Browsing Category

Transformação digital

Empreendedorismo, Escritório, Exemplos práticos, TI é o negócio, Transformação digital

Como a Netflix atingiu o nirvana do ownership

maio 15, 2018

Netflix não possui CTO (Chief Technical Officer). Ter um CTO seria sintoma de centralização de decisões técnicas. Na Netflix eles possuem apenas o CPO (Chief Product Officer), que é o chefe de produtos. Produtos e TI são a mesma coisa. A Netflix também é um dos times mais inovadores em tecnologia e proposta de valor no mundo. Mas como eles atingiram este patamar? O que os levou até lá?

 

Papéis e responsabilidades

Eles nasceram assim. Era um mindset simples de se manter enquanto eram uma startup em 1997. Mas este pensamento tem sido mantido ao longo dos anos com o crescimento da companhia.

Com uma série de benefícios para seus funcionários, que se traduzem simplesmente em liberdade para tomarem as ações que acharem necessárias, a Netflix compartilha suas práticas de gerenciamento e responsabilidade em seus discursos. A principal obrigação de um gerente é contratar as melhores pessoas do mundo. A principal obrigação de todos os funcionários é tomar as melhores decisões possíveis, tendo todo o contexto da empresa disponível para embasamento. Números de assinantes, faturamento, budgets de todas as áreas fazem parte da rotina de informações que os gerentes distribuem a seus funcionários. Gerentes solicitam que seus funcionários façam entrevistas em concorrentes pelo menos uma vez ao ano para garantir que seus times estão recebendo o valor de salário que merecem. Também não há gestão do conhecimento. Quando um funcionário sai da empresa, seus projetos morrem com ele. Não há níveis de junior, pleno e senior.

 

Nada de regras

A Netflix foge de regras e processos pois acredita que quando se diz às pessoas como devem agir, sua criatividade é restringida, e isto faz com que deixem de pensar em como agregar valor à empresa. Isto tem um custo. É comum vagas tomarem mais de 6 meses para serem preenchidas, pois requerem processos complexos de contratação e altos níveis de subjetividade na seleção.

Tendo alguns exemplos de benefícios como:

  • Tempo de férias indefinido;
  • Tempo de licença maternidade indefinido
  • Orçamento para assuntos técnicos ilimitado;
  • Recursos de hardware e software ilimitados;
  • Não existência de plano de trabalho: uma vez que você é contratado ninguém dirá o que deve fazer. Você inventa seu próprio projeto, trabalha, conclui, testa, e vai para o próximo. Neste ponto seu gerente ajudará a tomar esta decisão caso seja de seu interesse.

Esta liberdade passa por somente uma restrição: aja de acordo com os interesses da Netflix.

Desta forma a empresa, que se orgulha em atestar que contrata somente os melhores funcionários do mundo para as posições que abre, e que já conta com 4000 colaboradores, atingiu um nível de ownership difícil de se comparar. Cada um é responsável pelos seus projetos e possui propriedade para definir se ele é útil à companhia ou não.

 

O que isto gera?

Isto gera um ambiente de liberdade incrível para as pessoas produzirem o que consideram importante. Uma vez que cada funcionário é um dos melhores do mundo em suas áreas, entende-se que ele terá discernimento para tomar as melhores decisões. Isto gera mais de 100 projetos acontecendo em simultâneo vindo de todos os lados da companhia e sendo testados a todo momento. Nenhum projeto que interfira nos sistemas pode tomar mais de 2 meses. A cada 2h uma publicação em ambiente produtivo é feita, e nada é ativado sem passar por testes A/B.

O grande objetivo do ownership também é alcançado pois todas estas condições também têm a intenção de delegar poder. Todo funcionário da Netflix deve ser capaz de tomar decisões sem depender de processos de validação infindáveis ou opiniões desnecessárias. Atrelando liberdade, responsabilidade e poder, é como o Netflix atingiu e mantém seu nível altíssimo de ownership entre seus funcionários e continua sendo uma das empresas mais inovadoras desde o momento em que foi criada.

 

O modelo e como aprender com eles

Comparando outras empresas de diferentes áreas de atuação, entre as mais tradicionais como indústrias, até as mais recentes startups, a Netflix atingiu seu ownership através da soma de algumas coisas: poder quase irrestrito, liberdade quase irrestrita e senioridade/maturidade como premissa.

E este é um modelo único que não deve ser perseguido cegamente, mas sim usado como inspiração pela forma disruptiva que encontraram para gerenciar sua companhia.

Exemplos práticos, TI é o negócio, Transformação digital

Usando Machine Learning na vida real parte 2/2

abril 5, 2018

Agora que entendemos a diferença entre as três abordagens que podemos ter com relação a IA com o último artigo, é hora de olhar para a abordagem intermediária, sempre mantendo em mente os limites existentes. Dada a explicação das diferenças entre abordagens para Machine Learning: a) APIs prontas para uso, b) treinando um modelo, e c) criando um modelo, vamos falar sobre treinando (usando) um modelo.

Treinando um modelo

Esta é a abordagem meio termo para problemas com IA (ou Machine Learning). Uma vez que você conclui que seu problema não pode ser resolvido com APIs prontas para uso, tente esta abordagem. Só porque não há uma API pronta para uso, não significa que ninguém nunca tentou resolver o seu problema, falando de forma mais ampla e genérica. Existe uma probabilidade altíssima de que o seu problema já possa ser resolvido através de um modelo existente. Usando esta abordagem, você deverá olhar para três coisas. Isto não significa dependência, uma vez que o terceiro passo (abaixo) pode ser deixado de lado em alguns casos (também exemplificado abaixo), mas eles são uma sequência.

Encontrando o melhor modelo

Esta é a parte onde você precisará de alguém com experiência no assunto. Há vários modelos para serem utilizados e abordar/resolver o mesmo problema, por exemplo. E também há vários problemas sem modelos que os cubram. Você precisará encontrar o melhor modelo que se encaixa da melhor forma à sua necessidade. Você precisará também checar os percentuais de confiabilidade que o modelo em questão provê, se ele usa as informações de que você dispõe, e ainda se você precisará adaptar alguma informação que você já tenha para usar aquele modelo;

Podemos dividir os modelos em três grupos:

  • Modelos para treinamento supervisionado

    Você poderá usar um modelo de treinamento supervisionado quando você sabe que o algoritmo precisa chegar à conclusão X (objetivo) depois de avaliar as informações A (info 1), B (info 2) e C (info 3). Exemplo: você sabe que espirros (info 1), temperatura corporal elevada (info 2), e dor por todo o corpo (info 3) significa que você está gripado (objetivo). Abaixo apresento genericamente alguns modelos muito conhecidos:

o Regressão linear  https://docs.aws.amazon.com/machine-learning/latest/dg/types-of-ml-models.html – É um bom modelo para trabalhar com números. Predição de números principalmente. Exemplos: qual será a temperatura para amanhã? Por quanto esta casa será comprada?

o Árvore de decisão – https://www.ibm.com/support/knowledgecenter/en/SS3RA7_15.0.0/com.ibm.spss.modeler.help/nodes_treebuilding.htm – Encontre a doença: os sintomas A, B e C são verdadeiros no paciente? Então doença X; Os sintomas A, B e D são verdadeiros? Então doença Y;

o Redes Bayesianas – https://pt.slideshare.net/GiladBarkan/bayesian-belief-networks-for-dummies – Quando temos uma evidência e queremos chegar a sua causa. Propagação de crença – O mesmo cenário da saúde acima pode ser aplicado, porém de forma inversa. Tenho gripe. Preciso identificar se neste paciente, temos todos os sintomas, ou se ele não apresenta corisa mas mesmo assim tem gripe.

