Benn Stancil, fundador da Mode, sobre como a ciência de dados pode nos ajudar a tomar melhores decisões

A análise de dados não se trata de exibir painéis sofisticados – é um processo longo, interativo e colaborativo que ajuda você a entender melhor o que o cliente deseja e como chegar lá.

Ou melhor, deveria ser. Aquela imagem estereotipada de uma sala repleta de monitores e painéis elaborados onde todas as decisões são tomadas não é real, e já é hora de nos afastarmos dela. De acordo com Benn Stancil, cofundador e diretor de análise por trás do Mode, uma plataforma projetada para ajudar analistas de dados e cientistas de dados a analisar, visualizar e compartilhar dados, muito de seu trabalho diário real envolve sentar com gerentes de produto e líderes de negócios, mexendo em várias coisas, tentando resolver um problema de negócios juntos.

O fato é que a ciência de dados, como um campo, ainda é relativamente novo. E assim, muitos líderes de negócios não sabem ao certo como começar, como aproveitá-lo ou o que fazer quando todos os painéis e ferramentas parecem estar apontando para soluções diferentes. Mas, como Benn aponta, o futuro da análise de dados não é um diagrama de arquitetura ou líderes de negócios olhando para painéis – é construir uma experiência, e muito empolgante.

Esta semana, tivemos o prazer de conversar com Benn sobre a pilha de dados moderna e como os dados podem – e mais importante, devem – ser usados ​​para impulsionar o crescimento.

Se você estiver com pouco tempo, aqui estão algumas dicas rápidas:

• Embora a ciência de dados não possa prever o futuro, ela definitivamente pode ajudá-lo a concentrar recursos, solucionar problemas e até mesmo desbloquear novos mercados.
• Qualquer insight da análise de dados será tão bom quanto os próprios dados. Certifique-se de que seus dados sejam precisos antes de tirar qualquer conclusão sobre eles.
• A menos que você esteja analisando os dados para entender por que seus clientes estão usando seus produtos, evite tomar decisões com base em suas expectativas quanto às motivações deles.
• À medida que vemos mais padronização sobre as melhores práticas de manipulação de dados, não será mais necessário projetar o processo do zero, mas sim construir em cima e adaptá-los a cada caso de uso.
• Observar infinitas linhas e colunas pode ser assustador, mesmo para um analista de dados experiente. Em caso de dúvida, comece a bisbilhotar com algumas suposições básicas do produto e parta daí.

Se você gosta de nossa discussão, confira mais episódios do nosso podcast. Você pode seguir no iTunes, Spotify ou pegar o feed RSS no player de sua escolha. O que se segue é uma transcrição levemente editada do episódio.

Entrando na análise

Liam Geraghty: Benn, muito obrigado por se juntar a nós hoje.

Benn Stancil: Ótimo estar aqui.

Liam: Em primeiro lugar, você poderia nos contar um pouco sobre sua formação, o que você faz e como chegou a esse ponto?

Benn: Eu basicamente comecei minha carreira em um mundo totalmente diferente. Comecei no mundo da política como pesquisador de economia em um think tank. Passei alguns anos lá, gostei muito do trabalho e gostei da ideia de basicamente tentar resolver problemas com dados. Meu trabalho era olhar para o que estava acontecendo na economia mundial – era como 2010 na época, então tudo estava meio que desmoronando – e então olhar para os dados sobre isso e tentar chegar a recomendações sobre o que os formuladores de políticas deveriam fazer .

Foi muito interessante conceitualmente, mas se você fizer recomendações sobre o que o Fed deveria fazer como uma pessoa júnior em um think tank, ninguém está prestando atenção em você. Gosto da ideia de fazer esse tipo de trabalho, mas queria fazê-lo de uma maneira mais diretamente relacionada aos problemas que as pessoas estavam tentando resolver, onde você pudesse realmente ver se suas ideias ou recomendações funcionaram. Foi assim que acabei mudando daquele emprego para um de análise em uma empresa de tecnologia em São Francisco. Esse foi meu primeiro trabalho em tecnologia. Trabalhei lá por alguns anos como analista ou cientista de dados. Eu era o tipo de pessoa cujo trabalho é trabalhar com profissionais de marketing, gerentes de produto ou pessoal de operações para ajudá-los a tomar decisões sobre quais produtos enviar, quais públicos-alvo ou se a empresa está tendo um bom desempenho em determinadas áreas e não em outros. Era semelhante ao que eu estava fazendo em DC, mas aplicado a um domínio muito diferente.

