O que é Data Analytics?

Diante da economia da informação, da evolução do poder computacional e da Indústria 4.0, as empresas têm visto cada vez mais valor nas respostas das análises de dados. Mas o que é Data Analytics? E como isso se aplica nos negócio? 

Data Analytics:

Data Analytics é o processo de analisar informações (dados) com um propósito específico. Isto é, pesquisar e responder perguntas com base em dados e com uma metodologia clara para todos os participantes.

Um projeto de Analytics pode ser executado de maneira individual, contudo, dependendo da dinâmica e complexidade das questões e dos dados disponíveis, é comum que o trabalho seja colaborativo, com diversos indivíduos atuando em papéis diferentes ao longo de cada etapa.

Para ajudar a coordenação dos projetos de analytics, a Aquarela disponibiliza gratuitamente o e-book – Business Canvas analytics.

Analytics na história

Falar da história do analytics e não citar Florence Nightingale (confira aqui) é como falar de computador e não citar Alan Turing.

Vinda de família rica que esperava um casamento promissor da filha, frustrou-os pela sua escolha em ser ajudante dos médicos, uma vez que a enfermagem ainda não existia.

Este trabalho era considerado indigno e desempenhado por mulheres desacompanhadas na sociedade. Porém, seu objetivo de vida era e sempre foi salvar vidas, independentemente da maneira.

Florence foi pioneira em utilizar métodos estatísticos e representações visuais para gerar relatórios médicos ao governo inglês durante a Guerra da Crimeia.

Além de ser uma inspiração feminista e valorizar a profissão da enfermagem, Florence também foi membro do grupo real de estatística. Com seu trabalho e muita resiliência,  transformou mundialmente os métodos de saúde, criando a enfermagem como profissão e afetando diretamente a qualidade de vida de milhões de pessoas até hoje. 

A rosa de Florence

Florence sabia que as doenças eram derivadas da péssima higiene hospitalar, mas como provar para os políticos que acompanhavam a guerra de longe? 

Durante seus trabalhos de apoio aos feridos da guerra na Crimeia, Florence começou registrar todas as mortes com apoio de estatísticos, porém não conseguia transformar as informações de modo que melhores decisões fossem tomadas.

“Os gráficos devem atingir os olhos, para evidenciar aquilo que não conseguimos expressar apenas com os números”

Entre indas e vindas, Florence criou em seu relatório o famoso diagrama abaixo, conhecido como a Rosa de Florence:

Provavelmente este é um dos diagramas mais importantes da história, relatando as projeções das mortes dos soldados ingleses da seguinte forma: 

• Mortes por infecções hospitalares/doenças (azul);
• Mortes por ferimentos em batalha (vermelho);
• Mortes por outras causas (preto).

Ferramentas de Data Analytics

Antes de citar ferramentas de análise, é muito importante destacar que Data analytics pode ocorrer sem mesmo a utilização de computadores.

Indicadores

Digamos que precisamos fazer o controle em papel de todas as vezes que alguém da empresa entrou na sala X.

Abaixo está uma demonstração deste processo, onde cada presença é marcada ao longo dos meses com um risco. A coleta dos indicadores é o primeiro passo de qualquer processo de análise. Sugerimos que este trabalho seja feito por profissionais com experiência em Design de Indicadores.

Colaborador	Janeiro	Fevereiro
João Silva	IIII	IIIII
Maria Dos Santos	II	II
…

Cultura de analytics:

Com o tempo, notamos que mesmo coisas simples podem gerar dificuldades nas análises de dados.

Assim, para que os indicadores possam ser coletados de forma adequada e as análises possam ocorrer com o maior número de pessoas (de forma a se replicar dentro dos diversos setores), é fundamental níveis elevados de cultura de Data Analytics, como definido neste Diagrama. 

A ordem evolucionária da complexidade dos dados e tecnologia abordamos neste artigo.

 

A comunicação

A boa comunicação dos profissionais envolvidos em processos de Data Analytics é fundamental. Todos os envolvidos devem falar o mesmo idioma (leia-se entender dos dados) desde a primeira fase do projeto, onde se levantam as perguntas de negócio, até a entrega do relatório analítico ou sistemas inteligentes. Qualquer ruído entre os pontos envolvidos pode influenciar negativamente no resultado.

Além disso, o primeiro passo para a evolução da cultura de análise e melhoria da comunicação está na conformação dos primeiros dicionários de dados de análise.

