Latest / Os Agilistas / #357 - Por que 80% das empresas ainda decidem no achismo

Transcript

#357 - Por que 80% das empresas ainda decidem no achismo · Os Agilistas

0:00
Bom dia, boa tarde, boa noite. Começamos mais um episódio dos
0:03
agilistas, que é o seu radar de inovação, tecnologia e negócios.
0:07
Eu sou a Marcela e eu estou aqui hoje para falar de um tema muito
0:09
importante para as empresas. Que são os dados 2026 tem sido
0:14
considerado o ano de inflexão para as empresas que trabalham
0:17
com dados, mas apenas 20% das empresas de fato conseguem usar
0:22
os dados como ativo e estratégico, segundo uma
0:25
pesquisa recente. Uma consultoria brasileira para
0:27
compor a banca aqui comigo hoje eu chamo a Fabiana pós oslayton,
0:31
que é data produtos manager na DTI, tudo bem?
0:35
Olá gente, tudo bom? Obrigada por me receberem.
0:37
Bem-vinda. E o Ricardo Camilo, que é o
0:40
líder de dados da DTI também, tudo bem, Ricardo?
0:42
Tudo joia? Olá pessoal, obrigado aí pelo
0:45
convite. Mais uma vez aqui participando
0:47
dos agilistas. Gente, uma pesquisa da lider
0:49
chip Outlook 2025 do evermont Institute mostram que 62,8% dos
0:55
executivos brasileiros já consideram a análise de dados e
0:58
Business inteligents a segunda tendência mais relevante para
1:01
suas carreiras. Eu acho que isso é meio fato,
1:04
né? Assim, então dependente da área
1:06
de atuação, você dominar os dados vai te dar.
1:09
Para tomar decisões, é, mas o estudo é muito direto.
1:12
O desafio não está em só ter acesso à data, eSIM transformá
1:16
Los em decisões mais assertivas, que o exige.
1:19
Não só ferramental, né, mas uma mudança cultural.
1:22
E aí eu começo já trazendo um pouquinho para vocês uma
1:25
pergunta, né? Assim, as empresas hoje é fato
1:28
que muitas empresas têm um Monte de dashbox, ferramentas de dados
1:31
e et cetera, mas não necessariamente tomam decisões.
1:35
Baseadas em dados, muito em feeling, né?
1:37
Enfim, em achismos mesmo, até de liderança e tal.
1:41
Na visão de vocês, aonde está a raiz desse paradoxo aí?
1:46
É um problema de cultura, de governança, de qualidade do dado
1:49
ou tudo isso junto ao mesmo tempo aqui, agora, eu acho.
1:53
Que tem um pouco de tudo, né? Acho que são 2 questões
1:56
principais. Eu vejo que é um problema.
2:00
Tudo isso que você citou junto e misturado, principalmente porque
2:04
a gente vê que as empresas acabam começando pelo final, né?
2:07
Então, Ah, eu vou contratar a ferramenta, eu vou investir aqui
2:12
11 recurso gigante em algo super moderno que está sendo falado.
2:17
Tá, mas e os dados e o que vai ser inserido, né?
2:20
Dentro dessas ferramentas? Eu acho que isso é uma grande
2:22
questão. E também eu percebo que nesse
2:25
termo, né, data driven acabou sendo muito romantizado, então
2:29
muitas vezes é. Ah, beleza, a gente tem os dados
2:32
pra responder as perguntas, mas quem faz as perguntas então
2:37
acaba que o processo ele não é seguido de ponta a ponta, né?
2:40
Então ele é pinçado ou ele vai logo lá no final.
2:44
Então a gente vê que essa é uma questão bem grande na maior
2:47
parte das dos cases. Aí que a gente pega, não sei se
2:50
o Ricardo com. Certeza eu acho que o ponto mais
2:52
importante aqui é destacar que a ferramenta não resolve um
2:56
problema cultural. Né?
