Big 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.