Informação que pode contribuir para o sucesso de muitos negócios, mas que por si só é insuficiente: é preciso alguém com as competências necessárias para armazenar e potenciar esses dados. Os perfis capazes de armazenar, organizar e interpretar bases de dados estão entre os mais procurados atualmente e a tendência é para continuar a aumentar nos próximos anos.
Data Science and Data analytics: quais as diferenças?
São cada vez mais raros os negócios que não tratam da sua base de dados de uma forma mais estruturada. A dada altura, mesmo os gestores menos familiarizados, acabam por se deparar com termos como Data Science e Data Analysts, mas o que significam exatamente?
Uma base de dados que não esteja estruturada e limpa vai permite retirar ensinamentos e nem conclusões rigorosas. Daí a importância destas duas funções.
“Quando alguém analisa um determinado conjunto de dados, não se limita a responder: ‘ok, a resposta é 17. Está feito!’”, explica Janice Hammond, professora da escola de negócios de Harvard. “É necessário fazer perguntas como: o que é que estes dados me podem dizer sobre o contexto do negócio, a concorrência, os clientes e os fornecedores. Os gestores devem fazer perguntas como: em que medida é que estes dados validam, ou não, as hipóteses formuladas antes de efetuar esta análise? Igualmente importante é perguntar: o que é que fiquei a saber sobre os pressupostos que estiveram na base desta análise? São válidos ou apresentam falhas? Cada análise deve resultar num ciclo de feedback que permitem aprofundar a aprendizagem”.
Data science designa o processo de construir, limpar e estruturar bases de dados com o objetivo de serem analisados.
Data analytics, como o nome já indica, refere-se à prática de analisar dados com o objetivo de responder a questões, aprofundar o conhecimento sobre um determinado assunto e identificar, ou inclusive antecipar, tendências.
De um ponto de vista estrutural podemos ver Data Science como o precursor de Data Analysis.
Data Science nos negócios
Nos negócios, Data Science é utilizado para recolher, organizar e manter bases de dados, frequentemente com a ajuda de algoritmos que permitem a análise de extensas bases de dados. Quando devidamente desenhados e testados, estes algoritmos são capazes de captar informações ou tendências que escapam aos humanos. Também são capazes de acelerar significativamente os processos de armazenamento e de análise dos dados.
Data Science pode ser utilizada para:
- Obter informações sobre clientes: dados sobre os seus clientes podem revelar detalhes sobre os seus hábitos, a sua demografia, os seus gostos e os seus desejos. O domínio dos fundamentos de Data Science ajuda a fazer sentido e a potenciar a informação com vista a aumentar a satisfação dos clientes e a reorientar o público-alvo.
- Aumentar a segurança: também pode usar a data science para aumentar a segurança do seu negócio e proteger informações sensíveis. Por exemplo, algoritmos de machine learning são capazes de detetar fraudes em contas bancárias mais facilmente e mais rapidamente do que os humanos simplesmente devido à quantidade exponencial de dados gerados diariamente.
- Informar o departamento financeiro. O departamento financeiro da sua empresa pode utilizar data science para criar relatórios, fazer previsões e analisar tendências financeiras. As empresas geram constantemente dados sobre a sua tesouraria, os seus ativos e os seus passivos que podem ser utilizados pelos analistas financeiros para detetar manualmente ou através de algoritmos tendências sobre, por exemplo, o crescimento ou o declínio financeiro da empresa.
- Agilizar a produção. As máquinas manufaturadoras extraem grandes quantidades de dados dos seus processos de produção. Quando a quantidade de dados recolhidos é demasiado elevada para analisada manualmente por um ser humano, pode-se recorrer-se a um algoritmo com a função de limpar, estruturar e interpretar esses dados rapidamente e com rigor de forma a obter informações que permitem aperfeiçoamentos que permitem reduzir os custos.
