A importância dos dados para melhores decisões de negócio

Utilizar a análise de dados para conhecer apenas o estado de negócio já não é viável. Os novos recursos inteligentes deram vida a uma nova visão da utilização dos dados, que fazem do software o motor do negócio.

A análise de dados de negócio tem ganho cada vez mais importância para os gestores. Contudo, a transformação destes dados em resultados tem sido feita de forma muito descritiva, olhando para o que aconteceu e salientando o seu historial.

A importância da análise de dados para a gestão empresarial

Esta análise apresenta grande valor, especialmente para as empresas sem um departamento especializado nesta área analítica. Assim, conseguem, de forma resumida, obter os seus balanços de produtividade e ter perceção, na forma de KPI’s ou reports mais completos, do estado atual do seu negócio. Esta visão enquadra-se dentro de uma perspetiva da tradicional área de Business Intelligence (BI).

Na era atual, a abordagem tradicional de BI, na qual simplesmente se utilizam os dados para perceber o estado do negócio, perdeu relevância, dando lugar à Augmented Analytics. A Gartner define esta analítica mais avançada como:

"The use of enabling technologies such as machine learning and AI to assist with data preparation, insight generation and insight explanation to augment how people explore and analyze data in analytics and BI platforms. It also augments the expert and citizen data scientists by automating many aspects of data science, machine learning, and AI model development, management and deployment."

Evolução do tratamento analítico da informação

O BI tradicional, que se traduz numa analítica descritiva, é substituído por uma análise muito mais abrangente (no sentido de uma analítica preditiva e prescritiva), na qual os dados "ganham vida” e são transformados em alertas, previsões e descoberta de padrões. Neste momento, estamos a transformar uma utopia na realidade, de forma a ir ao encontro da produção de um software de gestão autónomo que auxilia nas decisões de negócio. Numa analogia aos veículos autónomos, estes recursos inteligentes têm vindo, gradualmente, a ajudar o seu condutor, com o objetivo final de transformar a máquina no "motorista".

​​​​​​​A Data Science não é uma área de estudo recente, mas apenas nos últimos anos começou a ser utilizada no universo dos negócios. As vantagens são óbvias, mas a sua concretização requer um grande investimento. A grande diversidade de algoritmos de Machine Learning nem sempre se adapta à realidade de cada empresa. Por isso, há que investir muito tempo, validar caso a caso e ter uma visão de melhoria contínua destes sistemas para se obter os melhores desempenhos. Nesta ciência, o ideal não é seguir uma tendência, como no Deep Learning, mas sim aplicar a melhor técnica mediante o objetivo final que se pretende. Sem toda esta pré-análise e conhecimento, todo o esforço da aplicação dos algoritmos Machine Learning, à posteriori, pode estar comprometido por um resultado longe do desejável.

O potencial da máquina

Atualmente, já existem vários outputs apresentados na forma de insights, de previsões ou mesmo através de sugestões para mudar o rumo do negócio. Esta última hipótese é a mais arrojada, mas também é a que torna todo este sistema mais apetecível para o mundo empresarial.

Ter ao nosso alcance o resultado de algoritmos inteligentes – resultados esses impossíveis de detetar por uma análise a olho humano –, bem como sugerir alterações em prol do negócio, é algo que favorece qualquer empresa.

Numa primeira perceção, por muito pouca informação que os dados parecem transmitir, todo o seu significado pode ser exposto e as suas "anomalias” passam a ser a revelação de uma nova oportunidade de negócio. Alguns exemplos concretos, que podem melhorar consideravelmente a performance das empresas, podem passar por fornecer serviços de:

• Ajuste automático de stocks mediante a previsão de uma maior procura (supply chain analytics);
• Geração de um orçamento automático com base em fatores externos (situação económica global, concorrência ou outros fatores externos);
• Contratação antecipada de novos recursos, evitando o aumento do seu valor de mercado (pricing analytics).

A evolução do tratamento analítico de dados tem sido orientada para tornar a interação humana cada vez mais desnecessária, entregando a gestão do processo à "máquina”.Numa primeira fase, os processos foram mais "artesanais”: criados e mantidos no tempo pela equipa de IT. No entanto, à medida que os dados vão sendo geridos de forma mais autónoma, começam também a surgir novas formas de os interpretar, de substituir a inteligência "humana” e auxiliar no suporte das decisões.

A tomada de decisões em função dos dados

Data-driven decision-making

Data-driven decision-making é um processo que tem ganho cada vez mais adeptos no mundo de uma análise de dados mais avançada. De acordo com um estudo, enquanto 91% das empresas afirmam que a tomada de decisões orientada a dados é importante para o crescimento de seus negócios, apenas 57% das empresas disseram que baseiam suas decisões de negócios nestes dados. Esta disparidade salienta a importância – e potencial impacto nos negócios – do desenvolvimento de software com analítica avançada que analise e apresente os dados de maneira mais eficaz, tirando conclusões relevantes dos dados para auxiliar na tomada de decisões.

​​​​​​​Este é um processo que envolve a recolha de dados com base em metas mensuráveis ​​ou KPIs,analisando padrões e factos desses dados, utilizando-os para desenvolver estratégias e atividades que beneficiam os negócios em várias áreas. Neste processo, os data scientists necessitam dos dados em duas dimensões bem distintas: em qualidade e em quantidade, ambos fundamentais para concretizar uma decisão orientada por esses dados.

Esta mentalidade permite às empresas criar e impulsionar novas oportunidades de negócios, gerar mais receita, prever tendências futuras, otimizar os esforços operacionais atuais e produzir insights acionáveis. Uma das formas mais interessantes desta abordagem pode ser a pesquisa de padrões ou clusters nos dados. Identificar estas relações "invisíveis” pode ter um grande impacto quando o foco deixa de estar numa ou outra variável, acabando por ser possível identificar a verdadeira fonte da mudança.

Supervised Machine Learning (with feedback)

A aplicação de uma arquitetura de data science pode ser vista como um diálogo contínuo entre dados e negócio. Um dos seus principais objetivos é impulsionar negócios e operações de decisão para maximizar métricas de rentabilidade ou eficiência. Uma das formas de se atingir este objetivo passa por promover uma abordagem supervisionada. Nesta arquitetura, o maior foco está na interação do utilizador com o software. A oportunidade de incluir feedback por parte do utilizador permite que toda a análise atual e futura seja muito mais próxima da realidade. Entre um feedback explícito (quando o utilizador é questionado diretamente sobe o seu nível de satisfação) e implícito (através a atividade natural de utilização da aplicação), este último ganha maior importância já que é integrado durante o User Experience, sem recurso a uma abordagem mais invasiva, que poderá ter um impacto negativo e influenciar a resposta do seu utilizador.

​​​​​​​Estas ferramentas de AI, embebidas num software de gestão, geram uma inovação silenciosa que não fazem mais que provocar a melhoria contínua em benefício do seu utilizador final. As decisões acabam por melhor ao longo do tempo e a confiança nestas acaba por ser o primeiro passo para entregar o ónus da responsabilidade da gestão do seu negócio ao seu novo "braço direito”.

Os dados são o melhor amigo das decisões empresariais

O último passo evolutivo da área de Augmented Analytics é a automação com base em técnicas de AI, para tornar possível a tomada de decisões sem recurso ao utilizador/gestor. Seguir o processo de data-driven decision-making com a implementação de uma arquitetura de supervised machine learning são duas das correntes com destaque na busca deste objetivo.