“A jornada de uma empresa de três pessoas trabalhando da sala de alguém para algo que é centenas de pessoas é aquela em que você está constantemente encontrando coisas novas”

A partir daí, conheci algumas pessoas, comecei a perceber as necessidades de pessoas como eu e que tipo de ferramentas queríamos, que tipo de ferramentas ainda não existiam e acabei criando o Mode com base nessa visão.

Liam: Foi desafiador chegar a esse ponto com o Mode na jornada de inicialização?

Ben: Com certeza. Cada startup será um desafio, e o Mode não é diferente. O modo teve muitos altos e baixos. Por um lado, tem sido muito desafiador. Todos os dias você trabalha em problemas diferentes, coisas que você nunca previu antes. Como tenho certeza de que você sabe, a jornada de uma empresa de três pessoas trabalhando da sala de alguém para algo com centenas de pessoas é aquela em que você encontra constantemente coisas novas, onde os problemas que você tem no primeiro mês são diferente dos problemas que você tem no segundo mês.

Todos os dias, você está tendo que aprender alguma coisa nova que nunca pensou em resolver antes. Não é como, “Eu vou ficar muito bom nessa coisa em particular”. Assim que você fica bom nisso, você está no próximo. Nesse sentido, tem sido muito desafiador. No entanto, temos uma grande equipa. Há ótimas pessoas que apoiaram a empresa, sejam ou não funcionários, sejam ou não pessoas que foram clientes iniciais, sejam ou não apenas amigos e familiares, e os tipos de pessoas que toleram você como você está indo junto com ele. Tem sido um trabalho árduo, mas tem sido uma experiência muito boa, ter o apoio de tantas pessoas para fazê-lo. Acho que as pessoas no Vale do Silício são particularmente privilegiadas por ter um ecossistema inteiro dedicado a ajudá-las e a sua empresa a ter sucesso. Se você fizesse isso em outros lugares, acho que seria muito mais difícil.

Quais dados podem e não podem fazer

Liam: A ciência de dados é o objetivo das empresas que buscam melhorar sua tomada de decisão usando as informações que já estão coletando em seus aplicativos e outros sistemas. É aí que entra o Mode da sua empresa. Você pode nos contar um pouco sobre a plataforma que você construiu e como ela ajuda os cientistas de dados?

Ben: Com certeza. As empresas usam dados de várias maneiras diferentes. A maneira mais fácil de pensar sobre isso é pensar no que você vê em caricaturas em filmes e outras coisas, como salas cheias de painéis e gráficos onde as pessoas estão tomando decisões. Isso obviamente não acontece. As pessoas têm painéis e estamos todos verificando o desempenho das empresas e esse tipo de coisa. Mas muito do trabalho real do dia-a-dia de usar dados de forma eficaz vem de um especialista em dados sentado com um especialista em negócios tentando resolver um problema juntos e responder às perguntas que eles têm para ajudá-los a tomar algumas decisões.

“O gerente de produto não vai olhar para uma tela e dizer 'Aha, isso é exatamente o que precisamos'”

Imagine que você é um gerente de produto querendo decidir qual produto construir. Você pode querer entender como as pessoas usam os recursos atuais que você está pensando em mudar. Diferentes tipos de pessoas o usam de maneiras diferentes? Existem coisas que eles estão tentando fazer, mas estão lutando? Eles podem atingir os objetivos que têm? Todas essas coisas exigem essas perguntas muito particulares, e não é um processo que você responderia olhando para um painel. O gerente de produto não vai olhar para uma tela e dizer: “Aha, isso é exatamente o que precisamos”. É esse processo longo e interativo de entender cada vez mais o que seus clientes querem, então tomar uma decisão e dizer: “Ei, acho que devemos construir isso. Vamos fazer algumas análises para descobrir se achamos que esse é o recurso certo a ser construído.”

O modo é realmente sobre permitir que as pessoas façam isso. Trata-se de permitir que esse analista faça esse tipo de trabalho para que ele possa ajudar com rapidez e facilidade a responder perguntas para outras pessoas. E então, como eles distribuem isso e garantem que também seja colaborativo com essas pessoas – um analista não pode simplesmente entrar em um buraco e responder a essas perguntas, ele precisa trabalhar ao lado do gerente de produto para fazê-lo. É isso que realmente queremos possibilitar. E uma vez que você tenha esse tipo de respostas, você pode transformá-las em algo reutilizável? Você pode torná-los fáceis de retornar e auditáveis ​​e todo esse tipo de coisa? No fundo, trata-se de ajudar as pessoas que precisam entender algo sobre seus negócios e responder a perguntas, permitindo que trabalhem com mais fluidez com analistas que geralmente são os responsáveis ​​por essas respostas.

