Canvas Estratégia de Dados

Como usar o Canvas Estratégia de Dados?

Uma estratégia de dados responde a perguntas cruciais para uma empresa data-driven:

1. Obtenção: Quais fontes de dados estão disponíveis e como as usamos?
2. Tratamento: Como podemos combinar e preparar dados para obter insights valiosos?
3. Utilização: Como podemos usar os insights para reduzir custos, aumentar vendas, reter clientes e desenvolver novos produtos e modelos de negócios?
4. Ferramentas: Quais soluções de software, bancos de dados, infraestrutura técnica etc. precisamos?
5. Pessoas: Quais habilidades e especialistas precisamos na empresa?
6. Parcerias: Quais empresas parceiras são necessárias?

Para mais informações, consulte Design da Estratégia de Dados.

Início

Você pode começar com as fontes de dados disponíveis (obtenção) ou com as aplicações possíveis (utilização). Seu ponto de partida depende se você deseja identificar novas aplicações com base em fontes de dados existentes ou especificar fontes de dados necessárias para uma aplicação específica. Em seguida, você percorre as caixas individuais da esquerda para a direita (ou vice-versa) e de cima para baixo. Ao fazer isso, você responde às seguintes e a outras perguntas relevantes.

Etapa 1 de 6

Obtenção

Como qualquer matéria-prima, os dados devem ser obtidos antes de serem tratados e eventualmente utilizados. A coleta de dados geralmente é precedida por uma exploração, na qual as fontes de dados potenciais são identificadas e avaliadas. Na verdade, devem ser exploradas apenas as fontes de dados cujos dados serão posteriormente utilizados.

Questões:

• Quais fontes de dados já estão disponíveis e em uso?
• Quais fontes de dados internas estão disponíveis, mas ainda não são usadas?
• Quais fontes de dados externas de parceiros ou clientes podem ser acessadas?
• Quais fontes de dados públicos podem ser acessadas?
• Quais fontes de dados adicionais são necessárias para a utilização desejada?
• Quais fontes de dados (adicionais) surgem devido às atividades-chave mapeadas no modelo/caso de negócios? Quais surgem de mudanças no relacionamento com o cliente?
• Quais surgem dos novos canais (marketing, vendas e distribuição)?
• Como os chamados efeitos de rede de dados podem ser usados, ou seja, os dados levam a uma oferta aprimorada, o que leva a que mais clientes aproveitem a oferta e, por sua vez, produzam mais dados?

Etapa 1 de 6

Cores:

• Cartões verdes para fontes de dados que já estão disponíveis e em uso, por exemplo, dados de CRM.
• Cartões amarelos para fontes de dados que estão disponíveis, mas ainda não foram usadas, por exemplo, dados firmográficos externos.
• Cartões vermelhos para fontes de dados que são necessárias para realizar um caso de uso (consulte Utilização), mas não estão presentes e nem em uso.

Exemplos:

• Dados próprios: dados de sensores, dados de logs, do sistema ERP, de transações em lojas online, de pesquisas anônimas, etc.
• Dados recebidos: dados de clientes (CRM), de mídias sociais, de uso de aplicativos, etc.
• Dados pagos: dados de data brokers, de marketplaces de dados, trocas de dados etc.
• Dados públicos: dados de portais de transparência, Wikipedia, web crawlers, monitoramento de mídias sociais, plataformas de dados abertos etc.

Referências:

• Modelo / Caso de Negócios: os dados são um recurso das empresas data-driven.
• Panorama de dados: para explorar o panorama de dados de uma empresa em detalhes.

Etapa 2 de 6

Tratamento

Os dados são o petróleo do século XXI. Assim como o petróleo deve ser refinado em gasolina ou diesel para acionar um motor como combustível, os dados devem ser tratados para extrair insights que alimentam decisões, processos e modelos de negócios baseados em dados nas empresas. A análise de dados cuida do tratamento dos dados.

Questões:

• Temos que verificar os dados e, por exemplo, corrigir ou filtrar?
• Podemos complementar os dados ausentes com dados de outras fontes?
• Precisamos anonimizar ou excluir dados?
• Podemos agregar múltiplas fontes de dados e vincular dados usando identificadores comuns?
• Precisamos normalizar os dados (por exemplo, dados demográficos) ou estruturá-los em outros formatos?
• Quais métricas e indicadores-chave de desempenho (KPI) podemos calcular?
• Quais modelos de previsão ou recomendação podemos criar?
• Quais visualizações precisamos para mostrar indicadores-chave, tendências ou correlações?
• Como integramos os resultados analíticos nos processos de negócios existentes?
• Quais etapas manuais são necessárias para garantir a qualidade em todo o processo analítico?

