Alfabetização de dados: por que mexer no eixo Y muda a história sem mentir

Cesar Ripari é diretor de pré-vendas para a América Latina de uma empresa com quase 30 anos no mercado de analytics, e responde também pelo programa acadêmico dela na região. Nesta conversa com Mariana Paes, professora e pesquisadora de engenharia na UFJF, ele define alfabetização de dados em quatro verbos, lista os cinco erros que fazem empresas chegarem à resposta errada com trabalho bem feito, e desloca o tema de competência profissional para competência de cidadania.

Quatro verbos, e o quarto é o que importa

"Alfabetização de dados é uma tradução livre do termo data literacy. É uma habilidade de você ler, trabalhar, analisar e argumentar com os dados. Tem uma parte importante dessa definição, que é a argumentação: como é que a gente faz as perguntas certas para os dados que a gente tem na mão?" — Cesar Ripari

Repare no que o quarto verbo acrescenta. Ler, trabalhar e analisar descrevem operação. Argumentar descreve julgamento — e é a parte que não se delega a ferramenta.

O diagnóstico que originou o tema

A empresa dele fez uma pesquisa para medir o nível de conhecimento de dados das pessoas, e a motivação era prática:

"Não adianta a gente ter um produto, ter uma solução de primeiríssima linha, se quem tem que apertar o botão lá no final não consegue interpretar aquele dado." — Cesar Ripari

A conclusão que ele resume numa expressão:

"A gente vive uma era de analfabetismo de dados. Então a gente tem que fazer alguma coisa — não é só fazer produto, a gente precisa capacitar essas pessoas para poderem tomar decisões baseadas em dados."

Os números da pesquisa que ele cita de memória no episódio foram conferidos com a fonte original, com a segmentação corrigida. A ordem de grandeza sustenta o argumento: a maioria das pessoas que trabalha com dados todos os dias não se considera capaz de decidir com eles.

A resposta foi um programa construído em conjunto com outras grandes empresas do setor, numa plataforma aberta de capacitação. "E com detalhe: é tudo de graça, não existe nada cobrado ali."

A jornada do dado, em quatro etapas

Perguntado como as organizações extraem informação relevante de tantas fontes, Ripari descreve um percurso.

1. Integração — tirar o dado do silo.

"Hoje a gente trabalha com muitas fontes de dados, em diferentes formas, formatos, lugares. A nuvem permitiu que esses dados possam estar em qualquer lugar. O primeiro passo é você olhar para uma plataforma de integração: liberar esses dados dos silos onde eles se encontram. Porque, no fundo, muitas vezes a resposta que você procura está na combinação desses dados de diferentes lugares." — Cesar Ripari

2. Compreender e analisar. Aqui entram as ferramentas de analytics. E ele cita o que já é automatizável na limpeza: campos de CEP, de CPF, registros duplicados — "existem muitos campos que podem ser consertados automaticamente".

3. Permissão. Um detalhe que raramente entra nessa conversa:

"Tem um detalhe importante também, que é quem pode analisar qual dado. Você pode ter direito a ver uma determinada informação, e eu não, ou vice-versa. Essa análise também tem que ser pensada de forma que cada usuário acesse o dado que ele tem permissão para acessar."

4. Ação — que, segundo ele, também pode ser automatizada: "dependendo das ações que você recebe, você pode chegar e tomar uma ação automática".

E o que a análise moderna agrega além do gráfico:

"Não só fazendo gráficos maneiros, dashboards bonitos, mas ter um motor associativo que te ajuda a buscar informação, e uma inteligência artificial falando: olha, isso aqui também é interessante, por que você não olha por esse ângulo? E aí você vai tendo cada vez mais diferentes pontos de vista."

Os cinco erros que levam à resposta errada

Esta é a parte mais aplicável do episódio, e nenhum dos cinco é problema de ferramenta.