  • Modelos para treinamento não supervisionado

    Você poderá usar quando não possui a conclusão a que aquele algoritmo precisa chegar. Você precisará checar todas as vezes que ele for executado. Exemplo: se o cliente comprou o produto X e Y, ele pode estar interessado no produto Z. Você não sabe se de fato ele está interessado no produto Z, porque ele PODE estar interessado, mas mesmo assim não comprar o produto (o que concluiria sua predição). Apresento também alguns modelos:

Associação – https://en.wikipedia.org/wiki/Association_rule_learning – Exemplo acima de varejo sugerindo compras para seus usuários;

o Detecção de anomalias – Qualquer controle gráfico ou de informações em que anomalias precisam ser alertadas. Bolsa de valores ou controles de temperatura de uma caldeira, por exemplo;

  • Modelos para treinamento semi-supervisionado

É aplicável quando você sabe algumas vezes o que você quer descobrir, mas não sempre. Modelos podem ser encontrados em https://en.wikipedia.org/wiki/Outline_of_machine_learning#Machine_learning_algorithms

Configurando um modelo

Chegaremos neste passo quando tivermos um modelo conhecido que precisaremos configurar. É possível que você não precise treinar o modelo.

Um exemplo para regressão linear, que surgiu de um cliente: eles queriam combinar diferentes informações de muitas fontes diferentes e descobrir como isto afetaria a precificação de seu produto. Para cada um dos produtos, você configuraria o algoritmo de forma a entender que o suprimento A afeta 10% do preço final do produto, suprimento B afeta 50% e etc. Sabendo disso, o algoritmo seria capaz de “predizer” mudanças nos seus preços e avisá-los sobre comprar mais ou menos de cada suprimento. Desta forma eles estariam a frente de seus concorrentes, e economizando dinheiro ao mesmo tempo;

E então… Treinando um modelo

Uma vez que você possui um problema que requer um modelo que seja treinado para identificar seu algo, você precisará guardar dados para treinar seu modelo. A análise de imagem que os grandes provedores de cloud possuem é um excelente exemplo. Uma vez que você envia uma foto que possua a Torre Eiffel, o algoritmo já sabe que há uma Torre Eiffel na sua imagem. Mas como eles fazem isto? Eles já treinaram um modelo para entender os padrões na imagem e então classificá-la. É a mesma coisa que o Facebook faz todas as vezes em que faces nas fotos que você envia. Para o exemplo do Facebook, a técnica se torna ainda mais impressionante porque o Facebook treina seu algoritmo com as faces de todas as pessoas. Desta forma o algoritmo consegue entender que a sua imagem tem uma foto de um amigo em específico, e sugerir a você que o marque! Não é somente um reconhecimento genérico de pessoas como outros modelos fazem.

 

Como fazer isto tudo?

Por fim, há muitas ferramentas como Google AutoML, Amazon Machine Learning, Watson tools, and Tensorflow (open source tool). Os provedores de soluções permitem que você envie um determinado modelo e então usem sua infraestrutura para executar, treinar e consumir sua inteligência.

Exemplos práticos, TI é o negócio, Transformação digital

Usando Machine Learning na vida real parte 1/2

março 30, 2018

Todos têm falado sobre Machine Learning e todos querem obter os benefícios da IA (Inteligência Artificial). É uma novidade que gerentes de TI peguem aquele velho problema do fundo da gaveta e pensem: “hey! Talvez o novo Watson possa resolver isto para mim!”. Mas em todas as vezes que escuto alguém perguntando sobre como resolver um problema com IA, parece que o problema é inédito. Se todos os dias uma nova vontade vem, como podemos identificar as fronteiras de IA? Uma vez que IA é “Inteligência Artificial” qual é o limite da “inteligência”? O que pode e o que não pode ser resolvido com o que temos hoje?

Como identificar quão difícil será encontrar uma IA para seu cenário

Ferramentas para Machine Learning podem se dividir em três grupos:

 

  1. Usar APIs prontas para uso (este primeiro artigo focará aqui somente)
    • O que é? É a abordagem mais rápida. Há muitas APIs prontas para serem acessadas e adicionadas à sua solução. Há vários benefícios e você só precisa pagar e usar. Há uma tabela com detalhes abaixo;
    • Quanto tempo para ter resultados? Você pode ter resultados de testes em um dia;
    • Alguns benefícios:
      • a) Ela estão prontas para uso! Você só deve plugar à sua aplicação. Qualquer um pode fazê-lo;
      • b) Os fornecedores estarão sempre treinando o modelo enquanto você usa! Então nunca estarão desatualizados;
      • c) A competição entre os fornecedores garantirá sempre modelos bem treinados, melhorias e atualizações;
      • Os benefícios acima serão muito caros de atingir fora desta abordagem;
    • Algumas restrições:
      • a) A API não pertence a você. Isto significa que você não poderá mudar nada sobre como elas funcionam. Será somente você perguntando: “hey, por favor classifique esta imagem!”. Então a resposta será “legal! Sua imagem tem uma mulher nela”. Mas você não poderá perguntar de volta “qual é a cor do cabelo dela?”;
    • Conclusões?
      • Se as APIs abertas resolvem suas necessidades, não pense de novo e comece a usá-las já! Não se preocupe sobre os fornecedores obtendo suas informações, segurança, ou coisas do tipo. Uma vez que você paga pela ferramenta, você possui um contrato que diz que eles não usarão seus dados. É a mesma questão da cloud;
      • Se não resolve suas necessidades, tente entender quão importante é ter aquele 1% a mais de confiabilidade no julgamento da IA. Se você realmente precisa de algo mais preciso, pule para “treinando um modelo”;

 

  1. Treinando um modelo
    • Abordagem meio-termo. Há muitos modelos prontos para serem adicionados a projetos, configurados, treinados e então usados. Falarei sobre esta abordagem no próximo artigo;
  2. Construindo um modelo
    • Tenha em mente que este não será um projeto de TI por algum tempo. Você deverá ter pessoas de física, matemática, bons especialistas no seu negócios e muitas informações boas para adicionar ao seu projeto desde o início. Uma vez que eles finalizarem o model (o que potencialmente pode tomar 2 anos. Talvez mais), então se tornará um projeto de TI começando do passo “treinando um modelo”. Estes dois projetos (construindo e treinando) tomarão mais do que dois anos de pesquisa e testes. Se este é um processo estratégico na sua companhia, não perca mais tempo e comece o projeto. Quanto antes começar, mais cedo os benefícios virão;

 

Legal! Quais são as APIs prontas para uso?

