar um pouco sobre isso
também.
Marcelo: Eu queria começar perguntando, como é que se fala? Data Driven.
Não, estou brincando. Eu queria começar perguntando se… eu estou rindo
aqui porque existe uma pronúncia britânica e o Vinição tem treinado. Fala
Data Driven aí.
Vinícius: Eu? Data Driven.
Marcelo: Está vendo? Você falou do mesmo jeito sempre, Vinição. Não
precisa fazer aula para falar desse jeito não. Mas falando seriamente, a
gente pode falar que existe uma filosofia ou um pensamento, uma forma
de conduta, de ser Data Driven. Não precisa pensar só na empresa como
um todo, é como se fosse uma filosofia, um tipo de pensamento que a
empresa segue. É isso mesmo, Pontello? Como é que você pode explorar
um pouquinho mais isso? O que seria esse pensamento Data Driven.
Victor Pontello: Voltando um passo atrás do “por que as empresas deveriam
ser Data Driven?”, já que elas chegaram no ponto em que elas estão, e a
maioria delas sem ser Data Driven, confiando na opinião e na intuição das
pessoas que eram as chefes, que criaram tudo. Por que essas pessoas
deveriam parar de confiar na intuição delas e começar a confiar em dados
para a tomada de decisão? Por que isso é importante? Sobre esse assunto,
eu acho que a gente tem inúmeras formas de abordagem, e se a gente
pensar na forma como o ser humano toma as decisões dele, afinal das
contas o líder da empresa, o CEO, o C-Level das empresas no final das contas
toma as decisões estratégicas que levam a empresa para onde ela precisa,
e o ser humano tem uma característica muito interessante de conseguir
criar uma narrativa muito clara e definida com base em uma informação
muito pequena, às vezes tem só determinado, vamos supor, o ser humano
tem a característica de tomar decisões e utilizar a intuição na tomada de
decisões muitas vezes com uma quantidade, uma representatividade muito
baixa de informações em relação àquilo que ele precisa para tomar uma
decisão assertiva, só que o nosso sistema de tomada de decisão intuitiva
não presta atenção, ele não consegue perceber que a quantidade de dados
é insuficiente para ele tomar aquela decisão, então ele toma uma decisão
intuitiva com base em poucos dados, em pouca informação, e consegue
muito bem devido à experiência, à vivência, criar uma narrativa para
justificar aquela tomada de decisão que parece fazer todo o sentido do
mundo.
Marcelo: A gente é melhor para criar narrativa do que para tomar decisão.
Victor Pontello: Exatamente. Muito melhor, inclusive. A gente não
consegue perceber por exemplo que os dados estão faltando para tomar
decisão, ou que os dados estão ruins, e a gente toma a decisão mesmo
assim, e depois consegue justificar isso com uma narrativa interessante.
Isso é um motivo para quando a gente fica vendo os analistas geopolíticos,
que fazem a análise de como o mundo vai se comportar, como vão ser as
relações entre as principais potências do mundo geopoliticamente falando,
esses caras têm um conhecimento amplo na parte de relações
internacionais e tudo mais, mas eles erram repetidas vezes e muitas vezes
gastam mais tempo justificando os erros do que propriamente acertando,
ou então os analistas que dizem se a bolsa de valores vai subir ou se vai cair,
ou recomendam uma ação ou outra com base em uma análise que ele fez,
que na hora faz todo o sentido, tem inúmeros indicadores que podem fazer
com que aquela narrativa, aquela possibilidade da ação subir ou cair faça
sentido, mas no final das contas a ação cai quando deveria subir ou sobe
quando deveria cair, isso porque o ser humano, os especialistas têm uma
capacidade ilimitada de trabalhar com a intuição principalmente num
mundo VUCA, um mundo em que existe alta volatilidade, alta incerteza
relacionada ao que vai acontecer.
Marcelo: Desculpa cortar, mas eu acho interessante porque até no episódio
que a gente fez com o autor daquele livro de estratégia, o da HSM, com
saliva, sobre salivar, com estratégias adaptativas. É interessante porque
quando você pega esse livro, ele conta uma história da evolução da
estratégia nas empresas ao longo dos tempos, ou seja, de quando nem
existia pensamento estratégico, isso para conectar com o que você falou,
sabe Pontello? Da questão do porquê a intuição funcionasse, ou talvez
decisões que poderiam talvez serem mais simplórias funcionassem,
digamos assim, e porque elas talvez não funcionassem mais, o que eu acho
uma pergunta muito importante. A gente até brinca aqui e fala para os
céticos, e alguém sempre acha “cara, eu tomei decisão minha vida inteira,
o pessoal fica inventando moda hoje em dia”, e etc. Mas a questão é ver
claramente na história do pensamento estratégico estar conectado ao
ambiente que asempresasestão, e asempresaspartirammuitodeolhar
para si e basicamente terem que ser eficientes e depois, mesmo olhando
para os outros, partiam de uma posição mais estáticas, sabe? Só de
posicionamento de mercado para um mundo hoje que os estrategistas
pensam mais em arenas dinâmicas, onde você compete o tempo todo, onde
a inovação acontece o tempo todo, onde o consumidor tem um poder
enorme, enfim. Tudo isso que a gente fala aqui o tempo todo, mas que traz
uma quantidade de elementos enorme, que faz com que fique mais difícil
esse processo decisório mais simplificado talvez funcionar, talvez esse seja
o grande ponto, a necessidade, porque a gente vive num mundo mais
complexo, que tem muito mais competidores, muito mais variáveis de
interesse a se explorar do que no mundo onde você tinha mais que
empurrar os produtos, onde você tinha mais uma barreira de proteção que
durava muito tempo. Digamos assim, eu acho curioso porque vem uma
outra história, outra filosofia, porque a verdade é que certas empresas em
um mundo mais estável, até hoje acontece isso, atingem uma posição tão
boa, uma barreira de entrada tão forte, igual acontece hoje com muitas
empresas que vivem verdadeiros monopólios, que já é outra discussão, mas
o cara pode tomar várias decisões erradas, porque vai continuar sendo
expugnável, ninguém consegue entrar ali, eu diria que isso ajuda. Você está
dizendo isso, muito conectado com a introdução, nesse mundo você tem
que se adaptar, você se adapta justamente quando o ambiente é mais
complexo, e nesse mesmo ambiente complexo torna o processo decisório
mais difícil e acaba ressaltando a necessidade de que você tome asdecisões
com um pouco mais de método. O Data Driven seria tomar essa decisão
com mais método, e a gente pode discutir isso mais para frente, eu sei que
vocês querem. E o papel dessa intuição, ele simplesmente acaba
totalmente? ou na verdade é a intuição junto a uma experiência mais
assistida por esse método?
Victor Pontello: Eu acho que o papel da intuição nunca acaba, até porque a
gente nunca é totalmente livre, até quando a gente toma decisões baseadas
na racionalidade a gente está de uma maneira ou de outra confiando nesse
sistema intuitivo para buscar asinformaçõesqueagentetemnanossa
mente, então nunca vai ser livre da intuição, mas é como você disse, junto
à intuição é um processo de tomada de decisão mais simplificado com a
utilização dos dados, então os dados dificultam que a intuição vá muito
diferentemente do contexto que precisa ir, e quando falo os dados, pode
ser uma simples visualização dos dados ou algumas métricas definidas ali
dentro do contexto da empresa, ou pode ser um algoritmo auxiliando a
tomada de decisão. Por exemplo, o ser humano tem uma limitação da
capacidade cognitiva dele, então chega um determinado ponto em que ele
não consegue processar mais dados, que ele esbarra na complexidade do
ambiente em que ele está, já o algoritmo tem uma limitação muito menos
pronunciada do que a capacidade cognitiva do ser humano, então você
consegue utilizar uma quantidade muito maior de dados sem o viés, por
exemplo quando você estiver com fome, você não vai ficar mal-humorado
e tender para uma decisão mais agressiva, por exemplo do que quando
você está com sono no final do dia e isso tudo corrobora com essa tomada
de decisão.
Marcelo: Você sabe que isso que você lembrou, eu já li em vários livros,
estava lendo ontem em um livro que estou lendo sobre emoções, o livro
bem interessante, estudos mostrando que quando você vai liberar
temporariamente um preso, esqueci o nome…
Victor Pontello: Condicional?
Marcelo: Isso, condicional. A chance de o cara conseguir condicional perto
da hora do almoço é baixíssima, porque a adesão é difícil, onde o cara já
está cansado e ao mesmo tempo a pessoa acaba que sempre já pesa muito
mais não soltar uma pessoa do que soltar porque ela pode representar um
perigo para a sociedade, e na medida em que ela vai ficando cansada e
desgastada, o viés dela que já é de ser um pouco mais conservador, aí que
vira mesmo, uma coisa mais curiosa. Tem vários estudos em vários lugares
do mundo mostrando que chegando perto da hora do almoço, você dá azar
se for sorteado perto da hora do almoço, a chance de conseguir a liberdade
condicional é muito menor. Avançando um pouquinho…
Victor Pontello: Assim, só um ponto sobre isso, não é sempre que a gente
tem os dados. A gente está assumindo ali que teria os dados. Por exemplo,
às vezes você está iniciando um projeto ou coisa do tipo, você tem que
trabalhar sem ter o dado.
Marcelo: Aí você chega em um outro problema…
Victor Pontello: Sim, só complementando.
