Dataísmo

dados ♥ métricas ♥ monitoramento

Category: Data Strategy (page 1 of 2)

Dados fora da caixa: menos pesquisas W.E.I.R.D., mais abrangência em Business Intelligence

2015-11-1_outsidethebox_cover

A maior parte das pesquisas globais sobre economia, política e até de teorias comportamentais, seja no mundo acadêmico ou no mercado, são baseadas em dados coletados sobre pessoas padronizadas, que representam uma amostra muito limitada em relação à variedade de humanos que temos. Onde estão os indianos, os negros, os orientais, os gays e até… transexuais?

As pesquisas que só abordam determinada parcela da população são limitadas, globalmente publicadas e… chamadas de “pesquisas W.E.I.R.D.”. Elas podem ser reduzidas ao clichê de “precisamos sair da caixa” das pesquisas.

W.E.I.R.D., em pesquisa, significa:

  • Western (ocidental);
  • Educated (educação superior);
  • Industrialized (industrializado/urbano);
  • Rich (rico).
  • Democratic (democrata).

No Brasil, podemos traçar vários perfis de “pesquisas WEIRD”. Um deles é:

  • Branco;
  • Heterossexual;
  • Ensino superior;
  • Vive em grandes metrópoles;
  • Rico: é das classes A e B;
  • Liberal (posicionamento político).

O desafio no Brasil passa por várias camadas, especialmente raciais e sociais. Se dermos um breve Google, o volume de pesquisas sobre quem está fora do padrão é absurdamente menor. Nesta minoria temos moradores da periferia, classe D,  transgêneros, bissexuais, mães solteiras, casais homoafetivos que adotaram crianças, retirantes nordestinos (ad infinitum).

O desafio das “9 dots” ou “thinking outside the box”
Hora do jogo

2015-11-12_outsidethebox_jogo

Ligue os pontos;
Use apenas quatro linhas retas;
Linhas devem ser conectadas (não dê o truque e tire a caneta do papel enquanto traça-as);
Você não pode refazer as linhas enquanto traça.

Para visualizar o resultado, clique aqui.

O resultado de ligar simples esferas é um paralelo matemático que podemos associar ao desafio ao pensar fora da caixa com as pesquisas, relatórios e soluções estratégicas. A “visão viciada” é comum, pois estamos ligamos mais ligados ao contexto do que já temos, às possibilidades concretas e aos pensamentos facilmente acessíveis.

As crianças costumam fazer o desafio das 9-dots com mais facilidade e rapidez do que os adultos. O “quebra a cabeça” é resolvido com menos “limitações de mundo”, menos conceitos pré-determinados. As crianças não possuem uma caixa clara ainda e usam a criatividade e experimentação. Em outras palavras, pensam sem limitação.

Christian Rudder a aplicação anti-W.E.I.R.D. no site OkCupid

2015-11-11_outsidethebox_gif1

Em seu livro “Dataclysm – Who We Are (When We Think No One’s Looking)”, o autor Christian Rudder aborda, em alguns momentos, as pesquisas W.E.I.R.D., apontando que elas limitam a nossa visão total do que está acontecendo. Rudder é co-fundador do site OkCupid, um dos sites de relacionamentos gratuitos mais populares do mundo, com mais de 3,5 milhões de usuários.

Por meio de gráficos e de explicações para comportamentos dos usuários, Rudder comprova que sair da amostra tradicional mostra novos cenários – que é o caso de sua pesquisa no site OkCupid. Ao analisar um dos maiores sites de relacionamento do mundo, ele procura ir além das “pessoas tradicionais” das pesquisas W.E.I.R.D. e investiga, também, asiáticos, negros e latinos.

Ao perguntar-se sobre o quê a equipe do OkCupid sabia sobre o comportamento e quais dados tinham da parcela de asiáticos, negros e latinos, ele concluiu:

“Não há muito que você pode fazer com o fato de que, estatisticamente, a banda menos negra na Terra é Belle & Sebastian, ou que o flash instantâneo em uma foto faz uma pessoa sentir-se sete anos mais velho, exceto para dizer, e talvez repetí-la em um jantar”.

