Por Carolina Vega e Luma Corrêa*
Todas as empresas desejam desenvolver o produto certo. Porém, existe uma alta complexidade na definição do escopo de desafios de dados devido à quantidade de variáveis que podem impactar o resultado do produto final e faltam abordagens que nos apoiem nessa definição.
Para mitigar essas complexidades, a abordagem de Data Product Discovery traz uma proposta prática, dividida em etapas, que podem ser executadas na sua totalidade ou de forma independente, auxiliando o direcionamento e o plano de delivery dos produtos de dados. Dos problemas mais comuns encontrados em desafios de dados estão:
-
- Falta de alinhamento de produtos de dados e experimentos com as estratégias de negócio
- Falta de evidenciar os reais problemas a serem resolvidos com dados
- Projetos baseados somente nos dados ou nas escolhas da engenharia
- Dados inconsistentes, fragmentados em diversos ambientes, dados faltantes e ausentes na estrutura da empresa
- Falta de assessment ou discoveries de data para análise antecipada de viabilidade técnica
- Baixa cultura e maturidade em data das empresas que levam a propostas de produtos de dados frustradas ou que são falhas
- Alta complexidade para os times em tarefas de aquisição e preparação dos dados
- Lideranças com visão monofocal e desconectadas do business, do ROI e sem conhecimento sobre inteligência empresarial e demais disciplinas de tech.
A abordagem apresentada foi validada em desafios reais de dados e se provou eficiente, gerando resultados com alta percepção de valor e impacto para as usuárias e o negócio.
O que é Data Product Thinking?
Data Product Thinking é uma abordagem que tem como proposta central convergir os contextos de negócio e técnico para direcionar as escolhas sobre o desenvolvimento de um ou mais produtos de dados. Com o uso de ferramentas de produto aplicadas a desafios de dados, juntamente com a realização de alinhamentos constantes entre as pessoas que fazem o produto e o negócio, direciona-se o delivery das primeiras entregas, de modo incremental, evolutivo e alinhado à estratégia.
Essa abordagem é um modelo racional que abrange a realização de atividades, as quais iniciam nas discussões sobre o entendimento e definições da estratégia e vão até a camada tática das operações que serão impactadas e onde as entregas técnicas do time pretendem gerar valor econômico para o ecossistema do negócio.
O que é Data Product?
“Data Product” significa coisas diferentes em contextos diferentes e para pessoas diferentes. De forma genérica, podemos citar DJ Patil, ex-cientista-chefe de dados dos EUA, que definiu um Data Product como sendo “um produto que facilita um objetivo final através do uso de dados” (de seu livro Data Jujitsu: The Art of Turning Data into Product, 2012).
Isso quer dizer que um produto de dados pode ser um recurso, uma informação digital ou algum meio pelo qual os usuários interagem, geralmente mediados por interfaces, e obtém valor dos dados para suas ações e trabalhos.
Qualquer tipo de produto de dados, seja um algoritmo inteligente, um processo totalmente automatizado, um dashboard de visualização e analytics ou outro formato que se apresente, é parte de uma estratégia, que, por sua vez, deve estar conectada aos objetivos do negócio. A partir dessa premissa, podemos assumir que o conhecimento das estratégias do negócio, bem como da estratégia de dados de uma organização, são os pontos de partida que guiam a aplicação do Data Product Thinking.
O que é Product Thinking?
Você já ouviu falar naquela frase: “Se apaixone pelo problema e não pela solução?” – Esse é o pensamento de produto na prática! Pensar o produto é entender o problema que se quer resolver completamente antes de pensar na solução, é analisar situações diversas de um contexto com base nas necessidades dos usuários e explorar diferentes formas de resolver um problema real. Conforme a incrível Julie Zhuo traz em seu artigo The Power of Product Thinking – o pensamento do produto é a habilidade de saber o que torna um produto útil – e amado – pelas pessoas.
A abordagem de Data Product Discovery trazida neste artigo se estende a esta definição de pensamento do produto somando a disciplina de “data”, justamente por aplicar o “pensamento de produto” em desafios de dados, ou melhor, orientá-lo a produtos de dados ou data products.
