#19 99, ClickBus e Rappi: uma carreira em dados – Tiago Barra, Fundador Digital Forest

tiag-barra-uma-carreira-em-dados

Tiago Barra é formado em ciência e engenharia da computação, fez mestrado em engenharia elétrica e é fera em dados. Ele começou sua carreira no Itaú Unibanco, onde trabalhou por mais de 5 anos. Na Empiricus, exerceu o cargo de Head de Analytics e Ciência de Dados e em seguida foi para a 99, onde também assumiu a posição de Head de Dados. Tiago passou por grandes empresas na sua carreira, liderou o time de marketing e growth da Rappi Brasil, foi Data Strategy Advisor na ClickBus e hoje é instrutor na Tera, board member na Suridata e fundador da Digital Forest, empresa de treinamento e orientação profissional.

Uma carreira em dados

Seguindo carreira focada na área acadêmica, Tiago recebeu a oportunidade de fazer algo que nunca havia feito antes aplicado no que estudou na faculdade, por isso, aceitou o desafio de trabalhar com modelagem de dados e de risco de crédito no Itaú. 

Alguns anos depois, Tiago precisou tomar outra decisão importante, pois recebeu a oportunidade de assumir a área de Big Data do Itaú ou ir para uma startup chamada Coin para criar a área de credit analytics. Por ter essa tendência de optar por algo diferente, Tiago decidiu ir para a startup.

“Foi super importante, porque na minha cabeça era: como que eu aprendo a viver numa empresa e não num mercado. O Itaú foi uma super escola, mas fui para essa outra empresa e comecei minha trajetória em startups.”

Depois de 2 anos, Tiago migrou para uma empresa belga e em seguida foi chamado para estruturar a área de dados da Empiricus. Pouco tempo depois, foi chamado para assumir a área de dados da 99, onde tinham a missão de construir o primeiro unicórnio brasileiro. 

“Quando você vai estruturar a área de dados, onde você vai colocar ela é onde vai determinar a maior prioridade. A ideia é ser total horizontal, quanto mais horizontal, melhor, mas também é um desenvolvimento.”

Em 2018, Tiago assumiu a área de farmácia da Rappi Brasil, uma das verticais da empresa. O grande desafio nesse caso era fazer cross sell, mover as pessoas dos restaurantes e mercados para as farmácias. Em menos de 2 meses, Tiago assumiu o cargo de Diretor de Growth da Rappi e liderou a mudança cultural do time de growth e marketing, uma mudança mais data-driven. 

Hoje, ele é associado com o Capra em projetos de cultura analítica, é mentor na área de produto, growth e dados na Digital Forest, onde é também fundados. Além disso, é board member da Suridata.

“A gente vai cada vez pegando mais projetos diferentes em áreas diferentes. E é isso que eu gosto de fazer. Eu gosto de ter essa opção de andar pelos diferentes tipos de indústrias.”

Cultura de Dados

Uma boa referência para essa área, são os conteúdos da Cassie Kozyrkov, Chief Decision Officer do Google. 

“Quando eu dou consultoria na área de dados, é comum uma empresa dizer ‘eu quero uma IA que resolva um problema’, a segunda pergunta que vem quando alguém fala isso é ‘qual é o problema?’ e a terceira frase é ‘eu acho que a IA vai descobrir qual é o problema’. Não vai resolver o problema. Se você não sabe qual é o problema, bandeira amarela aqui, porque é importante você dar uma olhada.”

Existe uma curva de maturidade analítica. Não adianta você querer implementar um algoritmo de deep learning, se você não tem, no mínimo, um dashboard para acompanhar as métricas. Há uma cultura para as pessoas aprenderem a pensar analiticamente para depois começar a implementar isso de forma mais automatizada. 

Você tem algo para automatizar agora? Sim. 

Você sabe usar algo que não está sendo automatizado olhando os dashboards? Não. 

Então volta, entende os dados e depois você automatiza, porque se você não sabe o que você está procurando e o que você quer automatizar, você não entendeu qual é o problema. 

“Para mim, a cultura analítica não é bottom up, ela é top down. Apesar de ter toda a ideologia que a gente consegue construir uma cultura de baixo, é muito difícil. Se os líderes da empresa não estão comprados com essa ideia, não vai rolar, porque na maioria das vezes, as pessoas que tem uma capacidade analítica, são pessoas muito curiosas e são pessoas que fazem muitas perguntas e muitas perguntas incomodam pessoas que não estão acostumadas com esse tipo de ambiente e isso é um problema.”

“Temos que saber lidar com as pessoas que fazem perguntas mais do que o necessário, porque as pessoas vão ter que perguntar. O que eu sempre digo, é: seja curioso. Isso vai acabar desencadeando outras habilidades em você e vai te dar vontade de fazer mais coisas.”