Marcelo: Aí não é nem Data Driven.
Vinícius: É uma outra pergunta, o que o cara faz, como ele pode ser Data
Driven?
Marcelo: Nesse cenário.
Victor Pontello: Antes você perguntou se não tinha espaço, no mínimo
nesses casos tem que achar uma forma de ter espaço.
Vinícius: Aí eu imagino que a filosofia Data Driven em um caso desse vai
orientar quem está fazendo isso a procurar os dados. Mesmo que ele não
tenha, haverá um esforço para poder procurar os dados, poder subsidiar as
decisões sempre que possível por evidências mais concretas. Para mim é
isso sempre, você está tentando subsidiar com mais evidências do que sem.
Não é que você não possa achar as coisas e estabelecer hipóteses, mas você
vai procurar subsidiar depois essas hipóteses se elas estão corretas ou não
medindo o que você consegue medir, ainda que de forma imperfeita.
Victor Pontello: Aí depende da satisfação da pessoa com relação ao início.
Uma pessoa que não tem um pensamento Data Driven vai acabar ficando
satisfeita com aquela decisão intuitiva e vai ficar por isso mesmo,
continuando daquela forma. Já a pessoa que tem vai ficar insatisfeita, não
vai confiar tão cegamente naquele início e, justamente da forma como você
colocou, vai tentar buscar os dados.
Marcelo: Achei legal que se a gente pensar o pensamento Data Driven, fica
um jeito interessante de pensar. Não é que o cara só trabalha nas condições
ideais onde há todos os dados para tomar a decisão, mas é um cara que
procura sempre caminhar no sentido de subsidiar asdecisõescomos
melhores dados que ele conseguir e que conhece os próprios vieses e os
próprios erros, digamos assim. Ele não confia só nisso, ele confia nisso
também, mas ele procura subsidiar com outras coisas. Seria um bom jeito
de definir essa atitude mais Data Driven, porque acho interessante isso que
o Vinição colocou, porque senão alguém também pensa “muito bonito, se
eu já estiver com todos os dados e com todos os modelos é bonito ser Data
Driven”. Só que obviamente quase ninguém no fundo está assim, mas você
pode incrementalmente, continuamente procurar ser assim.
Victor Pontello: E mesmo com esse ponto que vocês estão colocando, tem
o mundo real. Você muitas vezes não vai conseguir fazer experimentos com
muitos dados, você vai ter que trabalhar em um… deve ter várias situações,
a gente acaba vendo enquanto interage com os clientes, se eu estou
montando um app, por mais que eu trabalhe com formas orientadas,
utilizando práticas de produto, tem cenários onde você está iniciando em
que você simplesmente não tem, por mais que você trabalhe para ter, você
vai ter que lidar com uma situação inicial que o dado vai ser escasso, porque
na verdade você não consegue ter muito dado sem ter o produto, é a
questão do ovo e da galinha, não tem como você ter muitos dados. Eu até
entendi o ponto que você colocou, mas usando essa filosofia você vai
buscar ter, mas em muitos casos eu acredito que você não vai ter, ou vai
ser extremamente difícil de ter.
Vinícius: E vai acabar gerando uma hipótese nesse processo, você vai chegar
em uma hipótese de que aquilo que você está fazendo é certo até você
conseguir validar essa hipótese com os dados de uso, ou com os dados que
você vai conseguir gerar depois. Já aí é diferente da pessoa validar uma
opinião do chefe “não, ficou bonito, ficou bacana”.
Marcelo: Assim, sinceramente, quando você pega lá do livro, por exemplo
do Lean Startup, ele tenta definir que uma startup é isso, “entenda-se por
startup, tanto uma startup empresa quanto uma iniciativa nova, uma ação
que uma empresa esteja tentando partir” mas ele tenta definir justamente
que você tem um método mais científico para poder conduzir essa
iniciativa, método esse que é subsidiado por hipóteses que são depois, igual
ciência, você faz uma hipótese e procura provar ou não aquela hipótese, e
é o que vocês estão falando, ou seja, simples como isso no fundo, mas
complicadíssimo na prática. Esse caso é curioso, você leu esses livros, e o
próprio agilismo, a teoria é simples, mas exige uma disciplina tão grande,
porque a gente pode até começar a falar sobre isso, você procurar os dados
para poder ser subsidiado por eles, e depois a gente pode falar seja por um
relatório, por um BI, por um modelo de tradução, seja pelo que for. Mas
digamos assim, é uma tarefa muito subestimada, e é muito irresistível você
querer continuar no caminho de fazer aquilo que paradoxalmente é o mais
fácil, que é fazer mais features no seu produto digital se a gente for pensar
nisso. É muito mais fácil você ficar em uma intuição de que é óbvio fazer
aquilo, e pode ser que num dado momento, como o Vinícius falou, no
começo seja até melhor ir por este caminho, mas se em algum momento
você não começar a gastar muita energia no outro lado, você não vai ser
Data Driven. Mas é difícil de se superar isso porque é subestimado o esforço
que se faz para poder ser Data Driven.
Victor Pontello: Exatamente. E é o esforço para tomar asdecisõesData
Driven que exige que você raciocine e pense com relação ao que faz sentido,
se aquele dado realmente está condizente, se aquele caminho é o caminho
certo e, além disso, asvezesterodadoneméapartemaiscomplicada, as
vezes você tem o dado, só que ter o dado de uma maneira que você
consegue usar, isso dá um trabalho, que é organizar tudo, conseguir colocar
isso tudo junto, é o papel que o engenheiro de dados faz, pegar aquele
monte de fonte dispersa de dados e colocar tudo em uma forma que você
consiga a partir dali analisar os dados, se os dados estão certos e tomar a
decisão, porque pior do que tomar a decisão de maneira intuitiva é tomar
uma decisão Data Driven em cima de dado errado, porque é aquela ideia
do Garbage In e Garbage Out, se você tem um dado totalmente errado ali
numa qualidade muito duvidosa, você pode chegar a conclusões que na
verdade são mentiras, e depois disso conseguir ter uma confiança extrema
Data Driven numa falácia que pode acabar levando o produto ao fracasso.
Vinícius: Sim, a gente pensa estar sobre um terreno sólido, mas na verdade
não está.
Marcelo: Você tem algum exemplo concreto disso, do que um engenheiro
de dados faz, a gente tem tantos papéis nisso hoje em dia, tem o
engenheiro de dados, o cientista de dados etc. O que seria um exemplo bem
concreto disso, ou seja, uma empresa que tem os dados, mas
 trabalhar com o engenheiro de dados para que você tenha
condição de começar a tomar essa decisão?
Victor Pontello: Eu costumo fazer uma analogia com relação a uma empresa
petrolífera. Se você tem os dados, é como se você tivesse os dados lá no
poço de petróleo, lá no pré-sal, e o engenheiro de dados é a pessoa que
consegue extrair esse petróleo e disponibilizar até a refinaria. Nisso você
consegue disponibilizar um petróleo de qualidade e a partir daí os outros
profissionais da área de dados, que aí entra por exemplo o cientista de
dados, o analista de dados, o engenheiro de machine learning, conseguem
refinar esses dados a ponto de produzir os produtos, os derivados do
petróleo que são efetivamente o que vão gerar valor a partir daquele dado.
Mas se você não tiver um petróleo de qualidade chegando e sendo refinado
para gerar esses derivados, você não vai conseguir gerar o valor e ter
receita com esses produtos que são efetivamente comercializados.
Marcelo: Entendi. engraçada essa analogia porque você tem o dado como
matéria prima, mas você ainda tem que processar para depois você
processar de novo.
Victor Pontello: Exatamente.
Marcelo: Você tem um pré-processamento antes da refinaria, porque a
gente já tem um dado sendo gerado em tantos lugares de organização,
tantos lugares do mercado, só que você tem que pegar aquilo de alguma
forma e colocar de um jeito que você ainda possa utilizar pela sua
organização, pelos seus sistemas, pelas pessoas. Não é nem que o dado
possa estar errado, mas é que você precisa ainda colocá-lo de uma forma
usável.
Victor Pontello: Exatamente.
Vinícius: Talvez um ponto interessante de abordar seja qual o modelo de
trabalho que a gente costuma ter quando estamos trabalhando com dados
e até aquele ponto que coloquei antes, de um cenário mais de utilização,
onde já é sabido que você tem uma infraestrutura que te fornece os dados,
como você falou, que o petróleo já foi retirado e precisa ser só mais
refinado, e um outro cenário onde você está sem um caminho claro a ser
seguido, você não tem dados, é um produto novo, você não tem muita
coisa. Como é que você trabalha numa condição dessa?
