Notas de conversas com líderes de crescimento e análise em oito empresas que estão a repensar como as suas equipas de dados passam a semana sob a IA agêntica.
Nos últimos dois trimestres, reunimo-nos com líderes de growth, analytics e data science em oito empresas, repensando como as suas equipas passam a semana. A composição das equipas quase não mudou. O que fazem com os seus dias mudou completamente. Estas são notas dessas conversas, com os detalhes anonimizados e os padrões mantidos.
Em 2022, a semana arquetípica numa equipa de ciência de dados B2C de topo era praticamente a mesma em todo o lado. Segunda e terça-feira eram dedicadas à recolha e conciliação de dados para os dashboards permanentes. Quarta-feira era gasta em revisões com o negócio, defendendo ou explicando os números da semana anterior. Quinta-feira era o único dia de trabalho de modelagem real. Sexta-feira era o modelo a ser incluído numa apresentação para a segunda-feira seguinte.
Aquela semana produziu, generosamente, cerca de uma visão acionável por pessoa por mês. Ninguém estava feliz com isso, incluindo as pessoas que faziam o trabalho. Era, no entanto, o equilíbrio que as ferramentas permitiam.
Nas oito equipas que estudámos, a semana reorganizou-se em torno de uma unidade de trabalho diferente. Não é o relatório. Não é o modelo. É o experimento entregue e lido causalmente. Cada atividade no calendário remonta ao aumento da taxa em que esses são produzidos.
Em cada uma das oito equipas, o relatório BI semanal já não é produzido manualmente. É gerado, verificado e publicado automaticamente. O trabalho do analista não é produzir o relatório. É interrogá-lo quando um número parece errado. Isso recuperou aproximadamente um dia por pessoa por semana.
O padrão que costumava consumir a segunda-feira, um stakeholder de negócios pede um recorte, o analista puxa-o, o stakeholder pede um seguimento, foi substituído por uma superfície self-service sobre o mesmo modelo subjacente. O stakeholder puxa os seus próprios recortes. O analista é chamado para as questões de modelagem, não para as de recolha.
Uma hipótese bem elaborada é agora o artefacto de maior alavancagem na equipa. Ela delimita o segmento, declara a direção esperada, nomeia as métricas de segurança e cita os antecedentes. Hipóteses erradas desperdiçam todo o pipeline a jusante. As equipas que tratam a autoria como um ofício superam materialmente as equipas que a tratam como um detalhe.
A conversa que o chefe de dados tinha com o chefe de crescimento costumava ser sobre dashboards. Agora é sobre experiments. Ninguém discute um gráfico isoladamente; cada argumento baseia-se na leitura de incrementalidade de uma variante específica implementada. Esta é a maior mudança cultural e a que os entrevistados mencionaram com mais frequência de forma espontânea.
As equipas que fizeram esta transição não cresceram. Duas das oito, na verdade, diminuíram por atrito e não substituíram, e a sua produtividade aumentou na mesma. O que mudou foi a forma interna.
Cada equipa com quem falámos tinha chegado a uma versão da mesma métrica interna: experimentos implementados e causalmente lidos por analista por trimestre. Em 2022, a mediana para este grupo era de dois. Em 2026, está entre vinte e quarenta, dependendo da superfície. Esse é o delta de produtividade, e é o único número que prevê a trajetória do ARPU do negócio nos dois trimestres seguintes.
Três tentativas surgiram repetidamente como falsos começos. Vale a pena nomeá-las, porque são os primeiros passos naturais e não compensam.
O fio condutor consistente destas conversas foi a mudança da produção de artefactos para a produção de ritmo. Ritmo de hypotheses, ritmo de experiments implementados, ritmo de aprendizagens validadas. Todas as escolhas arquitetónicas a jusante dessa estrutura apontavam na mesma direção.
Para o modelo operacional para o qual estas equipas migraram, consulte De calendários de campanha a decisioning contínuo.
Perguntas frequentes
Recursos relacionados
Ver no produto
Os mesmos loops que esta nota descreve são executados 24 horas por dia, 7 dias por semana, na sua base de clientes. Veja o espaço de trabalho decidir, experimentar e executar 1:1.
Vocabulário
Definitions an answer engine can quote, each one a page of its own.
Comparar
Neutral reads on the categories buyers evaluate against a decision layer.
Todas as comparações
