BIG DATA: Uma Perspectiva Gerencial

Elaine Tavares

Managing with Analytics at P&G

Thomas H. Davenport Marco Iansiti Alain Serels

Caso P&G

• Sucesso muito além do previsto no lançamento de um sabão em pó concentrado.

• 8 anos de preparação de sistemas e processos, para se ter informação atualizada e capacidade analítica para tomada de decisão.

Reestruturação da P&G

• Global Business Units (GBUs) – Globalmente

centralizada • Estratégia • Marcas • Manufatura • Inovação

• Market Development Organizations (MDOs) – Presença local

• Entender preferência de consumidores e varejistas locais.

• Customizar marcas globais para mercados locais.

Reestruturação da P&G

• Funções Corporativas – Assessoria jurídica – Comunicação – Governança

• Global Business Services (GBSs) – Backoffice

• Ex.: Contabilidade, Contas a pagar, RH e TI

• Escala, padronização de serviços e compartilhamento de melhores práticas.

GBS • TI interna para apoio a decisão

– IDS – Information and Decision Solution • Desenvolveu capacidade técnica e humana para

analytics na cadeia de suprimentos, em marketing e vendas.

• Integração de sistemas ao longo de uma década. • Presidente da BGS: Passerini

– Estatística e pesquisa operacional

Analytics

• Em uma década: – pessoas, sistemas e dados para mudar a tomada de

decisão.

TI apóia tomada de decisão por repositório

central de dados e software de apoio

IDS deve ajudar os gestores fazendo as análises e tornando os dados acessíveis

Valorização do Analytics • 2009

– Bob MacDonald – novo presidente

• Capacidades analíticas da IDS precisavam ser usadas para decisões melhores e em tempo real. – Carta para os acionistas: Desenvolvendo

capacidade para operar sob demanda, em tempo real e orientada para o futuro.

Valorização do Analytics

• Mover BI para o centro do negócio – Analytics é uma nova forma de conquistar

mercado.

• Vantagem competitiva baseada não só em dados, mas em ferramentas, talento e cultura.

Vantagens de centralizar análise

• Padrões e controle de qualidade dos dados. • Melhor comparação das linhas de produto e

regiões. • "Uma única verdade" para toda empresa. • Automação de relatórios, que podiam ser

facilmente entendidos por qualquer um.

Decision Cockpit

• Dashboard baseado na web que tinha os dados e notícias principais para cada funcionário. – 2011: 50.000 pessoas

• Customizável e com alertas para eventos fora de padrão.

Decision Cockpit

• Objetivos: – Acelerar decisão em tempo real. – Mudar o foco da decisão de o quê para por quê e

como. • Possibilidade de aprofundar na informação para ver

não só o que estava acontecendo, mas a causa. • Ajudava a entender as opções sobre como reagir.

Decision Cockpit

• Ex.: – Queda nas vendas do Gillette Fusion na Austrália

• O que automático • Por que: vendas por varejista, cidade, remessas, preços,

promoções, ações de competidores, se todo mercado caiu ou foi só a P&G

• Entendendo o problema, pode reagir mais rapidamente.

Decision Cockpit

• IDS trabalhava com as unidades de negócio, fornecedores, clientes e empresas como a Nielsen para obter dados. – Análise de sentimento em redes sociais em tempo

real.

Business Sphere

• Uma sala de reunião voltada para a tomada de decisão. – Dados, imagem, voz e videoconferência

Previsões

• Modelos desenvolvidos por 2 anos – Previsões para 12 meses. – 6.000 produtos, considerando tamanho do

mercado, fatia do mercado e vendas – Contemplava probabilidade dos eventos

acontecerem

• Business Sufficiency Models – Acompanhar metas e objetivos

Analistas nas unidades

• 300 analistas da IDS nas unidades de negócio e funcionais – Auxiliavam o uso da Business Sphere e dos

Business Sufficiency Models. – Apesar do analytics ser centralizado, era

importante ter gente trabalhando juntos aos líderes de negócio.

