Por Ana Carolina Mello, sócia-diretora da Avanza.

Existe uma crença confortável e bastante disseminada no mercado: a de que dados são assunto do time de tecnologia. Que basta montar um data lake e nomear um Chief Data Officer para que a empresa passe a tomar decisões com base em informação de qualidade. A realidade, porém, é bem menos elegante.

Dados não se organizam nem se interpretam sozinhos. E quem os estrutura, alimenta ou usa mal está em todas as áreas: no comercial que registra uma oportunidade de forma incompleta, no atendimento que padroniza mal uma informação de cliente, no financeiro que consolida números com critérios diferentes dos da operação.

O problema começa muito antes de chegar ao analista. E é aí que mora o verdadeiro desafio de qualificação.

Segundo o relatório Workplace Learning da LinkedIn, habilidades analíticas e de dados figuram entre as mais demandadas pelos empregadores ao redor do mundo, e esse não é um fenômeno restrito a empresas de tecnologia.

Em setores como o de seguros, que sempre dependeu de dados, desde a precificação atuarial até a análise de sinistros, essa exigência já era estrutural. O que mudou foi o volume, a granularidade e a velocidade com que essas informações chegam.

Telemetria de veículos, dispositivos conectados, o que os clientes fazem nos canais digitais, comportamentos em autoatendimento: tudo isso produz informação em escala que nenhum sistema processa de forma útil se as pessoas que o alimentam não entenderem o que estão gerando.

A qualidade dos dados começa quando alguém decide o que registrar, e isso é uma decisão humana, não tecnológica.

Saber ler, interpretar e comunicar dados com senso crítico não é mais uma habilidade exclusiva de quem trabalha com análise. É o novo letramento do profissional desta década.

Quem não desenvolver essa competência, independentemente da área em que atua, será progressivamente substituído ou limitado a funções de menor autonomia.

Há um problema recorrente nas empresas que tentam tomar decisões mais baseadas em fatos: cada área trabalha com sua própria versão dos números. O comercial tem um. O financeiro tem outro. A operação tem um terceiro. Quando esses grupos se encontram em uma reunião, o resultado costuma ser mais debate sobre qual planilha está certa do que sobre o que fazer com as informações.

Esse cenário não é um problema técnico. É um problema de cultura e preparo. Para construir uma base de dados confiável e útil para toda a empresa, é preciso que alguém compreenda toda a cadeia: de onde os dados vêm, como são tratados, quem os usa e para qual decisão.

Essa pessoa precisa ser técnica o suficiente para conversar com DBAs (administradores de bancos de dados), engenheiros de dados e arquitetos de dados e conhecer o negócio bem o suficiente para entender o que está em jogo.

No setor de seguros, isso fica evidente quando pensamos no ciclo de uma apólice: da proposta ao sinistro, passando por subscrição, emissão, cobrança e atendimento. Cada etapa gera e consome dados.

Se um desses pontos está mal estruturado, seja por falta de padronização, por campos ignorados ou por sistemas que não conversam entre si, o erro se propaga por toda a cadeia. Projetos de inteligência artificial construídos sobre essa base não resolvem o problema. Pioram.

Cada vez mais, o mercado valoriza o profissional que entende tanto do negócio quanto de dados. Não necessariamente o cientista de dados clássico, mas quem consegue fazer a ponte: formular uma boa pergunta, traduzir isso em uma análise, interpretar o resultado com senso crítico e comunicá-lo de forma que gere decisão.

Na prática, isso significa um underwriter que sabe ler um modelo preditivo de risco e questionar seus limites. Um gestor de produto que entende onde o processo trava para o cliente e consegue medir isso.

Um corretor que usa os dados da própria carteira para agir antes de perder uma renovação. Esses profissionais existem, mas ainda são minoria. E a disputa por eles é crescente.

O erro mais comum é esperar que esse perfil venha pronto do mercado. Ele raramente vem. Ele se forma dentro das organizações que investem em treinar pessoas de negócio para pensar com dados e pessoas de dados para pensar com visão de negócio.

A inteligência artificial está em todas as conversas do setor. Mas há uma verdade que pouco se fala: a IA é tão boa quanto os dados que a alimentam.

Modelos treinados em informações incompletas, enviesadas ou mal organizadas produzem resultados que, na melhor das hipóteses, são imprecisos. Na pior, são perigosos, especialmente em subscrição de vida, análise de fraude ou precificação de risco.

O estudo da Celant revelou que 40% das seguradoras ainda não trabalham efetivamente com IA, e que apenas 22% do mercado deve adotar agentes autônomos até 2026. O gargalo não é falta de tecnologia disponível. É falta de dados em condições de uso.

E dados em condições de uso não se compram com um software. Constroem-se com pessoas preparadas, processos bem desenhados e a consciência de que cada área da empresa é parte ativa dessa construção.

Os projetos de inteligência artificial que funcionam de verdade têm algo em comum: foram construídos sobre bases de dados bem estruturadas, por pessoas que entendiam tanto o problema de negócio quanto o que os dados podiam ou não responder. Esse é o recurso mais escasso do mercado hoje, e o mais difícil de replicar.

Há uma distância relevante entre o que se ensina nas graduações e o que o mercado espera dos novos profissionais. Não se trata de ensinar programação ou estatística para todos, mas de desenvolver a capacidade de trabalhar com informação de forma crítica em qualquer formação, seja em administração, direito, engenharia, atuária ou outra área.

O profissional que sai da faculdade sabendo formular uma boa pergunta com dados, ler um relatório sem depender de alguém para explicar cada número e comunicar uma conclusão baseada em evidências sai na frente, independentemente do setor em que vai atuar.

E essa habilidade deveria ser tratada com a mesma prioridade que se trata redação, comunicação ou liderança.

O mercado de seguros, que combina gestão de risco, decisões baseadas em probabilidade e uma cadeia inteira que depende de informações de qualidade, é um exemplo claro dessa demanda. Mas ela vale para qualquer setor que queira competir com inteligência nos próximos anos.

Mudar uma empresa não é um projeto de tecnologia. É um projeto de pessoas. As que entenderem isso antes vão construir bases de dados mais sólidas, projetos de IA mais confiáveis e equipes mais preparadas para o que vem.

As que continuarem tratando qualificação em dados como responsabilidade de um único departamento vão acumular um passivo que não aparece no balanço, mas que cobra um preço cada vez mais alto.

Dados são de todo mundo. A pergunta é: todo mundo está preparado para lidar com eles?