Construindo equipe dataops interna: 7 considerações & sucesso
A análise de dados avançada está transformando a maneira como as empresas tomam decisões e respondem às mudanças do mercado. Aqui está o que isso significa para os CIOs que buscam construir equipes internas de dataops.
Com a maioria das empresas determinadas a aproveitar os dados de maneiras mais inteligentes e lucrativas, não é de se admirar que o dataops (Metodologia automatizada e orientada a processos, usada por equipes analíticas e de dados, para melhorar a qualidade e reduzir o tempo de ciclo da análise de dados), esteja ganhando impulso. O uso crescente de aprendizado de máquina para gerenciar tarefas, desde a criação de modelos preditivos e aprofundamento de insights sobre o comportamento do consumidor até a detecção e gerenciamento de ameaças cibernéticas, também aumenta o incentivo do dataops. As empresas que podem passar para exames autônomos ou semi-autônomos rápidos de conjuntos de dados sofisticados capitalizarão vantagens de mercado.
À medida que as empresas consideram os desafios da prática analítica mais madura e robusta, algumas se voltam para o dataops-as-a-service, terceirizando o trabalho de aproveitar os dados da empresa. Embora essa abordagem possa resolver alguns problemas de talentos e acelerar sua jornada de análise de dados, também há riscos: sem ter uma compreensão clara dos motivadores de negócios por trás da análise de dados, a terceirização de suas necessidades de dados pode não fornecer a inteligência de dados de que você precisa. E adicionar terceiros e até quartos ao processo de análise e ingestão de dados pode aumentar os riscos de proteção aos mesmos.
Sua outra opção: construir uma equipe de dataops interna.
Essa abordagem também tem seus desafios e requer mais do que encontrar os membros certos da equipe ou imitar uma boa iniciativa de devops. Mas a recompensa vale o esforço.
Uma iniciativa de dataops bem-sucedida não apenas tornará a empresa mais inteligente e competitiva, mas também aumentará a precisão dos dados e reduzirá os defeitos do produto, combinando dados com dados de desenvolvimento em um só lugar.
A seguir estão 7 diretrizes principais para a construção de uma iniciativa de dataops interna bem-sucedida:
- Aproveite os devops para obter vantagens culturais
As empresas com uma cultura e prática de devops estabelecidas têm uma vantagem quando se trata de implementar dataops. Eles fizeram o trabalho árduo de reunir equipes isoladas, de desenvolvimento e operações para focar em objetivos de negócios. Adicionar profissionais de dados a essa equipe estabelecida para criar uma iniciativa de dataops será mais fácil do que para organizações sem experiência em devops.
Embora a falta de um programa de devops atual não seja motivo para dizer não aos dataops internos, a organização precisa levar em consideração o desafio de reunir um grupo maior (dados, desenvolvimento e operações) e construir a estrutura operacional do zero.
2. Mantenha a segurança em mente
O acesso e o envolvimento expandidos de dados aumentam os riscos de segurança. Examinar como a integridade dos dados é protegida é uma parte essencial da construção de uma equipe em prática dataops. Quais processos serão usados para garantir que a conformidade seja cumprida em todas as ferramentas ou aplicativos criados pela equipe de dataops? Como a organização manterá a equipe com os melhores padrões de segurança de dados? Quem decidirá quais dados do cliente podem ou devem ser usados?
Violações e perdas de dados têm sido devastadoras para as empresas, e a equipe de dataops deve incorporar o melhor em integridade de dados.
3. Faça das prioridades de negócios a força unificadora
Pode parecer óbvio que qualquer grupo dentro de uma empresa deve fazer das prioridades da empresa seu foco principal. Os dados, entretanto, podem conduzir analistas e engenheiros mais estratégicos por todos os tipos de desenvolvimento, operações e caminhos interessantes de dados.
Para manter as equipes de dataops no caminho certo, lembretes contínuos das metas estratégicas de negócios são essenciais. A pergunta: “Este produto ou solução de dados que estamos considerando atende a uma prioridade de negócios estabelecida?” deve ser solicitado regularmente para manter a equipe em sincronia e no caminho certo.
4. Adote abordagem que priorize pessoas pra gerenciar transição
Mudar para dataops mudará as funções e responsabilidades, o que pode ser desestabilizador para os membros da equipe que estão preocupados com o fato de que a ampliação das equipes e responsabilidades do projeto pode prejudicar a segurança de seu emprego. “Se não sou o dono dos meus projetos, como posso obter crédito pelo meu trabalho e contribuições?”
A chave para a transição bem-sucedida para o desenvolvimento de ferramentas e soluções de dados compartilhados é o restabelecimento de metas e medidas de desempenho. Os membros da equipe precisam ver isso como um avanço nas operações de negócios e que suas responsabilidades também evoluirão e avançarão de acordo.
5. Algumas funções são difíceis de preencher ou automatizar
Uma razão convincente pela qual as empresas estão procurando terceirizar os dataops é a escassez de talentos. O desafio das habilidades é uma consideração importante à medida que as empresas verificam se podem contratar e gerenciar sua própria equipe de dataops.
A análise de dados orientada ao aprendizado de máquina requer habilidades especializadas. Embora as iniciativas de devops e dataops muitas vezes procurem automatizar processos, existem muitas funções na cadeia de fornecimento de dados que não podem ser automatizadas. Por exemplo, os cientistas de dados que interpretam a inteligência e a alinham com os requisitos de negócios, inicialmente chamados de tradutores analíticos pela McKinsey, não podem ser automatizados.
Para enfrentar esses desafios de talento internamente, as empresas podem identificar funcionários altamente qualificados que trabalham com dados, como engenheiros de software ou analistas de negócios, e começar a treiná-los para esse nível superior de trabalho analítico.
6. Comece pequeno
Para empresas sem saber por onde começar com dataops e recursos limitados, o Agile oferece um bom ponto de partida: pequenos incrementos. Se uma organização não pode construir uma equipe ou processo inteiro, pode começar com um projeto de dados gerenciável em uma equipe multifuncional. Um pequeno começo ainda é uma oportunidade para buscar o potencial de automação, como ingestão ou teste de dados, e para começar a construir os canais de dados que podem alimentar projetos futuros e análises mais maduras no caminho.
7. Recrute consumidores de dados internos como primeiros clientes
Assim como projetos pequenos e incrementais oferecem um bom ponto de partida, os funcionários – consumidores de dados internos – também são bons clientes iniciais para dataops. De equipes executivas em busca de orientação a departamentos que equilibram cargas pesadas de dados para gerenciar e armazenar, as equipes internas têm objetivos estratégicos de negócios importantes a atingir. Ao conduzir o desenvolvimento de aplicativos altamente automatizados para uso dentro da organização, os dataops capacitam equipes internas com a inteligência necessária para levar seus projetos ao próximo nível, e aumentar o suporte para futuros projetos de dataops que envolvem as partes interessadas (stakeholders) externas.