Nova cultura • Todo gestor era orientado por analytics • IDS deu coaching sobre como usar as

ferramentas para o gestores • Preview culture -> transparência (todos

veriam ao mesmo tempo) – Orientado para não perder tempo na tomada de

decisão

Nova estrutura

• Transparência reduziu hierarquia de 7 para 5 níveis e reduziu 15% das gerências seniores.

O Mercado de sabão norte americano • Pressão dos varejistas para se produzir sabão

em pó concentrado. – Espaço em gôndola e logística – Ambientalmente correto

• 2010: substituir todas as marcas por produto concentrado, ajustando o preço para manter custo para o consumidor. – Requer ajuste total das plantas

O Mercado de sabão norte americano

• Riscos – Consumidor cético passar a comprar da

concorrência – Consumidor preferir o concentrado

• Mercado teste – Boa aceitação – Aumento das vendas modesto: 3%

O Mercado de sabão norte americano • Projeto em fases

– No target e outros varejistas selecionados (02/11) – Grandes varejistas (06/11) – Outros varejistas e distribuidores (08/11)

• Primeiras semanas: dificuldade para coletar dados – Estoque de sabão antigo – Concorrentes lançando embalagens compactas,

sem ser sabão concentrado

O Mercado de sabão norte americano • Dois meses depois

– Aumento imprevisto das vendas • Marcas P&G 12% • Maior market share • Mercado em geral não cresceu

• Previsões – Ainda iria melhorar um pouco na fase 1 – Nas fases 2 e 3 não haveria mudança – Modelos estatísticos não lidam com mudanças

disruptivas.

O Mercado de sabão norte americano • Ajustar o modelo? Como?

– As melhorias eram sustentáveis ou temporárias? • Previsões otimistas chamaria atenção nos

decisions cockpits e gerariam expectativas altas e mudanças. – Se errar para mais: mais matéria prima, trabalhadores

e estoques. – Se errar para menos, não atende ao mercado e

prejudica relação com clientes e consumidores. – Chamaria atenção até dos outros países.

O que você faria?

Tomada de Decisão 1 em 3 Gestores tomam decisão com base em

informações que não confiam ou não têm

56% Se sentem sobrecarregados com a quantidade de dados que gerenciam

60% Acreditam que precisam melhor capturar e entender informações, rapidamente

83% Apontam que BI & Analytics fazem parte de seus planos para aumentar competitividade

Sobrecarga • As organizações estão nadando num mar de

dados crescente – Volumoso e não estruturado – Analisado de forma tradicional

• Exemplo: – Dados de navegação na web – Conteúdos de mídias sociais – Imagens e vídeos – Dados de voz (call center) – Dados captados por dispositivos móveis – Dados captados por sensores e etiquetas RFID

KPMG • 85% de 144 CFOs e CIOs disseram não ter como

analisar os dados que já têm coletados. • 54% disse que a principal barreira é identificar o

valor de coletar os dados. • A maioria das organizações não consegue

entender perfeitamente como dados e análises podem transformar seus negócios.

• As organizações que aprendem a ter vantagens com Big Data usam informação em tempo real para entenderem seus ambientes num nível granular, para criarem novos produtos e serviços e para responder as mudanças de padrão que ocorrem.

O Que é Big Data?

Objetivos Imediatos

• Maior produtividade • Novas oportunidades comerciais • Custo / benefício de se tratar dados

Pensando Diferente • Organizações que mais se beneficiam do big

data se distanciam das análises tradicionais: – São atentas ao fluxo de dados, e não ao estoque; – Usam data scientists e desenvolvedores de

produtos e processos; e – Mudaram a função de análise da TI para o core

business e as funções de operações e produção.

Fluxo, ao invés de Estoque • Há vários tipos de aplicações de Big Data:

– O que suporta processos de contato pessoal com clientes, (ex. identificação de fraudes em tempo real);

– O que envolve o monitoramento contínuo de processo (ex.: manutenção numa aeronave);

– O que explora as relações de rede (ex.: amigos sugeridos no Facebook).