Minhas sugestões estão dentro desta tabela abaixo. Mas as opções não são limitadas a ela. Você pode encontrar muitas outras. Estas são mantidas pelos maiores provedores de cloud e IA. Isto significa que você pode confiar nelas e provavelmente dentro do seu foco, serão as melhores existentes.

Funcionalidade Google IBM Microsoft Amazon
Chatbot DialogFlow Watson Assistant and Virtual Agent Bot Lex
Análise de vídeo Video Intelligence Intelligent Video Analytics Video Indexer Rekognition
Análise de imagem Vision Visual Recognition Computer Vision API Rekognition
Fala para texto Speech Speech to Text Bing Speech Transcribe
Texto para fala Text to Speech Bing Speech Text to Speech
Classificador de linguagem natural Natural Language Natural Language ClassifierNatural Language UnderstandingPersonality Insights and Tone Analyzer Language Understanding Comprehend
Tradução Translate Translator Translator Translate
Busca de tendências e análises Trends Discovery and IBM’s Discovery News
Encontrar padrões em texto não estruturado Knowledge Studio
Moderador de conteúdo* Anomaly Detection
Descoberta de empregos Job discovery**

* Google, IBM e Amazon possuem moderador de conteúdo dentro das suas soluções. A Microsoft possui este produto específico procurando por anomalias somente.

** Job Discovery é uma ferramenta proprietária ainda disponível somente para alguns parceiros.

 

Dois exemplos para falar sobre os limites novamente
Reconhecimento de imagem

Assim como o exemplo acima: um cliente veio até mim perguntando sobre uma solução para identificar imagens em pessoas. Legal! Vamos usar o Google Vision! O Vision identifica pessoas nas fotos e dá muitas outras informações sobre as cores daquela imagem, lugares que a imagem contém e etc. Mas então o cliente me perguntou: quero identificar se a pessoa na imagem é uma mulher. Eu disso OK! E então: quero reconhecer a cor do cabelo da mulher. Ok, todas as APIs abertas estão fora do jogo. Vamos encontrar um modelo, treinar e então obter a cor do cabelo. Para você ser capaz de responder a este tipo de pergunta não há atalho. Precisará ler as documentações de cada uma das APIs abertas que encontrar e também executar alguns testes.

Reconhecimento de vícios de linguagem

Outro cliente veio até mim questionando se eles poderiam dar um microfone aos seus funcionários para que eles pudessem operar um sistema inteiro somente através de comandos de voz. Ok, isto não é novo. Poderíamos usar uma combinação de APIs de “fala para texto” e análise de linguagem natural. Vamos em frente! Mas então o cliente disse que o sistema deveria reconhecer termos internos da companhia, como acrônimos e palavras que eles inventaram para se comunicar de forma otimizada. Erm… isto não é possível. Não podemos treinar APIs prontas para uso para entender termos específicos. O caminho mais fácil foi sugerir que os operadores mudassem as palavras que usam para se comunicar e o sistema entenderia. Se não, eles precisariam procurar por modelos, configurar e treinar para que ele entenda as novas palavras.

 

Então, porque você não começa seus testes de AI avaliando as APIs prontas para uso? Quanto antes você começar, mais cedo você entenderá como abordar aquele antigo problema.

Exemplos práticos, TI é o negócio, Transformação digital

A nuvem é o novo básico

março 15, 2018

Escutei “a nuvem é o novo básico” (cloud is the new black) durante uma seção de treinamento dentro de um escritório da Google. Mas porque eles disseram isso? A Google não criou esta frase bonita. Foi o Gartner.

O que o Gartner quis dizer com “a nuvem é o novo básico”? Em termos rápidos, o Gartner diz que o mercado cloud tem potencial de US$ 1 trilhão. Atualmente é somente US$ 56 bilhões.

A Google repete isto por objetivos comerciais evidentemente. As razões são as mesmas de Microsoft, AWS e de qualquer outro cloud provider: escalabilidade, estabilidade, abstração de infraestrutura e o mesmo bla bla bla de sempre. E eu concordo totalmente com estas razões. Mas deixando de lado estas questões técnicas, para os resultados $$$ do negócio final, porque a nuvem é tão básica?

 

Mas como isto se encaixa no nosso negócio?

Sim, há muitas empresas migrando para cloud e já começando suas aplicações na cloud. Mas consigo encontrar facilmente muitas empresas ainda nem sequer considerando mover-se para cloud. Dentro da minha realidade isto é algo difícil de entender. Como eles podem não ver os benefícios da cloud? Como eles podem usar máquinas normais e gastar milhões de dólares comprando mais e mais storage a cada 6 meses? Para mim é perda de tempo. Vou explicar o porque.

Physical space

As salas em que as máquinas estão localizadas. Elas custam dinheiro. Em algumas empresas, já vi quadras de ruas em áreas nobres da cidade de São Paulo sendo usadas para hospedar… máquinas. As empresas não precisam que o datacenter esteja tão próximo dos escritórios. Não precisam de latência tão baixa. Tenho 100% de certeza. Certamente se eles removessem tudo e alugassem o espaço, o aluguel pagaria uma bela fatia do custo mensal da cloud. E se elas vendessem este espaço? Significaria mais investimentos para departamentos que precisam do dinheiro para inovar e se manter a frente de seus competidores. Por causa desta falta de dinheiro, as áreas estão perdendo tempo. É perda de tempo.

Retrabalho

Recentemente um datacenter próximo da empresa em que trabalho sofreu um incêndio. Muitas aplicações core e não-core de empresas governamentais e privadas foram afetadas. E onde estavam os backups? Dentro do mesmo prédio. Por causa do incêndio, os bombeiros e a polícia não deixaram o time técnico entrar e mover a informação para outro datacenter. A replicação também não estava automatizada. Isto causou mais de 12h de sistemas indisponíveis. Você consegue imaginar alguma empresa dentro de qualquer indústria sem receber transações por 12? Imagine a área financeira. Difícil. Agora imagine uma fábrica sem sistemas por 12h. Eles não vão vender durante um dia todo? Você pode responder “sim, mas neste caso nós podemos anotar e transcrever para o sistema depois”. Os funcionários nem lembram mais como segurar uma caneta. A empresa também não saberá quanto produziram do que eles produzem. Não saberão quanto gastaram produzindo. Mas a questão principal aqui é o excesso de trabalho que será criado dentro destas companhias para colocar tudo de volta aos sistemas. Falando sobre o Brasil, a empresa pode inclusive ser multada pelo governo por não controlar transações de um dia. O que isto significa? Perda de tempo.

