Pedro: Bom dia, boa tarde e boa noite. Estamos de volta aos Agilistas. Dividindo os microfones aqui comigo novamente: Diulia Almada. Fala, Diulia.
Diulia: Oi, Pedro. Tudo joia? Bom estar de volta. Está sendo bom. Está sendo bem leve a gravação dos episódios.
PEDRO: Estão deixando a gente ficar, não é, Diulia? Então, deve estar dando certo.
DIULIA: A gente vai aproveitando. Até alguém mandar a gente sair, falar: “Não, vocês estão falando besteira”, a gente continua.
PEDRO: O Szuster chegar, pedir licença e falar: “Não, está tranquilo. A gente estava só cuidando da área aqui.” Mas vamos nessa. No episódio de hoje, a gente vai falar sobre o futuro, ou quase, do cenário das empresas que tem buscado cada vez mais algo, como uma profecia, para descobrir o que vai acontecer a seguir. O fato é que todo mundo quer tomar a decisão certa, não quer perder nada, e esse futuro é assustador. Então, é melhor saber que a gente pode tomar uma decisão com alguma segurança do resultado — se possível —, daí o desejo geral de investir em dados. Na verdade, investir é a parte mais fácil, vamos dizer entre aspas — estou fazendo aspas aqui —, difícil mesmo é usar bem os dados, e a gente escuta muito isso nas empresas: “Investimos em sistemas de dados e não estamos tomando as melhores decisões.” Então, hoje, a gente vai falar sobre isso: Decisões; Data-informed ou tomada de decisão informada por dados. Para bater esse papo, trouxemos, literalmente, um time. Vou apresentar os nossos convidados. Ou melhor, vou deixar que eles contêm um pouquinho da história deles. Vamos começar pela Marina Rezende, a Nina. Fala, Nina.
MARINA: E aí, gente, tudo bem? Boa tarde. Prazer em estar aqui no podcast de novo, eu já até conversei com a Diulia aqui, em outros episódios. Eu atuo na DTI como Product Manager e estou na DTI há seis anos; há quase três, atuando como Product Manager. Eu sou apaixonada por dados, tenho vários livros, inclusive, de métricas, data science, etc. Então, realmente, esse é um assunto que eu gosto de falar. Espero que a gente traga informações legais para todo mundo.
PEDRO: Show. Vou querer ouvir um pouquinho da sua rotina de Product Manager, de interface com dados. Com certeza, a galera vai querer ouvir. Mas vamos lá. Cecília.
CECÍLIA: Oi, pessoal. Tudo bem? Prazersão em estar aqui com vocês. Eu, assim como a Nina, também sou Product Manager na DTI. Estou há menos tempo — estou mais tímida, a Nina é mais velha de casa —, estou aqui há dois anos e meio. Tenho um background de engenheira, sou engenheira química — botina no pé. Eu tenho uma grande afinidade com números, dados, cálculos, análises. Então, acho que a gente está em casa aqui, hoje, para falar um pouquinho desse assunto. Prazersão.
PEDRO: Boa, Cecília. Já me responde essa: para trabalhar com dados, tem que ser estatístico? matemático?
CECÍLIA: De jeito nenhum. A gente vai falar um pouquinho disso, tem que ter muitas coisas. Isso, é lógico, que ajuda um pouquinho, mas, com certeza, não é um pré-requisito.
PEDRO: Show, estou ansioso para saber quais são. Mas vamos lá. João Victor. Também está aqui com a gente.
JOÃO: É a primeira vez aqui, também, com a turma. Boa tarde para todo mundo. Cecília falou dois aninhos e meio; a Nina jogou a idade de DTI lá em cima; então, eu sou o mais novinho, estou fazendo quase dois anos. Estou atuando como DL, agora, no squad, mas foi basicamente meio a meio: um ano como Dev, como dot.net e, agora, um pouquinho mais nesse contexto de dados.
PEDRO: Legal, gente. Sejam bem-vindos aos Agilistas. Galera, é o seguinte: os dados são o novo petróleo, estão cada vez mais populares e é quase que obrigatória a tomada de decisão baseada em dados. Muitas empresas já se chamam de data driven. Então, vamos começar pelo conceito: o que é ser data driven? Estou jogando para o time, para quem quiser pegar essa.
CECÍLIA: Essa a Nina estava ansiosa para responder. Pode ir, Nina. Você mandou lá: “Essa tem que ter.”
MARINA: Data driven, a gente usou durante muito tempo, eu acho que, como sinônimo para: “A gente olha de alguma maneira para dados.” Agora, se, realmente, toma as decisões baseadas neles ou não, a gente não sabe dizer exatamente. A gente faz uns dashboards aqui, outros dashboards ali, e a gente é data driven; só que não, necessariamente, ser data driven é isso. Ser data driven, é, realmente, você tomar a decisão baseada em dados, tipo: temos duas opções de botões na tela; os dados estão falando que esse botão aqui teve a melhor conversão; então, é isso que a gente vai colocar no sistema, é isso que a gente vai colocar no nosso produto. Depois, a gente pode extrapolar para os outros conceitos do que diferencia data driven de data-informed, etc, mas data driven, para mim, é isso.
