Escolar Documentos
Profissional Documentos
Cultura Documentos
Business
Intelligence
CEFCO_P208_V1
Objectivos
Conteúdos programáticos
• Contexto (Papel da tecnologia na organização moderna; Crescimento universo digital; 7 leis da informação)
• Definições (DataWarehouse; ETL; Big Data; IA; Ciência dos Dados; Machine Learning)
• Decisão baseada em dados (Intuição versus evidência; A decisão atempada; A experiência e a aprendizagem;
Automatização da decisão)
• Princípios básicos da construção de modelos analíticos (Esquema geral de desenvolvimento de um modelo
analítico; Construção de modelos; construção de variáveis; Modelos preditivos e modelos descritivos)
• Dos dados ao valor (Oportunidades para a utilização de modelos analíticos; Construção / Decomposição de
problemas de negócio em problemas analíticos; Casos de Estudo)
2
Gestão de Informação - Introdução
Peter Drucker
3
Gestão de Informação - Introdução
4
Gestão de Informação - Introdução
‣ Vantagem competitiva
‣ Diferencial de mercado
5
Gestão de Informação - Introdução
Era da INFORMAÇÃO
Era da computação
Era da globalização
6
Gestão de Informação - GI Origem
Desafios atuais da GI
8
Gestão de Informação - Desafios atuais da GI
Desafios atuais da GI
Processos
Como funciona ?
Pessoas
Tecnologia
Desígnio
10
Gestão de Informação - Leis da Informação
11
Gestão de Informação - Leis da Informação
‣ O uso da informação a valoriza, desde que, o seja pelas pessoas certas, pois, se
uma informação se torna de domínio público, o seu uso aumentou de forma
incomensurável, contudo o seu valor pode, no limite, até deixar de existir.
‣ A informação só terá seu valor aumentado se estiver disponível, compartilhada e no tempo certo, pois, pode estar
desatualizada.
13
Gestão de Informação - Leis da Informação
14
Gestão de Informação - Leis da Informação
15
Gestão de Informação - Leis da Informação
16
Gestão de Informação - Leis da Informação
‣ A título de ilustração, considere a relação entre duas tabelas de uma base de dados, uma que contém a
informação de itens vendidos (controle de existências) e outra que contém a informação dos valores
associados a cada item (controle financeiro) cujo “relacionamento” entre ambas pode resultar numa
informação como “Item mais vendido e meio de pagamento mais utilizado, …”. Esse relacionamento entre
informações faz com que a 7º lei esteja intimamente ligada à 5º lei.
17
Gestão de Informação - Sistema de Informação
Sistema de Informação
18
Gestão de Informação - Sistema de Informação
… etc.
19
Gestão de Informação - Sistema Informação nos negócios globais da actualidade
Organização
Uma organização, pode ser entendida como um conjunto de direitos,
privilégios, obrigações e responsabilidades delicadamente
equilibradas ao longo de um período de tempo no qual surgirão
inevitavelmente conflitos e para bem da mesma (organização) a
resolução dos mesmos.
21
Gestão de Informação - Sistema Gestor Base Dados (SGBD)
Data Base Management System (DBMS)
22
Gestão de Informação - JSON - JavaScript Object Notation
JSON (JavaScript Object Notation) é um formato simples de intercâmbio de dados. É fácil para humanos ler e escrever. É fácil para as
máquinas de analisar e gerar. JSON é um formato de texto completamente independente de linguagem, mas usa convenções
familiares aos programadores da família de linguagem C, incluindo C, C++, C#, Java, JavaScript, Perl, Python e muitos outros. Essas
propriedades tornam o JSON uma linguagem de intercâmbio de dados ideal.
JSON é assenta em duas estruturas base:
23
Gestão de Informação - JSON - JavaScript Object Notation
Data Warehouse
25
Gestão de Informação - Data Warehouse
Os produtos relacionais de DBMS e data warehouse não são adequados para organizar e analisar big data ou
dados que não se encaixam facilmente em colunas e linhas usadas em seus modelos de dados.