Victor Pontello: No cenário em que os dados já estão disponíveis, vamos
supor, que o petróleo já está chegando na refinaria, ainda assim existe uma
certa diferença entre o nível de maturidade em que a empresa está. Vamos
supor, você tem os dados, mas como você vai usar esses dados? Existe uma
série de níveis de análises que podem ser feitas a partir desses dados que
geram respostas mais e menos complexas, que a empresa tem que
caminhar nesse aspecto. Só para exemplificar o que falei, uma outra
analogia é uma consulta médica. Existe a análise descritiva, que é
basicamente no início da consulta quando você fala seus sintomas, quando
o médico vai aferir a pressão ou quando ele mede a temperatura, e você
consegue mostrar o que está acontecendo, os fenômenos. A partir daí, em
um segundo nível vem a análise diagnóstica, dentro da análise diagnóstica,
com base no que você entendeu, você consegue diagnosticar, consegue
dizer o porquê daqueles sintomas, o porquê do que está acontecendo com
base na experiência do médico, no conhecimento. E vamos supor que a
pessoa com base na febre, dor de garganta há pelo menos dois dias,
tossindo, “provavelmente você está com um quadro de covid ômicron”. A
partir disso você consegue em uma análise preditiva, que aí é olhando mais
para frente, olhando para o futuro, com base em tudo, nos diagnósticos e
na descrição dos fenômenos, você pensa no futuro no sentido de “se você
está com esse quadro, você provavelmente vai sentir febre por mais uns
dois dias, vai ter dor de cabeça, vai ter isso e aquilo, e depois vai ficar bom”,
e aí vem o último nível que é a análise prescritiva, que é com base nessa
visão do futuro, o que irá ser feito dada essa previsão. “Se você tiver dor de
cabeça irá tomar este remédio, se tiver febre tomará aquele outro
remédio”, e aí você tem todo esse aspecto, quase um aspecto evolutivo
dentro das organizações, que elas não conseguem simplesmente chegar,
por isso que eu falo também que não é tudo que você resolve com Deep
Learning e inteligência artificial, se você tem os dados ali, você pode usar
aquilo, mas primeiro é importante você entender o que está lá. Você não
vai chegar na consulta sem examinar o paciente e já entregar um remédio
para ele usar, primeiro existe um processo evolutivo e muitas empresas
ainda estão muito no começo, e acham que vão contratar um cientista de
dados e vai resolver todos os problemas da empresa, mas tem todo um
processo de evolução dentro do aspecto analítico da empresa.
Marcelo: E chegar nesse nível prescritivo é bem difícil, não? Porque é como
você disse, asorganizaçõesjátêmmúltiplasfontesdedadoseuma
dificuldade inicial com isso. E você tem que organizar e descrever os dados,
e começa a se preparar para ser preditivo, já falando além disso. Pensando
na aplicação da tecnologia, no mundo digital, uma coisa e alguém sentado
na mesa dele tomando certas decisões do produto, isso é uma aplicação, é
uma forma de ser Data Driven. Mas outra coisa também é até na operação
da empresa, eu diria até que tão importante quanto. Imagine uma empresa
de saúde que está liberando atendimentos, ela já está sendo gestada por
uma inteligência o tempo todo, a própria operação, que imagino ser o nível
mais desejado e o mais difícil, que é incorporar aquilo à operação, entende?
Porque a gente vê muitos exemplos como alguém que faz um estudo e esse
estudo é mostrado para alguns decisores, os decisores usam aquilo mais a
intuição e tomam decisões bem assistidas e melhores, como já discutimos.
Mas existe outra coisa, eu peguei os dados, eu descrevi os dados, eu fiz uma
(inint) e cheguei em um ponto que esse modelo também é
prescritivo, então ele consegue me dar recomendações que eu integrei isso
com a minha operação, de forma que a minha operação no dia a dia vai
estar eventualmente sendo orientada por prescrições que não vem de uma
pessoa, vem de uma inteligência. Isso é bem difícil, não? é um objetivo que
as organizações terão, mas é um dos mais difíceis, certo?
Victor Pontello: é um desafio. até para aspessoasteremculturalmente
dentro da organização uma confiança nesse tipo de evolução, nesse tipo de
inteligência, porque tem muitas empresas que são muito arraigadas com
essa ideia mais intuitiva da tomada de decisão e são céticas em relação a
ser Data Driven. Se elas são céticas a serem Data Driven na tomada de
decisão simples, usando indicadores, elas são mais céticas ainda com uma
análise prescritiva que vai falar o que ele tem que fazer. Isso é um desafio
muito grande que eu acredito ser um desafio muito maior do ponto de vista
cultural das empresas do que do ponto de vista técnico. Do ponto de vista
técnico a gente consegue, tem inúmeros exemplos de segurança, vamos
supor que você tenha um eixo em uma indústria que trabalha sobre carga,
e esse eixo tem uma certa vibração e essa frequência de vibração do eixo,
quando ele está perto do momento de falha muda, então é possível criar
uma inteligência, nem precisa ser uma inteligência artificial, que avisa no
momento de falha, então prevê essa falha de acontecer. e como esse tipo
de dispositivo, esse tipo de monitoramento é muito mais relevante no
sentido de segurança, pode causar um prejuízo muito grande à empresa ou
uma falha no sentido de matar algum trabalhador, asempresassãomenos
resistentes a terem esse tipo de inteligência acontecendo. Agora quando é
para uma tomada de decisão, demanda um pouco mais de cultura Data
Driven para ela conseguir confiar naquilo, que ela poderia fazer a mesma
coisa de outra forma.
Vinícius: Mas você está colocando esse ponto que é cultural, que tem
aquela mentalidade de que sabe o que deve ser feito. Mas acho que uma
das origens é o que a gente discutiu previamente, porque é bastante difícil
no fundo ter os dados, e eu sou um pouco cético com essas coisas, e isso
sem considerar a situação que falei anteriormente, de estar iniciando um
produto, que eu acho ainda mais difícil ainda. Mas mesmo você tendo os
dados é difícil estabelecer, usar o método científico puro, conseguir isolar,
tipo um teste AB. No fundo até acho que quando você tem uma solução,
você já tem quase que uma plataforma coletando alguns dados o tempo
todo, por isso até que eu acho que indústria tende a ser mais fácil de aplicar,
porque você de fato está ali coletando direto dos sensores. é até mais fácil
fazer pequenas otimizações, comparar comportamentos e melhorias
incrementais, mas para validar determinadas coisas é muito mais
complexo. você pode ter validado um conjunto, aquele conjunto igual você
começou o episódio, não é tão representativo em relação ao que é de fato
um comportamento em escala com mais variáveis.
Marcelo: Vinícius, vou só dar um pitaco. Sabe no que fico pensando? Acho
que temos que pensar, e esse episódio está ficando até mais filosófico do
que eu imaginava, estou achando bem interessante. Falo assim, temos que
pensar mais no contínuo do que seria ser perfeitamente Data Driven e
perfeitamente científico versus estar do outro lado, que é tudo na
porraloquista, por falta de expressão melhor nesse contínuo. Por que falo
isso? porque acho que por um lado, eu estava até lendo isso ontem em um
livro e achei muito interessante, quando fiz o comentário sobre a ciência,
que também pode ser ineficiente. Eu lendo no livro, quando você vai fazer
uma coisa científica, se você quer definir que alguma coisa é melhor, tem
que definir o que é melhor. Uma coisa realmente científica, até a definição
de tipo “eu quero saber do que o usuário gosta”, o cientista só aceita o
seguinte “o que é um usuário gostar?”, é tudo muito rigoroso. e é claro
que…
Victor Pontello: Para aceitar o método o universo vai afunilando cada vez
mais para se chegar em um…
Marcelo: Sim, e por quê? porque estou lendo um livro, e principalmente
ciência cognitiva. Você não consegue concluir quase nada sem muito rigor,
porque aquilo vai ser depois referenciado em quinhentos mil estudos e vai
fazer parte de uma base científica. Então você tem que ter um nível de rigor
absurdo para falar um tipo de coisa dessas, que realmente quando você faz
alguma coisa tem uma relação causal e acontece outra coisa. Agora, acho
difícil um negócio ser assim mesmo, porque você teria que ter um tipo de
rigor.
Victor Pontello: É totalmente assim.
Marcelo: Mas não quer dizer que você tenha que estar do lado oposto, não
quer dizer que você não vá eventualmente talvez ficar caminhando neste
contínuo um pouco. Vão ter momentos em que você estará mais longe da
natureza do problema pelo que você consegue fazer na hora, mas o que
acho interessante é sempre que possível você tentar subsidiar essa decisão.
Se é possível você subsidiar melhor a decisão, e mais ainda, se você ainda
vê além de subsidiar a decisão, abordar em predição e prescrição, aí é um
custo de abordagem muito grande não usar.
Vinícius: É quase como se você, vamos dizer assim, um jeito de talvez
colocar, é quase como se você fosse refinando assuasintuições. Vocêtem
intuições e intuições. Você pode até poder cravar que determinada coisa
passa pelo método científico cem por cento, mas você talvez esteja mais,
nem Data Driven, influenciado por dados. Você pelo menos teve uma
exposição a dados, então parece que você tem melhores condições de
pensar em possibilidades de caminho.
Victor Pontello: E esse ponto que o Vinícius pontuou é muito interessante
porque entra na filosofia prática, vamos dizer assim, de iniciativa de dados,
porque pode ficar ali anos e anos só explorando determinada base de
dados, analisando sem entregar nada. Se você exagera nessa questão do
rigor para tentar fazer algo totalmente perfeito, você acaba não gerando
valor. e é a geração de valor que justifica uma iniciativa de dados, a
existência de um data lake dentro da empresa ou a existência de um time
de data science gerando modelos preditivos para analisar um
comportamento do consumidor em relação ao produto que está sendo
vendido na plataforma, e coisas do tipo. Se não existe geração de valor, não
existe sentido de acontecer. não adianta você ficar criando iniciativas para
tornar a empresa totalmente Data Driven se você não otimizar onde está a
geração de valor, qual o foco que aquilo deve gerar para você atacar o
problema onde há retorno. Porque isso diferencia bastante o Data Science
na prática, os dados em geral, a análise de dados na prática e na academia.
