Análise

Clique no infográfico para saber mais.

Dados

Atualmente, os dados são rápidos, muitos e complexos. As soluções de análise têm de analisar dados de todos os tipos, incluindo dados estruturados tradicionais e formatos emergentes, tais como, dados de sensores de transmissão, imagens e vídeo.

Para aceder, preparar, limpar e governar esses dados, também precisa de uma estratégia de gestão de dados.

Como é que irá recolher, limpar e armazenar os dados? Estima-se que a preparação de dados consuma 80% do tempo gasto num processo analítico. Não seria mais útil gastar este tempo a criar modelos?

Uma plataforma de análise inteligente simplifica a preparação de dados com motores de acesso nativos, qualidade de dados integrada e ferramentas de preparação de dados que automatizam tarefas morosas com IA.

Por último, a governança de dados garante que se pode confiar nos seus dados porque sabe a fonte e conteúdo dos mesmos, além disso, pode monitorizar a qualidade dos dados. A governança de dados também torna mais fácil a proteção dos dados, quando é apropriado.

Descoberta

A descoberta gira em torno da exploração, visualização e construção de modelos. Encontrar o algoritmo certo costuma ser um processo de tentativa e erro. Todavia, quando é fácil documentar, guardar e comparar esses ensaios, o processo flui melhor.

Escolher os algoritmos certos depende de vários fatores, tais como: tamanho dos dados, necessidades de negócio, tempo de treino, parâmetros, pontos de dados e muito mais. Até mesmo os cientistas de dados mais experientes não lhe vão conseguir dizer qual o algoritmo com o melhor desempenho antes de testarem múltiplas abordagens.

De facto, é comum na fase de descoberta, comparar modelos diferentes, escritos numa linguagem de programação diferente, com características de dados diferentes.

Por exemplo, uma análise de projeto recente que utilizou a deteção de objetos para identificar tumores em scans médicos de fígados, começou por explorar várias redes neurais, e demorou algumas semanas a fazer a documentação e comparação dos resultados dos diferentes modelos.

Este processo colaborativo funciona melhor quando os cientistas de dados, com diferentes aptidões, conseguem escrever código numa linguagem da sua escolha, e quem não percebe de programação consegue utilizar uma interface visual de apontar e clicar para explorar os resultados de várias abordagens analíticas.

Implantação

Se quer tirar proveito dos seus esforços de análise, precisa de implementar os resultados das suas descobertas e pô-los em prática. A aprendizagem automática e outros modelos não são feitos para ficar a ganhar pó – deve utilizá-los para retirar valor comercial dos mesmos. Ainda assim, a fase de implantação é onde a maioria das organizações tem mais dificuldades.

Quer esteja a construir um só modelo, ou milhares, passar dos modelos escolhidos à implementação exige gestão de modelos. A gestão de modelos dá-lhe controlo de versões e ajuda a registar, validar e gerir de forma centralizada os seus modelos. Ajuda a desenvolver procedimentos e regras para a implementação e monitorização de modelos. Para além disso, ganha transparência acerca dos dados e utilização do modelo.

O seu objetivo deve ser criar modelos uma vez e implementá-los onde quer que seja – para dashboards executivos, diretamente em sistemas operacionais ou integrados noutras aplicações através de APIs.