Para lidar com dados não estruturados e semiestruturados em grandes quantidades, bem como dados
estruturados, podemos utilizar o Hadoop.
O Hadoop é uma estrutura de software de código aberto (open source) mantida pela Apache Software
Foundation que permite o processamento paralelo distribuído de grandes quantidades de dados em
computadores baratos.
Ele divide um problema de big data em sub-problemas, distribui-os entre até milhares de nós de
processamento de computador de baixo custo e, em seguida, combina o resultado em um conjunto de dados
menor que é mais fácil de analisar.
Exemplos de utilização: encontrar o melhor preço de viagem aérea na Internet, obter direções para um
restaurante, fazer uma pesquisa no Google ou ligar-se a um amigo no Facebook.
26
Gestão de Informação - Data Warehouse
Os produtos relacionais de DBMS e data warehouse não são adequados para organizar e analisar big data ou
dados que não se encaixam facilmente em colunas e linhas usadas em seus modelos de dados.
Para lidar com dados não estruturados e semiestruturados em grandes quantidades, bem como dados
estruturados, podemos utilizar o Hadoop.
Ele divide um problema de big data em sub-problemas, distribui-os entre até milhares de nós de
processamento de computador de baixo custo e, em seguida, combina o resultado em um conjunto de dados
menor que é mais fácil de analisar.
Exemplos de utilização: encontrar o melhor preço de viagem aérea na Internet, obter direções para um restaurante, fazer uma
pesquisa no Google ou ligar-se a um amigo no Facebook.
27
Gestão de Informação - Analytic Platforms
Plataformas Analíticas
‣ A ferramenta tradicional para analisar dados empresariais nas últimas décadas tem sido
o data warehouse.
‣ Um data warehouse é um banco de dados (DB - Data Base) que armazena dados atuais
e históricos de interesse potencial para os decisores de uma empresa.
28
Gestão de Informação - Data Warehouse
Dados - Os dados de um DW são compostos por factos individuais e discretos que congregam valores descritivos, qualitativos e
quantitativos de interesse e relevância para o negócio.
Data Warehousing
Informação - Coleção de dados organizada e apresentada num contexto específico e com significado para o negócio.
Conhecimento - O conhecimento é uma característica pessoal e individual; tem essencialmente a ver com a familiaridade,
compreensão e percepção que as pessoas possuem em relação a um determinado assunto e não com informação contida em
computadores ou software.
O conhecimento pode ser adquirido de diversos modos, pelo estudo, experiência, instinto ou mesmo crença. Estes factores são
diferentes de indivíduo para indivíduo, sendo que o conhecimento de cada um é, inevitavelmente, único.
29
Gestão de Informação - Data Warehouse
‣ integrados – o data warehouse deverá ser uma fonte única e abrangente de informação para e sobre o negócio (não é
necessário aceder a múltiplas fontes de dados para responder a questões levantadas pelos utilizadores);
‣ organizados por assuntos – os dados e a informação deverão ser apresentados compartimentados por assuntos, de acordo
com as necessidades dos utilizadores finais;
‣ variam no tempo – o data warehouse contém o histórico da informação, assim como a informação actual, sobre o negócio,
possibilitando desta forma análises de evolução histórica;
‣ não são voláteis – o data warehouse contém informação estável. Os dados, uma vez chegados ao DW, não são apagados.
Assim, os dados são sempre adicionados de formas regular, de modo a fornecer registos históricos corretos e credíveis;
‣ acessíveis – uma das funções primárias de um data warehouse é proporcionar o acesso à informação de uma forma fácil e
rápida
30
Gestão de Informação - Data Warehouse
Um data warehouse é um repositório de informação que reune os dados históricos de cariz operacional e transacional de uma
organização agrupados numa base de dados.
