Morte por Metonímia: Os grandes desperdícios na busca pela cultura de dados

Hoje, toda empresa que não está dormindo no ponto está atrás de implementar o seu Big Data. Afinal de contas, esse é um recurso importante para fazer Data Science, que todos nós sabemos que é a forma de extrair valor dos dados, o novo petróleo.

Toda empresa que busca melhorar seus resultados necessariamente se volta para seus dados. Não por que está na moda, mas sim porque tudo que acontece em qualquer negócio maior que uma banca de jornais depende de computadores, que acumulam e produzem dados sobre a vida da empresa.

Pense: Antigamente podíamos ver os clientes entrando e saindo de uma loja e avaliar se ela tinha um bom movimento. E hoje? Ande pelo bairro e observe os restaurantes. Aposto que vários parecerão um encontro de motoqueiros.

Muito da vida de uma empresa está nos dados que ela produz. Naturalmente, qualquer um que precise resolver problemas de negócio vai precisar examinar os dados da companhia. Essa incessante necessidade de coletar, acumular e analisar dados gerou um mercado de produtos, serviços e profissionais dedicados a ajudar nessa missão. E, como todo mercado, são os fornecedores que fazem barulho, na esperança de que suas mensagens atinjam seus clientes em potencial.

A Vida é Difícil!

Sabemos que precisamos examinar os dados de nossas empresas para poder resolver problemas, planejar, executar e melhorar. Esses dados são criados nos corações dos sistemas informatizados que automatizam e processam a vida diária dos negócios. Tais dados carregam informação, mas não rendem-na com facilidade. É preciso muito trabalho para isso. Para muito trabalho, precisamos de muito tempo e isso é o que temos cada vez menos.

Mais do que isso: se dados dão trabalho, problemas de negócio dão muito mais! Quanto mais complexos são os problemas de negócio, mais conhecimento demandam para serem resolvidos.

Está formada a tempestade perfeita:

• Problemas de negócio cada vez mais complexos requerem cada vez mais conhecimento;
• Dados, essenciais para resolver esses problemas, requerem muito trabalho e tempo para serem convertidos em conhecimento;
• Novos conhecimentos e tecnologias surgem com frequência;
• Temos cada vez menos tempo;

Precisamos contrabalancear essas forças, ou acabaremos obrigados a dar um passo no escuro. Como?

Fabricando Tempo

Quando a complexidade aumenta, suba o nível:

• Os problemas não estão claros? Reduza-os a outros mais simples por analogia;
• Há muitas opções tecnológicas? Agrupe-as em soluções;
• Sua equipe não tem todo conhecimento necessário? Traga especialistas.

E você sabe como encontrar e escolher os produtos e serviços que sua empresa precisa para extrair valor dos dados? Que bom que você pensou nisso, pois eu tenho uma receita infalível (segundo os fornecedores)!

Compre:

• Big Data: resolve qualquer problema, praticamente óleo de cobra digital. Precisa vender mais? Compre Big Data. Precisa reduzir custos? Compre Big Data!
• Data Science: a bola de cristal da Informática, vê tudo, sabe tudo. É tão mágico que pode fazer seus clientes se comportarem como quiser!
• Data Lake: esqueça os atrasos e orçamentos estourados dos projetos de Data Warehouse! Construa um Data Lake e coloque todos os dados da sua empresa, sem esforço!
• Data Pond, Data Puddle, Data Pipes, etc.: um monte de metáforas hídricas e tubulares são os acessórios perfeitos para seu Data Lake;
• Painéis: complemento perfeito para Data Lakes. São tão fáceis de usar que transformam qualquer contínuo em um mago analítico capaz de encontrar insights buffetianos;
• Machine Learning e seu primo esquisito, Deep Learning: meio em baixa, mas capazes de criar algoritmos loucos que podem resolver qualquer problema e prever qualquer evento.
• Inteligência Artificial: se o orçamento permitir, compre! Todos dizem que está revolucionando tudo.

A lista acima é um exagero, óbvio, mas não muito: jogue análise de dados num buscador web e veja se é muito diferente.

Agora, observe que interessante: se te dizem que você precisa de um Data Lake, não estão se referindo a um produto, mas a um conceito, a uma abstração.

