Minha jornada até me tornar um "citizen data scientist"

[RishiK]

Recentemente, a Alteryx e alguns de nossos parceiros (incluindo a McLaren) ganharam destaque no site da BBC News. Caso tenha perdido o conteúdo, confira aqui.  Isso me fez refletir sobre minha própria trajetória e como acredito que me tornei um citizen data scientist anos atrás, mas provavelmente nem sabia disso.

Fonte da imagem: Gartner

Sou formado em Ciências da Computação e, para minha sorte, tinha certeza de que teria um emprego garantido na área de consultoria antes mesmo de terminar o curso.  No entanto, com a nova era do trabalho, e desde o início da pandemia global, tornou-se ainda mais difícil para os recém-formados alcançarem tal proeza. Apesar das barreiras existentes, confira como o Alteryx pode ser o divisor de águas na sua carreira e aprimorar ainda mais suas competências e capacitação através do Programa SparkED.

Antigamente, parecia que a única opção das consultorias era “fazer tudo que os clientes quisessem” para permanecer com eles o máximo de tempo possível.  Contudo, sabemos que a realidade atual é bem diferente.

Meus primeiros trabalhos foram projetos de data warehouse, por isso tive acesso aos dados bem no  início da minha carreira profissional.  E foi durante minha experiência no setor financeiro, que pude constatar algo interessante para qualquer pessoa que seja da área de TI.  Meus principais clientes eram especialistas em finanças responsáveis por produzir relatórios diários, semanais, mensais, trimestrais e anuais para atender aos requisitos regulamentares.  Esses analistas financeiros exigiam cada vez mais acesso aos dados, que serviam de base para tomadas de decisões.  Diante da situação, enfrentaram uma enxurrada de problemas convencionais ao processar solicitações de dados, gerar planilhas ou reunir informações em relatórios.  Eles eram capazes de obter as respostas necessárias para as consultas iniciais, mas nada além disso.  Com o passar do tempo, os reguladores se tornavam mais rigorosos com os dados apresentados e após analisarem as informações, faziam um verdadeiro interrogatório.

Fonte da imagem: Data Science Central

O resultado?

Os bancos de investimento começaram a desenvolver suas próprias ferramentas e interfaces. Através delas, nós da TI, recebíamos rapidamente dados provenientes de outros sistemas em aplicações específicas. Desse modo, os controladores financeiros conseguiam efetuar seus próprios cálculos e, consequentemente, aprimorar seus relatórios. 

Isso provocou uma verdadeira revolução porque eles obtinham acesso aos próprios dados com agilidade e me perguntavam mais sobre o assunto. 

Ao contrário de respirar fundo e pensar, "meu Deus, onde vou encontrar as soluções para…", eu retornava à ferramenta e aos dados aos quais tinha acesso para responder todas as perguntas. Com isso, era possível produzir relatórios e painéis de controle, permitindo que esses profissionais realizassem consultas por conta própria, caso as mesmas dúvidas voltassem a surgir. 

Apesar do potencial evidente que as novas ferramentas ofereciam, alguns controladores financeiros relutaram ao fazer a transição.  Principalmente aqueles que se tornaram extremamente dependentes do Excel, sobretudo na área financeira.   Esses profissionais conheciam e tinham pleno domínio do Excel. Pegavam meus dados e colavam em planilhas para analisá-los mais a fundo. Sabia que era preciso ter tempo e energia para que todos pudessem aprender e adotar as ferramentas disponíveis.  Meu trabalho foi desviar os usuários de suas dependências no Excel e em direção ao novo conjunto de recursos analíticos com painéis self-service.  As pessoas sempre estarão mais à vontade com o ambiente conhecido, mas eu tinha confiança que precisava fazer essa mudança valer a pena.  Demonstrei como esses novos modelos permitiam visualizar e aproveitar dados que, até então, eram difíceis de alcançar.  Assim que os indivíduos mais resistentes reconheceram isso, não apenas abraçaram o uso dos painéis, como passaram a propagar a ideia entre outros profissionais do mercado financeiro.

A Gartner define um citizen data scientist como alguém que cria ou gera modelos que utilizam analytics diagnósticos avançados ou capacidades preditivas e prescritivas, mas cuja função principal está fora do campo da estatística e da análise.  Os citizen data scientists são "usuários poderosos" que podem executar tarefas analíticas simples e relativamente sofisticadas, que antes exigiam especialização técnica.

