Ciência de dados e a arte da persuasão

A ideia em resumo O problema As empresas reagiram ao boom da análise contratando os melhores cientistas de dados que puderam encontrar, mas muitas delas não obtiveram o valor que esperavam de suas iniciativas de ciência de dados. A causa principal Para que um projeto de análise crie valor, a equipe deve, em primeiro lugar, fazer perguntas inteligentes, reunir os dados relevantes e descobrir insights. Em segundo lugar, a equipe deve descobrir - e comunicar - o que esses insights significam para a empresa. A capacidade de fazer as duas coisas é extremamente rara - e a maioria dos cientistas de dados é treinada para fazer a primeira, não a segunda. A solução Uma boa equipe de ciência de dados precisa de seis talentos: gerenciamento de projetos, organização de dados, análise de dados, especialização no assunto, design e narração de histórias. A combinação certa cumprirá a promessa da análise de uma empresa. A ciência de dados está crescendo rapidamente. Nos últimos cinco anos, as empresas investiram bilhões para conseguir que os cientistas de dados mais talentosos se instalassem, acumulassem zettabytes de material e o executassem em suas máquinas de dedução para encontrar sinais no volume insondável de ruído. Isso está funcionando - até certo ponto. Os dados começaram a mudar nossa relação com campos tão variados como tradução de idiomas, varejo, saúde e basquete. Mas, apesar das histórias de sucesso, muitas empresas não estão obtendo o valor que poderiam obter da ciência de dados. Mesmo as operações bem administradas que geram análises sólidas não conseguem capitalizar seus insights. Os esforços ficam aquém na última milha, quando chega a hora de explicar o material aos tomadores de decisão. Em uma pergunta da pesquisa de 2017 da Kaggle sobre cientistas de dados, à qual mais de 7.000 pessoas responderam, quatro das sete principais "barreiras enfrentadas no trabalho" estavam relacionadas a questões de última milha, não técnicas: "falta de apoio gerencial/financeiro", "falta de perguntas claras para responder", "resultados não utilizados pelos tomadores de decisão" e "explicar a ciência de dados para outras pessoas". Esses resultados são consistentes com o que o cientista de dados Hugo Bowne-Anderson descobriu ao entrevistar 35 cientistas de dados para seu podcast; como ele escreveu em um artigo de 2018 no HBR.org, "A grande maioria dos meus convidados me diz que as principais habilidades para os cientistas de dados são: .... a capacidade de aprender rapidamente e de se comunicar bem para responder a perguntas de negócios, explicando resultados complexos para partes interessadas não técnicas". Em meu trabalho como palestrante e consultor de grandes organizações sobre visualização de dados (dataviz) e apresentações persuasivas, ouço tanto os cientistas de dados quanto os executivos expressarem sua frustração. As equipes de dados sabem que têm insights valiosos, mas não conseguem vendê-los. Elas dizem que os tomadores de decisão não entendem ou simplificam demais suas análises e esperam que elas façam mágica, que forneçam as respostas certas para todas as suas perguntas. Os executivos, por sua vez, reclamam de quanto dinheiro investem em operações de ciência de dados que não fornecem a orientação que esperavam. Eles não veem resultados tangíveis porque os resultados não são comunicados em seu idioma. As lacunas entre os tipos de negócios e de tecnologia não são novas, mas essa divisão é mais profunda. Considere que há 105 anos, antes da codificação e dos computadores, Willard Brinton começou seu livro de referência Graphic Methods for Presenting Facts (Métodos gráficos para apresentação de fatos ) descrevendo o problema da última milha: "Vez por outra, acontece de algum membro ignorante ou presunçoso de um comitê ou de um Conselho Administrativo perturbar o plano cuidadosamente elaborado de um homem que conhece os fatos, simplesmente porque o homem com os fatos não consegue apresentar seus fatos com rapidez suficiente para superar a oposição.... Assim como a catedral está para sua fundação, uma apresentação eficaz dos fatos está para os dados." Os executivos reclamam que a ciência de dados não fornece a orientação que eles esperavam. Como essa música pôde permanecer a mesma por mais de um século? Como qualquer