Analytics

O que os grandes analistas de dados fazem – e por que todas as organizações precisam deles – Harvard Business Review

Cassie Kozyrkov

A melhor contratação de troféus em ciência de dados é elusiva e não é surpresa: um cientista de dados “full-stack” domina o aprendizado de máquina, estatística e análise. Quando as equipes não conseguem colocar as mãos em um polímata três em um, eles se concentram em atrair o prêmio mais impressionante entre os especialistas em origem única. 

Qual dessas habilidades chega ao pedestal?

A moda atual em ciência de dados favorece a sofisticação exuberante com um toque de ficção científica, tornando a IA e o aprendizado de máquina os queridinhos do mercado de trabalho. 

Os desafiadores alternativos para o ponto alfa vêm da estatística, graças a uma reputação de um século de rigor e superioridade matemática. 

E quanto aos analistas? Analytics como cidadão de segunda classe

Se sua habilidade principal for analítica (ou mineração de dados ou inteligência de negócios), é provável que sua autoconfiança tenha sofrido com o aprendizado de máquina e as estatísticas se tornando valorizadas nas empresas, no mercado de trabalho e na mídia.

Mas o que os não iniciados raramente entendem é que as três profissões sob a égide da ciência de dados são completamente diferentes umas das outras. 

Eles podem usar alguns dos mesmos métodos e equações, mas é aí que termina a semelhança, longe de ser uma versão inferior das outras raças da ciência de dados, bons analistas são um pré-requisito para a eficácia em seus esforços de dados. É perigoso fazer com que eles desistam de você, mas é exatamente o que eles farão se você os subestimar.

Em vez de pedir a um analista para desenvolver suas habilidades estatísticas ou de aprendizado de máquina, considere encorajá-lo a buscar primeiro o nível de sua própria disciplina. Em ciência de dados, a excelência em uma área supera a mediocridade em duas. Portanto, vamos examinar o que significa ser realmente excelente em cada uma das disciplinas de ciência de dados, que valor elas trazem e quais traços de personalidade são necessários para sobreviver a cada trabalho. Isso ajudará a explicar por que os analistas são valiosos e como as organizações devem usá-los.

Excelência em estatística: rigor

Os estatísticos são especialistas em tirar conclusões que vão além dos seus dados com segurança – eles são a sua melhor proteção contra enganar a si mesmo em um mundo incerto, para eles, inferir algo descuidadamente é um pecado maior do que deixar sua mente em branco, então espere um bom estatístico colocar freios em sua exuberância. Eles se preocupam profundamente se os métodos aplicados são os corretos para o problema e agonizam sobre quais inferências são válidas a partir das informações em mãos.

O resultado? Uma perspectiva que ajuda os líderes a tomar decisões importantes de maneira controlada. Em outras palavras, eles usam dados para minimizar a chance de você chegar a uma conclusão imprudente.

Excelência em aprendizado de máquina: desempenho

Você pode ser um engenheiro de aprendizado de máquina / IA aplicado se sua resposta a “Aposto que você não conseguiria construir um modelo que passe no teste com precisão de 99,99999%” for “Observe-me”. Com os recursos de codificação para construir protótipos e sistemas de produção que funcionam e a resistência teimosa para falhar a cada hora por vários anos, se for necessário, os especialistas em aprendizado de máquina sabem que não encontrarão a solução perfeita em um livro didático. Em vez disso, eles se envolverão em uma maratona de tentativa e erro. Ter uma ótima intuição de quanto tempo eles levarão para tentar cada nova opção é uma grande vantagem e é mais valioso do que um conhecimento íntimo de como os algoritmos funcionam (embora seja bom ter os dois). Desempenho significa mais do que limpar uma métrica – também significa modelos confiáveis, escalonáveis ​​e fáceis de manter com bom desempenho na produção.

O resultado? Um sistema que automatiza uma tarefa complicada bem o suficiente para passar na barra de testes rígida do seu estatístico e entregar o desempenho audacioso que um líder de negócios exige.