Liam: O que é uma história de dados ou exemplo que teve um resultado feliz e um que não teve tanto? Apenas para pessoas como eu, que estão mergulhando o dedo do pé no conjunto de dados, por exemplo.

Benn: Alguns resultados felizes. Havia uma empresa que estava basicamente servindo vídeos para vários de seus clientes – o produto deles é uma plataforma de vídeo global. Eles estavam tentando descobrir como torná-lo melhor para as pessoas ao redor do mundo, e perceberam que alguns países tendiam a ter um desempenho muito bom e outros não, e eles não sabiam exatamente por quê. Eles diziam: “Oh, estamos indo muito bem neste país e indo muito bem neste país, mas não estamos indo tão bem nesses outros.

“[Nossa pesquisa] abriu novos mercados para este produto sem que eles tivessem que passar pelos outros tipos de experimentação que estavam planejando originalmente”

Depois de fazer várias análises e investigar, eles perceberam que os vídeos eram muito lentos em certos países devido à localização de seus data centers ou ambientes da AWS. Eles pensaram que talvez tivesse sido algo cultural, algo sobre internacionalização, que talvez tivessem feito algo errado ali. Talvez tenha sido algo sobre o produto que simplesmente não ressoou com públicos específicos ou que foi adotado por diferentes tipos de pessoas com diferentes casos de uso em diferentes países. Eles tinham um monte de coisas diferentes que poderiam ter tentado resolver, como, “Talvez tenhamos que investir um monte de internacionalização, talvez tenhamos que investir em recursos diferentes se quisermos vender para esses tipos de público porque eles pensar sobre os problemas de forma diferente.” Novamente, era uma plataforma de vídeo, então talvez eles tivessem que investir em conteúdo diferente.

Mas acabou sendo algo mais simples. O aplicativo era muito lento nesses países, as pessoas ficavam frustradas porque os vídeos armazenavam muito em buffer e não era uma boa experiência. Eles poderiam resolver isso dizendo: “Ei, vamos colocar nosso produto em mais data centers na AWS” ou em qualquer produto de hospedagem que estivessem usando. Não é uma solução trivial, mas não é uma solução difícil em comparação a ter que descobrir como criar conteúdo totalmente novo para diferentes públicos internacionais. Abriu novos mercados para este produto sem que eles tivessem que passar pelos outros tipos de experimentação que estavam planejando originalmente quando perceberam que eram bem-sucedidos em alguns países e não em outros.

Liam: Com certeza. Esse é um ótimo exemplo.

Benn: Em termos de histórias de dados negativos, acho que há alguns exemplos. Certamente há casos em que as pessoas tentarão tomar decisões baseadas em dados e acabarão fazendo algo que não funciona. Parte disso é a natureza do que são os dados – estão dizendo algo mais ou menos probabilisticamente. Se você perguntar: “Devo apostar que eu lance um dado e tirei entre um e cinco ou seis?” Eu poderia te dizer: “A coisa certa que você deve fazer é apostar de um a cinco, suas chances são muito maiores para isso”. Essa é a análise orientada a dados correta, mas às vezes você pode perder. Se você está construindo um produto ou tomando uma decisão para um negócio que só pode ser feito uma vez, não pode voltar atrás e dizer: “Na verdade, vamos rolar de novo e continuar rolando até chegar de um a cinco”. Talvez tenhamos apostado de um a cinco e tirado um seis. É assim que é.

“Isso faz parte do jogo de tentar ser mais orientado a dados como produto e negócio – você nem sempre vai acertar exatamente”

Há muitos exemplos desse tipo de coisa em que os dados não são perfeitos. Os dados não vão lhe dizer o futuro. Pode dar uma ideia do que pode acontecer, mas há muitas histórias sobre pessoas tomando decisões, provavelmente fazendo a análise muito bem, tomando uma decisão acertada antes de ser tomada, e então o resultado simplesmente não funciona. pano para fora. Uma das coisas que falamos com muitas pessoas é estar bem com isso. Isso faz parte do jogo de tentar ser mais orientado a dados como produto e negócio – você nem sempre vai acertar exatamente. Você simplesmente não pode perder a fé no que são os dados esperando que eles sempre digam exatamente como será o futuro.

