Business intelligence e big data: os cinco papéis, e por que ser didático virou skill técnica

Adriana Silva tem formação em estatística e passou por grandes empresas de tecnologia e de mídia antes de montar a própria operação de educação em ciência de dados, com cursos abertos, treinamentos dentro de empresas e consultoria. Trabalha na área há cerca de 12 anos. Nesta conversa com Mariana Paes, professora e pesquisadora de engenharia na UFJF, ela separa o que cada papel da área realmente faz, explica por que a área de ciência de dados vai desaparecer, e entrega a resposta mais original da série sobre comunicar resultado técnico.

Primeiro, uma observação sobre quem está na sala

A convidada abre a conversa com um ponto que não é anexo ao tema:

"Vamos combinar que, na área de tecnologia, o número de mulheres é muito menor. E a gente tem que incentivar muito a colocar mais mulheres na nossa área — para a gente resolver os nossos problemas. Porque, quando tem muitos homens, eles estão muito focados em resolver os problemas deles. E quando a gente entra nesse meio, a gente começa a resolver os nossos também." — Adriana Silva

É um argumento sobre que perguntas são feitas aos dados, não sobre representação como valor abstrato — e ele conecta diretamente com o que ela dirá depois sobre o problema de negócio ser o ponto de partida de tudo.

Business intelligence e big data: os nomes não significam a mesma coisa em lugar nenhum

Perguntada se vale distinguir BI, analytics e ciência de dados, Adriana começa pelo realismo:

"Todo mundo tenta definir, mas cada um usa a definição que lhe convém. Então, o que é um BI para uma pessoa vai até um pedaço; para outra, vai um pouco além. As definições são realmente diferentes de empresa a empresa." — Adriana Silva

E a consequência prática, que ela aplica em cada cliente novo:

"A primeira coisa que eu faço é entender quem são as pessoas. Porque o nome, hoje em dia, cada um dá o nome que quer. O fato é que é importante entender a tarefa."

Os cinco papéis, pelo que cada um faz

A distinção que mais confunde, segundo ela, é entre o business analytics e o cientista de dados:

"O business analytics está muito mais focado em gerar insights, enquanto o cientista de dados está muito mais preocupado em fazer um modelo que performe bem. Esse cara está preocupado em generalização." — Adriana Silva

E a brincadeira que ela usa com os alunos para fixar:

"Esse cara está preocupado em tentar ser Deus, porque ele quer prever o futuro. Mas Deus a gente não vai conseguir ser — a gente tenta chegar o mais perto possível."

Com a ressalva técnica que vem junto, e que é a parte séria da piada:

"O cientista de dados vem com o papel de estimar o futuro, não se preocupando com os insights — porque está preocupado em tentar ser Deus da forma mais próxima que consegue. O que nem sempre vai me garantir interpretação."

Ou seja: modelo que acerta e modelo que explica não são a mesma coisa, e a escolha entre os dois é uma decisão de negócio, não técnica.

E sobre o analista de BI, uma observação que reposiciona o campo inteiro:

"O BI está focado em analisar o dado daqui para trás, o que já aconteceu no passado, e trazer insights através de dashboards e análises — onde a estatística se vangloria, porque tudo que virou um dashboard virou uma análise estatística. E a gente precisa interpretar isso e trazer valor para o negócio."

Mariana Paes nomeia a virada que separou as duas eras:

"A gente trabalhou durante muito tempo com o descritivo, que é o que a gente chamou de BI. E aí a virada de chave foi a predição: a partir do momento em que o pessoal falou 'talvez seja mais interessante, uma vez que tudo mudou tão rápido, a gente começar a pensar mais no futuro do que ficar tentando se basear no passado'." — Mariana Paes

O gargalo não é computação. É estatística

Mariana Paes, que orienta trabalhos na área, faz o diagnóstico:

"O nó, o gargalo, está sempre na estatística e na matemática. Porque o aluno vai encontrar scripts prontos para quase qualquer problema que uma empresa tem — ele se vira na parte de computação muito fácil. Mas, quando começa a apertar, você vai ter que visitar uns livros dessa grossura de estatística, entender e de fato saber falar do que você está falando. Esse é o pulo do gato do profissional que quer realmente ser referência nessa área." — Mariana Paes

Adriana confirma sem rodeio:

"Se um cara quer ser bom na área de ciência de dados, ele vai cair na estatística. Não tem por onde fugir."