2:57
Então, quando a gente tem ali um investimento muito alto em ti, a
3:01
gente está esquecendo que quem usa esse dado é a área de
3:05
negócio. Então, a área de negócio precisa
3:07
primeiro definir qual é o problema a ser resolvido.
3:11
E é como a Fabi trouxe aqui. A partir disso, deveria ser
3:14
feito um desdobramento para quais as melhores ferramentas
3:17
adequadas para que isso se resolva.
3:20
Porque muitas vezes eu vejo que as empresas, elas constroem 11
3:24
infinidade de dashboards, mas a gente não consegue tomar
3:27
decisões em cima disso. Então eu acho que tem 11 questão
3:31
muito, muito crítica aí. Nessa questão do da definição do
3:34
problema, sabe? Desde do do advento assim, daí a
3:38
generativa, né? Eu acho que essa questão ficou
3:40
mais incipiente ainda, né? Assim, porque pra pra você
3:43
usufruir da IA você precisa realmente se alimentar de dados,
3:47
né? Pra ver qual que é o padrão e
3:49
etcetera. Vocês sentiram assim que houve
3:51
uma pressão maior e uma atenção maior também pra essa
3:54
organização da estruturação de dados dentro dos das empresas
3:58
que vocês têm contato. Sim, eu vejo que pelo menos
4:01
assim. Há muito tempo atrás, desde 15
4:05
anos, aí que eu estou no mercado de tecnologia.
4:07
A parte de dados e analíticos sempre foi uma prioridade.
4:10
Mas assim, primeiro veio ODWE, depois veio a data Lake.
4:13
Agora a gente está falando de Lake House, agora a gente está
4:16
falando de agenerativa. Mas isso sempre serviu como um,
4:20
vamos dizer, para um impulso executivo para que isso se torne
4:24
prioridade. Então eu vejo que com AA
4:26
generativa, agora existe uma tendência muito forte das
4:30
empresas quererem usar e a generativa em algo que seja no
4:34
negócio ou que seja na operação. Mas às vezes se esquece que para
4:38
que isso aconteça de forma eficiente, é muito importante a
4:41
gente construir uma fundação sólida, né?
4:44
Que tenha governança. Que tenha é é performance, que
4:49
tenha otimização de recursos e que AIA consiga trabalhar de
4:52
forma mais assertiva. Acaba que teve 11.
4:56
Democratização, né? Muito grande do uso de
4:58
ferramentas, né? De IAE, foi o que você comentou,
5:01
Oo prompt, né, que a gente coloca que que tá tá tão famoso,
5:06
né? Todo mundo consegue entrar num
5:09
gpt, num cloud, num compaylot e colocar um prompt e fazer uma
5:13
pergunta, né? Mas a gente volta pra questão.
5:16
Qual é a pergunta? Isso é um dado.
5:18
Se você não tem um bom prompt, você não vai conseguir uma boa
5:21
resposta. E se você não tem ainda o
5:24
advento do ser humano para fazer a análise dessa resposta, você
5:29
acaba é colocando AIA muitas vezes como a dona da verdade
5:34
absoluta e a ideia da da gente conseguir usar no nosso dia a
5:38
dia. Não É Ela substituir o nosso
5:40
trabalho, ela ser uma ferramenta que vai nos ajudar.
5:44
Mas a gente ainda continua com a nossa intuição, com a nossa
5:46
experiência, com o nosso know how, com o nosso feeling.
5:48
Muitas vezes não gosto muito desse termo, mas AA gente ainda
5:52
existe nesse cenário, né? A gente ainda é muito
5:54
fundamental. Então, sim, com certeza tem essa
5:56
pressão muito grande para utilização da ferramenta.
5:59
E muitas vezes os dados que vão ser imputados, né?
6:01
Essa ferramenta acabam ficando em segundo plano.
6:03
Eu tenho uma curiosidade também, porque 11 outra palavra que que.