CECÍLIA: Você olha ali o número e ele já te dá a resposta. Eu acho que, no final das contas, o data driven — na visão que eu tenho, do que a gente olhou aqui um pouco — é você olhar para aquele resultado e não ter dúvidas. Quando a gente olha para alguns outros conceitos também, a gente vê muito relacionado, o data driven, com análises um pouco mais preditivas, a você obter uma grande quantidade, por exemplo: de um histórico de dados. Através desse histórico de dados, você tem uma quantidade relevante de dados, que você consegue através deles, fazer análises preditivas. Você consegue através daquela informação já existente, daquele valor que você tem ali, tentar prever algum cenário, por exemplo: previsão do tempo, etc. São aqueles cenários que — eu enxergo muito dessa forma — quando você olha e tem uma certeza: é aquele número. Esse exemplo que a Nina deu, é um exemplo, para mim, muito bom. Por exemplo, estamos com dúvidas sobre uma funcionalidade x, se a gente quer lançar essa funcionalidade com o botão do lado esquerdo ou do lado direito. Vamos fazer um teste A/B, rodar e ver onde a gente vai colocar esse botão. A gente viu, através desse lançamento, que a conversão maior que a gente teve… dentro daquela funcionalidade, a gente obteve um resultado esperado melhor com o botão do lado direito. Então, aquilo ali não tem muita discussão: o botão do lado direito levou a uma conversão 70% maior. Não tem o que você discutir, é aquilo e ponto final. Está preto no branco, não tem muito o que se debater, vamos dizer assim.
JOÃO: O próprio nome já fala: dirigido por dados. Então, você pega a mão daquilo ali e vai embora, com base, óbvio, na análise, mas também confiando bastante no resultado do que está vindo.
MARINA: Não dá para confiar sempre. Pode dar ruim.
DIULIA: Pois é. Já entrando nessa lógica — porque até no nome do episódio, a gente está falando de data-informed ao invés de data driven —, acho que seria legal conversar um pouquinho sobre a diferença dos dois termos. Vocês mesmos comentaram sobre o fato de, no caso o data driven, ser muito direcionado para o resultado que o número traz e isso já consegue orientar a tomada de decisão. Em alguns casos, a gente tem contextos um pouco mais complexos, em que só o dado, sozinho, não consegue trazer a resposta de imediato para a gente poder virar e falar: “É isso, pronto e acabou.” Então, onde entra o data-informed?
MARINA: Eu posso começar a discussão contando o exemplo que eu vi? Foi de um executivo da Amazon Prime, que ele fez um teste: produziu oito pilotos de séries — era um piloto para cada aposta de série na Amazon; colocou esses episódios gratuitamente; analisou 8 milhões de dados; para chegar a uma conclusão, que ele deveria produzir uma série de comédia sobre quatro senadores republicanos. Alguém conhece essa série aqui?
CECÍLIA: Não.
PEDRO: Não, fiquei vasculhando aqui… Olha que eu sou viciado em séries.
MARINA: A série se chama Alpha House — nunca tinha ouvido falar também — e foi data driven. Segundo os dados dele, era para ele ter produzido uma série sobre quatro senadores republicanos, que ninguém hoje conhece. Então, falhou.
DIULIA: E, potencialmente, seria um grande sucesso, não é?
MARINA: Sim.
CECÍLIA: Fica a pulguinha atrás da orelha: por que falhou, se é data driven?
DIULIA: Exato.
MARINA: Eu acho que é nisso que entra o data-informed: usar os dados para poder guiar a experiência que a gente tem no ramo. Se for pensar — eu nem tenho tanta experiência assim no ramo — mas uma série de senadores republicanos, é uma coisa interessante mesmo? Não parece ser interessante. Então, será que a gente deveria realmente fazer isso? ou deveria ser algum documentário político — que está em alta? Tem vários documentários sobre episódios da história, que aconteceram por aí, e várias pessoas assistem hoje. Baseado nos dados, talvez, de que muitas pessoas assistiriam uma série política de republicanos, junto a essa experiência, talvez tivesse saído uma outra série, que talvez tivesse bombado mais.
JOÃO: Nina, você colocou um negócio interessante. A questão de ser data driven é talvez você não ter esse viés por trás, como você citou no exemplo: eles estavam corretos em achar que essa série faria sucesso, porque a maioria das pessoas a formúla que eles colocaram para amostra seria clicar, ou assistir por mais tempo, ou alguma coisa nesse sentido. Só que no data-informed, você já tem essa questão do know-how — que é o conhecimento anterior daquilo. Você mesmo comentou: “Acho que ninguém assistiria uma série dessa.” Esse assunto deve ser extremamente chato para ter uma série, sem ser um documentário. Acho que vai muito do gosto da pessoa.
PEDRO: É o clássico: coletar muitos dados, mas também fazer mal uso deles. Acho que é isso que precisa melhorar. Não deixar escapar o contexto, ter uma awareness do que está envolvido. A decisão no fim, inclusive, é tomada por nós mesmos, não pela máquina. Ter só um dado ali não resolve o problema, não é isso?
