Existe um mito na transformação empresarial que, na minha opinião, atrasa mais as empresas do que qualquer lacuna tecnológica.
É a ideia de que, para digitalizar o trabalho, automatizar processos ou escalar analytics, primeiro você precisa centralizar tudo nas mãos de especialistas técnicos.
Parece algo disciplinado. Na prática, isso muitas vezes cria uma distância entre quem entende do trabalho e quem deve melhorá-lo.
Para montar uma empresa verdadeiramente inteligente, você precisa fazer mais do que adicionar tecnologia aos fluxos de trabalho. É preciso reformular como as melhorias acontecem. Isso envolve dar a mais pessoas a capacidade de solucionar diretamente os problemas, principalmente quem tem expertise mais profunda do domínio. Em muitos casos, quem melhor entende o gargalo não é da TI. É quem convive com o gargalo todos os dias.
Essa tem sido uma das lições mais importantes na nossa jornada na Siemens Energy.
Repensando quem pode criar
O momento em que nossa mentalidade mudou foi quando paramos de perguntar: "Como conseguimos mais recursos técnicos?" e passamos a perguntar: "Como levamos os dados certos às mãos de quem conhece a empresa e os processos dela?"
A primeira pergunta pressupõe um processo em que o analytics permanece centralizado e os insights saem de uma equipe de especialistas. A segunda pergunta pressupõe que quem entende os problemas de negócios do dia a dia — o gerente de procurement que sabe quanto custa o atraso de um fornecedor, o analista de fábrica que sabe por que uma métrica de produção está fora do padrão — são as mais bem posicionadas para criar soluções.
Chamamos essa abordagem de desenvolvimento cidadão. A ideia central é simples: permitir que pessoas que não são programadoras tradicionais criem soluções em analytics usando ferramentas de baixo código. Dê a elas acesso a dados, à plataforma certa e a algum suporte de especialistas em tecnologia, e coisas grandiosas podem surgir.
Criando a base para o acesso aos dados
Antes de podermos empoderar nossos desenvolvedores cidadãos, precisávamos solucionar o problema de “acesso aos dados”. Se as pessoas precisam fazer uma solicitação ou exportar um grande volume de relatório só para ver dados brutos, o atrito é alto demais. Ninguém constrói nada. Eles voltam para as planilhas.
Portanto, criamos o SE Data Center — e macros do Alteryx que se conectam ao Snowflake, onde os dados brutos do SAP de todos os nossos vários sistemas SAP são replicados a cada 20 minutos. Isso forma o núcleo do nosso conceito de democratização dos dados.
Incluímos proteções criando fluxos de trabalho padronizados, modelos reutilizáveis e um registro centralizado de parâmetros — dando às equipes a liberdade para criar, mantendo a integridade dos dados. Eu incentivaria qualquer organização a refletir bastante sobre esse equilíbrio entre independência e estrutura antes de escalar.
Como é escalar o self-service analytics
Começamos em 2018 com apenas algumas licenças para explorar, mas ganhamos ritmo rapidamente. Em 2020, já tínhamos alcançado 100 licenças do Alteryx e as utilizávamos em diversos casos de uso. O primeiro grande projeto foi a automação de um relatório semanal de caixa — não era glamoroso, mas funcionou e liberou horas que os analistas gastavam manualmente.
A notícia se espalhou para a área de procurement, onde um dos nossos compradores operacionais passava várias horas por semana redigindo manualmente e-mails para fornecedores sobre confirmações de pedidos de compra pendentes. Criamos um fluxo de trabalho que analisava os dados brutos do SAP da nossa fábrica, identificava cada confirmação de item de OC ausente e enviava e-mails automaticamente aos nossos fornecedores em vários idiomas.
O ciclo continuou, com uma conquista inspirando a outra, o que acabou nos levando ao Procurement Cockpit — um conjunto de visualização de ponta a ponta desenvolvido com Snowflake, Alteryx e Tableau, que oferece aos compradores operacionais e às equipes de procurement transparência em tempo real em toda a cadeia do processo operacional de procurement, da demanda ao recebimento das mercadorias.
Hoje, ele opera em mais de 20 fábricas em nove países e libera mais de 150 mil horas por ano. Essa solução, principalmente a arquitetura de fluxos de trabalho dinâmica associada, virou um modelo que podemos adaptar e replicar em outros casos de uso altamente escaláveis e governados.
O conhecimento do domínio é cada vez mais importante na era da IA
Com toda a atenção voltada para a IA, há a tentação de presumir que o futuro dependerá menos dos analistas mais próximos do trabalho.
Eu vejo isso de forma diferente.
À medida que a automação e a IA reduzem a barreira para criar, configurar e escalar soluções, o conhecimento do domínio fica ainda mais valioso, não menos.
Por quê? Porque a parte árdua, muitas vezes, não é criar o fluxo de trabalho. É saber como os dados estão conectados entre si ao longo do processo, o que o fluxo de trabalho deve fazer, quais exceções importam, quais decisões precisam de suporte, qual lógica de negócios deve reger o processo e o que um resultado realmente significa no contexto.
Esse entendimento vem de pessoas que conhecem o negócio e os processos associados. Isso também constrói a base para casos de uso de IA, porque os dados brutos são enriquecidos com a lógica de negócios.
Esse é mais um motivo pelo qual as plataformas de baixo código e a IA são tão eficientes. Elas não aceleram só a execução técnica como permitem que mais pessoas participem da melhoria e transformem uma pergunta de negócios em uma solução baseada em dados.
As organizações que obtêm mais valor dessas tecnologias serão as que as conectam ao julgamento das pessoas mais próximas do trabalho. A jornada da Siemens Energy deixa isso claro: o avanço em direção ao desenvolvimento cidadão, à participação mais ampla e à experimentação foi inseparável do progresso da empresa em analytics e automação.
Como os líderes podem começar a usar
Para os líderes, o desafio de ser uma empresa inteligente é saber se sua organização está criando as condições certas para que essa mudança ocorra de forma escalável, confiável e conectada às pessoas que melhor entendem o trabalho.
Recomendo estes passos práticos para começar:
- Comece com um problema real, não com uma prova de conceito
- Envolva os usuários finais desde o primeiro dia
- Trate o acesso aos dados como pré-requisito
- Implemente a governança e as diretrizes desde o início
- Crie para reutilizar, não apenas para resolver
As empresas que definirão a empresa inteligente serão as que descobrirem como colocar a capacidade analítica nas mãos de quem entende do trabalho — e, então, construírem a cultura, a infraestrutura e a confiança para que essas pessoas a utilizem.