Analytics: a inteligência por trás da descoberta, interpretação e comunicação de dados

Por JP Magalhães, Professor na CESAR School e Consultor em Inteligência Artificial no CESAR.

A captura e processamento de informações para a tomada de decisões não é algo recente na história humana. Nossos ancestrais precisavam reconhecer padrões da natureza, como rastros de animais ou como seria o clima, para identificar oportunidades ou perigos.

Independentemente da utilização de tecnologia, isso é algo que continuamos fazendo cada vez mais em nosso dia-a-dia nos negócios: observar determinado cenário, identificar problemas, coletar informações sobre esses, analisar suas causas, prever desdobramentos futuros e indicar ações que revertam o mesmo em cenários positivos. É nesse contexto que começamos a falar sobre organizações que seguem uma cultura Data Driven.

Um dos pontos de partida para essa cultura é a dataficação, processo de transformação de diversos aspectos do mundo físico em digital por meio da coleta de informações anteriormente invisíveis digitalmente, permitindo a aplicação de ferramentas de análise e a consequente extração de valor para os negócios.

E é dentro da seara de análise que adentramos no conceito de Analytics que, apesar de ser termo amplamente utilizado, muitas vezes é compreendido apenas como um sinônimo de alguns gráficos em um dashboard ou de ferramentas de Business Intelligence (BI), porém, é algo que vai muito além disso.

O que é Analytics?

Analytics é uma área de aplicação multidisciplinar que utiliza dados e diferentes formas de análise para extrair valor para os negócios, instituições e a sociedade como um todo. Analytics  faz uso principalmente de ferramentas e técnicas da estatística, computação e inteligência artificial para gerar informações, responder perguntas, identificar tendências e extrair insights que tenham valor para as organizações no processo de tomada de decisão e formulação de planos e estratégias.

Um dos primeiros adotantes de Analytics foi o setor financeiro. A análise de dados tem um papel importante nos setores bancário e financeiro – usada para prever tendências de mercado e avaliar riscos. As pontuações de crédito são um exemplo de análise de dados que afeta todos. Outra aplicação importante é a detecção de fraudes em transações bancárias e no uso do cartão de crédito, melhorando assim a eficiência e reduzindo o risco de instituições financeiras e seus clientes.

Para além da contribuição na área de finanças, o Analytics também tem aplicações diversas no marketing de organizações para personalização e contextualização das ações, em recursos humanos por meio do People Analytics, na Indústria 4.0 por meio da manutenção preditiva e na otimização logística ou de custos e na garantia da qualidade nas operações de grandes empresas.

Para entender mais a fundo os tipos de Analytics, imagine o seguinte cenário:

1. Rafael acordou não se sentindo muito bem e resolveu ir ao consultório de Cláudia, sua médica habitual.  Ao iniciar o atendimento, Cláudia pede a Rafael para relatar o que está sentindo, fazendo perguntas para entender os detalhes. Nesta etapa inicial, a médica tenta descrever o estado de saúde do paciente com base no que aconteceu ou está acontecendo com ele.
2. A partir disso, a médica cruza os sintomas descritos com as informações que ela tem a partir de sua formação e experiência, considerando ainda possíveis eventos e fatores externos, como o surto de algum vírus. Caso ainda restem dúvidas, a profissional pode pedir exames, buscando chegar a um diagnóstico.
3. Com base no diagnóstico, a médica faz uma previsão ou predição do que pode vir a acontecer, avaliando possíveis pioras, a rapidez com que a doença pode evoluir e estimando o tempo de melhora etc.
4. Por fim, considerando os cenários mais prováveis e o risco associado aos mesmos, a médica faz uma prescrição de cuidados e remédios que devem ser tomados para que o estado futuro do paciente seja o mais próximo do desejável, ou seja, saudável, no menor tempo possível.

Em linhas gerais, estas são as mesmas etapas e pilares que temos no Analytics e que descreveremos a seguir. Observe que a complexidade, assim como o valor agregado ao negócio, aumentam com o avançar das técnicas utilizadas.

Analytics Descritivo –  O que aconteceu?

