ANÁLISE DE DADOS - 4 PRINCIPAIS CATEGORIAS

A modernização das indústrias e a crescente presença e dependência de tecnologias de informação, tem amplificado a quantidade de dados extraídos. Trata-se de informação em bruto, com bastante valor para as organizações. Estes blocos de informação albergam todo o tipo de informação, que necessitam de ser “lapidada” para que se possa transformar num ativo com valor acrescentado. Este manuseamento dos dados em bruto é denominado por análise de dados. As análises de dados promovem o entendimento da informação e destacam as organizações que oferecem maior competitividade ao mercado. O valor acrescido desta vertente dos negócios impacta as várias camadas que formam as organizações:

• Melhorar a eficiência;
• Compreender o mercado;
• Redução de custos;
• Melhor e mais rápida tomada de decisão;
• Novos produtos/serviços;
• Maior competitividade;
• Conhecimento do setor;

O passo inicial para as organizações é a compreensão do tipo de análise de dados que mais se adequa ao seu modelo de negócio e que possa potenciar o ROI, o mais rápido possível.

Tipos de análises de dados

As análises de dados podem ter vertentes distintas, conforme os tipos de resultados procurados. A complexidade da análise tende a aumentar, quase de forma proporcional, a par com o valor acrescentado pelo tipo de análise. Neste capítulo, optámos por considerar os 4 tipos de análise com maior destaque no mercado.

Figura 1 - Gráfico comparativo entre o valor e complexidade de cada análise

Descritiva

As análises descritivas representam uma camada mais superficial e de menor complexidade. Esta análise pode resumir os dados em bruto, convertendo-os para um formato de fácil interpretação para os utilizadores. A análise descritiva permite observar padrões e identificar problemas, extrair a melhor interpretação possível, para ajudar a definir estratégias que possam melhorar estes pontos. Este tipo de análise é, sobretudo, associado ao tratamento de dados do passado e em tempo real, como avaliação de KPI’s e análises de vendas. Contudo, é um dos tipos de análises de dados mais utilizado pelas organizações.

Diagnóstico

A análise de diagnóstico foca-se nos motivos implícitos aos resultados da análise descritiva. Como o nome sugere, esta análise tenta encontrar o porquê dos resultados obtidos na análise anterior. O tratamento de dados, segundo este tipo de análises, pretende encontrar tendências e corelações na informação. O acrescido grau de complexidade da análise de diagnóstico, implica a utilização técnicas de data mining para, numa ótica mais aprofundada, encontrar um contexto para o problema detetado.

Preditiva

A análise preditiva de dados presume o que, provavelmente, acontecerá no futuro. Nesse tipo de pesquisa, as tendências são derivadas de dados do passado, usados para formar previsões lógicas sobre o futuro de um determinado contexto da organização. A análise preditiva envolve a ferramentas avançadas e tecnologias fidedignas para que o resultado obtido seja fiável. Tecnologicamente falando, machine learning e redes neurais são provavelmente os principais impulsionadores deste tipo de análise. Para que os modelos preditivos de análise de dados sejam eficazes, é essencial utilizar dados precisos, para que não ocorram previsões fora de contexto.

Prescritiva

A análise prescritiva é o tipo de análise mais avançada, um conjunto de todas as análises anteriores, que tira partido dos resultados para calcular ações para evitar futuros problemas. É também reconhecida pela complexidade dos algoritmos necessários na implementação de análise adaptada ao contexto do negócio. A Inteligência Artificial engloba-se neste tipo de análise, consumindo muitos dados para aprender e tomar decisões baseadas nos dados. Trata-se de uma análise bastante dispendiosa pelo que, ainda é utilizada por um reduzido número de organizações.

Análise simplificada

A Tekon IoT Platform, enquanto solução orientada para o armazenamento e tratamento de dados, tem uma secção totalmente dedicada à análise de dados, que simplifica esta abordagem e permite que o utilizador possa observar e descodificar comportamentos da sua aplicação. A informação mais detalhada, presente nos dados recolhidos, pode não ser percetível no momento da visualização de dados em tempo real. A atenção ao detalhe tende a ser reduzida, centrando-se a atenção nos padrões normais de operação e nos desvios mais abruptos.

Figura 2 - Página "Análise de dados" da Tekon IoT Platform, com uma análise gerada

Através desta secção, os utilizadores estipulam o objetivo da sua análise, através da configuração de parâmetros relacionais como variáveis, tipo de agregação, intervalo de agregação de dados e granularidade da análise. A conjugação de todos estes parâmetros, resulta num gráfico elaborado de forma automática, onde as ações de interação promovem o entendimento comportamental dos dados representados. As opções de exportação de dados continuam a garantir a posterior observação das análises realizadas na Tekon IoT Platform.

Curiosidade

Numa época em que os dados são constantemente utilizados para encontrar padrões e tendências, deixamos um pequeno exemplo de como estes podem ter comportamentos semelhantes e ao mesmo tempo não estarem interligados de forma alguma. O website Tylervigen, mostra-nos algumas relações, como a que está manifestada na figura seguinte.

Figura 3 - Gráfico com relações falaciosas promovido pela Tylervigen

Fonte: Tylervigen