Analytics

O que é e qual sua importância?

O que é analytics?

Inteligência analítica (em inglês, analytics) é um campo abrangente e multidimensional que utiliza técnicas de matemática, estatística, modelagem preditiva e machine learning para encontrar padrões e conhecimentos significativos nos dados.

Hoje, nós adicionamos tecnologias computacionais poderosas para armazenar volumes sempre maiores de dados e rodar algoritmos sofisticados — produzindo 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 obter respostas para perguntas que nunca pensamos em fazer. Esse é o poder do analytics.

Qual é a importância do analytics?

Desde o primeiro censo demográfico conhecido, realizado pelo governo sueco em 1749, aos registros e análises de dados sobre mortalidade por Florence Nightingale nos anos 1850, ao estudo sobre tabaco e câncer de pulmão pelo fisiologista britânico Richard Doll na década de 1950, a análise de dados tem fomentado a descoberta de novos conhecimentos por centenas de anos.

Cada um dos cenários acima exigia a solução para uma pergunta até então sem resposta. No século XVIII, os suecos queriam saber como sua população estava distribuída geograficamente para entender a melhor maneira de sustentar uma força militar apropriada. Nightingale queria saber os efeitos que a higiene e a enfermagem tinham sobre taxas de mortalidade. Doll queria saber se pessoas que fumam tinham maior probabilidade de sofrer de câncer de pulmão.

Todos esses visionários sabiam que o instinto não era suficiente. A análise de dados pode revelar correlações e padrões. Há menos dependência de palpites ou da intuição. E ainda pode ajudar a responder perguntas do tipo:

  • O que aconteceu?
  • Como ou por que aconteceu?
  • O que está acontecendo agora?
  • O que é mais provável de acontecer na sequência?

Com computadores mais rápidos e poderosos, surgem oportunidades para o uso de analytics e big data. Seja determinando riscos de crédito, desenvolvendo novos medicamentos, descobrindo métodos mais eficientes para entregar produtos e serviços, prevenindo fraudes, revelando ameaças à segurança cibernética ou retendo clientes valiosos, o analytics pode ajudá-lo a entender sua organização — e o mundo ao redor.

 

Mais sobre Analytics

 

Decisões baseadas em fatos tornaram-se nossa força competitiva. Não usar analytics deixou de ser uma opção.

Dan Ingle
Vice-Presidente de Tecnologia Analítica na Kelley Blue Book
Read the story

Métodos analíticos populares

Há três tipos predominantes de analytics em uso hoje:

  • Estatística descritiva. Estatística descritiva é a forma mais antiga de analytics. Lembra dos suecos de 1749? Tabular a contagem populacional foi uma introdução precoce à análise descritiva — um resumo dos pontos de dados coletados. Esses são os modelos que te ajudarão a entender o que aconteceu e por quê. Há muitas análises descritivas em uso ainda hoje — desde quantos cliques uma página recebe à razão entre o número de unidades produzidas vs. o número de vendas.
  • Análise preditiva. Análise preditiva já surgiu popular. O desejo de prever o comportamento do consumidor foi um dos seus maiores fatores. O crescente poder computacional, com capacidade de rodar centenas ou milhares de modelos rapidamente — e a adoção abrangente de técnicas preditivas como máquinas de vetores de suporte, redes neurais e florestas aleatórias — estão trazendo a análise preditiva ao centro de muitas organizações. Esses modelos utilizam dados anteriores e algoritmos preditivos para ajudá-lo a determinar a probabilidade do que irá acontecer em seguida.
  • Análise prescritiva. A análise prescritiva é a grande novidade por aqui. Saber o que irá acontecer e saber o que fazer são duas coisas diferentes. A análise prescritiva responde à questão do que fazer quando fornecemos informações sobre decisões com base em cenários futuros previstos. A chave para um bom uso de análises prescritivas requer a capacidade de reunir big data, dados contextuais e muito poder computacional para obter respostas em tempo real.

Como extrair o máximo de valor do analytics

Analytics é um termo amplamente utilizado. Como decidir qual é o melhor tipo para sua organização? Tal como na maioria das viagens, um destino analítico é um bom ponto de partida. Ainda que seja o mais básico. Você tem que saber onde quer ir e o que pretende ver; daí, reunir tudo o que for necessário para levá-lo até lá.

Na jornada analítica de hoje, você tem dados. Você tem computadores. O que fazer a seguir? O primeiro passo é decidir quais problemas você está tentando resolver ou quais respostas você está procurando. Qual parte da sua empresa precisa ser aperfeiçoada? 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 item em particular?
  • Onde devemos alocar uma nova fábrica?
  • Quem irá receber o catálogo ou panfleto mais recente?
  • Qual a taxa de juros que cada cliente deve receber?
  • Por que estamos perdendo clientes em uma região específica?

Com os dados certos e os modelos analíticos apropriados, você poderá responder a todas essas perguntas e mais. A oportunidade de produzir conhecimento e insights nunca foi maior.

Como começar a usar analytics

Muito provavelmente, sua jornada analítica envolverá um esforço multidepartamental. O ciclo de vida analítico é iterativo e interativo. Funcionários com diferentes experiências e habilidades devem participar de estágios variados do processo. Para alcançar resultados melhores, as empresas precisam colocar pessoas com as habilidades certas em jogo, e capacitá-las para trabalharem juntas.

  • Um gerente identifica um tópico ou problema que requer insights extraídos de analytics, toma uma decisão executiva a partir das análises e monitora os retornos obtidos da decisão.
  • Um analista conduz explorações e visualizações de dados, e trabalha para identificar variáveis importantes que influenciam resultados.
  • Os times de TI e gestão de dados facilitam a preparação dos dados, além da implantação e do monitoramento dos modelos.
  • Um cientista de dados — ou um minerador de dados — realiza análises exploratórias mais complexas, segmentação descritiva e modelagem preditiva.
  • Algumas organizações estão, inclusive, criando funções de Chief Analytics Officer e contratando mais cientistas de dados para assistir ao desejo crescente de obter respostas e insights baseados em analytics..

Concentre sua jornada em um ciclo de vida iterativo

No SAS, nós segmentamos a jornada analítica em passos mais detalhados e iterativos, os quais chamamos de ciclo de vida analítico.

  • Identifique o problema. Unidades de negócio especificam as necessidades, o escopo, condições de mercado e 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 habilidoso constrói o modelo utilizando softwares de análises estatísticas, mineração de dados ou mineração de textos, incluindo a capacidade crítica de transformar e selecionar variáveis-chave. Os modelos precisam ser construídos rapidamente para que os modeladores possam aplicar testes do tipo ‘tentativa e erro’, e 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 aprovados para uso em produção, o modelo é aplicado aos 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.
analytical life cycle

O ciclo de vida analítico te guia pelas etapas necessárias para produzir insights baseados em fatos que, enfim, resultam em vantagens competitivas.

 

Conheça as soluções de analytics do SAS

Descubra nossas soluções de analytics para sua indústria.

Quer mais Insights?

Big Data Insights

Big Data

Obtenha mais insights sobre big data, incluindo artigos, pesquisas e outros assuntos importantes.

Fraud & Risk Insights

Fraude & Segurança

Descubra novos insights sobre fraude e segurança através de pesquisas, artigos relacionados e muito mais.

Marketing Insights

Marketing

Explore insights de especialistas e influencers sobre uma variedade de tópicos atuais.

Back to Top