(Christian Rudder, no livro “Dataclysm: Who we are”)

E foi explorando as possibilidades de vários tipos de pessoas que Hudder chegou em dados sobre a possibilidade de encontros entre pessoas de diferentes raças se conhecerem. O gráfico abaixo é feito junto ao DateHookUp, plataforma independente adquirida pelo OkCupid e que mostra uma base de usuários com preconceitos básicos na hora de conhecer o seu “crush” fora da internet:

2015-11-11_dataclysm_christianrudder_okcupid

  • Homens latinos e brancos são os que menos querem conhecer seus “dates” negros;
  • Mulheres latinas não costumam sair com homens asiáticos;
  • Mulheres brancas preferem sair com homens brancos;
  • Homens brancos preferem sair com mulheres brancas.

Fora da caixa

 

2015-11-11_outsidethebox_gif2

 

Ok. A expressão “fora da caixa” surgiu há mais de 20 anos e hoje em dia não podemos dizer que este mote é “fora da caixa”, pois já tornou-se clichê e… resumido, inclusive. Atualmente, é usada frequentemente no marketing e na publicidade. Mas qual, realmente, a sua aplicação? Quantas campanhas e pesquisas podemos listar que possuem dados sobre as pessoas fora do eixo W.E.I.R.D., mas que são atuantes na sociedade, mas nem sempre possuem visibilidade?

Pensar fora da caixa é olhar além do que foi coletado nas pesquisas e pensar no espaço “vazio” que ainda existe, para ir além dele e compor uma amostra completa. Para criar insights “fora da caixa” e aplicar de forma a criar Business Intelligence:

Abrangência da pesquisa:
– Quais pessoas esta pesquisa engloba?
– Quais soluções podem ser aplicadas?
– Qual as ideias/insights/conhecimentos que as soluções sugerem?

 

Menos dadinho, mais big data:
(Para pensar no cenário total, e não apenas no que salta aos olhos)

– Lato sensu, em latim, significa “sentido amplo”. Utilizada frequentemente para caracterizar determinada interpretação que deve ser abordada no sentido lato (abrangente);
– “Lato” sim. A abrangência das pesquisas é fundamental para sair que elas abordam Contido em si, dar o sentido de inclusão de muitos dados ou muitos fatos inerentes ao assunto.

 

* * *
Are you weird? Fale com o dataismo@gmail.com 😉

Potiguar, retirante e dataísta. Marketing Digital com foco em Business Intelligence, estratégia e monitoramento de mídias sociais.

Pirâmide de Awareness no monitoramento de redes sociais

2015-10-29_awareness1

De acordo com David Aaker, a única forma de alcançar crescimento de vendas no mercado atual é a criação de novos produtos ou serviços para atingir novos públicos ou manter os já conquistados (que estão em constante mudança).

Por outro lado, a competição no mercado geralmente “não move a agulha”, mesmo com orçamentos de marketing agressivos. Então, como as mídias sociais podem aumentar a oferta de criar uma novo target? “Há uma variedade de maneiras, mas o objetivo final deve ser o de criar uma comunidade que pode fornecer não apenas benefícios funcionais, mas também emocionais, sociais, e os benefícios de auto-expressão” (Aaker). Em outras palavras, uma das opções é transformar as mídias sociais em plataforma de conhecimento do consumidor, localizando oportunidades de negócios em comunidades, criando grupos e… monitorando!

Por meio do monitoramento de redes sociais, podemos identificar o panorama da marca, observar quem fala sobre ela, traçar necessidades, pontos positivos e negativos. Isto pode ocorrer com o monitoramento do buzz (o que foi falado) de forma espontânea, sem citar os canais da marca diretamente; de forma direta, com os comentários e replies diretos à marca; ou até por meio do universo que compõe a marca (grupos ou comunidades que fazem parte do recorte desta marca nas redes sociais.

