Latest / Product Guru's : Produto | Negócios | Carreira / Data Product Manager é um Product Manager - Gil Sant'Anna

Transcript

Data Product Manager é um Product Manager - Gil Sant'Anna · Product Guru's : Produto | Negócios | Carreira

0:02
Bom. Oi, tudo bem com você?
0:08
Meu nome é paulus. Hoje você acaba de dar play no
0:10
prot. Guru.
0:11
O podcast que a voz por trás dos produtos, Oh, claro, comigo,
0:16
temos um PhD nesse podcast, Gil Santana.
0:20
Tudo bem, Gil? Tudo ótimo, Paulo.
0:21
Prazer estar aqui, isso o prazer é todo meu.
0:23
Falar com OPHD como que é CPHD? É uma bo zueira, né, cara, a
0:27
gente acha que é. Pessoas chamam de doutores, mas
0:31
no final das contas é 5 anos ou 4 anos.
0:34
Você gasta ali estudando mais um negocinho pra saber que você
0:38
sabe nada. Então você tem mais certeza de
0:40
que você sabe nada. Essa.
0:41
Essa é a posição. Isso é uma frase de alguém de
0:45
PhD. Não é muito mais evoluída.
0:47
Claramente o Gil antes. Hoje a gente vai falar sobre
0:50
algo que eu estava vendo aqui nos arquivos do PG.
0:54
A gente não falou muito sobre a gente fala muito sobre dados,
0:58
métricas, indicadores, et cetera, mas a gente não falou se
1:04
não me engano é, ou a PM não me reportou que exista e tenha um
1:10
episódio sobre o papel do dpm que é o deita Project manager,
1:14
né? E aí, você, a gente foi ver, né?
1:17
Quem é a referência? Dessa desse papel é o Gil
1:21
Santana, então a gente trouxe você aqui e a primeira pergunta
1:25
é é pergunta é? O que diferencia o que é, na
1:28
verdade, o que é o deita pros manager e o que diferencia ele
1:33
de um proxy manager? Ele é um projeto manager que
1:36
sabe mexer com gráfico, é isso? É um pouquinho mais que isso.
1:41
Primeiro é, eu fico muito feliz de ter sido convidado, não essa,
1:45
essa, essa moral toda de ser referência.
1:48
Não sei você que está dizendo, mas eu estou na área já há algum
1:52
tempo e é uma área muito recente também.
1:54
E aí eu acho que a primeira coisa, saber que.
1:58
Com deita pra daqui, manager é um product manager do nome.
2:02
Então quando a gente pensa sobre atribuições de um dpm, ele é um
2:06
PM, é na raiz, né? Então a gente a gente vai olhar
2:12
para premiar primariamente para as dores de negócios, tentar
2:15
resolver dor é se preocupar com o impacto e o valor daquilo que
2:20
a gente está entregando. Só que é como um PM, é orientado
2:26
a dados. Eu vou olhar pra métricas
2:28
importantes, eu vou ver, a saúde é as métricas de saúde do meu
2:34
produto para acompanhar você tá indo bem e tal tal.
2:36
E como deita produto manager, é os dados.
2:40
Eles estão sempre sempre integrados nos meus produtos,
2:43
então eu sempre vou estar falando sobre produtos de dados,
2:46
sobre ou coisas relacionadas a predições e recomendações.
2:50
É ou às vezes vai de fato vai. Vai envolver gráficos, é alguma
2:56
visualização? É, mas acho que é a diferença
3:00
crucial entre os 2 é que os dados, eles estão sempre
3:04
integrados nas soluções, nas entregas do do é da produto
3:07
manager. Ótimo.
3:10
Entendemos exatamente o que um dpm faz e qual é o diferencial
3:14
dele de um PM antes da gente se aprofundar do dia a dia de um
3:18
dpm, de um deita, projete manager porque tem polêmica
3:21
sobre esse esse assunto. Nós vamos deixar.
3:24
Vou deixar pro meio ali muito que eu vou chegar aqui logo no
3:27
começo e fala assim, ô Gil, as empresas não sabem o que um dpm
3:32
faz. Não vamos falar isso, não vou
3:34
perguntar isso agora, não, o Gil.
3:36
Para algumas empresas, o dpm é aquele antigo maestro lá que só
3:40
sabe fazer dashboard também não vou perguntar isso agora, deixa
3:43
lá mais para o fim. Porque a gente chega, chegou da
3:46
audiência antes dessas perguntas, recados, você está
3:51
ouvindo pelo Spotify, Apple podcast?
3:53
Clique no botão seguir e também deixe suas 5 estrelas.
3:56
Que isso ajuda a gente a alcançar mais pessoas.
4:00
E assim é é aumentar a nossa audiência.
4:03
É uma forma de você ajudar o pródigos a crescer.
4:06
Tem caixas de comentários também.
4:08
O Spotify tem ali o que você achou desse episódio.
4:11
Apple podcast também tem também seus comentários.
4:14
Deixe suas dúvidas. Hoje eu pode é responder em
4:18
algum conteúdo que ele que ele faz.
4:21
Segundo recado, siga Gil Santana, link do LinkedIn dele
4:26
na descrição, não siga e mande. É a seguinte mensagem Pra Ele,
4:31
se tem 2 opções para você mandar para ele ou você manda Mengão um
4:35
ou você manda gráfico de pizza, então você manda Mengão ou
4:40
gráfico de pizza para ele. Que ele vai saber que você ouviu
4:44
e ele já vai te odiar até ser o recado é, ouça os programas
4:48
assinados em parceria com os nossos patrocinadores aqui que é
4:53
construindo produtos com você. Um programa assinado pelo maior
4:55
banco da América Latina, Banco Itaú, gestão de produtos na XP
4:59
ink, a maior corretora de investimento, também tem um
5:03
programa assinado aqui na praia de juros e o programa que está
5:06
fazendo muito sucesso Na Na comunidade quer terapia de
5:09
produtos onde A Terra é, nos disponibiliza os experts e
5:15
professores deles pra dele pra. Serem nossos psicólogos, digamos
5:22
assim, então a gente monta um divã quando a gente pega as
5:25
frustrações e dores, é dúvidas das pessoas, de produtos e faz
5:30
uma terapia ali com esses experts.
5:32
Link dos programas está na descrição, ouça, maratone e
5:36
descubra. Como que essas empresas constrói
5:39
produtos digitais e tire dúvidas, ouça as terapias com os
5:43
experts da Terra, tá bom? O Gil antes da gente entrar mais
6:02
a fundo sobre o papel, a função dia a dia, vamos conhecer a
6:07
pessoa Gil, que é da coisa mais Importante Pra Mim aqui nesse
6:11
episódio, que é, qual é a sua história?