E então amplia o argumento para fora da profissão:

"O meu sonho é que, pelo menos, a população soubesse estatística básica. Porque a vida de todo mundo ia melhorar já, se ela soubesse entender riscos, entender o que é probabilidade, entender o que é chance, entender como essas coisas funcionam." — Adriana Silva

E as ferramentas

As duas que ela considera indispensáveis: R e Python. "São as mais usadas e as mais envolvidas."

Para visualização, ela aponta que a maioria das opções conhecidas é paga, e lembra que existe alternativa aberta que trabalha junto com o R — o que importa, no raciocínio dela, é ter como criar painéis que permitam interação com o dado.

E uma definição de passagem que vale guardar:

"Algoritmo é a técnica estatística funcionando por si só."

Como business intelligence e big data chegaram até aqui, em três fases

Adriana reconstrói a trajetória a partir dos próprios 12 anos de profissão.

Fase 1 — data mining, e ninguém sabia o que era.

"Quando eu comecei a trabalhar, a palavra mágica não era big data nem machine learning: era data mining. Todo mundo falava desse negócio, mas a sensação que eu tinha é que todo mundo falava e ninguém sabia o que era. Era tudo muito mal explicável e muito nebuloso. Quando eu comecei a estudar a fundo e entender a lógica, eu falei: cara, isso aqui é estatística." — Adriana Silva

Com a qualificação que ela acrescenta: estatística "numa visão um pouco diferenciada, que é o conceito de ser capaz de generalizar".

Fase 2 — bons modelos que não entravam em produção.

"O foco era muito em fazer um modelo bom, que tivesse boas predições. Só que a gente ainda tinha ineficiências por conta das capacidades computacionais. A galera criava um modelo bom, mas não conseguia automatizar isso."

Fase 3 — o boom de DevOps.

"A gente já sabe fazer um modelo — porque o data mining é o que a gente chama hoje de machine learning. Só que a gente não consegue colocar isso em produção em tempo hábil, em velocidade. Então vamos começar a focar em operacionalização. E aí a área de DevOps começou a fazer um boom gigante."

O que as empresas estão pedindo

Adriana fala a partir de uma posição privilegiada para responder: ela vende treinamento dentro de empresas e consultoria, e vê a demanda chegar.

"Eu posso listar facilmente dez empresas recentes que me pediram exatamente a mesma coisa: Adriana, eu preciso fazer a minha empresa ser data-driven. Como eu coloco na cabeça dos meus funcionários que dados são importantes e que eles têm valor para gerar novos insights, para gerar novos negócios?" — Adriana Silva

E a leitura dela sobre o que isso significa:

"As empresas já entenderam. Os grandes líderes entenderam que isso é o futuro. Ficar no meu achismo não vai me levar a novos negócios, não vai me levar a decisões estratégicas."

A previsão: a área de ciência de dados vai morrer

"O que eu troco com meus colegas que são líderes e diretores de ciência de dados? Eles falam: cara, minha área vai morrer. Como assim a área de ciência de dados vai morrer? É, ela vai morrer porque ela vai estar em toda a empresa. Então eu não vou ter uma área." — Adriana Silva

E a consequência para quem está entrando no mercado:

"Nesse momento, é natural que todo mundo que entre já tenha a necessidade de saber o que são dados, como lidar com eles, como conversar com eles, como trazer insights."

Vale notar que essa previsão converge com a metáfora do fungo que outro convidado da mesma série usa para descrever onde o time de dados deve morar: não num silo, mas com raízes em toda parte.