CECÍLIA: O data-informed vem, justamente, para isso: não olhar o dado de forma isolada. É a gente olhar para o dado de uma forma intuitiva, levando em consideração as experiências que a gente tem e um pouco da nossa intuição. Isso é uma coisa que eu acho muito legal, porque cada um tem um background, uma experiência, uma vivência. Então, sabe aquela coisa no dia a dia, que a gente estala e fala assim: “Eu sei que isso está me falando uma coisa, mas a minha intuição está me falando que eu tenho que olhar para o outro lado.” O data-informed permite que você tenha essas hipóteses: “Eu estou vendo isso aqui, mas eu acho que eu deveria ir mais a fundo em outros assuntos, eu deveria me aprofundar um pouco mais nisso.” Então, não é o dado de forma isolada, ele leva todo esse contexto, todas essas outras coisas, todo esse universo. Isso que eu acho muito bacana do data-informed, que leva experiências… enfim, todos esses pontos.
JOÃO: É meio que dados coletados de outras fontes, questão de espaço geográfico, a classe das pessoas que vivem ali, a situação delas, o momento político do país. Acho que tudo conta. No final das contas, a resposta de uma coleta de dados tem que ser analisada junto a outras coletas, a outras análises.
DIULIA: Assim, até nessa lógica, falando das possibilidades que a gente tem de lidar não só com os dados, acho que a gente precisa contar com o fato de que os dados vão falar do que já existe. Na maior parte das vezes, a gente também pode utilizar para validar hipóteses que a gente identifica de possíveis caminhos que a gente vá seguir, para frente. Mas a gente tem que olhar para tudo? quanto mais dados, melhor? Qual é o limite disso? quanto que a gente consegue aproveitar dos dados? quanto que isso toma da rotina do time, do dia a dia, das tomadas de decisão?
JOÃO: Esse ponto é bem legal. Quando eu li essa primeira parte: “Será que a gente tem que olhar para tudo?” Eu falei: “Deve ser uma maravilha conseguir gerenciar e medir tudo do seu produto para você saber certinho.” Depois, eu comecei a pensar mais na questão: “Imagina o esforço que você vai ter que despender para analisar cada um desses pontos também.” Será que tudo é relevante nesse contexto? Será que isso, realmente, vai me dar um norte? Ou igual no caso que a Nina trouxe: saber quantos pessoas assistiram. Para a Amazon, só trouxe uma tomada de decisão ruim; não foi positiva, no final das contas.
CECÍLIA: Eu acredito também que, antes de a gente começar, absolutamente, qualquer análise da nossa vida — do nosso produto, acho que isso serve para tudo —, tem que pensar: “Quais perguntas eu quero responder?” Se a gente não sabe quais perguntas a gente quer responder, qualquer dado vale, qualquer informação está valendo; você corre o risco de ter 1 milhão de dados e de se perder naquela imensidão de dados, e não ter nenhuma resposta — você pode ter um dado que invalida o outro e não conseguir aquela resposta que você quer obter. Então, antes de começar esse processo de quais dados eu vou coletar… vou começar um processo de coleta de dados. A gente tem que dar um passo para trás e pensar em quais perguntas eu quero responder; para depois, saber quais dados eu quero coletar, para não cair na armadilha de ter 1 milhão de dados, senão você não vai ter nenhuma resposta. Você vai ser uma pessoa que tem aquela imensidão de dados que não responde nada. A gente cai muito nessa armadilha: “Eu tenho vários dados.” Mas quais conclusões você está chegando com esses dados? As suas conclusões estão coerentes? Elas estão te levando a mais hipóteses, a validar essas hipóteses ou invalidá-las? Eu acho que a gente tem que saber direitinho quais são as perguntas que a gente quer responder e, através dessas perguntas, quais são as métricas que a gente quer validar. Idealmente, em algumas pesquisas, eu acho que o máximo de métricas que a gente tem que ter são cinco indicadores. Mais do que isso, eu acho que já corre o risco de a gente se perder e ficar correndo atrás do rabo.
PEDRO: Eu adoro falar de coisas que deram errado. Eu já vi vários times que se apegam muito, por exemplo: no teste A/B — é muito isso que você está falando, Cecília. Faz milhões de teste A/B — teste A/B como resposta para tudo —, mas não tem nem a hipótese levantada daquilo que quer validar com o teste A/B que está fazendo. Bandeira vermelha total.
CECÍLIA: Pedro, eu já fui essa pessoa. Uma vez, eu entrei em desespero e falei: “Meu produto está sem métrica. Não tem métrica, não tem nada. Estou no fundo do poço.” E comecei a pegar tudo — põe aqui; põe métrica aqui; quem usou esse filtro; quem fez isso; quem fez aquilo — De repente, eu tinha uma imensidão de coisas. Eu olhava para aquilo e pensava: “E agora, o que eu faço? Qual o meu próximo passo?” Eu fiquei paralisada, eu não sabia o que fazer. Então, eu tive que dar muitos passos para trás e pensar: “Beleza, agora eu tenho isso tudo. Está instrumentalizado — pelo menos, isso. Mas para onde vou olhar para tomar a decisão?” Porque eu não conseguia tomar a decisão. Eu tinha aquilo tudo, mas não estava me servindo, na prática da tomada de decisão, da análise que eu tinha que fazer, para nada. Então, você tem que ter a pergunta.
