Business Intelligence, Data Analytics e Data Science
Entenda, em 5 minutos, alguns dos termos mais utilizados no mundo dos dados como o Business Intelligence, Data Analytics e Data Science!
Você com certeza já ouviu alguma das palavras aí do título. Business Intelligence, Data Analytics e Data Science são buzzwords do mundo dos dados muitas vezes usados juntas ou como sinônimos. Apesar de haver cruzamentos e muitas coisas em comum, cada termo trata de técnicas, ferramentas e metodologias próprias.
Business Intelligence
Começando pela irmã mais velha, a inteligência de negócios ou Business Intelligence, que surgiu lá pelos anos 80 da necessidade das empresas de medir o seu negócio, seja para verificar a eficiência, projetar ganhos ou tomar decisões de mercado embasadas.
O ponto chave do B.I. é olhar para o passado e reportar “O que aconteceu?”, respondendo perguntas de negócio pré definidas, através do cruzamento de dados de diversas fontes, como sistemas de gestão (ERP), de relacionamento com clientes (CRM), planilhas etc. Essas informações unificadas, ficam disponíveis para consulta e uso da empresa em armazéns de dados prontos para leitura (chamados de data warehouses e data marts) e são visualizadas em gráficos ou dashboards que orientam gestores na condução do negócio.
Um exemplo clássico, é um projeto de Business Intelligence para um departamento de vendas que pode responder a perguntas como: Qual o total de vendas no ano? Quais os melhores vendedores da empresa no último mês? Quais clientes com maior faturamento? E outras perguntas do tipo.
Além das várias fontes de dados, um projeto de Business Intelligence pode usar diversas ferramentas para extrair e analisar esses dados, desde simples planilhas de Excel, passando por linguagens de consulta a banco de dados como SQL, a ferramentas de self service B.I. análises e confecção de dashboards como Tableau, Microsoft PowerBI, SAP BI e muitas outras.
Aqui no Brain SP, as ferramentas de self service B.I. são muito importantes na hora de avaliar os testes dos produtos que criamos. Com elas, combinamos dados de planilhas, arquivos csv e outros arquivos para criar análises gráficas e dashboards que nos ajudam a tomar decisões baseadas em dados.
Data Analytics e Data Science
E quando as perguntas de negócio não estão muito claras? Ou deixamos de buscar o “O que aconteceu?” para buscar o “Por que aconteceu?” e, quem sabe, prever e fazer recomendações de melhoria para o negócio? É aí que se inicia o universo das análises avançadas, que englobam os campos da Data Analytics e Data Science.
A partir daqui, as definições se misturam e há muitos pontos de intersecção. Tanto Data Science quanto Data Analytics são termos relativamente novos, que tratam do mesmo universo de análise diagnósticas, preditivas e prescritivas, logo, as fronteiras não são bem definidas.
Um bom exemplo para entender essa mistura das duas áreas são as startups Hence e Data Rudder, duas das cinco selecionadas para o programa de inovação aberta Brain Open.
Contando com a conectividade e soluções de IoT da Algar Telecom na coleta de dados, tanto a Hence quanto a Data Rudder usam Data Analytics e Ciência de Dados para criar soluções inovadoras e levar a indústria nacional ao patamar de Indústria 4.0.
Combinar as duas áreas, como fazem Hence e Data Rudder, é vital já que, Data Analytics é um campo em si mas também faz parte da Ciência de Dados e ambas utilizam modelos matemáticos, estatísticos e muitas outras ferramentas em comum.
Os profissionais das duas áreas buscam novas relações entre dados para transformar informações em conhecimento, revelando tendências, insights, padrões operacionais e oportunidades de negócio. Entretanto, esse é apenas o ponto de partida para a Ciência de Dados.
A proposta da Data Science é ir além com profissionais mais completos com entendimento de negócio, maior domínio matemático, estatístico, capazes de desenvolver algoritmos mais robustos em linguagens de programação como Python ou R e fazer uso avançado dos modelos de aprendizado de máquina para realizar análises preditivas e prescritivas. Com essas ferramentas é possível elaborar sofisticados sistemas de recomendação e personalização, como os propostos pelas startups escolhidas pela Brain.
O importante é entender que o que faz sentido para cada caso e cada empresa e não colocar “o carro na frente dos bois”. Não adianta querer prever o futuro antes de ter visibilidade do que aconteceu e acontece na organização e, antes ainda, garantir a coleta, armazenamento e qualidade dos dados, pois sem eles não há matéria prima para o trabalho de Business Intelligente, Data Analytics e Data Science.
