Big Data é um conjunto de informações, estruturadas ou não, que é utilizado para ajudar empresas a tomar decisões acertadas por meio da análise de dados.
Afinal, a cada instante a internet recebe uma “avalanche” de informações que surgem de todos os cantos do planeta. São posts em redes sociais, softwares específicos para gestão de empresas, transações bancárias, informações de satélites para o monitoramento do clima e muitas outras coisas.
As vantagens da utilização de análise de dados para gerir uma empresa vão desde o maior controle de gastos e custos até campanhas de comunicação mais focadas num determinado perfil de consumidor. Elas levam a uma melhor gestão de tempo e economia de recursos, além de permitir que o gestor conheça melhor sua empresa e o mercado em que ela está inserida.
Mas para fazer uma análise eficaz e encontrar as respostas certas, o profissional deve ter em mente o que ele quer encontrar no Big Data. E, para isso, ele tem à disposição 4 tipos de análise de dados, cada um com um perfil e uma utilização específica.
Fazer a análise correta para o trabalho que ele deseja executar é primordial para tomar decisões acertadas, minimizando e até mesmo excluindo as chances de erro.
A análise de dados do tipo preditiva
A análise preditiva é utilizada para examinar possibilidades futuras e é feita por meio de uma investigação de cada situação, individualmente.
Checando acontecimentos, hábitos de compras, histórico de consumo, entre outros, esse tipo de análise ajuda na tomada de decisão, mapeando possíveis desdobramentos.
O Governo Federal, durante a Copa do Mundo de 2014, fez uso da análise preditiva para mensurar a movimentação nas ruas e redes sociais, prevendo quais manifestações teriam maior adesão ou se tornariam mais violentas.
A análise prescritiva
Esse tipo de análise examina dados para avaliar possíveis consequências de cada decisão que o gestor tomar. Mais minuciosa que a preditiva, a análise prescritiva fornece informações mais relevantes sobre o que fazer diante de determinada situação.
Uma empresa de transporte, por exemplo, pode utilizar a análise prescritiva para traçar rotas melhores para seus veículos, reduzindo custos e otimizando o processo como um todo.
A análise descritiva
Urgência define a análise de dados do tipo descritiva. Ela checará em tempo real todos os dados necessários para tomar uma decisão imediata.
É o que acontece quando se utiliza o cartão de crédito. O software da operadora do cartão busca informações para permitir ou não que seja concretizada a transação solicitada pelo cliente.
A VISA investiu recentemente nesse tipo de análise. Ela conseguiu reduzir o número de pagamentos feitos por cartões roubados, diminuindo drasticamente seu prejuízo com essa ação. Vale lembrar que a análise de informação é a forma ideal de tomar decisões.
A análise diagnóstica
Enquanto os tipos de análise apresentados até aqui estão relacionados à tomada de decisão, a análise diagnóstica — como o próprio nome sugere — é feita após o trabalho realizado. Quem fez, quando fez, onde fez e por que fez são perguntas-chave para esse tipo de análise.
Um exemplo: se uma rede de supermercados precisa vender um determinado produto que está no estoque, pode utilizar a análise diagnostica para compreender o perfil do cliente que pode vir a comprar esse produto, criando campanhas direcionadas e aumentando o retorno sobre o investimento.
Relatórios mais aprofundados que permitem ao usuário decidir o melhor caminho a seguir, identificando possíveis erros e induzindo a decisões corretas. É esse o papel da análise de dados diagnóstica e, no fundo, de todos os tipos de análise de que falamos.
Gostou deste conteúdo? Que tal compartilhá-lo nas suas redes sociais e ajudar outras pessoas que tenham dúvidas sobre os tipos de análise de dados?
Foi aluno de Ralph Kimball, maior referência mundial no assunto, no curso de Modelagem Dimensional realizado pela Kimball University, em Estocolmo – Suécia.
Já ministrou diversas palestras sobre o tema e atualmente mantêm o blog da Know Solutions, com referências sobre Business Intelligence.
Pós Graduado em Gestão de Projetos de Software pela PUC – Paraná. Trabalhou durante 7 anos na empresa Siemens onde participou de projetos em diferentes países.
Materia muito interessante
Obrigada pelo artigo 🙂 Acho que eu tenho uma equipe que pode obter cada sucesso 🙂 Mas sem kanbantool.com, nao conseguimos arranjar e controlar todas tarefas. Ferramentas digitais podem ajudar bastante – tal como manager ou teamledaer, mas mais suave 🙂 Eu planejo o dia do trabalho com kanban e todas tarefas sao cumpridas. Eu sei que nao cada um gosta trabalhar assim, mas comigo funciona 🙂
Parabéns por trazer a CRISP-DM de volta ao tablado. O “produtocentrismo” que assola o mercardo de BI pressiona os players a comprar o último brinquedo, a seguir a última moda, quando quase tudo que tem algum uso prático já existe há décadas – como o CRISP-DM
Seria legal um artigo um artigo comparando-o com SEMMA. Pode ser muito interessante para quem entrou na área há menos de 20 anos.