Etapa 2 de 6

Cores:

• Cartões verdes para etapas de processamento já implementadas.
• Cartões amarelos para etapas de processamento em andamento.
• Cartões vermelhos para etapas de processamento que ainda serão implementadas.

Exemplos:

• Limpeza e normalização de dados
• Agregação, integração e transformação de dados
• Data sampling ou data compression
• Carga de dados, por exemplo para data warehouses (processos de ETL)
• Análise exploratória de dados (data discovery & data mining)
• Seleção e engenharia de features
• Modelagem preditiva e prescritiva (treinamento e teste)
• Visualização como parte de painéis e/ou relatórios
• Integração e teste de sistemas
• Implantação, monitoramento e manutenção

Referências:

• Modelo / Caso de Negócios: o processo de tratamento dos dados é uma atividade do modelo de negócios.
• Maturidade Analítica: os métodos utilizados determinam o grau necessário de maturidade analítica da empresa ou do cliente.

Etapa 3 de 6

Utilização

Depois que os dados, como a matéria-prima, foram refinados nas informações, as informações devem ser utilizadas. Os insights obtidos são usados, por exemplo, para tomar decisões mais confiáveis.

Questões:

• Quais proposições de valor queremos criar para nossos clientes a partir dos dados?
• Como os dados podem melhorar nosso relacionamento com o cliente?
• Como os dados podem tornar nossos canais (marketing, vendas e distribuição) mais eficientes?
• Como podemos usar os dados para aumentar a receita?
• Como os dados podem nos permitir entender melhor nossos clientes e parceiros?
• Como podemos monetizar nossos dados para criar novas fontes de receita (por exemplo, data-as-a-service)?

Etapa 3 de 6

Cores:

• Cartões verdes para aplicações com alta probabilidade de implementação.
• Cartões amarelos para aplicações com viabilidade incerta.
• Cartões vermelhos para aplicações onde partes cruciais, por exemplo, fontes de dados, estão faltando.

Exemplos:

• Descritiva: monitorar o desempenho de atividades-chave como marketing, vendas e serviços para otimizar custos.
• Diagnóstica: identificar os segmentos de clientes mais rentáveis.
• Preditiva: prever a demanda de recursos-chave (por exemplo, funcionários).
• Prescritiva: enviar ofertas personalizadas aos clientes pelo canal mais adequado para melhorar o relacionamento.
• Autônoma: ajusta os preços diariamente, com base na demanda do cliente e na oferta da concorrência.

Referências:

• Caso de Uso de Analytics: para criar propostas de valor para clientes, parceiros ou colaboradores.
• Modelo / Caso de Negócios: para identificar possíveis campos de aplicação.
• Maturidade Analítica: para priorizar diversas possibilidades de desenvolvimento quanto à necessária maturidade analítica da empresa ou do cliente.

Etapa 4 de 6

Ferramentas

A obtenção, o tratamento e a utilização de dados requerem ferramentas especializadas, que variam muito dependendo da fonte, volume e formato de dados, além da finalidade da análise, condições ambientais ou aplicação. Assim, a pergunta sobre as ferramentas necessárias só deve ser feita depois que estiver claro quais dados devem ser obtidos, tratados e utilizados, de que maneira e com que finalidade.

Questões:

• De quais soluções de integração precisamos para integrar fontes de dados externas?
• De quais sistemas de banco de dados precisamos para armazenar os dados?
• De quais ferramentas precisamos para agregar, integrar e transformar os dados?
• De quais ferramentas de analytics precisamos para realizar análises descritivas e diagnósticas?
• De quais ferramentas de modelagem precisamos para realizar análises preditivas e prescritivas?
• Quais ferramentas de visualização precisamos para criar painéis, relatórios, etc.?
• Quais ferramentas de integração e automação precisamos para automatizar?

Etapa 4 de 6

Cores:

• Cartões verdes para ferramentas já disponíveis.
• Cartões amarelos para ferramentas cuja disponibilidade ainda não está clara.
• Cartões vermelhos para ferramentas que ainda estão faltando.

Exemplos:

• Gerenciamento de dados: ferramentas de ETL, SQL, NoSQL, bancos de dados de grafos, etc.
• Processamento de dados: MapReduce, in-memory analytics, data warehouses, etc.
• Análise de dados: planilhas, ferramentas estatísticas, softwares matemáticos, linguagens de programação, etc.
• Modelagem de dados: ferramentas de modelagem, SaaS, machine learning clouds, etc.
• Visualização de dados: ferramentas de self service BI, de design de infográficos, etc.
• Automação de dados: ferramentas de automação de marketing, ferramentas de orquestração de processos, etc.