6:14
Então, eu me arrisco a dizer que eu sou uma das pessoas mais
6:17
aleatórias que você pode conhecer que é ótimo para o
6:21
papel de um PM assim é bom. Contando de forma breve a minha
6:25
história, eu. Eu sou uma pessoa preta, é
6:28
autista, eu nasci no Rio de Janeiro, no complexo do alemão,
6:32
que é uma das maiores favelas daqui.
6:34
É de origem bem pobre e aí eu sempre fui muito nerd assim,
6:38
introspectivo e nerd. E gostava de ciência, matemática
6:42
até que o 14 anos eu meti na cabeça.
6:44
Eu queria ganhar um Nobel, assim falei, cara, eu vou ganhar um
6:47
Nobel, é isso? E acabou.
6:49
E aí eu comecei a trabalhar com biologia molecular, é, tem uma
6:52
história grande, esse comecei a trabalhar, é uma história
6:55
grande, mas tão importando, comecei a trabalhar com biologia
6:57
molecular na época por causa do albieri.
7:00
Porque eu vi O Clone e a novela do clone.
7:02
Eu falei assim, cara, fazer esse negócio aí e aí fui trabalhar
7:05
num laboratório na RJ. E aí Oo que eu fazia é meu
7:08
projeto era transformar célula de pele em coração e aí você não
7:12
precisaria de transplante heterólogo de outra pessoa é de
7:16
coração de outra pessoa. E aí fiquei nessa correria ali
7:19
para fazer para fazer isso, até que quando eu fui entrar na
7:22
graduação, um japonês publicou o primeiro e ganhou nova depois
7:27
nos anos. Não é?
7:29
Tem o endereço desse rapaz que a gente pode ir lá pichar o muro
7:33
da casa dele. Não tenho dele o desgraçado,
7:36
canalha. Lá no Japão, lá do Japão.
7:40
E aí eu comecei a graduação, eu comecei fazendo biofísica é, e
7:46
no meio da biofísica é, fui convidada a fazer matemática
7:49
aplicada junto, e aí no meio, fazendo os 2 cursos e com
7:54
pesquisa como pesquisa era muito lenta aqui.
7:56
Ou seja, para conseguir um reagente demorava 2 meses e tal.
7:59
Eu abri uma empresa para tentar resolver esse problema, que era
8:02
como se fosse um Mercado Livre de produtos de laboratório.
8:05
Essa empresa que foi meu primeiro contato com tecnologia,
8:08
sim. Na época eu era assim, não tinha
8:10
nenhum contato com nada, não sabia o que era site na real,
8:13
assim não tinha nada, nada. Um produto muito menos assim,
8:16
mas eu estava voltando aquele negócio ali.
8:18
Fui montando essa empresa, essa empresa.
8:20
Ela recebeu investimento aqui no Brasil, é anjo seed, depois
8:25
cerizay Na Na Inglaterra, aí a gente foi investido pela Google,
8:30
a da Inglaterra e eu saí da empresa.
8:33
Eu fiz o exit dela lá e quis voltar para fazer ciência, só
8:36
que aí eu queria fazer ciência, com um comportamento, eu comecei
8:38
a gostar de comportamento de mais, assim, de gente trabalhar
8:41
com gente e tal, e é, eu tava me entendendo também com o pessoal
8:44
te te então tipo, era bom pra mim, é entender comportamento e
8:48
aí comecei a fazer o doutorado. Que foi aplicado doutorado e
8:51
comecei o HD em behavioral Science, que é mais parte
8:54
comportamental que eu fiz sanduíche aqui no Brasil e em
8:57
Stanford, na Califórnia, e aí nessa coisa da Califórnia, você
9:01
vale do Silício. Eu comecei a ouvir subproduto,
9:04
que era o que eu já fazia o mesmo, mas na empresa, mas eu
9:06
via do termo de produto e comecei a trabalhar como
9:09
consultor. Mais de Discovery, algumas
9:11
empresas, porque eu Era Eu. Eu tinha mais expertise de
9:15
pesquisa, de de, revelou Science tal.
9:17
Daí fiquei trabalhando, trabalhando, trabalhando nas
9:20
empresas gregas. É na área de produto.
9:23
Fui gostando bastante, porque era para mim, é, é tipo, ciência
9:26
bem remunerada. Fiz mais rápido e aí achei
9:30
legal, gostei, gostei, gostei. Até que quando estava evoluindo
9:33
na área eu falei, cara, eu fiz matemática, mas no e só usa esse
9:37
negócio pra falar em, sei lá na mesa do bar assim, sabe?
9:40
E aí eu falei, pô, tem um bagulho de dados aí que é que é
9:43
interessante, Mané. Quero ver esse negócio de dados
9:45
aí, quero saber o que que é? Mas eu não queria ser cientista
9:48
de dados e quando eu comecei a procurar sobre, eu falei, pô,
9:52
tem um negócio pessoal, fica falando de produto de dados que
9:55
algumas empresas até abrem vaga pra isso que eu quero me meter
9:58
nesse negócio aí até que eu comecei numa empresa que começou
10:02
AAO cord, ela era muito dada, se eu comecei.
10:05
Montar junto a área de produto de dados ali dentro, que foi
10:08
incrível, assim foi, foi maravilhoso.
10:10
Pessoas extremamente é relevantes na área.
10:14
EE aí eu cheguei aqui e aí essa minha vida, trabalhando com
10:18
produtos de dados, entendendo que negócio é esse que tentando
10:21
entender, né? É, e aí eu quero compartilhar um
10:23
pouquinho do que eu tento entender, mas é isso.
10:26
Eu sou pintor, sou artista plástica, eu sou dançarino, um
10:30
Monte de aleatoriedades, assim vai vim cientista, dançarino.
10:32
Últimos pontos interessantes. Primeiro que a gente já odeia
10:36
esse japonês já odeia, automaticamente ele roubou o seu
10:40
Nobel. A gente odeia, é canalha, né?
10:45
Isso aqui é uma denúncia, denúncia.
10:47
É? Outra coisa, você se
10:50
especializou em comportamento, né?
10:52
Pelo que eu entendi é, e aí eu vou fazer uma pergunta.
10:57
Que eu ouvi em um Painel da Spotify para é podcasters que
11:02
teve antes da pandemia é, a gente foi a juva lower, do
11:07
mamilos, em um Painel é onde estava se falando sobre dados é
11:12
em sites, métricas de podcast. Tal não sei o quê.
11:15
Ela usou 11 frase que ela, segundo ela, é do Emicida, que
11:21
é, os números não mentem, mas eles não sentem.
11:25
Oo como que essa frase para você que é, né, deita a proxima?
11:30
É um especialista em dados e em comportamento.
11:33
Algumas pessoas que trabalham com dados já me falaram que essa
11:36
frase não faz sentido. Para mim, faz sentido.
