É um erro terrível teorizar antes de termos informação.”
– Arthur Conan Doyle
São gerados, diariamente, 2,5 quintilhões de bytes (sendo 1 quintilhão igual a 10 elevado a 18ª potência) ao redor do mundo. De publicações de usuários nas redes sociais a movimentações financeiras, esses dados são de extrema importância para as organizações, já que podem auxiliá-las a conhecer as reais demandas dos consumidores, compreender seus hábitos de compra e até prever eventuais crises no mercado e ações dos concorrentes.
Em um mundo cada vez mais competitivo e dinâmico, ser capaz de antecipar as variações mercadológicas é um fator determinante para a sobrevivência de uma empresa. E esse é justamente o grande objetivo do gerenciamento de Big Data.
O termo Big Data pertence ao universo da tecnologia da informação (TI) e corresponde ao enorme volume de dados produzido e armazenado continuamente por indivíduos e organizações. O Big Data apresenta crescimento incrivelmente rápido e ininterrupto, já tendo atingido tamanha proporção que os aplicativos de processamento de dados disponíveis ainda não são capazes de processá-lo integralmente.
Sendo assim, o Big Data exige o uso de uma série de ferramentas de TI que possibilitam a captura, análise e arquivamento de registros em tempo real. As informações podem ser oriundas de dispositivos eletrônicos, processos internos, redes sociais e até de ambientes off-line.
Essas ferramentas têm como principal vantagem a centralização da captação e da análise de uma grande quantidade de registros. Nesse processo, técnicas sofisticadas de estatística são aplicadas para ajudar os analistas a identificarem padrões, descobrindo tendências e detectando problemas ou oportunidades com muito mais precisão.
O conhecimento antecipado de probabilidades e eventos permite que a empresa se prepare melhor para as alterações do mercado, mantendo um nível de competitividade satisfatório diante de diferentes situações.
Big Data e Business Intelligence (BI) como cartas na manga
Saber muito não lhe torna inteligente. A inteligência se traduz na forma que você recolhe, julga, maneja e, sobretudo, onde e como aplica esta informação.”
– Carl Sagan
Em 2013, uma pesquisa da Universidade de Oxford demonstrou a participação de Big Data nas companhias modernas. Ao ouvir 1.144 gestores de 95 países, o estudo revelou que 53% das empresas já usavam Big Data para entender e otimizar a experiência do cliente (IBM, 2013).
De fato, as vantagens do emprego de Big Data são muito mais amplas do que a experiência do cliente. Essa tecnologia pode ser utilizada para diversas finalidades, como aperfeiçoar processos, minimizar custos, elevar a segurança na infraestrutura de tecnologia da informação (TI) e aumentar o ROI (Return on Investiment ou retorno sobre investimento).
Tudo isso é possível graças à utilização da TI aliada a programações matemáticas, estatísticas e ciências sociais. Não por acaso um recente levantamento da IDC, organização de pesquisa de mercado e consultoria, indicou que a estimativa de expansão do mercado mundial de Big Data é 600% superior à da TI até 2018, movimentando incríveis US$ 41,5 bilhões neste mesmo período (IDC, 2019).
Nos últimos anos, porém, os tremendos avanços tecnológicos relativos à comunicação e à informação – seja ela em nuvem, aplicativos móveis ou redes sociais – forçaram as empresas a irem além do uso convencional de Big Data. Entra em cena, então, o chamado Business Intelligence (BI) ou inteligência de negócios.
Toda empresa produz dados, seja ela grande ou pequena. Para gerenciá-los adequadamente, deve ser estabelecida uma estratégia de BI para a organização da informação. Os processos de Business Intelligence viabilizam esse ordenamento, realizando análises de dados visando indicar probabilidades e detectar padrões e insights. Dessa forma, o BI maneja as informações para orientar os gestores, dando acesso a dados exatos e essenciais.
O Business Intelligence, no entanto, vai muito além da mera observação. Os profissionais de BI de uma empresa, geralmente encarregados de assuntos estratégicos, podem e devem participar do processo de tomada de decisão. A própria execução do que foi planejado e os resultados obtidos também devem ser acompanhados de perto e examinados por esses funcionários.
Investir em Business Intelligence, portanto, é indispensável para compreender a base de dados organizacionais e, a partir daí, definir medidas racionais e estratégicas. Por isso, podemos dizer que o BI atua como uma bússola para nortear os movimentos de uma empresa, utilizando-se para tanto de dados estruturados, isto é, claros e precisos.