Neste link você pode baixar nossa sugestão de dicionário de dados. Fiquem a vontade para criar seus próprios, só não esqueça de verificar se todos os departamentos envolvidos na análise são capazes de entender o documento.

Muitos projetos de analytics falham por falta de consenso sobre os itens das hipóteses e/ou por má formação da mesma. Assim, seguem algumas dicas para melhoria dos processos de comunicação:

• Utilização de sistemas de informação avançados para que todos do grupo possam interagir de forma plena sobre o problema.
• Registros das atividades ao longo do tempo.
• Evite aplicar metodologias tradicionais de gestão de projetos, elas interrompem o fluxo interativo, criativo e colaborativo das análises. A necessidade de controle deve ser o mais baixa possível. Times que demandam muito controle possivelmente não possuem o perfil de analista de dados.  
• Hipóteses claras e adaptadas ao escopo do projeto, criadas de forma afirmativa, para que possam ser aceitas ou rejeitadas pelos testes efetuados nos dados. Ex. Se elevarmos em 3% o valor das mercadorias A e B, então teremos 20% a mais de lucratividade ao final do mês em relação às lojas que não aplicaram o aumento.  No final do mês será possível dizer claramente se a hipóteses estava certa ou errada.
• Para desenvolver projetos de analytics com sucesso é necessário ter em mente os diversos tipos de dados disponíveis, conhecer os níveis de maturidade da organização e ter um alinhamento com todos os participantes do projeto.

O que é Data Analytics: How to – como fazer.

Invariavelmente, os processos de analytics seguem um padrão bastante consistente de fluxo como mostrado abaixo:

A origem dos dados:

Toda análise baseada em dados precisa extrair dados de alguma forma, certo? Normalmente são extraídos de arquivos .CSV e Excel, mas podem ser também em formatos mais técnicos diretamente de bancos de dados.

Nossa recomendação é conhecer bem o funcionamento de arquivos do tipo .CSV pois é um dos padrões de exportação dos principais sistemas existentes. Neste link há algumas demonstrações de como gerar estes arquivos.

Limpeza e Transformação:

Uma vez que o dado é extraído, em raríssimos casos, ele está pronto para análise. Por exemplo, digamos que os usuários preencheram suas cidades como: São Paulo, sao paulo, Sao paulo.

Claramente vemos as três opções se referem ao mesmo município, porém foram escritos de maneiras distintas. Isso impossibilita uma análise assertiva da quantidade de fatos que aconteceram nestes locais.

Por isso, é obrigatório executar processos de limpeza e organização dos dados antes de qualquer análise manual, ou mesmo com apoio de algoritmos de inteligência artificial.

Análise de negócio:

Toda análise precisa de um propósito bastante definido, em muitos casos ferramentas com excesso de funcionalidades fazem os analistas perderem o foco e a objetividade do trabalho.

Por isso, se recomenda que pelo menos um dos integrantes de projetos de analytics tenha o perfil de analista de negócios, para ser o norteador de todos as perguntas criadas, e consequentemente das respostas.

Validação do Analytics:

A única forma de analytics gerar retorno financeiro é alterando processos de gestão, e para isso as validações de analytics servem para avaliar se os ajustes sugeridos pelas análises surtem efeitos reais, e se eles são suficientes para garantir a continuidade das pesquisas.

A validação positiva das análises permite abrir caminhos para a replicação do analytics em outros setores da organização.

[Extra] Educação para Analytics.

O comportamento inteligente e o raciocínio lógico podem ser instigados de maneira lúdica tanto para crianças quanto adultos. Lev Vygotsky, importante estudioso da área da educação, afirmava que o brinquedo e a brincadeira estimulam a curiosidade, criatividade, autoconfiança e o pensamento.

O brincar e o jogar transformam o aprendizado em algo dinâmico, entusiasmante e natural. Seguindo esta linha, Piaget já dizia que o conhecimento não se cria sozinho dentro do sujeito, e nem isolado no brinquedo/jogo, mas na interação e experimentação dos dois.

Utilizamos desta linha de pensamento em nossas capacitações e imersões, o primeiro exemplo prático e de senso comum que ajuda a desbloquear o cérebro para o que é Data Analytics é o jogo Super Trunfo, que de uma forma lúdica e didática ajuda na compreensão e mensuração de variáveis numéricas e categóricas para análises comparativas.

Autores