Neste monitoramento, é importante mensurar o awareness, pedido em várias campanhas, especialmente de mídia. O awareness refere-se ao conhecimento ou percepção, está ligado à imagem da marca, e em como ela é percebida pelos clientes/consumidores. Mas… qual público esse awareness impactou? Será que, se fôssemos mensurar isto em dados,  além desse volume todo, poderíamos traçar dados de qualidade e mensurar a importância de quem foi impactado?

 

Conhecendo o cliente e o público
~Refletindo~ antes de usar os conceitos e a Pirâmide de Awareness

Existem muitas questões interessantes que o conceito de awareness pode desmembrar. Estas perguntas nos ajudam a definir o que é a marca, quem é o seu público e qual cultura ela expõe no mercado. Basicamente, ajudam a traçar o contexto da comunicação. Isto é bem útil quando pensamos nas pessoas que conhecem, não conhecem ou amam a marca. E também podemos criar suposições enquanto fazemos o monitoramento de redes sociais. 😉

  • O seu negócio/cliente é sobre o quê?
  • Como acontece a captação e manutenção dos clientes?
  • Que tipo de informação é disponibilizada para os seus clientes e os clientes potenciais?
  • Como a marca diferencia-se dos concorrentes?
  • Quais os pontos mais fortes da marca?
  • Quais os pontos mais fracos da marca?
  • Qual a principal preocupação com a imagem dela?
  • Que tipo de imagem a marca gostaria de ter e qual a imagem que ela tem? (Igual àquele meme de “como me enxergam” versus “como eu me enxergo”, sabe?)
  • Como criar ou manter um bom relacionamento entre clientes, funcionários e fornecedores?
  • Quais são os principais nichos da sua marca? Qual o comportamento dessas pessoas?
  • Quais os principais segmentos externos que impactam na sua marca? Exemplo: política, educação ou cultura.

 

Pirâmide de Awareness
David Aaker, em seu livro Brand Equity, expõe uma pirâmide que nos ajuda a mensurar este awareness todo:

 

2015-10-28_piramide_do_awareness

  • Top of mind: consumidores/clientes que tiveram e ainda têm uma experiência com a marca. Está associada à “realização” e enraizamento da cultura da marca.
    • Necessidades: fomentar e impulsionar as pessoas que fazem parte do topo da pirâmide para mantê-las neste status, oferecendo novidades e traçando o que as move, para nunca perdê-las de vista. Fazem parte dela os advogados (da marca), pessoas que podem, também, ser chamadas de “lovers” e irão defender aquela cultura, muitas vezes até argumentando com quem não está no topo da pirâmide.
    • Palavras-chave: lealdade, experiência.
  • Lembrança da marca: consumidores/clientes que já tiveram contato com a marca, mas não chegaram a desenvolver um relacionamento com ela. Podem ter confiança ou respeito.
    • Necessidade: observar o julgamento e as sensações destes usuários em relação às suas primeiras experiências. Eles estão próximos dos “top of mind”, assim como podem desistir da marca. 🙁
    • Palavras-chave: memória, emoções, oportunidades, desenvolvimento.
  • Reconhecimento da marca: pessoas que sabem qual a marca, já foram impactadas por ela em algum momento, mas não construíram nenhuma experiência com ela.
    • Necessidades: ver quais passos faltam, na jornada do consumidor, para ele que possa “subir” nesta pirâmide.
    • Palavras-chave: inconsciente, imagem, sensação.
  • Desconhecimento da marca: quando a marca é uma “unaware brand” para estes usuários. Nâo iremos achá-las no monitoramento direito ou indireto, mas podemos identificá-las no universo da qual a marca faz parte.
    • Necessidade: reposicionamento. Saber o contexto em que eles estão inseridos: o porquê de ainda não conhecerem a marca. Será que faltou oportunidade? É hora de discussão, investigação e conhecimento das necessidades deste grupo.
    • Palavras-chave: ausência.

