Canvas Maturidade Analítica

Como usar o Canvas Maturidade Analítica?

O modelo Maturidade Analítica ajuda você a descobrir:

1. Qual maturidade analítica a minha empresa, os departamentos individuais do meu negócio ou meus clientes têm?
2. Quais são as possíveis aplicações data driven e seus requisitos para a empresa, departamento ou o cliente em relação ao nível de maturidade analítica?
3. Quais são os casos de uso relevantes para levar minha empresa, departamento ou clientes para o próximo nível analítico?
4. Quais ferramentas analíticas preciso para desenvolver essas soluções?

Para obter mais informações, consulte Design da Estratégia de Dados.

Início

Comece a trabalhar no modelo Maturidade Analítica documentando o estado atual de sua empresa, departamento ou cliente. Concentre sua atenção nos dois aspectos a seguir:

1. Casos de uso: quais soluções ou aplicações analíticas já estão em uso em sua empresa e para quais finalidades? Para fazer isso, preencha as caixas (campos de aplicação) na área verde superior (=utilização) da esquerda para a direita com os cartões apropriados.
2. Ferramentas: quais ferramentas analíticas, procedimentos ou sistemas de software você utiliza para isso? Você responde a esta pergunta na área amarela inferior (=refinamento).

As caixas refletem o nível de maturidade analítica, que por sua vez, determina a complexidade da solução ou ferramenta específica. Os níveis de maturidade analítica (área inferior amarela) são interdependentes: para fazer análises preditivas (previsões), primeiro você precisa de ferramentas de diagnóstico para identificar padrões nos dados. Da mesma forma, as empresas (área verde acima) também passam por um processo de amadurecimento (da esquerda para a direita). À medida que a complexidade aumenta de baixo para cima (área amarela), o valor agregado dos dados (área verde) aumenta da esquerda para a direita. O objetivo das empresas é aumentar continuamente seu nível de maturidade, introduzindo ferramentas e soluções apropriadas que sejam baseadas nelas. Uma explicação detalhada dos níveis de maturidade individuais e das etapas do processo de maturidade pode ser encontrada abaixo.

Depois de documentar o estado atual, comece especificando onde se deseja chegar, preenchendo as caixas verdes na parte superior e as caixas amarelas na parte inferior – da esquerda para a direita ou de baixo para cima. Use cores diferentes para os cartões:

• Verde: soluções ou ferramentas existentes
• Amarelo: soluções ou ferramentas que estão planeadas ou cujo desenvolvimento se encontra em curso
• Vermelho: soluções ou ferramentas necessárias ou desejadas

Preste atenção à consistência enquanto preenche:

1. Deve haver uma ferramenta de análise apropriada para cada solução analítica. Por exemplo, para um painel de KPIs de marketing, você pode precisar de uma ferramenta de Business Intelligence (self service).
2. Por outro lado, deve haver pelo menos um caso de uso analítico para uma ferramenta analítica. Caso contrário, isso significa que a ferramenta não está em uso e, portanto, pode gerar custos desnecessários para o seu negócio.
3. O nível de maturidade da aplicação analítica deve corresponder ao nível de maturidade da ferramenta analítica. Para fazer previsões, como uma previsão de receita, você precisa de uma ferramenta de análise preditiva.

Etapa 1 de 11

Sistemas de Informação

A empresa possui sistemas de informação, antes de analisar os dados criados como parte de suas operações de negócios. Exemplos de sistemas de informação incluem sistemas de CRM e ERP, sites e aplicativos corporativos, sistemas de produção controlados por TI, etc.

Exemplos de aplicações:

• Software de CRM
• Sistemas ERP
• Sites corporativos
• E-commerces
• Aplicativos de celular
• Sistemas de produção suportados ela TI

Etapa 2 de 11

Análise Descritiva

As análises descritivas descrevem o que aconteceu. Elas lidam com métricas e indicadores-chave de desempenho (KPI) que medem o progresso em direção aos objetivos. A análise descritiva fornece uma visão retrospectiva do que aconteceu dentro da empresa e no mercado. Normalmente, usa dados anônimos e agregados. Os resultados da análise ainda requerem um alto grau de interpretação por parte do tomador de decisão. Muitas vezes, uma análise descritiva é seguida por uma análise diagnóstica, por exemplo, para investigar as razões de se ter falhado ao tentar alcançar um objetivo. As análises descritivas geralmente são baseadas em metodologias, como Driver Trees, Balanced Scorecards ou o modelo de métricas AARRR (consulte Canvas Pontos de Contato do Cliente).