11:40
É. Tem um paralelo muito, muito
11:43
bonito. Quando a gente olha para física,
11:45
por exemplo, é física. Olhando natureza como as coisas
11:48
funcionam, é quando lembra. Não sei se você lembra, vai
11:53
lembrar de física lá no ensino médio, quando você fala assim,
11:55
um carro a 120 km por hora e não sei o quê e tal.
11:59
Quando é que ele vai alcançar tal lugar?
12:01
Quando a gente fala sobre isso, a gente lá no ensino médio, a
12:04
gente está olhando para pouquíssimas variáveis, que é o
12:06
que a gente consegue entender naquela época.
12:08
Naquele momento, a gente não vai conseguir colocar num cálculo o
12:11
atrito mais a resistência do ar, mais um Monte de coisa.
12:14
Então a gente simplifica, sabe aquilo ali, quando a gente olha
12:17
para dados hoje em dia é uma coisa que a gente fazia muito um
12:20
esforço muito grande em ciência comportamental é trazer esse
12:24
abstrato, que tem um zilhão de variáveis, simplificar para
12:28
coisas que a gente consegue quantificar e a gente sempre é,
12:32
tem que estar ciente de que é a gente tem uma limitação
12:35
tecnológica. EE sim, da contemporaneidade do
12:40
que que a gente consegue medir, a gente não consegue medir tudo.
12:42
Então, dado que a gente consegue medir, sabendo que tem 11 mundo,
12:47
ainda que a gente não está mensurando nesse mundo que a
12:50
gente não está mensurando, não é detalhe esse isso tá?
12:53
O sentimento. São coisas que são mais é que a
12:56
gente não pegue e é com o tempo a gente vai, a gente vai tendo
13:00
mais tudo, mais contexto por isso que, por exemplo, gente que
13:03
tem profissionais que tem muita experiência em algum determinado
13:07
domínio é, eles têm uma intuição melhor, então, por mais que os
13:11
os dados, eles usam os dados e tem uma intuição melhor, porque.
13:14
Mas tem várias, vários detalhezinhos ali que você não
13:16
pega é que ele, pela vivência, ele começa, começa a inferir
13:22
melhor coisas que podem acontecer, mas de fato, dados
13:25
eram pequeno. É um é um.
13:27
É uma tentativa de organizar uma bagunça muito grande.
13:29
Assim é muito. É muita presunção a gente achar
13:32
que consegue prever coisas. E, enfim, e que.
13:35
Os dados da forma que a gente tem hoje, ele consegue.
13:38
É o master de tudo, sabe? Eu.
13:39
Gosto dessa frase, não sei porque eu gosto dessa frase, é,
13:43
os números não mentem, mas eles também não.
13:45
Sem, principalmente quando você está olhando algo muito mais é.
13:50
Socioeconômico, algo muito do do, principalmente aqui no
13:54
Brasil, né? Aqui no Brasil existe números
13:56
que você você olhar pelo número. Mas se você for lá no contexto,
14:02
você vai entender muita coisa que o número não consegue
14:05
descrever é em nenhuma nenhuma variável, né?
14:09
Exatamente. Agora voltando pro nosso papel
14:12
aqui de DPM, é, você poderia nos dar um exemplo de projeto de
14:18
produto aí, baseado em dados que você gerenciou e que teve um
14:21
impacto significativo? Porque a gente lê, né?
14:25
Quando a gente joga dpm no Google, vem aqueles artigos de
14:28
escolas, né, das escolas aí dos cursos tal, vem, pessoas
14:33
criaram, ouvem conteúdo lá de fora.
14:36
E é sempre bom fazer e se depara, né?
14:38
Porque com certeza o dpm o nome é o mesmo, só que o contexto é
14:43
diferente lá de fora pra cá, pra cá, né?
14:45
E aí a gente tenta tange bi lizar, com um exemplo, qual que
14:47
é o exemplo de de dpm? Tá ótimo, cara.
14:50
Eu antes até não te dar um exemplo, eu queria colocar um
14:52
cenário é de um mundo sem DP, 100 DP ME aí os exemplos vão
14:58
ficar muito claros assim. Mas no seguinte assim a gente é
15:01
PM e tal, e aí é a empresa onde você estar, contrata alguns
15:06
cientistas de dados e engenheiros de dados ou
15:09
analistas. Enfim, pessoas de dados, e aí?
15:12
É, você tem um produto, sei lá, um e comer.
15:15
Se você quer começar a recomendar coisas que é que
15:18
enfim, no final do da página temos recomendações de produto
15:22
que aquilo ali aprenda. Enfim, quer começar a aplicar?
15:25
É algoritmos de machine learning ali dentro.
15:27
E aí você coloca, passa pro cientista de dados o que estava
15:30
acontecendo antes tem um artigo muito legal da mesmo da cadê,
15:35
cadê nuggets? Que mostrou que cerca de 20% dos
15:41
modelos de machine learning de fato vão para iam para produtiva
15:46
são, então você tem. Você tinha uma perda assim, de
15:48
80% é, sabe desses modelos? Por que isso?
15:53
Porque você não tinha toda uma parte de pesquisa antes sobre
15:56
como utilizar, como é que era o output, assim como é que vai
15:59
utilizar no output? Como é que dados vão entrar toda
16:02
essa orquestra ali, desse meio é que nasceu a necessidade de um
16:07
leito a product manager. Então agora vou dar um exemplo
16:09
prático de coisas que acontece de coisas que que que eu
16:13
gerenciei é. Teve eu.
16:16
Eu trabalhei 111 projeto sobre predição de churn, e então eu
16:20
queria que o time de sex é que estava trabalhando.
16:25
Enfim, estava. Estava com um número de
16:27
atendimentos muito alto. A gente não tinha como aumentar
16:30
o número de de atendentes. É exponencialmente.
16:33
Não tinha que achar uma solução mais inteligente de cara.
16:35
Quais são os clientes que a gente precisa contactar num
16:38
momento crítico e tal? É, então fiz todo um trabalho de
16:43
descobrir junto com o time de sex, junto com o time de junto
16:47
com os consumidores. É com a área de negócios para
16:50
entender. Que tipo de modelagem, predição
16:52
de churn e como é que ela seria utilizada?
16:54
Porque modelar, por modelar o churn, e é, é um modelo que que
17:00
cientistas de dados não me levem a tanta, mas não é pra é.
17:02
Vai ser muito simples assim, sabe?
17:03
Você vai criar um modelo ali, tá OK?
17:04
É o como ele vai ser utilizado esse esse encapsulamento é que é
17:08
extremamente necessário que se não você vai me criar um modelo
17:11
que não vai ser utilizado e aí o que isso permitia era que siex
17:16
conseguisse priorizar quais eram as pessoas que eles tinham que
17:21
contactar no melhor momento possível para diminuir o churn
17:25
EE que eu tava preocupado com isso, porque isso tinha um
17:28
impacto financeiro. Quando um GMV no final, então é
17:32
o pensa por isso que eu falei que no começo que um deita
17:35
product manager é um é um produto manager, sabe?
