Atualmente os termos Business Intelligence e Business Analytics geralmente se referem ao conjunto de processos, métodos, ferramentas e tecnologias usados para coletar, armazenar e analisar dados, que auxiliam na tomada de decisão de negócios. A área de Business Intelligence e Analytics (BI&A) vem crescendo nas prioridades de gestores em todo o mundo, como forma para aumentar a competitividade e valor dos negócios.
A implantação de BI&A em negócios é mais efetiva quando podemos nos basear em um percurso evolutivo que norteie os esforços em relação a curva de aprendizado. Utilizar como referência modelos conceituas de maturidade que permitem diagnosticar o estágio da organização e gerar recomendações de o quê fazer para avançar tem se mostrado de grande valia no contexto de aquisição de capacidades organizacionais, permitindo objetivar contextos complexos.
05 Categorias da Análise de Dados:
Para podermos traçar um plano de maturidade analítica é preciso saber níveis de aplicação de BI&A em negócios. A representação de diferentes níveis de BI&A é também chamado de “Analytics Continuum”, modelo introduzido pela consultoria Gartner, e representa uma ferramenta para as organizações entender a sua situação atual e planejarem o caminho a seguir.
Conforme este modelo a análise de dados pode ser dividida em cinco níveis, que são definidas, entre outros, por ferramentas, técnicas e a abordagem de análise de dados:
1. Análise Descritiva
No nível de análise descritiva obtemos respostas para a pergunta “O que aconteceu?”. Aqui os processos analíticos permitem estruturar análises sobre eficiência operacional e econômica do negócio e setores específicos, atuando de maneira retrospectiva (hindsight), ou seja, olhando para o passado.
2. Análise de Diagnóstico
No nível de análise de diagnóstico temos a resposta para a pergunta “Por que isso aconteceu?”. Aqui os processos analíticos que são uma continuação do processo de análise descritiva, cruzando informações, gerando comparações e análises de insights com resultados de negócios.
Diferente da análise descritiva, onde sabemos o que aconteceu com determinado indicador ou variável, a análise de diagnóstico mostra por que e como determinados eventos ocorreram, através da detecção de padrões e relações quantitativas as variáveis na análise de histórica de dados. Com isso o aos gestores a interpretação da informação e definição de ações.
3. Análise Preditiva
No nível de análise preditiva temos respostas para a pergunta “O que acontecerá no futuro”?. Neste nível as técnicas de análise são mais avançados e destinadas a prever eventos e tendências futuras. Os dados atuais e históricos são analisados para para obter uma visão do que pode acontecer no futuro e passam por etapas de preparação, modelagem de simulações e previsões (foresight).
Modelos preditivos utilizam técnicas de aprendizado de máquina (machine learning) que “aprendem” com base no comportamento dos dados para prever o comportamento futuro e também a “tomar decisões”, relativo a objetivo definido com base em uma regra de otimização ou ação específica.
4. Análise Prescritiva
No nível de análise prescritiva temos respostas para à pergunta “Que ações devem ser tomadas?”. A análise prescritiva utiliza análises com o objetivo de automatizar as ações realizadas. Através de simulações e aprendizado de máquina (machine learning) são sugeridas as melhores ações possíveis para alcançar os resultados desejados.
Assim como na análise preditiva, a análise prescritiva está baseada no potencial do Big Data, mas aqui são somadas técnicas e modelos estatísticos ainda mais avançados, como algoritmos de deep learning e mecanismos de recomendação como redes neurais.
5. Análise Cognitiva
A próxima grande mudança de paradigma será em direção a análise coginitiva (cognitive analytics), que explorará os avanços na computação de alto desempenho, somado a técnicas avançadas de inteligência artificial.
A análise cognitiva reúne o poder de várias tecnologias como internet das coisas (IoT), edge computing e inteligência artificial, aplicadas através de algoritmos de aprendizado profundo e aprendizado de máquina. Com tais técnicas, uma aplicação cognitiva pode agregar novo conhecimento ao longo do tempo e iterativamente mais eficaz baseado no contato com dados e sistemas.
Sistemas cognitivos tem o poder de captura, análise e decisões em tempo real, o que abre um leque de aplicações das resposta a padrões de comportamentos e a seleção de uma ação que é ótima no momento. Esse é o chamado “insight perecível” (perishable insight) que pode ser descoberto e usado em ação apenas em tempo real.
Aplicações de análise cognitiva abrem oportunidades para explorar fontes de dados capturados em tempo real, através de imagens, semântica e sensores, e gerar recomendações para aumentar a qualidade respostas através de ações, produtos e serviços, e gerar altos níveis de personalização e efetividade.
Maturidade analítica: O que é?