Referências:

• Modelo / Caso de Negócios: As ferramentas são um recurso essencial para empresas data-driven.

Etapa 5 de 6

Pessoas

Para usar as ferramentas especializadas, os especialistas da empresa precisam saber como as ferramentas são operadas, configuradas e administradas. Em vez de pensar em pessoas concretas, você também pode pensar em funções e considerar se uma pessoa deve desempenhar várias funções ou se uma função precisa ser desempenhada várias vezes na empresa (por exemplo, devido à disponibilidade).

Questões:

• Quem cuida da qualidade dos dados?
• Quem é responsável pela proteção dos dados?
• Quem gerencia os sistemas de TI?
• Quem projeta os processos de analytics?
• Quem implementa os processos de analytics?
• Quem faz as análises?
• Quem interpreta os resultados?
• Quem cria e valida os modelos de previsão e recomendação?
• Quem faz as visualizações de dados?

Etapa 5 de 6

Cores:

• Cartões verdes, se a função, habilidade ou especialista já estiver presente na empresa.
• Cartões amarelos quando a disponibilidade ainda precisa ser esclarecida.
• Cartões vermelhos, se a função, habilidade ou especialista estiver ausente na empresa.

Exemplos:

• Administrador de dados (Data steward)
• Diretor de proteção de dados (Data protection officer)
• Administrador de TI
• Engenheiro de Big Data
• Arquiteto de software
• Cientista de dados
• Analista de negócios
• Designer de informação

Referências:

• Modelo / Caso de Negócios: especialistas de dados são um recurso essencial para empresas data-driven.

Etapa 6 de 6

Parcerias

Talvez certas funções não possam ser preenchidas internamente porque, por exemplo, o funcionário em questão não seria necessário em tempo integral. Nesse caso, você precisa de um parceiro especializado que esteja disponível como prestador de serviços para você. Os parceiros também podem ser empresas que fornecem dados ou ferramentas cruciais que você simplesmente não poderia obter de outra forma.

Questões:

• Quais parceiros ou clientes nos fornecem fontes de dados (data-on-demand ou data-as-a-service)?
• Quais fornecedores nos fornecem as ferramentas necessárias (como software-on-demand ou software-as-a-service)?
• Quais tarefas de implementação podemos terceirizar para prestadores de serviços externos?
• Quais responsabilidades/funções podemos terceirizar para prestadores de serviços?
• De qual conhecimento especializado precisamos na forma de consultoria ou treinamento?

Etapa 6 de 6

Cores:

• Cartões verdes para empresas que já são parceiras.
• Cartões amarelos para empresas cujo status não é claro ou estão em negociação.
• Cartões vermelhos para empresas que ainda não são parceiras.

Exemplos:

• Empresas de pesquisa de mercado
• Vendedores de dados & informações comerciais
• Fornecedores de softwares & SaaS
• Especialistas em infraestrutura de TI
• Prestadores de serviços em BI & Ciência de Dados
• Agências e empresas de consultoria
• Especialistas freelancers

Referências:

• Modelo / Caso de Negócios: parceiros que fornecem dados, ferramentas ou pessoal como parte de uma estratégia de dados estão entre as parcerias.

Conclusão

Quando finalizar todas as caixas, verifique sua estratégia de dados quanto à consistência e integridade. Se necessário, deixe o trabalho pausar por um dia e/ou apresente sua estratégia de dados para colegas que não estiveram envolvidos no desenvolvimento. Tente contar uma história e preste atenção às quebras e inconsistências lógicas.

Por exemplo, considere as seguintes perguntas:

• Tenho os dados conectores correspondentes para unir as diferentes fontes de dados?
• Tenho as ferramentas certas para acessar as fontes de dados?
• Tenho colaboradores para usar as ferramentas? etc.

Destaque questões em aberto, suposições cruciais ou possíveis pontos fracos com cartões brancos e defina tarefas para responder a essas perguntas, testar suposições e examinar os pontos fracos. Se necessário, refaça sua estratégia de dados se, por exemplo, uma suposição crítica se mostrar errada.

Por fim, você pode integrar os blocos de construção de sua estratégia de dados em seu Modelo/Caso de Negócios. Se você identificou mais de uma oportunidade de utilização, use o modelo Maturidade Analítica, para compará-los e priorizá-los.