Me lembro de ter lido essa definição, refletindo sobre minha carreira, e pensar... "Espera aí, Rishi. Você vem fazendo isso desde 2004, mas simplesmente não havia se dado conta! Isso quer dizer que eu era um citizen data scientist desde aquela época?" ... Naquela altura da vida, não estava tão certo assim.

Meu relacionamento com a Alteryx se estabeleceu, anos mais tarde, quando comecei a trabalhar numa organização de consultoria.  Nunca tinha ouvido falar da empresa antes. Um certo dia, meu ex-colega de trabalho, Shaan Mistry, foi até nossos escritórios com uma camisa extravagante para treinar eu e minha equipe por duas semanas.  Naquele período, insistia em associar a plataforma com meus dias no setor bancário, quando passávamos anos desenvolvendo uma solução para atender às necessidades dos usuários finais, e comparei isso com o Alteryx (porque servia ao mesmo propósito).  Adotei o Alteryx (não apenas por causa da camisa do Shaan, mas também porque pude constatar que ainda existiam muitas organizações passando pelos mesmos desafios que meus controladores financeiros enfrentaram em 2010).

Na época, trabalhava para um analista de investimentos que normalmente solicitava a extração de dados relevantes, desde receita e ganhos por ação até margens operacionais, a partir de uma plataforma de pesquisa financeira comercialmente acessível, como a Bloomberg.  Logo, recebi um pedido... Por sorte, o banco já possuía plataformas integradas com o Alteryx e incorporadas à organização. Por isso, recorri a elas para obter um conjunto dimensionado de dados e colaborei com o analista no projeto.  Tínhamos um processo no qual atribuíamos nota um para bons investimentos e zero para os insatisfatórios.

Em seguida, nossas descobertas seriam entregues aos cientistas de dados da equipe, mas o preparo dos dados era uma tarefa tediosa e demorada para esses profissionais. Para alguns, consumia até 80% da carga de trabalho.  Assim, decidimos utilizar às plataformas as quais tínhamos acesso e conseguimos manipular e preparar esses dados de forma repetível.  Essas plataformas nos ofereceram insights acionáveis sobre a melhor maneira de corrigir erros em nossos dados, por exemplo, com valores ausentes para "índices de pagamento de ações".  Tanto eu quanto o analista sabíamos exatamente o motivo pelo qual isso acontecia e fomos capazes de preencher automaticamente todos os índices de pagamentos faltantes com zero.  Para agilizar atividades semelhantes no futuro, salvamos as tarefas da preparação de dados em um fluxo de trabalho para fins de auditoria e reaproveitamento por toda a equipe.

Nesta etapa, foi possível obter uma visualização detalhada das metas de investimento distribuídas nos vários pontos de dados capturados, tais como "fluxo de caixa", além de identificar o quão promissoras elas eram.  Havia grande possibilidade que nenhum padrão claro fosse evidente.  Entretanto, as tarefas executadas pelos usuários no preparo dos dados proporcionaram uma oportunidade inigualável de visualizar e manipular as informações brutas, antes que o analista pudesse colaborar com o data scientist para a implementação e aplicação de modelos dentro da mesma plataforma. 

Isso inverteu a situação, permitindo que o analista e o cientista de dados dedicassem 80% do tempo ao processo avançado e apenas 20% na preparação, etc.

Atualmente trabalho na Alteryx e, em certos momentos, reflito sobre os mais de 15 anos de carreira.  Quando olho para trás, percebo que fui um funcionário eficiente sem formação em matemática ou estatística, mas que tinha, e continua tendo, perspectivas intuitivas sobre os desafios corporativos aos quais busco aplicar soluções tanto para mim, quanto para minha empresa e meus clientes.  Planejava me tornar um profissional que pudesse desenvolver e gerenciar modelos baseados em análises preditivas ou prescritivas, podendo assim ter acesso aos padrões criados especialmente para tipos específicos de análises comerciais e para interpretar os resultados em benefício dos demais usuários da linha de negócios. 

Fonte da imagem: Data Science Foundation

O título de citizen data scientist era o mais adequado para mim, não apenas por minha paixão por dados, mas também pela minha paciência, capacidade de comunicação e habilidades consultivas.  Consegui e sou capaz de fazer a intermediação entre os problemas comerciais e as ferramentas tecnológicas que podem ser a verdadeira solução para esses desafios.

Você já trilhou uma jornada parecida para se tornar um citizen data scientist, mas ainda não se deu conta disso? Entre em contato comigo e vamos explorar esse caminho juntos, com ou sem o Alteryx. Será um prazer ajudar você em casos de uso e atuais obstáculos de negócios.