Todos os dias vemos histórias de softwares de reconhecimento facial que falham em reconhecer alguns tons de pele, por exemplo. Como alguns estudos constataram, alguns algoritmos criados por grupos não representativos resultam em um Inteligência Artificial que perpetua desigualdades e preconceitos já prevalentes em nossa sociedade. 

À medida que mais empresas dependem de dados e da Inteligência Artificial, esses problemas de “discriminação algorítmica” tendem a piorar.

A maioria das empresas já sabe disso. O que eles estão tentando descobrir é: como podem evitar se tornar mais um mau exemplo?

A resposta simples é: pensar criticamente sobre os dados que estão coletando e como as empresas estão usando deve ser tarefa de todos.

Expandir o círculo de quem está na sala ajudando a questionar, construir e monitorar algoritmos é a única maneira de desenvolvermos uma IA responsável. 

Como desenvolver a alfabetização de dados?

Fazer esse trabalho requer conhecimento em dados – a capacidade de analisar e organizar dados complexos, interpretar e resumir informações, desenvolver previsões ou avaliar as implicações éticas dos algoritmos.

Assim como a matemática, ela pode ser aprendida nos modos iniciante e avançado, uma vez que abrange várias disciplinas e geralmente é mais prática do que acadêmica.

Desenvolver a alfabetização em dados em uma organização também pode ajudar a diversificar as equipes de dados que estão na posição de tomada de decisões críticas sobre como os dados que serão coletados, processados ​​e implantados. 

A importância de diversas equipes de dados é algo comum em empresas que apresentam um desempenho superior porque reduzem o risco, mas é analogamente verdade que equipes diversas superam o desempenho porque reduzem o risco de pensamento de grupo. 

Ao investir na alfabetização de dados em toda a empresa, as empresas podem trazer perspectivas mais divergentes e criativas para reduzir o risco de viés algorítmico – e identificar outras eficiências e oportunidades que os dados podem revelar.

As empresas e a alfabetização de dados

Alguns dados de estudos mostram que a maioria das empresas ainda está lutando para construir a alfabetização em dados. Atualmente, cerca de 90% dos líderes de negócios afirmam que a alfabetização em dados é a chave para o sucesso da empresa, onde 25% dos trabalhadores se sentem confiantes em suas habilidades com dados. 

Além disso, algumas estimativas sugerem que quase 9 em cada 10 profissionais de ciência de dados são brancos e apenas 18% são mulheres.

Essa conclusão nos mostra que, quando se trata de diversidade, a ciência de dados fica atrás até de outros setores da tecnologia, como marketing digital e design UX.

Estratégias para a alfabetização de dados

Para exemplificar como a alfabetização de dados pode ser implementada em sua empresa, vamos a algumas estratégias. 

1. Faça da alfabetização de dados uma prioridade de toda a organização, não apenas entre as pessoas da área de tecnologia.

A alfabetização de dados não é uma habilidade técnica. É uma habilidade profissional.

Incentive todos os seus funcionários – marqueteiros, profissionais de vendas, pessoal de operações, gerentes de produto, etc. – a desenvolver sua alfabetização de dados em reuniões trimestrais, por exemplo. 

Sua empresa pode cobrar alguns tópicos, bem como a tomada de decisão baseada em dados, a arte do possível em IA, como os dados se conectam ao seu negócio, ética e IA, ou como se comunicar usando dados. 

Esse tipo de ênfase em toda a organização é a base para a transformação para uma cultura que prioriza os dados.

2. Desenvolva uma linguagem interna comum para falar sobre dados, como eles se cruzam com seu negócio e como estão mudando funções específicas em sua empresa.

O mundo dos dados é grande, cheio de palavras-chave e mal-entendidos. Desenvolva uma visão como organização de quais componentes de conhecimento de dados são mais importantes para sua empresa – se você for uma empresa de serviços financeiros, pode ser a medição de probabilidade e risco; se você é uma empresa de tecnologia, pode ser experimentação e visualização. 

Desenvolva conteúdo de aprendizagem que usa essa linguagem e demonstre como ela se conecta ao seu negócio em vários departamentos, para que os funcionários possam conectar todos os pontos entre a alfabetização em dados e seus fluxos de trabalho.

3. Crie espaços em sua organização para que os funcionários conectem conceitos de negócios e conceitos de dados.

Uma boa recomendação é capacitar os funcionários para gerar novas ideias de negócios que apliquem sua alfabetização de dados. Por exemplo: suponha que sua empresa atue no setor musical.

Como parte de seu programa, faça com que os funcionários desenvolvam propostas de projetos que alavanquem seu novo conhecimento sobre alfabetização em dados – combinando-o com o conhecimento que possuem do setor.

Dessa forma, eles irão gerar novas ideias surpreendentes para economia de custos ou de geração de receita. E tão importante quanto, você os capacitará a impulsionar uma nova cultura de dados em primeiro lugar.

4. Crie estruturas de incentivo para recompensar a tomada de decisão baseada em dados.

Considere seu processo atual de aprovação de ideias ou definição de orçamentos.

Em seguida, adicione mecanismos que recompensem o pensamento baseado em dados.

Por exemplo, exija que os gerentes incluam visualizações claras em suas propostas ou construam painéis que rastreiam seus KPIs quantitativamente e em tempo real.

Se você puder mudar a tomada de decisão de seus gerentes da intuição para os dados, concedendo aprovações de projetos mais rápidas ou orçamentos maiores para propostas feitas usando o pensamento baseado em dados, você obterá rapidamente o comportamento que busca de seus gerentes por meio do alinhamento de incentivos.

Para concluir nosso texto, em última análise, a alfabetização em dados envolve muito mais do que aprendizado de máquina e ciência de dados. E é mais do que IA. A alfabetização em dados trata simplesmente de humanos lidando melhor com um mundo infundido de dados – e é por isso que precisamos disso agora mais do que nunca.