outra coisa tão profundamente enraizada, as origens do problema da última milha são múltiplas. Por um lado, as ferramentas usadas para fazer ciência incluem a funcionalidade de visualização. Isso incentiva a noção de que é responsabilidade do responsável pelos dados ser o comunicador. O resultado padrão dessas ferramentas não é compatível com uma visualização de dados bem concebida e totalmente projetada; a visualização geralmente não é tão bem desenvolvida quanto a manipulação de dados, e as pessoas que usam as ferramentas geralmente não querem se comunicar. Muitos cientistas de dados me disseram que desconfiam da visualização porque ela pode emburrecer seu trabalho e levar os executivos a tirar conclusões que desmentem as nuances e as incertezas inerentes a qualquer análise científica. No entanto, na pressa de contratar cientistas de dados em demanda, as organizações têm contratado as pessoas mais tecnicamente orientadas que conseguem encontrar, ignorando sua capacidade ou desejo (ou falta dele) de se comunicar com um público leigo. Isso seria ótimo se essas organizações também contratassem outras pessoas para preencher a lacuna - mas não o fazem. Elas ainda esperam que os cientistas de dados manipulem dados, analisem-nos no contexto do conhecimento do negócio e de sua estratégia, façam gráficos e os apresentem a um público leigo. Isso não é razoável. Isso é coisa de unicórnio. Para começar a resolver o problema da última milha, as empresas precisam parar de procurar unicórnios e repensar que tipo de talento compõe uma operação de ciência de dados. Este artigo propõe uma maneira para que aqueles que não estão obtendo o máximo de suas operações libertem os cientistas de dados de expectativas irracionais e introduzam novos tipos de trabalhadores na mistura. A TI se baseia em equipes multidisciplinares compostas por membros com talentos variados que trabalham em estreita proximidade. A empatia, desenvolvida por meio da exposição ao trabalho dos outros, facilita a colaboração entre os tipos de talento. O trabalho não é mais passado entre os grupos, mas sim compartilhado entre eles. Uma abordagem de equipe - que não é nova, mas é aplicada recentemente - pode fazer com que as operações de ciência de dados superem a última milha, proporcionando o valor que criaram para a organização. Por que as coisas são assim? No início do século XX, os pioneiros da gestão moderna realizavam operações sofisticadas para transformar dados em decisões por meio da comunicação visual, e faziam isso com equipes. Foi um esforço interdisciplinar que incluiu operadores de perfuradores, classificadores de cartões, gerentes e desenhistas (quase sempre homens). Os exemplos dos resultados dessa colaboração são inúmeros no livro de Brinton. As empresas ferroviárias e os grandes fabricantes eram especialmente adeptos, aprendendo as rotas mais eficientes para enviar materiais através das fábricas, atingindo metas de desempenho de vendas regionais e até mesmo otimizando as programações de férias. Como a comunicação falha Aprendi em meu trabalho que a maioria dos líderes reconhece o valor que a ciência de dados pode oferecer, mas poucos estão satisfeitos com a forma como ela está sendo fornecida. Alguns cientistas de dados reclamam que os chefes não entendem o que eles fazem e os subutilizam. Alguns gerentes reclamam que os cientistas não conseguem tornar seu trabalho inteligível para um público leigo. Em geral, as histórias que ouço seguem um desses cenários. Veja se o senhor reconhece algum deles. A maldição do estatístico Um cientista de dados com algoritmos de vanguarda e ótimos dados desenvolve um conjunto de insights e os apresenta aos tomadores de decisão em detalhes. Ela acredita que sua análise é objetiva e inatacável. Seus gráficos são do tipo "clique e visualização", com algum texto adicionado aos slides - em sua opinião, o design não é algo com o qual os estatísticos sérios gastam tempo. A linguagem que ela usa em sua apresentação não é familiar para os ouvintes, que ficam confusos e frustrados. Sua análise é certeira, mas sua recomendação não é adotada. A fábrica e o encarregado Uma parte interessada na empresa quer levar adiante um projeto de estimação, mas não tem dados para sustentar sua hipótese. Ele pede à equipe de ciência de dados que produza a análise e os