Atualmente, estamos presenciando empresas relativamente novas tomando o lugar de corporações tradicionais. Esse é o caso do Nubank, startup financeira que está dominando o mercado bancário mundial com dezenas de milhares de usuários no mundo. Mas como isso é possível? Bom, saiba que novas metodologias, como o Lean Analytics, permitem aumentar a eficiência e a produtividade com ações relativamente simples.
A partir das informações que o Lean Analytics, recebe dos clientes pelo aplicativo, ela utiliza a ciência dos dados para criar métricas mais precisas para a estratégia administrativa. Com isso, empresas mais jovens conseguiram disputar o mercado com grandes bancos, tendo apenas cerca de 1.000 funcionários. Quer saber mais sobre essa metologia? Acompanhe o texto!
O que é o Lean Analytics?
Todas as metodologias enxutas contam com a mesma filosofia: diminuir a burocracia dos processos para reduzi-los ao essencial, àquilo que realmente importa para o negócio. O Lean Analytics, então, aproveita essa ideia e a aplica no monitoramento da gestão empresarial. Assim, ficou conhecido como a metodologia da “única métrica que importa”.
Portanto, em vez de ficar controlando e acompanhando uma série de indicadores, os gestores escolhem somente um — aquele que resume e representa melhor os objetivos atuais do negócio. Todas as decisões deverão levá-lo em consideração!
Com isso, espera-se que o gestor consiga ter uma visão muito profunda sobre a estratégia da sua empresa, em vez de se preocupar com inúmeros aspectos colaterais. O ideal é que cada setor eleja um indicador principal próprio, que esteja em consonância com toda a empresa. Por exemplo, alguns negócios escolhem como métrica do Lean o crescimento das vendas.
Assim sendo, todos os setores internos deverão escolher uma métrica que ajude a conquistar seu objetivo. O marketing, nesse sentido, pode escolher monitorar a taxa de conversão no e-commerce. Destaca-se que usar o Lean não quer dizer que sua empresa não observará outros indicadores, mas é preciso ter foco somente em um.
Quais os riscos de apostar em métricas ineficazes?
O risco de apostar em métricas ineficazes é muito alto, pois estamos em um mercado extremamente competitivo. Cada erro pode custar caro para o posicionamento do seu negócio, abrindo espaço para a concorrência. Então, você precisa garantir que os seus números traduzem critérios importantes para seu negócio, evitando as chamadas métricas de vaidade. Ou seja, aquelas que são medidas e dão resultados positivos, mas não refletem os seus objetivos.
Como implementar o Lean Analytics em sua empresa?
O primeiro passo para implementar o Lean Analytics na sua empresa será compreender profundamente o significado de uma boa métrica. A seguir, vamos mostrar algumas características importantes:
- comparativa: a métrica deve permitir uma comparação com os seus concorrentes ou com dados anteriores. Somente assim você poderá entender se suas ações estão trazendo algum benefício para o negócio;
- facilmente compreendida: qualquer pessoa, independentemente da área de especialização, deverá compreender o significado da métrica;
- representada em taxas ou proporções: números brutos geralmente não agregam muita informação para quem os está visualizando. Por outro lado, termos percentuais ajudam rapidamente a identificar a evolução de um indicador;
- facilitadora das mudanças corporativas: quando aplicamos qualquer ação na nossa empresa, precisamos que ela influencie a cultura para otimizar os processos e os resultados.
Quando você utiliza a ciência dos dados para encontrar métricas cada vez mais precisas para o seu negócio, será capaz de revolucionar sua gestão estratégica. Com isso, você poderá encontrar aquele indicador único proposto pelo Lean Analytics e realizar as ações mais precisas para alcançar seus objetivos.
Quer saber mais sobre a importância da gestão de dados e como evitar erros nesse sentido? Então, não deixe de conferir mais um de nossos posts!
Materia muito interessante
Obrigada pelo artigo 🙂 Acho que eu tenho uma equipe que pode obter cada sucesso 🙂 Mas sem kanbantool.com, nao conseguimos arranjar e controlar todas tarefas. Ferramentas digitais podem ajudar bastante – tal como manager ou teamledaer, mas mais suave 🙂 Eu planejo o dia do trabalho com kanban e todas tarefas sao cumpridas. Eu sei que nao cada um gosta trabalhar assim, mas comigo funciona 🙂
Parabéns por trazer a CRISP-DM de volta ao tablado. O “produtocentrismo” que assola o mercardo de BI pressiona os players a comprar o último brinquedo, a seguir a última moda, quando quase tudo que tem algum uso prático já existe há décadas – como o CRISP-DM
Seria legal um artigo um artigo comparando-o com SEMMA. Pode ser muito interessante para quem entrou na área há menos de 20 anos.