Largo versus profundo

O que as duas funções anteriores têm em comum é que ambas fornecem soluções de alto esforço para problemas específicos, se não vale a pena resolver os problemas que eles enfrentam, você acaba perdendo o tempo e o dinheiro deles. Um lamento frequente entre os líderes de negócios é: “Nosso grupo de ciência de dados é inútil”. E o problema geralmente está na ausência de experiência em análise.

Estatísticos e engenheiros de aprendizado de máquina são trabalhadores estreitos e profundos – a forma de uma toca de coelho, aliás – por isso é realmente importante apontá-los para os problemas que merecem o esforço. Se seus especialistas estiverem resolvendo cuidadosamente os problemas errados, seu investimento em ciência de dados terá baixo retorno. Para garantir que você possa fazer bom uso de especialistas restritos, você precisa ter certeza de que já tem o problema certo ou precisa de uma abordagem ampla e superficial para encontrá-lo.

Excelência em análise: velocidade

Os melhores analistas são codificadores ultrarrápidos que podem navegar em vastos conjuntos de dados rapidamente, encontrando e revelando insights em potencial mais rápido do que outros especialistas podem dizer “quadro branco”. Seu estilo de codificação semi-desleixado confunde os engenheiros de software tradicionais – mas os deixa comendo poeira. A velocidade é sua maior virtude, seguida de perto pela capacidade de identificar gemas potencialmente úteis. O domínio da apresentação visual da informação também ajuda: tramas bonitas e eficazes permitem que a mente extraia informações mais rapidamente, o que compensa em percepções do tempo para o potencial.

O resultado é que a empresa fica atenta a coisas desconhecidas até então, isso gera a inspiração que ajuda os tomadores de decisão a selecionar missões valiosas para enviar estatísticos e engenheiros de ML, salvando-os de escavações matematicamente impressionantes de tocas de coelho inúteis.

Bobagem desleixada ou narrativa estelar?

“Mas”, objetam os estatísticos, “a maioria de seus chamados insights são absurdos”, com isso, eles querem dizer que os resultados de sua exploração podem refletir apenas ruído. Talvez, mas há mais nessa história.

Os analistas são contadores de histórias de dados, seu objetivo é resumir fatos interessantes e usar dados para inspiração, em algumas organizações, esses fatos e essa inspiração tornam-se dados para os tomadores de decisão humanos. Porém, em operações de dados mais sofisticadas, a inspiração orientada por dados é sinalizada para um acompanhamento estatístico adequado.

Bons analistas têm respeito inabalável pela regra de ouro de sua profissão: não chegue a conclusões além dos dados (e evite que seu público o faça também). Para esse fim, uma maneira de identificar um bom analista é usar uma linguagem amena e de cobertura. Por exemplo, não “concluímos”, mas “somos inspirados a nos maravilhar”. Eles também desencorajam o excesso de confiança dos líderes, enfatizando uma infinidade de interpretações possíveis para cada percepção.

Contanto que os analistas se atêm aos fatos – dizendo apenas “Isto é o que está aqui”. – e não se levem muito a sério, o pior crime que eles podem cometer é perder o tempo de alguém quando é executado por eles.

Embora sejam necessárias habilidades estatísticas para testar hipóteses, os analistas são sua melhor aposta para chegar a essas hipóteses em primeiro lugar, por exemplo, eles podem dizer algo como “É apenas uma correlação, mas eu suspeito que pode ser impulsionado por …” e, em seguida, explicar por que pensam assim. Isso requer uma forte intuição sobre o que pode estar acontecendo além dos dados e as habilidades de comunicação para transmitir as opções ao tomador de decisão, que normalmente decide quais hipóteses (entre muitas) são importantes o suficiente para justificar o esforço de um estatístico. Conforme os analistas amadurecem, eles começam a pegar o jeito de julgar o que é importante além do que é interessante, permitindo que os tomadores de decisão se afastem do papel de intermediário.