Dados estruturados são aqueles que apresentam uma organização ao serem recuperados. Eles podem ser identificados através de linhas, colunas e etiquetas, facilitando o processo tecnológico de extração de informações.
Já os chamados dados não estruturados não disponibilizam informações sobre seu conteúdo. Um dado corresponde a um tipo organizado de informação, mas ela só assume essa forma se determinados campos forem preenchidos para que sua recuperação possa ser automatizada. Dados não estruturados, portanto, não possuem uma organização clara.
Os dados semi-estruturados, por sua vez, são um meio termo por apresentarem certa organização, embora de conteúdo bastante variado e confuso entre estrutura e valor, complicando sua captação e catalogação.
Big Data Analytics
Marketing sem dados é como dirigir com os olhos fechados.”
– Dan Zarrella
Um número cada vez maior de empresas, de diferentes segmentos e portes, vem lançando mão da filosofia de Big Data Analytics como instrumento de suporte estratégico. Big Data Analytics pode ser definido como o trabalho inteligente de análise de grandes quantidades de dados – estruturados, semi-estruturados e não-estruturados – coletados, arquivados e interpretados por softwares de última geração e alta performance. Nesse processo são realizados, em tempo recorde, inúmeros cruzamentos de dados dos ambientes interno e externo, disponibilizando informações valiosas para os tomadores de decisões.
Um software de Big Data Analytics lida com diversas fontes, dentre as quais destacam-se (Google Cloud, 2019):
- Arquivos de log de servidores web
- Relatórios empresariais
- Dados originários de mecanismos de Business Intelligence
- Pesquisas de satisfação
- Feedback de consumidores da empresa por e-mail ou telefone
- Reviews de produtos e serviços nos sites da empresa
- Publicações em mídias sociais
- Programas de fidelidade
- Indicadores macroeconômicos
A partir da extração e cruzamento dos dados acima, os softwares de Big Data Analytics são capazes de fornecer uma seleção das informações mais importantes para aperfeiçoar o desempenho organizacional. Tudo começa com densas análises de públicos por região. Quando se descobre quais são os produtos preferidos em uma determinada localidade, a companhia deve direcionar as vendas, tornando o atendimento mais adequado e eficiente.
Compreender o perfil do consumidor de uma região específica possibilita também a contratação de mão de obra especializada na assistência às demandas desse tipo de cliente. Afinal, o comprador de uma loja da zona oeste, por exemplo, pode possuir expectativas e necessidades diferentes das daquele que consome em outra loja da mesma marca, porém em outro endereço.
Essa é uma das grandes vantagens do uso de softwares de Big Data Analytics: a identificação de padrões. Ao conhecer o perfil de clientes de diferentes regiões, faixas etárias, classes sociais e hábitos, a organização torna-se apta a customizar as ofertas de produtos e serviços – como já costuma ocorrer no comércio virtual.
A aplicação de ferramentas de Big Data Analytics na detecção de padrões auxilia a empresa na diferenciação dos concorrentes, permitindo o lançamento de promoções, tipos de atendimento e programas de fidelidade exclusivos. Desse modo, a companhia consegue estabelecer uma conexão mais intensa com os consumidores, o que favorece também um apropriado desenvolvimento de mercadorias.
Com os negócios cada vez mais antenados em dados para orientar o processo decisório – fenômeno conhecido como data-driven marketing –, as empresas devem estar extremamente atentas a todo tipo de métrica disponível (leads, views, cliques, oportunidades, conversões, etc). Essas informações fornecem ótimos insights para a elaboração de estratégias futuras.
A redução de churn (perda de clientes) é outro benefício fundamental do Big Data Analytics. Clientes prestes a abandonar o uso de um produto ou serviço geralmente dão indícios comportamentais sutis. O Big Data Analytics atua identificando esses sinais, dando à empresa tempo hábil para tentar manter o consumidor.
Os 4 tipos de análise de dados
Sem dados você é apenas uma pessoa qualquer com uma opinião.”
– W. Edwards Deming
Com a expansão da economia digital os dados também se multiplicaram, e, se bem tratados, podem ser um dos principais ativos de um negócio.
Ao implementar o uso de análise de Big Data – o exame de quantidades massivas de dados para obter padrões, insights e tendências -, a organização não somente seguirá o caminho certo, mas também aumentará consideravelmente sua carteira de clientes e lucratividade.
