Como desbloquear um crescimento previsível com uma gestão de recursos orientada por dados e potenciada por IA generativa

Leia a transcrição:

Estamos a experimentar transcrever os nossos podcasts através de um programa de software. Perdoe quaisquer erros tipográficos, uma vez que o sistema automático não está correto a 100% do tempo.

Galen Low: Bem-vindos à nossa mesa-redonda sobre a utilização de dados e IA como uma bola de cristal para o planeamento de recursos. E, para não exagerarmos, vamos debatê-lo. Vamos aprofundar o tema. Vamos descobrir do que se trata. Esta é uma atividade que gostamos de realizar todos os meses com os nossos membros e convidados VIP.

É uma forma de interagir diretamente com os especialistas e com as pessoas que contribuem e colaboram connosco aqui no The Digital Project Manager. Para quem não me conhece, chamo-me Galen, sou o fundador e cofundador do The Digital Project Manager e também serei o vosso anfitrião hoje. Portanto, vão ter de me aturar durante algum tempo, mas também tenho comigo uma equipa incrível composta por alguns dos principais especialistas em operações de agências que conheço — Ann Campea, Marcel Petitpas e Grant Hultgren.

A gestão de recursos é um tema extremamente popular no mundo das agências e, sinceramente, em muitas organizações. Penso que há uma boa razão para isso: não ter os recursos certos disponíveis para executar programas e iniciativas importantes representa um risco significativo, que pode comprometer o cumprimento dos objetivos e até pôr em causa alguns dos postos de trabalho das pessoas da organização.

É por isso que penso que a gestão de recursos ocorre em tantos níveis diferentes dentro de uma organização: desde ter os membros certos da equipa nos projetos até dispor da combinação adequada de competências e talento para fazer o trabalho avançar. No entanto, quando se trata de prever o futuro, nós, seres humanos, estamos, na melhor das hipóteses, a fazer uma estimativa e, na pior, a basear-nos em pressupostos excessivamente otimistas e idealizados.

Por vezes, assumimos que uma pessoa conseguirá concluir uma tarefa tão rapidamente como outra, mesmo quando esta última se encontra inesperadamente de baixa médica. Outras vezes, presumimos que alguém pode trabalhar em oito projetos diferentes durante oito horas por dia sem perder tempo com a mudança de contexto. E, por vezes, assumimos que duas pessoas com o mesmo título profissional têm necessariamente as mesmas preferências de trabalho, o mesmo nível de conhecimento e a mesma compreensão das tarefas.

No final de contas, gerir recursos é difícil porque normalmente envolve variáveis que não controlamos, nomeadamente as pessoas. Embora a nossa abordagem à gestão de recursos não tenha evoluído drasticamente nas últimas décadas, pelo menos na minha perspetiva, a tecnologia evoluiu. Por isso, comecei a perguntar-me: tendo em conta todas as ferramentas que utilizamos e todos os dados que recolhemos, não poderíamos usá-los para fazer melhores estimativas sobre os nossos recursos e sobre o que irá acontecer no futuro nos nossos projetos, nas nossas iniciativas e com os nossos objetivos? É isso que vamos explorar hoje.

E, sinceramente, vou começar com a maior e mais abrangente pergunta para todos os membros do painel: com todas estas organizações a tornarem-se muito mais orientadas por dados e com a IA generativa em cena, porque é que a gestão de recursos ainda não é simplesmente automática?

Talvez comece pelo Marcel. Vou colocar-te sob pressão.

Marcel Petitpas: Claro. A resposta simples é que os dados são confusos e as pessoas são imprevisíveis. É extremamente entusiasmante aquilo que a IA generativa poderá fazer para nos ajudar a extrair valor dos dados e a interpretá-los, mas o pressuposto subjacente — e é isto que me incomoda sempre nas demonstrações que vemos de empresas de IA generativa — é que se introduzem dados perfeitamente limpos, estruturados de forma consistente, com um esquema claro, convenções de nomenclatura coerentes e sem erros nem valores atípicos.

Só então, naturalmente, a IA generativa conseguirá responder a uma pergunta sobre os dados e processá-los mais rapidamente do que um ser humano. Penso que o realmente entusiasmante é que a forma como interagimos com os dados será certamente transformada.

Daqui a uma década, provavelmente olharemos para trás e consideraremos arcaico percorrer uma tabela, aplicar filtros e ordenar dados para obter a visualização pretendida. Mas o problema que não desaparecerá é a necessidade de dispor de dados bons e limpos para que a IA consiga produzir esse tipo de resultados.