1. Falta de conhecimento de quem recebe o dado

"É você trazer conhecimento para as pessoas, para que, quando a pessoa tiver com o dado na mão, ela possa questionar aquele dado. Porque tem muitos casos em que a informação que está na mão do tomador de decisão pode não estar clara, pode estar errada. Então a informação pode estar certa e ele vai tomar uma decisão errada — ou a informação pode estar errada e ele vai tomar uma decisão aparentemente certa baseada na informação errada." — Cesar Ripari

2. Definições de KPI não alinhadas

"Quando a gente define um KPI — qual é o KPI de margem? A empresa inteira tem que ter a mesma definição de margem. Não tem uma definição de margem que é minha, uma da Mariana e uma de outras pessoas. Já que a base de dados é a mesma, se a definição for a mesma, no final das contas a gente vai ter a mesma resposta. O que não acontece muitas vezes. Cada área tem sua verdade em termos de informação." — Cesar Ripari

3. Dados sem governança

O que a governança precisa responder, na lista dele:

E a razão pela qual a última não é detalhe:

"Tem informação que você pode usar de uma semana atrás, e não vai ter problema nenhum. Agora, tem outras decisões em que você precisa, no mínimo, da informação do dia anterior."

4. Levantamento errado de requisitos

"Quando você vai resolver um problema de negócio, se você começar errado lá no começo, no levantamento, você vai chegar talvez com um belo de um trabalho — mas com a resposta errada." — Cesar Ripari

5. Visualização

"Por incrível que pareça, não esqueça da visualização. Muitas vezes você tem uma base de dados muito boa, você tem todos os dados que precisa ali — mas, na hora que você vai apresentar aquilo, está feio para a gente entender. Ou está na linguagem errada, falando numa linguagem diferente de quem interessa." — Cesar Ripari

E o que ele acrescenta como requisito, não como enfeite: interatividade. "Será que eu consigo interagir com aquela informação? Posso explorar um pouco mais esse gráfico?"

Mariana Paes resume o deslocamento que isso exige:

"Às vezes a gente acha que o processo termina na análise. E a forma de apresentar é que define a qualidade do trabalho." — Mariana Paes

O eixo Y, e o argumento de cidadania

Este é o melhor trecho do episódio, e é o que tira a alfabetização de dados do território corporativo.

Ripari conta que começou a colecionar gráficos enganosos que via na televisão durante a pandemia. E explica o mecanismo:

"Num eixo Y de qualquer gráfico, você muda a história. Sem mentir. Você não está manipulando nada em termos do dado em si — mas a visualização, você altera. Você pode fazer a curva ficar maior, pode fazer a curva ficar menor, mudando a escala. Aí você conta a história daquele jeito que você acha." — Cesar Ripari

E a competência que isso exige do leitor:

"Uma pessoa que é alfabetizada em dados acaba questionando esse tipo de coisa: opa, peraí, vamos entender melhor qual é o escopo do que estão apresentando aí."

E então a reformulação do porquê:

"Não é só uma questão de a gente ser alfabetizado porque isso é bom para a minha empresa. É bom para mim como pessoa, como cidadão. Na hora que eu bato o olho num gráfico — será que a gente, quando está assistindo, está simplesmente recebendo aquela informação e aceitando aquilo passivamente, ou a gente consegue perguntar para aquele dado?" — Cesar Ripari

Mariana Paes levanta o mesmo ponto do outro lado, do produtor da informação:

"A dificuldade que a gente está encontrando de apresentar dados sobre a pandemia, e as pessoas entenderem esses gráficos. Quem desenvolveu estava muito bem intencionado, mas não conhece a linguagem — essa parte da ponta, depois da análise." — Mariana Paes

O espectro de habilidades da alfabetização de dados

Mariana cita um artigo de referência da área segundo o qual se deve pensar a alfabetização de dados como um espectro de habilidades. Ripari destrincha o espectro em quatro camadas.

1. Aprendizado

"Você tem que estar aberto a aprender todo dia, estudar todo dia, procurar informação nova todo dia."

2. Fluência de dados

"Assim como a gente aprende inglês, ou aprende espanhol, é você aprender a falar dados. Por quê? Porque eu tenho que ler, eu tenho que interpretar, eu tenho que escrever. O dado também não deixa de ser uma língua." — Cesar Ripari

Ele credita a formulação de dado como segunda língua a Valerie Logan, estudiosa que atuou no Gartner. E o efeito prático que busca:

"Você vai adquirindo fluência de dados para se sentir cada vez menos desconfortável quando você se depara com um gráfico, quando você se depara com alguma informação."

