Analytics
O que é e qual sua importância?
O que é analytics?
Inteligência analítica (em inglês, analytics) é um campo abrangente e multidimensional que se utiliza de técnicas matemáticas, estatísticas, de modelagem preditiva e machine learning para encontrar padrões e conhecimento significativos em dados.
Hoje, adicionamos computadores poderosos ao mix para armazenar quantidades sempre maiores de dados e executar algoritmos sofisticados – produzindo os insights rápidos necessários para tomar decisões baseadas em fatos. Ao unirmos a ciência dos números, dados e analytical discovery, podemos descobrir se o que achamos ou acreditamos é realmente verdade, e produzir respostas para perguntas que nunca pensamos em fazer. Esse é o poder do analytics.
Qual a importância do analytics?
Desde o primeiro censo populacional conhecido, realizado pelo governo sueco em 1749, até Florence Nightingale registrando e analisando dados de mortalidade na década de 1850, ao estudo do acadêmico britânico Richard Doll sobre a relação entre tabaco e câncer de pulmão nos anos 1950, a análise de dados tem estimulado a produção de conhecimento por centenas de anos.
Cada um dos cenários acima exigiu uma resposta a uma pergunta que ainda não havia sido solucionada. No século XVIII, os suecos queriam saber a distribuição geográfica de sua população para aprender a melhor maneira de sustentar uma força militar apropriada. Nightingale queria saber a influência que a higiene e a enfermagem desempenhavam sobre as taxas de mortalidade. Doll queria saber se as pessoas que fumavam eram mais propensas a sofrer de câncer de pulmão.
Cada um desses pioneiros sabia que o instinto não era suficiente. A análise de dados pode revelar correlações e padrões. Há menos necessidade de confiar em suposições ou na intuição. E isso pode ajudar a responder a perguntas como:
- O que aconteceu?
- Como ou por que aconteceu?
- O que está acontecendo agora?
- O que provavelmente irá acontecer em seguida?
Com computadores mais rápidos e poderosos, a oportunidade para o uso de análises e big data é abundante. Seja determinando riscos de crédito, desenvolvendo novos medicamentos, encontrando maneiras mais eficientes de fornecer produtos e serviços, prevenindo fraudes, descobrindo ameaças cibernéticas ou retendo os clientes mais valiosos, a inteligência analítica pode ajudar você a entender sua organização – e o mundo ao seu redor.
Mais sobre analytics
- Dos Dados à Ação
30 insights dos melhores especialistas para te ajudar a transformar Big Data em lucro.
- Leia o artigo do MIT Sloan Management Review: "Analytics como uma Fonte de Inovação para os Negócios"
A inteligência analítica mudou – para melhor – a forma com que empresas inovam e chegam ao sucesso.
Decisões baseadas em fatos tornaram-se nossa força competitiva. Usar ou não usar analytics deixou de ser uma opção
Dan Ingle
Vice-Presidente de Tecnologia Analítica, Kelley Blue Book
Conheça a história
Métodos analíticos populares
Existem três tipos predominantes de analytics em uso hoje:
- Estatística descritiva. A estatística descritiva é o tipo mais antigo de analytics. Lembra dos suecos em 1749? Tabular a contagem da população foi uma primeira investida de análise descritiva – o resumo dos pontos de dados coletados. Esses são os modelos que ajudarão você a entender o que aconteceu e por que. Ainda existem diversas análises descritivas em uso hoje – desde quantos cliques uma página recebe à razão entre quantas unidades são produzidas sobre o número de unidades vendidas.
- Análise preditiva. A análise preditiva tem ganhado popularidade. O desejo de prever o comportamento do consumidor tem sido um dos seus principais impulsionadores. O crescente poder computacional com capacidade de executar centenas ou milhares de modelos rapidamente – e a ampla adoção de técnicas preditivas, como máquinas de vetores de suporte, redes neurais e florestas aleatórias – estão levando a análise preditiva para dentro de muitas organizações. Esses modelos usam dados históricos e algoritmos preditivos para ajudá-lo a determinar a probabilidade do que acontecerá em seguida.
- Análise prescritiva. A análise prescritiva é a grande novidade. Saber o que vai acontecer e saber o que fazer são duas coisas diferentes. A análise prescritiva responde à segunda pergunta, fornecendo informações sobre decisões ideais com base nos cenários futuros previstos. O segredo para a análise prescritiva é usar big data, dados contextuais e muita capacidade computacional para produzir respostas em tempo real.