 

Exemplificando a pirâmide:

Vamos supor que estamos com uma campanha gerar para awareness para as bonecas Fofoletes. As Fofoletes foram bonecas colecionáveis, pequeninas, fofas, porém levemente assustadoras, que fizeram muito sucesso nos anos 1980 e a sua fama se espalhou pelos anos 1990… Uma campanha para fomentar a compra de Fofoletes teria sido criada, online e offline, e um monitoramento com as palavras FOFOLETE e FOFOLETES está rodando. Se fôssemos aplicar a divisão entre os elementos desta pirâmide, podemos organizá-las em:

  • Top of mind: colecionadoras e colecionadores de Fofoletes;
  • Lembrança da marca: adultos que já compraram e ganharam Fofoletes quando crianças, mas atualmente não são consumidores de Fofoletes;
  • Reconhecimento da marca: jovens acima de 25 anos que sabem o que são as Fofoletes, mas nunca tiveram uma;
  • Desconhecimento da marca: em nossa suposiçao, identificamos que existem menções apenas de homens e mulheres adultos na amostra analisada. Logo, não existem adolescentes falando do produto. Se a amostra for alta e confirmarmos esta suposição, é possível que a maior parte dos jovens das gerações X e Y não saibam da existência das bonecas. Eles só podem vir a conhecer a marca caso a campanha consiga atingí-los.

 

2015-10-29_awareness2


Elementos para construir inteligência de negócios neste awareness todo

Nesta pirâmide, temos oportunidades ou ameaças? Talvez os dois. 🙁

O artigo Strategic Marketing Management: Building a Foundation for Your Future (University of Florida) descreve ambos:

As oportunidades são os fatores externos ou situações que oferecem potencial para se aproximar ou chegar mais rapidamente às metas da empresa. Por exemplo, alterar a preferência dos consumidores por conveniência pode ser uma oportunidade para a sua empresa.

As ameaças são os fatores externos ou situações que possam limitar, restringir ou impedir a empresa na busca de metas. Por exemplo, os novos regulamentos podem elevar o custo de produção, resultando em uma ameaça para a sua rentabilidade.

 

Ao identificar oportunidades e ameaças partir do monitoramento , é possível desenvolver um conhecimento aplicável de negócios. É o momento em que os dados geram insights (sugestões, oportunidades, conclusões), criando oportunidades para a construção de uma estratégia que vai além dos relatórios. Este conhecimento pode tornar-se “knowledge” ou sabedoria de várias formas:

  • Perfilização dos usuários: no monitoramento, é possível identificar gênero, comportamento, localização, linguagem, hábitos. Com a perfilização, temos o cenário traçado para criar campanhas ligadas ao público que conhece a marca (menções diretas ou indiretas) ou desconhece-a (universo analisado);
  • Painel do sentimento dos usuários em relação à marca: a classificação das menções por sentimento (positivas, negativas, neutras), além de utilizar marcadores (tags) dos principais assuntos (reclamações, produtos ou serviços mais falados e bem como o sentimento bom ou ruim de cada um deles) permite identificar quais são as oportunidades e ameaças de quem é top of mind, lembra da marca ou reconhece a marca
  • Benchmarks: um monitoramento mostra a sua marca. Mas monitorar o seu concorrente mostrará se ele possui sentimento/percepção melhor que o seu, se o público é composto de mais “tops of mind”, se o seu público é similar (“deu match) e até se se existe algum produto que ele não fez e você pode fazer, aproveitando este target de mercado;
  • Novas oportunidades de negócios: produtos e serviços pedidos ou reclamados pelas pessoas, por exemplo, que podem ser levados às demais equipes de marketing da empresa.

* * *
Odeia fofoletes? Let me know. dataismo@gmail.com

Potiguar, retirante e dataísta. Marketing Digital com foco em Business Intelligence, estratégia e monitoramento de mídias sociais.