Data Science, Big Data, painéis de dados etc. são todos conceitos abstratos. Por exemplo, para que surja um painel é preciso um software, um hardware, uma pessoa trabalhando nisso para entender que dados são necessários, que números serão apresentados, como serão filtrados e por aí vai.

Quando abandonamos os itens discretos, concretos, e passamos a agrupá-los em conceitos, tratando-os como uma só coisa, estamos criando metonímias.

Ficou confuso? Ora, tome uma xícara de café e dê um tempo. Essas são metonímias da nossa vida cotidiana. São expressões que usam uma palavra, como o recipiente xícara ou o conceito tempo, no lugar de outra para representar uma ideia, como conteúdo de café e objeto sólido que pode ser entregue a alguém.

Quer outro exemplo mais próximo ao assunto: sua empresa usa um ERP? Bom, isso são duas metonímias! “Sua empresa” é um conceito que representa um conjunto de pessoas, processos, infraestrutura, insumos, etc. ERP é outro conceito, que representa software, hardware, cabos, eletricidade, processos e informações.

Metonímias, Metonímias Everywhere!

Analise aquela lista com calma e responda: O que está ausente em seu conteúdo? Se você disse “a necessidade ou o problema de negócio”, acertou!

O que estamos vivendo é uma troca do problema pela solução. Estamos vivendo uma fase de metonimização da visão empresarial. Então, ao invés de entendermos nosso negócio, apreendermos (com dois Es) nossas dificuldades e identificarmos nossos problemas, para só então buscarmos uma solução, estamos tentando associar conceitos abstratos pré-trabalhados, pré-montados, a condições concretas em que tais pré-moldados podem ser empregados.

Há pouco tempo fui chamado a contribuir em um debate sobre cultura de dados. Conversa vai, conversa vem, descobri que quase todos os dados da empresa estavam ao alcance dos empregados, expostos em algum sistema, via alguma ferramenta, à disposição para serem analisados. Ali a metonímia bateu com força: ao invés de existir times ou processos que resolvem problemas de negócio analisando dados, existem sistemas prontos e organizados para isso – ou seja, não havia como de fato cruzar os dados ou explorá-los, pois todos estavam engessados em seus silos analíticos! Trocaram a ação de analisar dados pela disponibilização do dado.

O emprego de metonímias de negócio, como se referir à solução no lugar de tratar do problema, é uma manifestação do pensamento linear: eu resolvo meus problemas comprando produtos, comprando treinamentos. É a crença de que meus resultados melhoram na mesma proporção do meu investimento. Só que essa é uma atitude perigosa para os negócios, porque qualquer concorrente seu que pegue a manha do pensamento exponencial – recursos criando capacidades gerando resultados – vai disparar na frente e tomar o mercado sozinho. E você vai ter desperdiçado todo investimento naquelas lindas metonímias.

Recomendo a leitura do artigo Por que líderes e gestores não pensam em capacidades de negócio?, de Luiz Parzianello, para você entender como focar em recursos (soluções) sem considerar as capacidades que eles produzem (problemas de negócios) é um comportamento de gestão herdado da revolução industrial.

O Antídoto

Só existe uma saída para essa situação: evite a abstração cedo demais. Ao invés de fabricar tempo, simplificando o estudo e a interpretação dos problemas para encaixá-los em soluções conhecidas, estude seu problema. Gaste tempo de qualidade nisso. Uma dica é o Slow Thinkingⁱⁱ:

O foco do mercado têm sido vender as ferramentas e os serviços, mas pouca atenção é dada ao que está no meio disso: pessoas, processos e resultados. Sim, é verdade que, se você tem uma loja online, Data Science é um recurso importante. Mas você sabe porque usar ou como funciona Data Science?

Esqueça o lugar-comum “gerar insights e descobrir novas informações” e pense no âmbito de negócio: dá para se aplicar Data Science em tudo, em qualquer empresa? Toda empresa deve criar um Data Lake? Sem um time de Machine Learning sua empresa vai ficar para trás?

