Autor: Irina Ioana Brudaru

Head of Data – Aida Growth Romania

Am lucrat peste 15 ani în domeniul datelor si adiacent, în Germania, Statele Unite și Olanda, inclusiv în roluri tehnice la Google. În tot acest timp, am observat un lucru constant: foarte puține companii devin cu adevărat „data-driven”; majoritatea rămân doar „data-supported”.

Problema nu ține de lipsa datelor sau de intenție, ci de modul în care organizațiile înțeleg, sau nu, ce pot face datele, la nivelul tuturor departamentelor.

În majoritatea organizațiilor, echipele de date au un rol bine definit: construiesc infrastructura (data warehouse-uri, data lake-uri, pipeline-uri), asigură calitatea datelor și livrează analize sau modele statistice clasice, precum segmentare de clienți sau forecasting. Si nu in ultimul rand, dashboarduri.

Problema este că acest setup rar ajunge în „last mile”: nu recomanda departamentelor interesate ce pași ar trebui făcuți mai departe. Astfel apare un risc important: echipele de data devin fie fabrici de dashboard-uri, fie producători de insight-uri care nu sunt acționabile. În ambele cazuri, valoarea pentru business rămâne limitată.

O organizație în care echipa de date este doar un furnizor de rapoarte nu beneficiază cu adevărat de date. Lipsește rolul de partener activ în deciziile zilnice.

În organizațiile performante, echipele de data sunt implicate direct în procesul de decizie. Prioritizarea proiectelor se face împreună cu business-ul, iar fiecare analiză vine însoțită de opțiuni, trade-offs și recomandări clare.

De exemplu, o organizație matură integrează indicatori precum customer lifetime value în deciziile zilnice. Nu este vorba doar de a calcula acest indicator, ci de a-l folosi activ, de exemplu, pentru a decide ce discount poate fi oferit unui client valoros, dar inactiv.

Aceste decizii trebuie testate și validate. Logica este simplă: lifetime value minus discount și minus costurile de reactivare trebuie să rămână pozitiv. Altfel, compania optimizează aparent, dar pierde bani în realitate.Într-un astfel de sistem, deciziile pot fi automatizate, deoarece infrastructura de date, modelele și mecanismele de decizie sunt conectate într-un flux coerent. Organizația nu doar analizează, ci acționează în timp real.

Un alt exemplu este colaborarea dintre data science și marketing pentru a înțelege impactul canalelor de achiziție. Modele precum media mix modeling, completate de experimente (geo-testing) sau modele de atribuire, permit decizii informate despre când și unde să investești. Rolul echipei de date nu este doar să construiască aceste modele, ci să le interpreteze și să ofere recomandări clare: când un canal este eficient, când se apropie de saturație și când ROI-ul scade sub pragul de rentabilitate.

Valoarea crește și mai mult atunci când mai multe funcții colaborează în jurul aceleiași decizii.

De exemplu, într-un e-commerce cu mai multe puncte de livrare, alegerea locației de expediere implică date despre costuri logistice, timp de livrare, stocuri și comportamentul clienților. Într-un caz real din Olanda, datele despre stocuri erau integrate cu alte surse, inclusiv date meteo. Dacă vremea devenea nefavorabilă, reclamele pentru same-day delivery erau oprite automat. Livrările se făceau cu biciclete electrice, iar compania evita riscuri operaționale și probleme de calitate. În același timp, dacă un produs nu era disponibil într-un anumit depozit, această informație era transmisă automat către marketing. Rezultatul: nu se mai investea buget în promovarea unor produse indisponibile pentru o zi sau doua, sau doar cateva ore..

Aceste optimizări pot părea mici, însă la scară generează impact real.

Acesta este rolul unei echipe moderne de data: să creeze sisteme în care informația circulă automat între echipe, iar deciziile devin rapide, coerente și, uneori, complet automatizate.

În ultimii ani, un nou strat s-a adăugat acestui ecosistem: uneltele de IA (inteligenta artificiala).

Acestea pot accelera semnificativ munca echipelor de data, de la generarea de analize și interpretarea rezultatelor, până la automatizarea unor decizii operaționale sau crearea de interfețe conversaționale pentru acces la date. Sau interpretarea unul output de media mix modeling sau chiar recomandari.

Însă IA nu rezolvă problema fundamentală. Fără date curate, fără context de business și fără integrare în procesele decizionale, aceste unelte rămân doar un layer/start suplimentar de complexitate.

Ceea ce lipsește, de fapt, din multe organizații este componenta umană

Inițiativele de data au succes doar atunci când echipa de date este implicată devreme în procesele de planificare, ideal încă din definirea obiectivelor, nu doar în execuție.

Asta înseamnă mai mult decât livrarea de analize. Înseamnă construirea de relații și înțelegerea reală a obiectivelor celorlalte echipe : colaborare interfunctionala (cross functional collaboration).

De multe ori, echipa de date urmărește optimizarea, însă pentru echipele inginerie, marketing sau vânzări, prioritățile pot fi diferite. Rolul echipei de data devine astfel și unul de aliniere: când este momentul potrivit pentru o inițiativă, ce tip de produs de date este relevant și cum se integrează în obiectivele organizației.

Am întâlnit această situație inclusiv la Google, unde unele optimizări nu erau preluate de echipele comerciale. Nu pentru că nu erau valoroase, ci pentru că nu erau aliniate cu indicatorii după care erau evaluate acele echipe.

De aceea, colaborarea reală nu înseamnă doar schimb de date, ci un dialog continuu între echipe — despre priorități, timing și impact.

Echipa de date nu poate avea succes în mod izolat. Succesul ei se măsoară prin impactul real asupra business-ului și prin deciziile pe care reușește să le influențeze.

Iar în centrul acestui proces rămâne factorul uman. 

Oricât de avansate ar fi modelele sau sistemele, deciziile relevante apar doar atunci când există înțelegere, aliniere și încredere între echipe. 

Tehnologia poate accelera, dar nu poate înlocui acest lucru.