A realidade pouco feliz é que, enquanto gestores de produto e de operações, trabalhamos com conjuntos de dados criados por seres humanos e, por isso, é inevitável que sejam imperfeitos. Teremos de considerar essa realidade na forma como concebemos os nossos processos e sistemas de dados.

Galen Low: Excelente. Gosto muito desta clarificação sobre a qualidade dos dados. Mais tarde, penso que chegaremos à questão da literacia de dados: o que significa atualmente e quem precisa de a ter? Alerta: provavelmente toda a gente.

Ann, queres acrescentar alguma coisa sobre a razão pela qual a gestão de recursos ainda não é mais simples, apesar de toda a tecnologia que temos?

Ann Campea: Antes de mais, pegando no que o Marcel acabou de dizer, trata-se de obter bons dados. E há um elemento humano por detrás da tentativa de os recolher. Na minha experiência, construímos ferramentas, pensamos que temos os relatórios certos, analisamos as métricas adequadas, mas depois regressamos aos dados. Obter bons dados é como tentar capturar um raio dentro de uma garrafa.

É complicado e, por vezes, pouco fiável, porque o fator humano está incorporado nos dados. Os seres humanos são maravilhosos, mas também são maravilhosamente imprevisíveis. Por isso, temos de compreender como é que esse elemento humano se reflete nos dados: no registo do tempo, na complexidade dos projetos, na capacidade da equipa produzir resultados e no facto de cada pessoa trabalhar de forma ligeiramente diferente.

Penso, portanto, que é essencial obter bons dados e, depois, construir a tecnologia e a IA em torno deles. Também acrescentaria outro exemplo: já trabalhei em organizações que tinham de lidar com tecnologia antiga e tecnologia nova, e agora ainda temos a IA sobre tudo isso. Como garantimos que todos estes elementos funcionam bem em conjunto e, ao mesmo tempo, mantemos o ser humano no circuito?

Galen Low: Adoro isso. A ferramenta não é uma solução mágica. Existem outras variáveis, e talvez esta seja uma boa transição para a pergunta seguinte: que dados deveríamos recolher? Há provavelmente um conjunto enorme, mas, Grant, na tua perspetiva, que pontos de dados é que uma agência ou qualquer organização precisa realmente de registar para gerir os recursos com maior precisão?

Grant Hultgren: Penso que tudo se resume àquilo em que confiamos. Enquanto proprietários de agências, quando iniciamos esse percurso, começamos frequentemente por pensar que conseguimos fazer tudo melhor do que a empresa anterior ou do que a pessoa com quem trabalhávamos antes. Isso significa, muitas vezes, definir as coisas de forma ligeiramente diferente. De repente, estamos a definir pontos de dados diferentes de maneiras diferentes.

Quando analisamos os principais indicadores de desempenho, existem alguns elementos comuns: receita por colaborador faturável, receita por todos os colaboradores, margens ao nível do projeto e resultados financeiros trimestrais e anuais, incluindo os custos gerais totalmente incorporados.

Mas a questão mais importante é saber se confiamos nos sistemas internos para serem suficientemente fiáveis para que os modelos de IA tomem decisões e produzam resultados ideais. Penso que ainda não chegámos a esse ponto. É por isso que as pessoas continuam a ser tão importantes. Ninguém responsabilizará a IA por uma margem de projeto falhada; todos iremos olhar para o gestor de projeto e perguntar o que aconteceu. Precisamos de interpretar os dados.

Marcel Petitpas: Na Parakeeto, começamos por compreender como uma organização pensa sobre a sua capacidade. Algumas organizações pensam em termos de conjuntos de competências; outras pensam em termos de tipos de tarefas. O importante é perceber qual é o modelo mental que a empresa utiliza para definir a sua capacidade e tomar decisões de contratação.

Queremos criar uma camada simples de abstração entre os colaboradores individuais e grupos mais amplos nos quais os possamos organizar. É aqui que introduzo uma ideia sobre a qual falo frequentemente: precisão e exatidão são conceitos diferentes. Muitos gestores de projeto confundem-nos e tratam-nos como se fossem iguais e estivessem correlacionados, quando frequentemente entram em conflito.

Muitos gestores de projeto preparam-se para falhar porque tentam criar sistemas muito precisos que acabam por ser impossíveis de manter. O resultado é uma grande quantidade de dados desorganizados, dos quais têm dificuldade em extrair valor.