O que é Product Discovery ou Descoberta de Produto?
A descoberta de produto é o trabalho feito por equipes, geralmente multidisciplinares, para perceber e decidir “se e por que” um produto deve ser construído e “o que” deve ser desenvolvido para isso.
Não é um trabalho simples de ser feito, porém é bastante valioso que se faça. Product Discovery envolve alguns métodos diversos de observação, investigação, análise e inúmeras atividades colaborativas.
Segundo, Marty Cagan, autor que cunhou o termo Product Discovery, “a descoberta de produto é um processo para definir um produto valioso, útil e viável”. Ou seja, um produto que ajuda a empresa a crescer e competir no mercado, que é capaz de atender às necessidades reais e ou minimizar problemas facilitando ou até transformando a vida das usuárias. E, por fim, é um produto possível de ser construído.
A abordagem apresentada aqui vem sendo utilizada por equipes que trabalham em desafios que envolvem produtos de dados e que precisam de apoio na estruturação do processo de Discovery.
Como funciona o Data Product Discovery na prática?
A abordagem voltada ao Discovery compreende quatro etapas, com atividades que podem ser utilizadas de forma independente.
Cada etapa possui seu “outcome/resultado”, podendo, assim, ser utilizada de forma modular. Ou seja, é possível aplicar somente um conjunto de atividades de uma etapa ou mais, pois elas se adaptam à necessidade ou descobertas que o negócio quer fazer em relação a um desafio de dados. Ou, ainda, há casos em que são aplicadas apenas uma ou duas atividades e isso já foi suficiente para alcançar os resultados. Nesses casos, o time optou por combinar essas atividades com outras que já estavam pré-definidas.
Dadas as experiências tidas ao aplicar o Data Product Discovery em diversas organizações, a sugestão é aplicar cada etapa em uma sessão de, aproximadamente, 4 horas de interação com a abordagem. Mas, o tempo de aplicação da abordagem depende muito da complexidade, do desafio e da disponibilidade das participantes, portanto, pode variar um pouco para mais ou para menos essa média de 4 horas.
Para o sucesso da aplicação dessa abordagem, é importante a seleção de pessoas adequadas. São recomendadas participantes multifuncionais (negócio, produto e engenharia). Essas devem incluir: especialistas, lideranças e partes interessadas que compõem o negócio.
Etapa 1: Mapeamento de Contextos de Negócio e Tecnológico
Mapeamento de contextos de negócio e tecnológico é a etapa de abertura da abordagem Data Product Discovery. É composta por duas atividades: contexto de negócio (1.1) e contexto de tecnologia (1.2), as quais exploram, respectivamente, o que o negócio espera do produto de dados a ser construído e o quanto esse produto está conectado à estratégia de tecnologia.
Nessa etapa, realizam-se atividades de mapeamento do contexto de negócio e do contexto técnico. Na primeira atividade (1.1), os participantes vão analisar e alinhar sobre:
-
- Objetivos do negócio
- Expectativas sobre impactos do futuro produto
- Necessidades e problemas enfrentados em alto nível
- Beneficiárias e usuárias do futuro produto de dados
Na segunda atividade (1.2), as pessoas participantes irão identificar as estruturas atuais de dados, também conhecido como os 3 Vs de Big Data, sobre:
-
- Volume
- Variedade
- Velocidade
Além dos 3Vs de Big Data, ainda na segunda atividade, as participantes fazem um mapeamento da infraestrutura atual, acessos e permissões. O resultado dessa etapa é o entendimento em alto nível sobre qual a realidade do negócio e sua maturidade tecnológica.
Etapa 2: Rastreamento de Decisões Críticas e Análise dos Processos de Decisão
Rastreamento de decisões críticas e análise dos processos de decisão é a segunda etapa da abordagem Data Product Discovery. É composta por três atividades: Identificação de decisões críticas (2.1); Jornadas de decisão e fluxos de dados (2.2) e Question to be Done (QTBD) ou “Perguntas a serem feitas” (2.3 ). As atividades exploram os processos e fluxos de dados do negócio, rastreando e priorizando decisões críticas a serem tomadas e levantando questões de negócio que gostaríamos de responder com dados para facilitar essas decisões.