Porque não cloud?

Tenho um cliente que executa uma solução de varejo na cloud. A solução está em execução há mais de dois anos sem downtime. É uma solução core para o negócio deles? Não é. Mas o fato dela não trazer dores de cabeça os salva tempo para pensar em outras coisas. Reduz a quantidade de tickets no time de infraestrutura. Melhora inclusive sua saúde mental com menos stress. É claro que a nuvem somente não é a resposta mágica para a estabilidade da aplicação. Eles realmente se importam  com a qualidade do processo de desenvolvimento. Então todos estes benefícios vêm facilmente. Isto NÃO é perda de tempo.

 

Quando as empresas decidirão migrar para a cloud?

Tudo isto me faz pensar que usar cloud é relacionado a maturidade. Agora um link rápido com startups relacionadas a internet: empresas que crescem percentuais inacreditáveis todo ano em todo o mundo. A maior parte delas tem a nuvem em comum. Muitos de seus modelos de negócios não seriam possíveis sem a nuvem.

As empresas tradicionais, que já sentiram as startups “incomodando” suas fatias de mercado, estão se movimentando, ou já se moveram para a cloud.

Porque isto acontece? Porque a nuvem dá a elas a velocidade de que precisam. Coisas que tenho visto sobre ambientes on-premise VS cloud:

  • Um novo ambiente para desenvolver uma nova aplicação pode tomar até um mês para ser disponibilizado, pelo time de infraestrutura, para o time de desenvolvimento iniciar o trabalho. Isto significa um mês a menos no projeto. Dentro da cloud, isto pode ser resolvido em meia hora.
  • Informações de Analytics sendo geradas somente com os dados de “D-1” (somente com informações do dia anterior). Na nuvem podemos ter os dados na hora para tomar decisões.
  • Analizar petabytes de informações sem ter que esperar o final de semana para fazê-lo, que é quando não haverá concorrência com outras aplicações em execução. Na nuvem pode-se fazer quando quiser, sem precisar planejar a compra de milhões de reais em infraestrutura antecipadamente.

Todos estes exemplos querem dizer a mesma coisa: quando as companhias começarem a sentir que estão sendo deixadas para trás porque são mais lentas que seus competidores (sejam eles startups ou não), elas migrarão.

 

Então, porque a cloud é básica?

Então… voltando, porque a cloud é básica? Porque ela significa velocidade. Porque se este artigo fez você lembrar de algum problema que está tendo, ou pode ter dentro de seu time, significa que você irá correr atrás dele para resolver! Mas não será rápido encontrar todos os responsáveis pelos sistemas e pedi-los que mudem para suas novas concepções. Tomará semanas. Meses ao menos. Estas semanas ou meses gastas pelo time procurando como consertar ou prevenir algo de acontecer, significa que serão semanas ou meses sem olhar para a melhoria do negócio, sem olhar para estar a frente de seus competidores. A área de TI não é mais suporte. Não pode SOMENTE estar preparada para o que as  outras áreas exigirão. Ela PRECISA ser uma das áreas de negócio líderes. E porque isto é verdade? O time da TI sabe o que a tecnologia pode fazer. As outras áreas não.

TI é o negócio, Transformação digital

É hora de olhar para Machine Learning

março 1, 2018

Machine Learning (ML) é a nova palavra do momento. Assim como SOA já foi, assim como DevOps já foi. Agora todos falam sobre ML. Todos querem obter seus benefícios miraculosos, mas apenas poucos sabem realmente o que é, suas possibilidades e os caminhos mais rápidos para começar a obter resultados.

O que é ML?

Wikipedia (em inglês) diz que “Machine learning é um campo da ciência da computação que dá a sistemas computacionais a habilidade de “aprender””.

Ok, entendido. Mas o que é Machine Learning? O que pode atingir? Vamos a alguns exemplos:

Recomendações do Netflix

O Netflix disse, durante o Cassandra Summit de 2016, que tudo o que mostram é recomendações. Os slides estão disponíveis aqui (também há um vídeo no Youtube ao final) (inglês apenas). E as pessoas adoram! 80% do que assistimos é recomendado. Não procuramos ativamente. Está a um clique de distância.

Eles adquiriram 5.2 milhões de novos usuários entre maio e junho de 2017. Se você foi um deles, você certamente não preencheu um grande questionário dando informações sobre que gêneros você mais gosta, nem mesmo os que não gosta. Além disso, eles não possuem o maior número de estagiários do mundo para ler 5.2 milhões de questionários dos novos usuários e humanamente sugerir filmes para que assistam. Estas recomendações foram feitas e continuam sendo feitas e atualizadas dentro de poucos minutos logo após você demonstrar qualquer tipo de sinal de que você gosta ou não de algo. Assistiu algo? Marcou como “assistir depois”? Marcou como “like” ou “dislike”? Tudo conta. Tudo isto atualiza seu perfil e novas sugestões podem vir.

Google Maps

Agora veja este segundo exemplo mais complexo. Esta imagem do Google Street View mostra um estacionamento na Rua Primeiro de Março em São Leopoldo (pequena cidade no sul do Brasil):

Tenho 100% de certeza de que o Estacionamento Beto não enviou dados para o time do Google Maps. Eles não preencheram um formulário dizendo que estão em São Leopoldo. Seu dono provavelmente possui um celular com internet. Mas provavelmente ele nem sabe que isto é possível, e talvez ele talvez nem saiba o que é o Google Maps. Mas ele está lá:

O Machine Learning aqui é algo já tangível usando uma API do Google para analisar imagens. Eles analisaram a imagem do Street View, e a máquina soube que era algo com intenções comerciais. Então o algoritmo automaticamente registrou como algo a ser mostrado no mapa. Se você olhar na rua real do Street View, você provavelmente verá que aquela quadra é quase completamente residencial. O algoritmo da Google sabia a diferença entre uma construção comercial e residencial.

Alguns outros
  • Facebook sugere que você marque seus amigos em suas faces, quando você envia uma nova foto. Isto é Machine Learning. O Facebook não possui uma foto de cada pessoa no mundo para comparar quando eles recebem novas fotos;
  • Quase todos os e-commerces que conhecemos atualmente o fazem, mas a Amazon foi quem começou: sugestão de produtos baseado nas últimas compras que você fez;
  • Obter informações sobre sua conta diretamente no chat do Facebook. Já é possível reconhecer muitas diferentes formas de questionar “qual é meu saldo?”;

 

Como se beneficiar?

É muito fácil pensar em novos cenários, mais ou menos complexos. Automatizar predições ou algo que atualmente requer a mente de uma pessoa já é, ou será, possível.

Exemplo! Sabemos que o mercado de ações possui padrões em seus comportamentos e é afetado por muitas coisas. Atualmente muitas pessoas gastam seu dia inteiro (ou sua vida inteira) analisando dados e dando predições aos outros sobre o que fazer com suas ações (ordens de compra/venda).