Porque na academia não há problema em você ficar estudando a fundo e
entrando totalmente em detalhes para criar algo novo.
Marcelo: Isso só gera valor para a academia, o próprio estudo gera valor
para a academia.
Victor Pontello: Isso, exatamente.
Marcelo: Cara, nós estamos caminhando para o final, mas nos bastidores
eu sempre brinco que eu não gosto de pauta no episódio, e para mim
encaminhou para um rumo muito interessante, porque para mim, a gente
discutiu hoje mais um exemplo de como é que execução sempre é muito
difícil. O que eu quero dizer com isso? Porque alguém sempre espera que
vai haver um método descritivo sobre como Data Driven, e terão uns
dogmas que você vai seguir e pronto, você ficou Data Driven e pronto.
Entende? Só que é como o Vinição citou, são mais coisas, existe um mundo
real, existem os recursos que você tem, existem as informações, existe
tanta coisa nesse jogo. E eu estou querendo concluir dizendo o seguinte,
você vai ser orientado por um pensamento Data Driven, vai ser tão Data
Driven quanto você puder e for possível, e fizer sentido em cada contexto.
E ainda que isso não seja um conselho que deixe ninguém confortável, a
verdade é que não existe esse conforto. Para mim, a principal característica
que acho que a gente tem que explorar muito no podcast, na nossa cultura
na empresa é sempre isso, você tem que sempre usar uma inteligência
coletiva para sempre decidir o que fazer. E eu já falei isso lá atrás em um
dos primeiros Enzimas, de um problema quase existencial. Porque tem
hora, que talvez vai ser melhor você usar a intuição e pronto mesmo, e tem
hora que você vai na verdade partir para um caminho totalmente oposto. E
vai sempre ter que ter uma capacidade de julgamento dos caminhos que
forem seguidos. Concorda com isso aí, Victor e Vinição?
Victor Pontello: Concordo, concordo muito. Eu acho que da forma como a
gente leva essa questão de ser Data Driven, ou não ser Data Driven, a
vantagem de você ir validando aos poucos, aí puxando para o lado rádio da
história, é que você está bem dos dois lados. Se você valida a hipótese, você
sabe que você está no caminho certo. Se você rejeita a hipótese, você evita
a chance de (inint) recursos no lugar errado, então você está
sempre caminhando no sentido certo. Easiniciativasdedadoseoprocesso
de ser Data Driven, está totalmente relacionado a isso, então na medida do
possível, com base nos recursos que a gente tem e com base no tempo, a
ideia é essa mesmo.
Vinícius: É, eu acho que é uma visão que talvez misture dois domínios, que
é uma visão de complexidade, agilismo e essa parte da… acho que é bem
nesse ponto.
Marcelo: É porque eu lembro muito de uma coisa que você gosta muito de
falar, Vinição, que é como a gente procura ordem dentro do mundo, a gente
tem um desejo quase irresistível de falar, “então…”, ou alguém ouve e fala
assim “então achei o meu caminho”, sabe? É só formular hipóteses, só isso,
só aquilo, só validar e acabar. E aí o cara vai jogar o jogo ali e vê que a coisa
é muito diferente. Eu estou falando, por isso, acredito eu, que se ganha o
jogo é na execução, e por isso que a execução… porque assim, todo o
mundo lê as mesmas coisas e tem acesso aos mesmos conhecimentos,
principalmente na era da internet. E aí onde é que está a diferença? É na
execução e na sorte, no aleatório ali também. Mas é muito interessante
como é que essa execução sempre é muito mais cheia de nuances do que
pode parecer a partir de qualquer framework, porque é coisa que você vai
abordar, você não consegue essa tranquilidade de ter um guia definitivo de
como agir, isso é fato.
Vinícius: É o que talvez a gente possa até explorar em outros episódios
porque esse assunto é bem legal mesmo e acho que merece ser discutido
de forma mais rica, com outros aspectos e com mais exemplos, que a gente
gosta muito, talvez a gente tenha dado poucos exemplos. Mas é de, embora
a gente esteja concordando totalmente aqui e a gente tende a concordar
com isso, nesse tipo de abordagem incremental, experimental, baseada
nesse tipo, não significa que não exista alguns arquétipos, alguns primeiros
passos que possam ser dados, algumas formas de organizar uma operação
de dados, uma forma de dar os primeiros passos. Acho que dá para discutir
outros aspectos práticos disso aí, dá pra conciliar as duas coisas.
Marcelo: Sim. Isso aí pessoal, diga, quer completar aí, Pontello?
Victor Pontello: Não, eu ia só concordar com o Vinição que às vezes o
mundo é um mundo realmente VUCA e ele vai continuar sendo VUCA, e a
gente tem essa mania de querer essa ordem em tudo, e é uma tentativa
frustrada sempre que a gente não consegue colocar ordem em tudo, mas
dá pra fazer uma base ordenada para facilitar um pouco e mitigar essas
incertezas todas que a gente tem aí. Quem entra nessa parte da
organização, da operação, alguns pulos do gato ou alguns pontos de falha
que você consegue prever e mitigar antes mesmo deles acontecerem, isso
são todos resultados de experiências e projetos e trabalhos que vão sendo
feitos e você vai aprendendo aquilo e consegue criar.
Marcelo: Não, perfeita, por isso ter os modelos de referência é muito
importante, entende? Porque o fato de você não conseguir ser purista ou
seguir exatamente o caminho, não significa que você não possa ter
modelos, como a gente falou aqui, até em um contínuo desse que te mostra
se você está longe demais, por exemplo, de ser Date Driven, podia melhorar
muito nisso. Porque você pode estar sendo… o fato de ser difícil não é
desculpa para displicência, então é muito fácil usar isso para o outro lado.
Eu falo, o ser humano é muito extremo.
Victor Pontello: É, esse é um bom ponto.
Marcelo: É muito fácil você usar isso e falar “ah isso aqui não tem jeito, isso
aqui é ficção”…
Victor Pontello: É aleatório, fazendo de qualquer maneira.
Marcelo: É, o (Ágil) é muito confundido com isso, “é, vamos
fazer? Vão fazendo aí porque o mundo é assim, vamos fazendo e pronto”,
não é nem uma coisa nem outra, mas eu falo que pra mim, sempre por
causa dessa necessidade de conforto, você gosta de seguir uma orientação
e pronto, então a sua cabeça sossega. Seja você decidindo ser porra-louca,
ou seja, você decidindo ser totalmente no método, você pelo menos fez
uma escolha, e você dorme tranquilo que você fez uma escolha e pronto.
Do que você sempre tem que fazer escolhas, por isso eu fico brincando que
é um problema bem existencial. Mas… nós vamos acabar entrando em luta
aqui porque o assunto é bacana, e eu devo contar que o Pontello, apesar
de toda a experiência que ele tem com esse assunto, ele não foi capaz de
prever que uma furadeira iria atrapalhar o nosso episódio aqui e a gente
teve que parar no meio da gravação, e ele teve que ir lá, como qualquer não
cientista de dados, pedir para o cara parar de usar furadeira, ele não
conseguiu fazer um modelo de petição para isso aí. Grande abraço,
Pontello.
Victor: Só uma… tem uma cena, lembrei, tem uma cena de um filme bem
legal do matemático John Nash, no filme que ele se apaixona pela esposa
dele quando ela está… tem uma obra atrapalhando a aula e ela vai lá e pede
pra parar. É claro que está no filme, não sei se aconteceu na vida real. “deixa comigo”, vai lá e…
Marcelo: Pontello já é comprometido.
Victor: Eu já sou comprometido, tomara que não tenha quebrado parte do
coração de ninguém com essa solicitação para parar de furar.
Marcelo: É isso aí pessoal, grande abraço.
Victor: Falou, valeu pessoal.
Victor Pontello: Pior do que tomar a decisão de maneira intuitiva é tomar
uma decisão Data Driven em cima de dado errado, que aí é aquela ideia do
Garbage In e Garbage Out, se você tem um dado totalmente errado ali
numa qualidade muito duvidosa, você pode chegar a conclusões que na
verdade são mentiras.
Marcelo: Bom dia, boa tarde, boa noite, vamos começar mais um episódio
dos Agilistas, estou aqui hoje mais uma vez com o Vinição, e aí Vinição, tudo
bom?
Vinícius: E aí pessoal, tudo bem? Vamos lá.
Marcelo: Então, hoje nós vamos falar de um tema que vai estar presente
em muitos episódios nossos, que é o tema de como fazer uma empresa ser
Data Driven ou discutir, não tem nenhuma pretensão de esgotar o assunto
todo, mas discutir muito esse assunto de como a empresa ficar Data Driven
tentando tocar em questões mais concretas e avançar um pouco mais nesse
tema que é tão relevante para a maior parte das empresas. Esse tema tem
uma conexão muito grande com o agilismo na medida em que quando a
gente fala de agilismo, a gente fala de uma capacidade de adaptação, e essa
capacidade de adaptação obviamente em relação ao que a empresa sente
no ambiente dessa capacidade de sentir responder, e ela tem que saber se
ela está de fato sentindo e respondendo bem. E para ela saber se de fato
está sentindo e respondendo bem, ela tem que medir o que está
acontecendo, tem que ser direcionada por dados para saber se está no
caminho certo, e isso é mais importante ainda no momento em que as
empresas têm pressa para poderem conseguir os resultados e ao mesmo
tempo os recursos são limitados, então você tem que saber priorizar bem.
