Negócios > Analytics

5 passos para ter sucesso com estratégias de ciência de dados

Gartner indica pontos principais para criação de um roadmap para criar uma estratégia de data science

18 de Maio de 2018 - 10h16

O Gartner alerta que computação cognitiva e deep learning são termos que os líderes de TI estarão cada vez mais expostos quando debaterem analytics e big data. Com todas as expectativas relacionadas ao assunto, pode ser difícil criar um plano de ação, mas a consultoria aconselha os líderes de TI a ordenarem o ruído e usarem a tecnologia emergente para criar um projeto que faça sentido para suas organizações.

1) Adotar o big data e tecnologia emergentes

Os líderes de TI precisam adotar big data e as tecnologias emergentes em seu entorno para operacionalizar a data science em suas empresas. O Gartner destaca que é fundamental fazer parcerias para identificar onde a ciência de dados pode ajudar.

“Muitas das inovações que estão impulsionando a ruptura digital apostam em data science (ciência de dados)”, disse Jim Hare, vice-presidente de pesquisas do Gartner.

“Eu garanto que se a organização não tiver um plano de ação bem estruturado, o Conselho de Administração vai acabar dando o direcionamento para que os executivos usem Data Science, com ou sem o envolvimento da TI”, completa o analista.

2) Envolvimento com a linha de negócios

Entre as recomendações dos analistas estão o envolvimento com a linha de negócios para ver o setor vertical de sua organização e os problemas que vão impactar a empresa. Os executivos de TI devem conversar sobre desafios específicos que a unidade empresarial está enfrentando e que podem ser abordados por Data & Analytics.

“Data Science não deve ser apenas uma iniciativa de TI, mas sim uma parceria com o negócio. A parceria permite que a TI ofereça especialização técnica, enquanto a unidade de negócios oferece especialização de domínio”, argumenta Hare.

3) Operacionalizar machine learning

Outro desafio dos líderes de TI será operacionalizar o machine learning. Cientistas de dados realmente não sabem como implantar ou gerenciar modelos em produção. Os executivos de TI precisam fornecer a mentalidade de DevOps para ajudar os cientistas de dados a transformarem ideias em produção e ajudar a escalar em termos de como eles constroem e monitoram os modelos.

A consultoria ressalta a importância de planejar o armazenamento e o gerenciamento de mais dados, pois a tendência é que o volume não pare de crescer. Para que os dados sejam valiosos, eles devem ser de alta qualidade, o que significa que será necessário muito armazenamento. Tecnologias tais como o deep learning exigem dados de alta qualidade e as áreas de TI serão responsáveis pelo gerenciamento e pelo armazenamento dessas informações, além de disponibilizar os dados corretos para diversas áreas da empresa.

4) Ferramentas de infraestrutura

Pesquisas indicam também a importância de oferecer para as equipes as ferramentas e infraestrutura certas. Os cientistas de dados estão vivenciando muitas tecnologias Open Source e de nuvem. Certificar-se de que a equipe tenha as plataformas, ferramentas e infraestrutura certas para ter sucesso é fundamental, mas as empresas precisam adotar plataformas capazes de crescer junto com as suas demandas, de forma escalável.

5) Talentos estratégicos

Nesse novo cenário digital, funcionários são estratégicos para a mudança. Data science deve ser encarada como um esporte coletivo, com a participação de todas as áreas da empresa. Os cientistas de dados não podem fazer tudo, por isso é importante ter engenheiros de dados para filtrar informações e arquitetos de TI que possam ajudar com os modelos a serem usados por todos os funcionários. Os líderes de TI devem oferecer suporte para toda a equipe, além de garantir que a unidade de negócios esteja envolvida para o sucesso dos projetos.