Como ensinar ou aprender a pensar analiticamente

“Eu dei uma aula há pouco tempo atrás sobre aprendizado de máquina e falei num grupo de líderes: se vocês saírem daqui pensando em matrizes, eu ganhei minha aula.”

Quando a pessoa pensa em um modelo de estatística, ela tem que entender que vai entrar dados, o time vai processar de algum jeito aqueles dados e vai sair uma resposta. Se entrar coisa ruim, vai sair coisa ruim. 

Para entender o pensamento analítico, não é necessário matemática, é preciso se perguntar por que as coisas acontecem, testar, construir a hipótese e essa hipótese nunca é pergunta, sempre é uma frase. 

É preciso manter a disciplina do framework, porque aí você pode adaptar para o seu ambiente, mas precisa criar a hipótese que vai gerar o experimento, fazer as análises e escalar. 

“É seguir o framework, a metodologia e ser xiita e cartesiano.”

Os 3 paradigmas de dados

Data-driven: é quando começamos a automatizar as coisas a partir de dados. Você deixa algoritmo rodando e consegue realmente deixar os dados no comando. Exemplo: o pricing do uber é completamente data-driven, dependendo da oferta-demanda ele vai determinando o preço da corrida.

Data-inspired: é o modelo mais perigoso e é o que mais acontece nas empresas. Exemplo: “Você vai chegar na empresa e eu falo que vou fazer um estudo que acho que esse número X vai chegar em 20%, aí o pessoal volta com o estudo e diz que deu 2%, e aí eu falo ‘mas você usou aquele filtro? Mas será que não tem aquela categoria?’, até chegar no 20.”

“Seja humilde. Se você torturar, os dados confessam.”

O problema aqui, de acordo com Tiago, é que você confirma seu viés de confirmação. Você tende a ter mais viéses de confirmação, porque você quer chegar em X número.

Data-informed: basicamente, seja informado pelos dados. É o melhor dos dois mundos entre data-driven e data-inspired, porque não é necessário deixar seus processos completamente automatizados e dependendo 100% dos dados e da logística da oferta-demanda, você pode opinar sobre esses processos e usar os dados e sua opinião/insights para tomar uma decisão a partir disso. O dado não vai tomar a melhor decisão por você, porque quem toma decisões são os seres humanos.

O caso da Netshoes

Em 2016, houve a queda do avião com a equipe da Chapecoense. Em seguida, a Netshoes começou a receber reclamações de clientes e de internautas alegando que a empresa estaria explorando a dor das pessoas, pois o preço da camisa do time da Chapecoense estava muito alto. Porém, o processo era data-driven e totalmente automatizado, pois dependia do modelo de pricing oferta-demanda. A empresa não havia pensado que poderia ocorrer uma situação como aquela e, por isso, acabou precisando se explicar pelo acontecimento.

Do marketing aos dados: como ter uma boa formação em data-science

Tracking: a grande parte das pessoas não fazem tracking direito. É um trabalho complexo que ninguém vê, é super ingrato, mas é essencial.

Mensurar: é preciso ter consciência que é preciso mensurar coisas, porque na maioria das vezes muitas pessoas começam campanhas sem saber o que precisa medir. Se você não tem dados, você não consegue fazer análises.

Cruzamento dos dados: você tem os dados do seu e-commerce, mas como você vai cruzar com seus dados do CRM? Pode parecer bobo, mas é difícil se não houver integração.

Ambiente analítico: é necessário ter um ambiente analítico para poder fazer suas análises.

Análise de cohort: o cohort tem o poder de entender o que compõe a média. Imagine que você tem 5 anos de dados e em 5 anos você tem 10 mil clientes, no último mês você fez uma mudança muito importante que mudou muito seus resultados. Porém, se você olhar a média daquele resultado dos 5 anos, os 100 clientes que entraram no último mês não vão nem encostar nos 10 mil. Você basicamente tira o efeito da média geral e olha pedacinhos.

Visualizar dados: é muito importante trazer visualização para os dados. Fazer Scatter Plot, que é como conseguimos ver a distribuição, Box Plot, que é a média e variância dos pontos para saber quão longe tá das médias. Além disso, Tiago costuma fazer bastante o famoso RFM, que é onde estão seus principais clientes e é super importante determinar o que é frequência, rescência e o que é dinheiro para você.

Aha moment: o momento em que você faz sua retenção subir muito e o seu churn cair.

Como mostrar ROI no investimento de uma estrutura de dados

Fazer pontualmente análises, é ruim, pois a pessoa acredita que está sendo mais analítica. Na verdade, é preciso manter uma cadência de análises e para isso, é preciso ter uma estrutura que faça isso, senão você vai gastar muito tempo em cada tarefa. 

“Eu sempre parto do problema de negócio para depois ir para dados.”

As empresas querem a mesma coisa, crescer e fazer dinheiro. Porém, muitas vezes se gasta muito mais tempo discutindo o como do que realmente executando-o. 

Leia mais sobre cada episódio!