6:08
Surgiu, né? E a gente ouve toda hora.
6:10
É data riven, né? Somos data riven.
6:13
Mas assim, se se quando a gente tiver essa, essa resultado dessa
6:16
pesquisa mesmo, que fala que às vezes só 22% das empresas
6:20
brasileiras têm uma maturidade com relação a dados, eu queria
6:24
que vocês me contassem um pouquinho, se vocês pudessem
6:26
fazer uma radiografia mesmo, das empresas que vocês têm
6:29
interface, né? Do que que vocês já viveram até
6:32
então? Quais são os erros mais comuns
6:35
assim que os líderes cometem, que fazem eles acreditar que são
6:39
data driven, mas que na verdade, eles não estão sendo?
6:42
É assim que que eu vejo, né? Na minha experiência, muitas
6:46
vezes, até na onda passada que teve aí do data Lake, a gente
6:49
via muitas pessoas querendo criar essa infraestrutura
6:52
popular, ela de dados, mas não sabia o que fazer com esses
6:55
dados. Então, assim, da mesma forma que
6:57
no passado construíram se estruturas analíticas de data or
7:01
House e que hoje. Eu posso dizer que quase 100%
7:05
das empresas ainda possuem um DW ativo e às vezes até onpreens.
7:10
E ele ainda é base para muita decisão.
7:12
Eu vejo que o data Lake ele foi uma onda muito grande que muitas
7:16
empresas queriam desenvolver, não sabiam para quê e começaram
7:21
a encher aquilo de dado. Mas sem um propósito.
7:24
Então assim, eu acho que o grande, a grande falha que eu
7:27
vejo nessa questão da radiografia é mais a gente
7:30
entender assim por onde que a gente precisa começar, criar
7:33
esse repositório técnico, consumir todo esse recurso
7:36
financeiro, ou a gente pensar em um problema de negócio e tentar
7:39
criar uma estrutura para que esse problema seja resolvido?
7:42
Então eu acho que tem tem uma questão muito de investimento
7:48
necessário para infraestrutura. Mas essa questão também de
7:52
ouvir, aonde o problema está causando essa dor?
7:55
Acho que complementando, até que o Camilo falou, tem também uma
7:58
questão de essa questão de, você falou de incluir os dados
8:02
populares com dados, mas e o quanto que a gente está tentando
8:06
aumentar a maturidade de reconhecimento das pessoas que
8:09
estão utilizando esses dados, que também é outra questão.
8:12
A gente tem dados, tá, mas e aí? Legal?
8:14
É, mas as pessoas que vão utilizar, porque não
8:16
necessariamente todas as pessoas são técnicas, né?
8:18
Eu não considero uma pessoa técnica.
8:21
Então a gente tem que ter um olhar de negócio, um olhar
8:24
estratégico em cima dos dados. E isso acho que também é algo
8:28
que por enquanto a gente ainda vê.
8:30
Grande falha, né, né? Nas empresas brasileiras, aí que
8:34
a gente tem contato. É, então, de fato, é uma skill
8:36
necessária, né? Assim, a gente se desenvolver
8:39
para fazer as perguntas certas para os dados que a gente, em
8:42
tese, deveria tê. Los acessíveis, né?
8:45
Até dando um exemplo assim de algo um pouco.
8:48
Um contexto paralelo, eu sou muito fã de Fórmula 1, quem me
8:50
conhece sabe. E a gente vê que, por exemplo,
8:52
muitas equipes de Fórmula 1 são é empresas realmente voltadas
8:57
para dados. E aí imagina lá que o piloto, na
9:00
hora que ele está dirigindo lá, ele não tem tempo de analisar
9:02
dados. Então existe toda uma equipe por
9:04
trás analisando os dados. Tomando as decisões ali do time
9:08
em tempo real, né? A gente está falando de mais de
9:11
4 bilhões de dados processados ali em um final de semana de
9:14
corrida. E o que o piloto recebe, na
9:16
verdade, é só 11 insight. Então, às vezes o engenheiro da
9:20
do piloto fala, olha, você precisa mudar a configuração do
9:24
carro para consumir um combustível a menos.