Por isso, começamos por desenvolver um modelo simples, normalmente com cinco a oito categorias de capacidade. Depois, planeamos o trabalho utilizando a mesma estrutura, as mesmas convenções de nomenclatura e as mesmas categorias para o tempo estimado. De seguida, ligamos o registo de tempo a essa estrutura, garantindo que cada entrada contém metadados que a associem a uma das categorias.

Se conseguirmos criar dados estruturados nesse formato ao longo do tempo, a álgebra linear torna-se muito simples. Podemos responder a perguntas como: por cada euro do orçamento de um website, quanto tempo de design precisamos, em média, de planear? Não é necessário um conjunto de dados enorme para começar a obter uma linha de tendência interessante, compreender o grau de exatidão das previsões e identificar o que é previsível e o que é muito imprevisível.

Galen Low: Gosto da ideia de existirem coisas previsíveis e coisas que não podemos prever. Essa perspetiva é muito importante quando falamos de caos e de acontecimentos impossíveis de planear. O nosso instinto, enquanto seres humanos, é tentar resolver tudo, mas talvez isso nem sempre seja possível.

Também me identifiquei com a ideia de que precisamos de dados limpos, mas que é precisamente aqui que a tecnologia pode ajudar. Quando construí uma matriz de competências para uma agência, tentámos recolher informação sobre o nível de competência das pessoas, as suas preferências de trabalho e os seus objetivos profissionais. Fizemos tudo em folhas de cálculo e tornou-se uma confusão. A intenção era boa, mas o volume de dados era demasiado grande para conseguirmos processá-lo manualmente.

Ann Campea: É difícil conseguir alinhar todos os níveis de uma organização. Mesmo que se construa uma ferramenta excelente, o mais importante é obter o compromisso das pessoas. Podemos criar relatórios, recolher registos de tempo e analisar quanto tempo diferentes tipos de projetos demoram, mas, sem esse compromisso, o maior obstáculo continuará a ser humano.

Também é importante reconhecer que mesmo os dados quantitativos contêm alguma subjetividade. Quando apresento um estudo de tempos, explico sempre que haverá variação, porque são pessoas a introduzir os dados. Não podemos afirmar que os dados são 100% exatos, mas podemos aproximar-nos bastante e utilizá-los de forma honesta.

Marcel Petitpas: Uma parte importante é fechar o ciclo. As pessoas a quem pedimos que introduzam o tempo raramente têm acesso às conversas, decisões ou relatórios que resultam desses dados. Assim, criam a sua própria narrativa sobre a forma como os dados estão a ser utilizados, e essa narrativa raramente é favorável.

É necessário mostrar às equipas como os dados as ajudam e protegem. Simplificar também é essencial. Se pedirmos às pessoas que registem o tempo ao nível de cada subtarefa, tarefa, marco, entrega, fase e projeto, estaremos a criar demasiada fricção. Categorias mais amplas produzem dados mais significativos, permitem alcançar conclusões estatisticamente relevantes mais rapidamente e aumentam geralmente o cumprimento.

O mesmo se aplica ao planeamento de recursos. As alocações individuais não são a forma adequada de criar uma previsão para seis meses. A metodologia deve corresponder ao objetivo da pergunta que se pretende responder.

Galen Low: Gosto da ideia de começar pelos dados, mas não terminar nos dados. Os dados devem iniciar uma conversa sobre aquilo que talvez não esteja neles. Se conseguirmos criar uma cultura que reduza a pressão, as pessoas estarão mais dispostas a partilhar informação. O simples é melhor do que tentar tornar os dados “perfeitos”.

Grant Hultgren: Tive uma experiência positiva quando deixei de tentar controlar tudo e comecei a confiar na equipa. Explicámos por que razão calculávamos as margens dos projetos e como os custos relativos a cada função influenciavam o planeamento de recursos.

O maior sucesso não foi atingir um indicador específico. Foi ver pessoas a constituir família, a comprar casa e a demonstrar, através das suas decisões de vida, que confiavam no futuro da organização. A gestão de recursos deve ajudar-nos a evitar o esgotamento dos membros sénior da equipa e a criar oportunidades de desenvolvimento para os membros mais juniores.

Ann Campea: Muitas vezes, as pequenas vitórias são as mais importantes: utilizar dados suficientemente bons para explicar à liderança o que está a acontecer com o trabalho e com as pessoas, defender recursos adicionais e evitar que a equipa se esgote. Queremos ser rentáveis, servir os clientes e produzir trabalho de qualidade, mas os dados ajudam-nos a compreender o impacto que tudo isso tem nos nossos recursos.