Após compreender o contexto de negócio, durante a atividade 2.1 – Identificação de decisões críticas – as participantes irão identificar quais as principais decisões críticas a serem tomadas para que os objetivos de negócio sejam alcançados. Para isso, as participantes fazem um brainstorming, discutem e agrupam as decisões, ao final, priorizam as decisões pelo impacto dessas no negócio.
Na segunda atividade dessa etapa, Jornadas de decisão e fluxos de dados (2.2), as participantes desenham os fluxos de dados e informações desses processos decisórios. E, com os fluxos desenhados, identificam as dificuldades, os pontos de dor e os problemas que impedem ou atrapalham na tomada de decisão das áreas de negócio em voga.
Na atividade 2.3, Questions to be done (QTBD), as participantes irão pensar em perguntas que os dados deveriam responder para gerar informação que torne a tomada de decisão mais rápida e assertiva.
Essa atividade exige um exercício de empatia, primeiramente, e se beneficia da análise feita nas atividades anteriores, pois é nesse momento que se veste a roupa da usuária e tenta-se imaginar o uso do produto de dados, bem como ele deve responder às dúvidas do negócio com dados que irão informar, apoiar em análises e geração de insight como parte do suporte a decisões.
O resultado da etapa é a identificação das informações necessárias para o negócio a serem geradas pelos dados, transformadas em perguntas na atividade Questions to be done (2.3), tais questões servirão de base para a criação das futuras hipóteses e futuros casos de uso das próximas etapas da abordagem.
Etapa 3: Criação de Hipóteses em Data e Análises
A terceira etapa da abordagem e possui duas atividades: Criação de hipóteses (3.1) e Análise de viabilidade e impacto (3.2). Essas atividades revisam os entendimentos dos contextos de negócio e tecnológico da primeira etapa e utilizam-se as informações da atividade Questions to be done (2.3), resultantes da etapa 2. O objetivo é definir quais possíveis soluções são aderentes à realidade do ecossistema do negócio e quais são mais factíveis de comporem o plano de delivery.
Nos estudos e desafios de dados que participei e tenho acompanhado, ficou evidente um problema muito comum, que é causa de boa parte dos motivos pelos quais iniciativas de dados mais falham: inviabilidades técnicas de executar projetos devido à falta de dados, dados pobres, desestruturados ou desconhecidos.
Saber da maturidade e fluência em dados do ecossistema onde o produto irá ser utilizado é crucial para as escolhas corretas de tecnologia e dos caminhos para execução das soluções e produtos de dados.
Para mitigar essa problemática, as pessoas participantes fazem a criação de hipóteses seguindo uma estrutura específica e, posteriormente, uma outra atividade onde realizam a análise de viabilidade técnica e impacto no negócio.
Durante a atividade (3.2) – Análise de viabilidade e impacto, é importante que o time já tenha obtido os acessos aos dados em high level. Com isso, poderão identificar quais dados estão disponíveis, qual a dificuldade de obtenção desses dados e quais deles podem viabilizar as hipóteses. Geralmente, essa etapa de análise exige do time técnico um esforço adicional para identificar esses pontos sobre os dados e entender a viabilidade de cada hipótese.
É neste ponto, que se diferencia a construção de uma hipótese bem fundamentada, em necessidades identificadas e análises técnicas dos dados, de uma mera suposição.
As atividades dessa etapa envolvem criatividade e colaboração, onde o time fica livre para propor ideias de como pode resolver os problemas de negócio com soluções de dados e como tais soluções podem ter seu sucesso medido no futuro e resultados que impactem as métricas da empresa.
O resultado dessa etapa é a priorização das hipóteses que serão consideradas no plano de delivery.
Etapa 4: Casos de Usos e Próximos Passos
Casos de uso e próximos passos é a quarta etapa da abordagem Data Product Discovery e possui duas atividades: construção de casos de uso de produtos dados (4.1) e definição dos próximos passos (4.2).