Na prática os níveis de aplicação analítica coexistem e se complementam e a evolução do uso de analytics em uma empresa não é linear e depende dos objetivos e contexto de cada organização.
Para alcançar um estado de maturidade existe um caminho de transformação de um estágio menos desenvolvido para um estágio de maior prontidão. Maturidade analítica significa um estado plenitude em relação à recursos, ferramentas e processo para integrar, gerenciar, e extrair valor das fontes de dados internas e externas. Não se trata somente do quão avançadas são as tecnologias aplicadas, mas sim, de uma forma ampla a uma série de fatores tecnológicos e organizacionais.
Os modelos de maturidade são usados para descrever, explicar e avaliar os ciclos de vida de crescimento, servindo como uma escala para a avaliação do posição no caminho da evolução. A avaliação de maturidade analítica busca avaliar critérios e características que precisam ser atendidos para atingir um determinado nível de maturidade.
Modelo Gartner:
O modelo abaixo foi desenvolvido pela empresa da consultoria Gartner e propõe cinco níveis de maturidade analítica. Para cada nível são detalhados fatores situacionais que enquadram a organização na escala de maturidade.
Cinco Níveis de Maturidade de Dados e Analytics
|
Nivel 5 |
Transformacional |
|
•
Dados e análises são centrais para a estratégia de negócios |
|
|
Nivel 4 |
Diferenciação |
|
•
Os executivos defendem e comunicam as melhores práticas |
|
|
Nivel 3 |
Sistemático |
|
•
Diferentes tipos de conteúdo ainda são tratados de forma diferente |
|
|
Nivel 2 |
Oportunista |
|
•
A TI tenta formalizar os requisitos de disponibilidade de informações |
|
|
Nivel 1 |
Básico |
|
•
Dados não são explorados, são usados |
Fonte: Gartner – Five levels of maturity for data and analytics
Abaixo detalhamos o contexto de cada um dos níveis com os respectivos critérios para diagnóstico presentes na tabela.
Nível 01: Básico
Os recursos de dados e análises são ad hoc e não planejados. Os esforços são principalmente isolados em toda a organização, muitas vezes levando a várias versões da verdade. Existem bolsões de esforços e experimentações transacionais para extrair valor comercial dos dados.
- Dados não são explorados, são usados
- Dados e Analytics são gerenciados em silos
- Pessoas discutem sobre quais dados estão corretos
- Análises são ad hoc
- Planilhas e informações
- Transacional
Nível 02: Oportunista
Depois de provar o sucesso inicial com a ciência de dados, as unidades de negócios individuais seguem suas iniciativas. Existem algumas tentativas de formalização de partes do processo, mas os esforços não são padronizados e ainda se restringem aos silos.
- A TI tenta formalizar os requisitos de disponibilidade de informações
- O progresso é dificultado pela cultura Incentivos inconsistentes
- Barreiras organizacionais e falta de liderança
- A estratégia tem mais de 100 páginas
- Qualidade de dados e esforço para gerar análises, mas ainda em silos
Nível 03: Sistemático
Este é o estágio em que surge uma visão clara para a ciência de dados, com forte apoio de executivos de negócios. A padronização começa a se estabelecer nas equipes com uma combinação de serviços centralizados e compartilhados oferecidos em toda a organização.
- Diferentes tipos de conteúdo ainda são tratados de forma diferente
- Estratégia e visão formadas (05 páginas)
- O ágil emerge
- As fontes de dados exógenas são facilmente integradas
- Executivos de negócios tornam-se campeões de dados e análises
Nível 04: Diferenciação
A ciência de dados ganha um impulso com a estruturação de funções de liderança de dados, como CDO (Chief Data Officer) ou CAO (Chief Analytics Officer). As equipes são orientadas para o desempenho e operam com uma estrutura clara de inovação de negócios.
- Os executivos defendem e comunicam as melhores práticas
- Projetos liderados pelo Chieff Data Officer (CDO)
- Dados e análises são um combustível indispensável para desempenho e inovação e estão vinculados a todos os programas
- Mentalidade de gestão de programas para sinergia contínua
- Dados são vinculados ao resultado utilizados para indicadores de retorno do investimento
Nível 05: Transformação:
Este é o estágio em que você incorpora a ciência de dados na estratégia de negócios e isso se traduz perfeitamente em decisões táticas e operacionais. Suas equipes de ciência de dados se integram às funções de negócios. A tomada de decisões orientada por dados prospera como uma cultura dentro da organização.