Lixo dentro, lixo fora

Liam: Bem, por trás disso, quão importante é considerar a jornada que os dados seguem para chegar ao painel no final?

Benn: Há definitivamente um tipo de processo de “entrar lixo, sair lixo” para tudo isso, e acho que isso é bem entendido. A maioria das pessoas entende que a qualidade dos dados é importante. Digamos que estamos tentando tomar decisões sobre nosso pipeline de vendas e quão bem diferentes clientes estão se movendo em um pipeline de vendas e quais estágios do funil de vendas têm bom desempenho e quais não, você pode chegar à conclusão de que os negócios sempre ficam travados na revisão de segurança quando conversamos com o pessoal de TI e segurança sobre se nosso produto atende ou não aos padrões e, portanto, precisamos nos concentrar muito mais nisso. Se nossa conclusão for baseada em dados inseridos manualmente por uma equipe de vendas, pode ser que essa seja a parte do processo em que a equipe de vendas seja mais descuidada ao inserir esses dados no Salesforce e, portanto, essa conclusão não é um reflexo da realidade. Você precisa fazer todo o trabalho inicial para garantir que seus dados sejam realmente precisos antes de poder tirar conclusões reais sobre eles.

“Não é necessariamente que eles estejam falsificando os números ou que estejam usando dados ruins – é só que, quando você procura algo interessante, fica muito mais inclinado a encontrá-lo”

Há outra maneira pela qual acho que há uma dinâmica semelhante em torno desse “lixo dentro, lixo fora”. Você pode fazer um monte de análises diferentes e dizer que olha para algum problema de 10 perspectivas diferentes, a maneira como você vê isso importa. Haverá alguma perspectiva que aparece de uma maneira particular, e essa análise, por si só, pode ser sólida. Mas a menos que você diga às pessoas: “Ei, nós tentamos 10 coisas, nove delas sugeriram uma coisa, mas esta 10ª sugeriu outra”, e então a 10ª coisa que sugeriu a coisa que é atípica parece ser muito positiva…

Você ouve muito sobre isso nos estudos acadêmicos do tipo p-hacking, onde as pessoas estão basicamente escrevendo trabalhos acadêmicos, e há essa pergunta: “Eles estão procurando por resultados?” A resposta é, claro, eles são. Os acadêmicos são pagos para isso. Eles querem encontrar algo interessante. Não é necessariamente que eles estejam falsificando os números ou que estejam usando dados ruins – é só que quando você procura algo interessante, você está muito mais inclinado a encontrá-lo, mesmo que essa coisa interessante não seja necessariamente real .

Os analistas podem sofrer da mesma tendência. Nosso trabalho é encontrar algo interessante. Queremos ser aquele que se levanta na grande reunião e diz: “Confira este gráfico que revela essa coisa realmente dramática”. Se você está sempre procurando por essas coisas, novamente, nove em cada dez vezes, você não encontra. Mas na décima vez, quando você fizer isso, é importante dizer: “Ei, tentamos várias outras coisas primeiro”. Isso ajuda a entender se essa coisa que você está pensando que está encontrando é real ou não.

Liam: Para startups por aí, como os dados podem ser usados ​​para impulsionar o crescimento?

Benn: Um monte de maneiras. A maioria das pessoas o usa como growth hacking, que as pessoas chamam pejorativamente de uma nova maneira de chamar marketing, mas você pode usá-lo muito dessa maneira. Você pode usá-lo para entender melhor seus clientes, para saber com quem falar. Muito do crescimento é apenas encontrar as pessoas certas e dar a elas a mensagem certa no momento certo, pelo menos do topo do funil de marketing. Os dados podem ser muito importantes nisso. Como você pode entender, de quem está entrando no seu funil, o que eles dizem e até onde eles chegam? Quem são essas pessoas e como você alcança mais pessoas assim?

“Muito do crescimento é apenas encontrar as pessoas certas e dar a elas a mensagem certa no momento certo, pelo menos do topo do funil de marketing. Os dados podem ser muito importantes nisso.”

