No artigo sobre Indicadores de desempenho: de KPI dashboards a prescrições com IA apresentamos como surgiram os indicadores de desempenho, algumas áreas de aplicação e como a Inteligência Artificial pode ser utilizada na gestão destes. Neste artigo vamos falar um pouco sobre aquela que é considerada por alguns como arte e outros como ciência, o design de indicadores.

Peter Drucker já dizia:

“Se você não pode medir, não pode gerenciar”.

Responder a pergunta sobre o que mensurar é de extrema importância, o seu propósito definirá como conduzir o desenvolvimento do indicador, visto que, tem-se aqueles indicadores que medirão desvios da normalidade do cumprimento de seus objetivos (indicadores de monitoramento) ou se servirão como direcionadores para monitorar previamente se a estratégia adotada será cumprida (indicadores de preditivos).

Responder o quê e como medir são indubitavelmente condições essenciais, porém não são suficientes no design de indicadores. Embora extrair insights gerenciais e gerar vantagens competitivas com data analytics seja atualmente uma necessidade para aqueles que desejam se posicionar no cerne da Indústria 4.0 , muitas vezes é contra produtivo a alta gestão monitorar indicadores de cunho táticos ou operacionais, bem como, é inadequado o acesso a informações sensíveis por toda a organização.

Sendo assim, lembre-se de ter claro quem irá utilizar os indicadores desenvolvidos. Veja em nosso artigo, Aperfeiçoando a segurança pública com Data Analytics, um exemplo da utilização de análise de dados por gestores públicos que atuam nas camadas táticas e estratégicas.

O que vou encontrar neste artigo?

O quê, como e por quê

No design de indicadores, além de responder o quê, como e por quê, é necessário responder onde. Afinal,  com cadeias produtivas cada vez mais dispersas, disseminação da telefonia móvel, popularização de sensores e crescentes aplicações de IoT, tornou-se difícil imaginar alguma informação do dia a dia sem algum componente geográfico.

E isso vai além de responder onde será aplicado o indicador, visto que, podemos mensurar a distribuição geográfica do consumo de determinado conteúdo, mapear deslocamentos de atividades produtivas, comportamento diário de clientes, rastreamento de frotas e locais com sinistros, entre outros. Saiba mais em nosso post sobre geointeligência e inteligência artificial.

Dicas de ouro

Esclarecido as perguntas dos parágrafos anteriores, vamos para o aspecto prático do design de indicadores. Carl Anderson no seu excelente livro Creating a Data-Driven Organization apresenta algumas dicas para o desenvolvimento de métricas, acompanhe a seguir uma compilação das 7 regras de ouro para o design de indicadores:

1) Simplicidade

Indicadores devem ser simples, mas não simplórios. Tenha em mente que um único indicador pode conter múltiplas métricas, portanto, parte de sua simplicidade reside na capacidade de condensar informações.

Sua descrição deve ser simples para evitar confusões na sua explicação e implementação. Além disso, é aconselhável que seja comparável entre equipes e diferentes organizações. Obviamente, quanto mais rebuscada a lógica de negócio que o indicador visa contemplar, mais complexo ele será. Cada caso tem suas particularidades, mas tenha em mente que a boa prática evita métricas desnecessariamente complexas.

2) Padronização

Muitas vezes queremos observar o comportamento de sistemas complexos, isso no entanto, envolve dados das mais variadas fontes, que por sua vez possuem diversas unidades de análise e ordens de grandeza díspares. Uma boa estratégia para contornar situações deste tipo, consiste em padronizar as métricas sempre que possível, além de gerar menos confusão, permite que seus processos sejam comparáveis com o de outras organizações e setores, ou seja, você pode utilizar como estratégia competitiva e ferramenta de benchmark.

Documentar, a centralização das informações sobre os indicadores utilizados permite a transmissão do conhecimento entre os setores da organização, o controle de versões e a replicabilidade do indicador. E caso precise utilizar métricas não padronizadas, a documentação permite explicar os motivos que levaram a utilização do referido indicador.