A aplicação que quase ninguém faz: olhar para dentro

Mariana Paes levanta um uso pouco explorado — usar mineração de texto e de dados sobre produção científica e patentes para prospecção tecnológica, em vez de usar analytics apenas para entender o consumidor.

Ela relata o que aconteceu quando apresentou um trabalho assim a uma empresa:

"O pessoal ficou de cara, como se fosse uma coisa bastante nova. Você fala: não invista nesse tipo de tecnologia em que você está investindo e às vezes pagando caro, porque numa universidade está surgindo e está todo mundo publicando sobre determinado assunto que vai substituir — você vai perder dinheiro." — Mariana Paes

E a formulação que resume a lacuna:

"Eu posso usar ciência de dados também para olhar para dentro, e não só para o meu público e o comportamento do consumidor."

Adriana confirma a amplitude:

"Dá para aplicar em absolutamente tudo. Vai depender do problema de que a gente está falando e se existe um conjunto de dados para explorar. O ponto mais importante é sempre pensar no problema de negócio."

E observa o que está mudando:

"Como essas coisas estão sendo muito mais difundidas, as pessoas estão começando a ser mais criativas em criar problemas — em pensar em problemas que possam ser resolvidos."

Criatividade como competência técnica

Este é um dos pontos mais incomuns do episódio, e ela o trata como requisito, não como temperamento.

"Quanto mais a gente vai crescendo, menos criativo a gente vai sendo. Por quê? A pressão, os horários, os compromissos vão fazendo a gente ficar sempre numa caixinha." — Adriana Silva

A analogia que ela usa:

"O nosso cérebro é um músculo. Se a gente não trabalha ele, ele vai atrofiando. A mesma coisa quando a gente pensa numa academia."

E a receita:

"Ler vários materiais diferentes, criar insumos para que o seu cérebro, baseado nesses insumos, convirja em criar algo novo. Criatividade, hoje, é o que eu enxergo como um grande diferencial."

Mariana aponta por que isso raramente aparece nas listas de competência da área:

"Falam de conhecimento de estatística, computação, conhecimento de negócios — mas é raro a gente falar que o profissional de ciência de dados também tem que ser muito criativo. O ser humano em geral é bom em criar problema, mas às vezes a gente não acha os problemas certos." — Mariana Paes

"Ser professor" é uma competência de cientista de dados

Pergunta da audiência: depois de aplicar todos os algoritmos, como apresentar os resultados a quem não entende do assunto?

A resposta é a melhor do episódio.

"Outro skill que eu entendo que é muito importante para o cientista de dados é ser professor. Por quê? Ninguém tem a obrigação de saber essas coisas técnicas que a gente faz, que a gente estuda. Eu vou ter que ter a missão de ser didático para passar essa mensagem." — Adriana Silva

E o critério que ela usa para julgar a própria apresentação:

"O termo que eu uso é ser sensual. Se eu não sou sensual na hora de expor um projeto, ninguém compra a minha ideia. Então, além de eu ter que me preocupar em fazer, eu tenho que me preocupar em passar a mensagem."

Os recursos dela em sala: explicar um algoritmo de aprendizado de máquina com laranja e mexerica; explicar uma arquitetura de processamento distribuído com bolinhas.

A apresentação em Mario Bros

E o caso que ela conta é o exemplo mais concreto de comunicação de resultado técnico que aparece na série.

"Eu estava fazendo um modelo de cluster, de agrupamentos, e o meu cliente adorava videogame. Só falava de videogame — todos os almoços a gente ficava falando de videogame. Falei: cara, se eu tenho que ser sensual para esse cara, eu vou trazer a minha apresentação na linguagem dele." — Adriana Silva

O resultado:

"A minha apresentação foi de Mario Bros. Cada buraquinho, cada caninho em que o Mario entrava era um cluster que eu apresentava para ele. E aí eu contava toda a história de negócio brincando, jogando um jogo de Mario Bros."

E a lição que ela extrai:

"Criatividade junto com didática, e junto com entender o que é importante para o meu cliente — para que eu venda o peixe da forma adequada."