Gostaria de entender se a utilização da Big data nas empresas gera algum tipo de desvantagem nas pessoas que lá trabalham ?
Sobre o comentário do João Kechichian, concordo em relação às empresas não terem claro o que querem, e concordo com o Leandro sobre a abordagem de “Qual o seu problema” para dar as sugestões.
Mas vale ressaltar que as empresas não conseguem identificar o que querem por não terem claro um Planejamento Estratégico e objetivos bem descritos. Isso facilita muito perceber quais indicadores serão necessários acompanhar para atingir os resultados esperados.
Bom dia,
Há muita diferença das versões do livro The Data Warehouse Toolkit?
Vejo que ele esta na 3 edição.
Posso comprar apenas a 3 ou devo comprar todas?
Oi Marcos!
Há algumas atualizações com conceitos mais atuais. Não precisa comprar todas as edições não, apenas a 3a já cobre tudo que precisa.
Sim e não. A maior diferença é entre a primeira edição e as restantes. Da segunda edição em diante, quando a Margy Ross assumiu o livro, é tudo mais ou menos o mesmo.
A primeira edição, que por acaso chegou a ser publicada em português, é a melhor, na minha opinião. Ela é mais concreta, menor e mais focada. Se conseguir achá-la, compre. Vale ouro.
eu precisava para compor você uma pouco de note ajudar diga obrigado again com o extraordinário conselhos você compartilhado nesta página . Foi certamente maravilhosamente generoso com você dando abertamente tudo o que muitas pessoas {poderiam ter | poderiam possivelmente ter | poderiam ter | teriam | distribuído para um ebook para gerar alguma massa para eles mesmos , especialmente considerando que you poderia ter tried it se você nunca desejado . Those estratégias também agido como outras pessoas tenha semelhante desire como my own entender bom negócio mais relacionado este assunto . Eu tenho certeza há alguns mais agradáveis ocasiões ahead para pessoas que ver seu site
[…] de BI — Business Intelligence ou, traduzindo, Inteligência Empresarial — é justamente o diferencial que uma empresa precisa para tratar dados gerados por vários meios. Veja alguns contextos que podem servir de […]
[…] para aumentar seu lucro ou diminuir seus custos operacionais. Esse é o conceito básico de Business Intelligence utilizado como diferencial […]
Olá Leandro.
Acredito que o potencial da área de Business Intelligence dentro das empresas pode ser maior do que se imagina hoje.
Trabalho com consultoria de B.I. para agencias e empresas, e enfrentamos diariamente dois grandes problemas.
1- Padronização dos dados: Como utilizamos muitas fontes de dados, todo o processo, desde o que a implementação, até a parte operacional, precisa ser muito bem estruturada. Sem o padrão das informações perde-se muito tempo com “correção”, sendo que “tempo” não é o que temos para identificar um padrão, pois no dia seguinte ele pode mudar se não o tratarmos.
2- Pessoas que não sabem o que querem: Corporações não sabem o que querem, logo querem tudo. O problema é que sabemos que não tudo não é necessário, se consegue identificar padrões e otimizações com metade do volume. Sendo assim o processo de otimização passa a ser inteligente para ser operacional.
O futuro da área esta encaminhando para segmentações e clusterizações dinâmicas para analise de Big Data, mas se o processo de todos envolvidos precisa ser muito bem desenhado e a área de B.I. precisa ter este knowhow também.
Obrigado e muito bom seus artigos.
Oi João, obrigado pelo seu comentário! Concordo com você!
Realmente, a padronização dos dados é o ponto mais sensível mesmo. Aqui estimamos em torno de 60% a 70% do tempo em um projeto de BI apenas para esta parte.
Sobre as pessoas não saberem o que querem, aqui vemos como uma certa vantagem. Muitas vezes não é nem exatamente não saber o que querem, mas não saberem o que é possível fazer. Com isso, parte do nosso trabalho aqui é exatamente entender do que o cliente sofre aí então sugerir algumas coisas. Tentamos não ir para uma abordagem de “o que você quer” mas sim de “quais são seus problemas”.
Isso me deu até a ideia de criar um post focado nisso, vou deixar anotado para o futuro!
Existe uma técnica chamada Árvore de Realidade Presente, da Teoria das Restrições, que lida justamente com essa barafunda de problemas e entendimentos. Eu experimentei a mesma frustração que você, João, e decidi resolver esse problema. A imagem https://geekbi.files.wordpress.com/2020/10/bi_toc-crt-x.png é um resumo do que eu tenho até agora.
Adoraria uma contribuição. “O cliente não sabe o que quer” já está lá. “Dados são sujos” e “Dados são bagunçados” me parecem boas adições.
O que você acha? E você, Leandro?