business intelligence

Data Analysis e Business Intelligence: conceitos

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:

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 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. 😉

Data Analysis, fundamental na Data Strategy Read More »

Data Analysis e Business Intelligence: conceitos

KPIs: o que são e como criar melhores indicadores

Criar melhores KPIs (Key Performance Indicators ou Indicadores de Desempenho) pede reflexão e alinhamento ao contexto e negócios.

Em Business Intelligence, uma parte do trabalho é analisar as métricas (afinal, BI também inclui limpar dados, extrair insights, traçar ações, fazer análise preditiva, entre outras tarefas).

Mas antes de executar a extração de dados, precisamos saber quais são as métricas iremos que medir.

É por isso que pego o conceito aqui de ontologia, um método que ajuda a entender o que analisar e como processar os dados. Também aprofundo um pouco sobre entender o significado desses dados: se eles fazem sentido no contexto e estão adequados ao objetivo, que é a semântica em Business Intelligence.

O que, em outras palavras: antes da métrica e do que vamos medir, necessitamos perguntar, entender e estruturar.

Abaixo, vou detalhar um pouco mais sobre semântica, ontologia e perguntas para melhorar a definição de KPIs:

Ontologia e semântica para ajudar a criar melhores KPIs

Já utilizada em linguagens de programação, a ontologia considera cada dado como parte ou objeto para a formação de uma estrutura, como se fosse um código criado por meio de indivíduos e classes.

O significado ontológico dos dados passa pela identificação do que é mais comum (padrões) e do que está entrando em evidência. Em outras palavras, seria a explicação de dados por meio de contexto e conhecimento:

Os conceitos e relacionamentos unidos são conhecidos como uma ontologia do modelo semântico que descreve conhecimento. Modelos semânticos permitem que os usuários façam perguntas da informação de uma forma natural e ajudar a identificar padrões e tendências desta informação e descobrir as relações entre peças diferentes de informações.

Dr. Mohammed Ahmed Turki AlSudairy na publicação Knowledge on demand approach using Business Intelligence and Ontology

Em business intelligence existem duas formas de lidar com os dados: a informacional e a estrutural. Se, por um lado, a estrutural foca na ferramenta, no modo informacional podemos analisar esses dados extraídos.

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)

Ao ser aplicada para a web, a ontologia passa pelas definições de “semântica” ou “significado” (o que faz bastante sentido se ligada ao contexto e aos negócios) que podem ser medidos nos indicadores de desempenho.

semântica (substantivo feminino)

  1. ling estudo sincrônico ou diacrônico da significação como parte dos sistemas das línguas naturais.
  2. ling num sistema linguístico, o componente do sentido das palavras e da interpretação das sentenças e dos enunciados.

 

Por significado, entende-se:

significado (substantivo masculino)

  1. relação de reconhecimento, de apreço; valor, importância, significação, significância.
  2. m.q. SIGNIFICAÇÃO (‘representação mental’).

Depois entender quais são os elementos que fazem parte da nossa análise e o que precisamos responder, o próximo passo é a criação de KPIs (Key Performance Indicators, ou indicadores de desempenho).

Melhores KPIs pedem perguntas

Para traçarmos os KPIs, podemos começar por perguntas que façam sentido para aquele projeto.

Aqui abaixo listo 7 perguntas que podem ser feitas com base nesses conceitos, falando sobre estrutura e significado:

  1. Quais métricas podemos analisar, ou o que pode ser medido?

  2. Que ações podemos traçar a partir destes dados?

  3. Estes dados respondem às minhas perguntas principais?

  4. Estes dados são suficientes para a minha análise?

  5. Qual a abordagem mais adequada para a minha análise?

  6. Qual a importância desses dados?

  7. Como organizar esses dados de um modo que faça sentido?

Em resumo

A partir de estudos de ontologia e semântica no BI, podemos aprofundar as perguntas e criar KPIs melhores. Existem diversos autores que se dedicam a estudar o significado dos dados, e inclusive oferecem outras sugestões do que analisar em seus KPIs para torná-los mais cirúrgicos.

Quanto mais estrutura e significado os dados tiverem, melhores respostas e ações gerarem, mais adequado e funcional ele está.

Aqui, não existe receita de bolo, pois cada negócio possui sua própria régua. O que podemos fazer é aprofundar as perguntas e procurar padrões do mercado – mas às vezes temos que adicionar ou retirar alguma métrica do nosso plano de KPIs.

Muito ainda precisa ser feito para desenvolvermos ferramentas cada vez mais inteligentes e que apresentem dados mais minerados, com dashboards prontos ou métricas completas para cada necessidade. Mas já é possível, hoje em dia, irmos direto para algumas etapas da análise de dados. É aí que entram os insights mais rápidos, acompanhando a velocidade das informações que produzimos ou observamos.

Mais conteúdos

KPIs: o que são e como criar melhores indicadores Read More »

Rolar para cima