A ciência de dados deveria criar um novo boom de produtividade. Mas, para muitas empresas, esse boom nunca chegou. O que deu errado? Embora as empresas tenham investido em ferramentas de dados, muitos dos dados que são inseridos nesses sistemas são de baixa qualidade — com informações mal rotuladas, ausentes ou incorretas, o que, por sua vez, gera mais trabalho e mais arrasto no sistema. Para resolver isso, as empresas devem: 1) reunir funcionários para a causa e explicar por que isso é importante, 2) medir a qualidade dos dados em toda a gama de departamentos, funções e tarefas, 3) atacar incansavelmente as fontes do imposto sobre qualidade de dados.
Em princípio, as novas tecnologias ajudam as empresas a aumentar a produtividade: os sistemas de logística garantem que elas tenham a quantidade certa de coisas de que precisam, os sistemas operacionais ajudam a automatizar a produção e a entrega de bens e serviços e os sistemas de apoio à decisão trazem as análises e previsões de que os gerentes precisam para tomar melhores decisões. Além disso, durante a pandemia, muitas empresas correram para digitalizar ainda mais rápido. A produtividade deve estar aumentando. Infelizmente,isso não aconteceu.
Embora existam muitas explicações concorrentes, acredito que há uma explicação fundamental para os baixos ganhos de produtividade e, ainda mais importante, uma forma de impulsioná-los: as tecnologias digitais são alimentadas por dados e muitos dados são simplesmente ruins, negando os possíveis ganhos de produtividade. Novas tecnologias proliferaram, mas o gerenciamento de dados não acompanhou o ritmo, adicionando enormes custos e atritos. A chave para aumentar a produtividade está na eliminação das principais causas dos dados incorretos.
O que torna os dados “bons” ou “ruins”?
Por definição, os dados são de alta qualidade se forem adequado para os usos pretendidos em operações, tomada de decisão, planejamento e ciência de dados. Essa definição é muito importante. Cada uso vem com seus próprios requisitos, e a falha em atendê-los reduz a produtividade. Para ilustrar, considere três cenários.
No primeiro cenário, um vendedor depende de dados de leads do departamento de marketing para fazer seu trabalho. São necessários relativamente poucos dados (cerca de 20 elementos de dados), mas o registro deve estar completo e correto. Assim, quando o nome de contato está ausente ou está incorreto, mas facilmente detectado, o vendedor precisa encontrá-lo ou corrigi-lo. Isso é difícil, na melhor das hipóteses levando um tempo considerável. Pior ainda, se não conseguirem detectar um erro, podem perder a venda. Ambos reduzem a produtividade. E note que eu poderia substituir” conduz dados e vendas” com” promoções dados e operações,”” pedidos processados dados com “Gerenciamento de Inventário e Finanças”, ou qualquer uma das centenas de maneiras pelas quais um departamento depende dos dados de outro.
No cenário dois, um gerente precisa saber quantos novos clientes a empresa adquiriu no último trimestre para definir orçamentos. Eles usam dados dos sistemas financeiro e de gerenciamento de relacionamento com o cliente, porque nenhum deles fornece uma resposta na qual todos confiem. Problemas adicionais surgem porque o departamento de vendas dá crédito a si mesmo por um novo cliente quando o primeiro negócio é assinado, enquanto o setor financeiro espera até que a primeira fatura seja paga. Na maioria dos trimestres, os números são “próximos o suficiente”, mas quando a discrepância é grande, o gerente deve pedir à equipe que se aprofunde nos dois sistemas para resolver o problema. Mesmo assim, “a resposta” nunca é totalmente confiável, então, como realidade prática, novos orçamentos são baseados mais em suposições do que em dados. Mais dinheiro é desperdiçado quando os orçamentos são muito altos e oportunidades são perdidas quando muito baixos. Novamente, embora os detalhes sejam diferentes, a essência desse cenário se manifesta várias vezes ao dia.
O terceiro cenário envolve o desenvolvimento de um algoritmo para melhorar a retenção de clientes usando inteligência artificial. O conjunto de dados de treinamento deve ser razoavelmente preciso e as várias fontes de dados devem estar alinhadas. Caso contrário, os cientistas de dados devem dedicar tempo para organizar os dados. Além disso, essas fontes devem estar livres de preconceitos, que podem ser especialmente complexos, com preconceitos só se revelando quando o novo algoritmo é usado. Por fim, há requisitos adicionais de dados quando o algoritmo entra em operação. Embora os custos de lidar com todos esses problemas possam ser consideráveis, os custos de oportunidades perdidas são ainda mais importantes. Dados incorretos dificultam o aproveitamento da inteligência artificial e da transformação digital, privando as empresas de possíveis ganhos de produtividade.