Gostaria de entender se a utilização da Big data nas empresas gera algum tipo de desvantagem nas pessoas que lá trabalham ?
Sobre o comentário do João Kechichian, concordo em relação às empresas não terem claro o que querem, e concordo com o Leandro sobre a abordagem de “Qual o seu problema” para dar as sugestões.
Mas vale ressaltar que as empresas não conseguem identificar o que querem por não terem claro um Planejamento Estratégico e objetivos bem descritos. Isso facilita muito perceber quais indicadores serão necessários acompanhar para atingir os resultados esperados.
Bom dia,
Há muita diferença das versões do livro The Data Warehouse Toolkit?
Vejo que ele esta na 3 edição.
Posso comprar apenas a 3 ou devo comprar todas?
Oi Marcos!
Há algumas atualizações com conceitos mais atuais. Não precisa comprar todas as edições não, apenas a 3a já cobre tudo que precisa.
Sim e não. A maior diferença é entre a primeira edição e as restantes. Da segunda edição em diante, quando a Margy Ross assumiu o livro, é tudo mais ou menos o mesmo.
A primeira edição, que por acaso chegou a ser publicada em português, é a melhor, na minha opinião. Ela é mais concreta, menor e mais focada. Se conseguir achá-la, compre. Vale ouro.
eu precisava para compor você uma pouco de note ajudar diga obrigado again com o extraordinário conselhos você compartilhado nesta página . Foi certamente maravilhosamente generoso com você dando abertamente tudo o que muitas pessoas {poderiam ter | poderiam possivelmente ter | poderiam ter | teriam | distribuído para um ebook para gerar alguma massa para eles mesmos , especialmente considerando que you poderia ter tried it se você nunca desejado . Those estratégias também agido como outras pessoas tenha semelhante desire como my own entender bom negócio mais relacionado este assunto . Eu tenho certeza há alguns mais agradáveis ocasiões ahead para pessoas que ver seu site
[…] de BI — Business Intelligence ou, traduzindo, Inteligência Empresarial — é justamente o diferencial que uma empresa precisa para tratar dados gerados por vários meios. Veja alguns contextos que podem servir de […]
[…] para aumentar seu lucro ou diminuir seus custos operacionais. Esse é o conceito básico de Business Intelligence utilizado como diferencial […]
Olá Leandro.
Acredito que o potencial da área de Business Intelligence dentro das empresas pode ser maior do que se imagina hoje.
Trabalho com consultoria de B.I. para agencias e empresas, e enfrentamos diariamente dois grandes problemas.
1- Padronização dos dados: Como utilizamos muitas fontes de dados, todo o processo, desde o que a implementação, até a parte operacional, precisa ser muito bem estruturada. Sem o padrão das informações perde-se muito tempo com “correção”, sendo que “tempo” não é o que temos para identificar um padrão, pois no dia seguinte ele pode mudar se não o tratarmos.
2- Pessoas que não sabem o que querem: Corporações não sabem o que querem, logo querem tudo. O problema é que sabemos que não tudo não é necessário, se consegue identificar padrões e otimizações com metade do volume. Sendo assim o processo de otimização passa a ser inteligente para ser operacional.
O futuro da área esta encaminhando para segmentações e clusterizações dinâmicas para analise de Big Data, mas se o processo de todos envolvidos precisa ser muito bem desenhado e a área de B.I. precisa ter este knowhow também.
Obrigado e muito bom seus artigos.
Oi João, obrigado pelo seu comentário! Concordo com você!
Realmente, a padronização dos dados é o ponto mais sensível mesmo. Aqui estimamos em torno de 60% a 70% do tempo em um projeto de BI apenas para esta parte.
Sobre as pessoas não saberem o que querem, aqui vemos como uma certa vantagem. Muitas vezes não é nem exatamente não saber o que querem, mas não saberem o que é possível fazer. Com isso, parte do nosso trabalho aqui é exatamente entender do que o cliente sofre aí então sugerir algumas coisas. Tentamos não ir para uma abordagem de “o que você quer” mas sim de “quais são seus problemas”.
Isso me deu até a ideia de criar um post focado nisso, vou deixar anotado para o futuro!
Existe uma técnica chamada Árvore de Realidade Presente, da Teoria das Restrições, que lida justamente com essa barafunda de problemas e entendimentos. Eu experimentei a mesma frustração que você, João, e decidi resolver esse problema. A imagem https://geekbi.files.wordpress.com/2020/10/bi_toc-crt-x.png é um resumo do que eu tenho até agora.
Adoraria uma contribuição. “O cliente não sabe o que quer” já está lá. “Dados são sujos” e “Dados são bagunçados” me parecem boas adições.
O que você acha? E você, Leandro?