‣ A necessidade de integração de dados distribuídos por diferentes estruturas de bases de dados, tendo em vista uma análise
global;
‣ A necessidade de separação dos dados utilizados nas operações correntes, na análise e no reporting, tendo como fim a
tomada de decisões.
Data Mart - Uma sub-divisão de um data warehouse. Conjunto mais pequeno de informação agrupado de forma lógica.
31
Gestão de Informação - Data Warehouse
32
Gestão de Informação - Data Warehouse
Recepção – Acolhem os dados das várias fontes para dentro do ambiente do data warehouse. As fontes podem ser dispersas e possuir diferentes
tecnologias, e a aquisição de dados ser feita em frequências temporais distintas. Habitualmente, durante este processo é feita a limpeza dos dados,
para que estes se apresentem o mais correctos e completos possível dentro do data warehouse;
Integração – Conjugam dados de várias fontes uns com os outros. Como exemplo, podemos ter o caso de, num determinado sistema operacional de
introdução de encomendas, um produto possuir o código x e no sistema operacional de gestão de stocks e armazém o mesmo produto possuir o
código y. A indicação de correspondência entre os diversos dados é feita nestes casos. Pode ser necessário fazer outra limpeza de dados além da já
efectuada durante a recepção de dados;
Distribuição – Os repositórios com esta responsabilidade representam activos de informação a longo prazo e com âmbito alargado. A distribuição
consiste no processo de transferir os dados deste tipo de repositório para repositórios concebidos para responder a necessidades de negócio mais
específicas (como os data marts);
Entrega – Os repositórios com esta função combinam os dados de acordo com o contexto que uma determinada unidade de negócio ou conjunto de
utilizadores necessita, dentro da organização. A entrega é feita transferindo os dados para um manancial de tecnologias, como data marts, cubos
multidimensionais, dashboards, etc.;
Acesso – Os repositórios com responsabilidade de acesso são os que permitem a consulta de informação de dados integrados e geralmente os alvos
do processo de distribuição.
33
Gestão de Informação - Star Scheme
34
Gestão de Informação - Snow Flake Schema
35
Gestão de Informação - Metadados
36
Gestão de Informação - Metadados - Ralph Kimball
Metadados presentes num data warehouse (Ralph Kimball) : ‣ Metadados do RDBMS (relational database management system)
• Tabela de conteúdos do RDBMS;
‣ Metadados do sistema – fonte de dados
• Scripts de processamento;
• Especificações das fontes – repositórios;
• Informação descritiva das fontes – como, por exemplo, descrição das
entidades detentoras da informação, frequência da actualização dos ‣ Metadados dos repositórios com função de entrega e acesso a dados
dados, limitações legais, metodologias de acesso; • Descrição das colunas;
• Informação sobre o processo – caso da rotina das tarefas ou dos • Dados da segurança da rede;
códigos de extracção;
‣ Metadados de negócio – Descrevem o significado dos dados do data warehouse e das ferramentas de business intelligence.
Guardam informações como as definições e áreas de negócio, a estrutura e a hierarquia dos dados, as regras de agregação, a
definição de métricas de negócio, etc.;
‣ Metadados dos processos – Descrevem a origem, o momento, frequência e forma em que foram carregados os dados que
estão no data warehouse;
‣ Metadados técnicos – Descrevem os locais físicos, os formatos e os tipos de dados dos elementos de dados, estruturas de
ficheiros e tabelas, índices, etc.;
‣ Metadados aplicacionais – Descrevem a forma como se acede e utiliza os dados. Podem ainda descrever os momentos em
que os dados são acedidos, por quem, com que frequência, etc.
Os metadados são essenciais na gestão dos sistemas de informação, em tarefas indispensáveis de localização dos
dados pretendidos (tracing) e em conseguir monitorizar e controlar todo o processo de transformação de dados,
desde a fonte, aos interfaces de análise e reporting, até à sua validação final.
