Data Analysis, fundamental na Data Strategy

Data Analysis: é por meio dela que vamos gerar informação, conhecimento e, por fim, informações acionáveis ou insights. 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:

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 fazer o processo de Data Strategy é 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, para se tornar Data Strategy, 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. 😉