MARINA: Eu lembro que já conversei isso com você, em alguma outra oportunidade, dentro da DTI. Não sei se você vai lembrar. A gente estava conversando alguma coisa sobre a importância de instrumentalizar o produto desde o começo e eu estava, justamente, saindo de uma situação: a gente estava entregando o produto, só que a gente queria mostrar, inclusive, para o cliente que as personas para as quais tínhamos construído o produto não eram as personas que iriam utilizar o sistema. Mas a gente ficou maluco: “Tem que instrumentalizar tudo, tem que colocar tag em tudo.” Inclusive, cadastramos as tags incorretamente — foi esse o nosso ponto de mudança. Tinha umas 100 tags cadastradas erradas; tinha que finalizar o produto para entregar, para o cliente, os resultados; e eu, definitivamente, não tinha tempo para refazer o cadastro dessas 100 tags para conseguir analisar, etc. Foi quando eu fiz isso, que você falou; parei e falei: “O que eu preciso responder para o cliente para mostrar a ele os usuários que estão utilizando? Eu preciso ver quem passou o mouse nesse botão? É irrelevante. Então, para que eu vou deixar essa tag aqui?” Acho que de cento e não sei quantos, ficaram umas 30 tags para a gente acompanhar e chegar aos indicadores, para mostrar ao nosso cliente. Então, realmente, a pergunta inicial, acho que é uma das primeiras coisas que a gente tem que fazer — definir claramente que pergunta a gente quer responder. Eu acho que quando a gente não tem a pergunta, é outro tipo de data, que a gente estava falando até mais cedo: Data-inspired.
PEDRO: Nossa, mais um termo. Eu captei aqui alguns erros comuns que a gente falou ao tomar decisões baseadas em dados: não considerar o contexto e a intuição humana, e até profissional, de quem está tomando a decisão, também do time e das pessoas envolvidas; não focar nos objetivos que importam; e a ilusão de já saber tudo simplesmente por ter volume de dados nas mãos. Falei tudo? Tem mais?
CECÍLIA: Eu queria adicionar mais um. Quando a gente está falando de data-informed — a gente falou que não é só dados, que tem intuição e tem experiência —, eu acho que a gente corre um risco da nossa argumentação não poder ser descredibilizada, de começar a ter uma narrativa que pode não ser verdade e cair em uma coisa que pode alimentar o nosso ego, de transformar aquele dado em uma narrativa que nos beneficia. Por exemplo: Eu quero que o resultado seja esse. Então, eu vou pegar esse dado e considerar essas outras coisas que estão ao redor do dado — às vezes, a gente faz isso sem perceber. Não estou falando que é intencional, não. Por isso que a gente tem que ter essa análise muito crítica, para não deixar que essas análises sejam análises que, no fim das contas, alimentem o nosso ego. Elas são difíceis de ter uma contradição, porque eu vou chegar para você e dar um argumento baseado na minha experiência, na minha intuição. Eu tenho ali um dado — ele foi direcionado de alguma forma para um dado —, mas eu estou validando ali uma hipótese, e tem um pouco de viés. Eu acho que, no fim das contas, pode conter um pouco de viés, mas a gente tem que tomar cuidado para que essa argumentação não esteja ali para nutrir o nosso ego. Então, vai em alguém que você confia, uma dupla sua, no DL, no Design, em uma liderança, e fala: “Você acha que eu estou viajando? Você acha que eu estou nutrindo meu ego com isso aqui? O que você acha?” Eu acho que, muitas vezes, a gente corre um risco muito grande de estar simplesmente criando uma narrativa para alimentar uma coisa que a gente acredita. Sabe aquela coisa que a gente acredita fielmente: Esse produto tem que ter isso; essa feature tem que existir — às vezes, não tem. É só uma vontade nossa, que está ali no nosso coração, e a gente precisa de alguma coisa que confirme, e a gente se apega naquilo. Então, acho que tem que ter muito cuidado com isso também.
PEDRO: Gente, desculpe a ignorância. Isso é o viés de confirmação? Já fizemos episódios sobre isso, não é, Diulia?
DIULIA: Já. Inclusive, eu diria que a questão do ego tem as famosas métricas de vaidade, que normalmente a gente vê muito atreladas ao engajamento, mas que, também, a gente pode expandir um pouco para cá, para o cenário. É, justamente, o viés de confirmação, que é quando você já meio que sabe o que você quer e fala: “Me deixa achar uma justificativa que sustente.” — existem até livros muito legais sobre esse tipo de abordagem. Dá para poder mentir com dados também. Não é porque está com dados, que é uma verdade posta e “caramba, estamos aqui.” Isso até já linka com a próxima pergunta que eu queria fazer: quando a gente está falando sobre tomada de decisão baseada em dados — acho que é uma pergunta que já meio que tem resposta —, a gente não está falando, necessariamente, sobre tomadas de decisão que são neutras? Como que isso é visto hoje? Quanto que vocês acreditam que as pessoas são conscientes de que o dado precisa de alguém que vá trabalhar em cima dele e essa pessoa por si só — igual vocês já comentaram — tem um repertório? Como vocês veem essa relação do fator humano, desse possível viés?
JOÃO: Eu acho que até o uso desses outros nomes — além do data driven, tem o data-informed, tem o data-inspired —, acabam se tornando uma opção para esses modelos que a gente tem. Então, eu não vejo como algo ruim, mas eu acho que a gente tem que pegar isso que a Ceci comentou também: não deixar se enviesar demais; não se apegar a primeira confirmação que aparecer ali e já abraçar ela, e seguir o mundinho do que você acredita e ponto. Enquanto no data driven, a gente tenta fugir desse viés, tenta ser meio fechado a esse resultado; nesses outros modelos, principalmente no data-informed e no data-inspired, a gente tem a liberdade de ter esse viés, tem a oportunidade de usar as experiências, justamente, para essa tomada de decisão ser mais assertiva.