As alavancas mais importantes, no entanto, geralmente estão relacionadas à compreensão do que seus clientes estão tentando fazer. As pessoas geralmente criam produtos e esperam que eles sejam usados ​​de uma maneira específica ou esperam que as pessoas gostem deles por um motivo ou outro, e as pessoas nem sempre gostam por esses motivos. Há muitos recursos que construímos no Mode ou que ouvimos de nossos clientes dizendo: “Ah, sim, isso será ótimo para o X”. E acontece que não é realmente por isso que as pessoas gostam, mas podem gostar para Y. A menos que você esteja analisando os dados para entender os comportamentos do que as pessoas estão fazendo e tentando entender o que as motiva a fazer essas coisas, muitas vezes você pensará: “Ótimo, lançamos um recurso que foi muito bom para isso, e é por isso que as pessoas o estão usando. Então, vamos realmente nos apoiar nisso.” Mas pode ser que você esteja realmente jogando contra a maneira como as pessoas estão tentando usar o produto e, em vez disso, deveria estar dizendo: "Ei, eles estão usando para Y. Vamos realmente criar maneiras de permitir que eles façam Y coisa sobre isso.

“Trata-se de encontrar o ajuste real do produto ao mercado, e não aquele que você supõe ter”

Como exemplo, havia essa empresa que era meio que um produto de bate-papo essencialmente para trabalho. Era um produto colaborativo, tipo Slack, focado em dispositivos móveis. Eles originalmente pensaram que seria uma ótima maneira de os funcionários da linha de frente se comunicarem. Seria uma ótima maneira para as pessoas que não têm endereços de e-mail se comunicarem. Se você é caixa no 7-11, pode não ter um endereço de e-mail 7-11, mas precisamos de uma maneira de poder conversar corporativamente com essas pessoas. Este foi um aplicativo para isso. Eles conseguiram alguma adoção e pensaram que era por causa dessas pessoas que não tinham endereços de e-mail, mas depois de analisar vários dados, perceberam que na verdade eram pessoas que precisavam entrar e sair do escritório um monte . A coisa mais útil não era que eles não tivessem um endereço de e-mail – era que eles ficavam muito tempo longe do computador. Eles estavam essencialmente usando-o como um tipo de substituto do WhatsApp para o bate-papo corporativo.

Então, se eles pensassem que era sobre pessoas sem endereço de e-mail, eles poderiam ter construído um monte de recursos onde você se inscreve com seu número de telefone, onde você faz um monte de coisas que tornam possível tornar isso uma coisa onde você não não tem um computador desktop. Mas o que as pessoas realmente queriam era essa experiência em que pudessem usar um computador às vezes, e depois se afastar dele e ter uma ótima experiência móvel enquanto estivessem na estrada, ou fazendo uma entrega ou qualquer outra coisa. Isso cria um caminho muito diferente para esse produto e empresa, mas eles nunca entenderiam isso a menos que estivessem analisando os dados para entender as pessoas que realmente os usavam e o que estavam tentando fazer com eles. Trata-se de encontrar o ajuste real do produto ao mercado, e não aquele que você supõe ter.

Novas ferramentas, mesmos problemas

Liam: Como é a pilha de dados moderna agora?

Benn: A pilha de dados moderna é o termo genérico para o novo conjunto de ferramentas de dados que está sendo desenvolvido com base nos produtos de dados que se movem para a nuvem. O núcleo disso é o data warehouse. Antes de 2010, qualquer empresa que quisesse um data warehouse, que é onde você armazena todos os seus dados, normalmente teria que comprar algo, uma máquina física ou software físico, como um CD, que seria executado em uma máquina que eles ter. Teríamos uma sala de servidores na parte de trás que é nosso banco de dados, e estaríamos executando algum banco de dados Oracle nele, e tudo isso. Basicamente, com o Redshift, que foi um dos primeiros data warehouses em nuvem, as pessoas começaram a migrar tudo isso para a nuvem. Em vez de eu ter que comprar uma máquina ou software, posso simplesmente ir à AWS, dizer “Gire um banco de dados Redshift para mim”, posso fazer isso do meu navegador em 15 minutos e não preciso ter nenhum hardware para fazê-lo. Várias ferramentas foram criadas com a ideia de dizer: "E se todos os nossos dados funcionassem na nuvem e não precisássemos ter todo esse software que executamos?" A pilha de dados moderna é mais ou menos essa ideia de como os dados são movidos para a nuvem. Existem várias maneiras de defini-lo. Mas, em geral, ele está construindo esses produtos muito horizontais que apenas ingerirão dados de aplicativos de terceiros.

