“Marcos era gerente de marketing de uma multinacional. Uma das coisas que estavam tirando o seu sono eram os acessos oriundos do site da empresa que trabalhava, pois ele olhava para o relatório com os números de visitas e conversões e não conseguia entender por que caíam tanto, nem o que precisava fazer. Havia uma meta que ele precisava atingir, de vendas originadas através do site, e estava longe de cumpri-la. Sua maior dificuldade para esse problema não era tomar uma decisão, mas como começar a entender o que estava acontecendo”

A tomada de decisões é uma atividade essencial para o sucesso de qualquer organização. Seja para determinar a estratégia de negócios ou para lidar com questões do dia a dia, as decisões estão no centro das operações empresariais. É aqui que entra o framework Cynefin, uma ferramenta desenvolvida pelo cientista Dave Snowden que oferece uma abordagem única e valiosa para ajudar na tomada de decisões em um contexto de Business Intelligence (BI).

O que é o Cynefin Framework?

Trata-se de uma estrutura que permite a categorização e análise de problemas e situações. Ele ajuda as organizações a identificar a abordagem mais apropriada para tomar boas decisões, dependendo da natureza do problema em questão. Ele é baseado na ideia de que alguns tipos de questões exigem diferentes abordagens.

O Framework divide os problemas em quatro domínios principais mostrados a seguir.

Domínio Claro

Neste domínio, considerando o Cynefin, os problemas são bem compreendidos com soluções claras e bem definidas com base em experiências passadas. 

Isso é especialmente relevante em Business Intelligence, onde dados históricos são usados para tomar decisões. Por exemplo, uma empresa pode usar dados de vendas passadas para identificar os produtos mais vendidos em um determinado período. A resposta é clara e direta, sem a necessidade de discussões extensas.

Outro exemplo, é onde um analista de dados de uma empresa de comércio eletrônico deseja determinar os produtos mais vendidos durante o último trimestre para orientar campanhas de publicidade paga. Ele tem um conjunto de dados históricos bem estruturado que registra todas as vendas anteriores, incluindo informações sobre produtos, datas e quantidades vendidas. Neste caso, a decisão a ser tomada é clara e pode ser baseada em dados passados. O analista de dados só precisa identificar através do sistema da empresa os produtos mais vendidos, e informar aos seus colegas, para poderem alavancar campanhas.

Domínio Complicado

No domínio complicado, os problemas são conhecidos, mas as soluções não são óbvias e podem exigir análise aprofundada. Em contextos de BI, isso se traduz em situações em que os dados históricos estão disponíveis, mas a resposta não é imediatamente aparente. Por exemplo, uma empresa que deseja criar um modelo preditivo para prever o comportamento dos clientes com base em dados de compra passados está lidando com um problema complicado. Embora os dados estejam lá, é necessário um esforço analítico para desenvolver o modelo certo.

Um e-commerce, por exemplo, quer desenvolver uma análise preditiva para bloqueio de fraudes. Neste caso, a decisão pode envolver a criação de um modelo estatístico complicado. Esse modelo, considera algumas variáveis e requer análises estatísticas avançadas, além de algoritmos de inteligência artificial, ou seja, embora as soluções possam ser baseadas em dados passados, é necessário um esforço significativo para desenvolver e validar o modelo correto.

Aqui, o Cynefin sugere que a decisão pode conter mais de uma resposta, cenários, com boas práticas que podem ser seguidas. Por isso é importante analisar as opções para escolher aquela que melhor se adapta ao negócio. 

Para esse tipo de domínio, o melhor é que a decisão passe por um colegiado, integrado, para analisar as opções e tomarem a melhor decisão.

Domínio Complexo

No domínio complexo, os problemas são únicos e não podem ser resolvidos com base apenas em dados históricos. Em vez disso, a resposta é encontrada no presente, por meio da análise de dados em tempo real e da identificação de padrões emergentes. 

Uma agência, que trabalha com redes sociais, quer entender o comportamento dos usuários em sua plataforma para melhorar a retenção de clientes. Eles têm uma vasta quantidade de dados em tempo real, incluindo interações dos usuários, postagens, comentários e outros dados comportamentais. Neste caso, a decisão envolve a análise em tempo real desses dados para identificar padrões emergentes e tendências. Não há solução única baseada em dados passados, pois o comportamento dos usuários está constantemente evoluindo. A empresa pode usar algoritmos de aprendizado de máquina para identificar padrões complexos e tomar decisões com base nessas descobertas.

O entendimento vem após um grande estudo, onde será feito uma execução, após análise.

A grande diferença para o domínio anterior, é que no complexo, as respostas estão no presente. O grande segredo aqui é criar um ambiente seguro para a falha, onde se houver algum prejuízo, que ele seja o menor possível e que se possa aprender com esses erros. Marcas passam por isso a todo momento, com novas estratégias de mercado que visam competir com novos concorrentes.

Ou seja, como há uma execução antes do planejamento, uma espécie de teste, é por isso que ela precisa ser feita em um ambiente seguro.

Domínio Caótico

No domínio caótico, a situação é imprevisível. Não há precedentes claros e nenhuma base de dados históricos relevante. Em vez disso, as decisões são tomadas em tempo real, com o objetivo de restaurar a estabilidade e entender a situação. 

Em um contexto de BI, isso pode ser representado por uma interrupção grave no sistema de coleta de dados devido a um ataque cibernético. A equipe de resposta a incidentes deve tomar decisões imediatas para conter o ataque, restaurar o sistema e investigar as causas, tudo isso sem referências anteriores! Isso nunca aconteceu!

Imagine, por exemplo, uma empresa de serviços financeiros está enfrentando uma interrupção em seu sistema de pagamento devido a um ataque inesperado. Neste cenário, não há precedentes nem dados históricos. A equipe de segurança cibernética deve tomar decisões imediatas para conter o ataque, restaurar o sistema e investigar as causas. 

Pense em todo o impacto desse evento, perda de clientes, receita, processos.

As decisões são tomadas com base na resolução de problemas em tempo real, sem referências anteriores. 

Conclusão sobre o Cynefin

O Cynefin Framework oferece uma abordagem valiosa para a tomada de decisões em Business Intelligence. Ele reconhece que a natureza dos problemas pode variar, e uma abordagem única não se encaixa em todos os casos. Ao categorizar os problemas em domínios claros, complicados, complexos e caóticos, o analista de BI podem escolher a estratégia mais adequada para tomar decisões em direção aos resultados. Ao compreender a natureza do problema, as empresas podem tomar decisões mais inteligentes e ágeis, ganhando uma vantagem competitiva no mercado em constante mudança.

Para terminar deixo um vídeo bem legal do professor Gino Terentim, explicando mais sobre o Cynefin.