3) Acuracidade

Métricas devem possuir acuracidade, isto é, seu valor numérico médio deve representar a média dos dados sobre o processo de negócio a ser mensurado. Porém, atenção! No design de indicadores tenha cuidado com vieses nas fontes de dados a serem analisados e na própria métrica desenvolvida.

4) Precisão

Métricas devem ser precisas, isto é, devem retornar valores semelhantes quando aplicadas repetidamente nas mesmas condições. Para controlar a precisão tenha em mente o tamanho da amostra dos dados analisados. Quanto maior a amostra menor o erro padrão, ressalta-se, que esta não é uma relação linear, pois o erro padrão é igual ao desvio padrão dividido pela raiz quadrada do tamanho da amostra. Assim, se você quiser dividir pela metade o erro, precisaria quadruplicar o tamanho dessa mesma amostra.

Resumindo, preze pela acuracidade e precisão de suas métricas e, considere o trade-off custo x benefício de uma amostragem maior. Leia mais em nossos artigos sobre O que é amostragem e técnicas de amostragem de dados.

5) Relativo vs. Absoluto

Decidir pela utilização de métricas relativas ou absolutas é de grande importância e deve ser analisada com carinho, essa decisão pode gerar métricas que apresentem um cenário totalmente diferente da realidade.

Imagine um marketplace que possui uma estrutura de assinatura mensal, e 25% de seus clientes são caracterizados como prime (possuem frete grátis para qualquer valor de compra). Seis meses depois os clientes prime correspondem a apenas 15%, o que aconteceu?! Esses clientes cancelaram sua assinatura? Acontece que, se durante esse período o marketplace teve como objetivo aumentar o número total de clientes e o número de clientes prime permaneceu o mesmo, a proporção de prime será mais baixa. Aliás, é possível que a quantidade de clientes prime tenha aumentado enquanto registra-se uma queda na proporção. Resumindo, lembre-se escolha o indicador para ser absoluto ou relativo para que as mudanças sejam devidamente acompanhadas.

6) Robustez

Defina métricas que sejam estatisticamente robustas, isto é, que sejam insensíveis ao comportamento de valores extremos únicos (confira nosso artigo sobre outliers). Pode-se estimar ou visualizar a robustez de seu indicador por meio da re-amostragem. Pegue um subconjunto dos dados e calcule seu indicador, repita várias vezes (fazendo essa substituição) para registrar os valores da métrica e então desenhe um gráfico dessa distribuição obtida e pergunte-se: os resultados estão variando mais do que o esperado ou desejado?

Essa abordagem é o que chamamos análise exploratória de dados e, consiste na elaboração de histogramas, gráficos de dispersão e outras formas de representação gráfica que auxiliam na interpretação dos dados, e então utilize aqueles para guiar sua escolha por métricas e indicadores robustos.

7) Direto

Procure escolher métricas que medem diretamente o processo que você quer controlar. Isto é, nem sempre é possível medir ou quantificar tudo, e talvez você tenha que escolher variáveis proxy, ou métricas indiretas. Resumindo, sempre que possível instrumentalize seus sistemas e processos para registrar os dados no menor nível possível e tente evitar as variáveis proxy.

Bônus

Não reinvente a roda

Lembre-se que a literatura é farta no que diz respeito a indicadores, você não precisa reinventar a roda na elaboração de métricas para seu processo de negócio, repositórios crowd-sourced como kpilibrary.com não apenas listam inúmeros indicadores como também permitem interação entre usuários e compartilhamento de práticas e resultados.

Fazendo o melhor uso dos seus indicadores

Na Aquarela otimizamos processos e resolvemos problemas complexos. Com nosso produto, metodologia e algoritmos, elevamos os níveis de maturidade de Analytics e a competitividade dos negócios, clique aqui e solicite uma demonstração.