E para falar sobre esse assunto, nós vamos conversar com o convidado que
já esteve aqui anteriormente, como sempre eu peço para ele se apresentar,
ele é da DTI, é o Victor Pontello. E aí Pontello, beleza?
Victor Pontello: Fala pessoal, bom dia, boa tarde, boa noite, sou o Victor
Pontello, como você já adiantou. Eu trabalho na área de dados aqui na DTI
como head de dados, e a gente está aqui para debater um pouco esse
assunto tão relevante para o contexto empresarial atual e tão relevante
para a sobrevivência das empresas, a gente vai falar um pouco sobre isso
também.
Marcelo: Eu queria começar perguntando, como é que se fala? Data Driven.
Não, estou brincando. Eu queria começar perguntando se… eu estou rindo
aqui porque existe uma pronúncia britânica e o Vinição tem treinado. Fala
Data Driven aí.
Vinícius: Eu? Data Driven.
Marcelo: Está vendo? Você falou do mesmo jeito sempre, Vinição. Não
precisa fazer aula para falar desse jeito não. Mas falando seriamente, a
gente pode falar que existe uma filosofia ou um pensamento, uma forma
de conduta, de ser Data Driven. Não precisa pensar só na empresa como
um todo, é como se fosse uma filosofia, um tipo de pensamento que a
empresa segue. É isso mesmo, Pontello? Como é que você pode explorar
um pouquinho mais isso? O que seria esse pensamento Data Driven.
Victor Pontello: Voltando um passo atrás do “por que as empresas deveriam
ser Data Driven?”, já que elas chegaram no ponto em que elas estão, e a
maioria delas sem ser Data Driven, confiando na opinião e na intuição das
pessoas que eram as chefes, que criaram tudo. Por que essas pessoas
deveriam parar de confiar na intuição delas e começar a confiar em dados
para a tomada de decisão? Por que isso é importante? Sobre esse assunto,
eu acho que a gente tem inúmeras formas de abordagem, e se a gente
pensar na forma como o ser humano toma as decisões dele, afinal das
contas o líder da empresa, o CEO, o C-Level das empresas no final das contas
toma as decisões estratégicas que levam a empresa para onde ela precisa,
e o ser humano tem uma característica muito interessante de conseguir
criar uma narrativa muito clara e definida com base em uma informação
muito pequena, às vezes tem só determinado, vamos supor, o ser humano
tem a característica de tomar decisões e utilizar a intuição na tomada de
decisões muitas vezes com uma quantidade, uma representatividade muito
baixa de informações em relação àquilo que ele precisa para tomar uma
decisão assertiva, só que o nosso sistema de tomada de decisão intuitiva
não presta atenção, ele não consegue perceber que a quantidade de dados
é insuficiente para ele tomar aquela decisão, então ele toma uma decisão
intuitiva com base em poucos dados, em pouca informação, e consegue
muito bem devido à experiência, à vivência, criar uma narrativa para
justificar aquela tomada de decisão que parece fazer todo o sentido do
mundo.
Marcelo: A gente é melhor para criar narrativa do que para tomar decisão.
Victor Pontello: Exatamente. Muito melhor, inclusive. A gente não
consegue perceber por exemplo que os dados estão faltando para tomar
decisão, ou que os dados estão ruins, e a gente toma a decisão mesmo
assim, e depois consegue justificar isso com uma narrativa interessante.
Isso é um motivo para quando a gente fica vendo os analistas geopolíticos,
que fazem a análise de como o mundo vai se comportar, como vão ser as
relações entre as principais potências do mundo geopoliticamente falando,
esses caras têm um conhecimento amplo na parte de relações
internacionais e tudo mais, mas eles erram repetidas vezes e muitas vezes
gastam mais tempo justificando os erros do que propriamente acertando,
ou então os analistas que dizem se a bolsa de valores vai subir ou se vai cair,
ou recomendam uma ação ou outra com base em uma análise que ele fez,
que na hora faz todo o sentido, tem inúmeros indicadores que podem fazer
com que aquela narrativa, aquela possibilidade da ação subir ou cair faça
sentido, mas no final das contas a ação cai quando deveria subir ou sobe
quando deveria cair, isso porque o ser humano, os especialistas têm uma
capacidade ilimitada de trabalhar com a intuição principalmente num
mundo VUCA, um mundo em que existe alta volatilidade, alta incerteza
relacionada ao que vai acontecer.
Marcelo: Desculpa cortar, mas eu acho interessante porque até no episódio
que a gente fez com o autor daquele livro de estratégia, o da HSM, com
saliva, sobre salivar, com estratégias adaptativas. É interessante porque
quando você pega esse livro, ele conta uma história da evolução da
estratégia nas empresas ao longo dos tempos, ou seja, de quando nem
existia pensamento estratégico, isso para conectar com o que você falou,
sabe Pontello? Da questão do porquê a intuição funcionasse, ou talvez
decisões que poderiam talvez serem mais simplórias funcionassem,
digamos assim, e porque elas talvez não funcionassem mais, o que eu acho
uma pergunta muito importante. A gente até brinca aqui e fala para os
céticos, e alguém sempre acha “cara, eu tomei decisão minha vida inteira,
o pessoal fica inventando moda hoje em dia”, e etc. Mas a questão é ver
claramente na história do pensamento estratégico estar conectado ao
ambiente que asempresasestão, e asempresaspartirammuitodeolhar
para si e basicamente terem que ser eficientes e depois, mesmo olhando
para os outros, partiam de uma posição mais estáticas, sabe? Só de
posicionamento de mercado para um mundo hoje que os estrategistas
pensam mais em arenas dinâmicas, onde você compete o tempo todo, onde
a inovação acontece o tempo todo, onde o consumidor tem um poder
enorme, enfim. Tudo isso que a gente fala aqui o tempo todo, mas que traz
uma quantidade de elementos enorme, que faz com que fique mais difícil
esse processo decisório mais simplificado talvez funcionar, talvez esse seja
o grande ponto, a necessidade, porque a gente vive num mundo mais
complexo, que tem muito mais competidores, muito mais variáveis de
interesse a se explorar do que no mundo onde você tinha mais que
empurrar os produtos, onde você tinha mais uma barreira de proteção que
durava muito tempo. Digamos assim, eu acho curioso porque vem uma
outra história, outra filosofia, porque a verdade é que certas empresas em
um mundo mais estável, até hoje acontece isso, atingem uma posição tão
boa, uma barreira de entrada tão forte, igual acontece hoje com muitas
empresas que vivem verdadeiros monopólios, que já é outra discussão, mas
o cara pode tomar várias decisões erradas, porque vai continuar sendo
expugnável, ninguém consegue entrar ali, eu diria que isso ajuda. Você está
dizendo isso, muito conectado com a introdução, nesse mundo você tem
que se adaptar, você se adapta justamente quando o ambiente é mais
complexo, e nesse mesmo ambiente complexo torna o processo decisório
mais difícil e acaba ressaltando a necessidade de que você tome asdecisões
com um pouco mais de método. O Data Driven seria tomar essa decisão
com mais método, e a gente pode discutir isso mais para frente, eu sei que
vocês querem. E o papel dessa intuição, ele simplesmente acaba
totalmente? ou na verdade é a intuição junto a uma experiência mais
assistida por esse método?
Victor Pontello: Eu acho que o papel da intuição nunca acaba, até porque a
gente nunca é totalmente livre, até quando a gente toma decisões baseadas
na racionalidade a gente está de uma maneira ou de outra confiando nesse
sistema intuitivo para buscar asinformaçõesqueagentetemnanossa
mente, então nunca vai ser livre da intuição, mas é como você disse, junto
à intuição é um processo de tomada de decisão mais simplificado com a
utilização dos dados, então os dados dificultam que a intuição vá muito
diferentemente do contexto que precisa ir, e quando falo os dados, pode
ser uma simples visualização dos dados ou algumas métricas definidas ali
dentro do contexto da empresa, ou pode ser um algoritmo auxiliando a
tomada de decisão. Por exemplo, o ser humano tem uma limitação da
capacidade cognitiva dele, então chega um determinado ponto em que ele
não consegue processar mais dados, que ele esbarra na complexidade do
ambiente em que ele está, já o algoritmo tem uma limitação muito menos
pronunciada do que a capacidade cognitiva do ser humano, então você
consegue utilizar uma quantidade muito maior de dados sem o viés, por
exemplo quando você estiver com fome, você não vai ficar mal-humorado
e tender para uma decisão mais agressiva, por exemplo do que quando
você está com sono no final do dia e isso tudo corrobora com essa tomada
de decisão.
Marcelo: Você sabe que isso que você lembrou, eu já li em vários livros,
estava lendo ontem em um livro que estou lendo sobre emoções, o livro
bem interessante, estudos mostrando que quando você vai liberar
temporariamente um preso, esqueci o nome…
Victor Pontello: Condicional?