Os pontos vermelhos (meus) nos dados acima (do tradingeconomics.com) mostram momentos quando o mercado começou ciclos de perda durante os últimos 10 anos. Entre todos estes exemplos, nós já tínhamos um arsenal de técnicas de análise que ajudou a identificar quando é mais ou menos provável que algo assim aconteça novamente. Mas (ainda) requer muitas pessoas distribuídas entre diferentes empresas para TALVEZ encontrar algo significante. Ter um bom modelo de Machine Learning pode mudar todo este mercado. Pode tornar algo injusto de se investir o dinheiro, uma vez que partes da análise podem ser tornar previsíveis.

Mas como começar?

Um bom novo modelo de Machine Learning passa, invariavelmente, por uma enorme quantidade de dados estruturados. Os dados são necessários para treinar o modelo para só então atingir o objetivo real de negócios. Um bom ponto de partida é definir uma base estruturada de dados para ser usada. Você também precisará de um cientista de dados. Não se preocupe pois ele não é um alien. São potencialmente fáceis de se encontrar. Mas isto é assunto para outro post.

Clientes, Exemplos práticos, TI é o negócio, Transformação digital

Processo de compra de software na evolução da TI

fevereiro 14, 2018

Quanto mais diferentes visões você possui sobre o mesmo assunto, mais informações você terá para tirar suas conclusões e tomar decisões se necessário. Este primeiro artigo sobre a evolução da TI teve uma visão de desenvolvedor e muito superficial de negócios. Este novo artigo procura olhar pela perspectiva de clientes comprando software e como estas visões são diferentes dentro de uma mesma indústria.

 

Como software costumava ser comprado

Nos últimos anos, empresas costumavam comprar software como qualquer outro produto: quero 5 carros com 4 rodas cada, transmissão manual e de cor branca. Elas não se importavam em como o software é produzido, ou qualquer tipo de boa prática para aplicar ao processo. Sim, dentro de documentos de requerimento de software havia sessões sobre segurança, protocolos e coisas como estas, mas no final de tudo, o menor preço venceria.

 

Velha (não tão velha) matriz de decisão

A matriz de decisão (exemplo abaixo usando o processo de compra de um carro) era muito simples de se ter critérios levantados. Eles também eram superficiais. O critérios em alto nível eram facilmente elencados como: níveis de segurança, performance, cronograma proposto, preço, cobertura do escopo, cases de sucesso, conhecimento na tecnologia selecionada, etc. Com esta matriz de decisão, os pesos eram dados de acordo com cada projeto. Mas o preço e o cronograma, depois de todas as avaliações de critérios ainda determinariam quem ganha.

No exemplo acima: o que exatamente é conforto e estilo para este comprador? Segurança pode ser avaliada usando dados públicos do governo. Este é o paralelo para mostrar como nenhum dos critérios está detalhado.

Qualquer um dizendo que poderia cobrir todo o escopo, dentro do cronograma solicitado, tendo uma quantia de dinheiro fixa, poderia vencer a batalha pelos projetos. Se eles não possuíam o conhecimento suficiente, não faria grande diferença. Depois de tudo, software era tratado como qualquer outro produto. Não importava como era feito. Só importava que funcionasse.

 

Matrizes de decisão recentes

Deixando de lado a indústria governamental, e poucas outras não afetadas nem um pouco pela transformação digital, a realidade tem mudado.

O que tenho visto ultimamente é um investimento maior de tempo no detalhamento dos critérios. Para cada um dos critérios, os compradores querem saber o que os fornecedores já fizeram, como eles planejam conduzir a solução e também avaliar alternativas para tudo.

  • Segurança: garantir que a troca de informações acontecerá dentro de um ambiente controlado? Táticas para obfuscação de código. Preocupações com segurança natural das plataformas. Certificações dos cloud providers, etc;
  • Cronograma: de “um cronograma detalhado” (que nunca era atingido) para “uma visão macro de tempo e um mix de metodologias ágeis para serem seguidas”;
  • Casos de sucesso: mostrar onde/quando soluções similares foram criadas;
  • UX: de “o sistema precisa ter boa usabilidade” (completamente subjetivo) para “precisa seguir guidelines de UX da Google e ser conduzida por um profissional adequado, e não pelos desenvolvedores”;
  • Performance: de “o sistema precisa carregar dentro de 10 segundos” para “cada endpoint precisa responder dentro de 2 segundos”;
  • Escopo: de “tudo deve ser contemplado” para “vamos fazer o máximo que pudermos dentro do cronograma”;

As companhias querem saber como seus projetos serão conduzidos em detalhes, e elas também querem colocar suas opiniões sobre tal. Uma vez que a transformação digital está fazendo as companhias entenderem que a TI é o core, a TI deixa de ser suporte. Então agora elas são capazes de fazer sugestões e falar no mesmo nível das consultorias.

Com esta comparação e cenário de evolução, o mindset de MVP fica muito claro. Também os objetivos de atingir time-to-market e receitas mais velozes.

 

Requisições diferentes dentro da mesma indústria

O relato acima é correto para 100% das companhias nas indústrias mais maduras do Brasil. Porém para o resto delas, usando varejo como exemplo, ainda não:

Há lojas que já estão evoluingo seus ecommerces para segurança, performance, escalabilidade, estabilidade e o mais importante: experiência do usuário. Mas também há aquelas que tratam suas lojas online como algo necessário somente. É comum a cópia de práticas de layout dos concorrentes. Também, segurança é algo caro. Algumas empresas possuem budget para perder devido a invasões de hackers, em vez de investir em segurança naquele momento.

A boa notícia é que o mercado está evoluindo cada vez mais rápido. Em breve nenhuma indústria estará para trás.

Escritório, TI é o negócio, Transformação digital

Uma visão sobre a evolução da TI

janeiro 7, 2018

Quando a TI e a modernização que ela trouxe chegaram às indústrias, próximo dos anos 1960, ela era vista como algo não desejado, porém necessário. A TI tinha sua própria linguagem e termos, como as outras áreas, mas por alguma razão não era levada a sério como as outras áreas. As pessoas de TI eram vistas como pessoas que podiam fazer mágica e tornar o trabalho das outras pessoas mais fácil. Mas o que temos visto ultimamente é uma evolução e mudança enormes sobre como a TI é encarada.

 

Primeiros cenários

Escutei durante minha graduação, de um professor, a conclusão de que a TI era uma área de suporte somente. E concordo que ela costumava ser encarada assim. As pessoas de TI eram as estranhas, seus lugares de trabalho eram os piores. Em alguns casos nem janelas tinham. Isto pode ser ainda a realidade para algumas empresas. Mas está mudando rápido.

Departamento de TI antigo

Como colaborador de uma empresa de serviços de software, por anos eu costumava ser chamado para falar com nossos clientes sobre novos projetos. A conclusão final é que todas aquelas reuniões eram a mesma coisa. Eu era chamado para criar algo que pudesse tornar as atividades de determinada área mais fáceis e rápidas, para serem feitas por alguém. E depois disso um movimento em cascata acontecia: menos tempo era necessário, então menos pessoas eram necessárias, então menos dinheiro era gasto para manter aquele processo/departamento.

