Métricas e Indicadores de Desempenho
Um artigo segundo o livro Lean Analytics 🤓
Todos nós sabemos a importância dos indicadores de desempenho dentro das empresas e a grande maioria de nós, lida com diversos deles durante todos os dias.
Mas você já parou para pensar sobre as características de um bom indicador?
Quais são as métrica boas e que direcionam as pessoas para o melhor resultado e quais não nos passam nenhuma informação?
Atenção
Para o melhor entendimento, é bom lembrar:
Indicadores são medidas, tanto qualitativas como quantitativas que nos mostram como determinada atividade, operação ou processo caminhou ou está caminhando.
Desempenho é quando comparamos esta atividade, operação ou processo em relação a nossa expectativa.
Assim, indicadores de desempenho nos mostram o quanto determinada operação performou ou está performando em relação a nossa expectativa.
O que é uma Métrica de Qualidade?
No livro Lean Analytics, foi dedicado um capítulo inteiro sobre as características de uma boa métrica.
O livro é realmente muito bom, cheio de conteúdo e exemplos. Se quiser saber mais, você pode consulta-lo no site da Amazon, clicando aqui: Lean Analytics: Use Data to Build a Better Startup Faster
Obs: Até onde encontrei, foi publicado somente na versão em inglês. 
Não é um livro de difícil entendimento, mas você precisa ter uma noção razoável do idioma para compreender.
Métricas – O que é uma boa métrica?
Estamos em contato com indicadores e índices o tempo todo, mas será que todos estes números realmente fazem sentido e direcionam nossas ações para os resultados?
No livro Lean Analytics, são listadas algumas características de uma boa métrica:
- Primeiramente, as métricas devem ser entendíveis. Como você espera que as pessoas mudarão a forma de agir e melhorar algum processo se elas não a entendem o que os números dizem?
- Falando sobre pessoas, as métricas devem mudar a forma como agimos. O que seu time fará diferentemente para melhorar este indicador?
- Uma boa métrica é comparativa. Isso quer dizer que um número, por si só, não nos passa nenhuma informação. “10% de conversões em vendas” não nos diz nada. O contexto fica bem diferente quando falamos de um “aumento de 10% de conversões em venda em relação ao mês anterior”.
- Métricas qualitativas, de preferência quando transformadas em Índices (as famosas razões matemáticas – ou seja, quando falamos em percentuais, divisões, taxas, etc.) são mais fáceis de se comparar e tomar decisões do que números absolutos. (Caso não tenha ficado claro, ao longo deste artigo vamos falar mais sobre isso
)
Métricas Qualitativas e Quantitativas
Imagine que você está fazendo uma análise de respostas dadas por determinados clientes, chegando nas métricas:
- Ruim
- Regular
- Bom
- Ótimo
Como você definiria cada um destes conceitos? O que você consideraria como “Bom” estaria no mesmo nível de satisfação que os demais clientes?
Este é um exemplo de métrica qualitativa. Além de ser imprecisa, é difícil de agregar e comparar, além de bastante subjetiva.
Já as métricas quantitativas, como pontuações e taxas são fáceis de contar, colocar em uma escala e quantificar.
Quantidade de produtos devolvidos em relação ao total de produtos vendidos é uma boa métrica quantitativa.
Consegue notar a diferença? Deixe aqui nos comentários ⬇
Métricas Reais e Métricas de Vaidade
Esta é uma das características de boas métricas citadas no livro que eu mais gostei, pois me identifiquei muito com o que já vi muito dentro das organizações.
Uma frase, inclusive, citada no livro, me chamou bastante a atenção:
"Many companies claim they’re data-driven. Unfortunately, while they embrace the data part of that mantra, few focus on the second word: driven"
Em tradução livre:
“Muitas empresas se intitulam como data-driven. Infelizmente, enquanto elas abraçam os dados como parte de seu mantra, poucas focam na segunda palavra: driven”
A resposta que deve estar muito clara quando você olhar para uma determinada métrica, é para a pergunta:
Baseado nesta informação, o que eu farei de diferente?
Lembre-se: Como falamos acima, as métrica devem mudar a forma como costumamos agir.
E é neste contexto que devemos refletir sobre as métricas acionáveis e as de vaidade.
