Data Analytics aplicada ao Setor Público

 

Volumes crescentes de dados são produzidos todos os dias a partir de dispositivos, sensores e sistemas conectados ou não à internet. Em uma cidade do porte de Brasília, são criados diariamente sete milhões de linhas de novos dados. Nos estados, municípios e governo federal, bilhões de linhas de dados são gerados a cada dia, contemplando mídias sociais, demonstrações financeiras, registros de saúde etc.

 

O especialista em Big data, Martin Hilbert, estimou em 2014 que se colocássemos toda informação disponível em formato de livros e os empilhássemos, teríamos 4.500 pilhas de livros da superfície terrestre até o Sol. E esse crescimento está se acelerando. Estimativas mais recentes reportam que os dados saltariam para mais de 10 mil pilhas de livros chegando ao Sol.

Entretanto, uma fração residual desses dados, menos de 1%, são tratados, analisados e transformados em valor para organizações ou políticas públicas. Ou seja, um estoque significativo de oportunidades provenientes de insights e ideias com base em dados podem ajudar a identificar e endereçar importantes soluções para os problemas públicos complexos em diversas áreas.

Essa quantid ade de dados cresceu de forma exponencial nas últimas 3 décadas. Esse fato torna apto um novo mundo de oportunidades. Para tanto, um esforço de tratamento e análise é requerido para que dados sejam transformados em “informação habilitadora de soluções” para as organizações, com foco interno ou externo. A análise faz a transformação de dados (a partir de um “amontoado” de números/textos) em informação dotada de propósito.

Nesse contexto, as organizações públicas estão assentadas sobre uma abundância de dados que evidencia um cenário de RDPI, ou seja, Rica em Dados, Pobre em Informação. Esses dados são como uma “mina” de valor que, ao serem tratados e lapidados, permitem extrair resultados extraordinários.

Os governos podem se beneficiar desse volume de dados (numéricos e/ou textuais) e construir políticas mais assertivas, com eficiência e efetividade verificadas. Por exemplo, pode-se analisar dados sobre as necessidades, expectativas e preferências dos cidadãos, posicionamento geográfico, rotinas e picos de demandas, entre muitas possibilidades. Os órgãos passam a ser capazes de extrair padrões, recorrências e tendências, bem como predizer com maior grau de certeza os fluxos de entrega e percepção de valor pela sociedade e, assim, definir com precisão e tempestividade os rumos que se espera dos órgãos de governo.

Nesse novo contexto, as decisões das organizações, do operacional ao estratégico, passam a ser fundamentadas em dados e evidências, constituindo bases relevantes para a formulação e execução do planejamento institucional.

O papel dos dados no governo deixa de ser simplesmente uma coleção de informações para se tornar uma importante fonte para prever e moldar as necessidades futuras, assim como responder às demandas de cidadãos e servidores públicos em prazos cada vez mais curtos. É por isso que os órgãos devem adotar data analytics; não só para melhor compreensão do contexto organizacional (interno e externo), mas, sobretudo, para transformar os dados em combustível para insights e eficiência.

Contudo, muitos desafios cercam as organizações que não foram projetadas para lidar com a complexidade e a dinamicidade desses dados, bem como, a fim de extrair o potencial existente neles. Em 2018, a The Economist Intelligence Unit realizou uma pesquisa com mais de 400 executivos em 8 países-chave, entre economias avançadas e também em desenvolvimento: Alemanha, México, África do Sul, França, Tailândia, Polônia, EUA e Reino Unido. Ao perguntar sobre os principais desafios estratégicos de se trabalhar com dados e com inteligência artificial, os entrevistados do setor público colocaram a modernização da TI (26%) e a incerteza econômica (25%) como os maiores desafios estratégicos.

Figura 1: Principais desafios estratégicos para as organizações públicas (% dos entrevistados) Fonte: The Economist
Figura 1: Principais desafios estratégicos para as organizações públicas (% dos entrevistados) Fonte: The Economist

A maioria das organizações públicas está em processo de amadurecimento de suas arquiteturas de TI e modelos de governança de dados para disponibilizar um ambiente favorável à aplicação das soluções de data analytics, além do potencial de alcance e benefícios provenientes da Inteligência Artificial (IA). A incerteza econômica citada em segundo lugar, por sua vez, não pode ser um motivo para não explorar soluções com base em dados, pois, conforme constatação dos avaliadores da pesquisa, sempre existirão executivos e gestores que utilizam a incerteza como uma desculpa para se ter cautela acentuada em relação aos riscos inerentes à implantação de novas iniciativas. A mentalidade recomendada é que a incerteza econômica incentive ainda mais a avançar e a implantar soluções do estado da arte, da fronteira do conhecimento.