- Antecipar tendências de mercado. Recolher e analisar dados em grande escala pode possibilitar antecipar tendências de mercado que ainda estão a emergir. Manter-se atualizado em relação às tendências do seu publico alvo pode ser uma ajuda preciosa para tomar decisões que o vão ajudar a manter-se um passo à frente da concorrência.
Data analytics nos negócios
O principal objetivo dos business analytics é extrair conhecimentos relevantes das bases de dados que tenham uma importância estratégica e que possam ajudar a empresa a atingir os seus objetivos. Analistas podem servir para:
- Orçamentar e fazer previsões: ao analisar o histórico das receitas, das vendas e dos custos da empresa relativamente aos seus objetivos de crescimento, o business analyst pode identificar o orçamento e os investimentos necessários para atingir esses objetivos.
- Risk management. Ao ser capaz de avaliar a probabilidade de ocorrência de determinados riscos – e os seus respetivos custos – o business analyst pode fazer recomendações decisivas para reduzir a probabilidade e/ou o impacto dessas ocorrências.
- Marketing e vendas. O domínio de métricas essenciais, como rácios de conversão de lead-to-customer (aquisição de clientes por contacto efetuado) e os respetivos custos, um analista pode efetuar recomendações para aumentar a eficácia e reduzir os custos de aquisição.
- Desenvolvimento de produto. Ao compreender a forma como, no passado, os clientes reagiram às características de um determinado produto, o business analyst pode contribuir para melhorar o desenvolvimento, o design e a usabilidade de um produto ou serviço no futuro.
BUSINESS INSIGHS (Caixa)
4 tipos de analytics
Analytics são usadas para extrair das bases de dados informações relevantes capazes de aperfeiçoar o delineamento da estratégia e aumentar a eficácia da tomada de decisões. Há 4 tipos de analytics que podem ser utilizados dependendo do tipo de dados disponíveis e do tipo de informações que se pretende obter.
- Analítica descritiva. Olha para os dados para examinar, perceber e descrever algo que já aconteceu.
- Analítica diagnóstica. Mais aprofundada do que a descritiva, a diagnóstica tenta perceber o “porquê” do que aconteceu.
- Analítica previsível. Depende do histórico de dados, tendências do passado, e pressupostos para responder a questões sobre o que irá acontecer no futuro.
- Analítica prescritiva. Analisa ações especificas que um indivíduo ou uma empresa devia efetuar para atingir determinado objetivo.
Dados: ecossistema e ciclo de vida
O termo “ecossistema de dados” refere-se às linguagens de programação, algoritmos, serviços de cloud-computing e infraestruturas em geral utilizadas pelas empresas para recolher, armazenar, analisar e potenciar a utilização de dados. Cada empresa é única na forma como utiliza os seus dados, o que faz com que cada uma tenha também o seu próprio ecossistema.
O ciclo de vida descreve o caminho percorrido desde o momento em que os dados foram recolhidos até à altura em que foram interpretados e deram origem a informação. Podemos dividir este ciclo em oito etapas: criação, recolha, processamento, armazenamento, gestão, análise, visualização e interpretação.
Os passos de um determinado projeto com base em dados costumam ser chamados de ciclo porque os conhecimentos resultantes servem geralmente de informação para o próximo projeto dando origem a um novo ciclo.
Privacidade de dados e ética
Também conhecida como privacidade da informação, a privacidade de dados é uma subcategoria da proteção de dados que engloba obrigações éticas e legais para proteger o acesso a informações pessoais identificáveis, que é qualquer informação que possa ser associada a um determinado individuo, como o nome, o número de segurança social ou a morada.
A privacidade de dados pode resumir-se a três questões principais: que dados são recolhidos? Como são armazenados? Quem tem acesso a esses dados?
A ética neste campo refere-se essencialmente à necessidade de pedir o consentimento para recolher, armazenar e utilizar dados pessoais de um determinado individuo.
Alguém que trabalha com dados tem a responsabilidade de ser transparente acerca das intenções, da utilização e do acesso a esses dados. Acresce ainda a obrigação de assegurar-se de que a utilização desses dados não prejudicará o individuo em questão. Tanto os data scientists como os business analysts devem demonstrar um standard elevado de ética e de privacidade.
