Descrição geral da análise de dados
Antes de os dados poderem ser utilizados para contar uma história, têm de ser executados através de um processo que os torna utilizáveis na história. A análise de dados é o processo de identificação, limpeza, transformação e modelação de dados para descobrir informações relevantes e úteis. Os dados são então trabalhados numa história através de relatórios para análise para apoiar o importante processo de tomada de decisão.
À medida que o mundo se torna cada vez mais condicionado por dados, contar histórias através da análise de dados começa a tornar-se um aspeto e componente fundamental para pequenas e grandes empresas. É o motivo por que as organizações continuam a contratar analistas de dados.
As empresas condicionadas por dados tomam decisões com base na história que os respetivos dados contam e, no mundo atual, os dados não estão a ser utilizados no seu potencial máximo. Trata-se de um desafio que a maioria das empresas enfrenta. A análise de dados é e deve ser um aspeto fundamental de todas as organizações para determinar o impacto que têm no negócio, incluindo avaliar o sentimento do cliente, realizar pesquisas de mercado e de produtos e identificar tendências ou outras informações sobre os dados.
Embora o processo de análise de dados se centre nas tarefas de limpeza, modelação e visualização de dados, o conceito de análise de dados e a importância que tem para as empresas não devem ser subestimados. Para analisar dados, os componentes fundamentais da análise dividem-se nas seguintes categorias:
- Descritiva
- Diagnóstico
- Preditiva
- Prescritiva
- Cognitiva
Análise descritiva
A análise descritiva ajuda a responder a perguntas sobre o que aconteceu com base em dados históricos. As técnicas de análise descritiva resumem grandes modelos semânticos para descrever os resultados aos intervenientes.
Ao desenvolverem indicadores chave de desempenho (KPIs), estas estratégias podem ajudar a controlar o êxito ou o fracasso de objetivos-chave. As métricas como o retorno do Investimento (ROI) são utilizadas em muitas indústrias e as métricas especializadas são desenvolvidas para controlar o desempenho em indústrias específicas.
Entre os exemplos de análise descritiva está a geração de relatórios para proporcionar uma vista dos dados financeiros e das vendas de uma organização.
Análise de diagnóstico
A análise de diagnóstico ajuda a responder a perguntas sobre o motivo por que se deu um evento. As técnicas da análise de diagnóstico complementam a análise descritiva básica e utilizam as descobertas da análise descritiva para descobrir a causa destes eventos. Em seguida, os indicadores de desempenho são investigados mais detalhadamente para descobrir o motivo pelo qual estes eventos melhoraram ou pioraram. Em geral, este processo ocorre em três passos:
Identificar anomalias nos dados. Estas anomalias poderão ser alterações inesperadas numa métrica ou num mercado em particular.
Recolher dados relacionados com estas anomalias.
Utilizar técnicas estatísticas para descobrir relações e tendências que expliquem estas anomalias.
Análise preditiva
A análise preditiva ajuda a responder a perguntas sobre o que vai acontecer no futuro. As técnicas de análise preditiva utilizam dados históricos para identificar tendências e determinar a sua probabilidade de recorrência. As ferramentas de análise preditiva fornecem informações valiosas sobre o que poderá acontecer no futuro. Entre as técnicas encontra-se uma variedade de técnicas de aprendizagem automática e aprendizagem estatística, tais como redes neurais, árvores de decisões e regressão.
Análise prescritiva
A análise prescritiva ajuda a responder a perguntas sobre as medidas que devem ser tomadas para alcançar um objetivo ou alvo. Ao utilizar informações de análise prescritiva, as organizações podem tomar decisões condicionadas por dados. Esta técnica permite que as empresas tomem decisões informadas face à incerteza. As técnicas de análise prescritiva dependem da aprendizagem automática como uma das estratégias para encontrar padrões em modelos semânticos grandes. Ao analisarem decisões e eventos anteriores, as organizações podem estimar as probabilidades de resultados diferentes.
Análise cognitiva
A análise cognitiva tenta extrair inferências dos dados e padrões existentes, retirar conclusões baseadas em bases de conhecimento existentes e, depois, voltar a adicionar estas descobertas à base de conhecimentos para futuras inferências. Trata-se de um ciclo de feedback de autoaprendizagem. A análise cognitiva ajuda-o a compreender o que pode acontecer se as circunstâncias mudarem e a determinar como lidar com estas situações.
As inferências não são consultas estruturadas baseadas numa base de dados de regras. São hipóteses não estruturadas recolhidas de várias origens e expressas com níveis de confiança variáveis. A análise cognitiva eficaz depende de algoritmos de machine learning e irá utilizar vários conceitos de processamento de linguagem natural para compreender origens de dados anteriormente não explorados, como registos de conversações de call center e avaliações de produtos.
Exemplo
Ao possibilitar a geração de relatórios e a visualizações de dados, uma empresa de retalho utiliza análises descritivas para analisar padrões de compras de anos anteriores para determinar os produtos que poderão ser populares no ano seguinte. A empresa poderá ainda analisar dados de suporte para compreender o motivo pelo qual um determinado produto foi popular e se essa tendência se mantém, o que pode ajudar a decidir se devem continuar a repor esse produto.
Uma empresa poderá determinar se um determinado produto foi popular durante um determinado período. Em seguida, pode utilizar esta análise para determinar se o que contribuiu para o aumento das vendas foram determinados esforços de marketing ou atividades sociais online.
Uma faceta subjacente à análise de dados é que uma empresa precisa de confiar nos respetivos dados. Como prática, o processo de análise de dados extrai dados de origens fidedignas e molda-os em algo que é consumível, relevante e facilmente compreendido para ajudar no processo de tomada de decisões. A análise de dados permite que as empresas compreendam plenamente os seus dados através de processos e decisões condicionados por dados. Isto permite-lhes ter confiança nas decisões que tomam.
À medida que a quantidade de dados aumenta, também aumenta a necessidade de analistas de dados. Um analista de dados sabe como organizar as informações e convertê-las em algo relevante e compreensível. Um analista de dados sabe como recolher os dados certos e o que fazer com eles. Ou seja, sabe dar sentido aos dados na sua sobrecarga de dados.