gráficos para sua apresentação. A equipe sabe que sua hipótese está mal formada e oferece ideias úteis sobre uma maneira melhor de abordar a análise, mas ele quer apenas gráficos e notas de apresentação. Uma das duas coisas acontecerá: Sua reunião será interrompida quando alguém perguntar sobre a análise de dados e ele não puder responder, ou seu projeto será aprovado e depois fracassará porque a análise não era sólida. A verdade conveniente Um designer de informações de primeira linha é inspirado por algumas análises dos cientistas de dados da empresa e se oferece para ajudá-los a criar uma bela apresentação para a diretoria, com cores e tipografia de acordo com a marca e histórias envolventes e de fácil acesso. Mas os cientistas ficam nervosos quando os executivos começam a extrair ideias erradas da análise. Os gráficos claros e simples fazem com que certas relações pareçam ser de causa e efeito diretos, quando não são, e removem qualquer incerteza inerente à análise. Os cientistas estão em um dilema: finalmente, os principais tomadores de decisão estão entusiasmados com seu trabalho, mas o que os entusiasma não é uma boa representação dele. A abordagem de equipe persistiu durante a maior parte do século. Em seu livro Practical Charting Techniques, de 1969, Mary Eleanor Spear detalha a equipe ideal - um comunicador, um analista gráfico e um desenhista (ainda em sua maioria homens) - e suas responsabilidades. "É aconselhável", escreve Spear, "que [todos os três] colaborem". Na década de 1970, as coisas começaram a se dividir. Os cientistas se juntaram à nova tecnologia que lhes permitia visualizar os dados no mesmo espaço (um programa de computador) em que os manipulavam. Os recursos visuais eram rudimentares, mas estavam disponíveis rapidamente e não exigiam ajuda de ninguém. Abriu-se uma brecha no mundo da visualização de dados entre a visualização orientada por computador e a visualização mais clássica orientada por design produzida por desenhistas (finalmente). Este artigo também aparece em: Strategic Analytics: The Insights You Need from HBR Livro de Tecnologia e Operações 22.95 Adicionar ao carrinho Salvar Compartilhe O Chart Wizard, a inovação da Microsoft no Excel, introduziu o "clique e visualização" para todos nós, dividindo totalmente os dois mundos. De repente, qualquer pessoa podia criar instantaneamente um gráfico, além de variações exageradas que tornavam as barras tridimensionais ou transformavam uma torta em um donut. A profundidade dessa mudança não pode ser exagerada. A TI ajudou a transformar os gráficos em uma língua franca para os negócios. Ela impulsionou o uso de dados em operações e, por fim, permitiu a existência da ciência de dados, pois superou o limite mínimo de quantos dados os designers humanos podem processar em uma comunicação visual. Mais importante ainda, a TI mudou a estrutura do trabalho. Os designers - artesãos - foram desvalorizados e acabaram abandonando a análise de dados. A visualização passou a ser tarefa daqueles que gerenciavam os dados, a maioria dos quais não era treinada para visualizar nem estava inclinada a aprender. A velocidade e a conveniência de colar um gráfico do Chart Wizard em uma apresentação prevaleceram sobre os recursos visuais mais lentos, mais intensivos em recursos e orientados por design, mesmo que os últimos fossem comprovadamente mais eficazes. Com o advento da ciência de dados, as expectativas depositadas nos cientistas de dados permaneceram as mesmas - fazer o trabalho e comunicá-lo - mesmo que as habilidades necessárias tenham se ampliado para incluir codificação, estatística e modelagem algorítmica. De fato, no artigo de referência da HBR de 2012 sobre o cientista de dados como o trabalho mais sexy do século XXI, a função é descrita em termos explicitamente unicórnicos: "Quais habilidades tornam um cientista de dados bem-sucedido? Pense nele ou nela como um híbrido de hacker de dados, analista, comunicador e consultor de confiança. A combinação é extremamente poderosa e rara". Principais talentos para a comunicação de dados Aqui estão as maneiras pelas quais vários talentos são envolvidos à medida que um projeto de ciência de dados avança, desde a coleta de dados até o desenvolvimento de insights e a apresentação às partes interessadas. Talento: Gerenciamento de projetos