38
Gestão de Informação - Data Quality
40
Gestão de Informação - Etapas construção Data Warehouse
O primeiro passo é o desenvolvimento de um business case sólido que respondenda a questões como:
41
Gestão de Informação - Etapas construção Data Warehouse
42
Gestão de Informação - Etapas construção Data Warehouse
43
Gestão de Informação - Etapas construção Data Warehouse
Infraestrutura Não-Técnica
44
Gestão de Informação - Etapas construção Data Warehouse
Esta fase envolve toda a equipa. Em virtude do tamanho e complexidade, o projecto poderá/deverá ser dividido em miniprojectos.
45
Gestão de Informação - Etapas construção Data Warehouse
Análise de negócio
Até que ponto são os metadados de negócio existentes actuais e fiáveis? • Escolher os dados fonte de maior qualidade e apenas uma
-
pequena quantidade de dados;
- Quem são os detentores da informação das fontes de dados?
• Testar bem as aplicações de BI com relatórios que possuam um
- A qualidade dos dados-fonte é reconhecida?
esquema relativamente complexo;
- Qual é a qualidade mínima aceitável para o representante do negócio? E
para os utilizadores? • Envolver ao máximo os utilizadores finais (sem no entanto serem
demasiados), com diversos níveis de experiência, quer a nível
- Quem irá elaborar o perfil dos dados? Como?
informático, quer a nível de negócio.
- Que dados são fundamentais e que dados são insignificantes para o
negócio, de forma a proceder à sua correcção?
46
Gestão de Informação - Etapas construção Data Warehouse
Análise de negócio
47
Gestão de Informação - Etapas construção Data Warehouse
48
Gestão de Informação - Etapas construção Data Warehouse - BD do DW
Chegados a este ponto, devemos questionar-nos como vamos lidar com enormes volumes de dados e, após a definição da
forma, os processos que pretendemos modelizar.
Caso o modelo escolhido seja o esquema em estrela (star) ou o esquema floco-de-neve (snowflake), deveremos:
‣ analisar os atributos das dimensões, de modo a serem estabeleci- das descrições completas e uma terminologia adequada;
• Qual a dimensão final das bases de dados que irão suportar as aplicações de BI?
50
Gestão de Informação - Etapas construção Data Warehouse - ETL
51
Gestão de Informação - Etapas construção Data Warehouse - ETL
Um problema comum do dia-a-dia das empresas é a forma como recolhem dados várias fontes e em diversos
formatos.
Os projetos de Data Warehouse consolidam dados de diferentes fontes. A maioria dessas fontes tendem a ser
bases de dados relacionais ou ficheiros de texto (plain text), mas podem existir outras fontes. Um sistema ETL
tem que ser capaz de se comunicar com as bases de dados e ler diversos formatos de arquivos utilizados por
toda a organização.
52
Gestão de Informação - ETL
Desafios ao ETL
Os processos de ETL podem ser bastante complexos e caso não sejam adequademente desenvolvidos podem causar
problemas significativos na operação (transformação) da informação.
Aquando especificado, um processo ETL, deverá ter em conta a gama de valores e os dados a serem processados por forma a
que estes se encontrem dentro das regras de validação e transformação.
O perfil dos dados de uma fonte durante a análise dos dados é de extrema importância para identificar as condições em que
os dados serão manipulados pelas especificações de regras de transformação.
Durante o processo de análise a escalabilidade de um sistema ETL deve ser estabelecida tendo em conta:
‣ Ciclo de vida
‣ Volume de informação e sua tendência (crescente)
‣ Tempo disponível para processar a informação
‣ SLA (Service Level Agreement - Acordo Nível Serviço)
‣ Segmentação de processos (paralelização)
53
Gestão de Informação - Etapas construção Data Warehouse - Desenho Repositório Metadados
Existem soluções comerciais para repositórios de metadados, mas este tipo de aplicações não é geralmente muito popular e
não segue um padrão, apesar de ser, habitualmente bastante flexível e expansível.