17:38
Ele vai tá pensando sempre no valor que ele vai estar
17:41
entregando no final, quanto de dinheiro ele está economizando
17:43
ou quanto ele está trazendo a mais de receita ou quantas
17:46
pessoas a mais ele está impactando, enfim, e só que
17:49
sempre com dados integrados, nesse caso, era esse modelo de
17:52
machine learning. E aí tem um outro exemplo, é de
17:55
recomendação, é uma empresa que trabalha de de entretenimento, e
17:59
aí? Era uma agência que fazia,
18:04
fazia, não faz ainda. Anúncios assim, então faz
18:06
anúncios, gera aquele shorts, gera, enfim, vídeos de anúncios.
18:10
Esses vídeos são montagens de vários.
18:14
É vários pequenos vídeo Zinho e imagens e tal que para um
18:20
determinado público sempre faz sentido numa, num momento XYZ,
18:24
por exemplo, a gente tá no Dia das Mães, então vou fazer um
18:26
short com essa sequência aqui. Eu acho que vai impactar o
18:29
público e tem pessoas que são experts nisso, que enfim, são
18:33
pessoas da área de de audiovisual e marketing tal que
18:36
sabem exatamente. Não tenho um bom feeling de como
18:39
aquilo ali, de como montar aquilo, o que Oo que o que eu
18:43
comecei a fazer como produto de dados ali era cara, como é que
18:46
eu consigo recomendar os melhores vídeos possíveis?
18:50
Vídeo, Zinho sabe os melhores vídeo Zinho e sugerir a melhor
18:54
sequência possível para que no final, ele tenha só agilidade?
18:57
Ele fala assim, hã, tá, já filtrou daquele zilhão de
19:00
imagens e vídeos que eu posso ter, pô, ele já me sugeriu aqui
19:04
essa, essa, essa sequência, então eu consigo produzir muito
19:08
mais. É vídeos, né?
19:12
Publicitários por unidade de tempo assim.
19:14
Então não produziu o vídeo final, mas eu ao 7 puxa, tinha
19:17
PT, auxiliava lá OOO cara produzir esses vídeos, né?
19:21
Então, sabe, esse é o papel do do, do, da, da pessoa, de
19:24
produtos que vai estar muito ali, ficar vendo um negócio,
19:26
vivendo o valor e conversando junto com a.
19:29
Com um time técnico de dados a cara, como é que a gente
19:32
viabiliza isso, sabe? Interessante os 2 exemplos, né?
19:35
Porque são exemplos é que de modelos que podem ser usados em
19:40
qualquer contexto, é, né? Você só muda ali o tipo do
19:43
produto, mas recomendação, pô, é muita sim, principalmente o
19:47
iFood. Imagina o iFood com o modelo de
19:51
recomendação de de prato? Ó de comida ali, tal, não sei o
19:55
que o outro de de de propensão de, de de cancelamento de churn
19:59
e todas as empresas é hoje buscam isso.
20:03
Porque a eficiência, né? Peraí, esse lance daqui da
20:06
agência, você antecipou o ChatGPT, é isso?
20:09
Onde pelo PT? Não é?
20:12
É, fiz um paralelo, mas No No o mundo está caminhando nessa
20:17
direção. OK, em sua experiência, né?
20:19
A gente sabe que você rodou o mundo é vale do Silício.
20:24
Agora está focado aí No No seu projeto tá trabalhando tal a
20:28
gente viu 22 casais que você você mencionou, mas na sua
20:32
experiência, quais são as habilidades mais importantes que
20:35
um deita? Proerd manager deve possuir,
20:38
porque lá no começo você falou assim Oo data, Project manager
20:42
nada mais é do que um Project manager, então as habilidades
20:46
que necessárias de um PM. Ô, deita, tem que ter, mas ele é
20:50
obrigado assim, na minha opinião, né?
20:53
Ele é obrigado a saber matemática, né?
20:56
Tipo dados é números, né? Porque o nome já diz, né?
21:01
Deita Freud, né, o deita, o deita, entrega a habilidade
21:06
necessária, não. Sim, vou fazer outro paralelo,
21:09
cara. Quando comecei a CPMI, eu.
21:13
Eu tive que apanhar muito. Eu aprendi pra entender esse
21:16
ciclo de software, ciclo de vida, de software, né?
21:18
E tem 1 e 14. Por que que é um front que é
21:20
back, que é uma estruturação de sabe, é.
21:25
Arquitetura de informação ali, tal o básico pra eu conseguir é
21:29
conversar com o time técnico. Tudo aquilo ali, beleza?
21:32
Quando olho para dados, é a mesma coisa, porque o ciclo de
21:36
produto de dados é diferente, então você tem que saber, mas
21:39
não precisa saber tanto. Então, cara, eu sei, eu sei,
21:43
front eu tentei ser front uma vez e era uma vergonha ser no
21:47
front assim sendo, front mesmo, front end e tudo bem assim eu
21:51
sou me considero uma PM bem OK sim, é porque eu sei um
21:54
pouquinho ali eu sei, eu sei um Oo necessário pra fazer, pra pra
21:59
fazer umas priorizações entregar o valor para entregar.
22:02
Tem dadas, é a mesma coisa por um acaso, cara, eu sou
22:04
matemática, sim, mas eu não sei muito não.
22:06
Eu não sou, sabe aquele estatístico bravo?
22:09
Mesmo pra pegar, pô, me dá um modelo aí que eu vou.
22:12
Não, sem. Nada, Mano.
22:13
E aí, inclusive a gente não saber.
22:16
Não quero saber e tem alguém muito caro na nas empresas, no
22:19
time que são incentivas de dados, engenheiros de dados que
22:22
sabem muito mais Mano, porque vou ficar quebrando a cabeça
22:24
para saber aquilo ali? Ele já sabe, dado que ele já
22:26
sabe, eu preciso conversar com ele, eu preciso, além de
22:30
conversar com ele, precisa ter confiança dele, sabe todas as
22:32
coisas, isso tudo é eu ganho com o mínimo de conhecimento sobre o
22:37
ciclo de desenvolvimento de idade.
22:39
De dados, como é que eu extraio dado ele vende ontem que é um
22:43
data warehouse? É de é que ficam os dados.
22:46
É como é que eu extraio, como é que eu otimizo, como é que eu
22:49
disponibilizo? Eu não preciso fazer e saber
22:52
como faz, sabe? No detalhe, mas eu preciso saber
22:55
o processo, porque quando dá um pau é em alguma coisa eu consigo
23:00
pensar de forma criativa, eu tipo, vamos pro caminho, vamos
23:03
pro caminho y vamos pro caminho ZZ, vamos para, sabe, eu consigo
23:06
pensar de forma estratégica e inclusive é ajudar a.