“Tivemos essas melhorias dramáticas na qualidade da tecnologia, mas os principais problemas que estamos tentando resolver costumam ser teimosamente persistentes”

Digamos que você tenha dados no Salesforce ou Zendesk ou Marketo ou Stripe, produtos que apenas ingerirão esses dados em seu warehouse. Você tem produtos que irão transformá-los e modelá-los em seu armazém – digamos que você tenha um monte de dados confusos que você deseja transformar em dados limpos, então você tem produtos que irão gerenciar isso. O próprio armazém fará o armazenamento. Existem ferramentas de análise, como o Mode, que ficam em cima dele para painéis, para análise, para poder compartilhar e distribuir esse trabalho. E então, há um monte de outras ferramentas que são construídas para dar suporte a isso. Agora que você tem cinco ou seis ferramentas executando suas ferramentas de dados, deseja poder monitorar todas elas. Está tudo funcionando certo? Os pipelines do ponto A ao ponto B estão funcionando e funcionando como eu esperava? Se eu quiser fazer uma mudança em um, como faço para orquestrar essa mudança no sistema?

Está se tornando um ecossistema muito mais complexo, mas tudo é construído sobre esse fluxo central de alguma maneira de ingerir dados em um armazém, alguma maneira de transformá-los em um armazém, alguma maneira de construir um ativo de dados em cima dos dados no armazém , e então alguma maneira de enviá-lo para quem realmente precisa vê-lo.

Liam: Pode ser tão difícil fazer com que todos concordem com os números quando você tem painéis e ferramentas diferentes dizendo coisas diferentes. Isso é um desafio?

Ben: Sim. Este é um dos paradoxos do estado atual da pilha de dados moderna. Passamos quase 10 anos construindo esses produtos, e eles são revolucionários, em muitos sentidos. Eles fazem as coisas dramaticamente melhor e dramaticamente mais rápido do que faziam há 10 anos. Cerca de 10 anos atrás, para os bancos de dados de primeira linha, você teria que gastar, digamos, um milhão de dólares por ano para executá-lo. Você teria que pagar pelas máquinas que o executam. Você normalmente teria que ter uma ou duas pessoas cujo trabalho em tempo integral era gerenciá-lo. Hoje, você pode obter armazéns mais rápido do que aquele que custará US$ 20.000 por ano, e você não precisa ter ninguém para gerenciá-lo totalmente. Eu posso ir para a AWS, apertar um botão e pagar dezenas de milhares de dólares por algo que costumava me custar provavelmente alguns milhões de dólares por ano. E é um produto melhor.

Você pode fazer a mesma afirmação em toda a pilha. As ferramentas de análise melhoraram dessa maneira. As ferramentas de ingestão de dados e as ferramentas de pipeline foram aprimoradas dessa maneira. Tivemos essas melhorias dramáticas na qualidade da tecnologia, mas os principais problemas que estamos tentando resolver costumam ser teimosamente persistentes. Um dos principais problemas que tivemos 10 anos atrás foram duas pessoas entrando em uma sala e dizendo: “Meu painel diz isso” e outra pessoa dizendo: “Meu painel diz isso”. Eles passam a reunião inteira, em vez de tentar descobrir o que fazer, discutindo sobre qual número está certo. E ainda fazemos isso, ainda há muito disso.

“O marketing e as vendas existem há centenas de anos. Ainda estamos nos estágios iniciais de descobrir como será a profissão de dados”

Ouvi uma palestra do CEO da Databricks, um desses armazéns realmente modernos que impulsionam muito essa mudança. Ele estava dizendo que uma das reclamações mais comuns que você ouve dos clientes é que as pessoas passam o tempo todo discutindo sobre números e qual deles está certo. Acho que parte da solução desse problema será continuar construindo ferramentas que podem conversar entre si e trabalhar melhor em conjunto, e sistemas que nos permitem definir as coisas uma vez para que, se olharmos para um painel, saibamos que ele está saindo do mesmo lugar . Mas parte disso também será apenas organizações descobrindo como trabalhar com dados. Dados ainda são uma coisa relativamente nova. A maioria das empresas começou a usá-lo de forma real nos últimos 10, 15 anos. Ainda estamos descobrindo como fazer isso funcionar. Ainda há muitas conversas na comunidade sobre os diferentes papéis de que precisamos, para que servem e quem é responsável por quê.