3. Habilidade analítica

"Com base no aprendizado e na fluência, você vai elevando a barra: você consegue definir aquilo que é importante para o trabalho que vai fazer, aquilo que não é importante, usar metodologias. E aí entra um pouquinho de estatística também, porque aí não tem como — a estatística é a base de tudo isso." — Cesar Ripari

4. Contar uma história

"Não adianta você ter todos os dados na mão se você não conseguir contar uma história com aqueles dados. É você responder a pergunta de negócio com os dados que está apresentando, e poder interagir com aqueles dados de uma forma que leve a uma tomada de decisão correta." — Cesar Ripari

E a observação sobre o tamanho do campo:

"Cada vez que você clica em um deles, ele abre mais um monte. Por isso que ele é apaixonante: você tem sempre a oportunidade de aprender uma coisa diferente."

Sobre a falta de profissionais

"Falta, e falta muito. E assim, não é só a questão do profissional que sabe ser engenheiro de dados. Se a gente for olhar a indústria 4.0, você tem biotecnologia, internet das coisas, gêmeos digitais, toda a parte de ciência de dados." — Cesar Ripari

O diagnóstico de causa:

"A tecnologia avança numa velocidade e a nossa capacidade de desenvolver profissionais habilitados para aquilo não acompanha. Então você tem que estar o tempo inteiro aprendendo."

A evidência autobiográfica que ele usa:

"Quando eu estudei ciência da computação lá atrás, tinha três ou quatro linguagens de programação. Quantas tem hoje? Milhares."

E o contrapeso otimista:

"O que não falta é oportunidade para aquelas pessoas que estão a fim de aprender uma coisa diferente, meter a cara para aprender e sair do outro lado."

Ele também relata uma leitura sobre o encurtamento do intervalo entre revoluções industriais — uma conta aproximada, que vale como ilustração e não como dado.

E ele recusa a palavra "abismo"

Perguntado se a chegada do 5G e de novas tecnologias vai ampliar o abismo no mercado de trabalho:

"Eu não diria que é um abismo. Eu diria que vai aumentar muito as possibilidades de você se especializar em alguma coisa. A gente parte de um princípio: que a pessoa está capacitada a lidar com dados. Porque, para qualquer lado que ela for, os dados vão ser a base. Seja para configurar um robô, seja para criar um algoritmo." — Cesar Ripari

Alfabetização de dados não exige familiaridade com tecnologia

Pergunta da audiência, e a resposta é clara:

"A alfabetização de dados não necessariamente depende que você seja um expert em tecnologia. Inclusive, quando a gente coloca esse programa, a gente quase não fala de tecnologia — a gente fala de uma série de competências que envolvem tecnologia, obviamente, mas que não são totalmente tecnologia." — Cesar Ripari

O que de fato é exigido: pensar estatisticamente e exercitar pensamento analítico.

"Eu não veria a parte de tecnologia como um impeditivo para você se alfabetizar em dados. Eu vejo como uma forma até de te levar para essa área, porque você vai acabar se empolgando."

E Mariana Paes fecha o argumento com a distribuição de papéis:

"A pessoa que não tem alinhamento com tecnologia vai assumir esse papel de traduzir os dados, ou de saber que tipo de informação ela precisa daqueles dados. Não precisa de conhecimento de tecnologia — ela precisa conhecer o problema." — Mariana Paes

Ripari confirma e inverte a ordem de partida:

"É você conseguir identificar bem qual é o problema que você vai resolver. E a partir do problema, vem todo o resto: que tipo de informação você vai precisar, e aí você monta aquilo que precisa para responder àquela pergunta de negócio."

Ensinar como forma de aprender

Perguntado como levar isso a comunidades sem acesso a computador, Ripari descreve o formato de sala de aula com um instrutor que já passou pelo processo — e aí entrega o mecanismo mais reaproveitável do episódio:

"Uma característica que faz parte da alfabetização de dados é o aprendizado, mas é também a mentoria. A partir do momento em que eu ensino alguém a fazer aquela tarefa, eu consolido aquele conhecimento que estou repassando." — Cesar Ripari

A cascata que ele descreve: quem aprendeu repassa, e ao repassar solidifica; quem recebeu passa adiante. "E aí isso vai tornando cada vez mais fácil."

É um argumento de escala e de aprendizado ao mesmo tempo, e funciona dentro de uma empresa tanto quanto numa comunidade.

Deveria começar na escola?