Tarefas Gerenciar a criação da equipe, do cronograma e das programações Reunir recursos Solucionar problemas Habilidades Organização Metodologia (como scrum) Gerenciamento de pessoas Líderes Durante a criação de uma operação de ciência de dados Durante a criação e a execução de um projeto Apoia Operações de ciência de dados em andamento Talento: Processamento de dados Tarefas Localizar, limpar e estruturar dados Desenvolver e implementar dados e sistemas de visualização, algoritmos e modelos Desenvolver modelos e sistemas para processos repetíveis Habilidades Codificação Estatística Arquitetura de sistemas Líderes No início da existência de uma equipe de dados No início do desenvolvimento de um projeto Apoia Durante a análise de dados de rotina, testes de hipóteses e exploração visual dos dados Talento: Análise de dados Tarefas Desenvolver e testar hipóteses sobre dados e modelos de dados Encontrar padrões e tendências úteis para informar as decisões de negócios Habilidades Estatística Método científico Pensamento crítico Comunicação técnica e não técnica Lideranças Durante a análise de dados de rotina, a elaboração de projetos, o teste de hipóteses e a exploração visual dos dados Apoia No início da existência de uma equipe de dados No início do desenvolvimento do projeto Durante o desenvolvimento da comunicação visual e apresentações para o público leigo Talento: Experiência no assunto Tarefas Definir objetivos comerciais Desenvolver e testar hipóteses Desenvolver comunicação não técnica Habilidades Conhecimento funcional Pensamento crítico Desenvolvimento de estratégias Comunicação não técnica Lideranças Durante a elaboração do projeto, o teste de hipóteses e a exploração visual dos dados Durante a comunicação com públicos não técnicos Apoia No início da existência de uma equipe de dados Durante o processo de visualização e design Talento: Design Tarefas Desenvolver comunicação visual e apresentações Criar modelos e estilos para visualização repetível Habilidades Design de informações Design de apresentações Design thinking Comunicação persuasiva Lideranças Durante a visualização de dados e a criação de apresentações e sistemas visuais (modelos) Apoia Durante a iteração visual e a criação de protótipos Talento: Narração de histórias Tarefas Desenvolver histórias a partir de dados e recursos visuais Ajudar a criar apresentações em formato de história Apresentar para públicos não técnicos Habilidades Design de informações Redação e edição Apresentação Comunicação persuasiva Lideranças Durante a criação de visualizações de dados e apresentações Durante a apresentação para públicos não técnicos Apoia Durante a iteração visual e a criação de protótipos Uma rara combinação de habilidades para os cargos mais procurados significa que muitas organizações não conseguirão recrutar os talentos de que precisam. Elas terão de procurar outra maneira de ter sucesso. A melhor maneira é mudar o conjunto de habilidades que elas esperam que os cientistas de dados tenham e reconstruir equipes com uma combinação de talentos. Construindo uma operação de ciência de dados melhor Uma operação de dados eficaz, baseada no trabalho em equipe, pode ser inspirada em Brinton e Spear, mas levará em conta o contexto moderno, incluindo o volume de dados processados, a automação de sistemas e os avanços nas técnicas de visualização. A TI também levará em conta uma ampla gama de tipos de projetos, desde o relatório razoavelmente simples de dados analíticos padrão (por exemplo, resultados financeiros) até os esforços mais sofisticados de Big Data que usam algoritmos de aprendizado de máquina de ponta. Aqui estão quatro etapas para criar um: 1. Defina os talentos, não os membros da equipe. Pode parecer natural que o primeiro passo para desmantelar o pensamento de unicórnio seja designar várias pessoas para as funções que o cientista de dados "perfeito" preenche atualmente: manipulador de dados, analista de dados, designer e comunicador. Não é bem assim. Em vez de atribuir pessoas a funções, defina os talentos de que o senhor precisa para ter sucesso. Um talento não é uma pessoa; é uma habilidade que uma ou mais pessoas possuem. Uma pessoa pode ter vários talentos; três pessoas podem ser capazes de lidar com cinco talentos. É uma distinção sutil, mas importante para manter as