Business Intelligence e ontologia: definições e apontamentos

Não é novidade que, todos os dias, somos sobrecarregados de dados e informações. A transformação em conhecimento e sabedoria são os nossos insights, que consistem na análise do que foi apresentado e quais as oportunidades podem ser obtidas a partir deles. Em outras palavras, o trabalho da análise dos dados consiste na reflexão sobre o que foi obtido (cenário atual) e o que aquilo pode tornar-se (oportunidades, estratégias e busca por objetivos em seu negócio).

Se, por um lado, temos um mundo cada dia mais cheio de informações, por outro, nem sempre temos pessoas especializadas (ou dispostas) a analisar esse tipo de informação. E é aí que entra a importância metodológica e quase filosófica de aplicar a reflexão para saber sobre o que está sendo tratado e o que isso pode significar.

Definição e a essência da ontologia

Quando buscamos a análise, passamos por um período de mensuração, que inclui a classificação, que pode ser: a saúde da marca (se está mais positiva, negativa, apresenta neutralidade); categorias ou tags (palavras que representam temas ou assuntos) e o tipo da audiência para identificar o seu comportamento. Toda esta classificação acaba nos direcionando para vários campos. Um desses caminhos é a ontologia, que significa “o estudo do ser”.  

 

ontologia

substantivo feminino

  1. fil, segundo o aristotelismo, parte da filosofia que tem por objeto o estudo das propriedades mais gerais do ser, apartada da infinidade de determinações que, ao qualificá-lo particularmente, ocultam sua natureza plena e integral.

  2.  fil no heideggerianismo, reflexão a respeito do sentido abrangente do ser, como aquilo que torna possível as múltiplas existências [Opõe-se à tradição metafísica que, em sua orientação teológica, teria transformado o ser em geral num mero ente com atributos divinos.].

 

A ontologia foi bastante abordada pelo filósofo Martin Heidegger, escreve sobre o assunto indo um pouco além das primeiras definições de Aristóteles que consistem nas “classificações e interpretações”. Para Heidegger, existe “aquilo que é” e também “o que pode ser”. As coisas e as possibilidades. Dentro das possibilidades, existem diversos universos que podemos desenhar. O conceitos são filosóficos, mas não tão viajosos, pois eles podem ser aplicados. Se fôssemos resumir, para business intelligence a ontologia é bem prática e corresponde à nossa relação entre o dado (“o que é” e a informação/sabedoria (“o que pode ser”).

 

Aplicações da ontologia

 

A ontologia já é aplicada nas áreas de Tecnologia da Informação, Arquitetura/UX e especialmente em programação. É da base de linguagens como o Java e o CSS. Para alguns, é a tentativa de unir o “real” ao “virtual”, considerando cada dado como objeto e organizando-o para formar a cadeia de códigos. A divisão básica é composta de:

  • Indivíduos são os componentes básicos. Podem ser objetivos concretos ou abstratos. Ele compõe uma classificação de indivíduos.

 

  • Classes referem-se* a:

Um tipo definido pelo usuário que contém a “receita”, a especificação para os objetos, algo mais ou menos como o tipo inteiro contém o molde para as variáveis declaradas como inteiros. A classe envolve, associa, funções e dados, controlando o acesso a estes, defini-la implica em especificar os seus atributos (dados) e seus métodos (funções).

 

  • Toda classe possui um nome;
  • Possuem visibilidade, exemplo: public, private, protected;
  • Possuem membros como: Características e Ações.

 

* Com algumas informações da Fábrica de Software/Senac

 

Ontologia e business intelligence

A associação entre ontologia e business intelligence ainda é recente, mas já conseguimos encontrar alguns trabalhos interessantes sobre o assunto. Quando aplicamos esses conceitos, é importante separar o que se chama daquele conceito de business intelligence baseado nos códigos de programação da mais recente definição: o business intelligence como e criação de insights a partir dos dados.

