A resposta é complexa. Se tenho matéria-prima, os dados, se tenho tecnologia analítica, algoritmos e processos de descoberta de conhecimento através da Ciência de Dados (Data Science), então o que me falta? Poder-se-á responder que são pessoas. Data Scientists. Sim, mas não resolve o problema: as expectativas criadas como solução miraculosa e os resultados pobres no retorno gerado. Mesmo com dados disponíveis, tecnologia, processos e pessoas, muitas organizações ficam aquém de descobrirem o Graal analítico.

O primeiro problema é o âmbito. Para que queremos a analítica? Para a segmentação comportamental de clientes? Para perceber qual a melhor oferta para determinado segmento de clientes? Para a previsão da procura? Analisar a elasticidade preço? Para reter clientes e evitar o abandono? Perceber os modelos de propensão e de atribuição de canais?

A definição clara do objetivo é meio caminho para a solução. E tanto mais será, se alinhado com a estratégia global. Deveremos ter várias frentes analíticas para ganhar amplitude, sabendo que perdemos força, ou concentrar numa área específica para ganhar força, mas perdemos amplitude? O dilema dos generais de César.

Perceber que a direção de marketing deve envolver-se e deixar-se envolver. Estar intrinsecamente interessada no alinhamento da estratégia com a analítica. As áreas de Data Science não são quartos escuros ou silos abandonados. São parte do todo, para que o todo faça sentido. Mas ir mais além, fazer parte do todo da organização. Num recente artigo da McKinsey¹ sobre a pós-pandemia, a preparação do futuro deve responder a três questões estratégicas: quem somos nós como organização? Como funcionaremos? E como cresceremos? A analítica é um dos meios para responder.

Prepararmos para a frustração da ausência de resultados, mas estar sempre atento às pistas para o futuro. Muitos dos resultados obtidos ficam aquém ou são insuficientes para tomarmos uma decisão. Fruto, por exemplo, da qualidade de dados, irrelevância ou falta de significado. Não nos esqueçamos que a maior parte dos dados de uma organização não são utilizados: os dados “negros” (dark data). Dados recolhidos, tratados e armazenados apenas para efeitos de compliance. Utilizar parte destes dados pode ser importante para descobrimos a posteriori novas relações e padrões. Pistas futuras de análise.

Viajar ao passado. Não só à dark data, mas também adicionar séries temporais longas. Quanto mais soubermos do passado, melhor serão os modelos de previsão. Perceber os problemas atuais e se de alguma forma são semelhantes aos do passado e como os resolveram conceptualmente. O conhecimento atual encerrado nas organizações é cumulativo. A abertura ao passado é sempre necessária para perceber o presente e o futuro, mesmo nas disrupções, nos paradigmas ou nos “Cisnes Negros” (acontecimentos raros e imprevisíveis) como o que vivemos atualmente.

Se quisermos aproveitar o melhor da Ciência dos Dados (Data Science) para decidirmos quais as melhores ações que acrescentem valor aos clientes e ao mercado, é não termos medo de fazer perguntas e de termos mente aberta, porque o desconhecido é sempre maior do que o conhecido.