Please enable JavaScript.

Coggle requires JavaScript to display documents.

Data Driven, Data Driven Culture (TDS) - Coggle Diagram

- - - - Economiza tempo na busca pelos dados e possibilita mais tempo de fato usando/consumindo tais dados
      - É mais fácil para documentar, evitar tabelas com nomes repetidos, executar checagem de qualidade dos dados, etc
      - Sem isso, times podem usar dados de baixa qualidade, defasados ou até incorretos sem saber. E com isso, acabar tomando más decisões
    - - Além de saber onde os dados estão (fonte única da verdade), os usuários precisam saber o que os campos e métricas significam
      - Quando você não tem uma lista clara de métricas e o que elas significam, pessoas fazem suposições
      - Aqui é fundamental escolher bem e de forma bem especificada os nomes e definições (que não sejam ambíguas)
    - - Não adianta ter dados confiáveis, de uma fonte única de dados e com informações claras se a equipe não pode acessar isso
      - Organizações com cultura data driven são inclusivas e permitem acesso onde quer que os dados possam ajudar
        
        Isso não significa que todos os dados são acessáveis por todos da organização
        
        Mas sim, que todos os indivíduos envolvidos em determinado processo possam acompanhar os dados acerca dele
        
        Não só os tomadores de decisão, mas também o pessoal do operacional, por exemplo
    - - Capacidade de ler, entender, criar e comunicar dados como informação
    - - Afinal, os dados só trarão impacto se forem incorporados ao processo de tomada de decisão
  - - - É importante que o exemplo "venha de cima" e os gerentes mostrem que as decisões que tomam são baseadas em dados
    - - É importante ter uma noção clara sobre proveniência dados e de como consultá-los em cada processo
    - - Importante integrar os cientistas de dados com o resto do negócio (e vice-versa)
    - - A importância de democratizar o acesso a dados na organização
    - - Pode ser necessário, por exemplo, fixar que a codebase da empresa
        
        e isso não pode ser alterado para manter a consistência dos dados e evitar retrabalho
        
        ser feita apenas em uma linguagem de programação específica
    - - Para boa parte dos problemas analíticas, há mais de uma abordagem correta
      - Perguntar ao time como eles fariam, quais alternativas levariam em consideração, etc pode ajudar a verificar possíveis tradeoffs
- - - - garante a integridade dos dados armazenados
      - 3 tipos de testes deve executar consistentemente para garantir qualidade e acurácia
        
        Inputs
        
        Lógica de negócio
        
        Outputs
    - - Todo seu pipeline de dados é controlado e alterado por código de ponta a ponta
        
        e o código precisa estar atualizado e utilizável
      - permite que o time crie e utilize merge e branches
    - - Ajuda o time de dados a fazer mudanças na mesma base de código de forma paralela sem atrasar os demais
    - - exemplos de ambientes
        
        Desenvolvimento
        
        Staging
        
        Produção
    - - isso aumenta a produtividade do time porque corta atividades repetitivas
      - componentes pequenos podem ser reusados facilmente dependendo da arquitetura proposta
    - - garantem maior flexibilidade para responder às diferentes condições de execução
- - - - construir uma análise estratégica
      - dos envolvidos
        
        softwares
        
        pessoas
  - - - o conjunto mínimo de informações
      - que trarão um primeiro nível de inteligência