 

Abordagem administrativa Abordagem tecnológica
Foco no processo de extração e pós coleta dos dados, incluindo processos externos de analisá-las para extrair informações relevantes. Focos no processo tecnológico que faz parte do processo (a ferramenta e o meio, se formos considerar

Com informações de Petrini and Pozzebon, 2003. Petrini and Pozzebon (2003)

 

Aqui, vamos abordar esta segunda definição, baseada na extração e análise de dados (data analysis). A ontologia, para a web, passa por alguns conceitos de semântica ou significado. Acompanhe o nosso próximo post, na quinta-feira, para saber mais sobre Ontologia, modelo semântico e business intelligence.

Potiguar, retirante e dataísta. Marketing Digital com foco em Business Intelligence, estratégia e monitoramento de mídias sociais.

Data Strategy | Data Analysis

* Este artigo é a terceira publicação de uma série de posts sobre dados aqui no dataismo. O primeiro foi sobre Meta Dados e o segundo sobre Data Mining. Acompanhe-nos para ver mais sobre mais assuntos relacionados, como o Data Sharing, nas próximas publicações. 😉

 

Depois de cuidar dos dados, o próximo passo estratégico é a chamada “data analysis”, que consiste, assim como o nome mesmo já diz, na análise dos dados. É por meio dela que vamos gerar informação, conhecimento e, por fim, a sabedoria, também chamada de insights. 

Esses conceitos parecem, à primeira vista, a mesma coisa. E é comum confundirmos. Mas, como diria a música…

“Information is not knowledge (informação não é conhecimento)
Knowledge is not wisdom (conhecimento não é sabedoria)
Wisdom is not truth (sabedoria não é a verdade)
Truth is not beauty (verdade não é beleza)
Beauty is not love (beleza não é amor)
Love is not music (amor não é música)
Music is THE BEST (música é o melhor)”

(Frank Zappa)

 

 Para melhorar um pouco, se formos dividir em etapas, encontramos a chamada Pirâmide do Conhecimento, cujo caminho que mostra como os dados viram informação. A pirâmide é representada pelo DIKW, Data-Information-Knowledge-Wisdow, baseado no modelo cartesiano (criado com base nos princípios do filósofo Descartes), que consiste em uma evolução de [d]ata (dados), [in]formation (informação), [k]nowledge (conhecimento) e [w]isdom (sabedoria). Esse modelo, hoje em dia, é utilizado para várias áreas, que incluem pesquisas em tecnologia da informação até o marketing:

Pirâmide do Conhecimento ou DIKW

Pirâmide do Conhecimento ou DIKW

Dados ➳ elementos

Sinais, símbolos, um aglomerado de números sem significados. É aquilo que foi coletado.

Exemplo: dados brutos em um arquivo de Excel, o formato, a data, a hora, o tempo da coleta.

 

Informação ➳ organização

Informações são os dados estruturados.

Exemplo: um Excel com dados tabulados, divididos por categorias de sentimento, tags do monitoramento e por rede social.

 

Conhecimento ➳ contexto

Surge quando a informação ganha uso e significado, é sintetizado e pode ser aprendido.

Exemplo: gráficos que dividem estas informações de sentimento e as tags por tipo, cor, formato… representam um crescimento ou queda e dividem-se entre barras, gráficos de pizza para mostrar a representatividade do assunto, etc.

 

Sabedoria ➳ insights

São os chamados “dados acionáveis”, integrados, organizados e explicados e, o mais importante, trazem um aprendizado válido para aplicação e são entendidos pelas pessoas que têm acesso a essas informações.

Exemplo: os dados de sentimento e as tags indicam que a marca está melhor do que no mês passado. Porém, quando comparada ao mercado, está abaixo do esperado pelos fornecedores por apresentar menor aprovação que a concorrência e receber menos citações do que o esperado.

 

Para um analista de métricas, business intelligence, monitoramento e afins, o caminho para transformar os dados em informação e, posteriormente criar ações embasadas, é fundamental. Mas isso também vale para profissionais que lidam com estatísticas, como pesquisadores. Para obter algum insight, é necessário ver a sua amostra, o que ela diz. E é interessante ir além, focando não apenas no positivo, mas também na queda e nas alterações ao longo do período. É assim que podemos identificar se algo está bom para o seu padrão (comparando com os próprios resultados) ou está ruim (olhando para fora, seja um outro segmento da pesquisa, um outro assunto ou o mercado).