9:26
Isso sim é ser data drive. Ele já tomou essa decisão lá
9:29
atrás, o piloto, ele simplesmente executa ação e já
9:33
consegue ter essa resposta. Eu acho que esse seria o cenário
9:36
ideal de uma empresa data drive, você ter 11 equipe analisando
9:39
todos esses dados ali, mas na ponta você já ter a decisão que
9:43
precisa ser tomada. Ricardo, eu adorei, mas agora a
9:46
grande questão para mim, você ama Fórmula 1 por causa dos
9:49
dados? Então, sim, Fórmula 1 também por
9:52
causa dos dados, mas eu acho que é porque é um esporte assim, que
9:55
envolve não só a disputa dos atletas, mas a disputa das
9:59
equipes. E segundos vão fazer muita
10:01
diferença se o dado vai entrar. Né, na verdade, nem a segunda.
10:05
Lá são milissegundos, então às vezes você pode perder 11 pole
10:09
position por milissegundos. Então a equipe, ela tem que ter
10:13
uma precisão muito alta no que ela está fazendo ali.
10:16
Ela não pode ser baseada em fila, porque qualquer
10:19
milissegundos ali pode fazer a diferença de bilhões.
10:21
Então assim, eu acho que é um exemplo assim que a gente pode
10:23
trazer. Como algo bem nativo direita
10:26
drive. Você vê que um homem está
10:27
pensando em dados o tempo todo, né, Ricardo?
10:30
Só sempre atrás de formas para conseguir explicar para as
10:33
pessoas sobre dados o que que é inserir dados em qualquer tipo
10:36
de conversa. Interessante, mas é eu eu fiz
10:39
uma pergunta antes que era um pouco das empresas que que de
10:43
repente se vendem como data drive, né?
10:45
E que não são. Mas agora eu queria conversar um
10:47
pouquinho sobre as empresas que vocês de fato veem que estão num
10:50
caminho muito legal de estruturação de dados.
10:53
Dados esses que estão propiciando tomadas de decisões
10:56
muito importantes para o negócio e que vão realmente pavimentar
10:59
um caminho aí para um futuro que a gente já está construindo
11:01
agora, né? O futuro é agora, né?
11:03
Vocês podem dar um pouquinho de contexto do que que seria
11:05
realmente. Assim, o que eu posso trazer,
11:08
né? Eu lembro que quando eu comecei
11:09
a minha carreira ali, 2006 a 20 anos atrás, eu trabalhei no
11:14
projeto de uma empresa de telecom que na época já tinha
11:18
alguns modelos de previsão. Do que a gente chama de
11:20
churning, né? Que é onde você identifica se o
11:23
cliente vai deixar a sua empresa e vai para uma concorrência.
11:26
Esse tipo de de produto, de dados, eu acho que é OOO que
11:31
torna essa empresa dentro do even.
11:33
Então assim, por mais que há 20 anos atrás muitas empresas já
11:36
faziam isso, hoje em dia tem empresas que conseguem, por
11:39
exemplo, criar modelo de previsão de receita, né?
11:43
Você ter ali, por exemplo, a gente teve um caso recente aqui
11:46
na dti, aonde a gente trabalhou numa fundação tecnológica no
11:49
grupo Fleury. E a partir dessa fundação
11:51
tecnológica, a gente conseguiu entregar um produto de dados que
11:56
faz a leitura do laudo usando e a generativa e ativa o paciente
12:01
ou o médico responsável pelo tratamento, para que esse
12:04
paciente faça um retorno programado, que por por vezes
12:08
ali ele é esquecido, né? A gente às vezes faz um exame,
12:11
tem que fazer um retorno, esquece.