Ponto inicial dos processos de inteligência de negócio, tem como objetivo gerar uma visão clara do que está acontecendo ou aconteceu, sendo a forma mais comum e fundamental de análise de dados. Todas as áreas da empresa podem usar a análise descritiva para acompanhar o desempenho operacional e descrever os padrões de processos e operações.

Exemplos de análise descritiva iniciam pela mensuração de KPIs como crescimento percentual de vendas ano a ano, receita por cliente e tempo médio que os clientes levam para pagar contas e seus produtos básicos aparecem em demonstrações financeiras, relatórios, painéis e apresentações.

Esse tipo de Analytics não busca fazer inferências ou chegar a conclusões. O objetivo é entender bem o que aconteceu, por isso, seu foco é obter informações do passado e presente. Para isso, utiliza-se de técnicas de estatística descritiva e oriundas da mineração de dados, como os agrupamentos, identificação de representantes ou anomalias, entre outras. Como ferramentas, são utilizadas principalmente planilhas eletrônicas e  ferramentas de visualização de dados,  criação de dashboards e Business Intelligence.

Exemplos básicos de Análise Descritiva são vistos nos dashboards utilizados intensamente na operação de grandes empresas, principalmente do setor elétrico, financeiro, industrial e de logística. O marketing utiliza os agrupamentos para criar experiências personalizadas, bem como campanhas digitais mais assertivas. Aplicações como o Google Photos utilizam técnicas similares para organizar conteúdo, no caso, fotos, por pessoa, lugar, temática, etc. A indústria utiliza-se da detecção de anomalias para evitar acidentes, já o mercado financeiro, para prever fraudes em compras no cartão de crédito.

É importante ressaltar que uma boa análise descritiva se inicia com uma boa seleção, coleta e tratamento de dados e é potencializada com o desenvolvimento de competências de análise e modelagem de dados, storytelling, visualização e comunicação de informação.

Analytics Diagnóstico – Por que aconteceu?

Uma vez que já é conhecido o que ocorreu ou está acontecendo, deseja-se saber porque isto está ocorrendo. Dessa forma, este tipo de análise diz respeito ao processo de levantar hipóteses e determinar causas e relações dos fatores sobre uma situação com as consequências observadas, ou seja, o porquê de algum acontecimento, tendência ou anomalia que foi observada durante a análise descritiva. Apesar de ser a etapa menos valorizada e, por vezes, esquecida, trata-se de uma fase crucial que tende a gerar muito valor para os negócios.

Nesta etapa, utiliza-se de mineração de regras de associação, testes de hipótese e análises de correlação e regressão para entender por que algo aconteceu e quais foram os fatores relacionados, com qual intensidade. Apesar das planilhas eletrônicas ainda serem utilizadas, ferramentas estatísticas mais poderosas são mais utilizadas, além, claro, de linguagens de programação.

Exemplos de Analytics Diagnóstico são funcionalidades como “Produtos que você pode gostar”, comuns em e-commerces. O mesmo se aplica a indicações de filmes, séries, músicas e playlists em aplicativos de streaming de conteúdo, como o Netflix e o Spotify. Regras de associação também são utilizadas para disposição de produtos em grandes mercados e até mesmo a indicação do estoque de acordo com a sazonalidade ou em eventos excepcionais. Como na passagem de um grande furacão na Flórida, ocasião na qual o Walmart utilizou as análises descritiva e diagnóstica para aumentar seus estoques de guloseimas e cervejas, além dos usuais itens básicos de sobrevivência, aumentando assim os seus lucros.

Analytics Preditivo – O que vai acontecer?

É o ramo da análise avançada que é utilizado para fazer previsões sobre eventos futuros desconhecidos. A análise preditiva faz uso de técnicas de modelagem estatística e, principalmente, de machine learning para analisar dados atuais a fim de fazer previsões sobre o futuro. Essas técnicas podem envolver de simples relações entre exemplos próximos à utilização de grandes redes neurais artificiais, sendo capazes de reunir a gestão, a tecnologia da informação e os processos de modelagem de negócios para fazer suas previsões e identificar riscos e oportunidades.