Os repositórios de metadados necessitam de ter interfaces de consulta para os utilizadores e técnicos assim como interfaces
para as aplicações de BI, como, por exemplo, aplicações OLAP (Online Analytical Processing), ETL (Extract Transform Load) ou o
dicionário de dados do DBMS (Data Base System Management).
O desenvolvimento de cada uma dessas interfaces deverá ser considerado como um subprojecto, pois irá requerer algum
esforço.
‣ e os distribuídos, uma solução mais sofisticada, que utiliza XML (os metadados estão nas próprias aplicações).
54
Gestão de Informação - Etapas construção Data Warehouse
Source : IBM
55
Gestão de Informação - Infraestrutura BI
56
Gestão de Informação - Big Data
Big Data é o termo utilizado para referenciar um grande número de dados, dispostos de maneira estruturada ou não,
que impactam o negócio quotidiano de uma empresa.
Big Data são conjuntos de dados em maior volume e mais complexos, especialmente de novas fontes de dados.
57
Gestão de Informação - Introdução
‣ Os sensores de humidade nos campos de cultivo planeiam a rega, combinando seus dados com as
previsões meteorológicas.
‣ O navegador sabe se a rota consultada por um utilizador sofre retenções de tráfego sugerindo-lhe
alternativas.
‣ Um canal de televisão em streaming por assinatura definiu os personagens e o enredo de uma série
analisando os conteúdos que os seus espectadores consomem e preferem.
‣ Na política … :-)
58
Gestão de Informação - Big Data
Exemplos de desafios
59
Gestão de Informação - Big Data
Permite e revelação de mais padrões e relacionamentos interessantes com o potencial de fornecer novos “insights” (percepções)
sobre… o comportamento do cliente, padrões climáticos, actividade do mercado financeiro, gerir o tráfego, combater o crime,
ou outros fenómenos.
Exemplo :
Shutterstock, o mercado global de imagens online, armazena 24 milhões de
imagens, adicionando mais 10.000 a cada dia.
Para encontrar maneiras de otimizar a experiência de compra, a Shutterstock
analisa o seu universo big data para descobrir onde os visitantes do site colocam
os seus cursores (rato) e por quanto tempo passam o rato sobre uma imagem
antes de fazer uma compra.
60
Gestão de Informação - IA - Inteligência Artificial
61
Gestão de Informação - Introdução
Até agora, a “Grande Visão” da IA continua sendo um sonho distante: não há programas de computador que
tenham demonstrado inteligência humana generalizada ou bom senso. A inteligência humana é muito mais
complexa do que os programas de computador mais sofisticados e abrange uma gama mais ampla de
atividades do que é atualmente possível com sistemas e dispositivos de computador “inteligentes”.
Despidos de toda a hipérbole, os programas de inteligência artificial são como todos os programas de
computador: eles recebem dados do ambiente, processam esses dados e produzem saídas.
Os programas de IA diferem dos programas de software tradicionais nas técnicas e tecnologias que usam para
inserir e processar dados.
Os sistemas de IA hoje podem executar muitas tarefas que seriam impossíveis para humanos realizarem e
podem se igualar ou se aproximar aos humanos em tarefas como interpretar tomografias, reconhecer rostos e
vozes, jogar jogos como xadrez, ou superar especialistas humanos em certas tarefas bem definidas.
62
Gestão de Informação - Principais tipos de Técnicas de IA
Computer vision systems Sistemas que podem visualizar e extrair informações de imagens do mundo real
Uso de máquinas que podem substituir os movimentos humanos, bem como sistemas de
Robotics computador para seu controle e processamento de informações
Agentes de software que usam conhecimento integrado ou aprendido para executar tarefas ou
Intelligent agents serviços específicos para um indivíduo.
63
Gestão de Informação - Expert Systems
64
Gestão de Informação - Aprendizagem Automática
65
Gestão de Informação - Redes Neuronais
66
Gestão de Informação - Redes Neuronais
As redes neuronais encontram padrões e relacionamentos em grandes quantidades de dados que seriam muito complicados e
difíceis para um ser humano analisar usando algoritmos de machine learning e modelos computacionais vagamente baseados
em como o cérebro humano biológico funciona.