23:11
Tá a pensar em que tipo de soluções a gente pode entregar
23:15
para aquele próprio, para uma dor específica de negócios, né?
23:19
Então preciso saber um pouco, mas não, não, não, não.
23:22
Profundamente é essa pergunta também é muito interessante
23:25
porque é muito recente essa. Vaga.
23:28
Essas cargo de deita product manager e quase todas as pessoas
23:31
que eu encontrei no texto do começo, que também não é muito
23:36
tempo atrás vieram de dados, então era um sentido de dados
23:39
bizarros. Que que?
23:41
Sabiam se comunicar muito bem e gostavam de produto de negócio e
23:46
viraram gerente, produto de dados.
23:48
E eu sou o que sou contrário, tipo, se por um acaso eu sou
23:51
matemático, mas eu não vim de uma base forte, técnica, eu não
23:54
sou técnico, erol assim, e nem quero ser e tô conseguindo.
24:00
Não me mandaram embora, até agora.
24:02
Continuo sendo deita product manager.
24:04
Acho que fazendo algum trabalho bom.
24:07
Alguma coisa boa você tá fazendo, Gil?
24:10
Alguma coisa o hoje eu, mas pensando aqui, no dia a dia, né?
24:14
Quais são os os maiores desafios?
24:17
Como um dpm e como que você supera ou daria dicas para as
24:22
pessoas superarem? Porque assim um PM.
24:25
Eu Acredito que um dpm é quando a gente vai falar de dados e
24:28
métricas. A maior dor é, não temos dados
24:32
disponíveis, né? É?
24:35
É muito raro você conhecer. Com uma empresa que ela está
24:40
preparada para ter os dados já estruturados, organizados, todo
24:47
um processo de dados, uma maturidade dados muito avançada,
24:50
né? Essa essa seria a principal, é o
24:55
principal desafio para um SD PM. Tem alguns desafios ele e
24:59
dependem, inclusive, do tamanho e maturidade da empresa.
25:03
É vou explicar esse exemplo. Esses você cedeu de falta de é
25:10
fonte de dados. Os dados foram estruturadas?
25:12
É o pior, né? Porque se?
25:14
Só não tenho dado, como é que nasce da data pra daqui mecha?
25:19
Mas de fato, assim, e isso é o é o principal calcanhar de Aquiles
25:23
que a gente sempre vai estar olhando em estruturar e garantir
25:26
qualidade. É desses dados.
25:29
Isso é o principal e é uma coisa que a gente vai estar muito
25:31
junto de engenheiros de dados. São especificamente nisso.
25:34
Aí são os nossos maiores aliados, né?
25:37
Depois tem outros desafios, cara.
25:38
Então é por exemplo. Tem angústias dependendo de como
25:43
está estruturada a sua empresa, que alguns trabalhos de quem é
25:48
dpm parece ter muita intercessão com o PM de um determinado
25:53
produto, tá? E aí é esse trabalho conjunto,
25:58
essa arquitetura, essa sinergia, né?
26:01
De de um PM de TEC, com dpm trabalhando em conjunto, é, tem
26:07
que ser bem bem, bem cuidadoso, sabe?
26:09
De entender cara rico, PM entrega aqui até onde ele
26:13
entrega que que eu agrego como é que eu não passo retrabalho.
26:17
Sabe como é que se faz isso? Da forma mais eficiente
26:19
possível. Então eu acho que se de forma
26:22
simples, cara, os maiores desafios são a primeira fonte de
26:26
dados, que é o que é bem inicial, segundo é é comunicação
26:30
mesmo, cara. E aí, comunicar EE quando eu
26:33
falo de comunicação, eu acho que tem.
26:34
Tem uma terceira coisa que eu, nas experiências que eu tive,
26:38
sempre apareceu, que é de cultura de dados mesmo.
26:41
Quer um trabalho infinito? Sabe de você conseguir fazer com
26:45
que com que cada vez mais pessoas se tornem que data se
26:49
torna democrático, sabe que pessoas utilizem os dados,
26:52
utilizem tome cada vez mais decisões baseadas em dados.
26:56
É e confiem mais em dados e aí esse lance de confiar que é um
27:01
desafio pro pro cara de de do PM de dados é de cara conseguir
27:06
paulatinamente. É criar pequenos produtos
27:11
extremamente confiáveis para que o pessoal que usa assim, pô,
27:14
beleza que eu confio nesse dado aqui, tá beleza?
27:17
Posso confiar com as confiar? Então quando eu crio mais coisa,
27:19
pô, posso confiar na posso confiar em dados?
27:21
Porque a pior coisa é a gente cair num ciclo em que a gente
27:26
não cuida da qualidade, seja de uma recomendação, ou seja, de um
27:29
dash, seja, enfim, qualquer produto de dados e o pessoal
27:32
começa anão, o pessoal interno começa anão confiar e não
27:35
utilizar aqueles dados. Eu não procurar usar aqueles
27:38
dados e aí dá um problemão, então acho que essa essa
27:41
comunicação, confiança e a fonte de dados são os principais
27:44
desafios assim que eu vejo. Do meu, da minha experiência.
27:47
Isso é interessante porque eu tinha 11 pergunta aqui que linka
27:52
com isso, né? Que você falou é de como você
27:56
garante que os incites que você gera é com os dados, sejam
28:00
utilizados de maneira eficaz e na decisão não só de produto,
28:05
mas na da empresa, né? Porque exemplo, você vai para
28:09
uma quarta Planet é? É muitas áreas falando sobre o
28:15
que elas querem, né? É e muitas vezes, você, quando
28:18
você traz dados, muitas vezes elas são esses.
28:21
São ignoradas, mas é isso. A vida é assim, né?
28:25
Nem sempre. Quando você tem um dado e você
28:27
chega numa reunião e falou assim não, mas o dado tá falando isso?
28:31
Caguei eu sei que roda vai falar não, mas eu tenho feeling do
28:36
mercado, aí você fala, não, mas eu tenho dado.
28:39
Então é aí vai pro crachá, acho George, não, mas a gente é
28:43
contra o IPO viu? A vida real é outro outro
28:46
esquema. Como é que você garante?
28:49
Que que os dados e os sites que você obtém ali sejam usados?
28:54
É, e aí é o Lincoln. Uma segunda pergunta, né?
28:56
Uma sub pergunta essa que é OK, eu gerei o dado tem um site, eu
29:01
preciso documentar como que é a sua rotina de documentação, de
29:05
aprendizado é e como que você faz com que 3 perguntas em 1 mês
29:10
viu, só para te deixar maluco e como que você faz com que esse
29:13
essas documentações sejam feitas?
29:16
Sejam, é. Utilizadas no futuro.
29:20
Começando sobre a utilização dos dados, é aí que eu acho que na
29:27
minha experiência, o que mais, entre aspas, garantia essa
29:30
utilização desses dados. E tudo isso é um cara.
