Solicitar demo

Blog

Voltar

O Bê-a-Bá do Big Data Analytics (Parte II - Sucesso nos Negócios)

O Bê-a-Bá do Big Data Analytics (Parte II - Sucesso nos Negócios)

Na primeira parte da série o Bê-a-Bá do BDA apresentamos alguns dos principais conceitos por trás do Big Data Analytics. Nesta segunda parte, iremos explorar porque e como o Big Data Analytics pode gerar maior competitividade nos negócios.

Muitas empresas acreditam falsamente que o Big Data irá trazer resultados imediatos e previsíveis. Que só precisam disponibilizar dados e definir metas trimestrais de novos insights e que, assim, terão os resultados prometidos pelo Big Data. No primeiro encontro com a realidade, algumas barreiras são evidenciadas. A primeira é a de talentos, que discutiremos em outro momento. Já a segunda barreira, ironicamente, é decorrente dos próprios dados. Grande parte dos esforços em Big Data Analytics é dispendido na preparação, disponibilização e provisionamento de um fluxo de dados sem atritos. Por fim, o próprio processo de geração de insights pode se tornar um obstáculo às expectativas de executivos, pois, por tratar-se um processo criativo, é não-determinístico, e exige experimentação e erro.

Mesmo após vencer todos esses desafios, muitas vezes as empresas não tẽm uma estratégia clara para alavancar o Big Data Analytics. Compreender de forma mais profunda alguns dos princípios por trás da conexão entre Big Data Analytics e competitividade - decorrente de maior capacidade para realizar inferências, contextualizar, inovar e tomar melhores e mais rápidas decisões - pode ser o passo mais importante para o sucesso do BDA nos negócios.

Como o Big Data pode aumentar a competitividade? Quais os princípios por trás disso?

Big Data é o termo usado para denominar as fronteiras de processamento de dados em três Vs: “Volume”, “Variedade” e “Velocidade”. Já a sua utilidade é denominada em dois Vs: “Veracidade” e “Valor”. Abaixo tentamos explicar algumas maneiras de como e porquê cada um desses Vs pode trazer maior competitividade.

Volume - Ter acesso a um grande volume de informações pode ajudar a reduzir a incerteza numa inferência. Considere, por exemplo, o volume de dados globais de hospitalidade e mobilidade do Airbnb e do Uber . Com acesso a essas informações, uma empresa do setor imobiliário, por exemplo, pode facilmente identificar onde investir e onde anunciar. Isso também se estende à opinião em massa das pessoas, convencionado por Aristóteles pelo termo “Sabedoria das Massas”. Em um experimento clássico, encheram um pote de vidro com balas de goma e perguntaram a milhares de pessoas quantas balas de goma havia no pote. Isoladamente, as pessoas erram a resposta, porém, quando considerada a média de todas as respostas, o valor tende à solução correta! Uma explicação para isso é que existe um ruído individual de cada julgamento que, na média, tende a ser cancelado. Essa observação inspirou alguns a tentar prever o comportamento de mercados pelo conhecimento das massas, o que levou à criação dos mercados preditivos. Hoje já é comum empresas que se utilizam de dados de redes sociais e comentários para guiar a definição de suas ofertas e abordagem de mercado.

Variedade - É possível compreender empresas e consumidores a partir dos dados que geram em sua interação com o mundo digital. Talvez, o seu time de Marketing já esteja conseguindo aumentar seus resultados a partir de dados de navegação de potenciais clientes que visitam seu website. Porém, imagine que você expanda para contextos de informações adjacentes, como dados sobre o empregador e carreira. Imediatamente, novas possibilidades emergem sobre como abordar a possível oportunidade. Esse aumento de possibilidades é decorrente do que se conhece por possível adjacente, que prescreve que a emergência de novos insights está diretamente ligada a sua capacidade de realizar conexões entre múltiplos contextos relevantes. Captar, organizar e extrair informações dessa diversidade de fontes é um grande desafio. Se vencido, porém, pode trazer grandes vantagens, como habilitar uma estratégia de Marketing verdadeiramente omnichannel.