• Em todos estes casos, os dados são fluxos contínuos.

• Mudança substancial do passado, quando os analistas utilizavam fontes fixas de dados.

• Evita decisão obsoleta. • No monitoramento em tempo real, é necessário um

processo contínuo de análise e decisão. • Analisar, decidir e agir rapidamente e frequentemente.

– Entender quem toma decisão, o processo decisório e os critérios utilizados.

Fluxo, ao invés de Estoque

Data Scients • Conhecimento vasto e competência de TI.

• As competências são diversas: programação, habilidades

matemáticas e estatísticas, conhecimento do negócio, capacidade de se comunicar com o tomador de decisão.

• Precisaram estar perto dos produtos e processos, o que significa nova posição na estrutura organizacional.

Movendo a Análise da TI para o Negócio

• Será necessário treinar e recrutar pessoas com novas habilidades, que consigam integrar estas capacidades nos seus ambientes.

Mudança de Paradigma • O Big Data não envolve só mudança de tecnologia,

envolve adaptação de processos e treinamentos relacionados à mudança de gestão e análise de dados.

Dificuldades • As organizações lutam para identificar onde e

como começar suas jornadas de Big Data. • Há oportunidades para ajudar as organizações a:

– analisar os dados "obscuros" que elas já têm, mas que atualmente estão enterrados em seus sistemas; e

– identificar e priorizar outras fontes de dados internas e externas.

Mudança Cultural • Adotar uma tomada de decisões baseada em evidências

é uma difícil mudança cultural: – processos de trabalho devem ser redefinidos; – os dados devem ser limpos; e – devem ser estabelecidas regras de negócios para

orientar as pessoas no seu trabalho.

Sucesso da P&G • Desenvolvimento de capacidade técnica e humana

para analytics • Papel dos altos gestores • Integração de sistemas prévia - qualidade dos dados • Mudança de cultura

– BI no centro do negócio – Operação com dados em tempo real – Dados, ferramentas, talento e cultura – Decision cockpit,Business Sphere e Business Sufficiency

Models – Coaching para ajudar a usar as ferramentas

• Revisão da estrutura organizacional

• Heterogeneidade, escala, pontualidade, complexidade e privacidade são desafios do Big Data.

• A integração dos dados é uma das maiores fontes de valor, mas requer colaboração.

• A apresentação dos resultados e sua interpretação é fundamental para extrair conhecimento acionável.

• Rever estruturas.

Alguns Desafios

Recomendações • Não temos ainda melhores práticas em gestão.

Só práticas ad hoc. • Se guiar pela transparência e pelo atendimento

de alguns objetivos. – Identificar o problema para depois resolver.

• Como transformar insights em resultados tangíveis.

• Ter noção de onde quer chegar. • Mudança de paradigma de gestão. • Comece com o problema, e não com os dados. • Compartilhe dados, para receber dados. • Alinhe interesses das partes. • Facilite a colaboração entre pessoas.

Recomendações

Condições Necessárias

• Cabeça aberta e cultura • Suporte gerencial e executivos • Orçamento suficiente • Melhores parceiros e fornecedores

Perguntas • Como você está lidando com dados estruturados e não

estruturados? • Que dados são importantes para o seu negócio e como aplicá-los? • Você tem ideia da complexidade dos dados que te cercam e sabe

como se adaptar a isto? • Você já pensou sobre os custos de gestão dos seus dados? • Como está a segurança dos seus sistemas? • Você está envolvendo as pessoas certas no projeto de Big Data? • Que competências pessoais você precisará ter e como assegurá-las?

Big Data hoje é o que era a Web em 1993. Sabemos que será algo grande, mas não sabemos como…

Contatos

Elaine Tavares elaine.tavares@coppead.ufrj.br

(55 21) 3938-9859

www.coppead.ufrj.br Centro de Estudos em Administração da

Informação