O que fazem os grandes analistas de dados - e por que toda organização precisa deles

O troféu de melhor contratação em ciência de dados é difícil de ser obtido, e não é nenhuma surpresa: um cientista de dados "full-stack" domina o aprendizado de máquina, as estatísticas e a análise. Quando as equipes não conseguem colocar as mãos em um polímata três-em-um, elas se concentram em atrair o prêmio mais impressionante entre os especialistas de origem única. Qual dessas habilidades fica com o pedestal? A moda atual da ciência de dados favorece a sofisticação chamativa com uma pitada de ficção científica, tornando a IA e o aprendizado de máquina os queridinhos do mercado de trabalho. Outros concorrentes ao posto de alfa vêm da estatística, graças a uma reputação centenária de rigor e superioridade matemática. E os analistas? A análise como um cidadão de segunda classe Se a sua principal habilidade é a análise (ou a mineração de dados ou o business intelligence), é provável que sua autoconfiança tenha sido abalada à medida que o aprendizado de máquina e a estatística se tornaram valorizados nas empresas, no mercado de trabalho e na mídia. Mas o que os não iniciados raramente entendem é que as três profissões sob o guarda-chuva da ciência de dados são completamente diferentes umas das outras. Elas podem usar alguns dos mesmos métodos e equações, mas a semelhança termina aí. Longe de ser uma versão inferior das outras raças de ciência de dados, os bons analistas são um pré-requisito para a eficácia de seus esforços com dados. É perigoso fazer com que eles desistam do senhor, mas é exatamente isso que eles farão se o senhor não os valorizar. Em vez de pedir a um analista que desenvolva suas habilidades em estatística ou aprendizado de máquina, considere a possibilidade de incentivá-lo a buscar primeiro o auge de sua própria disciplina. Na 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 da ciência de dados, o valor que elas trazem e quais traços de personalidade são necessários para sobreviver em 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 chegar a 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 de forma descuidada é um pecado maior do que deixar sua mente em branco, portanto, espere que um bom estatístico freie sua exuberância. Eles se preocupam profundamente com o fato de os métodos aplicados serem adequados para o problema e se preocupam com quais inferências são válidas a partir das informações disponíveis. 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 resultado? Uma perspectiva que ajuda os líderes a tomar decisões importantes com controle de riscos. Em outras palavras, eles usam os dados para minimizar a chance de o senhor chegar a uma conclusão insensata. Excelência em aprendizado de máquina: desempenho O senhor pode ser um engenheiro de IA/aprendizado de máquina aplicado se a sua resposta à pergunta "Aposto que o senhor não conseguiria criar um modelo que passasse nos testes com 99,99999% de precisão" for "Observe-me". Com as habilidades de codificação para criar protótipos e sistemas de produção que funcionem e a resiliência obstinada para falhar a cada hora durante 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 sobre quanto tempo levará para experimentar cada nova opção é uma grande vantagem e é mais valioso do que ter um conhecimento profundo de como os algoritmos funcionam (embora seja bom ter os dois). Desempenho significa mais do que limpar uma métrica - significa também modelos confiáveis, escaláveis e de fácil manutenção que funcionam bem na produção. A excelência em engenharia é imprescindível. O resultado? Um sistema que automatiza uma tarefa complicada o suficiente para passar pela rigorosa barra de testes do estatístico e oferecer o desempenho audacioso exigido por um líder de negócios. Amplo versus profundo O que as duas funções anteriores têm em comum é que ambas oferecem soluções de alto esforço para problemas específicos. Se não valer a pena resolver os problemas que eles enfrentam, o senhor acaba desperdiçando o tempo e o dinheiro deles. Um lamento frequente entre os líderes empresariais é: "Nosso grupo de ciência de dados é inútil". E o problema geralmente está na ausência de especialização em análise. Os estatísticos e os engenheiros de aprendizado de máquina são trabalhadores estreitos e profundos - a forma de uma toca de coelho, diga-se de passagem -, portanto, é muito importante direcioná-los para problemas que mereçam esse esforço. Se seus especialistas estiverem resolvendo cuidadosamente os problemas errados, seu investimento em ciência de dados terá baixo retorno. Para garantir que o senhor possa fazer bom uso de especialistas estreitos e profundos, é preciso 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 programadores ultrarrápidos que conseguem navegar rapidamente por vastos conjuntos de dados, encontrando e revelando possíveis insights mais rapidamente do que os outros especialistas conseguem dizer "quadro branco". Seu estilo de codificação meio desleixado confunde os engenheiros de software tradicionais, mas os deixa na mão. A velocidade é sua maior virtude, seguida de perto pela capacidade de identificar joias potencialmente úteis. O domínio da apresentação visual das informações também ajuda: gráficos bonitos e eficazes permitem que a mente extraia informações com mais rapidez, o que compensa em termos de tempo para obter insights potenciais. O resultado é que a empresa passa a ter um dedo no pulso e olhos para incógnitas antes desconhecidas. Isso gera a inspiração que ajuda os tomadores de decisão a selecionar missões valiosas para enviar aos estatísticos e engenheiros de ML, poupando-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 bobagens". Com isso, eles querem dizer que os resultados de sua exploração podem refletir apenas ruído. Talvez, mas a história é mais complexa. Os analistas são contadores de histórias