Marcelo: Isso, condicional. A chance de o cara conseguir condicional perto
da hora do almoço é baixíssima, porque a adesão é difícil, onde o cara já
está cansado e ao mesmo tempo a pessoa acaba que sempre já pesa muito
mais não soltar uma pessoa do que soltar porque ela pode representar um
perigo para a sociedade, e na medida em que ela vai ficando cansada e
desgastada, o viés dela que já é de ser um pouco mais conservador, aí que
vira mesmo, uma coisa mais curiosa. Tem vários estudos em vários lugares
do mundo mostrando que chegando perto da hora do almoço, você dá azar
se for sorteado perto da hora do almoço, a chance de conseguir a liberdade
condicional é muito menor. Avançando um pouquinho…
Victor Pontello: Assim, só um ponto sobre isso, não é sempre que a gente
tem os dados. A gente está assumindo ali que teria os dados. Por exemplo,
às vezes você está iniciando um projeto ou coisa do tipo, você tem que
trabalhar sem ter o dado.
Marcelo: Aí você chega em um outro problema…
Victor Pontello: Sim, só complementando.
Marcelo: Aí não é nem Data Driven.
Vinícius: É uma outra pergunta, o que o cara faz, como ele pode ser Data
Driven?
Marcelo: Nesse cenário.
Victor Pontello: Antes você perguntou se não tinha espaço, no mínimo
nesses casos tem que achar uma forma de ter espaço.
Vinícius: Aí eu imagino que a filosofia Data Driven em um caso desse vai
orientar quem está fazendo isso a procurar os dados. Mesmo que ele não
tenha, haverá um esforço para poder procurar os dados, poder subsidiar as
decisões sempre que possível por evidências mais concretas. Para mim é
isso sempre, você está tentando subsidiar com mais evidências do que sem.
Não é que você não possa achar as coisas e estabelecer hipóteses, mas você
vai procurar subsidiar depois essas hipóteses se elas estão corretas ou não
medindo o que você consegue medir, ainda que de forma imperfeita.
Victor Pontello: Aí depende da satisfação da pessoa com relação ao início.
Uma pessoa que não tem um pensamento Data Driven vai acabar ficando
satisfeita com aquela decisão intuitiva e vai ficar por isso mesmo,
continuando daquela forma. Já a pessoa que tem vai ficar insatisfeita, não
vai confiar tão cegamente naquele início e, justamente da forma como você
colocou, vai tentar buscar os dados.
Marcelo: Achei legal que se a gente pensar o pensamento Data Driven, fica
um jeito interessante de pensar. Não é que o cara só trabalha nas condições
ideais onde há todos os dados para tomar a decisão, mas é um cara que
procura sempre caminhar no sentido de subsidiar asdecisõescomos
melhores dados que ele conseguir e que conhece os próprios vieses e os
próprios erros, digamos assim. Ele não confia só nisso, ele confia nisso
também, mas ele procura subsidiar com outras coisas. Seria um bom jeito
de definir essa atitude mais Data Driven, porque acho interessante isso que
o Vinição colocou, porque senão alguém também pensa “muito bonito, se
eu já estiver com todos os dados e com todos os modelos é bonito ser Data
Driven”. Só que obviamente quase ninguém no fundo está assim, mas você
pode incrementalmente, continuamente procurar ser assim.
Victor Pontello: E mesmo com esse ponto que vocês estão colocando, tem
o mundo real. Você muitas vezes não vai conseguir fazer experimentos com
muitos dados, você vai ter que trabalhar em um… deve ter várias situações,
a gente acaba vendo enquanto interage com os clientes, se eu estou
montando um app, por mais que eu trabalhe com formas orientadas,
utilizando práticas de produto, tem cenários onde você está iniciando em
que você simplesmente não tem, por mais que você trabalhe para ter, você
vai ter que lidar com uma situação inicial que o dado vai ser escasso, porque
na verdade você não consegue ter muito dado sem ter o produto, é a
questão do ovo e da galinha, não tem como você ter muitos dados. Eu até
entendi o ponto que você colocou, mas usando essa filosofia você vai
buscar ter, mas em muitos casos eu acredito que você não vai ter, ou vai
ser extremamente difícil de ter.
Vinícius: E vai acabar gerando uma hipótese nesse processo, você vai chegar
em uma hipótese de que aquilo que você está fazendo é certo até você
conseguir validar essa hipótese com os dados de uso, ou com os dados que
você vai conseguir gerar depois. Já aí é diferente da pessoa validar uma
opinião do chefe “não, ficou bonito, ficou bacana”.
Marcelo: Assim, sinceramente, quando você pega lá do livro, por exemplo
do Lean Startup, ele tenta definir que uma startup é isso, “entenda-se por
startup, tanto uma startup empresa quanto uma iniciativa nova, uma ação
que uma empresa esteja tentando partir” mas ele tenta definir justamente
que você tem um método mais científico para poder conduzir essa
iniciativa, método esse que é subsidiado por hipóteses que são depois, igual
ciência, você faz uma hipótese e procura provar ou não aquela hipótese, e
é o que vocês estão falando, ou seja, simples como isso no fundo, mas
complicadíssimo na prática. Esse caso é curioso, você leu esses livros, e o
próprio agilismo, a teoria é simples, mas exige uma disciplina tão grande,
porque a gente pode até começar a falar sobre isso, você procurar os dados
para poder ser subsidiado por eles, e depois a gente pode falar seja por um
relatório, por um BI, por um modelo de tradução, seja pelo que for. Mas
digamos assim, é uma tarefa muito subestimada, e é muito irresistível você
querer continuar no caminho de fazer aquilo que paradoxalmente é o mais
fácil, que é fazer mais features no seu produto digital se a gente for pensar
nisso. É muito mais fácil você ficar em uma intuição de que é óbvio fazer
aquilo, e pode ser que num dado momento, como o Vinícius falou, no
começo seja até melhor ir por este caminho, mas se em algum momento
você não começar a gastar muita energia no outro lado, você não vai ser
Data Driven. Mas é difícil de se superar isso porque é subestimado o esforço
que se faz para poder ser Data Driven.
Victor Pontello: Exatamente. E é o esforço para tomar asdecisõesData
Driven que exige que você raciocine e pense com relação ao que faz sentido,
se aquele dado realmente está condizente, se aquele caminho é o caminho
certo e, além disso, asvezesterodadoneméapartemaiscomplicada, as
vezes você tem o dado, só que ter o dado de uma maneira que você
consegue usar, isso dá um trabalho, que é organizar tudo, conseguir colocar
isso tudo junto, é o papel que o engenheiro de dados faz, pegar aquele
monte de fonte dispersa de dados e colocar tudo em uma forma que você
consiga a partir dali analisar os dados, se os dados estão certos e tomar a
decisão, porque pior do que tomar a decisão de maneira intuitiva é tomar
uma decisão Data Driven em cima de dado errado, porque é aquela ideia
do Garbage In e Garbage Out, se você tem um dado totalmente errado ali
numa qualidade muito duvidosa, você pode chegar a conclusões que na
verdade são mentiras, e depois disso conseguir ter uma confiança extrema
Data Driven numa falácia que pode acabar levando o produto ao fracasso.
Vinícius: Sim, a gente pensa estar sobre um terreno sólido, mas na verdade
não está.
Marcelo: Você tem algum exemplo concreto disso, do que um engenheiro
de dados faz, a gente tem tantos papéis nisso hoje em dia, tem o
engenheiro de dados, o cientista de dados etc. O que seria um exemplo bem
concreto disso, ou seja, uma empresa que tem os dados, mas
 trabalhar com o engenheiro de dados para que você tenha
condição de começar a tomar essa decisão?
Victor Pontello: Eu costumo fazer uma analogia com relação a uma empresa
petrolífera. Se você tem os dados, é como se você tivesse os dados lá no
poço de petróleo, lá no pré-sal, e o engenheiro de dados é a pessoa que
consegue extrair esse petróleo e disponibilizar até a refinaria. Nisso você
consegue disponibilizar um petróleo de qualidade e a partir daí os outros
profissionais da área de dados, que aí entra por exemplo o cientista de
dados, o analista de dados, o engenheiro de machine learning, conseguem
refinar esses dados a ponto de produzir os produtos, os derivados do
petróleo que são efetivamente o que vão gerar valor a partir daquele dado.
Mas se você não tiver um petróleo de qualidade chegando e sendo refinado
para gerar esses derivados, você não vai conseguir gerar o valor e ter
receita com esses produtos que são efetivamente comercializados.
Marcelo: Entendi. engraçada essa analogia porque você tem o dado como
matéria prima, mas você ainda tem que processar para depois você
processar de novo.
Victor Pontello: Exatamente.
Marcelo: Você tem um pré-processamento antes da refinaria, porque a
gente já tem um dado sendo gerado em tantos lugares de organização,
tantos lugares do mercado, só que você tem que pegar aquilo de alguma
forma e colocar de um jeito que você ainda possa utilizar pela sua
organização, pelos seus sistemas, pelas pessoas. Não é nem que o dado
possa estar errado, mas é que você precisa ainda colocá-lo de uma forma
usável.
Victor Pontello: Exatamente.
Vinícius: Talvez um ponto interessante de abordar seja qual o modelo de
trabalho que a gente costuma ter quando estamos trabalhando com dados
e até aquele ponto que coloquei antes, de um cenário mais de utilização,
onde já é sabido que você tem uma infraestrutura que te fornece os dados,
como você falou, que o petróleo já foi retirado e precisa ser só mais
refinado, e um outro cenário onde você está sem um caminho claro a ser
seguido, você não tem dados, é um produto novo, você não tem muita
coisa. Como é que você trabalha numa condição dessa?
