Do arquiteto ao executivo: Sete lições de dados críticos no caminho para a liderança

Dados de alta qualidade não mentem. Ele pode confirmar as suspeitas ou esperanças da sua organização. Ou pode corrigir suas suposições para que você possa adaptar sua abordagem comercial.

Essa verdade inerente aos dados tem sido uma paixão vitalícia e a força motriz por trás de minha carreira. Quando era criança, gostei de absorver informações sobre tópicos que me interessavam — desde os detalhes das regras do jogo até as nuances de artigos interessantes. Essa afinidade inicial por detalhes e padrões iniciou uma jornada que moldou minha vida acadêmica e profissional.

Como estudante de engenharia, essas habilidades de retenção provaram ser inestimáveis ao perseguir meus diplomas de bacharelado e mestrado. Minha paixão por dados intensificou-se como assistente de pós-graduação em um laboratório Unix escolar, onde eu me dediquei a muitos projetos. No entanto, extrair dados era um desafio por causa do custo de obter informações significativas.

Ao entrar no mundo profissional, meu foco mudou para o lado da aplicação dos dados, projetando modelos que garantiram a entrada precisa de dados dos aplicativos. Todas as posições — desde meus inícios como engenheiro de dados até meu trabalho como arquiteto de dados e minha transição para líder de negócios — reforçaram o valor dos dados e as informações que eles fornecem.

Ao longo do caminho, aprendi sete lições críticas sobre dados, cada uma testemunhando seu poder transformador. Essas lições oferecem sabedoria prática e podem orientar aqueles que navegam no panorama complexo e dinâmico dos dados.

Lição n.o 1: Os dados respondem a perguntas de negócios.

Uma das minhas primeiras lições foi sobre o maior superpoder dos dados: sua inegável capacidade de moldar caminhos organizacionais e romper pressupostos. Você pode elogiar uma unidade de negócios ou departamento por seu sucesso, mas o que dizem os dados?

Use dados para responder a algumas das maiores perguntas de seu negócio:

• Sua organização, unidade de negócios ou departamento está atendendo seus objetivos de negócios?
• Quais KPIs você está alcançando e quais não está atingindo?
• Quais são as oportunidades de crescimento mais promissoras?
• Quais projetos ou iniciativas exigem ajuste fino para produzir os melhores resultados?

Responde à ação do drive. Responder a essas perguntas pode desbloquear valor significativo e orientar o planejamento de negócios futuro. E pode levar a esforços promissores, como a otimização de logística complexa.

Sessão 2: Os decisores empresariais devem entender os dados.

Meu primeiro trabalho fora da universidade foi como engenheiro/modelista de dados para uma contratada federal que gerenciava os dados em um portal imobiliário para várias agências federais. O portal rastreou edifícios governamentais — informações críticas para a tomada de decisões das agências. A quantidade de dados era imensa e foi uma grande tarefa identificar onde eles estavam localizados e extrair valor deles.

Isso foi há cerca de 25 anos, e as ferramentas de relatório não eram quase tão avançadas quanto agora. Relatórios significavam coletar dados através de consultas disparates e exportá-los para uma planilha. Mas mesmo assim, eu sabia como era importante que os tomadores de decisão fizessem sentido aos dados e obtivessem insights a partir deles. Assim, a equipe criou relatórios que tornaram os dados fáceis de entender e mostrou os principais insights de dados para executivos de agências através de painéis de relatórios. Na era moderna, você pode usar a IA para coletar e relatar dados.

Lição 3: Uma estratégia de modernização de dados é imprescindível.

A arquitetura de dados é mais do que apenas fazer interface com uma aplicação. Quando comecei, a função envolvida em garantir que sua arquitetura pudesse suportar a carga de trabalho quando houve persistência dentro de suas aplicações e se alguém começou a consultar os dados. Como resultado, muitos princípios de design fora da modelagem de dados envolveram a otimização de dados — ainda um princípio sólido.

É aqui que uma estratégia abrangente de modernização de dados se torna vital. Sem um, você pode acabar com dados duplicados ou outros problemas que podem interromper o progresso. Essa estratégia deve responder a perguntas como quais dados estão maduros para modernizar e migrar e quais passos devo tomar para proteger os dados.  Dada a mudança significativa na forma como as organizações alinham as bases de dados com dados estruturados, semiestruturados e não estruturados, sua estratégia também deve incluir treinamento e aprendizado para modelos de aprendizado de máquina, etapas para criar o canal de dados e operações de dados certos.