Exemplos de ferramentas:

• Soluções clássicas de Business Intelligence
• Relatórios criados manualmente em planilhas
• (On-line) Serviços analíticos
• Ferramentas de relatórios

Etapa 3 de 11

Relatórios

A empresa calcula métricas e indicadores-chave de desempenho (KPI) com base nos dados provenientes dos sistemas de informação, bem como de outras fontes. Estes são, por exemplo, incluídos nos relatórios de negócios semanais ou mensais (o clássico Business Intelligence).

Exemplos de aplicações:

• Painéis de KPIs de marketing
• Relatórios de vendas
• Estatísticas de produção

Etapa 4 de 11

Análise Diagnóstica

As análises diagnósticas explicam o porquê de algo que já aconteceu. Elas trabalham com padrões nos dados, como tendências, correlações, outliers, etc. A análise diagnóstica gera insights sobre os mecanismos da empresa e do mercado e geralmente usa dados não agregados. O tomador de decisão usa os resultados da análise diagnóstica para planejar e adaptar medidas futuras. Para decidir quais métricas são relevantes de se analisar de forma diagnóstica, usa-se comumente a análise descritiva.

Exemplos de ferramentas:

• Aplicativos de exploração
• Soluções de BI no modelo self-service
• Ferramentas estatísticas
• Ferramentas de testes
• Ferramentas de visualização
• Linguagens de programação analítica

Etapa 5 de 11

Exploração

A empresa analisa as métricas e indicadores-chave de desempenho (KPIs) em busca de anomalias e explicações que ajudem a melhorar seus processos e modelo de negócios. Para fazer isso, os colaboradores utilizam painéis interativos, por exemplo.

Exemplos de aplicações:

• Análise ad hoc para insights de clientes
• Teste A/B de designs de sites
• Testes multivariados em publicidade online
• Correlação e análise de tendências com base no monitoramento de mídias sociais
• Análise de causas de defeitos na produção
• Segmentação de clientes

Etapa 6 de 11

Análise Preditiva

Análises preditivas preveem aquilo que poderia acontecer ou que provavelmente irá acontecer. Elas trabalham com modelos estatísticos ou estocásticos para prever os valores e suas probabilidades. Uma análise preditiva nos permite ter uma visão sobre futuros resultados. Nesse tipo de análise, costuma-se utilizar dados desagregados e frequentemente não anonimizados. O tomador de decisão avalia as opções e decide e/ou age baseado na previsão feita. Análises diagnósticas costumam preceder uma análise preditiva a fim de modelar as soluções, ao identificar padrões e checá-los de acordo com o know-how do negócio. Já as análises descritivas, validam as predições e confirmam sua utilidade ou não.

Exemplos de ferramentas:

• Ferramentas de modelagem preditiva
• Ferramentas de mineração de dados
• Pacotes de ferramentas de Ciência de Dados
• Linguagens de programação analítica
• Serviço de Machine-Learning

Etapa 7 de 11

Previsão

A empresa usa seus dados para prever tendências futuras da organização e do mercado. Para isso, ela usa técnicas avançadas de analytics (business analytics), como, por exemplo, previsão de vendas e churn, pontuação de leads ou manutenção preditiva.

Exemplos de aplicações:

• Previsão de vendas
• Previsão de churns
• Classificação do cliente (“pontuação de leads”)
• Cálculo do CLV (customer lifetime value)

Etapa 8 de 11

Análise Prescritiva

Análises prescritivas recomendam o que deveria acontecer. Elas avaliam opções baseadas na análise preditiva, simulam diferentes cenários e dão recomendações para ações baseadas nos resultados simulados. Análises prescritivas ainda requerem um esforço para que o tomador de decisão analise as opções e tome uma ação posteriormente.