Integridade de dados
Dados íntegros são dados exatos, completos e qualitativos mantidos ao longo do tempo e através de várias plataformas. É um processo constante que deve fazer parte da ambição de qualquer empresa. Este processo inclui:
Erro humano: por exemplo, apagar por engano, uma linha de dados numa folha Excel.
Inconsistência através de formatos: um conjunto de dados em Microsoft Excel que depende em referenciamento pode não ser exato em formatações que não permitem o referenciamento destas células.
Erro na recolha: por exemplo, os dados recolhidos não são exatos ou estão incompletos resultando numa imagem incompleta do assunto em análise.
Ciber-segurança: por exemplo alguém infiltrasse na base de dados da sua empresa com a intenção de danificar ou violar informação.
Caixa
Conhecimentos necessários
Pensamento crítico
Quem estiver interessado em usar dados para resolver problemas de negócios deve começar por pensar de forma crítica sobre problemas e soluções. Embora os dados possam fornecer várias respostas não são nada sem o olhar discernido do ser humano.
Formular hipóteses e testar
O desejo de encontrar resposta às questões que se levantam deve fazer parte das características de base de um analista de dados. As explicações propostas para as questões levantadas são denominadas hipóteses, que devem ser lançadas antes da análise ser efetuada. Sem a existência de hipóteses, a análise carece de uma direção clara.
Data wrangling
É o processo de limpeza e purificação dos dados em estado bruto destinados à análise. Envolve identificar e corrigir erros, completar dados incompletos, organizar e transferir os dados num formato simples e compreensível. Esta competência é importante na medida em que permite uma maior eficiência e uma melhor organização do processo da análise de dados.
Conhecimentos de matemática
Não é necessário ser um matemático para trabalhar na análise de dados, mas ter conhecimentos sólidos de matemática vão-se tornando cada vez mais importantes à medida a complexidade da análise dos dados vai aumentando. Um profissional experiente em análise de dados necessita de bases sólidas em estatística para estruturar os dados e efetuar previsões, e de álgebra linear e cálculos com múltiplas variáveis para facilitar a compreensão de algoritmos de machine learning. Quem não é data scientist ou analyst não tem obrigatoriamente de perceber conceitos matemáticos mais complexos, mas possuir um conhecimento de base de estatística pode ajudar bastante.
Visualização de dados.
Saber transformar dados em estado bruto em gráficos informativos (pie charts, bar charts, histograms) capazes de contar uma história é uma competência fundamental para um data analyst. Em vez de apresentar uma simples lista de valores é bastante mais eficiente comunicar os dados visualmente de forma a serem entendidos e assimilados mais facilmente. Para criar estes visuais é habitual recorrer a programas de visualização de dados, como Microsoft Excel e Power BI, Google Charts, Tableau, Zoho Analyics, Data Wrapper e Infogram.
Programação
Linguagens de programação, como Python e R, são utilizadas regularmente para resolver problemas estatísticos complexos de dados. O domínio de uma base de dados de querying language como SQL pode ajudar a extrair e mudar mais facilmente os dados numa base de dados. Apesar de serem extremamente uteis, conhecimentos de programação não são absolutamente necessários para quem está a dar os primeiros passos nos dados. É mais importante concentrar-se em visualizar e analisar de forma eficiente os dados para retirar conclusões.
Machine learning
À medida que a inteligência artificial cresce de popularidade, as competências em machine learning vão-se tornando cada vez mais importantes para os profissionais que trabalham com Big Data. A designação Machine Learning refere-se ao recurso a algoritmos que aprendem dos dados e adaptam-se em função dos mesmos. Mesmo para os que não são responsáveis por escrever código, conhecer as bases de Machine Learning pode contribuir para um conhecimento mais aprofundado da empresa e aumentar a eficiência através da automatização.