Big Data Analytics:

como transformar
dados em inteligência
Quer explorar os dados da sua empresa para ganhar inteligência em seus
negócios? Veja, neste e-book, os tipos de análise possíveis em Big Data
Analytics e como minimizar possíveis erros nas análises.

AN AL YT IC S1 0
Introdução
A transformação digital está
evolucionando a geração de dados. Os
avanços tecnológicos têm permitido
armazenar, organizar e analisar estas
informações facilmente e com uma
frequência superior.
O objetivo é transformar os dados em
inteligência para gerar insights para o
negócio, dando acesso a análises sobre o
mercado, produtos, tendências e vendas.
Isso é fundamental para tomar decisões
rápidas, com o menor risco possível,
visando aumentar o faturamento e
reduzir os custos.
Segundo o relatório VNI
da Cisco 2017-2022, o número de
dispositivos conectados às redes IP,
até 2022, será mais de três vezes a
população global. Haverá 3,6 dispositivos
de rede per capita até 2022, em
comparação com 2,4 dispositivos de rede
per capita em 2017. Além disso, serão
28,5 bilhões de dispositivos em rede até
2022, contra 18 bilhões
em 2017.
O armazenamento desses dados é
um dos fatores que precisam ser
avaliados. De acordo com o mesmo
relatório da Cisco, a capacidade de
armazenamento de Data Centers está
atualmente em 1.450 exabytes* e
a previsão é de que, em 2021, esse
número chegue a 2.300 exabytes.
Mas como preparar os dados de
forma correta para que isso ocorra?
Que análises podem ser realizadas para
que tecnologias como o Big Data ajudem
a transformar seu negócio? Acompanhe
neste ebook.

*O exabyte (EB) é um múltiplo do byte da unidade para informação digital . No Sistema Internacional
de Unidades (SI), o prefixo exa indica multiplicação pela sexta potência de 1000 (10 18). Portanto, um
exabyte é um quintilhão de bytes (escala curta).
Comportamento
do mercado
O mercado de Big Data e Analytics (BDA), na América Latina, está
crescendo e passando por uma grande evolução. Modelos de negócios
baseados em tecnologias inovadoras como internet das coisas e
computação em nuvem estão transformando o mercado e criando novas
formas de coletar e melhorar os processos de armazenamento de dados.
De acordo com relatório da Frost & Sullivan, “Latin American Big Data and Analytics (BDA)
Market”, a receita do mercado BDA em 2017 foi de US$ 2,9 bilhões. E a projeção é de
US$ 8,5 bilhões até 2023, com uma taxa de crescimento composto (CAGR) de 19.2%.

Segundo a consultoria, o crescimento exponencial de dados movidos por dispositivos

conectados obrigou as organizações a aprimorarem sua capacidade de usar Big
Data para tomar decisões mais inteligentes e em tempo real.

O que é Big Data?

Big Data é um conjunto de tecnologias capazes de tratar grandes volumes de
dados, estruturados ou não, de diferentes fontes e formatos, muitas vezes em
tempo real. Sua complexidade impede a utilização de tecnologias e ferramentas
tradicionais para o processamento desses dados.

O desafio se baseia justamente em capturar, tratar e analisar toda essa

montanha de informações. Essa grande massa deve ser analisada para fornecer
insights e informações relevantes, preditivas e prescritivas sobre os negócios.

Considerando o aumento da competitividade nos negócios, essa necessidade crítica deu

origem a uma nova geração de soluções analíticas focadas na previsão, visualização de
dados e tomada dinâmica de decisões.
 De início o conceito de Big Data estava
baseado em 5Vs, mas hoje já são 7 Vs:

Volume
Volume Variedade Volatilidade Volume Velocidade

Dados acumulados Os dados são diversificados em Esse é um dos grandes desafios atuais Esses dados Os dados precisam ser trafegados,
atingem marcas sua origem e em seu formato, do Big Data. Os fluxos de dados são precisam ser processados e analisados em altíssima
enormes; como interações em redes sociais, crescentes em relação à velocidade verdadeiros; velocidade para fornecer respostas
e-commerce e transações bancárias, e variedade, mas também possuem em tempo real;
entre outros; picos periódicos, que variam de
acordo com as tendências. Alguns
deles podem ser muito difíceis de
serem gerenciados, ainda mais os
Valor Visualização
não-estruturados. Difícil, mas não
A existência dos dados não basta, eles precisam agregar valor ao impossível. No último dos V’s, o recado é curto e grosso: os dados
negócio ao qual se destinam. precisam ser apresentados de forma acessível e legível.