A análise só produz insights verdadeiros quando possui base, podendo ser argumentada e comprovada. É ao que muitos se referem quando dizem que “números que não mentem”. Na verdade, os números justificam, não é? Mas eles também podem ocultar ou favorecer uma ideia, dependendo do seu objetivo final. Se os resultados não foram tão bons ou a análise não saiu tão boa de primeira, vale a pena ver de novo. E, principalmente, como já disse o Zappa, música é mesmo o que nos resta de melhor. É só tentar entrar no ritmo. 😉
* Continue de olho no dataismo para acompanhar os próximos passos de uma estratégia de dados: Data Sharing. Acompanhe o Twitter e o Facebook para receber novas publicações em primeira mão.

Potiguar, retirante e dataísta. Marketing Digital com foco em Business Intelligence, estratégia e monitoramento de mídias sociais.

Data Strategy | Data Mining

Data Mining ou mineração de dados

* Este artigo é a segunda publicação de uma série sobre conceitos sobre dados aqui no Dataísmo. O primeiro foi sobre Meta Dados. Acompanhe-nos para ver mais sobre mais assuntos relacionados, como Data Analysis e Data Sharing, nas próximas publicações. 😉

 

📊  Parte 2/3 > Data Mining ou “mineração de dados”

Após a primeira parte da coleta e armazenamento dos dados, é o momento de olhar para o que foi coletado e definir o que irá ou não entrar na pesquisa e/ou na apresentação. O processo de obter os dados e “minerá-los” é comumente chamado de Data mining e seu sentido original refere-se à forma de coleta de grandes dados, que passam pela extração, armazenamento, análise e estatística.

 

📊  Análise quantitativa

É durante o processo de Data Mining que ocorre a análise quantitativa. Este processo pode ser dividido em dois tipos. Um é a observação do “discret data”, com pequenas segmentações, cujo resultado é mais especializado;  o outro tipo é “continuous data”, cuja análise é contínua e os dados analisados tornam-se informação acionável.  É o momento de observar cada número, relevar a sua importância e começar, de fato, a analisar.

O Data Mining é fundamental pois atua no processo quantitativo que vai gerar conhecimento, a chamada análise quantitativa: interpretações e novos caminhos a partir de um aglomerado de números.

A partir daí os dados “saem para o mundo”. E é aí que entra a  performance e o planejamento, o monitoramento e a mensuração; o entendimento da organização de grafos (social network analysis); regras e responsabilidades e, ao final, os relatórios de performance.

Por último, e talvez o maior desafio na produção da análise dos dados, está gerar a inteligência, ou o Business Intelligence. Ele é composto dos goals x objetivos.

 

📊  Aplicação de Data Mining ou mineração de dados

Durante a aplicação de Data Mining, nem todos os dados coletados podem ganhar uma utilização, mas ainda assim fazem parte da pesquisa e são relevantes. Sua aplicação imediata não é o fator mais importante para deletar. Considerando que nem sempre os meios de obter as informações são baratos e muito menos rápidos, isso toma ainda mais importância. Durante a análise é comum que queiramos nos livrar de abas do Excel ou algum dado extra. Mas…

“Os dados armazenados são como as roupas em um armário; mesmo que não acessemos em dois anos, ainda não devemos jogá-los fora – e assim vale a pena lembrar durante formulação uma estratégia de dados”. (Mike Schiff)

 

* Continue de olho no dataismo para ver os próximos passos de uma estratégia de dados: Data Analysis e Data Sharing. Acompanhe o Twitter e o Facebook para receber novas publicações em primeira mão. 🙂

Potiguar, retirante e dataísta. Marketing Digital com foco em Business Intelligence, estratégia e monitoramento de mídias sociais.
Older posts

© 2017 Dataísmo

Theme by Anders NorenUp ↑