A IA generativa oferece possibilidades ilimitadas — e ainda mais um incentivo do que nunca para priorizar seus dados. Mas também está tornando claro que, embora os dados ainda desempenhem um papel importante, a infraestrutura que suporta esses dados também é crítica. As empresas preparadas para IA precisam da infraestrutura certa para gerar informações a partir de dados. Com ele, velocidade e agilidade se tornam seus aliados.

Lição 4: Um sistema de alerta precoce pode diminuir o risco.

Com as plataformas de operações de aprendizado de máquina e os desafios de reconstruir arquiteturas de dados e infraestrutura multinuvem para acomodar a IA generativa, o panorama continua a mudar a um ritmo rápido.

Se você não prestar atenção aos seus dados desde o início, corre o risco de ter que pagar por eles mais tarde — literalmente. A crise financeira de 2007-2008 demonstrou isso claramente. Testemunhei isso como líder de dados supervisionando projetos de dados para empresas de serviços financeiros. Os consultores trabalhavam muitas horas todos os dias para tentar identificar por que essas empresas estavam sofrendo perdas financeiras substanciais.

A crise é um exemplo do que pode acontecer quando você não presta atenção suficiente aos seus dados. Não há garantia de que isso teria evitado todos os problemas que surgiram. No entanto, ao estabelecer mecanismos para detectar anomalias de dados, alguém poderia ter detectado isso precocemente e diminuído suas perdas.

Lição 5: Um lago de dados é uma opção de armazenamento superior.

Muitas organizações armazenam seus dados em bancos de dados relacionais baseados em arquivos ou imagens. No entanto, a computação barata criou a dispersão de dados e levou a desafios, incluindo a governança de dados. É aqui que um data lakehouse — armazenamento baseado em nuvem para dados estruturados, semiestruturados e não estruturados — oferece uma melhor opção.

Mover seus dados para um lago permite um fluxo suave de informações que transforma todos os aspectos da sua organização, desde experiências personalizadas do cliente até a manutenção preditiva. Os lagos de dados são a resposta à dispersão de dados que é comum com opções de armazenamento tradicionais como os data warehouses.

Lição 6: Não reinvente a roda.

Antes de envolver dezenas de engenheiros e pedir-lhes para desenvolver soluções de dados, realize uma análise custo-benefício de construção versus compra. Hoje, na maioria dos casos, optar por comprar é a rota mais vantajosa. Essa abordagem mitiga a incerteza associada ao provável sucesso de uma solução recém-construída. Além disso, a construção muitas vezes requer a participação de inúmeros cientistas de dados — um desafio dado a escassez de talentos.

Com uma solução comprada, o custo provavelmente será menor se você tiver armazenamento de dados suficiente e alguns engenheiros de dados experientes disponíveis (internos ou terceirizados). Para um sucesso ideal, considere desenvolver parcerias sólidas e integrar seus dados com ferramentas existentes que possam satisfazer seus requisitos.

Lição 7: Os dados são um ativo comercial, não um centro de custos.

Os lados de negócios e TI de uma organização podem ter objetivos conflitantes. O lado de negócios de uma organização muitas vezes está ansioso por mais informações ao menor custo, enquanto a TI quer a melhor tecnologia disponível.

Como líder de dados, aprendi a importância de respeitar o valor dos dados para a organização. O lado comercial de uma organização deve reconhecer isso e investir em soluções tecnológicas porque os dados podem oferecer um enorme retorno se usados adequadamente. Isso requer olhar para além dos dados estruturados para dados semiestruturados e não estruturados. A tecnologia certa pode ajudá-lo a extrair valor de todos os tipos de dados.

Avance sua abordagem de dados com a Unisys

Uma das minhas coisas favoritas sobre dados é que o aprendizado nunca para. Embora tenha coletado muitas lições durante meus mais de 25 anos de carreira, continuo obtendo novas ideias (ponto pretendido). Estou entusiasmado com o que a IA já alcançou e ansioso por testemunhar como seu uso crescente moldará as organizações e aumentará sua apreciação por seus dados — e desempenhará um papel na condução disso.

Se você quiser otimizar seus dados, maximizar seu valor e prepará-los para a IA, leia mais lições em nosso "Visionários de Dados: Cinco estratégias fundamentais e oito histórias transformadoras" e "Preparação de dados para IA: Um guia prático para preparar seus dados, independentemente do seu ponto de partida" e explore como as soluções de dados e análise da Unisys podem ajudar.