Marcel Petitpas: Trabalhámos com uma agência que, à superfície, parecia estar a ter um enorme sucesso: tinha clientes reconhecidos, trabalho premiado e uma criatividade excecional. No entanto, por baixo dessa aparência, existia uma cultura de pessoas criativas mas completamente esgotadas, sujeitas a ciclos de excesso de trabalho seguidos de períodos sem trabalho e despedimentos.

Começámos por separar preço e âmbito, clarificar a estrutura dos dados e registar o que realmente acontecia. Identificámos que a produção de vídeo era particularmente irregular, gerava margens baixas e provocava muito stress. Outras ofertas, como estratégia, branding e design de websites, eram muito mais rentáveis.

Com esses dados, criámos um modelo para a equipa comercial, reduzimos a subjetividade no processo de definição de âmbito e preço e estabelecemos expectativas mais realistas para a equipa de gestão de projetos. O resultado foi um crescimento anual de 60% e depois de 90%, acompanhado por um aumento superior a 500% na margem de lucro. O mais importante foi que a equipa passou a trabalhar substancialmente menos noites e fins de semana.

Galen Low: Também é importante abordar a segurança, a ética e a privacidade dos dados quando utilizamos ferramentas de IA generativa. Se os dados dos projetos forem introduzidos numa ferramenta de IA, temos de saber onde são armazenados, quem pode aceder-lhes e se a utilização está em conformidade com as políticas da empresa e com a legislação aplicável.

Grant Hultgren: A menos que o cliente tenha autorizado explicitamente a utilização dos seus dados, eu assumiria que não podemos utilizá-los. É preferível agir com cautela e proteger a relação. Quando possível, devemos anonimizar os dados e evitar incluir nomes de clientes ou outras informações identificáveis.

Ann Campea: A IA generativa pode conter enviesamentos, por isso é necessário ter cuidado. A questão ética está relacionada com a forma como os dados são utilizados e com aquilo que se pretende produzir a partir deles. Devemos evitar manipular os dados para sustentar uma conclusão previamente escolhida. A IA deve informar as decisões, não substituir o julgamento humano.

Marcel Petitpas: É difícil imaginar que a gestão de recursos possa ser totalmente automatizada de ponta a ponta. A IA poderá assumir grande parte do trabalho, especialmente quando existe uma estrutura de dados bem definida, mas continuará a ser necessário julgamento humano. Um registo de 99 horas pode representar trabalho real ou um cronómetro que ficou ligado durante todo o fim de semana. A IA pode sinalizar a situação, mas uma pessoa terá de avaliar se o resultado corresponde à realidade.

Grant Hultgren: Eu esperava que a IA me ajudasse a lavar a loiça, não a criar arte. Devemos começar por automatizar tarefas e apresentar sugestões úteis. Não confiaria atualmente à IA a gestão de uma empresa inteira, porque acontecimentos imprevistos podem alterar completamente qualquer modelo.

Ann Campea: A IA generativa está aqui para ser nossa parceira e para nos informar, não para nos dirigir enquanto seres humanos. Deve existir sempre uma pessoa no circuito para validar os resultados. A IA pode tratar das tarefas aborrecidas, permitindo que as pessoas se concentrem em trabalho criativo e significativo, mas as máquinas não conseguem substituir a empatia humana.

Marcel Petitpas: Apresentar os dados como intervalos, em vez de valores absolutos, é um excelente exemplo da diferença entre precisão e exatidão. Se me perguntarem qual será a temperatura, posso dizer que será de 24,7 graus ou que estará entre 22 e 26 graus durante grande parte do dia. A segunda resposta é menos precisa, mas mais exata para a pergunta.

Quanto mais subimos na organização, maior é a incerteza e menor é a perfeição dos dados. Por isso, as decisões baseiam-se mais em probabilidades, e os intervalos refletem melhor a realidade.

Galen Low: Não podemos planear com demasiada precisão. Muito obrigado a Grant, Marcel e Ann por disponibilizarem o vosso tempo e por estarem connosco hoje.

Como sempre, se quiser juntar-se à conversa com mais de mil profissionais de gestão de projetos, venha fazer parte da nossa comunidade. Visite thedigitalprojectmanager.com/membership para saber mais. Se gostou do que ouviu hoje, subscreva e mantenha-se em contacto através de thedigitalprojectmanager.com. Até à próxima, obrigado por ouvir.