Entre os termos que todas as empresas têm ouvido ultimamente está o Data Science. Por mais que você seja um gestor atualizado, você sabe o que é, de fato, a ciência de dados?
Fizemos este post para responder essa pergunta e mostrar por que essa é uma área cada vez mais inserida na cultura das empresas que buscam vantagens estratégias. Não à toa, universidades de ponta como Harvard e o MIT apostam em cursos online de alto nível para fomentar o mercado.
Podemos mencionar, ainda, como os próprios números explicam a ascensão do Data Science. Em 2014, a IBM informou que 2,5 bilhões de gigabytes (GB) de dados foram gerados todos os dias em 2012. Já em 2018, a Forbes relatou que são produzidos 2,5 quintilhões de bytes de dados a cada dia.
Assim, temos a dimensão precisa do que representa, hoje, o trabalho com os dados para a indústria, influenciando diversos segmentos e empresas de diferentes portes. Vamos conhecer mais sobre o Data Science, seus benefícios e suas aplicações. Continue a leitura e confira!
Saiba o que é Data Science
Um conceito curioso entre os profissionais da área diz que um cientista de dados é uma pessoa melhor em estatística do que um engenheiro de software, e melhor em engenharia de software do que qualquer estatístico. Essa definição passa bem perto da verdade, já que a ciência de dados é um ramo multidisciplinar que busca extrair informações relevantes de um conjunto de dados.
Comumente, é necessário processar previamente esse conjunto para adequá-lo às análises estatísticas, algoritmos de inteligência artificial e demais ferramentas que são utilizadas. Por isso um dos ramos da ciência de dados é o tratamento dos dados.
Com os resultados obtidos dos dados, vem outra grande capacidade que um cientista de dados tem: a de apresentar tais resultados de forma compreensível. Isso é alcançado com figuras, gráficos customizados para cada conjunto de dados ou respostas e, também, de acordo com o nível de entendimento dos interlocutores.
Mas por que com todas essas virtudes essa ciência só está em alta neste momento? Na verdade, a análise de dados sempre foi utilizada pelas empresas, mas com a aquisição de imensas quantidades de dados, as ferramentas antigas já não eram mais suficientes para processá-los.
O que antes era feito por meio de planilhas de Excel e armazenado em computadores locais, agora é processado e armazenado na nuvem. Com isso, vêm outras facilidades, como pagamento apenas das ferramentas de processamento utilizadas e o aumento de ferramentas disponíveis aos cientistas de dados.
O alcance do Data Science, hoje, é impressionante e tende a crescer ainda mais: com a evolução da chamada Internet das Coisas (Internet of Things, ou IoT), os dispositivos eletrônicos interagem mais entre si dentro da rede, o que gera uma quantidade ainda maior de dados.
Além disso, é uma tecnologia versátil. Recentemente, a primeira imagem de um buraco negro só foi registrada com a ajuda de cientistas de dados. A partir daí, é possível ter uma ideia sólida sobre o alcance da ferramenta e o quanto ela pode beneficiar o seu negócio.
Entenda as vantagens competitivas e a ciência de dados
A ciência de dados está ligada diretamente ao Business Intelligence e às estratégias das empresas. Com soluções que vêm dos dados, é possível aumentar a competitividade sob vários aspectos. Vejamos alguns deles.
CRM (Customer Relationship Management)
Em bases de clientes, existem informações valiosas para as empresas, que, se bem utilizadas, podem melhorar a relação empresa-cliente.
Com os algoritmos apropriados, o cientista de dados consegue agrupar e apresentar relações que um simples passar de olhos não perceberia. Esses insights permitem criar necessidades para os mesmos clientes.
Customização
Após análise dos perfis dos clientes, uma empresa pode entender as necessidades e melhorar os produtos que já estão no mercado, além de aumentar as chances de sucesso no lançamento de novos produtos.
Análise de risco
Os aspectos que envolvem o sucesso dos negócios não são apenas provenientes da forma como a empresa é conduzida. Os fatores externos sociais e econômicos, reconhecidamente complexos, também influenciam no sucesso.
Cientistas de dados têm em mãos ferramentas que conseguem descobrir grande número de parâmetros relevantes, além de prever comportamentos futuros com grande assertividade.
Otimização de processos
Desde a melhor hora para enviar e-mails até a melhoria da contração de colaboradores, com a ciência de dados, a empresa otimiza processos ao compreender padrões e classificar respostas.
Conheça o que é Big Data e Data Analytics
Muitos se confundem com as diferenças entre o Data Science, o Big Data e o Data Analytics. É importante notar que o profissional de ciência de dados (Data Scientist) se envolve mais com questões como modelagem matemática e estática. Não à toa, é uma das profissões com maior remuneração no mercado, já que exige uma formação mais completa.
Já o Big Data tem relação com grandes quantidades de dados que não podem ser processadas efetivamente com ferramentas tecnológicas convencionais. Ele se concentra tanto nos dados estruturados como não estruturados, podendo ser utilizado para gerar informações valiosas e insights para a organização.
Na definição do Gartner, uma importante empresa de consultoria em tecnologia, o Big Data constitui um conjunto versátil de dados que exigem formas inovadoras de processamento de informações. O objetivo é gerar uma visão aprimorada dos negócios, fornecendo mais conhecimento para a tomada de decisões e viabilizando a automação de processos.
Já o Data Analytics, ou análise de dados, é o exame de dados brutos com o objetivo de tirar conclusões sobre essas informações. O Data Analytics envolve a aplicação de um processo algorítmico ou mecânico para obter insights. Por exemplo: percorrendo vários conjuntos de dados para procurar correlações significativas entre si.
É usado em vários setores para permitir que as organizações e empresas tomem decisões melhores, além de verificar ou melhorar processos já existentes. O foco do Data Analytics está na inferência, que é o processo de obter conclusões baseadas exclusivamente no que o pesquisador já sabe.
Outra diferença significativa é o foco em programação: o trabalho do Data Scientist exige um conhecimento maior em linguagens de programação próprias do setor, como Python e R. Já o profissional de Analytics se beneficia diretamente desse aprendizado, mas não o utiliza com tanta profundidade quanto o cientista de dados.
Essas são apenas algumas aplicações da ciência de dados. Tudo que envolve extrair informações relevantes de conjuntos de dados de qualquer tamanho já pode ser considerada uma solução dessa área.
Com o barateamento da aquisição de dados, armazenamento e processamento, e agora que você já sabe o que é Data Science, não existem mais desculpas para não dar esse passo rumo à competitividade.
Gostou das dicas e quer saber mais sobre como o trabalho com dados ajudou a incrementar as operações de uma gigante da indústria? Então aproveite a visita e leia, agora mesmo, o nosso post sobre o case de sucesso Nokia!
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?