equipes ágeis o suficiente para se configurarem e reconfigurarem durante os vários estágios de um projeto. (Voltaremos a esse assunto.) A lista de talentos de qualquer empresa pode variar, mas um bom conjunto básico inclui esses seis: Gerenciamento de projetos. Como a sua equipe será ágil e mudará de acordo com o tipo de projeto e o estágio em que ele se encontra, um PM forte que empregue alguma metodologia semelhante à do scrum será responsável por todas as facetas da operação. Um bom gerente de projetos terá excelentes habilidades organizacionais e de diplomacia, ajudando a preencher lacunas de habilidades culturais ao reunir talentos diferentes em reuniões e fazer com que todos os membros da equipe falem a mesma língua. Controle de dados. As habilidades que compõem esse talento incluem a criação de sistemas, a busca, a limpeza e a estruturação de dados e a criação e manutenção de algoritmos e outros mecanismos estatísticos. As pessoas com talento para lidar com dados buscarão oportunidades para simplificar as operações - por exemplo, criando processos repetíveis para vários projetos e modelos para resultados visuais sólidos e previsíveis que darão início ao processo de design de informações. Análise de dados. A capacidade de definir hipóteses e testá-las, encontrar significado nos dados e aplicá-lo a um contexto comercial específico é fundamental e, surpreendentemente, não está tão bem representada em muitas operações de ciência de dados como se poderia pensar. Algumas organizações têm um grande número de gerenciadores de dados e contam com eles para fazer a análise também. Mas uma boa análise de dados é diferente da codificação e da matemática. Muitas vezes, esse talento surge não da ciência da computação, mas das artes liberais. A empresa de software Tableau classificou a infusão das artes liberais na análise de dados como uma das maiores tendências de análise em 2018. O pensamento crítico, a definição do contexto e outros aspectos do aprendizado nas ciências humanas também são habilidades essenciais para a análise, seja de dados ou não. Em uma palestra on-line sobre o assunto, o cientista pesquisador da Tableau, Michael Correll, explicou por que acredita que é fundamental integrar a ciência dos dados às artes liberais. "É impossível considerar os dados separados das pessoas", diz ele. "As artes liberais são boas para nos ajudar a enxergar o contexto. TI torna as pessoas visíveis de uma forma que talvez não sejam na tecnologia." Especialização no assunto. É hora de aposentar o tropo de que as equipes de ciência de dados ficam presas no porão para fazer seu trabalho misterioso e só aparecem quando a empresa precisa de algo delas. A ciência de dados não deve ser vista como uma unidade de serviço; ela deve ter talentos de gerenciamento na equipe. Pessoas com conhecimento do negócio e da estratégia informarão o design do projeto e a análise de dados e manterão a equipe focada nos resultados do negócio, e não apenas na criação dos melhores modelos estatísticos. Joaquin Candela, que dirige o aprendizado de máquina aplicado no Facebook, trabalhou arduamente para concentrar sua equipe nos resultados comerciais e para recompensar as decisões que favorecem esses resultados em vez de aprimorar a ciência de dados. Design. Esse talento é amplamente mal compreendido. Um bom design não é apenas a escolha de cores e fontes ou a criação de uma estética para gráficos. Isso é estilo - parte do design, mas não é de forma alguma a parte mais importante. Em vez disso, as pessoas com talento em design desenvolvem e executam sistemas para uma comunicação visual eficaz. Em nosso contexto, elas entendem como criar e editar recursos visuais para focar um público e destilar ideias. O talento em design de informações, que enfatiza a compreensão e a manipulação da visualização de dados, é ideal para uma equipe de ciência de dados. Contar histórias. A narrativa é um artifício humano extremamente poderoso e um dos mais subutilizados na ciência de dados. A capacidade de apresentar insights de dados como uma história ajudará, acima de tudo, a fechar a lacuna de comunicação entre algoritmos e executivos. No entanto, a expressão "contar histórias com dados", que é um chavão, é amplamente mal compreendida. A TI decididamente não se trata de transformar os apresentadores em Stephen Kings ou Tom Clancys. Em vez disso, trata-se de entender a estrutura e a mecânica da narrativa e aplicá-las à visualização de dados e às apresentações. 