- Dados e análises são centrais para a estratégia de negócios
- O valor dos dados influencia os investimentos
- Estratégia e execução alinhadas e continuamente aprimoradas
- Perspectiva de fora para dentro
- Chieff Data Officer (CDO) tem lugar no conselho
Modelo SAS:
O modelo abaixo foi desenvolvido pela empresa de Business intelligence SAS (Statistical Analysis System). Assim como o modelo da Gartner, ele propõe 05 níveis de maturidade analítica, porém faz um detalhamento dos níveis através dos eixos Cultura, Processos Internos, Capacidade Analítica e Infraestrutura e Software.
Analytic Maturity Scorecard
|
|
Cultura |
Processo internos |
Capacidade Analítica |
Infraestrutura e Software |
|
|
Nivel 5 |
|
Explorativo |
Aprimorado |
Otimizado |
Campeão |
|
Decisores buscam novos |
Melhoria contínua em processos em torno de dados e métodos analíticos
para otimizar recursos |
Compromisso com |
Melhoria e aprendizado continuo para apoiar o
mais variados e complexos |
||
|
Nivel 4 |
|
Empoderado |
Otimizado |
Assertivo |
Gerenciado Quantitativamente |
|
Decisores utilizam |
Processo de implantação de dados e análises permite suportar insights
aprofundados |
Talentos analítico centralizados; melhores práticas compartilhadas |
|
||
|
Nivel 3 |
|
Astuto |
Implementado |
Aberto |
Definido |
|
Decisores adotam |
Gerenciamento de dados unificado no lugar de datasets isolados para
análises e decisões |
Boas intenções, |
Visão clara do ciclo de vida de projetos e processos; |
||
|
Nivel 2 |
|
Consciente |
Silo |
Consciente |
Reativo |
|
Decisores reconhecem os benefícios de |
Desenvolvimento de departamento para os |
Todo potencial dos benefícios
de analytics não está claro; atividades isoladas ad hoc; resultados razoáveis |
Orientado a projetos; |
||
|
Nivel 1 |
|
Desconhecido |
Vazio |
Básico |
Básico |
|
Os tomadores de decisão confiam em |
Sem dados definidos ou |
Falta de habilidades de análise ou interesse; mal |
Alguns projetos têm |
||
Fonte: SAS – Analytic Maturity Scorecard
Dicas para elevar a maturidade analítica do seu negócio
Os modelos de maturidade analítica não fornecem etapas claras no caminho para a maturidade analítica. Eles só mostram onde você deve estar e um norte para tomar ações.
Aqui daremos algumas dicas de etapas a serem seguidas para construir a sua escada para a maturidade analítica:
1. Formação de time
A primeira etapa é formar uma equipe multidisciplinar com os stake-holders do processo decisório do seu negócio. Busque a visão de pessoas especialistas em tecnologia e dados para serem consultores neste processo.
2. Diagnóstico de maturidade analítica
Você pode se basear nos modelos apresentados neste artigo ou elaborar um modelo personalizado, o importante é ter clareza dos seus objetivos de negócios e as particularidades do seu segmento.
Uma forma de realizar este diagnóstico é através de uma dinâmica com a equipe, de forma individual ou coletiva, atribuindo notas, por exemplo de 0 a 10, em relação ao grau de alinhamento com os fatores descritos em cada nível da modelo de maturidade.
Assim poderá ter uma visualização das zonas de maior pontuação e menor pontuação, dando uma visão mais objetiva de em qual nível se enquadra.
3. Estratégia de implantação de analytics
Em nosso artigo sobre barreiras para a tranformação analítica, trouxemos a importância da definição clara dos objetivos da implantação de uma estrutura de analytics no seu negócio. Um dos maiores erros está na falta de preparação e estratégia para este processo e em não contar com parceiros que minimizem os riscos inerentes a implantação. Algumas perguntas que podem auxiliar na definição do foco são:
- Decisões: O que buscamos com inteligência analítica? Reduzir custos, aumentar as vendas, reter clientes e desenvolver novos produtos e modelos de negócios?
- Fontes de dados: Quais fontes de dados estão disponíveis e como as usamos?
- Refinamento: como podemos combinar e preparar dados para obter insights valiosos?
- Ferramentas: De quais soluções de software, bancos de dados, infraestrutura técnica, etc. precisamos?
- Pessoas: Quais habilidades e especialistas precisamos na empresa?
- Parceiros: Quais empresas parceiras são necessárias?
Utilize estas perguntas somada a análise do seu “Analytics Continuum” e busque refletir em qual nível de aplicações analíticas está o foco da sua implementação. Ao final desta reflexão precisa resultar na criação de um plano de ação, com metas, entregas e responsáveis.
Considerações Finais
O caminho para atingir um estado de maturidade analítica é longo e muitos são os desafios. Contar com modelos de referência e traçar um planejamento consistente contando com profissionais especializados que possam acelerar a sua curva de aprendizado é certamente o melhor caminho para esta jornada.