Velocidade - Projeções apontam que até 2020 cada pessoa deva gerar 1GB de dados por minuto. Conseguir processar um grande fluxo de dados pode ajudar empresas a acompanhar as dinâmicas do mercado. Aliada à sua capacidade de traduzir os insights em ações de mercado, a agilidade alcançada pelo Big Data pode colocar sua empresa muito a frente da competição. A velocidade é tão importante que já se diz que Fast Data é o novo Big Data.

Veracidade - Garantir a autenticidade e confiabilidade dos seus dados é essencial para que se possa tomar decisões mais assertivas. Muitas vezes dados são criados com o intuito de confundir e desinformar, a exemplo das fake news. É importante ter a capacidade de identificar e filtrar dados de baixa confiabilidade. Esse quesito também envolve a proteção e governança de dados, que aumentam a confiança de empresas que utilizam Big Data.

Valor - Vivemos na era da economia do conhecimento em que dados são reconhecidos como o novo petróleo. Diferentemente de ativos comuns, dados podem ser replicados e seu valor está atrelado não somente a fatores objetivos como acurácia, tempestividade e integridade, mas, também, a fatores subjetivos, como relevância, utilidade e escassez. Muitas empresas têm percebido o valor dos seus dados, e já os trata como ativos. Esse tópico é tão relevante atualmente que já é estudado por uma disciplina à parte, conhecida como infonomics.

Como interligar Big Data e IA com o mundo dos negócios?

O Big Data com os 5Vs provê à IA uma rica fonte de conhecimento sob a qual novos padrões podem ser aprendidos e, assim, novas tarefas podem ser realizadas de forma mais eficaz. Nesse sentido, o Big Data e a IA juntos formam uma combinação que potencializa a extração de valor dos dados.

No mundo dos negócios, o grande diferencial não está nas tecnologias de Big Data ou IA, mas, sim, na capacidade que empresas têm de utilizar essas tecnologias para aprimorar o seu processo de geração valor, trazendo resultados. O uso de dados para tomada de decisão de negócios é conhecido como Analytics.

A arte do impacto data-driven. Todo os dados do mundo não irão gerar resultados se sua organização não conseguir extrair insights e transformá-los em ação com sabedoria. (Imagem crédito: @gapingvoid)

A arte do impacto data-driven. Todo os dados do mundo não irão gerar resultados se sua organização não conseguir extrair insights e transformá-los em ação com sabedoria. (Imagem crédito: @gapingvoid

Como empresas usam Analytics e IA hoje?

Na maioria das vezes, IA é usado em empresas para a melhoria da tomada de decisão de negócios ou para a automação de processos. Analytics diz respeito à primeira parte, de tomada de decisões de negócios por meio de dados, que pode ser alavancada por IA. Existem quatro tipos de soluções de Analytics:

  • Descritiva: Soluções que sumarizam e apresentam o que aconteceu de forma que um ser humano possa interpretar e gerar insights. Esse é o caso mais comum e como exemplos temos os dashboards, BIs, algoritmos de clusterização, etc.
  • Diagnóstico: provê a capacidade de explicar porque um certo evento ocorreu. Por exemplo, para investigar o motivo de um churn e, assim, poder atuar para evitar futuras perdas.
  • Preditiva: capacidade de prever o sucesso de ações. Talvez seja o tipo mais utilizado, pois, ajuda a avaliar o risco da tomada de decisão. Um exemplo é a recomendação de produtos para clientes baseada no histórico de vendas e perfil de cliente.
  • Prescritiva: nesse ponto, o algoritmo sugere qual é a melhor decisão a ser tomada ou, até mesmo, a tomar a decisão sozinho. Um exemplo que afeta muitas empresas é o algoritmo de leilão de ads do Google, que define o preço a ser cobrado por anúncios.