As empresas não capturam esses custos em seu sistema contábil. Felizmente, estimativas boas o suficiente para começar podem ser obtidas aplicando o”regra de 10”: custa 10 vezes mais concluir uma unidade de trabalho quando os dados estão errados de alguma forma do que quando os dados são bons. Na prática, isso significa que, se os dados forem bons para 90% do seu trabalho, terminar os 10% restantes custará mais por causa de todo o atrito adicional. (90 x 1 = 90, 10 x 10 = 100.) É possível visualizar esses custos adicionais de várias maneiras:
- o custo do trabalho “sem valor agregado” (nenhum cliente informado paga mais porque você precisa corrigir dados incorretos),
- o custo incorrido na fábrica de dados oculta (“oculta”, porque o sistema contábil não captura o custo; “fábrica de dados”, porque as pessoas estão retrabalhando os dados),
- o custo das ineficiências,
- o “impacto na produtividade”, ou
- talvez de forma contraintuitiva, o tamanho da oportunidade de melhorar a qualidade e aumentar a produtividade.
Um gerente ou empresa não precisa eliminar completamente os erros. Ao reduzir a taxa de erro pela metade, eles reduzem significativamente os custos e aumentam a produtividade.
Quanto os dados de baixa qualidade estão custando para você?
Como a regra de 10 deixa claro, o menor a qualidade dos dados, menor a produtividade e maior o imposto. Mas como os líderes podem saber — ou estimar — quando estão lidando com dados de baixa qualidade?
Quando conduzo sessões de educação executiva, peço aos participantes que façam um exercício que chamo de“Método de sexta-feira à tarde” em que auditam uma amostra dos dados em suas últimas 100 unidades de trabalho. Usando uma planilha, eles examinam os elementos de dados de cada unidade de trabalho e procuram erros, marcando cada célula onde encontram um erro. Em seguida, eles contam quantas unidades livres de erros tinham, o que fornece uma pontuação de qualidade de dados em uma escala de 0 a 100. (Por exemplo, se você tivesse 85 unidades com dados sem erros, obteria 85.) Finalmente, para concluir a tarefa, eles aplicam a regra de 10 e estimam o imposto para suas áreas.
Deixe-me oferecer dois destaques dessas sessões:
- Apenas 8% relatam uma pontuação de DQ de 90 ou melhor.
- A maioria pontua na faixa de 40 a 80, com uma pontuação média de 61. Nesse nível, o imposto é 3,5 vezes maior do que o custo total se todos os dados forem bons. Da mesma forma, a produtividade cai para menos de um quarto do que seria.
Com certeza, cada empresa é diferente, assim como a oportunidade de reduzir o custo de dados incorretos e melhorar a produtividade. Mas é significativo, mesmo para as empresas menos intensivas em dados. E, para alguns, pode representar a melhor oportunidade de melhorar o desempenho geral.
O que as empresas podem fazer
Então, como as empresas devem buscar elevar o nível de qualidade dos dados? Acho que muitos simplesmente aceitam o imposto associado à baixa qualidade dos dados como apenas mais um custo de fazer negócios. Mas isso é desperdício, puro e simples. Os líderes precisam reconhecer a oportunidade de melhoria e agir.
Primeiro, adote uma linguagem que melhor reúna as pessoas para a causa e as ajude a entender o problema. Eu usei “imposto” aqui, mas “trabalho sem valor agregado”, “fábrica de dados oculta” ou “oportunidade” podem ressoar em outras pessoas.
Em segundo lugar, desenvolva seus perfis de qualidade de dados, medindo a qualidade dos dados em toda a gama de departamentos, funções e tarefas, usando a medição da tarde de sexta-feira descrita acima.
Em terceiro lugar, ataque incansavelmente as fontes do imposto sobre a qualidade dos dados. Criar dados corretamente na primeira vez é a melhor e mais rápida maneira de fazer isso. Isso significa eliminar as causas principais do erro. Eu ajudei empresas a fazer isso por muito tempo e, de longe, as duas principais causas mais frequentes envolvem:
- Aqueles que criam dados simplesmente não sabem que outras pessoas têm requisitos para seus dados, e
- Os clientes de dados (aqueles vítimas de dados incorretos) agem reflexivamente para corrigir dados incorretos, incorrendo inconscientemente no imposto.
Ambos são relativamente fáceis de resolver: Clientes de dados devem adquirir o hábito de procurar os criadores e explicar seus requisitos de qualidade. Criadores de dados, por sua vez, deve compreender esses requisitos e encontrar e eliminar as causas-raiz das falhas para atendê-los. Se isso soa como um gerenciamento de qualidade “à moda antiga”, é. Mais importante ainda, é incrivelmente eficaz.
Por fim, ignore o discurso de que “qualidade de dados é chato”, porque isso simplesmente não é verdade. Na minha experiência, a maioria das pessoas gosta de suas novas funções como criadoras de dados e clientes de dados, e elas certamente gostam de passar menos tempo trabalhando em questões comuns de dados. Comece em áreas em que os gerentes tenham uma mente aberta e estabeleça uma meta inicial de reduzir pela metade a taxa de erro em seis meses. Treine pessoas, ajude-as a fazer uma ou duas melhorias e depois liberte-as. Vá para a próxima área, ganhando impulso à medida que avança.
A produtividade não precisa, na verdade não deve, estagnar. Muitos acharão a conexão entre produtividade e qualidade contra-intuitiva, mas há uma enorme oportunidade. Dados incorretos prejudicam a produtividade. É hora de fazer com que isso desapareça.