Pesquisas recentes do centro de consultoria Aberdeen (Aberdeen, 2019) revelam a existência de fortes razões comerciais para a aplicação da análise de dados, como a diminuição de custos sem prejudicar o crescimento ou o relacionamento com os clientes. Paralelamente, 58% dos executivos financeiros seniores desejam aumentar a eficiência operacional através do uso de dados.
Peter Sondergaard, vice-presidente executivo da Gartner, explica o valor do Big Data (Gartner, 2019): “A informação é o petróleo do século XXI, e a análise é o motor de combustão. Perseguir isso estrategicamente criará uma quantidade sem precedentes de informações de enorme variedade e complexidade”.
Embora existam infinitos meios para examinar dados, quatro tipos de análise de Big Data merecem destaque por sua praticidade e potencial de geração de resultados:
- Análise preditiva:
Baseada no estudo de padrões passados armazenados em seus bancos de dados, a análise preditiva busca auxiliar a gestão empresarial na visão de futuras possibilidades em diversos campos de atuação da companhia. Com ela, as decisões deixam de ser meramente intuitivas e tornam-se muito mais lógicas, fundamentando-se no exame de dados sólidos e verificáveis.
A análise preditiva emprega estatísticas, mineração de dados e dados históricos para fazer suas previsões de cenários.
- Análise prescritiva:
Frequentemente confundida com a análise preditiva, a análise do tipo prescritivo utiliza os mesmos mecanismos, porém com outras metas. Assim, em vez de tentar descobrir futuras tendências, a análise prescritiva dedica-se a antecipar os possíveis efeitos de uma determinada ação.
Trata-se aqui de identificar a melhor escolha para cada situação, relacionando alguns padrões e indicando os prováveis resultados de cada intervenção.
- Análise descritiva:
Este tipo de análise corresponde ao estudo em tempo real dos acontecimentos através da mineração de dados. O exemplo mais comum de análise descritiva é a análise de crédito realizada por bancos e instituições financeiras em geral. Nesse procedimento, as informações de uma pessoa ou empresa são analisadas prontamente para estimar os riscos relacionados ao empréstimo solicitado, gerando taxas de juros específicas para cada caso.
- Análise diagnóstica:
A análise diagnóstica procura compreender de modo causal (Quem, Quando, Como, Onde e Por que) todas as possibilidades de uma base de dados. Em uma ação de marketing, por exemplo, é possível avaliar o alcance e os resultados dessa ação após sua execução por meio da análise diagnóstica.
Quando aplicada em grandes bases de dados, esse tipo de análise possibilita também compreender as razões por trás de cada resultado obtido, ajudando na elaboração de melhores estratégias no futuro.
A FELLIPELLI acredita na formação de equipes coesas, multidisciplinares e focadas para o sucesso organizacional. Por isso, oferecemos diversos assessments, cada um dedicado a uma necessidade específica: Programa Lead 4 Success (desenvolvimento de lideranças), ADAM MILO® (recrutamento e seleção de pessoas) e Team Management Profile® (desenvolvimento de equipes).
Para saber mais:
- Big Data Como extrair volume, variedade, velocidade e valor da avalanche de informação cotidiana. Viktor Maioer-Sch Nberger & Kenneth Cukier. Editora Elsevier, 2013.
- Big Data no trabalho Derrubando mitos e descobrindo oportunidades. Editora Elsevier, 2014.
- Data Science para negócios O que você precisa saber sobre mineração de dados e pensamento analítico de dados. Foster Provost & Yom Fawcett. Alta Books, 2016.
- Data Smart Usando Data Science para transformar informação em insight. John W. Foreman. Alta Books, 2016.
REFERÊNCIAS BIBLIOGRÁFICAS
-
IBM, 2013. Analytics: The real-world use of big data in financial services. In collaboration with Saïd Business School at the University of Oxford.
-
IDC, 2019. Worldwide Big Data and Analytics Software Forecast, 2018–2022 Acesso em: 25/01/2019.
-
Google Cloud, 2019. Análise de Big Data. Acesso em: 25/01/2019.
-
Aberdeen, 2019. 4 Ways Predictive Analytics Can Boost Your Sales. Acesso em: 25/01/2019.
-
Gartner, 2019. Acesso em: 25/01/2019.
Tema principal: Cultura Organizacional.
Subtemas: Introdução ao conceito Big Data, relacionando-o ao Business Intelligence (BI) e destacando a importância do Big Data Analytics para a performance organizacional.
Objetivo: Desenvolvimento Organizacional, Coaching nas Empresas, Team Building, Desenvolvimento de Liderança.