A engenharia não era uma prática que se desenvolveu da noite para o dia. A TI não era uma prática desenvolvida da noite para o dia. Marketing e vendas existem há centenas de anos. Ainda estamos nos estágios iniciais de descobrir como será a profissão de dados. Acho que será uma combinação das ferramentas que construímos e todo mundo começando a perceber: "É assim que funciona, e é assim que não funciona", antes que possamos realmente superar o que parece ser problemas fundamentais .

Liam: Com certeza. Acho que todos de todos os tipos de indústrias terão suas próprias histórias. As métricas de podcast, eu acho, são provavelmente um bom exemplo das complicações com os dados. Um download geralmente não é igual ao número total de ouvintes porque um ouvinte individual pode ter baixado o mesmo episódio em vários dispositivos ou pode tê-lo baixado com a intenção de ouvi-lo, mas nunca conseguiu. Eu sei que eles estão tentando introduzir uma maneira padronizada de medir essas coisas, o que provavelmente acontecerá em todos os setores, eu acho, para muitas indústrias.

Benn: Se você pensar nas métricas básicas de marketing na web e como as pessoas veiculam anúncios e outras coisas, começamos a padronizar algumas dessas coisas. Se você for ao painel de anúncios do Facebook ou ao painel de anúncios do Google, essas coisas serão bem parecidas. Eles vão contar mais ou menos a mesma história porque houve alguma padronização sobre como realmente falamos e descobrimos quais anúncios estão tendo um bom desempenho ou não. Você vê isso com algumas outras coisas. Você vê isso com empresas SaaS, por exemplo. As empresas de SaaS agora têm um livro padrão de métricas de onde todas se baseiam. Existem alguns lugares onde estamos começando a ver isso se unir, mas haverá muito mais disso nos próximos anos, como, como pensamos sobre podcasts? Como pensamos sobre determinados tipos de produtos? Como pensamos em medir o desempenho de uma equipe de suporte? Como pensamos sobre todas essas coisas diferentes que são os dados sobre os quais agora temos informações muito mais ricas, mas todas as empresas ainda estão tentando descobrir individualmente?

“Estaremos nos adaptando a partir das melhores práticas em vez de todo mundo tentando fazer isso do zero”

Acho que haverá alguma padronização ao redor: “Esta é provavelmente a melhor prática para pensar sobre esses tipos de problemas”. Obviamente, as empresas ainda terão alguns relatórios sob medida que precisam fazer. Este podcast pode querer medir as coisas de forma diferente do outro podcast porque você pode ter diferentes públicos ou objetivos diferentes. Todo mundo terá seus próprios ajustes, mas acho que haverá uma sensação muito melhor de “Ok, é assim que todos concordamos que funciona”. Estaremos nos adaptando a partir das melhores práticas, em vez de todos tentarem fazer isso do zero. Muitas empresas que iniciam suas práticas de dados geralmente tentam construir coisas do zero. Acho que temos alguns caminhos a percorrer antes de chegarmos ao ponto em que você tem o andaime sobre o qual todos podemos construir.

Os frameworks da Web, de certa forma, são um exemplo disso. Se você deseja construir um produto ou software da Web, existem contornos bem definidos que você pode desenhar de onde você adiciona sua própria lógica para tornar seu aplicativo exatamente o que você deseja. Analytics simplesmente não tem isso. Todo mundo começa do zero, em vez de ter esse tipo de estrutura central sobre a qual podem construir.

Liam: O que você diria para startups assustadas com dados que estão encarando tudo e se sentindo um pouco ansiosas com isso?

Benn: Isso pode acontecer em startups, mas também pode acontecer em empresas com maturidade de dados com analistas individuais. É fácil olhar para uma página em branco ou para uma planilha do Excel sobrecarregada e pensar: “O que diabos eu faço?” Isso é fácil de fazer se você é um analista experiente que está começando a entender um problema, é fácil de fazer se você é uma empresa que ainda não sabe o que fazer com os dados e é fácil de fazer se você é um analista júnior que acabou de ingressar em algum lugar e não sabe o que fazer.