Uma vez definidas e priorizadas as hipóteses de soluções mais viáveis e de impacto relevante ao negócio na etapa anterior, será aplicado o conhecimento especializado da disciplina de data para elaborar casos de uso de produtos de dados. É nesse momento, que se vira a chave do discovery para o delivery.
Na primeira atividade dessa etapa, (4.1) Construção de casos de uso de produtos dados, os participantes detalham para cada caso: quais dados são necessários para habilitá-lo, quais as fontes necessárias, que tipo de informação será gerada ou monitorada e que tipo de insights podem ser acionados para apoiar as decisões. Detalhando, assim, as principais partes do fluxo de dados desde a sua camada produtora até a camada consumidora.
Uma vez com os casos de uso finalizados, as pessoas participantes realizam a segunda atividade – Definição dos próximos passos (4.2), onde conversam e decidem as ações necessárias para desenvolver os casos de uso detalhados na etapa anterior (4.1).
As participantes, então, definem, em conjunto e conectadas às suas formas de trabalho (ways of working ou outro), a melhor maneira de executar os próximos passos em seu Delivery. O mais importante desta atividade é que irão discutir e identificar o que será feito primeiro e como os casos de uso podem ser entregues de forma evolutiva, por meio de experimentos e fatias finas, alinhando, assim, um plano inicial do delivery em um backlog de alto nível.
Resultados da Aplicação do Data Product Discovery
Os resultados da aplicação desta abordagem de Data Product Discovery culminam em direcionar o time na definição do backlog inicial e na organização do seu processo de trabalho. Além disso, em algumas ocasiões, a abordagem permitiu que os times gerassem uma lista de oportunidades futuras em soluções e produtos de dados, que pudessem ser aproveitadas no futuro pelo negócio.
Eu, Luma Corrêa, autora da abordagem, até dezembro de 2022 já apliquei, junto a parceiros profissionais, o Data Product Discovery em mais de dez organizações. Também recebi relatos de colegas que estão aplicando as atividades e etapas compartilhadas neste artigo.
O principal feedback dos times que usaram esta abordagem é que o Data Product Discovery (DPT Discovery), também chamado pelas praticantes de Data Product Discovery, os ajudou a definir o backlog inicial, alinhar as pessoas técnicas com os objetivos de negócio, a ter um plano de delivery dos produtos de dados consistente e bem fundamentado, e a melhor organizar o seu processo de trabalho.
Desse modo, a abordagem é recomendada para times de produto com desafios de dados que necessitam definir qual a melhor estratégia de entrega de valor para o negócio, por meio de produtos de dados.
No próximo artigo, serão abordados cases e benefícios da aplicação da abordagem.
Até lá!
*Carolina Vega é uma entusiasta da inovação, análise de dados, inteligência artificial, estratégias de negócios e smart cities. Como experiente Analista de Dados de Negócios, ela colabora para que as empresas possam extrair insights valiosos e tomar decisões estratégicas embasadas em dados. Sua abordagem colaborativa e orientada para soluções impulsiona a inovação e o crescimento sustentável.
*Luma Corrêa, é apaixonada pelos universos de dados e de produto, com mais de 12 anos de experiência na área de tecnologia. Com um histórico de grandes desafios como líder de produtos e projetos, já tendo passado por empresas de diversos segmentos como Energia, Logística, Varejo, Legaltech e startups, Luma está atualmente no Grupo Boticário como GPM na Diretoria de Dados da companhia, onde segue focada em apoiar equipes de produtos de dados em potencializar suas entregas de valor. Seu objetivo é promover abordagens que facilitem os trabalhos dos times e estejam orientadas a resultados que alavanquem cenários empresariais cada vez mais eficientes, inteligentes e, sobretudo, informados.
Conteúdo publicado em 11 de janeiro de 2023, com atualizações em 23 de agosto de 2023.
Gostou deste conteúdo?
Leia também: Data Product Thinking: Unindo o universo de Dados e Produto
