DADOS

Você não precisa de

Big Data – precisa dos
dados certos
por Maxwell Wessel
3 DE NOVEMBRO DE 2016

Marion Barraud para a HBR

O termo “Big Data” está por toda parte. Com exabytes de informações atravessando as conexões de
banda larga, as empresas competem para obter os maiores e mais audaciosos conjuntos de dados.
Empresas de todos os tipos – antigas e novas, grandes e pequenas, industriais e digitais – estão
entrando no jogo.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 2
 Montanhas de dados sociais, climáticos e governamentais são usadas para prever interrupções na
cadeia de suprimentos. Quantidades enormes de dados de usuários estão sendo aproveitadas em grande
escala para identificar pessoas em meio a um oceano de cliques em sites. Além disso, as empresas estão
começando a usar quantidades imensas de mensagens de texto para construir algoritmos capazes de
conversar com os clientes.

Mas a verdade é que, muitas vezes, nosso enfoque incansável na importância do Big Data é um
equívoco. Sim, em algumas situações, extrair valor de dados requer uma quantidade imensa desses
dados. Porém é importante que inovadores de diferentes setores saibam que o tamanho dos dados
não é o fator mais fundamental, mas sim ter os dados certos.

Não é uma questão de tamanho

A Uber frequentemente é citada como um caso de sucesso em termos do uso de Big Data. Não restam
dúvidas de que a empresa captura uma infinidade de informações. Usando aplicativos em execução
nos carros dos motoristas e nos bolsos dos usuários, ela mapeou fluxos logísticos em tempo real do
transporte de seres humanos.

Entretanto, o sucesso da Uber não é uma consequência do Big Data coletado. Esse Big Data permitiu
que a empresa entrasse em novos mercados e exercesse novas funções na vida de seus clientes.
O sucesso da Uber é resultado de algo muito diferente: os dados certos, pequenos, de que a empresa
precisava para fazer uma coisa bastante simples – enviar carros.

Na época em que não era possível pressionar um botão de nossos smartphones para chamar
um veículo, os seres humanos recorriam a um recurso conhecido como táxi. Apesar de estarem
predominantemente desconectados da Internet ou de qualquer infraestrutura formal de computador,
os táxis eram, na verdade, os agentes de Big Data na identificação de passageiros. Por quê? O sistema
de táxis exigia uma rede de olhos que se moviam pela cidade em busca de figuras humanas com os
braços esticados. Embora não houvesse uma infraestrutura como a da Intel e da Hewlett-Packard
processando os dados, a quantidade de informações processadas para fazer o trabalho era gigantesca.
O fato de a computação acontecer dentro de cérebros humanos não muda a quantidade de dados
capturados e analisados.

A solução engenhosa da Uber foi parar de executar um algoritmo biológico de detecção de anomalias
em dados visuais – e simplesmente pedir os dados certos para fazer o trabalho. Quem precisa de
carona na cidade e onde essas pessoas estão? Com essas informações fundamentais, empresas como
Uber, Lyft e Didi Chuxing estão revolucionando um setor.

Como chegar aos dados certos para o trabalho

Às vezes, os dados certos são grandes. Às vezes, eles são pequenos. Para os inovadores, porém, o
segredo é descobrir quais são os dados fundamentais que levam a uma posição competitiva. São esses
dados certos que você precisa procurar incansavelmente. A fim de chegar lá, sugiro fazer as três
perguntas a seguir como processo para definir os dados certos.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 3
 Pergunta 1: Quais decisões geram desperdício em sua empresa? A maioria das empresas tem grandes
fontes de desperdício. Pense no mundo do varejo de flores. Um florista comum pode sofrer com
taxas de deterioração de mais de 50% de seu estoque. Mais de metade de suas flores simplesmente
se tornam lixo. Para inovadores como UrbanStems e Bouqs, os dados que tornam suas empresas tão
revolucionárias são aqueles que permitem eliminar essa deterioração. (Divulgação de informação: eu
investi na UrbanStems.)