DIULIA: A gente já citou data-inspired duas vezes aqui e a gente não falou sobre o que é esse danado. Vocês querem apresentá-lo? Quem é? Para que serve?
MARINA: Eu entendo data-informed como não ter uma hipótese. É um cenário que a gente não tem uma hipótese inicial, do tipo: “Quero testar isso.” É um cenário que você tem vários dados de um cliente, por exemplo, de uma loja; essa fonte de dados é misturada com outra fonte de dados; você olha como esses dados se interagem; e a gente chega em uma possível inovação para o produto. Então, eu vejo o inspired bem mais aberto, bem mais difícil de trabalhar, porque não tem esse direcionador no início: “É isso que a gente quer descobrir.” A gente sabendo o que quer descobrir — a direção que a gente quer seguir —, a gente já consegue definir a fonte, quais dados a gente vai buscar naquela fonte e o que a gente vai fazer de predições usando aqueles dados ali. O inspired é um pouco mais incerto, pelo que eu entendo.
DIULIA: Daria para dizer que ele é um pouco mais exploratório. Você não chega com um ponto delimitado, que você quer saber a resposta, você começa a correlacionar o que tem ali de dados disponíveis para começar a traçar hipóteses a partir deles.
PEDRO: Gente, eu queria fazer uma pergunta. Na verdade, voltar lá no início, naquele momento introdutório. Vocês, pessoas de Produto, que trabalham com dados, como é o dia a dia? Vocês acordam, colocam dados na xícara e tomam uma decisão todo o dia? Queria entender um pouquinho dessa rotina.
CECÍLIA: É assim mesmo — só que não. Esse é o mundo ideal, Pedro, só que a gente não vive nele. Na verdade, quanto mais a gente consegue trabalhar com dados… acho que, realmente, é o cenário ideal, mas nem sempre a gente vai conseguir. Por exemplo: o cliente que eu estou atendendo no momento, a gente está no cenário de MVP. Então, eu estou em um momento que eu não consigo ter o tanto de dados que eu preciso, eu tenho os dados que o cliente me forneceu sobre o cenário que ele tinha e o porquê ele quer desenvolver o produto. Eu ainda não tenho os dados de uso, eu tenho muito mais a expectativa. Eu estou setando o produto para atender àquelas expectativas. Você lembra do que a gente falou mais cedo? A gente falou: “Quais perguntas eu quero responder?” Então, eu ainda estou nessa fase de setar quais perguntas eu quero responder para a instrumentalização e depois passar a analisar. Mas partindo do cenário, em que a gente tem essas perguntas — que a gente já sabe quais vão ser respondidas —, eu acho que a gente tem que ter esses momentos de foco. Eu gosto muito de trabalhar com ciclos. A gente tem que saber que a gente é humano, e a gente nunca vai conseguir olhar para tudo ao mesmo tempo. Então, por exemplo: se você está em um ciclo, em que o importante para você agora é o crescimento do seu produto, você vai olhar para aquelas métricas que estão relacionadas ao crescimento e que impactam o crescimento do seu produto naquele momento. Você vai ter aquelas métricas, que são as principais, mas, obviamente, você não vai esquecer das outras. Você tem as métricas principais do seu produto, que tangem ele como um todo, que são as mais relevantes, mas é legal você sempre estar com aquilo ali no radar. “Lancei uma feature nova.” Toda vez que a gente vai lançar uma feature nova: “O que eu espero com esse lançamento? Depois que eu lançar essa feature, vai impactar o quê? Qual o resultado esperado?” A gente, às vezes, acha assim: “Lancei uma feature, foi para produção, acabou. Está entregue.” Não é assim. “Impactou o tanto que eu esperava? Se não impactou, por que não impactou? Volta.” Então, acho que a gente tem que lidar com dados no dia a dia nesse sentido. Você tem os principais, que você está acompanhando, do seu produto, globalmente; mas a cada featurezinha que você está ali lançando, você tem que saber o impacto que ela está causando e se era o impacto que você esperava, ou não, dentro do produto.
MARINA: Ceci, até o que vai fazer depois. Tem que ser acionável. “Vou ver aqui quem está acessando o meu sistema e se está tendo a conversão x para quê? Que tipo de decisão eu vou tomar? Se tiver tal resultado, então eu vou ter tal ação; vou mudar um fluxo; vou propor outro produto; enfim, o que eu vou fazer depois dali?” Tem que ser acionável, no sentido que: depois que você analisar, você tem que ter uma ação em cima daquilo que você avaliou.