"Olha, eu acho que você devia ter cantado essa pergunta e não lido. A minha resposta é um sonoro sim." — Cesar Ripari

A razão:

"Hoje a gente tem um currículo que faz a matemática básica, mas não leva as pessoas a começarem esse espírito de questionamento, um pouco de estatística, de entender como as coisas se relacionam. Não tem a questão de você poder unir aqueles dados e contar uma história a partir deles."

E o exemplo de como seria, que ele viu num livro infantil sobre o tema: fazer um gráfico de quantos amiguinhos estão de tênis azul, ou de qual é o personagem preferido da turma.

"Você vai embutindo na cabeça das crianças esse olhar um pouco diferenciado."

Sistemas legados não são desculpa

Pergunta da audiência sobre como integrar sistemas antigos.

"Hoje você consegue buscar esses dados, seja de que plataforma for. Você pode tirar os dados de lá, consumir esses dados automaticamente, sem mexer no seu legado, se você não quiser. E hoje a gente fala muito de estruturas de data warehouse, de data lake, onde você traz esses dados para uma estrutura mais organizada." — Cesar Ripari

Por que isso importa economicamente:

"Muitas vezes tem um investimento que já foi feito no passado, que é um investimento muito grande."

E a analogia que ele usa para descrever a experiência desejada é a melhor do bloco:

"Todo mundo aqui já fez uma compra no comércio eletrônico. Você pega um livro e arrasta para o carrinho. Imagina se você tivesse a mesma possibilidade de fazer isso com uma base de dados. Eu tenho uma base de dados que me interessa, que tem os dados que eu preciso, e eu arrasto para um carrinho. E depois daquele carrinho eu jogo para a minha plataforma de visualização." — Cesar Ripari

O veredito dele sobre a dificuldade:

"Desculpa não é, com certeza. Não é tão difícil quanto parece."

Com a ressalva de honestidade quando a apresentadora pergunta se é fácil: "o que a gente pode dizer é que ela não é impossível. Basta você ter o desprendimento de tomar a iniciativa de fazer".

E a observação sobre o período:

"A pandemia acelerou. Fez com que muitas empresas que tinham estratégia de cinco anos acabassem fazendo em cinco meses um monte de coisa que estava no plano lá na frente."

O fecho: os dois jeitos de errar

A moderadora do episódio resume a simetria que atravessa a conversa:

"Se você pega dados errados e toma uma boa decisão, a solução pode não ser a melhor. Mas, se você tem dados corretos e não sabe tomar uma boa decisão, também não adianta muita coisa." — Bárbara, moderadora do episódio

É exatamente por isso que o tema não se resolve comprando ferramenta: as duas pontas falham de forma independente.

Quem é Cesar Ripari

• Diretor de pré-vendas para a América Latina de uma empresa com quase 30 anos no mercado de analytics, líder do segmento em avaliações de mercado por mais de uma década consecutiva
• Responde também pelo programa acadêmico da companhia na região, voltado a universidades, com acesso gratuito a material e ferramenta para professores e alunos vinculados
• Formação em ciência da computação
• Participa de uma iniciativa aberta e gratuita de alfabetização de dados, construída em conjunto com outras grandes empresas do setor

A entrevistadora é Mariana Paes, professora e pesquisadora de engenharia na Universidade Federal de Juiz de Fora, com atuação em empreendedorismo, tecnologia da informação e gestão da inovação, e apresentadora do quadro Ensaio do Futuro do VoittoCast.

Ouvir o episódio

VoittoCast #91 — Alfabetização de Dados: mais que tecnologia, uma mudança cultural Quadro: Ensaio do Futuro, com Mariana Paes Convidado: Cesar Ripari

Ouvir no Spotify

Página do episódio no VoittoCast

Para aplicar

• Todos os episódios do VoittoCast
• Gestão da demanda: o censo e o fim do forecast
• Transformação digital no planejamento e controle da produção
• Business intelligence e big data: quem faz o quê
• Smart factory: as 4 camadas da customização
• Carreira em ciência de dados: o unicórnio é o time
• Marketing orientado a dados: dado pronto e insight
• No code: o que dá e o que não dá sem programar
• Business intelligence em médias empresas: por onde
• Teoria da mudança na prática
• Análise de dados: o que é e como fazer
• Data lake: o que é e para que serve
• Governança de dados: o que é e como implantar
• Indicadores de desempenho: como definir e acompanhar
• Big data: o que é e como as empresas usam