Exemplos de análise preditiva podem ser vistos na indústria, como no caso de manutenção preditiva desenvolvido entre Ball e o CESAR, na qual situações críticas podem ser previstas com antecedência, possibilitando a manutenção antes que um problema pior ocorra. Aplicação tecnológica semelhante foi concebida pelo CESAR em parceria com a In Forma para a Equatorial Energia, neste caso para o setor elétrico, objetivando prever falhas, antecipar manutenções e desligamentos e originar respostas planejadas. Análise preditiva pode ser utilizada ainda para prever doenças, anos antes que elas apareçam, entre outros inúmeros exemplos.

Analytics Prescritivo – Como determinar o que vai acontecer?

É o processo que utiliza a análise de dados para prescrever um “conjunto ótimo” de ações a serem tomadas para que um determinado objetivo seja alcançado, fornecendo normalmente recomendações instantâneas sobre como otimizar as práticas comerciais para atender a vários resultados desejados. Em essência, a análise entende de forma abrangente o que os dados prevêem e o que poderia acontecer, sugerindo os melhores passos a serem seguidos com base em simulações. A aplicação da análise prescritiva é uma opção que pode ajudar sua empresa a identificar decisões estratégicas orientadas a dados e ajudar a evitar as limitações das práticas de análise de dados padrão.

Este tipo de análise é muito utilizado, por exemplo, na área financeira, com aplicações como carteira recomendada de investimentos. Nesse case entre CESAR e Gerdau, a análise descritiva foi utilizada na indústria para determinar um conjunto de parâmetros de produção para alcançar um resultado específico relacionado a propriedades mecânicas finais do aço laminado. Dessa forma, os operadores tinham uma recomendação específica sobre os parâmetros a serem utilizados a cada momento com vistas à obtenção do produto final desejado.

Analytics Autônomo

Além das quatro formas básicas de análise, vistas anteriormente, uma que vem ganhando espaço nas grandes empresas de tecnologia é a análise autônoma, que combina inteligência artificial (IA) e o aprendizado de máquinas (Machine Learning, ML) para criar e melhorar modelos que aprendem a partir dos dados de forma autônoma ou semi-autônoma, ou seja, sem a necessidade de interação demasiada na criação de modelos e validação de hipóteses e ainda com uma substancial diminuição no envolvimento de analistas humanos.

Neste tipo de análise, o ser humano é responsável pela concepção de processos de captura, processamento e modelagem semi-automática de dados, especificação de diferentes algoritmos de aprendizado de máquinas e definição das formas de avaliação destes, além da manutenção da infraestrutura que habilita uma verdadeira plataforma de experimentação de hipóteses sobre o negócio. Isso oferece às empresas oportunidades para automatizar o processo de tomada de decisão e melhora de habilidades preditivas à medida que os dados se tornam abundantes e com mais complexidade.

Exemplos comuns de análise autônoma incluem os limites pré-aprovados de crédito e a recomendação de propagandas e conteúdo em redes sociais. Enfatiza-se aqui que se tratam de formas básicas de análise vistas anteriormente, porém feitas em larga escala e em que a decisão é tomada de forma autônoma. O exemplo mais sofisticado de análise autônoma é a Amazon, na qual os dados sobre todos os aspectos de sua operação são coletados o tempo todo, alimentando centenas de processos que vão desde o produto que é oferecido no site ao envio do mesmo antes mesmo da sua compra para áreas em que o produto provavelmente será comprado. Estes processos são reavaliados a todo momento e milhares de novos modelos de ML são treinados e colocados em operação a cada dia, experimentando variações do mesmo e avaliando os seus resultados, possibilitando assim um processo contínuo de melhoria.

Essa plataforma de experimentação baseada em análise autônoma e IA também é chamada de Fábrica da Inteligência Artificial, mas isto já é assunto para outra conversa.

A cultura data driven já é uma realidade

O uso de dados é uma prática de extrema importância não apenas para negócios nativos digitais, como também para grandes organizações mais tradicionais. O aproveitamento das informações coletadas ou previstas é capaz de guiar as mais diversas estratégias de uma empresa e/ou apoiar diferentes frentes de atuação.

Quer entender como o CESAR pode te ajudar a implementar fluxos de trabalho que coloquem a análise de dados na tomada de decisão?

Conheça o curso Data Empowerment. Nele, você vai aprender a importância da análise de dados para a tomada de decisões assertivas, otimizando processos e ampliando a visão estratégica sobre a empresa.