CECÍLIA: Exatamente. Uma coisa que eu gosto de fazer disclaimer bem grande é porque, às vezes, quando a gente dá exemplos de produto como um todo — isso é uma dor que eu sinto —, quando a gente vai falar, a gente sempre fala de produtos grandes, que tem muitos usuários, mas, às vezes, a gente tem produtos que são menores, são produtos internos, são produtos focados na produtividade de colaboradores de grandes e pequenas empresas. Então, para a gente metrificar, saber os dados desse produto específico, muitas das vezes, a gente tem que fazer um acompanhamento do lançamento com esses usuários principais. Vamos supor com vocês todos que estão aqui: eu lancei uma feature — eu como uma pessoa de Produto — e vocês são os meus usuários. Será que eu, realmente, preciso ter um processo super burocrático para saber se estão gostando do produto? se estão gostando e interagindo bem com a feature? Será que eu não consigo um tempinho, ligo meia horinha para cada um e vejo como vocês estão interagindo? Às vezes, a gente lá na frente deixa o processo superburocrático, e ele pode ser mais simples. Muitas vezes, os exemplos são de produtos muito grandes; mas os produtos com menos usuários, às vezes, podem ser até mais simples de fazer esse dia a dia — esse contato —, de ser data-informed e data driven.
PEDRO: Vocês falaram muitos exemplos de contextos e eu achei interessante: como que o dado é aliado de vocês no convencimento do negócio, dos clientes? qual é o papel? é uma ferramenta, um instrumento ou é o protagonista do que vocês levam? como é?
DIULIA: Acho que até completando: como ele entra na rotina, na discussão? Todo o dia vocês falam: “Bom dia. Olha esse dado.”? ou não?
PEDRO: Essa é a minha pergunta. “Bom dia. Toma um dado aqui.”
DIULIA: Tipo isso. Ou tem algum rito do time? Como funciona?
JOÃO: Quem dera, de vez em quando, poder entrar em uma reunião assim, já dando bom dia e mostrando ao cliente: “Olha que maravilha que a gente conseguiu.”
PEDRO: Se for para dar notícia boa, João, aí sim.
JOÃO: Com certeza. Mas, de toda a forma, principalmente falando do meu ponto como Dev, eu vejo que ajuda muito a ganhar — não no sentido de ganhar discussão, de embate —, mas te dá uma confiança muito grande. Igual a Ceci, como pessoa de Produto — a Nina também —, quando eu comecei a entrar nesse mundo — meio que lutar com esses dados, tentar extrair alguma informação —, eu me sentia meio pequenininho na hora de entrar em uma reunião. Mas, justamente, por ter aquela informação, ter extraído aquele dado, ter tido um resultado, na hora que você entra para conversar com um cliente — e até tentar mostrar para ele um ponto: “Porque esse caminho eu acho que a gente não deveria seguir.” —, não vem de você, vem daquele dado. Então, você meio que tem um respaldo. Eu acho isso muito foda. Eu gosto muito quando tem esse background, que você pode se apoiar nisso. A gente tenta, pelo menos, entrar em todas as reuniões com alguma coisa assim.
MARINA: Acho que, muitas vezes, o cliente até espera que a gente leve isso para ele. Igual o João falou, não é uma questão de a gente estar tentando convencer ele de alguma coisa. Na verdade, a gente está colocando na mesa o que encontrou de informação ali: “Gente, a gente está anotando isso daqui. O que vocês imaginam que possa ser?” Inclusive, essas pessoas, às vezes, conhecem muito mais do ramo…
PEDRO: Do negócio específico.
MARINA: …do negócio específico muito mais que a gente. A gente tem que construir com eles, o dado ali não é só para a gente ficar tentando provar o nosso ponto. Se a gente for para esse lado, a gente entra nessa espiral — que a Ceci falou mais cedo — de querer provar sempre o nosso ponto, querer alimentar o nosso ego; e, na verdade, o dado está ali para ajudar a todo mundo. Igual, recentemente, em um cliente com quem eu trabalhei — junto até da Growth, que atuava junto com a gente —, a gente fez uma análise para ver qual era o tipo de cliente que o nosso cliente atendia. A gente percebeu que a gente tinha usuários ali para tentar atender, que poderiam dar um retorno muito legal para eles — para o nosso cliente, que a gente atendia aqui como DTI. Foi muito legal, porque, inclusive, foi um direcionamento que o negócio acabou seguindo. Mesmo não continuando o produto com a gente, eles falaram — eu fiquei muito feliz na hora que eles falaram isso: “A partir de agora, a gente tem que pensar assim. Assim que a gente tem que pensar mais para frente.” Então, foi um insumo que a gente levou para eles, que ajudou em uma tomada de decisão.
PEDRO: Muito legal. Vocês conseguiram transformar até a forma de pensar, de agir, de trabalhar com dados — o que, na verdade, é um cenário ainda muito comum. Muitas empresas passaram pela transformação de um momento mais recente; no pós-pandemia — durante a pandemia —, uma pressão para acompanhar. Então, para um time que nunca trabalhou tomando decisões baseada em dados, ou que vem de um modelo, talvez, um pouco mais antigo, essa pergunta é o seguinte: eu e a Diulia, a gente está em uma pegada de primeiros passos — tudo a gente pergunta: “Por onde começar, então?” Então, nessa linha, para esses times que estão começando: o que poderia ser um primeiro passo? Por onde a gente pode começar?
JOÃO: Eu acho muito interessante sempre começar por discovery e experimentação. Acho que a Nina comentou até sobre a questão do próprio cliente ser um indicador de estar fazendo alguma coisa certa ou não — dele te ajudar nesse ponto, quer dizer. É com o processo de descoberta mesmo, de investigação, que você vai conseguir entender quais pontos no seu produto — seja no desenvolvimento do produto, na usabilidade dele — você está pecando para poder corrigir. Talvez gerar um insight diferente para trazer uma feature nova. Principalmente, para quem está começando, levando nesse sentido dos primeiros passos: é experimentação, porque você tem que errar para poder acertar depois.