2. Contrate para criar um portfólio dos talentos necessários. Depois de identificar os talentos necessários, liberte seu recrutamento da ideia de que essas são funções para as quais você deve contratar pessoas. Em vez disso, concentre-se em garantir que esses talentos estejam disponíveis na equipe. Alguns deles tendem naturalmente a andar juntos: Design e narração de histórias, por exemplo, ou organização e análise de dados, podem existir em uma única pessoa. Às vezes, o talento não é encontrado em funcionários, mas em prestadores de serviços. No meu trabalho, mantenho um armário de cozinha com pessoas que têm talentos em áreas em que sou fraco. Talvez o senhor queira contratar uma empresa de design de informações ou contratar alguns gerenciadores de dados para limpar e estruturar novos fluxos de dados. Pensar nos talentos como algo separado das pessoas ajudará as empresas a resolver o problema da última milha, pois as livrará de tentar encontrar a pessoa que possa fazer ciência de dados e comunicá-la. A contratação de algumas pessoas com habilidades superiores de design liberará os cientistas de dados para que se concentrem em seus pontos fortes. TI também abrirá as portas para pessoas que poderiam ter sido ignoradas anteriormente. Um programador mediano que também tenha boas habilidades de design, por exemplo, pode ser muito útil. Randal Olson, o principal cientista de dados da Life Epigenetics e curador do canal Data Is Beautiful do Reddit (dedicado a compartilhar e discutir boas visualizações de dados), costumava se concentrar apenas no desempenho técnico de alguém na ciência de dados. "Eu sei que, quando comecei, não tinha nenhum apreço pela parte da comunicação", diz ele. "Acho que isso é comum." Agora, em alguns casos, ele mudou o processo de contratação. "O senhor sabe, eles chegam e imediatamente começamos a fazer modelos e cálculos de white-boarding", diz ele. "São cientistas de dados conversando com cientistas de dados. Agora, às vezes, chamo uma pessoa não técnica e digo ao candidato: 'Explique este modelo para esta pessoa'." 3. Exponha os membros da equipe a talentos que eles não têm. A superação de conflitos culturais começa com a compreensão das experiências dos outros. O talento em design geralmente não tem contato com estatísticas ou algoritmos. Seu foco é o refinamento estético, a simplicidade, a clareza e a narrativa. A profundidade e a complexidade do trabalho com dados são difíceis de conciliar para os designers. Por outro lado, os cientistas de dados mais radicais valorizam a objetividade, o rigor estatístico e a abrangência; a parte da comunicação não é apenas estranha para eles, mas também causa distração. "A TI vai contra o ethos deles", diz um gerente de uma operação de ciência de dados em uma grande empresa de tecnologia. "Eu era da mesma forma, trabalhando com ciência de dados por 10 anos, mas isso me abriu os olhos quando tive que formar uma equipe. Vi que, se aprendêssemos um pouco mais sobre a parte da comunicação, poderíamos ser muito mais campeões para a empresa." Crie um painel de talentos A realização de uma auditoria de talentos ajuda os gerentes a fazer um trabalho melhor de planejamento de projetos e configuração de equipes. Utilize a TI Sabendo quais talentos estão disponíveis, os gerentes podem agora atribuir unidades de talento a um projeto de acordo com a necessidade. Normalmente, um grupo de talentos assumirá a liderança no início de um projeto e outros grupos o farão nos estágios posteriores. O gerenciamento de projetos geralmente desempenha um papel importante durante todo o processo. Há muitas maneiras de expor os membros da equipe ao valor dos talentos dos outros. Os designers devem aprender algumas estatísticas básicas - fazer um curso introdutório, por exemplo - enquanto os cientistas de dados aprendem princípios básicos de design. Nenhum dos dois deve se tornar especialista no campo de seus colegas - eles só precisam aprender o suficiente para se valorizarem mutuamente. Os stand-ups e outras reuniões devem sempre incluir uma mistura de talentos. Um stand-up scrum voltado principalmente para a atualização do progresso tecnológico ainda