Big Data

Ξ Deixe um comentário

Big Data – Analytics

publicado por Roberto Queiróz

Figura - Big Data – AnalyticsBig Data é a eletricidade do século 21 com o poder de energizar negócios, setores do governo e da vida privada.

Contudo, não são dados brutos que alimentam essas mudanças: é o “insight” derivado dos dados que leva a melhores resultados e a chave tem nome: Analytics!

A tecnologia Big Data está sendo usada de forma coerente pelas empresas, que estão organizando suas bases de dados para modelar processos de negócios e administrá-los. Ao usar essa tecnologia também gerarão novas informações na medida em que saibam depurar, sugerir e extrair novos dados.

Alguns cases precisam de soluções de análise para reduzir o custo de:

Padronização e processo de controle que aplicam.

Formar e testar hipóteses sobre os novos dados que as “inundam”.

Padronização e processo de controle que aplicam.

Essas abordagens, quando usadas em conjunto, tornam-se mais poderosas dentro ecossistema Big Data do que usadas em separado. Combiná-las inclusive tem uma denominação: Big Data At Work.

Ferramentas analíticas atuais são usadas para revelar percepções de dados históricos e fluxos de informações em tempo real.

Tais ferramentas analisam eventos passados, entendem as atividades atuais e criam projeções futuras baseadas em fatos anteriores concretos.

O Insight, com essa riqueza de informações sobre negócios, surge como uma rara oportunidade de estar à frente da concorrência e superar expectativas de stakeholders. Com o uso do Big Data as organizações utilizam a estratégia “KYC – Know Your Client” (conheça seu cliente), se adiantado às suas necessidades, introduzindo novos produtos e serviços, gerenciando de forma responsável o capital e o risco envolvido no negócio.

A análise de dados vem atravessando transformações fundamentais durante seu ciclo de vida.

Na sua primeira fase a análise era simplesmente descritiva. Podia ser traduzida em ferramentas e relatórios que reuniam conjuntos de dados para descrever fatos passados.

Em seu estágio, tornou-se diagnóstica: permite entender as condições que produzem aquele conjunto de dados. Ou seja, além de descrever os fatos, permite uma avaliação deles.

Após a fase diagnóstica existiu a análise sob a perspectiva preditiva, na qual os analistas começaram a projetar o futuro. Passaram a utilizar, portanto, o conjunto de dados para descrever (descritiva), diagnosticar (diagnóstica) e também para prever resultados (preditiva).

Em um passo além, a técnica evoluiu para algo ainda mais analítico, dedicado a encontrar o melhor curso de ação para uma determinada situação, também conhecida como análise prescritiva.

Nova fase: Semântica.

Deve ser entendida como “a arte de entender além do que pode ser visto”. Pode ser usada para descobrir uma estrutura e/ou um significado a partir de um conjunto de dados. A ideia por trás deste tipo de análise é usar a semântica para identificar intenções, causas e efeitos ocultos dentro dos dados disponíveis.

A parceria entre uma grande varejista de moda e a Universidade de Cornell, nos Estados Unidos, permitiu o uso da análise semântica para descobrir o que realmente está acontecendo na moda, ou seja, identificar o que as pessoas realmente estão vestindo.

As revistas de moda oferecem a imagem. A explosão dos blogs de moda, dos “digital influencers” e do Instagram já mostram muito mais. Contudo, a visão do que chamaram de “StreetStyle” foi além: explorou estilos de roupas de milhões de fotos em todo o mundo.

Uma rede neural de visão computacional personalizada foi treinada em 15 milhões de fotografias advindas de serviços de compartilhamento de fotos e de plataformas de redes sociais.

Neste processo de aprender a detectar tudo, as máquinas identificaram desde o comprimento da manga das camisas até a cor das calças, fornecendo uma visão completa da moda em tempo real. Em algumas horas, a rede neural foi capaz de fazer o trabalho de um exército de “fashionistas”.

Mesmo trabalhando ao longo de meses, os “fashionistas” não seriam capazes de tratar as fotografias com tanta acuracidade quanto os computadores o fizeram.

Usando os atributos detectados, a varejista contratante pôde identificar, por exemplo, em quais partes do mundo e época do ano as pessoas estavam usando chapéus, além das cores mais populares e os motivos por trás da escolha de cada peça. Em outras palavras, a visão por computador descobriu, em escala global, exatamente o que as pessoas estavam vestindo, quando, por quê, e até o que usariam futuramente (tendência).

A varejista foi capaz então de calibrar a oferta e a demanda, propondo em tempo real ajustes aos fabricantes e a melhor distribuição física dos itens para atender as expectativas dos compradores.

Em uma iniciativa similar, desta vez da Edited, empresa de análise de varejo com base na Inglaterra, também usou a visão computacional para ajudar seus clientes (no caso, companhias do mercado da moda). A partir do rastreamento dos sites de comércio eletrônico de marcas de vestuário e de varejistas em todo o mundo, a Edited também foi capaz de captar e ler informações visuais das imagens, tais como cor e corte, além de datas de lançamento das coleções.

Como ganhos para seus clientes, a ferramenta da Edited permitiu a obtenção de uma leitura do ambiente competitivo em tempo real. Por exemplo, as empresas puderam descobrir instantaneamente o preço médio de praticamente todos os vestidos vermelhos vendidos on-line nos EUA. Puderam também identificar como esses mesmos vestidos evoluíram ao longo de um curto período de tempo (semanas) e quando os comprimentos das peças aumentaram ou diminuíram.

De posse dessas informações, as empresas mapearam os concorrentes, identificando oportunidades futuras.

Em resumo, a ferramenta da Edited permitiu o fim do jogo de adivinhação sobre o que está disponível no mercado, mostrou a empresa varejista a necessidade de ter mais critério e rapidez quanto à introdução ou descontinuidade de itens, reavaliando o ciclo de vida das suas coleções.

  •  
    17
    Shares
  • 17
  •  
  •  
  •  
  •  
  •  
  •  

Compare preços de Uber, 99 e Taxi

Minimum Way

Autor

É formado em Ciência da Computação pela Faculdade SPEI – PR com Pós-Graduação em Administração de Banco de Dados e MBA em Gestão Estratégica de Negócios, pela FIA-SP. Com certificações Oracle (OCP), Oracle Exadata 11g Certified Implementation Specialist, Oracle 11g Service Oriented Architecture 11g Sales Specialist Assessment e Oracle 11g Service Oriented Architecture Specialist 11g Support Specialist Assessment. Como consultor de banco de dados Oracle, tem trabalhos desenvolvidos em grandes empresas, entre elas: Ágora Investimentos, Carrefour Brasil, Deutsche Bank, Embratel, Exxon Mobil (Texas), Fly Emirates (Dubai, EAU), Gol Linhas Inteligentes, GVT Telecom, HSBC GLT, Interchange, Oi Telecom, Petrobras, Oracle do Brasil, Rede Globo, TAM, Vivo - SP e Vodafone (Alemanha).

Roberto Queiróz

Comentários

You must be logged in to post a comment.

Busca

Patrocínio

Publicidade




Siga-nos!

Facebook

Facebook By Weblizar Powered By Weblizar

Newsletter: Inscreva-se

Para se inscrever em nossa newsletter preencha o formulário.

Artigos Recentes