Um ótimo exemplo de métrica de vaidade é a quantidade de seguidores em uma rede social. Este número nos diz muito pouco sobre o negócio, além de que, exceto se a sua empresa se envolver em algum evento que impacte sua reputação, este é um número que tende a se manter constante, aumentar ou sofrer pouquíssimas variações.
Já a taxa de engajamento é uma métrica real. Veja aqui que falamos “taxa” (como discutimos mais acima). A quantidade de seguidores que curtem, comentam e compartilham suas publicações diz muito mais do que a quantidade absoluta de seguidores.
Métricas Exploratórias x Reporting Métricas
De forma geral, as métricas exploratórias tentam encontrar insights desconhecidos, enquanto as de reporting não nos revelam novidades e acabam nos fazendo apenas lidar com a operação do dia-a-dia.
São nas métricas exploratórias que estão escondidos os insights que a empresa ainda não conhece.
E falando sobre o desconhecido, há uma citação muito interessante sobre o que devemos buscar ao analisar as métricas: (você vai precisar parar por alguns instantes para compreender! 😅)
"There are known knowns; there are things we know that we know. There are known unknowns; that is to say there are things that we now know we don’t know. But there are also unknown unknowns— there are things we do not know, we don’t know." - Donald Rumsfeld
A ideia desta frase, basicamente, é:
“Existem assuntos que sabemos que sabemos; Há coisas que nós sabemos que não sabemos, mas ainda existem as coisas que não sabemos que não sabemos” (E é exatamente aqui onde acontece a mágica).
Assim, o principal objetivo a ser buscado, seguindo esta ideia, é explorar as métricas a fim de descobrir novidades que possam causar uma disrupção no mercado.
Fácil, né? 😂
Leading e Lagging Métricas
Leading vem de “principal, mais importante”, enquanto lagging de “atraso, moroso”.
Assim, a ideia principal neste tópico, é que as leading metrics nos ajudam a prever e entender o futuro, enquanto as lagging métrics explicam o passado.
Para ficar mais claro, um famoso indicador – lagging metric – é o churn, que basicamente mede a quantidade de clientes que deixam a empresa (cancelam sua assinatura, por exemplo) em um determinado período. Este indicador é importante, claro, e nos indica um problema, porém, após o acontecido, ou seja, a mensuração acontece após o fato.
Novamente: isso não quer dizer que a métrica não seja importante. Lembre-se que, como falamos acima, as métricas devem gerar ações e mudar a forma que agimos. Tanto as leading como as leadings metrics cumprem este papel, mas cabe a você analisar e decidir qual delas irá te ajudar a tomar melhores decisões.
Métricas de Correlação e Causalidade
Eu particularmente gosto muito desta descrição! E é muito provável que você já tenha estudado estes conceitos.
Entender que correlação e causalidade são coisas diferentes é o primeiro passo.
De forma bastante simplista, métricas correlacionadas se alteram juntas: quando uma métrica sobe, a outra sobe também; Quando uma métrica desce, a outra desce também; Ou quando uma métrica X sobe, a outra desce e vice-versa.
Já as métricas de causalidade é quando uma causa a alteração da outra.
O objetivo aqui, quando tratamos destas métricas é encontrar a relação entre eventos, realizar diversos testes e medir a evolução.
De forma mais prática: defina o que você quer mudar… Vamos supor que seja a receita. Analise a correlação e principalmente encontre a causalidade, como por exemplo preços ou propagandas. E aja no que você pode controlar.
Claro que isso não é fácil, pois no mundo real, existem diversas métricas e fatores independentes, mas quando você encontra, você pode mudá-las.
Interessado em conhecer como Data Science é aplicado no Marketing?
E para finalizar...
Na teoria, a definição de métricas é bastante fácil e simples, mas não se engane: na prática, são bem difíceis de serem implementadas.
Lembre-se que todos os dados do mundo nem sempre vão explicar o porque de algo acontecer. Então, quando definir um objetivo, trabalhe nele, analise dados de qualidade, construa as formas de mensuração de resultado e se necessário, promova algumas mudanças.
Se tiver algum comentário, deixe aqui pra gente 💭 ⬇
You must be logged in to post a comment.