12:12
Então eu acho que esse tipo de ação é que faz uma empresa ser
12:16
deita, dreaming, você conseguir realmente tomar decisões
12:19
baseadas em dados e não em achismos, em feelings, em
12:23
opiniões ali de pessoas que que às vezes tem uma posição maior
12:27
na empresa, certo? Estava.
12:28
Pensando aqui, a gente falou bastante de ter os dados, mas
12:31
não ter a ação de utilizar esses dados da melhor forma, a gente
12:35
não não chegou a falar, mas também é algo que eu acho que
12:38
merece ser ressaltado. A confiabilidade nos dados, que
12:41
é super importante, e também o quanto dados EE modelagens é.
12:46
Tá no nosso dia a dia. Eu não manjo nada de Fórmula 1,
12:49
mas eu adoro assistir uma TV, assistir um filme, então a gente
12:52
vê tantos, tantas empresas de streaming, né?
12:56
Hoje com usando modelos de recomendação, então quando você
12:58
entra lá No No seu aplicativo e fala assim, olha, você assistiu
13:02
esse filme aqui, será que você vai gostar desse filme aqui?
13:04
Isso aí é é é modelo Na Na prática, né, no nosso dia a dia,
13:08
isso em qualquer outro site de compra online de então.
13:11
Assim, eu acho que às vezes a gente tá tão parte do nosso dia
13:15
a dia que a gente não consegue visualizar.
13:16
E isso é o sucesso, né? É eles utilizando os tomando
13:20
decisões com dados de ponta a ponta.
13:22
Chegando até o cliente e o cliente está não está nem
13:24
percebendo, né, que isso está sendo utilizado, então eles
13:28
estão aí. Não é tudo só negativo no
13:30
sentido de precisa ser melhorado, né?
13:32
Tem muita gente fazendo muita coisa muito bacana.
13:35
Pois aí vocês acabaram trazendo insights sobre como os dados de
13:39
fato vão gerar valor no negócio. Mas eu queria até fazer uma
13:42
pergunta um pouco mais, como se eu fosse uma criança que precisa
13:46
entender um pouquinho, e eu fico pensando muito no meu armário,
13:49
por exemplo, assim, se eu preciso escolher uma roupa legal
13:51
para alguma? Coisa.
13:53
O ideal é que ele esteja organizado e que eu consegui
13:55
enxergar todas as possibilidades para entender o que que vai
13:58
combinar melhor naquele lugar que que é o passo básico para
14:01
uma empresa, para para deixar os dados acessíveis, organizados
14:05
assim. E eu queria até entender também
14:08
se vocês têm algum exemplo de algum momento que de de terem
14:11
percebido, de ter vivido esse momento de virada.
14:14
Assim, quando a empresa deixou de de tratar dado como dado
14:19
mesmo e virou um insight estratégico, assim, quando vocês
14:21
perceberam que os dados estavam sendo consumidos para gerar
14:24
valor diretamente? Hoje aqui dentro da bti, né?
14:28
Eu atuo num Squad focado, né, numa plataforma de dados e a
14:32
gente percebe muito, e também de forma muito natural, né?
14:36
Quando? Quando a gente muda esse
14:37
mindset, que eu acho que é talvez um dos principais pontos,
14:41
né, de de virada de chave, que é a gente parar de perguntar qual
14:45
é esse número para falar assim? Qual é a decisão que eu preciso
14:49
tomar e quais números eu preciso para tomar essa decisão?
14:51
E muitas vezes a gente fala, Ah, bom, a gente tem esses dados
14:55
aqui para tomar essa decisão desse.
14:56
Você fala, poxa, isso não é suficiente, eu não vou tomar
14:58
essa decisão porque eu preciso de mais dados.
15:01
Isso daí pra mim é, é o grande, o grande divisor de águas.
15:05
Ela falou, não vou tomar essa decisão enquanto eu não consegui
15:08
esse esse dado porque é tão importante que merece.