O dashboard com 500 mil indicadores

Uma participante da audiência levanta o problema mais comum do campo: e o mundo real, que fica gerando painéis com centenas de indicadores achando que isso é análise?

Mariana descreve o quadro:

"Fica aquele mundo de gente controlando, tratando dados na empresa o dia inteiro — mas ninguém pensa nos dados. Ninguém para para refletir o que aquilo está dizendo. E às vezes metade daquilo não precisava nem estar sendo acompanhado." — Mariana Paes

Adriana responde com a imagem exata do problema:

"Tem um meme que é a definição perfeita disso: um relatório gigante, um monte de gráfico, um monte de análise — e no final tem um indicador, que é o percentual de pessoas que estão entendendo esse relatório. E ele está em 0%." — Adriana Silva

E o diagnóstico de causa:

"Se eu coloco um cara só para ficar moendo o dado, ele está moendo — mas não sabe nem por quê, nem para quem. Está faltando negócio, está faltando estratégia."

A regra que ela deriva:

"Dados mal utilizados não servem para nada. Dados trazendo análises que ninguém olha não servem para nada."

A analogia do livro fechado

"Se eu compro um livro que tem um monte de análise, mas ele está fechadinho na minha cabeceira e eu não li, ele não mudou nada em mim. Para eu ler, ele tem que ter uma motivação — e a motivação para eu ler é minha, conforme a minha necessidade. Então: entenda a necessidade do cliente para você criar alguma coisa que tenha valor para ele. Se não tiver valor, vai ser mais uma coisa descartável." — Adriana Silva

E o preço de ignorar isso, que ela viu de dentro da consultoria:

"Quantos projetos eu já não vi a galera gastar milhões? Não é um, dois reais, não — milhões de reais, e ninguém usar. Por quê? Porque faltou negócio."

O que software nenhum resolve

As duas fecham no mesmo ponto.

Mariana levanta o problema econômico das soluções: são caras, exigem tempo de aprendizado e mudam depressa — "em um horizonte de cinco anos, muita coisa mudou, e a empresa investiu muito em determinada solução, precisou desse tempo para aprender a usar, e às vezes já mudou". E oferece a saída:

"Se a gente tiver pessoas atentas, curiosas, criativas, pode mudar o que for de ferramenta. Porque as pessoas vão estar ali." — Mariana Paes

Adriana confirma, e é esse o fecho do episódio:

"O que eu vejo hoje é que as empresas perceberam que gastar só em software não resolve problema nenhum. Não adianta eu ter o melhor software do mundo se eu não tiver seres pensantes, seres criativos, curiosos e engajados na minha empresa. Uma ferramenta não vai resolver todos os problemas." — Adriana Silva

E a nota final sobre a própria prática:

"Mesmo as professoras aqui, a gente não para de estudar nunca. Cada dia é uma coisa nova. A palavra estudar é eterna."

Quem é Adriana Silva

• Formação em estatística, com cerca de 12 anos de atuação na área
• Passagens por grandes empresas de tecnologia, software e mídia
• Hoje dirige a própria operação de educação em ciência de dados, com três frentes: cursos para turmas abertas, treinamentos dentro de empresas e consultoria
• Atua também como professora, com foco declarado em didática — "divirta-se aprendendo de verdade" é o lema que ela cita

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 #5 — Business Intelligence em tempos de Big Data Quadro: Ensaio do Futuro, com Mariana Paes Convidada: Adriana Silva

Ouvir no Spotify

Página do episódio no VoittoCast

Para aplicar

• Todos os episódios do VoittoCast
• Alfabetização de dados: ler, analisar e argumentar
• Carreira em ciência de dados: o unicórnio é o time
• Marketing orientado a dados: dado pronto e insight
• Business intelligence em médias empresas: por onde
• Business intelligence: o que é e para que serve
• Analista de business intelligence: o que faz
• Big data analytics: o que é
• Cientista de dados: o que faz e como se tornar
• Python na ciência de dados