29:34
É uma investigação muito bem feita, sabe?
29:36
Um Discovery muito bem feito, então, quanto mais você você
29:39
você tá, você tá na raiz das das necessidades daquele problema é,
29:45
então vou dar um exemplo a cara, eu fiz um tal, eu fiz um modelo
29:49
de recomendação e esse modelo de recomendação OCU quer saber o
29:54
quanto esse impacto em GNV? E a outra pessoa de finanças
29:57
quer saber? Uma outra métrica XE, enfim,
30:00
cada um tem um interesse diferente e eu tenho que
30:03
entender por que que ele tem interesse.
30:05
Quando eu sei desse porquê desse interesse é política, cara, que
30:09
tipo rosa ficardes mesmo, Mano, tipo Mano, o cara que essa
30:12
arrastar ali, arrastar ali, eu vou entregar daquela exatamente
30:16
daquela forma para aquela pessoa, naquele momento é e cada
30:20
Steak rodar, ele vai receber essas informações, os dados
30:22
daquele daqui de cada momento, porque no na minha experiência,
30:25
cara, quando eu vi isso antes, do feeling e tal, era o problema
30:28
de confiança nos dados, sabe, do tipo cara, nem confia nesse
30:31
negócio direito, sabe? Ou então.
30:33
Citam-se sabe se você não tem uma cultura de confiança nesses
30:36
dados, a gente não constrói essa confiança nesses dados é vai
30:39
abrir margem para isso, para feeling, para para crachá ou por
30:43
qualquer outra coisa que não seja baseada em dados.
30:45
Por isso que é um trabalho cara, muito paulatino, tem que ser
30:48
muito paciente, não dá para assim nunca visto de chegar e
30:51
tipo, beleza, agora só permite dados e bumbum.
30:54
Mano um outro plano porque envolve confiança, cara, é o
30:57
grande lance dos dados, maior técnica e tem muita gente boa,
31:00
cara, o pessoal faz modelo, a torta direita ali pensa aí,
31:04
teste Abe multivariados, cara pessoal, faz negócio agora, a
31:07
utilização disso se se no final o pessoal não não toma decisões
31:11
baseadas. Baseadas nesses dados, vai tudo
31:13
por água abaixo, sabe? É um grande dinheiro jogado fora
31:16
e tempo e enfim, então eu acho que o principal crucial é essa.
31:21
Essa investigação e construção de confiança.
31:24
Vamos começo e daí? É o lance de documentação.
31:27
Tudo isso pessoalmente, você, cientista, cara, sou viciada
31:30
assim, viciada. Documentação assim sabe?
31:32
Porque pra mim documentação eu voltar, eu vou, eu vou estar
31:37
agora sendo voltar falando que eu tinha falado hoje em relação
31:40
à comunicação, de ser um Pilar muito importante pro deita
31:42
product manager, documentação para mim é comunicação que é
31:45
como você comunica de diferentes formas, diferentes coisas.
31:48
De forma mais eficiente e em ciência cara, a gente quando
31:52
fala de ciência, ciência, no geral, a ciência, ela só avança
31:57
porque se documenta esse pra produz um artigo e aí o outro
32:00
rapaz chega ali e fala assim, cara, já fizeram isso aqui, não
32:03
vou fazer de novo, então vou repetir pra ver, sabe, pra ver
32:07
se deu merda, se em condições diferentes, enfim, você tem um
32:10
repositório de conhecimento assim, esse repositório de
32:13
conhecimento é teve um trabalho que eu fiz cara de aí falam de
32:18
dados especificamente que é uma são plataformas, construção de
32:21
plataformas de MM Lopes que é machine learning.
32:25
Ops, que era pra todo, todo toda produtiva, são descidos dos
32:31
modelos, todo modelo que é produtiva são todos os testes
32:34
que eram feitos e experimentações.
32:36
Eles eram alugados nesse lugar, então a gente tinha ao longo do
32:39
tempo se constrói longo do tempo, uma base de conhecimento,
32:42
de experimentos, de coisas que foram testadas e tal.
32:46
Isso é uma forma de documentar mais a nível de experimentação.
32:49
É, além disso, do ponto de vista mais de negócio para negócio e
32:55
ter velocidade mais pessoal, pessoal de Business é é
33:00
documentar em. Sim, eu uso muitos
33:02
documentários, ferramentas de documentação, usuais assim, tipo
33:06
no chão, sabe, essas coisas. É para documentar conhecimento
33:10
mesmo. Então eu falei de 22 formas de
33:13
documento. São diferentes, assim, uma é
33:14
mais técnica. A gente precisa de saber saber
33:17
assim há tal experimento? Não deu certo por tal e foi
33:20
feito em tal condição com tais pessoas.
33:23
É e deu um intervalo de confiança tal, enfim, quando
33:26
você vai mais um técnicas para caso retroativamente você queira
33:30
trazer o por que que um experimento falhou ou deu certo,
33:34
esse é o técnica e outra coisa mais geral, assim do tipo aa
33:37
cara a gente a gente foi por esse caminho aqui.
33:39
Grande e não deu certo, mais ou menos por causa disso, que é o
33:43
interesse de um caminhão de alguém de negócio.
33:45
E agora eu vou no numa área que a gente não fala muito do
33:49
produto, parece ser 11, portinha fechada lá no fundo do do
33:54
corredor. Que ética.
33:56
Como que você vê a ética relacionada ao uso de dados, né?
34:01
É dados de pessoas dadas, enfim, como que você é?
34:05
Encaixa a ética no seu dia a dia de da taproot manager?
34:10
Cara, é Pilar porque. Carne, eu não queria por vários
34:16
motivos, por motivos éticos para a gente conseguir garantir
34:19
privacidade, é as pessoas e que se tu não garantir, pode dar uma
34:24
merda. Grande cara, pode dar.
34:25
Não sei se pode falar pra nós, pode dar ruim grande.
34:28
E aí a ética, ética? EUA, então quando a gente fala
34:32
sobre dados sensíveis, tipo tá beleza, a gente vai tratar,
34:36
enfim, a gente vai usar dados de consumidores para treinar o
34:40
modelo em XY pra, enfim, pra qualquer motivo.
34:43
Quem tem acesso àqueles dados sensíveis, né?
34:45
Já que eles ficam armazenadas e tal, isso tudo sempre é pensado
34:50
lá na etapa inicial, antes de começar qualquer tipo de
34:53
desenvolvimento, então todo o trabalho de sempre, todo o
34:56
trabalho de descobri que eu faço ele, eu tenho que sempre falar
34:59
com ou quando tenho um time com time de ética ou tem que levar
35:02
isso em consideração porque. Porque se não, não tem direito.
35:06
São os limites de contorno de desenvolvimento, né?