Embora hajam muitos desafios a serem enfrentados, o saldo é bastante positivo. Mais de 73 % dos dirigentes e gestores públicos afirmaram acreditar que o uso intensivo de dados e IA irá melhorar a gestão pública, seja, com a inovação em processos e produtos (serviços e/ou bens) ou pelo engajamento do cidadão.

A oportunidade de geração de soluções é enorme e ensejará em ganhos de produtividade e valor público, se for conduzida de maneira correta.

 

Constatações:

  • Existe um volume (e velocidade e variação) de dados sem precedentes;
  • Dado é um recurso ubíquo que podemos tratar e analisar para prover insights, inovações e novas perspectivas;
  • Desde que: se façam as perguntas certas e se trabalhe do jeito certo, achados interessantes poderão surgir.

Modelos abrangentes de análise de dados devem envolver um conjunto de métodos de design, problem solving, avaliação de stakeholders e de cenários relacionados ao problema central que se busca resolver.

Os principais resultados esperados da análise de dados são:
suportar o processo decisório a partir de modelos quantitativos;
modelar e compreender um problema, identificar a causa raiz, e endereçar soluções inovadoras e efetivas;
avaliar a definição do problema por meio da perspectiva de diferentes stakeholders, permitindo a adequada interação e iteração para a construção de soluções pragmáticas e assertivas.

Em suma, a pergunta-desafio colocada é:

Como melhor identificar oportunidades e possibilidades de adoção de data analytics no setor público com vistas ao fortalecimento do processo decisório e à geração de resultados?

É nesse contexto que emerge a ciência de dados, que apresenta ganhos relevantes em maturidade analítica e amplia o potencial de produção de valor gerado para as organizações.

A visão adotada no início deste século era de sistemas transacionais geradores de dados sobre o dia a dia (as operações) que dificilmente eram analisados e, por sua vez, geraram poucos benefícios para as organizações. Com a evolução da maturidade analítica para níveis avançados, o uso aplicado da estatística multivariada, da econometria e outros, conjugados com a evolução de processadores capazes de compreender grandes volumes de dados, alavancaram o desenvolvimento de modelos avançados de data analytics dinâmicos e dotados de elevado grau de previsibilidade e confiança; propiciando uma entrega de valor significativa para as organizações. A figura 2 ilustra essa evolução.

Figura 2. Emerge a Ciência de Dados
Figura 2. Emerge a Ciência de Dados Fonte: http://www.datasciencecentral.com/profiles/blogs/data-science-summarized-in-one-picture?

Ao mesmo tempo que essa ciência se estrutura, a figura de um profissional chamado de cientista de dados é qualificada para coleta, tratamento e análise de dados, com a finalidade de identificar padrões e extrair insights. O perfil esperado desse profissional habilitado para trabalhar com dados, busca congregar conhecimentos e habilidades técnicas (modelagem quantitativa, estatística e computacional) e habilidades não técnicas (soft skills, que envolve compreender, traduzir, interpretar, criar soluções e comunicar de forma efetiva) para que as informações sejam convertidas em decisões por parte de dirigentes e executivos públicos, sendo decisões relevantes para a geração sustentável de valor público.

Todo trabalho de data analytics parte de um objetivo a ser definido ou um problema a ser resolvido. Bons objetivos são orientados por grandes perguntas, portanto, a melhor forma de se estabelecer os objetivos é refletindo sobre perguntas norteadoras, por exemplo:

  • Por que utilizar os dados para tomar decisões em vez de percepções e ideias pré-concebidas?
  • Quais decisões relevantes podem ser subsidiadas por dados?
  • O que os dados dizem sobre esta política pública, programa, projeto ou processo?

Uma vez tendo as questões norteadoras estabelecidas, as etapas subsequentes de compreensão de bases de dados e sua qualificação (preparação, tratamento e limpeza) devem ser conduzidas. O perfil de engenheiro de dados pode auxiliar nessa tarefa. Essas etapas são essenciais para averiguar se os dados estão disponíveis e aptos para a criação de políticas públicas fundamentadas em dados.

A etapa seguinte é de análise propriamente dita. À luz das questões definidas, hipóteses são estabelecidas na tentativa de melhor especificar/esquadrinhar um problema. Nessa etapa, os modelos preditivos (ou semânticos etc.) são construídos.

Por fim, os achados dos modelos são comunicados para stakeholders principais por meio de visualizações interativas, sendo transformadas em ideias e decisões. A figura 3 ilustra esse ciclo de implementação e aprendizagem em data analytics.

Figura 3. Ciclo de implementação e aprendizagem de Data Analytics
Figura 3. Ciclo de implementação e aprendizagem de Data Analytics

A recente pesquisa realizada pela The Economist identificou, dentre os entrevistados, quais são os 3 principais casos de aplicação de soluções fundamentadas por dados no setor público. A figura 4 ilustra que a análise preditiva, a gestão de operações em tempo real e a análise de riscos foram igualmente reportados como resposta de maior pontuação.

