Data Science não é só um nome bonito

 

Data Science, ou ciência de dados aqui no Brasil, é uma linha de estudo multidisciplinar, que une disciplinas de várias áreas com o estudo de dados e transformação de informação.

A virada do século foi o primeiro turning point para que a ciência de dados ganhasse mais popularidade. A Internet já estava se difundindo, computadores já eram uma realidade e trabalhar com dados, começou a se tornar algo comum. Pouco mais de uma década se passou e mais um boom chega para alavancar novamente o termo Data Science. Desta vez com as redes sociais tendo capilaridade mundial, canais de produção de conteúdo independente ganhando notoriedade e veículos tradicionais se digitalizando, o volume de informação gerado por hora no mundo explode, como muito bem mostra o estudo anual Data Never Sleep, da Domo.

CONFUSÕES, EQUÍVOCOS E MITOS

Apesar de ter ganhado notoriedade e espaço dentro dos organismos corporativos, Data Science está longe de ser uma realidade. Sentimos isso toda vez que um cliente nos pergunta por exemplo, se “não é só colocar um analista de dados pra levantar um excel?”.

Os empresários e líderes de empresas já entendem a importância de se trabalhar com dados, mas na média, estão longe de conseguir aplicar isso na prática, muito por conta do histórico, que vem de um modelo organizacional muito pautado por achismos e feeling. A gente inclusive abre esse assunto mais calma, num artigo que escrevemos no Blog da Plataforma next sobre Data-driven Culture. O interessante, é discutir sobre a base do que é a ciência de dados, para que entendamos os pilares que embasam toda a metodologia.

Existem diversos modelos estruturais para se explicar a base de Data Science, sendo que a mais simples de se entender, é que utiliza dois pilares principais: os conhecimentos científicos e os conhecimento de negócio.

Conhecimentos científicos

O Método científico é a base de todo conhecimento científico que temos até hoje. Resumindo muito, se trata de um ciclo, que parte de uma observação, passa pela elaboração de hipóteses (testáveis e falseáveis), cai para prática em forma de experimentos e finaliza o ciclo com a análise destes resultados.

Essa é a base da ciência moderna, e por mais que pareça óbvio para muitos, o espaço para erros e vieses é o que faz o mundo dos negócios não se apropriar muito bem da metodologia.

Conhecimentos de negócio

Por outro lado, os conhecimentos de negócio são por muitas vezes, empíricos e encabeçados por apenas um grupo dentro da empresa. É daqui que saem as perguntas de negócio, que exploramos melhor no artigo “Quais são as suas perguntas de negócio?”, mas que direcionam as observações e hipóteses que estarão lá no método científico. É aqui que os pilares se juntam!

Não precisamos dizer, que para que estes pilares funcionem dentro de uma estrutura de Data Science, os dados precisam ser uma premissa. Do começo ao final do ciclo, são os levantamentos e análises dos dados que farão tudo ter sentido, caso contrário, todo o método se transforma em apenas mais uma burocracia dentro dos processos atuais. É justamente neste ponto que ter um parceiro de dados faz sentido. Terceirizar parte da responsabilidade da sua estrutura de Data, para um parceiro experiente no assunto, traz maturidade e velocidade para as ações.