Um dos desdobramentos de Big Data é o termo Big Data Analytics, que se refere
as poderosas ferramentas capazes de tratar esses dados para transformá-los
em informações úteis às organizações.
O que fazer
com tantos dados?
Importante estudo da consultoria McKinsey, denominado “Big Data:
The Next Frontier For Innovation, Competition And Productivity” aponta
diversos potenciais para o uso massivo de grandes volumes de dados
na economia global, atualmente conhecido como Big Data.
 Segundo o levantamento, existem 5
maneiras de usar dados para criar valor:

1. 2. 3.
Volume
O Big Data pode ajudar a descobrir um As organizações poderão cada vez mais criar e armazenar dados transacionais
O Big Data permite
valor significativo nas bases de dados em formato digital e obter informações muito mais precisas e detalhadas sobre
o aprimoramento
mediante a geração de informação diversas áreas. Por exemplo: equilibrando seus estoques com as perspectivas
da relação com
transparente e utilizável em maior de venda dos próximos meses ou semanas e com isto melhorando o seu
os clientes,
frequência; desempenho;
viabilizando
uma extração e
segmentação cada
4. 5. vez maior do perfil
dos consumidores
Análises sofisticadas podem melhorar O Big Data pode ser utilizado para melhorar e criar uma nova geração de
de uma empresa;
substancialmente a tomada de produtos e serviços. Por exemplo, os fabricantes estão usando dados obtidos
decisões; de sensores incorporados em produtos para criar um pós-venda com ofertas
de serviços inovadores, como a manutenção proativa.

Iniciativas apoiadas em Analytics permitem analisar dados estruturados e não
estruturados, como registros de call center, postagens de redes sociais e blogs,
dados de CRM, balanços patrimoniais e demonstrativos de resultados.
Para isso, é possível contar com uma série de técnicas para auxiliar sua empresa
a analisar as informações coletadas e armazenadas em seu Big Data. Existem
diferentes formas de analisar um conjunto de dados e facilitar a descoberta, em tempo
real, das oportunidades que estão além do que os olhos humanos podem enxergar de
forma orgânica.
Os principais tipos
da análise de dados
Reunir dados é parte do trabalho para desenvolver uma estratégia
de sucesso para a sua empresa. Porém não basta apenas manter um
armazenamento gigante de informações. É preciso extrair conhecimentos
que forneçam base para a tomada de decisões.

Quatro tipos de análise de Big Data se destacam pela usabilidade

e potencialidade de seus resultados: a descritiva (o que está
acontecendo), a diagnóstica (o que aconteceu, por que e como); a preditiva
(o que acontecerá) e a prescritiva (qual a melhor forma de melhorar).

