Artigo publicado em /01/18

 

As organizações, cada vez mais, estão entendendo que existem informações valiosas “escondidas” nos seus sistemas que podem transformar suas operações.

, ou dados, tem crescido em todo o mundo, tornando-se mais prescritiva, sendo aplicada com ênfase na tentativa traçar novos rumos para empresas, ansiosas por crescimento.

Estes novos rumos, bem como exemplos de usos inovadores da análise de dados, serão tema desse artigo.

Evolução das análises de dados

Naturalmente, o primeiro passo para a análise dos dados é definir seu processo de coleta. Obter, higienizar e armazenar os dados de uma maneira simples e sustentável é essencial para extrair valor deles.

Para se tornar a ciência sofisticada que é hoje, a análise de dados sofreu uma transformação fundamental nos últimos anos. Na sua primeira fase, a análise de dados era simplesmente . Ela podia ser traduzida em ferramentas e relatórios que reuniam alguns conjuntos de dados que descreviam os fatos passados.

O estágio seguinte na evolução das análises levou ao que se chama hoje de análise diagnóstica: etapa que permite entender melhor as condições que produzem aquele conjunto de dados. Ou seja, além de descrever os fatos, permite uma avaliação deles.

Depois da fase diagnóstica veio a análise sob uma 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.

Um exemplo bastante interessante da análise prescritiva pode ser dado pela TESCO, empresa britânica, com lojas em 12 países entre Ásia e Europa, considerada a nona maior varejista do mundo em termos de receita e terceira maior em termos de lucratividade.

A TESCO decidiu abordar, de forma proativa, o seguinte problema: como reduzir custos de energia com a devida manutenção dos equipamentos de loja. A companhia começou a coletar dados por meio de sensores instalados nas geladeiras das suas unidades operacionais. Ela alimentou uma base de dados dedicada exclusivamente análise e, a partir do processo de Big Data Analytics, conseguiu administrar o seu custo de energia de forma mais eficaz. Manteve controles acurados de performance medindo cada máquina. Identificou quando precisariam de manutenção, em quais peças e quando, portanto, precisariam fazer as encomendas aos fornecedores.


Leia também: Tipos de análise de Big Data: você conhece todos os 4?


Análise semântica, a nova fase

Uma nova fase evolutiva das análises está chegando ao mercado: a análise semântica. Ela 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 idéia por trás deste tipo de análise é usar a semântica para identificar intenções, causas e efeitos ocultos dentro dos dados disponíveis.

Uma 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, uma 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 1 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, além do 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 dos itens para atender as expectativas dos compradores.

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 à 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.

Conclusão

É inegável a evolução das análises de dados, indo da simples identificação de fatos passados à prospecção do futuro, com a melhor rota a seguir. A nova perspectiva gira em torno da identificação das intenções, causas e efeitos ocultos dentro dos dados disponíveis. Tal evolução comprova o quão valiosas são as análises para as empresas.

É certo que as companhias operam de forma diferente e, portanto, têm objetivos ou ideias distintas para aproveitar a enorme quantidade de dados gerados. O importante é ficar de olho nas muitas organizações que já entenderam como Big Data Analytics se aplica ao que fazem, aproveitando-se dos impactos transformadores. Elas devem servir de inspiração.

Sobre o autor:

Leonardo Pellegrino é executivo de varejo e consultor de empresas com passagem por GPA (Pão de Açúcar), Dia% Group, Lojas Marisa, Grupo Multiformato e Ernest & Young. Economista e mestre em ciência da informação pela UFMG. Especialista em gestão e uso competitivo da informação. Participante ativo em projetos de inovação que unem varejo e Big Data Analytics.

 



Source link
Bigdata and data center

LEAVE A REPLY

Please enter your comment!
Please enter your name here