O uso de Big Data vem se tornando cada vez mais um diferencial competitivo para as empresas, pois permite a transformação de dados em insights relevantes para as tomadas de decisão. No entanto, quem tem contato com os resultados desse processo nem sempre conhece a complexidade envolvida na transformação de um dado bruto em uma informação valiosa.
Pensando nisso, criamos este post para mostrar quais são as etapas de Big Data do início ao fim do projeto. Confira!
Coleta de dados
Todo projeto de Big Data deve ser norteado por um objetivo específico. Por mais que algumas empresas optem por fazer amplas coletas de dados e depois verificar de que forma eles podem ser utilizados, há sempre um ponto central a ser trabalhado. O marketing, por exemplo, pode se beneficiar de informações relacionadas ao comportamento do consumidor.
Assim, na primeira etapa de Big Data, será feita uma coleta de dados para armazenamento. Mesmo que a empresa adote a ideia de armazenar diferentes dados para possíveis aplicações futuras, é essencial garantir que eles cubram ao menos os critérios relevantes para o objetivo principal.
No caso do marketing para o varejo, por exemplo, alguns dados podem ser coletados no e-commerce da empresa, tais como:
- cliques em anúncios;
- tipo de dispositivo (smartphone, notebook etc.);
- sistema operacional do dispositivo;
- login do cliente no site, se houver;
- endereço de IP;
- endereço de e-mail;
- localização;
- histórico de buscas;
- histórico de compras do cliente;
- entre outros.
Esse será o alicerce para o início do trabalho com Big Data já direcionado para o objetivo estabelecido.
Limpeza dos dados
Alguns especialistas consideram a etapa de limpeza um “pré-processamento” dos dados, sendo assim uma das mais importantes do processo. Nela, são identificadas anomalias ou discrepâncias que possam comprometer a análise como um todo. Por isso, todo cuidado é pouco nesse momento específico.
A limpeza é feita por meio de um processo de inspeção dos dados coletados. Para isso, é possível aplicar alguns métodos estatísticos que avaliam desvios e, com base em alguns critérios, definem a sua relevância para a análise a ser feita.
Isso significa, na prática, que dados considerados anômalos (valores nulos, inconsistentes, duplicados etc.) serão removidos ou tratados para evitar que causem algum tipo de viés nos insights gerados. No entanto, vale destacar que a limpeza permite também o enriquecimento da base de dados, sugerindo novos parâmetros para a coleta.
No exemplo citado anteriormente, poderiam ser adicionados à coleta itens como endereço físico, número de telefone, informações de perfil e rede social etc.
Mineração de dados
O termo (do inglês, data mining) se refere a uma prática que, em alguns casos, é erroneamente confundida com pesquisas de marketing. Ainda que elas tenham similaridades no ambiente publicitário, são coisas diferentes. Afinal, processos de Big Data podem ser aplicados aos mais diversos setores — da produção industrial à gestão pública.
A mineração de dados é realizada computacionalmente e pode ser definida como um processamento de dados para a identificação de padrões. Para isso, podem ser utilizados métodos de Inteligência Artificial, Machine Learning, estatística etc.
É nessa etapa de Big Data que são relacionadas questões possivelmente relevantes para cada situação, a depender do objetivo de quem aplica. Uma dúvida comum é por que a mineração seria capaz de relacionar padrões de comportamento que um olhar humano aguçado não veria.
A resposta, na verdade, sugere uma revisão da pergunta. A capacidade de o Big Data oferecer insights relevantes está justamente no fato de não olhar para padrões de comportamento, mas de dados em geral. Assim, questões que para nós podem não fazer sentido são identificadas como padrões pela análise puramente estatística.
Se os dados mostram, por exemplo, que clientes que compram uma determinada marca de xampu também compram vinho chileno na maioria das vezes, essa informação deve ser aproveitada. Não importa se a relação lógica está ou não explícita — o fato é que ter essa informação pode beneficiar o varejista.
Análise de conteúdo
A análise do conteúdo pode ter diferentes objetivos e, para cada um deles, diferentes métodos. Para entender o cenário econômico no qual a empresa atua, por exemplo, uma análise descritiva focada no presente pode fornecer dados em tempo real sobre o desempenho da empresa. Já a preditiva visa a identificar padrões para prever possíveis cenários futuros e dar base para as decisões a serem tomadas.
Uma análise prescritiva mostra ao gestor possíveis resultados de uma ação tomada em um determinado cenário, auxiliando no ajuste da estratégia para que os objetivos sejam alcançados. Por fim, uma análise diagnóstica ajuda a elucidar cadeias de acontecimentos relacionados à ocorrência de uma falha em um processo.
Visualização de informações
É possível compreender o processo todo como uma melhoria na forma de visualizar os mesmos dados. De uma forma ou de outra, todas as informações extraídas do Big Data estão, na verdade, disponíveis naquele vasto banco de dados. Entretanto, é preciso transformá-la em algo de fácil interpretação para as pessoas que terão acesso aos resultados.
Assim, a visualização de informações é uma etapa de remodelagem dos resultados extraídos. Nela, são feitas adaptações gráficas que favorecem uma interpretação otimizada, eliminando ruídos e fatores que desviem o foco durante a análise.
Gráficos, por exemplo, são ferramentas visuais de extrema importância para facilitar o entendimento. No entanto, a etapa de visualização não se resume apenas a transformar tabelas em gráfico — primeiro, é preciso estabelecer os seus objetivos.
Conhecer as pessoas que terão acesso aos dados é fundamental. Além disso, é preciso avaliar o que exatamente elas buscarão naquele documento. Uma mesma análise de Big Data pode resultar em diferentes visualizações, cada uma visando a facilitar a interpretação de um determinado “público-alvo”, ou seja, gestores de diferentes departamentos.
Integração de dados
Integrar os dados significa utilizá-los de forma sistemática e com inteligência. Resumidamente, não basta executar análises pontuais e independentes — mesmo que todas elas tenham os seus benefícios individuais. O processo de Big Data Analysis deve ser adotado como uma estratégia de negócio e, para isso, é importante que os dados estejam em convergência.
Adotar uma plataforma que relacione diferentes informações em um dashboard é um bom exemplo disso. No varejo, por exemplo, análises de comportamento do consumidor do e-commerce podem ser combinadas com outras informações de lojas físicas para gerar insights.
Se um mesmo produto faz grande sucesso na loja virtual, mas se mantém acumulado nas gôndolas da loja física, é possível analisar mais de perto as possíveis razões para isso. Integrar dados em um sistema de gestão permite que a empresa mantenha um olhar panorâmico sobre o seu desempenho. Ao mesmo tempo, ela pode atuar pontualmente em questões mais detalhadas de cada departamento.
Uma importante tendência da jornada digital é a convergência de soluções digitais. O acesso à informação deve ser facilitado, promovendo o uso inteligente (business intelligence) dos dados para a melhoria contínua de todos os setores.
Isso passa diretamente pela otimização das etapas de Big Data. Estabeleça processos sistematizados de uso da informação para que a sua empresa se adapte ao novo cenário e conquiste esse importante diferencial competitivo!
Gostou do post? Então, compartilhe nas suas redes sociais e veja o que seus colegas pensam a respeito do uso de Big Data!
Deixe aqui seu comentário