35:08
Como acesso dado quem acesso dado e como é que ele vai ser
35:11
manipulado é e além disso é pensar quando, quando?
35:15
Quando a solução. Ela, sei lá, ela vai pegar algum
35:21
dado sensível, como é que eu comunico isso?
35:23
De acordo com a LG PD ou qualquer Oo cosquer conjuntos de
35:28
leis de proteção de dados é, de acordo com cada região no país e
35:32
tal. Então assim, no geral, isso é um
35:34
Pilar, sempre tem que levar em consideração no comecinho assim
35:38
é, se eu deixar pro final. Da ruim.
35:40
Isso é interessante, como que você vê como e aí eu vou vou
35:44
extrapolar aqui como dpm, como PhD em comportamento.
35:50
Como é uma pessoa. Que tem uma visão de mundo muito
35:55
mais ampla e diferenciada. Como que você vê o impacto da
35:59
inteligência artificial na vida do das pessoas e também no dia a
36:04
dia de um dpm? Cara das pessoas, isso eu penso
36:07
bastante. É polêmica, polêmica, polêmica.
36:09
Cara jogando a real mesmo, é tudo isso assim tudo, tudo, tudo
36:15
avanço da das, da das inteligências artificiais,
36:18
generativas, generativa, enfim, toda essa onda agora é uma
36:22
aceleração da do que a gente vê como quarta revolução
36:24
industrial. Quando a gente fala sobre a
36:26
revolução industrial, cada revolução industrial aumenta a
36:28
desigualdade social. Então é ótimo quando a gente
36:31
fala assim, beleza, agora consigo fazer tal coisa mais
36:34
rápido. Eu consigo chegar no chat PT e
36:37
fazer meu trabalho x ou então à vida do PM.
36:40
É ótimo, é, mas vários empregos são, são eliminados.
36:46
EE aquilo, né? Tipo assim, a gente que está na
36:49
área de tecnologia fica muito mais óbvio pra gente que a gente
36:52
precisa se adaptar a esse mundo, sabe?
36:55
A gente tem que o cara, como é que a gente se adapta agora,
36:57
porque isso é uma realidade e tal para a gente é mais óbvio, e
37:00
aí eu acho que com a gente pensando em produtos, gente, são
37:04
uma pessoa que constrói produtos assim, é muito importante.
37:07
Pensar sempre no social, cara, do tipo se pra gente é OK é, a
37:13
gente sabe que tem que se adaptar a isso.
37:15
Tem muita gente que não está nem ligada e que vai ser atropelada.
37:18
Mano, sem, sem sem nem estar acordado pro sabe, para essa
37:21
nova avalanche de inteligente oficial, eu acho importante
37:24
levar essas coisas em consideração, mas é na
37:26
construção de qualquer produto, qualquer produto mesmo cara,
37:28
sempre levar o social que é isso, né, cara, a gente é
37:31
humano, velho, a gente quer, Mano, a gente é humano, essa é a
37:34
primeira consideração pro SD PM cara aqui de novo.
37:36
A principal função do dpm estava na priorização, sabe, na
37:39
comunicação, aquilo, ali, tudo, então é.
37:42
De forma muito simplória, eu consigo fazer coisas mais
37:46
rápidas hoje em dia. Com um trecho oficial, então eu
37:49
consigo sugestão de coisas mais rápida.
37:51
Eu consigo fazer análises mais rápidas.
37:52
Ferramenta aumente, a gente está mais, a gente é mais acelerado,
37:55
mas nada adiantou de ser mais acelerados.
37:57
Eu vou para um caminho totalmente, errou, não sabe se
37:59
eu gasto seu gato, está gastando cada vez mais tempo, sabe?
38:03
Então isso eu acho que dificilmente, cara, posso posso
38:08
tomar uma rasteira daqui a 5 anos daqui a 2 anos a gente vê
38:10
alguma coisa aqui, toma o nosso papel, mas esse papel de
38:15
negociação entender de contexto é.
38:19
Essa priorização, tudo isso é muito humano, cara, é muito
38:23
difícil. Não consigo ver em poucos anos a
38:26
internet oficial, estando exatamente nisso o que ela faz
38:29
hoje em dia me auxiliar nessas priorizações EE coisas.
38:33
A operação vai todas as coisas operacionais todo é, sou haters
38:38
de coisas operacionais. Como é bom ouvir isso, ou a sua
38:41
primeira consideração, ela linka com aquilo que eu te perguntei,
38:46
lá no início do episódio, né? Eu acho que ela traduz bem a
38:49
frase, eu acho que era isso que o Emicida é.
38:52
Quis falar que é, os números não mentem, mas eles não sentem.
38:57
O RG ou a gente está se encaminhando para o final do
39:00
episódio? Se você pudesse dar um conselho,
39:04
um só para quem está iniciando na área de produtos.
39:07
Para quem ler os artigos que tem por aí na internet sobre o dpm
39:13
fala assim, poxa, eu gosto de matemática, eu gosto de dados,
39:17
eu fiz matemática, né? É?
39:19
Eu quero trabalhar com produtos. Eu fiz matemática, olha só,
39:22
achei um o meu, o meu papel perfeito.
39:26
Qual é o conselho do Gil Santana pra esse pequeno puzzle?
39:31
Hã, que está começando agora Na Na área, cara.
39:34
Se a pessoa for tiver mais contexto ao longo da sua
39:38
trajetória em coisas técnicas ligadas à matemática, aí o meu
39:42
conselho é assim, vá para o produto.
39:45
Se você gosta de gente, se gosta de gente, começa a procurar.
39:48
É no meu caso, cara, está fazendo um outdoor assim, o meu.
39:53
O meu caso, por ser autista, é é muito curioso porque sei lá, até
39:59
minha adolescência eu não sabia falar com pessoas direito meu
40:02
time, Gabi, mas mesmo assim eu não conseguia falar com pessoas
40:04
direito. Então eu li sobre.
40:07
Vamos falar com pessoas como olhar no olho de pessoas como
40:09
negociar, como nos sabe, então essas coisas você consegue
40:12
estudar e aprender e são coisas extremamente.
40:14
É. Úteis?
40:17
E fundamentais para quem é PM? Então, se você já tem uma coisa
40:20
11 background, mais técnico, cara.
40:21
Foca no comportamento. É negociação.
40:26
Como você cria narrativas interessantes?
40:30
Isso é muito útil. Se você tem background mais
40:32
técnico, contrário, se você já é desenrolado, já sabe, já vem de
40:37
um. Muita gente vem de jornalismo ou
40:40
publicidade de outras áreas ou naturalmente, você se considera
40:44
uma pessoa. Mas comunicativa e mediadora de
40:47
conflitos, faz pega uns cursos básicos e faz uns testes do que
40:51
eu fiz, por exemplo, de dados. Cara, eu peguei uns cursos No No
40:54
concurseiro e fiquei fazendo uns modelos, sabe?