“Não há problema em começar com coisas realmente simples. É notável a quantidade de informações básicas que as pessoas acharão valiosas”

Acho que a solução para isso é a mesma – não há problema em começar com coisas realmente simples. É notável a quantidade de informações básicas que as pessoas acharão valiosas. Conheço um cara que, uma vez por semana, reunia sua equipe de dados para que compartilhassem essencialmente as coisas que aprenderam durante a semana. Algumas dessas coisas eram estupidamente simples. A empresa era um produto que foi construído para empresas, por isso era usado de segunda a sexta-feira. Eles fizeram um gráfico de quantas pessoas usam por dia da semana, e ei, a maioria das pessoas não usa nos finais de semana e muitas pessoas usam nos dias de semana. Você não está exatamente descobrindo algum insight incrível lá. Todo mundo já sabia que era assim que funcionava, mas vendo esses números e exatamente quanto caiu nos finais de semana – houve alguns finais de semana em que não caiu muito, e alguns finais de semana em que caiu uma tonelada – gerou um monte de de perguntas e curiosidade sobre o que está impulsionando esse comportamento. Por que aquele fim de semana é aquele em que as pessoas parecem usá-lo muito? O que aconteceu lá? Essa foi a semente para muito mais: “Tudo bem, vamos continuar a aprender. Vamos continuar a fazer perguntas. Vamos continuar a cavar.”

Essa é a maneira que eu encorajo as pessoas a começar. Basta começar com as coisas básicas, mesmo que sejam suposições que você está fazendo. Assim que você começar a olhar para os números, verá coisas que fazem você pensar e coçar a cabeça e perceber que há muito mais aqui que você não entende e está curioso. Muito disso é apenas se deixar levar por essa curiosidade e não dizer: “Preciso descobrir uma coisa incrível. Preciso encontrar aquela agulha no palheiro que mudará a trajetória da empresa no primeiro dia.” You're not going to find that right away. The way you're going to find it is by just poking around, seeing things that are interesting, and letting yourself explore those interesting things when you find them.

Always tinkering

Liam: You're clearly so passionate about data. I was just wondering where that came from.

Benn: Part of it is working in it for a long time and just getting to know it. Part of it, though, is that I think it's fun to figure stuff out like this. I was talking to someone about flying from New York to San Francisco a couple days ago, and it's a flight that I've made a good bit, and they had made it a good bit, too. They were saying that when they were flying back on a Delta flight, it felt way faster than when they were flying on a United flight. Why is Delta faster on this? And it made me think: are there some airlines that are just able to fly faster? It doesn't seem like that would be true, but does that actually hold up? The Department of Transportation releases raw data on every flight in the US. Where it started, where it ended, what time it took off, when it landed – all of that stuff.

“I'm just naturally prone to want to play around with that and understand it. I don't really have an explanation as to why that is other than I find it fun”

I just started playing around with it, trying to figure this out. I looked at different routes and was like, “Are there changes in the speed of different airlines? Are planes flying faster at different times of day, at different times of the year?” As you get into it, it just became interesting to see… I don't know any of this stuff. I don't know how fast planes fly or why they fly at different speeds on the same routes or whatever, but it was interesting. There were actually some airlines that were consistently a couple minutes faster. I don't know why that would be. It was never by much, but it was basically like 90 seconds of difference fairly consistently between a couple airlines. I don't know, maybe they just have different guidelines or something. That sort of thing, I think, is what makes me interested in it. I'm just naturally prone to want to play around with that and understand it. I don't really have an explanation as to why that is other than I find it fun. That really drew me to the job in the first place. Then, once you get into it, you start to see all these other things that you could be doing that are fascinating and fun.

Liam: That's great. Qual é o próximo? Have you any particular plans or projects for 2022?

Benn: I mean, continuing to do the Mode thing. I think there's a lot of stuff on that front that we're excited about, a lot of new things we're building. The direction of the space is one we're very excited about. Personally, last year I basically started writing a lot more on Substack, and that's been fun. It's been good to get some of the thoughts out about these ideas, have conversations with the people in the community and see where things go. We're planning on being much more involved in that. I don't know exactly where that goes, and part of this is, again, letting myself be curious about it, do the things I enjoy, and if I find stuff that's fun and other people seem to enjoy, then giving myself the permission to continue to do it.

Liam: I was going to ask where our listeners can go to keep up with you and your work, definitely the Substack. I think it's Benn.substack.com. Is that right?

Benn: That's correct. The two places would be mainly there and Twitter. I'm not the most active Twitter person in the world, so Substack is better for some of the more interesting things. But my Twitter handle is @BennStancil, and there's also LinkedIn if you want to connect professionally.

Liam: I've been reading lots of your posts and they're great, so I would definitely recommend everyone go and subscribe to Benn's Substack. Thank you so much for chatting with us, Benn.

Benn: For sure. Thanks again for having me. This was fun.