15:13
É esperar, né? Então acho que a gente viveu
15:16
isso na prática nesse nesse último ano, né?
15:18
Com com esse case, principalmente.
15:20
E tem casos também, por exemplo, de empresas que começam a
15:23
desenvolver produtos a partir da análise dos dados.
15:27
Então assim, acho que esse seria Oo estado da arte, vamos dizer
15:30
assim, né? Que aí você consegue é entender
15:33
realmente quais os dados ali você tem disponível, da onde que
15:37
você consegue fazer a análise desses dados ali para chegar num
15:41
desenvolvimento de um produto. E começa.
15:43
Começar realmente a desenvolver isso.
15:44
Então eu vejo que criar produtos, criar receita, criar é
15:49
é investimentos a partir de dados, é o que torna realmente
15:53
essa virada de chave. Porque muitas vezes a gente,
15:56
pelo menos eu vejo isso, que algumas empresas que não tem
15:58
esse nível de maturidade, às vezes elas.
16:01
Já tem uma decisão tomada e ela precisa os dados para embasar
16:04
aquela decisão. Então o ponto é, você precisa
16:07
tomar a decisão a partir dos dados e não para basear uma
16:11
decisão que alguém já tomou. Então é, acho que OA grande
16:14
diferença está aí. É você realmente acreditar que
16:16
os dados estão dizendo a verdade.
16:18
Isso aí é muito bacana, porque a gente passa esse nosso dia a
16:21
dia, né? Você você ter já a questão.
16:25
Que Oo resultado e daí você pegar esses dados para basear o
16:29
resultado que você já tem, em vez de você estar aberto o
16:31
suficiente para falar assim, deixa eu ouvir o que que os
16:34
dados têm a me dizer. Tem todas essas perguntas aqui,
16:37
o que que os dados têm a me dizer?
16:38
E é bom quando vai contra o que a gente acha que vai ser, porque
16:43
não adianta só a gente ter experiência.
16:45
A gente falou do feeling, né? Você ter feeling, você ter
16:47
experiência, você ter know how. Se você não tem um embasamento
16:51
da sobre a sua decisão, sobre a sua opinião sobre o que quer que
16:53
seja. Só vai se tornar realmente só
16:55
uma opinião, vai se tornar uma decisão baseada em dados.
16:58
A gente percebe que hoje também a gente tem um advento de novas
17:01
plataformas de estruturação de dados.
17:03
Inclusive somos parceiros, né? De de uma delas.
17:07
Eu queria que você contasse um pouquinho ricato.
17:09
Como tem sido essa parceria com a data brics, inclusive, a gente
17:11
cedia os encontros da data brics em BH, né?
17:14
A gente tem uma parceria aí de longa data, né, com a data
17:17
brics, a data brics hoje ela é uma empresa referência na parte
17:22
aí de. De advanced de analíticos, até
17:25
falando um pouco dessa fundação tecnológica que a gente que a
17:28
gente falou um pouco aqui, ela habilita essa fundação, então
17:32
quando a gente tem ali um contexto de governança de dados,
17:36
de agenerativa, de análise de dados e você tem.
17:40
Todos esses serviços separados, você tem uma complexidade muito
17:43
alta para gerir isso. O que que a data brics entrega?
17:46
Ela entrega uma plataforma unificada, então só aí você já
17:48
simplifica muito a gestão dessa infraestrutura, desses acessos,
17:52
desses times e a gente como parceiro estratégico.
17:55
Data brics, a gente tem construído muitas soluções aí em
17:59
grandes empresas, né? Soluções voltadas para machine
18:02
learning a generativa, modelos de análise de dados, isso tem
18:07
trazido para as empresas resultados impressionantes,
18:09
então assim. Modelos de machine learning que
18:12
antes eram publicados aí em meses.
18:15
A gente tá conseguindo reduzir para as semanas empresas que tem
18:18
uma complexidade muito grande na organização, porque são empresas
18:21
globais e que tem ali divisões espalhadas pelo mundo.