40:57
Eu montava os gráficos pra mim, pegava, sabe?
40:59
Faz uns testes assim, coisas simples que eu sabia que não
41:02
tinha nenhum rigor, super técnico, mas eu sabia que há, tá
41:05
o dado pega de tal lugar a tá isso aqui tem que ser manipulado
41:08
assim. Ai depois disso aqui acontece
41:11
tal esse macro. Se você faz um curso que não
41:14
precisa tirar, tirar 10, não precisa ser hiper sair, sair,
41:17
ser bom, sair um prefeita mento, ótimo no curso que você faz, mas
41:20
só pra. Você ter uma noção e depois
41:23
fazer um projeto seu fazendo uns projetos para testar o que que
41:26
é, o que que é ciência de dados, engenharia de dados, porque daí
41:29
você começa a pegar um filme, tipo assim, hã?
41:32
Se eu precisar disso, precisa-se de tal coisa.
41:33
Eu falaria com o cientista de dados dessa forma ou pediria
41:36
isso aqui, tem que pedir pra um engenheiro ou isso aqui eu tenho
41:39
que botar essas 2 pessoas para conversar ou isso aqui eu não
41:42
consigo porque não tem, não tem, não tem dado estruturado, é, e
41:47
aí meu conselho? Assim, ótimo isso acontecer.
41:50
O conselho do Gil não foge a regra do meu conselho, que é
41:55
entenda contextos, entenda sobre política organizacional.
42:00
Assista a Suits, assista House of Cards, assista, qualquer
42:06
aquela lá agora que teve o sucesso sucesso assista, assista
42:11
essas séries não fica no dorama, não assiste essas séries é
42:16
depois você assiste dorama é regio, depois assiste dorama
42:20
hoje, UU. Uma dica aí de de filme, série,
42:23
livro fai momento cultura do Jiu.
42:26
Pô. Vou então, cara, minha cultura,
42:29
beleza, eu vou me queimar um pouquinho aqui, cara, mas onde
42:33
eu aprendo muito sobre essas negociações é.
42:36
De férias com eles? Pegando fogo, tudo amor, todas
42:41
as coisas ali, aquela bagunça toda fala assim que é isso, eu
42:44
olho no âmago, como é que as pessoas estão agindo?
42:47
E BBB também, como é que as pessoas estão agindo sobre
42:50
aquela pressão ali? Aí eu pego sutilezas.
42:54
Gil Santana já vai ser, a gente já vai conversar com o Gil
42:58
Santana nos bastidores para que ele seja o nosso analista do BBB
43:02
24, porque a gente adora aqui. Não sei se o senhor que você
43:06
acompanha a gente nas redes sociais, mas no mas no período
43:10
do BBB, o nosso, a PM aqui, ele não trabalha não, ele fica no
43:14
Globoplay. Assistindo e fazendo um meme
43:17
sobre e comentando nos grupos de de de ZAP sobre o.
43:21
BBB, acho. Justiça e também existe 2
43:24
períodos do ano que o nosso. A PM não trabalha é sem contar
43:27
as férias, né? Então seria 3, mas 2 períodos é
43:30
BBB e a fazenda ele gosta é OA PM adora a fazenda porque você é
43:37
manipulado. Sim, sim, sim.
43:40
Você é manipulado, mas você gosta daqui.
43:43
É um grande escola. Ou isso já é uma ó Gil, isso já
43:47
é um comportamento humano, roceiro, humano, adora ser
43:50
manipulado. É.
43:52
Enfim, aí não vamos entrar nesses assuntos aqui, não em o
43:56
Gil. Muito obrigado pelo seu tempo.
43:58
Você vai voltar várias vezes aqui no PG.
44:00
Eu fiquei sabendo aqui nos bastidores, você vai voltar
44:03
aqui, né, Gil? E volta, me convida que eu.
44:06
Volto, a gente vai trazer o jogo sempre quando eu não for um dia
44:11
de túnel, do amor de férias com ez pegando fogo, casamento às
44:15
cegas da Netflix é ultimato a havia também, né?
44:22
Cara, eu assisti também, não é? Bom, viu que eu assisti.
44:25
É que porra é isso? Isso é define.
44:29
É ótimo. Isso é nato, é porque isso eu
44:31
tenho um cultura. Por favor, você me respeite.
44:34
Chegamos ao final, chegamos ao final desse episódio, o Gil vai
44:36
voltar. Então, muito obrigado, Gil, pelo
44:39
seu tempo, pelo por você ter dedicado a dedicada um tempinho
44:43
ali pra pra falar com com a gente.
44:45
Agradeço e você que ouviu até aqui.
44:47
Siga Gil Santana no LinkedIn, por favor, siga ele, mande
44:52
Mengão é na mensagem tá manda Mengão ele adora ele, vai nossa,
44:58
ele vai amar manda isso. E?
45:01
É g ou algum recado final? Cara, só agradecer bastante,
45:05
mesmo assim, eu acho, eu acho. Fico bastante honrado digitar,
45:11
ser convidado pro pro, pra esse podcast que eu acompanho a muito
45:14
tempo assim, e foi muito meu aliado.
45:17
Começo assim de produtos, sabe? Eu ouvia bastante, é e teve uma.
45:22
Enfim, cada episódio eu achava maravilhoso por diferentes
45:25
motivos, com pessoas incríveis e enfim, fico muito feliz e
45:29
honrado. Só isso mesmo.
45:30
E assista um casamento às cegas foi muito legal assim, eu eu
45:33
queria, só que as pessoas eu queria, eu queria contribuir
45:36
para o não preconceito. Ao casamento às cegas, altura do
45:40
amor, vejamos isso, que são grandes negócios.
45:43
Grandes escolas de negócios, é isso.
45:45
Ótima frase mostra uma frase, casamento, casamento às cegas,
45:49
uma ótima escola de negócios. Enfim, a essa terceira temporada
45:54
está muito, muito xoxa em hoje. Você está assistindo a terceira
45:58
temporada é, eu achei. Meio meio, meio, é, é.
46:02
Tem uma. Eles botaram as polêmicas
46:04
aleatórias ali, forçadas. Sabia que esse polêmica, mas tá
46:08
chuchu. O brasileiro não consegue, né?
46:12
Não consegue o SUS de lá de fora é muito bom.
46:15
G lá de fora, lá de fora é muito, muito ruim.
46:18
Eu só não gostei do casamento às cegas, Japão achei meio ruim.
46:23
Assista pra SBC a você vai se decepcionar?
46:26
Assistir aí. Negócios pensante, enfim, a
46:29
gente está terminando. Beijo tchau, fui eu.
46:32
Vou continuar aqui falando com sobre reality show sobre
46:35
cultura, hã? Com com o Gil Santana.
46:38
Tchau.