Nas palavras de Ben Edelman, da Harvard Business School, “o desperdício gera oportunidade”.
Tanto na produção industrial quanto no varejo ou em investigações legais, descobrir as fontes de
desperdício de seus esforços e recursos deve levar aos dados certos. Seja em aspectos muito simples,
como identificar as previsões que você sabe que faz (a quantidade de inventário que mantém em
estoque), seja em situações em que é necessário refletir sobre as decisões implícitas em seu modelo
de negócios (como um táxi anda pela cidade às 22h), colocar as decisões em um gráfico indicará as
fontes de desperdício.
Pergunta 2: Quais decisões você poderia automatizar para reduzir desperdícios? Depois que conhece
suas decisões, o aspecto hipotético é aquele que você de fato pode mudar. Seres humanos são
maravilhosos em tomar alguns tipos de decisões. Na hora de decidir quais campanhas provocarão
as reações mais irracionais em outros seres humanos a materiais de marketing e criação de marca,
eles podem ser brilhantes. Esses tipos de decisões devem permanecer (por enquanto) nas mãos
das pessoas.

No entanto, quando se trata de tomar decisões operacionais, simples e repetitivas (por exemplo,
aonde enviar um táxi, como determinar o preço de um produto ou quantas flores encomendar para
uma floricultura), as máquinas costumam ser muito melhores do que as pessoas. Apesar de muitos
modelos comerciais do século XX serem baseados no controle dessas decisões por seres humanos,
hoje podemos identificar dados para automatizar mais decisões do que costumamos imaginar.

Por exemplo, dizem que a Amazon eliminou quase toda a sua equipe de determinação de preços,
transferindo a maioria das decisões sobre preços para controles algorítmicos. Isso seria uma
blasfêmia para a maioria dos varejistas. Todavia, se o algoritmo da Amazon funcionasse, o resultado
seria uma despesa menor com descontos, menos acúmulo de inventário nos depósitos e uma melhor
previsibilidade das introduções de produtos novos – e cada um desses fatores geraria uma enorme
vantagem competitiva.

Pergunta 3: De quais dados você precisaria para fazer isso? Depois de compreender o desperdício
no seu sistema legado e de colocar em um gráfico as decisões que levam a esse desperdício, a última
etapa consiste em fazer uma pergunta simples. Se você pudesse ter qualquer informação – por mais
inacreditável que fosse – para tomar a decisão perfeita, qual seria ela?

No caso da Uber, a empresa precisava saber exatamente onde estavam todos os passageiros em
potencial da cidade a fim de automatizar as decisões acerca de aonde enviar motoristas e reduzir
o desperdício associado a motoristas humanos à procura da próxima corrida. No caso do software

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 4
 Predix Industrial Internet, da General Electric, a empresa deseja saber exatamente quando uma
máquina vai quebrar, o que ajudará a automatizar as decisões sobre visitas de manutenção e a
reduzir o desperdício causado por tempo de inatividade não planejado. Planos de saúde que querem
cortar custos adorariam saber o momento em que a glicose no sangue de um paciente diabético
fica perigosamente baixa, o que ajudaria a automatizar decisões sobre intervenções no paciente e a
reduzir o desperdício associado ao tratamento incorreto de doenças.

Esses são os dados certos que precisam ser procurados. Se você chegar a eles depois de processar
uma montanha de informações, excelente. Se chegar a eles criando um novo aplicativo para
detectá-los de forma direta, melhor ainda.

A maioria das empresas passa muito tempo no altar do Big Data. Mas não dedica tempo suficiente
a refletir sobre os dados certos que deve procurar.

Maxwell Wessel é gerente geral da SAP.io, uma unidade de negócios que busca crescimento inovador na gigante de
softwares SAP.

COPYRIGHT © 2016 HARVARD BUSINESS SCHOOL PUBLISHING CORPORATION. TODOS OS DIREITOS RESERVADOS. 5
Os direitos autorais dos artigos digitais da Harvard Business Review pertencem à Harvard
Business School Publication Corp. O conteúdo desses artigos não pode ser copiado, enviado
por e-mail a vários sites nem publicado em uma lista de discussão sem a permissão expressa e
por escrito do detentor dos direitos autorais. Entretanto, os usuários podem imprimir artigos,
baixá-los ou enviá-los por e-mail para uso individual.