10 passos para ensinar Ferramenta de BI e Processo Decisório por Alexandre Silva

O professor Alexandre Silva compartilha o roteiro de uma aula (inovadora) de 8 horas sobre Ferramenta de BI e processo decisório.

roteiro-aula-bi-processo-decisorio

Segue abaixo, toda a descrição da aula de 8 horas sobre Ferramentas de BI e processo decisório. Neste post, o professor Alexandre detalha cada momento da aula, a ideia inicial, bem como o resultado obtido pelos alunos e a sua percepção de cada momento.

Ferramentas de BI e processo decisório – descrição detalhada da aula

Esta aula — Ferramentas de BI e Processos Decisórios–  faz parte de uma disciplina na pós-graduação em Gestão de Projetos, Informação e Business Inteligence, na FATEC/SENAC, Pelotas-RS.

BI, Gestão, Negócios, Decisão, PIvotar… todas essas palavras começaram a vagar na minha cabeça e eu comecei a imergir no assunto. A minha primeira saída foi The Data Warehouse Lifecycle Toolkit, do Ralph Kimball. No começo da leitura, aprendendo sobre modelagem dimensional, o próprio autor sugeriu outra publicação: The Data Warehouse Toolkit – The Complete Guide to Dimensional Modeling. Nesse livro, compreendi as melhores ideias sobre a principal função de um datawarehouse e o processo decisório.

Influenciado pelos meus colegas Jorge Horário Kotick Audy e Paulo Caroli, e seus respectivos livros JOGOS 360° – Um guia de jogos para facilitadores e Direto ao ponto – Criando produtos de forma enxuta, adicionei muita colaboração e fomos direto ao ponto nesta aula.

A aula foi organizada nos seguintes 10 tópicos sequenciais:

  1. A estrutura do BI
  2. Você é um DBA
  3. O papel do gestor de BI
  4. Vamos construir um produto!
  5. Personas, Jornadas e Features
  6. Produto Mínimo Viável e métricas
  7. Geração de dados – a atividade Analytic-its
  8. Agrupando os dados
  9. Análise dos dados
  10. Decisão baseada em dados

A estrutura do BI

Primeiro passo: mostrar a estrutura do BI, de maneira simplificada. Objetivos deste momento:

  1. Comparar os sistemas de controle com o próprio datawarehouse
  2. Reforçar a máxima de que o maior valor de uma organização está nesses sistemas
  3. A informação é como o baú do tesouro (quanto é o meu custo, quanto eu cobro dos clientes e qual é o meu lucro: em mãos erradas, essa informação pode ser o começo do fim).
  4. O papel do gestor de BI está entre o DBA e o MBA: é necessário saber um pouco de modelagem de dados (1FN, alto nível) e negócios.
baú do tesouro

baú do tesouro

Gestor de BI

Gestor de BI

Você é um DBA

Depois, para reforçar o lado DBA dos alunos, fizemos a modelagem de um sistema para uma imobiliário. Parece simples? Parece. Mesmo assim, ficamos um tempo pensando nas entidades (locador, locatário, cliente, imóvel, aluguel, etc) e na relação entre elas (um cliente assume o papel de locador em um relacionamento e o papel de locatário em outro? Muito debate na turma…).

Tá, mas qual a meta?

Depois da sinuca do modelo ER, eu perguntei: afinal, qual a meta da imobiliária para 2017? Resposta: aumentar a carta de clientes ativos em 10%. Perfeito. Temos uma meta. E agora?

Ilustramos alguns cenários para imaginar o final de 2017:

  • Nossa meta é 10% e atingimos 12%: sensacional!
  • Nossa meta é 10% e atingimos 2%: pela madrugada, pára o mundo que eu quero descer…
  • Nossa meta é 10% e atingimos 7%: e agora? Seguir navegando, mexer nas velas ou ancorar?

Mais uma vez, o debate foi regado de várias análises e suposições sobre o mercado imobiliário e o cenário econômico nacional.

O papel do gestor de BI

Voltando ao contexto da aula, Kimball sugere que o papel do gestor de BI é semelhante ao editor de uma revista. Logo, para produzir uma revista, precisamos definir várias coisas como, por exemplo:

  • Quem são os interessados pela publicação (ou relatórios do BI)?
  • Quais as suas necessidades?
  • Como atender às suas expectativas?

Vamos construir um produto!

Para responder à essas perguntas e dar um viés ágil à aula, propus aos alunos: vamos construir um produto, que vai ser a nossa revista. Vamos todos virar editores de uma revista. Mas, qual será a revista? Primeira etapa ágil: vamos construir colaborativamente a visão do produto. O resultado dessa etapa foi uma revista, em forma de app, com a seguinte visão:

visão do produto

visão do produto

Personas, Jornadas e Features

Agora, para entender melhor o produto, vamos pensar nas personas, nas jornadas dessas personas, e nas features do produto.

  • Definição das personas: lembra da comparação do Kimball? Quem são os principais interessados no BI?
  • Features: quais serão as features do nosso app de revista eletrônica?
  • Jornadas: como vivem nossos principais interessados?
  • Features nas jornadas: em que momento nossas personas interagem com o app?