18:25
A gente tem construído arquétipos de dados voltados pra
18:29
distribuição descentralizada desses dados.
18:32
Então a gente consegue entregar autonomia.
18:34
Para a área de negócio, sem criar aquele funil da TIE, ter
18:38
que aprovar tudo. Vocês vão criando tipo, portas
18:40
de acesso para outras áreas, que inclusive pode ser com, por
18:44
exemplo, a galera de de do jurídico.
18:47
Exato, você vai ter ali, por exemplo, o espaço do jurídico, o
18:50
espaço do marketing, o espaço do RH.
18:52
Cada um tem a sua área de trabalho e tudo isso a partir de
18:56
uma governança única. Então, a data brics permite
18:58
isso, a gente criar essa descentralização sem perder a
19:02
governança e. Com relação à liderança, assim,
19:05
eu acho que qual que é Oo ideal assim pra pra uma empresa ser de
19:09
fato data drive em termos de atuação do líder, assim do olhar
19:13
do líder sobre o negócio? Acho que o primeiro ponto é
19:15
olhar para o negócio como a vabi sempre tem, trago aqui, olhar
19:18
para as perguntas, entender que é a decisão.
19:22
Tá na mão do negócio, ele é que sabe ali aonde que tá o problema
19:26
e entender que a ti ela vai fazer parte desse processo, né?
19:29
Ela não é a peça tão chave ali, ela é uma peça que vai fazer as
19:33
engrenagens funcionarem. Assim elas vão se conectar.
19:36
E eu acho que o primeiro ponto ali para liderança entender isso
19:39
é buscar nessa pergunta. É tentando entender para que
19:42
lado a gente tem que construir estruturas que respondam.
19:46
Perguntas que vão viabilizar essa essa decisão baseada em
19:50
dados. É uma mudança de mindset também,
19:52
né? Porque precisa, o líder precisa
19:56
estar totalmente no mesmo barco. Em relação a vamos tratar
20:01
governança de dados é de forma prioritária, né?
20:05
Por assim dizer, acho que o que a gente falou na até Na Na
20:08
questão anterior que a gente fez um ficou dando risada aqui de
20:11
poxa, vamos tentar usar os dados.
20:14
Para responder o resultado que a gente acha isso a gente vê que
20:17
muitas lideranças às vezes trazem, né?
20:19
Olha, me confirma isso aqui, em vez de fazer a pergunta certa,
20:22
né, do que, do que que você precisa para conseguir saber tal
20:26
coisa ou tomar tal decisão? Eu acho que a partir do momento
20:29
que tem essa, essa mudança, o time todo acaba visualizando
20:33
isso e não só isso, né? É, tem um investimento, tem,
20:36
você dá passo a passo, seguindo o processo que a gente vem
20:39
falando também. Então acho que é um pouquinho de
20:41
tudo, não tem 11 ideal. Mas acho que tem algumas
20:44
ferramentas, tem algumas coisas que podem ser feitas aí para
20:47
para melhorar um pouco esse esse relacionamento, liderança, time
20:51
e valorizando a estratégia da empresa como um todo.
20:54
A gente está chegando ao final do episódio e, como sempre, a
20:57
gente costuma fazer uma pedido de indicação de um conteúdo que
21:01
eu acho que. Relativar o tema ou não, mas
21:02
vocês podiam dar uma dica pra gente de como que a gente
21:05
melhora em dados aí, em todas as lideranças que estão nos
21:08
ouvindo. Bom, além da.
21:09
Fórmula 1, né? Que eu acho que eu já te
21:11
indiquei aqui, mas assim eu tenho 2 indicações legais assim
21:15
que não são tão técnicas, que eu acho que é mais importante.
21:18
Aí tem um filme que chama moneybol, que ele é baseado numa
21:21
história de um treinador de beisebol que ele contratou, um
21:25
estatístico. Para tomar decisões baseadas em
21:28
dados, então, assim antialotti. Precisava ter feito esse
21:30
caminho, né? Tão diferente.