Confira em que suas definições e finalidades diferem, mas se

complementam:
1. Análise descritiva
A análise descritiva oferece a
compreensão em tempo real dos
acontecimentos. É a mineração de
dados na base da cadeia de Big Data.
Ela permite retratar, medir e
analisar as informações coletadas.
É uma fase introdutória no estudo
dos dados. É fundamental para que a
empresa organize e descreva um grupo
característico — ou até mesmo para
confrontar diferenças e semelhanças
entre os conjuntos.
As ferramentas descritivas podem
ser representadas em gráficos,
tabelas ou em medidas estatísticas
como porcentagem, média e índices.
Um exemplo da sua aplicação é a
análise de crédito feita por instituições
financeiras.
Elas analisam as informações de um
indivíduo, de uma empresa ou de um
grupo social para compreender os riscos
envolvidos na concessão de crédito.
Tudo com base em informações que
já estão na base, colhidas conforme o
tempo. Dessa análise vem a definição de
taxas de juros em financiamentos.
É uma maneira de visualizar os dados,
entender como um database se organiza
e o que significa para o presente sem
necessariamente relacioná-la com
padrões passados ou futuros.
2. Análise diagnóstica
Enquanto a análise descritiva busca
detalhar uma base de dados, a
análise diagnóstica visa compreender
de maneira causal (quem, quando,
como, onde e por quê) todas as suas
possibilidades. Se uma organização
executa uma ação de marketing, por
exemplo, a análise diagnóstica é o
caminho mais curto e eficiente para que
os profissionais avaliem os impactos e o
alcance dessa ação após sua realização.
Como uma espécie de relatório
expandido, quando feita em uma
base de dados volumosa, esse tipo de
análise permite ainda entender a razão
de cada um dos desdobramentos das
ações adotadas e, a partir disso, mudar
estratégias ineficazes ou reforçar as
funcionais.
Big Data Analytics opera de várias
formas diferentes. Os dados, sozinhos,
não podem fazer nada. Quem os
analisa é responsável por aplicá-los da
melhor maneira possível. Cada tipo de
análise tem seu próprio escopo e sua
própria finalidade. Por isso é preciso
compreendê-las bem.
3. Análise preditiva
Dos tipos de análise de Big Data,
esta talvez seja a mais conhecida.
A análise preditiva combina o uso de
dados, algoritmos e técnicas de machine
learning para prever situações futuras.
A partir da identificação de padrões
passados em sua base de dados, esse
tipo de análise permite aos gestores
o mapeamento de possíveis futuros
em seus campos de atuação. A ideia
é deixar de tomar decisões baseadas
unicamente na intuição, conseguindo
estabelecer um prognóstico mais sólido
para cada ação.
Conhecida por “prever” o futuro, a análise
preditiva usa mineração de dados, dados
estatísticos e dados históricos para
conhecer as futuras tendências.

A análise preditiva se concentra hoje especialmente em cinco capacidades:

1. 2. 3. 4. 5.
Identificar Prever Entender as reais Promover a tomada Melhorar o
tendências comportamentos necessidades de de decisões desempenho
clientes baseada em dados dos negócios
confiáveis
4. Análise prescritiva
Embora ainda seja confundida com
a preditiva, a análise prescritiva
trabalha com a mesma lógica, porém
com objetivos diferentes. Enquanto
a preditiva identifica tendências
futuras, a prescritiva traça as possíveis
consequências de cada ação.
É uma forma de definir qual escolha
será mais efetiva em determinada
situação. Mesmo assim é pouco utilizada,
na maioria das vezes, por causa de
desconhecimento. Segundo o Gartner,
apenas 3% das empresas fazem uso
dessa análise.
O valor dela se destaca pela capacidade
de numerar determinados padrões e
filtrá-los por especificidades, criando um
cenário bastante fiel da situação e como
cada intervenção responderá.
Como minimizar
os erros na
análise preditiva
Para que o trabalho com Big Data seja bem sucedido é preciso coletar,
limpar, normalizar, combinar, estruturar e organizar os dados para análise.
Esse processamento, tratamento e preparação dos dados é uma tarefa
minuciosa. Isso aumenta a qualidade dos dados e, consequentemente, os
resultados com mineração de dados. Dados “pobres”, de qualidade ruim,
geram resultados incorretos e não-confiáveis.
No entanto, garantir a qualidade dos dados é fundamental para ampliar
os resultados da análise. O segredo é preparar os dados de forma correta e
detalhadamente para fazer as previsões, investindo na granularidade de dados e na
integração de sistemas.

No meio do processo de minimizar erros na análise preditiva é possível identificar, por

exemplo, vulnerabilidades do negócio, comportamentos não usuais, dados imprecisos
e outros erros. Somente com dados qualificados é possível implementar modelos
preditivos para prever comportamentos e reunir subsídios para inovação.

O uso de Big Data Analytics permite a empresas de diferentes portes e

segmentos o acesso a informações de forma rápida e dinâmica. Mas não
basta apenas implementar a ferramenta. É preciso identificar os pontos de melhorias
necessárias em seus processos para garantir a qualidade dos dados e da sua tomada de
decisão.

O que ocorre muitas vezes na empresa é que a maioria dos dados está incompleta,
pois faltam atributos e valores. Em outros casos, eles contêm algum erro. Dados
inconsistentes podem levar a direcionamentos errados e aumentar a margem de erro da
análise preditiva. Então como minimizar os erros de uma análise preditiva?