CECÍLIA: Eu acho que a gente como Produto, só está dentro de algum negócio, atendendo algum cliente, porque a gente tem que gerar algum impacto de negócio. Então, eu gosto bastante de a gente tentar imaginar qual é o impacto de negócio que a gente está gerando. Isso tem que estar muito claro na nossa cabeça. “Esse produto que eu tenho aqui, focado em produtividade, eu acredito que…” — às vezes, desenhar até nesse formato de hipótese — “…ele está economizando duas horas de trabalho desse analista, que fazia esse negócio em tanto tempo.” “Acredito que essa próxima feature do meu backlog…” — às vezes, não olha para trás, não. O que está para trás, está para trás — “Então, eu acredito que essa próxima feature do meu backlog, eu quero começar hoje. Eu vou lançar e vai gerar tal impacto.” Vê se aquele impacto, realmente, vai ser gerado. “Não sei qual impacto que vai gerar, eu só acho que vai ter uma economia de tempo.” Lança ela e ver qual vai ser a economia de tempo real, se vai ser um minuto, se vai ser dez, se vai ser uma hora. Começa ali daquele espaço e tempo que você estará e vê como você impactará aquele negócio positivamente. Acho que esse é um lugar bastante legal de a gente começar. Quando eu tenho essas conversas com o cliente, quando a gente leva… eu já tive esses dois tipos de conversa: “Vamos lançar essa funcionalidade ou não baseada no histórico que a gente tem.”; “Não vamos desenvolver esse tipo de gráfico, porque a gente não teve utilização nos últimos similares. Vamos lançar esse outro, porque a utilização foi bem maior.” Só que todas as vezes que a gente leva métrica de negócio, ela impacta muito. “Olha, aumentamos aqui tanto por cento da aderência.”, “Conseguimos produzir tantos por cento a mais.”, “O orçamento está mais aderente.” Isso impacta muito, então acho bem legal a gente conseguir fazer essa relação. Eu começaria a fazer um rascunho por aí.
MARINA: Ceci, você falou de um ponto aí. Eu acho que vale a pena olhar para os dados que a gente já tem disponíveis com a gente (inint) [00:39:06]. Ao invés de ficar igual a Nina e a Ceci cadastrando um tanto de tag, instrumentalizando os produtos dos pés à cabeça…
CECÍLIA: Não façam isso.
MARINA: …olha para o que você já tem, o que já está instrumentalizado, e tenta analisar aquilo primeiro para — óbvio, se fizer sentido com a pergunta que você quer responder — depois, evoluir. Enfim, não sei se era nesse sentido que vocês estavam perguntando: “Eu quero começar a trabalhar com dados.” A gente até começou a falar sobre isso de: “Trabalhar com dados, é preciso ser engenheira química, engenheira de produção…” Gente, eu sou psicóloga de formação, então eu acho que o que precisa ter é curiosidade. Para mim, aqueles papos de coach: “A curiosidade é…” Eu estou brincando. Mas eu acho que isso é importante, porque se você não é curioso sobre o que você está produzindo, sobre o produto que você está ajudando o cliente a construir, eu acho que não adianta. Você pode fazer faculdade de Ciência de Dados que você não vai conseguir ir para frente. Você tem que, realmente, começar a viver o mundo do negócio, entender o que é importante para ele, para poder avançar. Enfim, tem vários cursos de dados, tem livros sobre dados. Acho que é buscar por eles. Tem podcast que fala sobre dados.
DIULIA: Acho que já vale — até com essa fala da Nina — a gente emendar na última pergunta. A gente falou dos primeiros passos. Tem os primeiros passos que é, realmente, de conseguir aplicar dentro do contexto, mas tem uns primeiros passos que são, talvez, anteriores: como eu busco conhecimento? O que é importante buscar para ter uma base que me possibilite lidar com dados? Falando, inclusive, de pessoas que não necessariamente — igual a Nina comentou — durante a formação tiveram a oportunidade de correlacionar com os dados, lidar com estatística. Enfim, o que vocês indicariam?
CECÍLIA: Vai, Nina. Sua biblioteca aí atrás de você. Começa.
MARINA: Vamos pegar aqui a biblioteca. A gente tem: Métricas de Marketing; Business Intelligence e Análise de Dados — esse foi um que me indicaram muito e falaram que era muito interessante —; tem o Data Science para Negócios, que é do Foster Provost e Tom Fawcett.
JOÃO: Para quem não está vendo, a Nina tirou, literalmente, três bíblias do armário.
PEDRO: Livros grandes, viu?