Das três raças, os analistas são os herdeiros mais prováveis ​​do trono de decisão, como a experiência no assunto ajuda muito a identificar padrões interessantes em seus dados com mais rapidez, os melhores analistas levam a sério a familiarização com o domínio. Deixar de fazer isso é uma bandeira vermelha. À medida que sua curiosidade os leva a desenvolver um senso para o negócio, espere que sua produção mude de uma confusão de alarmes falsos para um conjunto de percepções cuidadosamente selecionadas com as quais os tomadores de decisão provavelmente se importarão.

Analytics para tomada de decisão

Para evitar perda de tempo, os analistas devem expor a história que estão tentados a contar e examiná-la de vários ângulos com investigações de acompanhamento para ver se ela retém água antes de levá-la aos tomadores de decisão. O tomador de decisão deve, então, funcionar como um filtro entre a análise exploratória de dados e o rigor estatístico, se alguém com responsabilidade pela decisão achar que a exploração do analista é promissora para uma decisão que ele tem que tomar, ele pode contratar um estatístico que gasta tempo para fazer uma análise mais rigorosa. (Este processo indica por que apenas dizer aos analistas para melhorar em estatísticas perde o ponto de uma maneira importante. Não apenas as duas atividades são separadas, mas outra pessoa fica entre elas, o que significa que não é necessariamente mais eficiente para uma pessoa fazer as duas coisas.)

Analytics para aprendizado de máquina e IA

Os especialistas em aprendizado de máquina colocam várias entradas de dados em potencial por meio de algoritmos, ajustam as configurações e continuam iterando até que as saídas corretas sejam produzidas. Embora possa parecer que não há função para análise aqui, na prática, uma empresa muitas vezes tem muitos ingredientes potenciais para enfiar no liquidificador de uma só vez. Uma maneira de filtrar para um conjunto promissor de entradas para tentar é experiência de domínio – pergunte a um humano com opiniões sobre como as coisas podem funcionar. Outra maneira é por meio de análises, para usar a analogia de cozinhar, o engenheiro de aprendizado de máquina é ótimo em consertar a cozinha, mas agora ele está em frente a um armazém enorme e escuro cheio de ingredientes potenciais. Eles poderiam começar a agarrá-los ao acaso e arrastá-los de volta para suas cozinhas, ou eles podem enviar um velocista armado com uma lanterna através do armazém primeiro. Seu analista é o velocista; sua capacidade de ajudá-lo a ver e resumir rapidamente o que está aqui é uma superpotência para o seu processo.

Os perigos de analistas subestimados

Um excelente analista não é uma versão inferior do engenheiro de aprendizado de máquina; seu estilo de codificação é otimizado para velocidade – propositalmente. Tampouco são maus estatísticos, pois não lidam de forma alguma com a incerteza, mas com os fatos, a principal função do analista é dizer: “Aqui está o que está em nossos dados. Não é meu trabalho falar sobre o que isso significa, mas talvez inspire o tomador de decisão a buscar a questão com um estatístico ”.

Se você enfatizar demais as habilidades de contratação e recompensa em aprendizado de máquina e estatística, perderá seus analistas. Quem o ajudará a descobrir quais problemas vale a pena resolver? Você ficará com um grupo de especialistas infelizes que continuam sendo solicitados a trabalhar em projetos inúteis ou tarefas analíticas para as quais eles não se inscreveram. Seus dados ficarão inúteis.

Na dúvida, contrate analistas antes de outras funções, aprecie-os e recompense-os. Incentive-os a crescer até as alturas da carreira escolhida (e não a de outra pessoa). 

Do elenco de personagens mencionados nesta história, os únicos de que todos os negócios precisam são os tomadores de decisão e analistas!

Os outros você só poderá usar quando souber exatamente para que precisa, comece com análises e tenha orgulho de sua capacidade recém-descoberta de abrir seus olhos para as informações ricas e bonitas que estão à sua frente. 

A inspiração baseada em dados é uma coisa poderosa!

Cassie Kozyrkov é a cientista-chefe de decisões do Google.

https://hbr-org.cdn.ampproject.org/c/s/hbr.org/amp/2018/12/what-great-data-analysts-do-and-why-every-organization-needs-them

 

 

Compartilhe em suas Redes Sociais