Como exemplo, para aqueles projetos o procedimento dentro das empresas demandantes era o mesmo:

  • Identificar a necessidade: somos lentos criando contratos para nossos clientes;
  • Começar a estratégia de mudança: vamos automatizar o que puder, e adicionar colaboração para que nossos escritores possam trabalhar juntos e mais rápido;
  • Chamar o departamento de TI: hey, nós queremos uma ferramenta nova!
  • Encontrar o ROI: vamos salvar US$ 50.000,00 por ano tendo menos pessoas escrevendo, e consultando menos a área de direito;
  • Então o departamento de TI chamada a empresa de consultoria (eu): por favor construam esta ferramenta;

Depois da ferramenta ser entregue, a área de contratos se torna mais rápida, a empresa economiza dinheiro, e todo o papo de TI é finalizado. Falando sobre negócios, nossos clientes eram exigentes sobre melhorar e automatizar partes dos processos. A TI costumava ser encarada como a área de suporte que poderia resolver problemas ou melhorar processos das áreas dos produtos.

 

Então a transformação digital

O foco em experiência do cliente tem empurrado um dos passos mais maduros da transformação digital que temos atualmente. A TI se tornando o core das companhias. Este movimento tem acontecido baseado em um mundo conectado a internet. Uma vez que todos têm smartphone, e todos querem resolver suas coisas rápido, deixando de lado aspectos desnecessários (como filas, tempo de espera por suporte, etc), a TI é o caminho para atingir este enorme público. As necessidades do cliente estão mudando rápido, e o tempo gasto naquele processo formal não pode mais ser o mesmo. As empresas precisam ter capacidade de fazer mudanças e se adaptar na mesma velocidade do mercado. Por causa disso, a TI precisa estar disponível 100% do tempo.

Usando o mesmo exemplo, mas agora olhando para negócios mais maduros, o novo procedimento para melhorar algo seria:

  • Identificar a necessidade: precisamos criar uma nova funcionalidade para nosso cliente final;
  • Começar a estratégia para mudar: vamos incluir a feature dentro do app;
  • Encontrar o ROI: vamos gerar US 50.000,00 por ano com a nova feature;
  • Então mão na massa! Chega de reuniões chatas e desnecessárias;

Com este movimento core, a TI está recebendo mais importância no cenário de negócios. Já não é mais o patinho feio. A indústria financeira no Brasil é uma das mais maduras no mundo, e tem empurrado as outras que não querem ficar para trás. Tenho ainda visto discussões entre as áres de produto final, que costumavam mandar em todo o cenário, e a TI. Não faz mais sentido manter as duas áreas separadas.

 

As próximas indústrias

Este movimento visto na área financeira, que passa por todas as companhias não é comum a todas as indústrias. Para as próximas indústrias afetadas, é fácil entender que quanto mais B2C é a empresa, mais rápido será a corrida para se adaptar. O varejo é um bom candidato para ser a próxima indústria a receber esta reviravolta. Mas e o resto? Quando as fábricas chegarão a este ponto?

Evitando problemas, Exemplos práticos, TI é o negócio, Transformação digital

O que é telemetria, porque é importante e como começar!

dezembro 17, 2017

A estabilidade de aplicações tem sido uma preocupação frequente para companhias, especialmente quando falamos sobre aplicações de alto valor agregado. Toda vez em que uma aplicação vital para de funcionar, muito dinheiro é perdido ou muito dinheiro deixa de ser feito. Por causa disso, muito tem sido dito sobre telemetria para aplicações cada vez mais frequentemente. Mas o que realmente é telemetria para software e como obter benefícios desta prática?

 

O que é telemetria?

Telemetria é o ato de medir algo de forma remota, a distância e automaticamente.

Falando sobre arquitetura de software, a telemetria é fácil de se encontrar. Alguns exemplos simples são a plataforma Chrome, os sistemas operacionais do Windows, OSX, Android, iOS e Playstation, e também aplicativos mobile e desktop, como Spotify e Microsoft Office. O que estes softwares fazem é operar e reunir todos os dados que importam para seu funcionamento. Então eles enviam, naturalmente apenas caso o usuário permita, para seus fabricantes (Google, Microsoft, Apple, etc). O próximo passo, quando eles estão agrupados, é analisar os dados e mudar o que for necessário. A intenção principal é melhorar os sistemas para que eles possam operar em diferentes ambientes sob seu devido esperado comportamento.

Então a questão principal sobre telemetria é operar, obter dados, analisar, e então melhorar o código do sistema para alcançar um comportamento melhor.

 

Porque telemetria?

A telemetria pode trazer muito valor ao negócio. Vamos explorar um exemplo. Imagine que você possui um aplicativo que possui um FAQ não interativo com seus usuários. Uma vez que seus usuários chegam ao FAQ, eles pararão de usar seu call center porque já encontraram o que estavam procurando. Isto significa MENOS DINHEIRO GASTO para sua companhia. Agora imagine que uma das respostas (um vídeo rápido de how-to), por alguma razão, para de ser mostrado (deixa de funcionar). Se você não possuir algo verificando a saúde desta tela, será muito difícil para identificar esta falha, pois não temos pessoas navegando nos sistemas 24/7. Então você dependerá da boa vontade de algum usuário de lhe INFORMAR que aquela tela parou de funcionar. Isto acontecerá em algum momento, mas antes disto, seu call center começará a ser mais e mais acionado. Isto é desperdício de dinheiro devido a mal funcionamento de software.

A telemetria pode ser usada para verificar muitos níveis de operação de serviço:

  • Informações técnicas e profundas, como CPU e memória. Estão verdes?
  • O número de máquinas ativas coincide com o conhecimento histórico que você possui sobre quantas deveriam estar ativas para suportar 1, 2 ou 3 mil usuários ao mesmo tempo?
  • Os web-services core que seus clientes acessam a todo tempo estão de pé?
  • A tela que seus usuários usam para logar está funcionando?

Então quando uma prática de telemetria estiver olhando para as partes importantes da sua aplicação, você será capaz de tomar ações e prevenir que problemas aconteçam.

 

Como começar?