Victor Pontello: No cenário em que os dados já estão disponíveis, vamos
supor, que o petróleo já está chegando na refinaria, ainda assim existe uma
certa diferença entre o nível de maturidade em que a empresa está. Vamos
supor, você tem os dados, mas como você vai usar esses dados? Existe uma
série de níveis de análises que podem ser feitas a partir desses dados que
geram respostas mais e menos complexas, que a empresa tem que
caminhar nesse aspecto. Só para exemplificar o que falei, uma outra
analogia é uma consulta médica. Existe a análise descritiva, que é
basicamente no início da consulta quando você fala seus sintomas, quando
o médico vai aferir a pressão ou quando ele mede a temperatura, e você
consegue mostrar o que está acontecendo, os fenômenos. A partir daí, em
um segundo nível vem a análise diagnóstica, dentro da análise diagnóstica,
com base no que você entendeu, você consegue diagnosticar, consegue
dizer o porquê daqueles sintomas, o porquê do que está acontecendo com
base na experiência do médico, no conhecimento. E vamos supor que a
pessoa com base na febre, dor de garganta há pelo menos dois dias,
tossindo, “provavelmente você está com um quadro de covid ômicron”. A
partir disso você consegue em uma análise preditiva, que aí é olhando mais
para frente, olhando para o futuro, com base em tudo, nos diagnósticos e
na descrição dos fenômenos, você pensa no futuro no sentido de “se você
está com esse quadro, você provavelmente vai sentir febre por mais uns
dois dias, vai ter dor de cabeça, vai ter isso e aquilo, e depois vai ficar bom”,
e aí vem o último nível que é a análise prescritiva, que é com base nessa
visão do futuro, o que irá ser feito dada essa previsão. “Se você tiver dor de
cabeça irá tomar este remédio, se tiver febre tomará aquele outro
remédio”, e aí você tem todo esse aspecto, quase um aspecto evolutivo
dentro das organizações, que elas não conseguem simplesmente chegar,
por isso que eu falo também que não é tudo que você resolve com Deep
Learning e inteligência artificial, se você tem os dados ali, você pode usar
aquilo, mas primeiro é importante você entender o que está lá. Você não
vai chegar na consulta sem examinar o paciente e já entregar um remédio
para ele usar, primeiro existe um processo evolutivo e muitas empresas
ainda estão muito no começo, e acham que vão contratar um cientista de
dados e vai resolver todos os problemas da empresa, mas tem todo um
processo de evolução dentro do aspecto analítico da empresa.
Marcelo: E chegar nesse nível prescritivo é bem difícil, não? Porque é como
você disse, asorganizaçõesjátêmmúltiplasfontesdedadoseuma
dificuldade inicial com isso. E você tem que organizar e descrever os dados,
e começa a se preparar para ser preditivo, já falando além disso. Pensando
na aplicação da tecnologia, no mundo digital, uma coisa e alguém sentado
na mesa dele tomando certas decisões do produto, isso é uma aplicação, é
uma forma de ser Data Driven. Mas outra coisa também é até na operação
da empresa, eu diria até que tão importante quanto. Imagine uma empresa
de saúde que está liberando atendimentos, ela já está sendo gestada por
uma inteligência o tempo todo, a própria operação, que imagino ser o nível
mais desejado e o mais difícil, que é incorporar aquilo à operação, entende?
Porque a gente vê muitos exemplos como alguém que faz um estudo e esse
estudo é mostrado para alguns decisores, os decisores usam aquilo mais a
intuição e tomam decisões bem assistidas e melhores, como já discutimos.
Mas existe outra coisa, eu peguei os dados, eu descrevi os dados, eu fiz uma
(inint) e cheguei em um ponto que esse modelo também é
prescritivo, então ele consegue me dar recomendações que eu integrei isso
com a minha operação, de forma que a minha operação no dia a dia vai
estar eventualmente sendo orientada por prescrições que não vem de uma
pessoa, vem de uma inteligência. Isso é bem difícil, não? é um objetivo que
as organizações terão, mas é um dos mais difíceis, certo?
Victor Pontello: é um desafio. até para aspessoasteremculturalmente
dentro da organização uma confiança nesse tipo de evolução, nesse tipo de
inteligência, porque tem muitas empresas que são muito arraigadas com
essa ideia mais intuitiva da tomada de decisão e são céticas em relação a
ser Data Driven. Se elas são céticas a serem Data Driven na tomada de
decisão simples, usando indicadores, elas são mais céticas ainda com uma
análise prescritiva que vai falar o que ele tem que fazer. Isso é um desafio
muito grande que eu acredito ser um desafio muito maior do ponto de vista
cultural das empresas do que do ponto de vista técnico. Do ponto de vista
técnico a gente consegue, tem inúmeros exemplos de segurança, vamos
supor que você tenha um eixo em uma indústria que trabalha sobre carga,
e esse eixo tem uma certa vibração e essa frequência de vibração do eixo,
quando ele está perto do momento de falha muda, então é possível criar
uma inteligência, nem precisa ser uma inteligência artificial, que avisa no
momento de falha, então prevê essa falha de acontecer. e como esse tipo
de dispositivo, esse tipo de monitoramento é muito mais relevante no
sentido de segurança, pode causar um prejuízo muito grande à empresa ou
uma falha no sentido de matar algum trabalhador, asempresassãomenos
resistentes a terem esse tipo de inteligência acontecendo. Agora quando é
para uma tomada de decisão, demanda um pouco mais de cultura Data
Driven para ela conseguir confiar naquilo, que ela poderia fazer a mesma
coisa de outra forma.
Vinícius: Mas você está colocando esse ponto que é cultural, que tem
aquela mentalidade de que sabe o que deve ser feito. Mas acho que uma
das origens é o que a gente discutiu previamente, porque é bastante difícil
no fundo ter os dados, e eu sou um pouco cético com essas coisas, e isso
sem considerar a situação que falei anteriormente, de estar iniciando um
produto, que eu acho ainda mais difícil ainda. Mas mesmo você tendo os
dados é difícil estabelecer, usar o método científico puro, conseguir isolar,
tipo um teste AB. No fundo até acho que quando você tem uma solução,
você já tem quase que uma plataforma coletando alguns dados o tempo
todo, por isso até que eu acho que indústria tende a ser mais fácil de aplicar,
porque você de fato está ali coletando direto dos sensores. é até mais fácil
fazer pequenas otimizações, comparar comportamentos e melhorias
incrementais, mas para validar determinadas coisas é muito mais
complexo. você pode ter validado um conjunto, aquele conjunto igual você
começou o episódio, não é tão representativo em relação ao que é de fato
um comportamento em escala com mais variáveis.
Marcelo: Vinícius, vou só dar um pitaco. Sabe no que fico pensando? Acho
que temos que pensar, e esse episódio está ficando até mais filosófico do
que eu imaginava, estou achando bem interessante. Falo assim, temos que
pensar mais no contínuo do que seria ser perfeitamente Data Driven e
perfeitamente científico versus estar do outro lado, que é tudo na
porraloquista, por falta de expressão melhor nesse contínuo. Por que falo
isso? porque acho que por um lado, eu estava até lendo isso ontem em um
livro e achei muito interessante, quando fiz o comentário sobre a ciência,
que também pode ser ineficiente. Eu lendo no livro, quando você vai fazer
uma coisa científica, se você quer definir que alguma coisa é melhor, tem
que definir o que é melhor. Uma coisa realmente científica, até a definição
de tipo “eu quero saber do que o usuário gosta”, o cientista só aceita o
seguinte “o que é um usuário gostar?”, é tudo muito rigoroso. e é claro
que…
Victor Pontello: Para aceitar o método o universo vai afunilando cada vez
mais para se chegar em um…
Marcelo: Sim, e por quê? porque estou lendo um livro, e principalmente
ciência cognitiva. Você não consegue concluir quase nada sem muito rigor,
porque aquilo vai ser depois referenciado em quinhentos mil estudos e vai
fazer parte de uma base científica. Então você tem que ter um nível de rigor
absurdo para falar um tipo de coisa dessas, que realmente quando você faz
alguma coisa tem uma relação causal e acontece outra coisa. Agora, acho
difícil um negócio ser assim mesmo, porque você teria que ter um tipo de
rigor.
Victor Pontello: É totalmente assim.
Marcelo: Mas não quer dizer que você tenha que estar do lado oposto, não
quer dizer que você não vá eventualmente talvez ficar caminhando neste
contínuo um pouco. Vão ter momentos em que você estará mais longe da
natureza do problema pelo que você consegue fazer na hora, mas o que
acho interessante é sempre que possível você tentar subsidiar essa decisão.
Se é possível você subsidiar melhor a decisão, e mais ainda, se você ainda
vê além de subsidiar a decisão, abordar em predição e prescrição, aí é um
custo de abordagem muito grande não usar.
Vinícius: É quase como se você, vamos dizer assim, um jeito de talvez
colocar, é quase como se você fosse refinando assuasintuições. Vocêtem
intuições e intuições. Você pode até poder cravar que determinada coisa
passa pelo método científico cem por cento, mas você talvez esteja mais,
nem Data Driven, influenciado por dados. Você pelo menos teve uma
exposição a dados, então parece que você tem melhores condições de
pensar em possibilidades de caminho.
