• Michel

De BI para Advanced Analytics

Atualizado: 2 de Mai de 2018

Advanced Analytics vai além do BI. Usando métodos quantitativos tais como estatísticas, mineração de dados, análise descritiva e preditiva, simulação e otimização, para produzir insights que as abordagens tradicionais de BI — tais como a consulta e emissão de relatórios e visualização — dificilmente vão descobrir.



Uma das maneiras de definir Analytics é dividindo-o em duas áreas principais: Business Intelligence (BI) e Advanced Analytics(AA) e seus sub-campos.




BI tradicional


BI tradicionalmente se concentra em usar um conjunto consistente de métricas para medir o desempenho passado e orientar o planejamento de negócios. O BI consiste em consultas, relatórios, OLAP (processamento analítico on-line) e pode responder a perguntas, incluindo "o que aconteceu?", "quantas vezes?" e "com que frequência?".

BI pode ser descrito como um conjunto de arquiteturas e tecnologias que transforma dados brutos em dados com significados úteis para aplicação em negócios. BI trabalha com dados históricos, usando tecnologias como data cubes e linguagens query, tornando possível implementar alertas baseados em regras para informar sobre variações no ecossistema empresarial.

Modernamente uma plataforma de BI recebe grande variedade de dados para produzir estatísticas e visualizações, na forma do que hoje chamamos de self-service BI. Tradicionalmente, para gerar um relatório ou uma visualização você precisa entrar em contato com o departamento de TI e informar suas necessidades. Muitas vezes você aguarda um tempo precioso para receber estas informações que devem ser filtradas de uma base de dados não acessível a você. Mesmo que tudo seja muito rápido, você terá que esperar algum tempo.

O self- service BI consiste em sistemas que permitem que a própria área de negócios trabalhe as informações de que precisa, sem a necessidade de um requisitá-las a TI. Desta forma é possível avaliar os dados e tomar ações de maneira quase que instantânea.

Por exemplo o Power BI, uma ferramenta da Microsoft e uma extensão do Excel, é um dos programas que executam self-service BI, como ilustrado abaixo. Tableau e Qlick View são ferramentas equivalentes.



Advanced Analytics (AA)


O AA vai além do BI. Usando métodos quantitativos tais como estatísticas, mineração de dados, análise descritiva e preditiva, simulação e otimização, para produzir insights que as abordagens tradicionais de BI — tais como a consulta e emissão de relatórios e visualização — dificilmente vão descobrir.

O AA pode responder a perguntas, incluindo "por que isso está acontecendo?", "e se essas tendências continuarem?", "o que acontecerá em seguida?" (previsão), "o que é o melhor que pode acontecer?" (otimização).

O AA trabalha com descoberta automática de padrões significativos para o negócio, usando técnicas de Machine Learning e Mineração de Dados para processar grandes volumes de dados.

Machine Learning é usado em AA para executar Análise Preditiva que é a prática de fazer previsões estatisticamente precisas sobre eventos futuros, baseados em dados históricos.

Modelos preditivos são alimentados com dezenas ou centenas de variáveis - internos a empresa e dados conjunturais - e descobrem automaticamente padrões escondidos para extrapolar eventos futuros e, por esse meio, prever os cenários mais prováveis. Por exemplo, os modelos podem prever tendências de compras de um cliente específico, riscos de crédito, fraudes em seguradoras, probabilidade de doenças em grupos de pessoas, valores de carros usados, etc.


Para além de dados tabulares



AA trabalha com dois tipos de dados: estruturados – aqueles que estamos acostumados a ver em nossas planilhas - e os não estruturados.

• Os dados estruturados geralmente residem em bancos de dados relacionais (RDBMS). Os campos armazenam números, códigos, e strings de texto de tamanho variável, tornando simples a pesquisa.

• Dados não estruturados são essencialmente todo o resto. Os dados não estruturados possuem estrutura interna, mas não são estruturados por meio de modelos ou esquemas de dados predefinidos e são mais difíceis de serem processados. Por exemplo, mensagens de email, imagens, áudio, documentos de texto, mensagens em redes sociais.

80% das informações relevantes para os negócios estão em dados não estruturados.



Maturidade Analítica


As organizações têm diferentes pontos de partida e diferentes taxas de progressos ao longo da evolução apresentada no gráfico acima. Para passar de BI para AA as empresas tem que possuir um mínimo de maturidade analítica.



Segundo o Prof. Thomas Davenport o estágio de maturidade analítica de uma empresa se enquadra em uma das cinco situações abaixo:

Estágio 1 (Analytically Impaired): a organização não tem um ou vários dos pré-requisitos para conduzir trabalho analítico sério, tais como dados, habilidades analíticas, ou interesse da gestão sênior;

Estágio 2 (Localized Analytics): há pequenos pacotes de atividade analítica na organização, mas eles não são coordenados ou focalizados em alvos estratégicos;

Estágio 3 (Analytical Aspirations): a organização visa um futuro mais analítico, tem capacidades analíticas estabelecidas, e tem umas poucas iniciativas significativas em curso, mas o progresso é lento- frequentemente porque algum fator crítico tem sido difícil de implementar;

Estágio 4 (Analytical Companies): a organização tem os recursos humanos e tecnológicos necessários, aplica análise preditiva regularmente, e conquista alguns benefícios. Mas o foco estratégico não está assentado em análise preditiva, e não a transformou numa vantagem competitiva;

Estágio 5 (Analytical Competitor): a organização rotineiramente usa análise preditiva como uma capacidade distintiva nos negócios. Ela enfoca toda a empresa, compromissou e envolveu lideranças, e tem atingido resultados em larga escala.


Ainda segundo o professor Davenport, estima-se que empresas que atingem um alto grau de maturidade analítica e conseguem usar plenamente os seus dados poderão ver uma melhoria de 30% a 50% na eficiência global.


AS diferenças entre BI e AA sumarizadas


Em suma, BI usa os dados do passado e requer que o Analista defina ações a tomar. Em AA também são usados dados do passado, porém o modelo descobre padrões escondidos nos dados, que são muito difíceis para humanos encontrar, e permite identificar automaticamente as ações ótimas a tomar. A tabela a seguir ilustra essas diferenças.


Nas tabelas a seguir apresentamos as principais diferenças nos enfoques de BI e AA em alguns mercados.







Exemplo de integração BI e AA


O RapidMiner e o Tableau são reconhecidos como boas plataformas de BI e AA respectivamente. No vídeo abaixo apresentamos, como um exemplo prático para este artigo, como combinados eles fornecem uma solução completa para equipes compostas por cientistas de dados e analistas de negócios.

Neste vídeo a seguir, demonstramos como o RapidMiner e o Tableau trabalham juntos, considerando um desafio enfrentado por todos os fabricantes - minimizar ou evitar falhas em uma linha de fabricação.

Mostramos como o RapidMiner e o Tableau se complementam na visualização e análise preditiva.



O vídeo abaixo detalha como é feita a integração BI/AA.



Referências

Competing on Analytics: The New Science of Winning- Mar 6, 2007by Thomas H. Davenport and Jeanne G. Harris

https://rapidm iner.com/resource/introduction-advanced-analytics/



3 Dimensões

Inteligência Artificial nas Empresas

Al. das Papoulas, 147 - Santana de Parnaíba - Alphaville, SP 06539-180 - (11) 4153 6004  - (11) 9 9795 9765

michel@3dimensoes.com.br