Uma boa implementação dependerá do tamanho da informação que você armazenará e analisará. Quanto mais informações tiver, mais infraestrutura e conhecimento você precisará ter para processar tudo. Pode significar inclusive usar ferramentas bigdata. Mas vamos usar um novo exemplo simples, como um sistema que recebe dados de segurança sobre veículos, de uma companhia que vende cartas de seguro. Uma boa forma de iniciar pode ser como abaixo:

  • Identifique porque medir: vamos medir porque é um serviço vital que diz aos nossos clientes como suas cargas estão sendo transportadas pelas estradas;
  • Identifique os objetivos relacionados: o objetivo principal é manter o sistema inteiro funcionando sem down time, porque toda vez que a aplicação para, o contrato permite aos clientes que não paguem por aquele down time;
  • Identifique o que medir: vamos verificar se todas as nossas entradas de dados estão funcionando. Vamos também verificar se elas estão enviando a mesma quantidade de dados que estamos acostumados a receber;
  • Defina uma estratégia para medição: vamos atingir todo end-point das várias entradas de dados. Se elas estão disponíveis, significa verde. Se não estiverem, significa que há problemas. Então vamos ler a quantidade de dados recebidos no último minuto. Se estiver próximo do número conhecido, o serviço está saudável;
  • Defina uma estratégia de análise: podemos automatizar algo? Se um dos endpoints estiver down, é útil reiniciar o sistema operacional, container ou servidor de aplicações do load balancer ou dos micro serviços? Ou deverá ser mostrado em um dashboard para que um humano analise?
  • Implemente formas de coletar os dados: vamos criar o código para reunir os dados e tomar ações, ou para mostrá-las;
  • Mostre as informações! Agora é a hora de mostrar as informações coletadas. É útil criar um gráfico? Vamos mostrar usando cores, para que as pessoas possam identificar facilmente quando houver um problema. Se precisamos de resultados rápidos, um bom MVP poderia ser abrir um ticket no sistema da infraestrutura;
  • Analise: esta é a hora mais importante. É hora de ser crítico e identificar a causa raiz do problema. Não foque no problema, mas no porque ele está acontecendo. Porque está acontecendo? Temos problemas com as partes que enviam dados? O problema está em nossa aplicação? Se sim, nossa aplicação está operando da forma esperada? Temos que mudar algo em nosso processo de desenvolvimento?
  • Tome ações: através de código ou não, resolva as coisas que encontrou em todos os passos acima;

 

A telemetria pode trazer muito valor ao negócio. Ela lhe dará inteligência para agir antes das coisas acontecerem. Se seu negócio é crítico, telemetria pode significar muito dinheiro facilmente. Esta é uma prática comum a muitas coisas em nossas áreas administrativas, como o mindset PDCA ensinou. Porque não fazer para nosso software?

Transformação digital

3 passos da evolução da Transformação Digital

outubro 22, 2017

Este artigo foi escrito por mim após alguns insights vindos de discussões com Lucas Lima, que é uma pessoa de negócios que fala e escuta sobre Transformação Digital quase diariamente.

 

Quando falamos sobre negócios e empresas que estão tentando inovar, ou mesmo que estão preocupadas com a postura inovadora de seus concorrentes, e estão tentando alcançá-los, transformação digital é um dos conceitos mais confusos. Toda empresa de consultoria em TI tem sua própria “solução” para transformação digital e diz poder ajudar companhias a inovar e evoluir. Mas a Transformação Digital é um conceito único a ser explorado e perseguido de somente uma forma?

 

Primeira onda: Transformação Digital antes de 2007:

Estou usando o anúncio do iPhone como um marco aqui. Antes dele e dos aplicativos que ele trouxe, costumava ser difícil e muito caro inovar. A Transformação de Negócios (não Digital ainda) costumava acontecer em um ritmo muito mais lento. Requeria muito tempo gasto em P&D por causa de diferentes maturidades entre áreas. A tecnologia disponível era muito limitada e era difícil pensar sobre novos produtos sem fazer uma longa pesquisa. Então antes do anúncio de algum produto, muito tempo precisava ser gasto em validação de negócios, desenvolvimento de produtos, testes de mercado, e o anúncio para usuários finais.

Depois do anúncio do iPhone, uma onda de iniciativas para criar aplicativos que resolviam pequenos problemas da vida das pessoas iniciou. Estas empresas conseguiram fazer dinheiro, e as grandes perceberam isso. Depois deste processo elas perceberam que poderiam executar aquela mesma evolução para tudo, mesmo fora de um smartphone.

Desde então todos podem ter ideias, mas o primeiro a lançar a solução é o mais bem sucedido. Começamos a caminhar para a Transformação Digital como a conhecemos atualmente.

 

Segunda onda: A Transformação Digital se torna relativa a maturidade:

Deixando de lado aquelas companhias que não estão olhando para a evolução do seu negócio e mercado, tenho tido contato com muitos clientes falando sobre Transformação Digital de várias formas. Cada empresa tem uma ideia sobre Transformação Digital, mesmo que elas não a chamem desta forma. Listo abaixo alguns cenários, da menor à maior maturidade, falando sobre experiências que venho tendo:

  • Transformando digitalmente a comunicação:

Escolhendo um novo email. Ainda não é raro encontrar companhias que não possuem um serviço de emails confiável e estável. Uma vez que elas ainda possuem problemas com enviar dados, anexos muito grandes, spam, ferramentas de comunicação em tempo real, agenda compartilhável, e etc, o problema para ser resolvido aqui, transformando a organização, é a comunicação. Então, para este exemplo de companhias, a implantação de uma ferramenta para resolver todos estes problemas pode ser considerada um processo de Transformação Digital.

  • Transformando digitalmente a metodologia de desenvolvimento de software:

Aplicando agile. Agora falando especificamente sobre a área de TI das companhias, um dos problemas mais conhecidos de metodologias tradicionais de desenvolvimento de software é a falta de ciclos de feedback. Quando você recebe feedback somente uma vez a cada projeto, geralmente na etapa de validação, é muito comum que você já tenha gasto muito dinheiro para atingir aquele ponto e descubra que o software não é o que você precisava ou mesmo que já está obsoleto. Quando você transforma sua área de TI para aplicar um conjunto de práticas ágeis focando no recebimento de feedback na hora certa, é muito mais fácil e barato desenvolver software e então suportar as demandas de negócios. Então, neste exemplo, Transformação Digital é uma mudança de processo interno.

  • Transformando digitalmente o negócios através de DevOps ou DevSecOps;

Reunindo tudo que importa para trabalhar mais rápido. Quando a companhia trabalha guiada por departamentos que fazem somente o que deveriam e não entendem o cenário completo da sua importância para o negócio, o caminho natural é a criação de burocracia e a lentidão. Em razão dos movimentos das startups, as grandes e tradicionais companhias precisaram começar a evoluir internamente. Elas possuem o dinheiro, o mercado e a intenção de não se tornarem obsoletas. Tudo que elas precisam fazer é mudar o comportamento e o mindset. Quando a maturidade das pessoas dentro da companhia as permite colocar todos que são importantes ao negócio para trabalhar juntos, é quando elas adquirem real velocidade para inovar. Se elas conseguem reunir os times de negócios, marketing e vendas (que realmente pensam sobre obter dinheiro, estratégias e etc), para trabalhar junto do time de UX (que vão se preocupar com o que o cliente pensa e sente sobre o produto), e também do time de TI (que vai efetivamente desenvolver e entregar os produtos), eles vão transformar como a companhia cria produtos e afeta o mercado.