de dados. Sua função é resumir fatos interessantes e usar os dados como inspiração. Em algumas organizações, esses fatos e essa inspiração tornam-se insumos para os tomadores de decisão humanos. Porém, em operações de dados mais sofisticadas, a inspiração baseada em dados é sinalizada para acompanhamento estatístico adequado. Os bons analistas têm um respeito inabalável pela única regra de ouro de sua profissão: não chegue a conclusões além dos dados (e evite que seu público também o faça). Para isso, uma forma de identificar um bom analista é o fato de ele usar uma linguagem mais suave e com ressalvas. Por exemplo, não "concluímos", mas "somos inspirados a nos perguntar". Eles também desencorajam o excesso de confiança dos líderes ao enfatizar uma infinidade de interpretações possíveis para cada insight. Desde que os analistas se atenham aos fatos - dizendo apenas "Isto é o que está aqui". - e não se levem muito a sério, o pior crime que podem cometer é desperdiçar o tempo de alguém quando o fazem. Embora as habilidades estatísticas sejam necessárias para testar hipóteses, os analistas são a melhor opção para criar essas hipóteses em primeiro lugar. Por exemplo, eles podem dizer algo como "A TI é apenas uma correlação, mas suspeito que ela possa ser causada por..." e, em seguida, explicar por que pensam assim. Isso requer uma forte intuição sobre o que pode estar acontecendo além dos dados e habilidades de comunicação para transmitir as opções ao tomador de decisões, que normalmente decide quais hipóteses (dentre muitas) são importantes o suficiente para justificar o esforço de um estatístico. À medida que 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 intermediários. Das três raças, os analistas são os herdeiros mais prováveis do trono da decisão. Como a experiência no assunto ajuda muito a identificar padrões interessantes nos dados com mais rapidez, os melhores analistas levam a sério a familiarização com o domínio. Não fazer isso é um sinal de alerta. À medida que a curiosidade dos analistas os leva a desenvolver uma noção do negócio, é de se esperar que seus resultados deixem de ser um amontoado de alarmes falsos e passem a ser um conjunto de insights com curadoria sensata, com os quais os tomadores de decisão provavelmente se importarão. Análise para a tomada de decisões Para evitar a perda de tempo, os analistas devem apresentar a história que estão tentados a contar e analisá-la de vários ângulos com investigações de acompanhamento para ver se ela é válida antes de apresentá-la aos tomadores de decisão. O tomador de decisões deve então funcionar como um filtro entre a análise exploratória de dados e o rigor estatístico. Se o responsável pela decisão achar que a exploração do analista é promissora para uma decisão que precisa tomar, ele poderá autorizar que um estatístico dedique tempo para fazer uma análise mais rigorosa. (Esse processo indica por que apenas dizer aos analistas que melhorem em estatística não é o ideal 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 que uma pessoa faça as duas coisas). Análise para aprendizado de máquina e IA Os especialistas em aprendizado de máquina submetem uma série de entradas de dados potenciais a algoritmos, ajustam as configurações e continuam iterando até que os resultados corretos sejam produzidos. Embora possa parecer que não há função para a análise aqui, na prática, uma empresa geralmente tem muitos ingredientes potenciais para colocar no liquidificador de uma só vez. Uma forma de filtrar um conjunto promissor de insumos a serem testados é o conhecimento do domínio - pergunte a um ser humano que tenha opiniões sobre como as coisas podem funcionar. Outra forma é por meio da análise. Para usar a analogia da culinária, o engenheiro de aprendizado de máquina é ótimo em mexer na cozinha, mas neste momento ele está diante de um enorme armazém escuro cheio de ingredientes potenciais. Eles podem começar a pegá-los ao acaso e arrastá-los de volta para suas cozinhas, ou podem enviar um velocista armado com uma lanterna para atravessar o armazém primeiro. Seu analista é o velocista; a capacidade dele de ajudá-lo a ver e resumir rapidamente o que está aqui é um superpoder para o seu processo. Os perigos de subestimar os analistas Um excelente analista não é uma versão de má qualidade do engenheiro de aprendizado de máquina; seu estilo de codificação é otimizado para velocidade - propositalmente. Ele também não é um estatístico ruim, pois não lida com incertezas, mas com fatos. O principal trabalho do analista é dizer: "Aqui está o que há em nossos dados. Não é minha função falar sobre o que isso significa, mas talvez isso inspire o tomador de decisão a buscar informações com um estatístico." Se o senhor enfatizar demais a contratação e a recompensa por habilidades em aprendizado de máquina e estatística, perderá seus analistas. Então, quem ajudará o senhor a descobrir quais problemas valem a pena resolver? O senhor ficará com um grupo de especialistas infelizes que continuam sendo solicitados a trabalhar em projetos inúteis ou tarefas de análise para as quais não se inscreveram. Seus dados ficarão espalhados por aí sem utilidade. Em caso de dúvida, contrate analistas antes de outras funções. Valorize-os e recompense-os. Incentive-os a crescer até o ponto mais alto da carreira que escolheram (e não a de outra pessoa). Do elenco de personagens mencionados nesta história, os únicos que toda empresa precisa são os tomadores de decisão e os analistas. Os outros só poderão ser usados quando o senhor souber exatamente para que precisa deles. Comece com a análise e orgulhe-se de sua recém-descoberta capacidade de abrir os olhos para as ricas e belas informações que estão à sua frente. A inspiração baseada em dados é algo poderoso.

O que fazem os grandes analistas de dados - e por que toda organização precisa deles

Resumo.

Partner Center