pode incluir um profissional de marketing que faz apresentações, como acontece na empresa de Olson. Os especialistas no assunto devem trazer talentos de análise e de organização de dados para as reuniões de estratégia. Sessões especiais nas quais as partes interessadas respondem às perguntas da equipe de dados e vice-versa também ajudam a preencher a lacuna. O diretor de algoritmos da Stitch Fix, Eric Colson (que é algo próximo de um unicórnio, pois tem talentos estatísticos e de comunicação em uma empresa em que a ciência de dados é intrínseca), pede aos membros de sua equipe que façam apresentações de um minuto para públicos não técnicos, forçando-os a enquadrar os problemas de maneiras inteligentes que todos possam entender. "Até hoje", diz Colson, "se o senhor disser 'cocos' aqui, as pessoas saberão que isso era parte de uma metáfora que uma pessoa usou para descrever um problema estatístico específico que estava enfrentando. Nós nos concentramos em enquadrá-lo de forma que todos entendam, porque a empresa não fará o que não entende." Outro gerente de uma equipe de ciência de dados criou um glossário de termos usados por talentos técnicos e talentos de design para ajudar os funcionários a se familiarizarem com a linguagem uns dos outros. Se a sua organização tiver algumas dessas raras pessoas que, como Colson, têm talentos de dados e talentos de comunicação e design, será útil que elas orientem umas às outras. As pessoas que expressam interesse em desenvolver talentos que não possuem, mas que o senhor precisa, devem ser incentivadas, mesmo que esses pontos fortes (habilidades de design, por exemplo) estejam muito distantes dos que elas já possuem (manipulação de dados). De fato, em meus workshops, ouço cientistas de dados que gostariam de desenvolver seu talento em design ou em contar histórias, mas não têm tempo para se dedicar a isso. Outros adorariam ver esse talento adicionado às suas equipes, mas o gerenciamento de projetos se concentra principalmente nos resultados técnicos, não nos comerciais. Toda essa exposição tem o objetivo de criar empatia entre os membros da equipe com talentos diferentes. A empatia, por sua vez, cria confiança, uma base necessária para um trabalho em equipe eficaz. Colson se lembra de uma ocasião em que usou o talento de contador de histórias para ajudar a explicar algo resultante da análise de dados: "Lembro-me de fazer uma apresentação sobre um problema de merchandising e achei que estávamos abordando o problema da maneira errada. Eu tinha que fazer com que o setor de merchandising aceitasse a ideia." Em vez de explicar a distribuição beta-binomial e outros conceitos estatísticos para reforçar seu ponto de vista, ele contou uma história sobre alguém que tirava bolas de uma urna e o que acontecia com o tempo com o número e o tipo de bolas na urna. "As pessoas adoraram", diz ele. "O senhor observava a sala e via como a história se encaixava com elas e lhes dava confiança, de modo que, naquele momento, nem era necessário explicar a matemática por trás da história. Elas confiaram em nós." 4. Estruture os projetos de acordo com os talentos. Com um portfólio de talentos pronto, é hora de usá-lo para atingir suas metas. A natureza mutável de quais talentos são necessários e quando podem tornar os projetos complicados. Habilidades sólidas de gerenciamento de projetos e experiência em metodologias ágeis ajudarão a planejar a configuração e a reconfiguração de talentos, a reunir recursos conforme necessário e a evitar que os cronogramas sobrecarreguem qualquer parte do processo. Juntando tudo isso O senhor deverá tomar outras medidas para que seus projetos sejam bem-sucedidos: Designe uma única parte interessada com poderes. É possível, ou até mesmo provável, que nem todas as pessoas cujos talentos o senhor precisa se reportem ao gerente da equipe de ciência de dados. O talento em design pode se reportar ao marketing; os especialistas no assunto podem ser executivos que se reportam ao CEO. No entanto, é importante dar à equipe o máximo de poder de decisão possível. As partes interessadas, na maioria das vezes, são pessoas com experiência comercial que estão intimamente ligadas ou são responsáveis pelas metas comerciais; o objetivo do trabalho, afinal, é obter melhores resultados comerciais. Essas pessoas podem criar