  • Transformando digitalmente o negócio através de processo 100% Lean:

O nirvana. Você é umas startup e quer criar algo disruptivo ao mercado. É fácil ser 100% lean porque você provavelmente terá poucas pessoas neste projeto. Mas tome cuidado pois assim que o produto começar a crescer, será fácil perder o mindset lean.

 

Terceira onda: o futuro da Transformação Digital:

Em breve, não mais do que 5 anos adiante, chegaremos a um estágio em que todos os concorrentes, considerando startups e grandes companhias, terão conhecimento e processos internos tão maduros que poderão ter ideias, prototipá-las, testá-las e lançá-las muito rapidamente. A nova corrida será pelas tecnologias que permitirão a criação dos novos produtos.

Existem muitas novas tecnologias com potencial para mudar o mundo:

  1. O Blockchain pode tornar bancos inúteis em poucas décadas, uma vez que não precisaríamos nos preocupar com quem “guarda” nosso dinheiro, matando um dos mercado mais antigos que temos.
  2. IoT e Serviços Cognitivos têm potencial para finalizar uma classe inteira de trabalho, tornando a vida das pessoas mais fácil e forçando os trabalhadores a encontrarem novas profissões.
  3. Aplicações em AR/VR podem mudar como interagimos com tudo. Não precisar estar fisicamente em algum lugar, mas contando com uma experiência imersiva, é quase como teletransportar.

Em paralelo a isso, ainda temos diferentes mercado não explorados. Alguns exemplos:

  1. Têxtil. Fazer tecido tem sido a mesma coisa pelos últimos 500 anos. A Google possui o Project Jacquard, que é um passo interessante. Mas isto é tudo que podemos evoluir?
  2. Segurança pública. Nós temos as câmeras, o software para encontrar pessoas e o problema de segurança. Porque não monitorar tudo e todos?
  3. Impostos. Porque ainda fazemos declaração anual de imposto de renda? Os governos já possuem todos os dados necessários.

 

O futuro da Transformação Digital continuará a acontecer cada vez mais rápido. As empresas que conseguirem encontrar as oportunidades que emergirão das novas tecnologias serão as bem sucedidas.

Clientes, Empreendedorismo, Transformação digital

A onda de inovação que não estamos surfando bem

outubro 20, 2017

Durante os últimos anos, temos visto muitas novos e disruptivos negócios e empresas surgindo a nossa volta. São as conhecidas Startups. Elas têm entendido as tendências e novas possibilidades de mercado que a tecnologia está permitindo, encontrando espaços para se estabelecer, e permanecendo intocadas por algum tempo, o que os permite continuar inovando, crescendo e colocando as antigas companhias de lado.

 

A onda

Esta inovação e disrupção de mercado muito rápida é um movimento sem volta, e as companhias e pessoas inovarão ainda mais rapidamente nos próximos anos. Porém as companhias bem sucedidas que temos visto, como Contabilizei, Guia Bolso, Love Mondays, Movile and Nubank, que tiveram capacidade de crescer, são apenas um pequeno grupo de uma grande massa de empresas que são criadas. No início de 2016, o Brasil possuía 4151 startups (o que era um número bastante expressivo para nossos padrões). Mas naquela mesma época, apenas a região do Vale do Silício, nos Estados Unidos, tinha mais de 23000 startups.

Então porque o Brasil, um dos países mais criativos no mundo, contando com a sexta maior população em números absolutos, tem um número tão pequeno de startups sendo criadas e, principalmente, alcançando o sucesso? Nós temos boas ideias? Elas estão sendo bem exploradas?

 

Onde estamos parando

É de conhecimento geral que o Brasil possui a burocracia enraizada em sua cultura, e estes dados do World Bank Group mostram que, comparado aos Estados Unidos, é 15 vezes mais difícil de se fazer negócios por aqui.

 

Fonte: World Bank Group

 

Mas é realmente somente a burocracia que nos proíbe de criar novos negócios, mercados e inovar em larga escala? Talvez nossa abordagem aos problemas não esteja tão madura quanto está em outros países.

Como um exemplo conhecido, temos as fábricas de redes para cabelos: na década de 1910, o negócio principal era produzir mais e mais redes para cabelos para que as mulheres daquela época pudessem “segurar”seu cabelo para manter o penteado. Os donos das fábricas mantiveram este conceito muito forte e não puderam ver a real questão. A demanda não era sobre redes para cabelos. A demanda era sobre “segurar cabelo”. Então os fixadores de cabelo vieram e a indústria de redes de cabelo faliu. Mas porque os donos da indústria de redes de cabelo não viram a mudança no mercado? O mindset deles estava ajustado ao produto, e não à demanda. Não ao cliente.

O mindset precisa ser “customer first”

Agora abordando o mesmo problema com uma visão orientada a serviços. Um negócio comum de salão de beleza geralmente possui uma hierarquia parecida com isto:

Uma vez que sabemos que é o cliente quem traz o dinheiro, e que é ele quem precisa ficar satisfeito para que volte a fazer negócios com esta empresa: neste diagrama, quem é o ator mais importante PARA O CLIENTE? É fácil pensar no gerente ou mesmo que o dono é o mais importante. Eles possuem autonomia para resolver quaisquer problemas, e conhecem a melhor forma de interagir com os clientes e como fazê-los felizes, porque já possuem muita experiência. Mas a realidade é que, como os clientes têm ficado cada vez mais exigentes, o dono E o gerente são inúteis. Os atendentes, que estão interagindo diretamente com o cliente, são a parte mais importante aqui! Eles tem um comportamento chave para todo o sistema. Vamos pensar no cliente indo até o salão de beleza e tendo problemas com o atendente. O gerente será chamado e o problema será resolvido. Legal! Foi resolvido mas este foi um movimento reativo. Dependendo do nível de stress causado no cliente, é muito provável que ele não retorne ao salão de beleza. Ele encontrará um serviço melhor.

 

Estratégia de negócios

Então uma abordagem melhor é pensar sobre os atendentes como a parte mais importante do sistema.

Mas o dono e gerentes continuam sendo chefes… o que muda? O pensamento (mindset) precisa mudar. O atendente que está interagindo com todos os clientes precisa entender toda a companhia, seus objetivos e as responsabilidades dele neste cenário. Ele precisa ter poder e autonomia para resolver problemas, para que nenhum cliente sequer queira falar com qualquer outra pessoa. Todos os pedidos do cliente seriam resolvidos o mais rápido possível. O papel do gerente é simplificado para alguém que conhece toda a companhia, consequentemente dedicando mais tempo a pensar na estratégia, e em fazer mudanças e alterações quando forem necessários.

Como estratégia de negócios precisamos pensar no que de fato é a demanda real do cliente. Ele realmente quer um corte de cabelo? Ou ele quer ficar mais bonito? Talvez quando a maior parte dos empreendedores brasileiros mudar seu mindset para isto, finalmente começaremos a ter um número grande de empresas sendo criadas.