Dentre os 3 casos citados de maior aplicação, vale ressaltar que a análise preditiva é um dos casos de uso de dados mais aplicados em áreas e indústrias do setor privado. Essa análise contempla a adoção de algoritmos estatísticos para avaliar o grau de probabilidade de resultados ou acontecimentos futuros. Por exemplo, irá responder sobre questões relativas a quando é mais provável enfrentar um congestionamento, conjunturas meteorológicas adversas ou possível quebra de um ônibus escolar, entre outras causas de transtornos.

A ciência de dados apresenta ganhos relevantes em maturidade analítica e amplia o potencial de produção de valor para as organizações.

Caso 1 – Respostas às chamadas de Emergência (Saúde)

Contexto:

O Departamento de Incêndio da cidade de Cincinnati realiza mais de 80.000 respostas médicas de emergência por ano, sendo:

  • 300.000 residentes na cidade;
  • Aproximadamente 80.000 incidentes reportados;
  • 30.000 conduções ao hospital.

A prefeitura dispõe de 50 veículos para atendimento de emergência, sendo 38 veículos de bombeiros e 12 ambulâncias. Somente as ambulâncias estão aptas para oferecer um tratamento pré-hospitalar e o transporte de pessoas para hospitais, a fim de reduzir a morbidade e a mortalidade.

No sistema vigente, em 55% das solicitações telefônicas recebidas são encaminhados os veículos dos bombeiros. Contudo, 27% dessas chamadas necessitavam de ambulância.

O envio do caminhão dos bombeiros gera um atraso em transporte para o hospital em 15% das solicitações, representando 10.733 vidas colocadas em risco.

Solução:

Criou-se um sistema que fornece resposta de atendimento médico de emergência direcionado, concentrando-se em três áreas:

  • acelerar a atribuição de chamadas e permitir que os incidentes que podem ser tratados no local possam receber resposta adequada;
  • melhor alocação de um recurso escasso: as ambulâncias;
  • garantir que os médicos sejam alocados estrategicamente, maximizando o número limitado de profissionais de emergência.

O novo modelo permitiu o uso de dados para identificar previamente: i) o quantitativo de chamadas; ii) as demandas feitas durante o dia e a noite; iii) as sazonalidades (datas festivas etc.); iv) as principais locais/regiões; e v) as principais especialidades médicas requisitadas em cada cenário.

O novo modelo representou uma redução no sistema atual de 15% para 11,7% de transporte em atraso para o hospital em função do envio do veículo dos bombeiros por engano. Essa redução representou em um ano um impacto de 2.440 vidas em risco que foram amparadas em tempo. São pessoas em estado de emergência que chegarão mais rápido ao hospital a cada ano.

Agora, pense nessa otimização na escala de inúmeras cidades do país. Pode ser a diferença entre a vida e a morte de um indivíduo. Além de melhorar o tempo de resposta, permite economizar recursos financeiros do Estado.

Fonte: https://dssg.uchicago.edu/

Caso 2 - Fiscalização e inspeção de alimentos

Contexto:

As violações ao código de saúde sanitária podem incidir em infecções e doenças graves na população, sendo que esses casos poderiam ser mitigados a partir da fiscalização e identificação antecipada.

A partir da análise de dados pode-se rapidamente identificar riscos e, por sua vez, melhorar a segurança alimentar da população.

Solução:

A prefeitura de Chicago utiliza o data analytics para melhorar o processo de inspeção de restaurantes e contou com um ganho de 20% na eficiência operacional.

Os gestores e técnicos adotaram uma plataforma de código aberto e a partir dela construíram um modelo próprio voltado para identificar focos prioritários de inspeção. Essa estratégica resultou na identificação de um quantitativo adicional de 27% de infrações provenientes das ações de fiscalização e também antecipou em três dias o tempo de ciclo desse processo.

O modelo proposto calcula níveis individualizados de risco para mais de 10 mil estabelecimentos, utilizando-se de dados públicos, sendo que a maioria desses dados são atualizados todas as noites no portal de dados abertos da prefeitura.

A única exceção é a informação sobre as ações de fiscalização. A avaliação positiva foi evidenciada ao comparar dois meses de inspeções realizadas pela Secretaria Municipal de Saúde Pública com uma abordagem com uso do modelo de dados e outra sem uso dos dados.

A prefeitura de Boston desenvolveu um modelo próprio de análise preditiva e em seu projeto-piloto resultou na identificação de 20 a 25% de infrações adicionais.

