#14 Iniciando sua transformação organizacional para se tornar centrada em dados
Subscribe to get the latest
on 2020-08-20 00:00:00 +0000
with Darren W Pulsipher, Sarah Kalicin,
O episódio de hoje é totalmente sobre como impulsionar sua organização para se tornar centrada em dados e o valor que isso pode trazer. O convidado especial de Darren é Sarah Kalicin, cientista de dados líder para centros de dados na Intel.
Keywords
#analytics #data #datamanagement #multicloud #people #process
Operacionalizando Sistema de Análises
A primeira coisa a entender sobre o processo de operacionalizar análises é que ele é complexo. Algumas pessoas pensam que os dados são a nova eletricidade e funcionam em um sistema semelhante. Considere este exemplo: em um sistema elétrico simples, há uma fonte de energia e alguns fios que vão até uma lâmpada. Enquanto houver a fonte de energia e os fios tiverem alta integridade, você pode desligar a luz e, depois de seis meses, voltar e acionar o interruptor, sabendo que a lâmpada voltará a acender.
Um sistema analítico não funciona dessa maneira. Existem muitos tipos de “curto-circuitos” e variáveis que podem causar falhas, como a entropia. É importante ter as pessoas certas em suas equipes que possam trabalhar e entender todos os diferentes tipos de falhas que podem ocorrer, caso contrário, você não obterá uma visão correta ou útil.
Seus dados devem ser formatados de uma certa maneira para os algoritmos de aprendizado de máquina. O algoritmo deve entender o que os dados representam para analisar o padrão adequadamente. A menos que os dados sejam cuidadosamente formatados, há um risco de lixo na entrada/saída de dados. É aí que seus engenheiros, cientistas de dados e outros arquitetos de dados de suporte são importantes.
Fazendo as perguntas certas
Outra parte do sistema é garantir que você tenha as perguntas comerciais corretas. Uma organização deve fornecer perguntas fundamentais sobre o que está tentando obter dos dados: Quais insights nosso negócio precisa? Como pintamos uma imagem melhor do que nosso cenário realmente parece? Quais dados nos permitirão fazer isso?
Muitos executivos adoram a ideia de fazer análises, IA e big data, mas não sabem por onde começar. O primeiro passo é que eles assumam o controle do que desejam que os dados façam para a organização. Que valor comercial surgirá dos dados? Que tipo de dados já temos? Que dados podemos criar para obter uma visão mais completa do que está acontecendo? Como será o sucesso? O foco deve estar, em primeiro lugar, na base organizacional.
Coleta de dados, preparação e insights.
Após essas perguntas serem respondidas, o próximo passo é esboçar o que precisa ser realizado e começar a dividir em partes menores. As organizações devem analisar suas fontes de dados atuais, determinar sua confiabilidade e identificar o que está faltando, seguido pela coleta e preparação de dados.
Com os dados em mãos, é hora de criar a história. Isso envolve não apenas cientistas de dados, mas também especialistas no assunto, pessoas de negócios e marketing. O envolvimento desses diferentes grupos garantirá que os dados agreguem valor ao negócio em vez de se tornarem apenas um exercício acadêmico ou um experimento único. A partir dos dados, você deseja obter perspectivas valiosas e confiáveis que ajudarão a melhorar o seu negócio, em vez de apenas coletar dados que sejam convenientes, mas não aplicáveis.
Agora que você coletou os dados, analisou-os e tem algumas percepções, como você os operacionaliza?
Exemplo de Sucesso em Análise Operacional
Um exemplo da indústria de manufatura é uma boa maneira de mostrar como os dados funcionam com sucesso através do processo. Comece com o valor comercial fundamental de maximizar o rendimento do seu produto. Quais fontes de dados poderiam informar se você tem produtos quebrados ou deformados? Câmeras no final das linhas de montagem podem criar um modelo de aprendizado profundo que detecta ou prevê se um produto está quebrado ou deformado. Um cientista de dados poderia então treinar um modelo com base em produtos bons e ruins para melhorar o rendimento.
Esse tipo de dados operacionalizados pode ser aplicado a várias áreas-chave que agregam valor a uma organização. O controle de qualidade, como garantir que a matéria-prima atenda às especificações, é um exemplo. A manutenção preditiva de maquinários e conformidade regulatória, como no requisito de peso para um produto alimentício, são outros exemplos.
Ao explorar os dados em tempo real sobre problemas de produto, qualidade ou regulatórios, você não está apenas criando um rendimento de produto mais alto, mas minimizando tarefas humanas custosas, como inspeção no final de uma linha de montagem. Esses funcionários podem ser redirecionados para tarefas de maior valor. Você também está minimizando o desperdício e criando uma experiência do consumidor mais consistente. Além disso, você está protegendo o negócio ao minimizar os riscos regulatórios.
Isso é uma situação vantajosa para todos. Quanto mais a organização souber o que deseja alcançar com os dados, quais dados coletar e como utilizá-los com base em uma estratégia empresarial, mais bem-sucedida ela será.
Mais por vir
Este é o primeiro de seis episódios que falam sobre a organização centrada em dados. Esperamos que você se junte a nós para esses futuros podcasts. Quer mais? Confira o site da Sarah.