Algumas premissas básicas para uma análise preditiva de qualidade é contar

com um bom assessment. Contar com uma consultoria especializada em Big Data para
fazer uma avaliação inicial e descobrir as principais dores pode ser interessante para sua
empresa.

O assessment permite antecipar as fontes de dados a serem analisadas, sejam

os dados internos ou obtidos em fontes externas, o que evita retrabalho e
frustração de projetos sem resultado. Esta análise inicial permite ainda avaliar que
ferramentas analíticas serão mais adequadas para sua empresa.

Além disso, é preciso considerar que existe um período de set-up, que precisa ser
dedicado à preparação da organização e dos times na direção da análise de dados.
São definições importantes, que envolvem investimentos de tempo, dinheiro e pessoas,
cujos resultados serão fundamentais para a sustentabilidade da empresa.

Utilizar esta quantidade massiva de dados é essencial para as organizações. Mas, para ter
informações confiáveis e tomada de decisão mais assertiva, a granularidade e qualidade
dos dados e sistemas é fundamental.
Como calcular a
porcentagem de erro
da análise preditiva
Para calcular a porcentagem de erro da análise preditiva é preciso refinar
o cálculo da taxa de retorno de investimento (ROI). Isso é possível usando
a análise preditiva em machine learning. Com base no investimento
do passado e no que estamos investindo, é possível receber insights
matemáticos em tempo real para investimentos presentes.
São modelos matemáticos possíveis via aprendizado baseado na mineração de
dados coletados e inteligência artificial. Com esses dados, é possível “treinar” o modelo
e inferir o resultado a partir de um investimento. Isso garante a tomada de decisões em
tempo real, aumentando a agilidade de reação às diversas variáveis de uma ação.

O modelo vai aprendendo conforme as coisas vão acontecendo. O Machine

Learning aprende em tempo real, ou seja, as variáveis que surgem ao longo do tempo
de execução de uma campanha são processadas. Assim, a análise preditiva é contínua,
atuando com novas previsões. Além disso, esse aprendizado aprimora gradativamente o
processo de previsão e minimiza o percentual de erro.

É como um PDCA (do inglês: PLAN - DO - CHECK - ACT ou Adjust), método iterativo de
gestão de quatro passos, utilizado para o controle e melhoria contínua de processos e
produtos.

É um ciclo evolutivo que vai ficando cada vez mais assertivo. Um benchmark:
normalmente um modelo com uma base de dados sofisticada tem um índice de
assertividade de 70%. A médio prazo, pode chegar aos 90%, de acordo com Sérgio
Larentis, VP de Marketing Engineering na Math Marketing.

Assim, a cada interação de sua marca, a empresa coleta novos dados para alimentar seu
modelo. Isso torna a próxima etapa do cálculo do retorno sobre investimento ainda mais
aprimorada.
Conclusão
Segundo o norte-americano Peter Norvig,
ex-diretor de tecnologia de informação
da Nasa e atual diretor de pesquisa
do Google, mais de 90% dos dados
armazenados parece ser dispensável.
O diferencial está naquilo que é
considerado lixo. Segundo ele, o grande
segredo do Big Data é que as grandes
descobertas ocorrem quando
olhamos com os olhos corretos o que
foi descartado e vemos o que esses
dados podem revelar do mundo.
Com os processos certos e uma análise
preditiva de qualidade sobre o mercado,
produtos e tendências de mercado,
seus dados se tornarão estratégicos e
confiáveis para suas decisões de negócio.
Percebeu como o Big Data Analytics
ajuda a olhar para o futuro e
descobrir as oportunidades? Além
disso melhora a relação custo-benefício
e otimiza a receita gerada por novos
produtos e serviços. Nessa era digital,
os dados são o novo petróleo. Quer
explorar seus dados e implementar
suas análises? Entre em contato com
um de nossos especialistas. A A10 pode
esclarecer todas as suas dúvidas.

Referências
A10 Analytics TI Inside Math Marketing Marketing analitico Big Data Business Blog Administradores

Cisco Blog da FIA - Fundação Instituto de Administração Consultoria Frost & Sullivan Wikipedia