Você sabe usar dados de forma estratégica em 2024? Neste artigo vamos explorar como avaliar feedbacks dos funcionários, usar uma terminologia para monetização de dados e explorar papéis e processos que assegurem o uso ético e significativo dos dados na sua organização.
E o primeiro passo começa com um exemplo. Imagine que o setor de saúde está à beira do caos: com insatisfação no trabalho e um número alto de colaboradores com burnout, ameaçando deixar a indústria em carência de 450 mil enfermeiros em dois anos.
A solução não está em salários mais altos e mais benefícios - apesar desses serem bons pontos de partida -, mas em entender as causas da insatisfação. Essa situação, você pode imaginar, não é fictícia: ela aconteceu durante a pandemia.
Donald Sull, professor da MIT Sloan, e Charles Sull, cofundador da CultureX, analisaram mais de 150.000 avaliações no Glassdoor feitas por enfermeiros e descobriram que a cultura tóxica e a falta de apoio da liderança são mais preditivas de insatisfação do que a compensação ou a carga de trabalho.
Os dados mostraram que os enfermeiros itinerantes, empregados por agências, beneficiaram-se de um “espaço seguro” para fornecer feedback, respostas rápidas a reclamações, tomada de decisão transparente e flexibilidade na programação. Surpreso?
O ponto básico aqui é que organizações devem agir de forma consistente com base em insights. É preciso identificar problemas dentro das unidades de negócios, testar soluções usando métodos baseados em evidências e implementá-las mais amplamente se forem eficazes.
Melhore as conversas sobre monetização de dados
Para muitos líderes empresariais, discussões sobre a monetização de dados se transformam em um debate sobre terminologia. No livro "Data Is Everybody’s Business", é oferecido dois frameworks para ir além da discussão e realmente monetizar dados:
O primeiro framework identifica três abordagens para monetização de dados:
Melhorar tarefas de trabalho reduzindo custos ou aumentando a eficiência;
Criar novos produtos ou serviços complementares para produtos existentes;
Vender ativos de dados que tenham valor tangível para os clientes.
O segundo framework explica as três etapas de criação de valor:
Colocar os dados nas mãos de alguém.
Oferecer insights.
Fornecer recomendações, que podem incluir a conclusão automática de tarefas.
Integre análises avançadas e IAG
Empresas que investem em modelos de linguagem (LLMs) como o ChatGPT podem negligenciar a análise avançada, que tem um valor comprovado na melhoria de decisões e processos empresariais, como prever a próxima melhor oferta para cada cliente ou otimizar cadeias de suprimentos.
Equipes de dados relatam que iniciativas de IAG, muitas vezes impulsionadas por líderes seniores com medo de perder a próxima grande inovação, estão desviando fundos de seus orçamentos, prejudicando projetos destinados a entregar valor em toda a organização. Contudo, a análise avançada e os LLMs têm capacidades bastante diferentes e os líderes não devem pensar em escolher um em detrimento do outro.
Essas tecnologias podem e devem trabalhar em conjunto, combinando o poder preditivo da análise avançada baseada em machine learning com as capacidades de linguagem natural dos LLMs. Vemos oportunidades para a inteligência artificial generativa abordar desafios nas fases de desenvolvimento e implantação da análise avançada.
LLMs podem ser especialmente úteis para ajudar os usuários a incorporar fontes de dados não estruturados em análises, traduzir problemas de negócios em modelos analíticos, e entender e explicar os resultados dos modelos.
Na análise preditiva, elas podem ampliar o impacto ao aumentar a variedade de dados usados para treinar e executar modelos ou melhorar a comunicação com stakeholders que usam os resultados da análise preditiva na tomada de decisões.
Por fim, na fase de desenvolvimento, podem reduzir significativamente o tempo investido em estruturar dados complexos, permitindo que sejam utilizados mais rapidamente em modelos preditivos.
Preencha as lacunas entre ciência de dados e operações
Aplicar dados e análises às operações empresariais muitas vezes enfrenta um obstáculo: os gerentes de linha querem previsibilidade e controle, enquanto os cientistas de dados tendem a provocar disrupção.
Thomas H. Davenport e Thomas C. Redman propõem um papel conector para preencher as lacunas entre os departamentos de dados e negócios. Para garantir que ele cumpra um papel estratégico, e não apenas resolva problemas táticos, as organizações devem seguir três etapas:
Definir o processo do projeto e as pessoas envolvidas;
Enquadrar o problema em termos de ciência de dados e traduzir entre equipes de negócios e técnicas, garantindo a qualidade dos dados e acompanhando o progresso;
Clarificar o papel dos conectores, o que ajuda as equipes de ciência de dados a definir responsabilidades e estabelecer valor para toda a organização.
Garanta o uso ético e eficaz da inteligência artificial
Embora quase 75% dos executivos seniores acreditem que diretrizes éticas para o uso de IA sejam importantes, apenas 6% das organizações as desenvolveram. Isso ocorre porque muitas ainda não possuem projetos, processos ou sistemas de IA suficientes para avaliar se atendem aos padrões éticos.
A Unilever, por exemplo, começou estabelecendo políticas simples para ética em IA, mas logo percebeu que apenas políticas não eram suficientes. Eles criaram um processo de avaliação de conformidade para cada sistema de IA e avaliaram a eficácia e a ética desses sistemas.
Agora, produtos de IA são classificados quanto ao risco em uma escala de vermelho, amarelo e verde. Produtos "vermelhos" não devem ser implantados, enquanto produtos "amarelos" apresentam risco aceitável e podem ser usados sob responsabilidade do negócio.
Ao adotar essas novas ideias do MIT e integrar tanto análises avançadas quanto IAG, as organizações podem usar dados de maneira mais significativa e ética em 2024, promovendo mudanças positivas e gerando valor real a partir de suas iniciativas de dados.
Comentarios