Victor Pontello: E esse ponto que o Vinícius pontuou é muito interessante
porque entra na filosofia prática, vamos dizer assim, de iniciativa de dados,
porque pode ficar ali anos e anos só explorando determinada base de
dados, analisando sem entregar nada. Se você exagera nessa questão do
rigor para tentar fazer algo totalmente perfeito, você acaba não gerando
valor. e é a geração de valor que justifica uma iniciativa de dados, a
existência de um data lake dentro da empresa ou a existência de um time
de data science gerando modelos preditivos para analisar um
comportamento do consumidor em relação ao produto que está sendo
vendido na plataforma, e coisas do tipo. Se não existe geração de valor, não
existe sentido de acontecer. não adianta você ficar criando iniciativas para
tornar a empresa totalmente Data Driven se você não otimizar onde está a
geração de valor, qual o foco que aquilo deve gerar para você atacar o
problema onde há retorno. Porque isso diferencia bastante o Data Science
na prática, os dados em geral, a análise de dados na prática e na academia.
Porque na academia não há problema em você ficar estudando a fundo e
entrando totalmente em detalhes para criar algo novo.
Marcelo: Isso só gera valor para a academia, o próprio estudo gera valor
para a academia.
Victor Pontello: Isso, exatamente.
Marcelo: Cara, nós estamos caminhando para o final, mas nos bastidores
eu sempre brinco que eu não gosto de pauta no episódio, e para mim
encaminhou para um rumo muito interessante, porque para mim, a gente
discutiu hoje mais um exemplo de como é que execução sempre é muito
difícil. O que eu quero dizer com isso? Porque alguém sempre espera que
vai haver um método descritivo sobre como Data Driven, e terão uns
dogmas que você vai seguir e pronto, você ficou Data Driven e pronto.
Entende? Só que é como o Vinição citou, são mais coisas, existe um mundo
real, existem os recursos que você tem, existem as informações, existe
tanta coisa nesse jogo. E eu estou querendo concluir dizendo o seguinte,
você vai ser orientado por um pensamento Data Driven, vai ser tão Data
Driven quanto você puder e for possível, e fizer sentido em cada contexto.
E ainda que isso não seja um conselho que deixe ninguém confortável, a
verdade é que não existe esse conforto. Para mim, a principal característica
que acho que a gente tem que explorar muito no podcast, na nossa cultura
na empresa é sempre isso, você tem que sempre usar uma inteligência
coletiva para sempre decidir o que fazer. E eu já falei isso lá atrás em um
dos primeiros Enzimas, de um problema quase existencial. Porque tem
hora, que talvez vai ser melhor você usar a intuição e pronto mesmo, e tem
hora que você vai na verdade partir para um caminho totalmente oposto. E
vai sempre ter que ter uma capacidade de julgamento dos caminhos que
forem seguidos. Concorda com isso aí, Victor e Vinição?
Victor Pontello: Concordo, concordo muito. Eu acho que da forma como a
gente leva essa questão de ser Data Driven, ou não ser Data Driven, a
vantagem de você ir validando aos poucos, aí puxando para o lado rádio da
história, é que você está bem dos dois lados. Se você valida a hipótese, você
sabe que você está no caminho certo. Se você rejeita a hipótese, você evita
a chance de (inint) recursos no lugar errado, então você está
sempre caminhando no sentido certo. Easiniciativasdedadoseoprocesso
de ser Data Driven, está totalmente relacionado a isso, então na medida do
possível, com base nos recursos que a gente tem e com base no tempo, a
ideia é essa mesmo.
Vinícius: É, eu acho que é uma visão que talvez misture dois domínios, que
é uma visão de complexidade, agilismo e essa parte da… acho que é bem
nesse ponto.
Marcelo: É porque eu lembro muito de uma coisa que você gosta muito de
falar, Vinição, que é como a gente procura ordem dentro do mundo, a gente
tem um desejo quase irresistível de falar, “então…”, ou alguém ouve e fala
assim “então achei o meu caminho”, sabe? É só formular hipóteses, só isso,
só aquilo, só validar e acabar. E aí o cara vai jogar o jogo ali e vê que a coisa
é muito diferente. Eu estou falando, por isso, acredito eu, que se ganha o
jogo é na execução, e por isso que a execução… porque assim, todo o
mundo lê as mesmas coisas e tem acesso aos mesmos conhecimentos,
principalmente na era da internet. E aí onde é que está a diferença? É na
execução e na sorte, no aleatório ali também. Mas é muito interessante
como é que essa execução sempre é muito mais cheia de nuances do que
pode parecer a partir de qualquer framework, porque é coisa que você vai
abordar, você não consegue essa tranquilidade de ter um guia definitivo de
como agir, isso é fato.
Vinícius: É o que talvez a gente possa até explorar em outros episódios
porque esse assunto é bem legal mesmo e acho que merece ser discutido
de forma mais rica, com outros aspectos e com mais exemplos, que a gente
gosta muito, talvez a gente tenha dado poucos exemplos. Mas é de, embora
a gente esteja concordando totalmente aqui e a gente tende a concordar
com isso, nesse tipo de abordagem incremental, experimental, baseada
nesse tipo, não significa que não exista alguns arquétipos, alguns primeiros
passos que possam ser dados, algumas formas de organizar uma operação
de dados, uma forma de dar os primeiros passos. Acho que dá para discutir
outros aspectos práticos disso aí, dá pra conciliar as duas coisas.
Marcelo: Sim. Isso aí pessoal, diga, quer completar aí, Pontello?
Victor Pontello: Não, eu ia só concordar com o Vinição que às vezes o
mundo é um mundo realmente VUCA e ele vai continuar sendo VUCA, e a
gente tem essa mania de querer essa ordem em tudo, e é uma tentativa
frustrada sempre que a gente não consegue colocar ordem em tudo, mas
dá pra fazer uma base ordenada para facilitar um pouco e mitigar essas
incertezas todas que a gente tem aí. Quem entra nessa parte da
organização, da operação, alguns pulos do gato ou alguns pontos de falha
que você consegue prever e mitigar antes mesmo deles acontecerem, isso
são todos resultados de experiências e projetos e trabalhos que vão sendo
feitos e você vai aprendendo aquilo e consegue criar.
Marcelo: Não, perfeita, por isso ter os modelos de referência é muito
importante, entende? Porque o fato de você não conseguir ser purista ou
seguir exatamente o caminho, não significa que você não possa ter
modelos, como a gente falou aqui, até em um contínuo desse que te mostra
se você está longe demais, por exemplo, de ser Date Driven, podia melhorar
muito nisso. Porque você pode estar sendo… o fato de ser difícil não é
desculpa para displicência, então é muito fácil usar isso para o outro lado.
Eu falo, o ser humano é muito extremo.
Victor Pontello: É, esse é um bom ponto.
Marcelo: É muito fácil você usar isso e falar “ah isso aqui não tem jeito, isso
aqui é ficção”…
Victor Pontello: É aleatório, fazendo de qualquer maneira.
Marcelo: É, o (Ágil) é muito confundido com isso, “é, vamos
fazer? Vão fazendo aí porque o mundo é assim, vamos fazendo e pronto”,
não é nem uma coisa nem outra, mas eu falo que pra mim, sempre por
causa dessa necessidade de conforto, você gosta de seguir uma orientação
e pronto, então a sua cabeça sossega. Seja você decidindo ser porra-louca,
ou seja, você decidindo ser totalmente no método, você pelo menos fez
uma escolha, e você dorme tranquilo que você fez uma escolha e pronto.
Do que você sempre tem que fazer escolhas, por isso eu fico brincando que
é um problema bem existencial. Mas… nós vamos acabar entrando em luta
aqui porque o assunto é bacana, e eu devo contar que o Pontello, apesar
de toda a experiência que ele tem com esse assunto, ele não foi capaz de
prever que uma furadeira iria atrapalhar o nosso episódio aqui e a gente
teve que parar no meio da gravação, e ele teve que ir lá, como qualquer não
cientista de dados, pedir para o cara parar de usar furadeira, ele não
conseguiu fazer um modelo de petição para isso aí. Grande abraço,
Pontello.
Victor: Só uma… tem uma cena, lembrei, tem uma cena de um filme bem
legal do matemático John Nash, no filme que ele se apaixona pela esposa
dele quando ela está… tem uma obra atrapalhando a aula e ela vai lá e pede
pra parar. É claro que está no filme, não sei se aconteceu na vida real. “deixa comigo”, vai lá e…
Marcelo: Pontello já é comprometido.
Victor: Eu já sou comprometido, tomara que não tenha quebrado parte do
coração de ninguém com essa solicitação para parar de furar.
Marcelo: É isso aí pessoal, grande abraço.
Victor: Falou, valeu pessoal.

Descrição

Você faz apostas para o seu negócio ou traça planos bem embasados? Temos cada vez mais acesso a informação e diferentes formas e fontes de dados, portanto, é inconcebível fazer "previsões" e desenvolver estratégias baseadas apenas na intuição da equipe. Neste episódio, batemos um papo com Victor Pontello, Head of Data and Analytics na dti, sobre o que significa ser Data Driven, como ser orientado a dados na prática e por que isso é fundamental para a sobrevivência e progresso do seu negócio. Escute agora! Quer conversar com Os Agilistas? É só mandar sua dúvida/sugestão para @osagilistas no Instagram ou pelo e-mail osagilistas@dtidigital.com.br que nós responderemos em um de nossos conteúdos! See omnystudio.com/listener for privacy information.