21:33
Ali, de de times tradicionais, ali que você tem olheiros com
21:37
experiências de anos e feelings, esse estatístico, ele começa a
21:41
analisar estatísticas para contratar jogadores e começam a
21:45
ter surpresas impressionantes. Então é um filme muito bom.
21:47
Recomendo demais? Tem nas nossas plataformas de
21:50
streaming. E um outro.
21:52
Uma outra recomendação que eu queria trazer é um livro que
21:54
chama freakonomics. É um livro escrito por
21:57
economistas onde eles provam através de dados que alguns
22:00
mitos eles são assim, completamente absurdos.
22:05
Por exemplo, quando você tem uma criança que você vai deixar ela
22:08
na casa de alguém, muitas vezes a gente tem mais medo de arma de
22:11
fogo quando quando você sabe que o casal ali tem uma arma de
22:14
fogo. Do que uma piscina?
22:16
Mas eles provam através de dados que a piscina ela pode causar
22:19
mortalidade muito maior do que uma arma de fogo.
22:21
É claro que você é um exemplo. Tem vários exemplos
22:24
interessantes no livro. Mas aí o que que o livro traz
22:27
realmente que os dados não mentem?
22:29
Então assim, por mais que às vezes tenha algum viés ali, os
22:32
dados estão ali. Então eu acho que esses, esses
22:34
2, esses 2 indicações, elas são para provocar realmente essa
22:38
visão de que, por mais que a gente tem ali todo 11 histórico,
22:43
uma carga ali cultural que a gente carrega, a gente às vezes
22:46
tem que quebrar essa visão. Com dados pensando.
22:49
Até no que a gente estava falando da daida brics e também
22:53
é. Achei muito bacana você falar
22:55
que não necessariamente as indicações que a gente vai
22:57
trazer aqui são indicações técnicas, o que é uma questão,
23:00
porque às vezes a gente acha que só os livros muitas, muitas
23:03
pessoas acham, né? Só os livros, só os conteúdos
23:05
mais técnicos são importantes e não você consegue aprender e
23:09
entender de outras formas assistindo filmes, et cetera.
23:11
Acho que na, no, na plataforma, né, no site da da, da, da brics,
23:15
tem toda a parte de fundamental, né, de cursos.
23:18
Fundamentais básicos, né? Sobre a plataforma, sobre dados,
23:21
sobre você entender um pouquinho de direita, lay House, entender
23:24
um pouquinho de direita, mash eu acho que esses cursos são super
23:26
interessantes e eu gosto muito também dos conteúdos de livros
23:29
da o Riley mídia, em especial um livro que chama destrando
23:33
arquitetura de dados, que eu achei que IA ser um livro
23:35
dificílimo de ler, super complexo, mas não, eles trazem
23:38
uma didática muito grande, uma aplicação prática também muito
23:41
legal, legal. Adorei as dicas.
23:42
Inclusive vou correr atrás delas porque eu acho que a gente eu
23:45
acho que OOO que vai fazer a diferença.
23:48
Né? Daqui pra frente é realmente
23:49
esse letramento em dados, né? Realmente fazer as perguntas
23:52
certas e conseguir encontrar caminhos ali a partir do que os
23:55
dados estão dizendo, né? Agradeço a participação.
23:58
Fabi, obrigada por ter vindo, seja sempre bem-vinda, eu que
24:01
agradeço. Foi um prazer, Ricardo.
24:03
Obrigada de novo também por estar aqui com a gente, muito
24:06
obrigado. Agradeço muito pelo convite,
24:08
aguardo novos. Cases pra gente trazer pra cá
24:10
aos nossos ouvintes. Sigam a gente nas nossas redes.
24:14
Acompanhe na sua plataforma de streaming preferido e obrigada e
24:17
até a próxima.