metas e incentivos compartilhados para a equipe. Idealmente, o senhor pode evitar a armadilha da responsabilidade sem autoridade, na qual a equipe lida com várias partes interessadas que podem não estar todas alinhadas. Os cientistas de dados consideram a comunicação de seu trabalho não apenas estranha, mas também distrativa. Designe talentos de liderança e talentos de suporte. Quem lidera e quem apoia dependerá do tipo de projeto e da fase em que ele se encontra. Por exemplo, em um projeto profundamente exploratório, no qual grandes volumes de dados estão sendo processados e visualizados apenas para encontrar padrões, a organização e a análise dos dados assumem a liderança, com o apoio de especialistas no assunto; os talentos de design podem nem participar, pois não é necessária nenhuma comunicação externa. Por outro lado, para preparar um relatório para a diretoria sobre as evidências de um ajuste de estratégia recomendado, o storytelling e o design lideram com o apoio do talento em dados. Colocar. Faça com que todos os membros da equipe trabalhem no mesmo espaço físico durante um projeto. Configure também um espaço virtual compartilhado para comunicação e colaboração. Seria indesejável ter aqueles com talento em design e storytelling usando um canal do Slack enquanto a equipe de tecnologia usa o GitHub e os especialistas em negócios colaboram por e-mail. Use técnicas de "análise emparelhada", em que os membros da equipe literalmente se sentam um ao lado do outro e trabalham em uma tela em um processo iterativo semelhante ao scrum. Podem ser pessoas com talento em análise e manipulação de dados, refinando modelos de dados e testando hipóteses, ou uma dupla com experiência no assunto e capacidade de contar histórias, que estão trabalhando juntas para aprimorar uma apresentação, chamando o design quando precisam adaptar um gráfico. Faça com que seja uma equipe de verdade. O conceito crucial da colocation é que se trata de uma equipe capacitada. Na Stitch Fix, "nossa regra é não fazer transferências", diz Colson. "Não queremos ter que coordenar três pessoas entre departamentos." Para isso, ele tornou uma prioridade garantir que suas equipes tenham todas as habilidades necessárias para atingir suas metas com apoio externo limitado. Ele também tenta contratar pessoas que muitos considerariam generalistas e que preenchem a lacuna entre tecnologia e comunicação. Ele complementa esse modelo com feedback regular para, por exemplo, uma pessoa que trabalha com dados e precisa de ajuda para contar histórias ou um especialista no assunto que precisa entender algum princípio estatístico. Reutilização e modelo. Colson também criou uma "equipe de algo UI". Pense nisso como um grupo de pessoas que combinam seus talentos de design e de manipulação de dados para criar conjuntos de códigos reutilizáveis para produzir uma boa visualização de dados para as equipes de projeto. Esses modelos são inestimáveis para fazer com que uma equipe opere com eficiência. As conversas que um designer de informações, por exemplo, teria com um analista de dados sobre as práticas recomendadas de visualização são codificadas nas ferramentas. Graham MacDonald, cientista-chefe de dados do Urban Institute, promoveu com sucesso esse tipo de cooperação em termos de modelos. Seu grupo produz dados por condado para muitos condados dos EUA. Ao reunir especialistas em dados e assuntos para entender as necessidades de comunicação, o grupo criou um modelo reutilizável que poderia personalizar o resultado para qualquer condado específico. Esse resultado teria sido difícil sem a integração desses talentos na equipe. CONCLUSÃO A apresentação da ciência de dados para o público leigo - a última milha - não evoluiu tão rapidamente nem tão completamente quanto a parte técnica da ciência. A TI precisa se atualizar, e isso significa repensar como as equipes de ciência de dados são formadas, como são gerenciadas e quem está envolvido em cada ponto do processo, desde o primeiro fluxo de dados até o gráfico final apresentado à diretoria. Até que as empresas consigam percorrer com sucesso essa última milha, as equipes de ciência de dados não entregarão o esperado. Elas fornecerão, nas palavras de Willard Brinton, fundações sem catedrais.

Ciência de dados e a arte da persuasão

Resumo.

Partner Center