Exemplos de ferramentas:

• Ferramentas de modelagem
• Ferramentas de simulação
• Pacotes de ferramentas de Ciência de Dados
• Linguagens de programação analítica

Etapa 9 de 11

Otimização

A empresa busca por otimizações dentro dos dados. Para isso, ela simula métricas e/ou soluções em diversos cenários e analisa os resultados. Aquilo que indicar o resultado mais favorável, de acordo com a simulação, é implementado na sequência.

Exemplos de aplicações:

• Controle de anúncios
• Sistemas de recomendação de produtos
• Manutenção preditiva
• Prevenção de churn

Etapa 10 de 11

Análise Autônoma

Um sistema autônomo decide o que deveria acontecer. Para isso, ele utiliza a análise prescritiva e realiza as ações automaticamente, sem necessitar de um tomador de decisão.

Exemplos de ferramentas:

• Soluções de automação de marketing
• Ferramentas de orquestração de serviço
• Agent systems
• Sistemas de Inteligência Artificial

Etapa 11 de 11

Automação

As máquinas controlam os processos e os otimizam de forma autônoma. Os colaboradores da empresa possuem apenas a função de monitorar esse sistema.

Exemplos de aplicações:

• Precificação dinâmica
• Veículos autônomos ou aeronaves
• Armazenamento inteligente
• Negociação de ações de alta frequência

Conclusão

Depois de completar a documentação do status atual e definir o status desejado, você deve realizar novamente uma verificação final (consulte a lista de verificação acima). A próxima etapa crucial é selecionar as aplicações que aumentarão a maturidade analítica do seu negócio – sem pular uma etapa para minimizar riscos, esforços, custos e duração do projeto, resultando em um rápido retorno do investimento e em benefícios pela otimização analítica potencial em tempo hábil.

É melhor que se dê muitos passos pequenos e rápidos em vez de um passo grande e lento. Qualquer pessoa que tenha tentado dar dois ou mais passos em degraus de uma escada de uma vez sabe o quanto pode ser cansativo e perigoso.

Portanto, ao selecionar as aplicações relevantes, os seguintes pontos devem ser considerados:

1. Os casos de uso em aplicações com alta densidade de cartões verdes (ou seja, aplicações e soluções existentes) provavelmente aumentarão secundariamente a eficiência e a eficácia da empresa. O potencial de otimização através de soluções de Business Intelligence, por exemplo, já não será útil se um sistema de relatórios correspondente já tiver sido introduzido para todos os departamentos.
2. No entanto, campos desocupados de aplicações ou caixas com muitos cartões vermelhos (ou seja, aplicações ausentes) sugerem um alto potencial de criação de valor.

3. No entanto, deve-se verificar se as ferramentas analíticas correspondentes para esse fim estão disponíveis na empresa. Por exemplo, aplicativos de otimização requerem ferramentas analíticas prescritivas. Caso essas ferramentas ainda não estejam disponíveis, primeiro elas devem ser compradas e implementadas na empresa. Isso geralmente requer uma avaliação dispendiosa das ferramentas, bem como um longo treinamento dos colaboradores.
4. Consequentemente, nenhum nível de maturidade analítica deve ser ignorado. Por exemplo, se a empresa usa apenas ferramentas de análise descritiva para relatórios e deseja usar previsões, ou seja, desenvolver soluções de análise preditiva, para obter dois níveis no modelo de maturidade, primeiro introduza ferramentas de diagnóstico e identifique casos de uso para se beneficiar diretamente dessas ferramentas e aumentar gradativamente o grau de amadurecimento da empresa e principalmente dos colaboradores.

Por fim, você seleciona os casos de uso que levam a maturidade da empresa para o próximo nível. Você pode usar o Canvas Estratégia de Dados para especificar os respectivos casos de uso.

Referências:

• Proposta de valor: por exemplo, para identificar aplicações e soluções data driven (propostas de valor) para clientes oferecidas como produtos ou serviços.
• Modelo de negócios: atividades-chave, como controle de marketing, requerem aplicações analíticas (por exemplo, relatórios de KPI). O relacionamento com o cliente também pode ser baseado em aplicações analíticas, como chatbots. Afinal, as soluções analíticas podem ser um recurso chave.
• Estratégia de dados: para especificar casos de uso específicos e determinar o nível de maturidade analítica necessário (ou seja, as ferramentas analíticas).
• Panorama de dados: para identificar possíveis casos de uso com base nos dados disponíveis.