Por Rafael Ataide.
Não dá para tomar decisões sem dados. Essa é uma verdade aceita pela maioria das empresas, atualmente, a partir da inclusão de novas tecnologias que temos vivenciado há anos. Isso é uma ótima notícia, porque significa que os dados estão sendo coletados e utilizados de maneira extensiva. Contudo, um outro problema surgiu ao mesmo tempo: a baixa qualidade dessas informações.
Segundo um estudo da IBM, a má qualidade de dados causa um impacto financeiro médio de US$ 9,7 milhões por ano. É uma preocupação crescente nos negócios, ainda mais com o avanço da inteligência artificial. O relatório State of Artificial Intelligence Application Strategy, da F5, indica que 72% das organizações que usam IA enfrentam dificuldades com qualidade e escalabilidade dos dados.
O ditado “garbage in, garbage out”, ou “lixo para dentro, lixo para fora”, explica bem a situação. Quando tomamos decisões com bases equivocadas, o resultado será naturalmente um problema. É como cozinhar com ingredientes estragados: não importa se a receita está certa, a comida ainda terá que ser jogada fora.
E o que são, na prática, dados de baixa qualidade? Podemos citar uma série de fatores. Eles podem ser incompletos, desatualizados, imprecisos, irrelevantes, desorganizados, corrompidos, parciais, inconsistentes, ambíguos, enganosos, manipulados ou mesmo inteiramente falsos.
Para que as informações coletadas realmente sejam úteis e benéficas para os negócios, é preciso ficar atento a todas essas possibilidades. Os riscos não são apenas financeiros — dados comprometidos podem influenciar decisões internas, operacionais, de marketing e muitas outras, o que pode causar danos à imagem da empresa ou à convivência da equipe, por exemplo.
Para se prevenir contra esses perigos, é preciso estabelecer um padrão de qualidade. De forma geral, isso significa uma política organizacional, que deve ser seguida por todos os colaboradores e líderes. Mas não pode ser apenas no papel! É preciso garantir que as práticas estejam de acordo, o que pode ser feito através de treinamentos ou com o auxílio de uma empresa especializada em lidar com dados e extrair o melhor deles.
Essa governança de dados será refletida no dia a dia, no uso de programas apropriados e no desempenho do time. Alguns exemplos do que precisa ser incluído na política são:
- Limpeza de dados: garantir a remoção de dados imprecisos;
- Verificação e validação: sempre conferir a origem e a qualidade dos dados;
- Atualização contínua: manter os dados sempre atualizados;
- Ferramentas adequadas: investir em ferramentas que garantam a integridade dos dados;
- Transparência: ser claro sobre as informações coletadas.
Esses passos já podem levar uma empresa a um novo patamar de qualidade, o que será muito bem-vindo para os negócios. Lembre-se: não se trata de acreditar em qualquer dado que surge em uma planilha, mas sim de ter certeza que é a base certa para suas escolhas.
*Com experiência em inteligência artificial e neuromarketing, Rafael Ataide já passou pela gestão de e-commerces, estratégias de CRM e implementação de algoritmos de machine learning em empresas multinacionais. Hoje está à frente do Hub de Data & Tech da Adtail como diretor, promovendo inovações e uso de I.A. para facilitar o dia a dia da operação e do cliente.
****
*Com experiência em ciência de dados e inteligência artificial, Rafael Ataide já passou pela gestão de e-commerces, estratégias de CRM e implementação de algoritmos de machine learning em empresas multinacionais. Hoje está à frente do Hub de Data & Tech da Adtail como diretor, promovendo constantes inovações e processos para facilitar o dia a dia da operação e do cliente.