Como obter o máximo de valor do analytics
Analytics é um termo amplamente usado. Como você pode saber qual método é o melhor para a sua organização? Como a maioria das viagens, um destino analítico é um bom lugar para começar. Ainda que seja o mais básico. Você tem que saber onde você quer ir e o que você quer ver, para, então, reunir o que for necessário para chegar até lá.
Na jornada analítica de hoje, você tem dados e computadores. O que fazer em seguida? O primeiro passo é entender qual problema você está tentando resolver ou quais respostas você está procurando. Qual parte da sua organização precisa de melhorias? Quais decisões precisam ser tomadas? Qual é o objetivo da sua jornada analítica? Mais especificamente, você pode querer responder a perguntas como:
- Quanto devemos cobrar por um determinado item?
- Onde devemos instalar uma nova fábrica?
- Quem receberá o catálogo ou a documentação mais recente?
- Qual taxa de juros cada cliente deve pagar?
- Por que estamos perdendo clientes em uma determinada região?
Com os dados certos e os modelos analíticos adequados, você poderá responder a essas perguntas e muito mais. A oportunidade de produzir conhecimento e insights nunca foi tão grande.
Primeiros passos com analytics
Muito provavelmente, sua jornada analítica envolverá um esforço de equipe multidepartamental. O ciclo de vida analítico é iterativo e interativo. Colaboradores com formações e habilidades diferentes devem estar envolvidos em vários estágios do processo. Para obter melhores resultados, as organizações precisam colocar as pessoas com as habilidades certas em campo e permitir que elas trabalhem juntas.
- Um gerente de negócios identifica uma pergunta ou problema que requer insights orientados por analytics, toma a decisão com base nas análises e monitora os resultados da decisão;
- Um analista de negócios realiza trabalhos de exploração e visualização de dados para identificar as principais variáveis que influenciam os resultados;
- Os times de gerenciamento de dados e TI ajudam a facilitar o processo de data preparation, bem como a implantação e o monitoramento de modelos;
- Um cientista de dados ou minerador de dados realiza análises exploratórias mais complexas, segmentação descritiva e modelagem preditiva;
- Algumas organizações estão até criando a função de chief analytics officer e contratando mais cientistas de dados para realizar seu desejo crescente por respostas e insights baseados em inteligência analítica.
Centralize sua jornada em torno de um ciclo de vida iterativo
No SAS, segmentamos a jornada analítica em passos mais detalhados e iterativos, os quais chamamos de ciclo de vida analítico.
- Identifique o problema. Unidades de negócios especificam as necessidades, o escopo, as condições de mercado e o objetivo relacionados ao problema que desejam resolver. Isso os levará à seleção de uma ou mais técnicas de modelagem;
- Prepare os dados para análise. Dependendo do problema e dos métodos de análise propostos, este passo envolve o uso de técnicas específicas para localizar, acessar, limpar e preparar os dados para obter resultados otimizados. No nosso mundo multifacetado de dados, isso pode significar dados oriundos de sistemas transacionais, arquivos de texto não-estruturados e data warehouses;
- Explore os dados. É o momento de explorar os dados de maneira interativa e visual para rapidamente identificar variáveis relevantes, tendências e relações. Quando as variáveis são plotadas, a forma dos dados passa-se a chamar ‘distribuição de dados’. Você pode usar as formas para identificar padrões;
- Transforme os dados e crie modelos. Um analista ou modelador capacitado constrói o modelo usando um software de estatística, mineração de dados ou mineração de texto, incluindo-se aí a capacidade crítica de transformar e selecionar variáveis-chave. Os modelos precisam ser criados rapidamente para que os modeladores possam realizar testes do tipo 'tentativa e erro' para encontrar o modelo que produz os melhores resultados;
- Teste e valide modelos. Uma vez construído, o modelo é registrado, testado (ou validado), aprovado e declarado pronto para uso. Com um repositório centralizado, você pode armazenar uma extensa documentação sobre o modelo, códigos de marcação e metadados associados (dados sobre os dados) para o compartilhamento e controle de versão colaborativos que são necessários para fins de auditoria;
- Implemente modelos. Quando aprovado para uso em produção, o modelo é aplicado a novos dados para gerar insights preditivos;
- Monitore e avalie modelos. A performance preditiva do modelo é monitorada para garantir que ele está atualizado e entregando resultados válidos. Se a performance do modelo cair, é hora de fazer mudanças. Quando ele não funcionar mais, é hora de aposentá-lo.