Comprei meu primeiro computador no final da década de 90, com o maior disco que eu consegui encontrar: 1 GB. Mais ou menos, naquela mesma época, a principal empresa de telefonia do Japão, NTT, possuía o maior Data Warehouse corporativo do mundo, com 10 TB ou 10.000 dos discos que eu havia comprado.

Somente uma década mais tarde surgiria uma buzzword para classificar aquele colosso: Big Data. Em 2020, 10 TB podem ser comprados num dia e colocados em cima de uma mesa de escritório, por algumas centenas de dólares. Aqueles 10 TB não são mais o que eram há 20 anos – natural – mas você consegue imaginar quantas empresas geram 10TB durante toda sua vida? Em um ano? Em um dia? Você sabe quantos bytes fuem por sua empresa? O que você vai fazer com essas informações?

Você precisa mesmo de Big Data? Você entende as consequências de investir em um Data Lake? Seus problemas serão resolvidos? Ou vai criar novos?

Conclusão

Parece uma coisa simples, não? Preciso lidar com dados, vou ao mercado e seleciono fornecedores, contrato mentoria, compro recursos. Ora, parece que são o que eu preciso porque falam sobre os problemas que se parecem com os meus.

Bom, no início da década de 2010, relatórios do Gartner mostravam que 7 em cada 10 projetos de DW/BI falhavam total ou parcialmente. Imagine passar meses, às vezes anos, investindo em tecnologia e pessoas e não recuperar o investimento.

Existe alguma diferença entre ontem e hoje? O mundo ficou mais tranquilo, mais fácil, mais simples?

Investir tempo e recursos para estudar as soluções dos fornecedores ao invés de estudar seus problemas vai levar a grandes desperdícios – os maiores , na verdade:

• Dinheiro por algo que quase resolve, mas não resolve seus problemas;
• Tempo que poderia ter sido aproveitado para entender melhor os problemas de negócio;
• Ânimo e moral da empresa, ao ver um projeto ter resultados mornos, se não ruins;
• Capital político junto aos stakeholders, quando as promessas não forem cumpridas.

Excesso de figuras de linguagem não enriquecem um texto, e sim tornam-o obscuro e ambígüo. Clareza é fundamental. Quando buscamos levar nossas empresas adiante, não podemos apelar para produtificação de tudo. Precisamos de muita dedicação e esforço para entender os problemas e só então buscar soluções.

A morte por metonímia, em que todo problema é tratado como um placeholder para um produto de mercado, pode ser freada por mais introspecção e mais raciocínio. Neste sentido, o movimento Slow Thinking é um bom primeiro passo. Buscar novos pontos de vista, através de estudos como a “Teoria dos Trabalhos a Fazer” (Jobs to be Done, de Anthony W. Ulwick), é outro.

A pressa em entender tudo e resolver tudo com soluções milagrosas leva ao desperdício. Evite o desperdício: diagnostique antes de prescrever. Essa é a receita para evitar que sua empresa sofra por causa de figuras de linguagem. Literalmente. 😉

i Tirado de https://brasilescola.uol.com.br/gramatica/metonimia.htm em 27/09/21.
ii https://overthefence.com.de/manifesto/?lang=en

Fábio de Salles

Físico pela Unicamp, atuou como Gerente de Soluções no SAS, multinacional de BI, com mais de 20 anos de experiência no mercado de Inteligência de Negócios e soluções de dados. No SERPRO desde 2005, atuou na Superintendência de Desenvolvimento (SUPDE), no papel de Analista de Sistemas do Projeto de Data Warehouse Pessoa Física da RFB. Hoje está na área de gestão de produtos. Participou de várias edições do Pentaho Day, do Congresso de Tecnologia da FATEC São Paulo e na edição de 2015 da Latinoware, além de inúmeras palestras sobre BI, BigData, Data Warehouse, Agile BI e Data Culture. Autor e instrutor dos cursos "BI com Pentaho" e "Agile BI com Pentaho". Co-autor do primeiro livro sobre Pentaho em Português, "Pentaho na Prática", autor do livro "Fundamentos de Inteligência de Negócios". Minha imagem de capa, de Stefan Keller, disponível em Pixabay é um texto sobre a figura de UFO ameaçador - como são os dados para as idéias pré-concebidas.