Utilizar um modelo de análise de dados na fiscalização de estabelecimentos do setor de restaurantes pode ser um ponto de partida para acelerar o processo de criação de outros modelos de fiscalização, considerando que todos esses processos resultam em 3 casos: aprovação, recomendação/determinação de ajuste (com ou sem multa) ou fechamento do local.

Fonte: http://datasmart.ash.harvard.edu/news/article/municipal-analytics-the-startup-way-873

Caso 3 – Redução do tempo de permanência em UTI e taxas de mortalidade (Saúde)

Contexto:

O Hospital Estadual Getúlio Vargas é um hospital público voltado para atender os cidadãos fluminenses de classe socioeconômica mais desfavorecida.
O hospital fornece atendimentos a traumas e mantém um fluxo quase ininterrupto de entradas de pacientes, que precisam de cuidados intensivos em uma UTI restrita a 22 leitos.

Solução:

A equipe de data analytics avaliou os padrões de cuidados e tratamento dos pacientes da UTI, resultando em uma otimização de processos com resultados impressionantes.
O ganho gerado foi a redução do tempo de permanência de pacientes na UTI em mais de três dias. Além disso, as taxas de mortalidade foram reduzidas em aproximadamente 21%.
Em síntese, liberam leitos de cuidados intensivos mais cedo e puderam tratar mais pacientes em situação de elevada criticidade.
O hospital passou a comportar o atendimento de quase dois pacientes a mais por leito de UTI a cada mês.
Fonte: https://enterprise.microsoft.com/en-us/industries/health/brazilian-hospital-reduces-length-of-stay-and-mortality-rates-with-analytics-insights/

Caso 4 - Mensuração do Desempenho dos municípios: Índice de Governança Municipal do CFA (versão IGM 2.0)

O Conselho Federal de Administração (CFA), em parceria com o Instituto Publix, é o responsável pelo desenvolvimento e atualização do Índice de Governança Municipal (IGM).

O índice foi construído a partir de uma extensa revisão de indicadores, em que foram selecionadas métricas para refletir e comparar o desenvolvimento e os resultados da gestão dos municípios brasileiros. Trata-se de uma métrica consolidada concebida a partir de três dimensões: Gastos e Finanças Públicas; Qualidade da Gestão; e Desempenho.

A metodologia proposta facilita/evidencia a compreensão do desempenho municipal e sua comparação entre os municípios. A base de dados do IGM é compilada a partir de dados abertos do próprio governo, mas com um foco diferenciado. O índice organiza e habilita ao gestor municipal o uso de métricas que representem e comuniquem o desempenho esperado, assim como identifica as boas práticas adotadas (que fundamentaram o resultado alcançado) com espaço virtual propício ao compartilhamento/replicação.

Um outro ponto importante no IGM 2.0 é que cada município é avaliado a partir de metas estabelecidas para cada categoria de municípios. Nesse sentido, o índice auxilia na promoção de aprimoramentos e ajustes na gestão municipal e fundamenta a concepção e avaliação de políticas públicas.

Em suma, o gestor municipal poderá obter um diagnóstico dos municípios, priorizar as principais questões e dilemas, assim como simular formas de se obter o desempenho esperado. O principal desafio é criar uma cultura de governança para resultados e institucionalizar o uso de dados para a tomada de decisões mais efetivas.

Fonte: https://cfa.org.br/igm-exclusivo/

É notório que transições importantes não são fáceis para grandes organizações. Mas é imperativo caminhar nesta direção. A pergunta principal é: como podemos alavancar o caminho de uso dos dados?

Há duas etapas para acelerar a transição: i) descobrir o valor de seus dados; e ii) traduzir os dados em insights e ação. Uma vez concluída a transição de análise de dados, descobre-se importantes insights que agilizam serviços, maximizam recursos e evidenciam ineficiências em processos existentes. Além de ser uma receita para o maior envolvimento dos cidadãos e o amadurecimento da gestão do Estado no século XXI.

Existem também boas práticas comprovadas em organizações públicas com elevado potencial de replicação. Nesse sentido, a melhor estratégia para avançar é iniciar pequeno e pensar grande. Dar os primeiros passos rápidos com a intenção de escalar e crescer o impacto da intervenção. Muitas organizações ainda não estão prontas para conduzir projetos com base em dados e não possuem clareza sobre os principais indicadores que refletem o desempenho esperado.

Para tanto, o primeiro passo é identificar as áreas ou temas de potencial retorno, que propiciem chances reais de ganhos rápidos. Após essa entrada, as equipes e a organização estarão aptas para avançar com iniciativas em temáticas mais desafiadoras.

Duas etapas para acelerar a transição:
i) descobrir o valor de seus dados; e
ii) traduzir os dados em insights e ação.

Faça o download ou visualize a versão impressa abaixo.

Serie_Publix_Ideias_Data_Analytics_Instituto_Publix.pdf

×