Alguns caminhos são mais bem-sucedidos do que outros na sua capacidade de identificar objetos como carros, animais, rostos
e vozes.
Pode haver milhões de caminhos através dos dados. Um algoritmo (Regra de Aprendizagem) identifica esses caminhos bem-
sucedidos e fortalece a conexão entre os neurônios nesses caminhos.
Esse processo é repetido milhares ou milhões de vezes até que apenas os caminhos melhor sucedidos sejam identificados.
Depois de analisados milhões de caminhos, o processo pára quando um nível aceitável de reconhecimento de padrões é
alcançado, por exemplo, identificando com sucesso tumores cancerígenos tão bem quanto humanos, ou até melhor que
humanos.
67
Gestão de Informação - Redes Neuronais
68
Gestão de Informação - Redes Neuronais
69
Gestão de Informação - Aprendizagem Profunda
70
Gestão de Informação - Algoritmos Genéticos
Algoritmos Genéticos
71
Gestão de Informação - Processamento de Linguagem Natural, Sistemas Visão Computacional
e Robótica
Linguagem Natural
A linguagem humana nem sempre é precisa. Muitas vezes é ambígua, e os significados das palavras podem depender de
variáveis complexas, como gírias, dialetos regionais e contexto social. O processamento de linguagem natural (NLP - Natural
Language Processing) possibilita que um computador entenda e analise a linguagem natural – linguagem que os seres humanos
usam instintivamente. Os algoritmos de NLP geralmente são baseados em machine learning, incluindo deep learning, que pode
aprender a identificar a intenção de um palestrante a partir de muitos exemplos.
O Mizuho Bank, com sede em Tóquio, emprega tecnologia avançada de reconhecimento de fala, software de análise de
conteúdo IBM® Watson TM e uma infraestrutura de serviços em núvem para melhorar as interações dos agentes do call center
com os clientes. Depois de converter a fala do cliente em dados textuais, a solução aplica algoritmos de processamento de
linguagem natural com base na análise de machine learning de interações com milhares de clientes. O sistema aprende cada
vez mais com cada interação com o cliente para que possa eventualmente inferir as necessidades ou objetivos específicos do
cliente em cada ponto da conversa. Em seguida, formula a resposta ideal, que é entregue em tempo real como um prompt na
tela do agente. Ao ajudar os agentes do call center a perceber e responder com mais eficiência às necessidades dos clientes,
essa solução reduziu a duração média das interações com os clientes em mais de 6% (IBM, 2018).
72
Gestão de Informação - Processamento de Linguagem Natural, Sistemas Visão Computacional
e Robótica
Robótica
74
Gestão de Informação - Agentes Inteligentes
Agentes Inteligentes
75
Gestão de Informação - Ciência dos Dados - Data Science
76
Gestão de Informação - Ciência dos Dados - Data Science
Supressão de dados - padronização dos dados de acordo com um formato predeterminado (correção de erros
(ortográficos; formato; …); remoção dados atípicos;
Exploração de dados - análise de dados preliminar usada para planear estratégias de modelação de dados.
Modelação de dados - algoritmos de software e machine learning para obtenção de insights e previsão de
resultados
Interpretação de dados - interpretação dos diagramas, gráficos, tabelas,…, e sua conversão em ações reais.
77
Gestão de Informação - Ciência dos Dados - Data Science - Benefícios
A ciência de dados promove vantagens competitivas para as empresas ao desenvolver modelos estratégicos de processamento
de informação.
Descoberta padrões transformadores com potencial transformador da empresa
Ex: Site comércio electrónico ao utilizar DS descobre que muitas das visitas que tem se verificam após horário de fecho e para
além disso que a probabilidade de aquisição de um produto é maior caso a resposta a uma ´dúvida, por parte do cliente, seja
imediata, em vez de no dia seguinte.