MARINA: Baixa um Data Studio, baixa uma base de dados da internet e começa a fuçar ela, começa a tentar entender o padrão dela. Tem Data Studio, tem Tableau, tem o Amplitude tem tantos programas que você consegue usar e começar a explorar. Faz um projetinho paralelo de tentar entender dados. Às vezes, com coisas simples. De vez em quando eu vou para Varginha, que é a minha cidade, e a minha mãe e a minha irmã tem uma produção de leite e de iogurte. Eu fico: “Vamos tentar aumentar essa produção. Vamos fazer mais posts no Instagram. Vamos ficar mais ativos no Instagram para ver se aumenta.” Fizemos essa experimentação e elas estão lá dobrando a produção. Então, começa com exploração mesmo de coisas pequenas; começa a ver umas videoaulas gratuitas. Nem sempre a gente tem o dinheiro para investir em um curso caro para poder aprender passo a passo — temos também vários desses cursos no mercado —, mas dá para a gente começar simples no começo e depois ir evoluindo.
CECÍLIA: E começar a olhar no dia a dia, não é, Nina? Acho que você deu um exemplo tão bom. Esse negócio do post do Instagram, eu tenho certeza de que a maioria das pessoas que estão nos ouvindo tem um Instagram. Se você for no Instagram e abrir as métricas do Instagram, já dá para ter um ensaio, para ver o alcance que você tem; para ver quantas curtidas e compartilhamentos — não se apeguem a isso, pelo amor de Deus. É só para ter uma noção. Na nossa vida, a gente é rodeado por dados. Então, começar a olhar as pequenas coisas, no dia a dia. Quando eu comecei a estar mais imersa nesse mundo de dados, essas ferramentas me ajudaram muito — essas que a Nina falou: o Tableau, o Data Studio —, mas com um Excel, a gente já consegue fazer bastante coisa. Então, vai olhando. Tem muita coisa disponível no Youtube mesmo. Então, quer começar a mexer? Eu acho que é muito democrático esses primeiros passos e a gente consegue achar muito conteúdo disponível.
MARINA: Gente, eu posso falar um último livro? Eu falei vários, mas tem um que está no Kindle.
PEDRO: Claro.
MARINA: O primeiro produto de dados que eu fui trabalhar, foi o primeiro livro que eu li e abriu a minha mente. Então, agora, se eu fosse indicar um, começa por ele, que é o Storytelling com Dados. Ele é muito bom. Se você começar por ele, ele vai abrir a sua mente e você vai para os outros caminhos com mais facilidade. Acho que vai ser legal.
PEDRO: Adorei as dicas. Dos criadores de Product Science, vem aí: Data Science — o lançamento de dados. Muito bom. Para todos, eu tentei coletar uma máxima aqui de tudo que vocês falaram, vejam se eu estou viajando: Não começar apenas procurando por respostas, mas tem que aprender a fazer as perguntas. Correto?
JOÃO: Correto.
PEDRO: Show. Diulia, antes de a gente encerrar, não sei se alguém quer comentar mais alguma coisa.
DIULIA: Eu só ia comentar que você está ficando profissional em análises e sínteses. É uma pessoa que consegue fazer resumos, que o pessoal fala assim: “Pega ali três reais e não sei o que…” Ele fala: “E se eu juntar nessa frase aqui quatro palavras em uma frase só?” É isso. Parabéns.
PEDRO: Que isso, obrigado. Quinto episódio já, Diulia, a gente vai ganhando prática.
DIULIA: Melhoria contínua.
PEDRO: Diulia, você me autoriza a citar mais um TED? Para a gente encerrar.
DIULIA: Claro.
PEDRO: Eu falei que eu ia citar vários TEDs ao longo do…
DIULIA: Se não citar TED, não faz sentido a participação.
PEDRO: Eu anotei, na verdade, inclusive de quem que é, porque as pessoas começaram a me xingar, porque eu falo: “Eu vi um TED.”, mas eu não falo qual vídeo. Então, eu vi esse TED, recentemente, é de um editor de dados do jornal The Economist — eu não lembro o nome dele —, mas o vídeo chama-se Big Data is Better Data. Então, quem quiser conferir, está no TED Talks. Ele falou uma frase que eu achei muito interessante que: “No passado, muitas vezes, a gente olhava para a tecnologia da informação e nossos olhos só viam um T, de tecnologia. Agora, a gente precisa colocar a nossa atenção no I, de informação, que é menos tangível, mas em vários aspectos, muito mais importante.” Legal, não é?
DIULIA: Caramba.
PEDRO: Assistam lá, é muito legal esse TED.
DIULIA: Sensacional. De praxe, acho que estamos nos encaminhando para o final e fica aqui o recado de sempre, que a gente pede para que vocês interajam com a gente nas redes. É uma forma de a gente conseguir ampliar esse diálogo que a gente está tendo aqui. A gente fala bastante durante o podcast, mas a gente quer ouvir vocês também. Então, com alguma frequência, a gente está criando pastinhas de perguntas; a gente está pedindo que vocês, realmente, contêm o que querem ver, como vocês querem ver, como a gente poderia ajudar vocês trazendo temas que sejam mais relevantes. Então, sigam a gente: @osagilistas, no Instagram. Também temos no LinkedIn. É isso, pessoal. Muito obrigada, Ceci; muito obrigada, Nina; muito obrigada, João, por todas as informações que vocês trouxeram, tudo que vocês acalentaram o coração de quem está começando a querer trabalhar… nem querer. Querer talvez seja uma palavra errada, mas para quem está precisando começar a trabalhar com dados. Acho que já dá para poder enxergar vários caminhos.
PEDRO: Isso aí, galera. Muito obrigado.
CECÍLIA: Tchau, galera. Obrigada. Até mais.
MARINA: Obrigada, gente.