As empresas que adotam Analytics têm tido impactos muito positivos em termos de efetividade e rapidez das suas decisões, alcançando maiores resultados.

O uso de IA para automação de processos acontece de diversas formas. Aqui temos desde bots e chatbots para automação de tarefas de escritório, passando por veículos autônomos, até o uso em indústria pesada como é o caso da mineração autônoma. Em todos esses processos, há hoje um grande grau de utilização de IA e de Machine Learning.

Quais são as principais aplicações de IA nas empresas brasileiras?

Diversos segmentos no Brasil passam por uma transformação digital muitas vezes acompanhada da incorporação de IA em suas soluções. Às startups tecnológicas são associados termos como fintech, insurtech, lawtech, edtech, adtech, greentech, foodtech e retailtech. Salvo exceção, todas elas têm por objetivo a disrupção de segmentos inteiros fazendo usa de tecnologia e IA.

Empresas tradicionais que querem se manter competitivas também estão seguindo a tendência das “-tech”. Os chatbots estão impactando o telemarketing e os serviços de atendimento. O setor financeiro, um dos pioneiros no uso de IA, cria scores de crédito que os ajuda a proteger seus investimentos e, também, usam IA para comprovação de identidade e detecção de fraudes. Os e-commerces usam IA para recomendar produtos. Todos usam IA para gerar campanhas de marketing. O setor jurídico já começa a conseguir processar a pilha improcessável de processos jurídicos e até a prever resultados jurídicos. Os departamentos de marketing e vendas fazem segmentação de mercado automática e qualificam leads a partir de IA e Big Data. Quem nunca foi surpreendido com um ajuste de preços de passagens aéreas? Hoje, isso é feito por IA. Algumas clínicas e laboratórios já realizam diagnósticos usando IA. Na indústria de mineração, já temos caminhões operando de forma autônoma. IA também é utilizada dentro das empresas para melhoria da sua gestão e para ajudar a melhorar operações e processos.

Qual influência o Big Data e a IA terão no futuro?

O poder preditivo proveniente da união do Big Data com a IA pode, por vezes, se comparar a um oráculo e é difícil prever até onde essas tecnologias nos levarão. Mas, vale a pena explorar o potencial dessa combinação com exemplos não tão distantes, porém, mais drásticos.

Na saúde, já é possível escanear completamente o corpo de uma pessoa usando tomografia computadorizada por emissão de pósitrons (PET-CT) em menos de 30 segundos. Com os dados resultantes, cria-se uma imagem 3D de alta resolução de todo o corpo humano, incluindo tecidos, estrutura óssea e sistema circulatório. Com essa tecnologia, já é possível visualizar o fluxo sanguíneo dentro de um coração batendo em tempo quase-real. Com a ajuda de IA, alguns cientistas já automatizam a patologia digital e até tentam compreender o metabolismo por completo.

No setor aeroespacial, o volume de dados é exorbitante. Para se ter uma idéia, cada turbina de uma aeronave moderna gera mais de 20TB de dados por hora. Esses dados são usados para diagnóstico e manutenção preditiva, aumentando a segurança e eficiência no setor. Empresas de transporte espacial, como a SpaceX, estão lançando milhares de satélites de baixa órbita para monitoramento e telecomunicações. Com essa rede, um dia será possível coletar uma imagem completa de todo o planeta Terra com resolução de 1m2 a cada segundo. Pense bem, isso geraria uma imagem de 500T pixels por segundo e, alinhada a IA, possibilitaria monitorar a logística do planeta Terra em tempo real, do espaço.

Conclusão

Cada vez mais, a competitividade das empresas está atrelada à sua capacidade de executar uma estratégia efetiva de Big Data Analytics. Com esse post, espero ter contribuído para aumentar o seu conhecimento sobre como ser mais competitivo por meio do Big Data Analytics. No post final desta série iremos discutir alguns dos desafios para as empresas no Brasil.

Esse artigo foi originalmente postado no Medium.

Quer saber como fazemos na prática?

Solicitar demo