Produto Mínimo Viável e métricas

Agora, com as features definidas, foi a hora de ordená-las por valor, ao longo do tempo. Mais debate e, algumas vezes, foi necessário trazer todos para pensar com empatia, no papel do cliente/usuário/persona. Com a prioridade em mãos (a primeira necessidade do usuário mais prioritário), construímos o primeiro MVP. Simples, claro e objetivo. Mas até que ponto? Agora, precisamos do canvas MVP. O principal desafio: entender as métricas para validar as hipóteses do negócio.

Já tínhamos: as personas e plataformas (as plataformas, um pouco abstraídas); a visão do MVP; as jornadas; as funcionalidades; o resultado esperado; e custo (abstraído) e cronograma (definimos 30 dias). E as métricas?

  • Primeira métrica: número de downloads. Justo, porém raso. Onde chegaremos?
  • Segunda métrica: número de likes em cada casa de festa. Começou a ficar interessante. Resumo: considerando os primeiros 30 dias de lançamento do nosso app, e de acordo com o nosso canvas MVP, esperamos alcançar 2000 downloads e 62 likes por casa de festa citada no app. Agora sim!! Uma meta clara e a expectativa de pivotar no final dos 30 dias.
MVP e suas features

MVP e suas features

canvas MVP

canvas MVP

Geração de dados – a atividade Analytic-its

Temos um produto, uma meta e agora precisamos dos dados. O ideal, ou melhor dizendo, no mundo real (e não na sala de aula) o MVP começaria a ser usado pelos usuários, e, desta forma, ocorreria a geração de dados. Mas, para o nosso ambiente simulado, vamos gerar dados através da atividade Analytics-its (misturando Analytics com post-its).

A atividade Analytics-its

Distribuí 10 post-its para cada aluno, e defini um template para ser preenchido pelos próprios alunos:

  • Dia: 1..30
  • Idade: 18..99
  • Cidade: à escolher
  • Casa de festa: à escolher
  • Like: S/N

No começo, foi surpreendente até para mim. Nós precisávamos de dados e o cenário era ideal para colocar os próprios alunos a gerar os dados. Nessa etapa, choveu criatividade. Os alunos cumpriram a missão, mas ainda estavam curiosos para entender o fim.

templater para o post-it de analytics

templater para o post-it de analytics

Agrupando os dados

Com 100 post-its em mãos, agrupei todos por dia. Depois, com ajuda, coloquei as informações dos 100 post-its em uma planilha e voilá! Em 10 minutos geramos 100 downloads, dos mais variados perfis, com opiniões diversas e likes em casas de festa: dados! Agora temos os dados!!

j-dados

resultado da atividade analytic-its

Análise dos dados

Momento mágico: vamos analisar os dados, para saber se a nossa hipótese de lançamento do app se confirma, para decidir se avançamos com o segundo MVP ou se tomamos outro rumo? Dados! Agora temos os dados!

Nessa etapa, surgiram as mais variadas análises e curiosidades à respeito dos dados; por exemplo:

  • Qual o dia de maior número de downloads?
  • Qual o perfil das pessoas desse dia?
  • Nesse dia, qual a casa de festa mais citada?
  • No todo, qual a casa de festa mais citada?
  • Quantos likes a casa de festa mais citada recebeu?

Decisão baseada em dados

Nesse momento, comprovamos que uma feature, que ficou pro segundo MVP, dava pistas sobre o modelo de negócio do nosso produto: promover promoções de ingressos para as festas. Que caminho seguir?

Essa foi a sugestão dos alunos: A partir da casa de festa mais votada, vamos conversar com os proprietários e, com dados, mostrar que o nosso app está induzindo 40% dos nossos usuários para a casa de festas dele.

E ainda foram além: Que tal gerar um retorno financeiro, baseado em metas, como forma de capitalizar o app?

Perfeito. O app foi criado como forma de revista, com um modelo de negócio e visão  de produto criado por todos, e decisões de negócio baseadas em dados. Lembra da aula? Ferramentas de BI e processos decisórios. 🙂

Retrospectiva desta aula

Pontos educativos: em grande parte das etapas , falamos sobre o BI e o processo decisório. Em quase todas etapas, os alunos se envolveram em atividades colaborativas e ágeis, como pano de fundo para imersão em um contexto de negócio. Colaborativo e educativo, educativo e lúdico, lúdico e prático.

Avitivade Inovadora: como gerar dados para uma análise de BI? Simples. Use a atividade Analytic-its!

  1. Defina um template (quais as métricas e o universo de cada métrica)
  2. Distribua os post-its e motive o grupo à preenchê-los.
  3. Depois, reuna os dados (agrupar, limpar, ordenar – etapa clássica de um datawarehouse) e
  4. Use uma ferramenta para fazer as análises. Tri legal!

Lembrete: o Analytic-its funciona muito bem quando sabemos o que vai ser medido 😉

 

Obrigado FATEC/SENAC Pelotas-RS, Eduardo Peres, Jonatan Batista,  Marina Bellenzier, Jorge Horário Kotick Audy e, de coração, Paulo Caroli.

 

 

 

UA-3488176-1