Solução : A implementação de um serviço de atendimento ao cliente 24x7 aumentaria a sua receita em 30%.
Inteligência artificial: modelos de machine learning e software para obtenção de análises preditivas e
prescritivas.
Internet das Coisas: IoT (dispositivos podem ligar-se à internet) - dispositivos que recolhem e geram (grandes
quantidades) dados para posterior análise.
79
Gestão de Informação - DDDM - Data Driven Decision Making
Tomar decisões orientadas por dados tornou-se um tema quente ao entrarmos na era big data. Hoje em dia muitas empresas já
utilizam essa abordagem para impulsionar decisões de crescimento.
A intuição é subjetiva e as decisões de negócios devem ser tomadas com base em informações objetivas.
A intuição é eficaz quando você não tem dados ou tempo para pensar logicamente antes de tomar uma decisão. No entanto,
desenvolver a intuição com base no conhecimento e na experiência e utilizá-la na tomada de decisão de negócio é uma opção
arriscada.
Ao processo de estudar grandes quantidades de dados, de os analisar identificando padrões, obter insights e os utilizar para
tomar decisões de negócios designamos por tomada de decisão orientada por dados (DDDM - Data Driven Decision Making).
80
Gestão de Informação - DDDM - Data Driven Decision Making
2 - Contexto do problema
Existem muitas situações em que os dados por si só podem ou não fornecem a imagem completa.
A intuição baseia-se nas informações objetivas e subjetivas que você já conhece – então sua intuição é, até certo ponto,
orientada por dados.
81
Gestão de Informação - DDDM - Data Driven Decision Making
“We start with the data. But the final call is always gut. It is called informed intuition.” Reed Hastings ‒ CEO, Netflix
82
Gestão de Informação - Como usar dados para tomar decisões
Num ambiente de negócios global em rápida mudança, a pressão sobre as organizações para tomar decisões precisas e
oportunas nunca foi tão grande. A capacidade de identificar desafios, identificar oportunidades e se adaptar com agilidade não
é apenas uma vantagem competitiva, mas também um requisito para a sobrevivência.
Nos negócios, existe sempre um elemento de risco, mas as decisões baseadas em dados tornam as empresas menos
vulneráveis a decisões arriscadas que se verificam posteriormente erradas.
Você não quer passar horas analisando dados que não terão nenhum
impacto na sua decisão final. Portanto, mantenha os dados relevantes
e recolha apenas os dados relacionados com o seu objetivo.
84
Gestão de Informação - Como usar dados para tomar decisões
85
Gestão de Informação - Como usar dados para tomar decisões
Após definir o(s) objectivo(s) que deseja melhorar e analisar os dados para tomar uma decisão de seguida necessitará de
estabelecer um plano de ação para colocar sua decisão em prática.
A chave nesta fase é definir metas claramente definidas sobre o que precisa ser feito e quando, por quem, por que você está
fazendo e qual é o resultado que você espera – em vez de criar metas vagas que “precisam ser feitas antes do final do ano”.
Por exemplo, você pode usar dados para concluir que um programa de recompensas ajudará na fidelização do cliente. Nesse
caso, seu objetivo claramente definido seria algo assim:
“José e Maria (meus colaboradores) criarão um programa de recompensas baseado em pontos para aumentar as taxas de
retenção de clientes nos próximos 2 meses. Isso melhorará a fidelização do cliente e aumentará a retenção em 15%.”
Simples, mas surpreendentemente eficaz.
86
Gestão de Informação - Como usar dados para tomar decisões
Se não foi, pelo menos agora você sabe o que não funciona. E, às vezes, isso é tão importante como saber o que funciona.
E como Thomas Edison disse uma vez sobre a invenção da lâmpada – “Eu não falhei, acabei de encontrar 10.000 maneiras que
não funcionaram”.
87
Arquitetura Interna Computador - Bibliografia
Livros de Apoio
88