{"id":2165,"date":"2022-07-14T00:00:00","date_gmt":"2022-07-14T00:00:00","guid":{"rendered":"https:\/\/www.cesar.org.br\/painel\/insight\/analytics-a-inteligencia-por-tras-da-descoberta-interpretacao-e-comunicacao-de-dados\/"},"modified":"2026-06-05T11:39:03","modified_gmt":"2026-06-05T14:39:03","slug":"analytics-a-inteligencia-por-tras-da-descoberta-interpretacao-e-comunicacao-de-dados","status":"publish","type":"insight","link":"https:\/\/www.cesar.org.br\/painel\/insight\/analytics-a-inteligencia-por-tras-da-descoberta-interpretacao-e-comunicacao-de-dados\/","title":{"rendered":"Analytics: a intelig\u00eancia por tr\u00e1s da descoberta, interpreta\u00e7\u00e3o e comunica\u00e7\u00e3o de dados"},"content":{"rendered":"
\n

Por JP Magalh\u00e3es,\u00a0Professor na CESAR School e Consultor em Intelig\u00eancia Artificial no CESAR.<\/p>\n

A captura e processamento de informa\u00e7\u00f5es para a tomada de decis\u00f5es n\u00e3o \u00e9 algo recente na hist\u00f3ria humana. Nossos ancestrais precisavam reconhecer padr\u00f5es da natureza, como rastros de animais ou como seria o clima, para identificar oportunidades ou perigos.<\/p>\n

Independentemente da utiliza\u00e7\u00e3o de tecnologia, isso \u00e9 algo que continuamos fazendo cada vez mais em nosso dia-a-dia nos neg\u00f3cios: observar determinado cen\u00e1rio, identificar problemas, coletar informa\u00e7\u00f5es sobre esses, analisar suas causas, prever desdobramentos futuros e indicar a\u00e7\u00f5es que revertam o mesmo em cen\u00e1rios positivos. \u00c9 nesse contexto que come\u00e7amos a falar sobre organiza\u00e7\u00f5es que seguem uma cultura Data Driven.<\/p>\n

Um dos pontos de partida para essa cultura \u00e9 a datafica\u00e7\u00e3o<\/a>, processo de transforma\u00e7\u00e3o de diversos aspectos do mundo f\u00edsico em digital por meio da coleta de informa\u00e7\u00f5es anteriormente invis\u00edveis digitalmente, permitindo a aplica\u00e7\u00e3o de ferramentas de an\u00e1lise e a consequente extra\u00e7\u00e3o de valor para os neg\u00f3cios.<\/p>\n

E \u00e9 dentro da seara de an\u00e1lise que adentramos no conceito de Analytics que, apesar de ser termo amplamente utilizado, muitas vezes \u00e9 compreendido apenas como um sin\u00f4nimo de alguns gr\u00e1ficos em um dashboard<\/em> ou de ferramentas de Business Intelligence (BI), por\u00e9m, \u00e9 algo que vai muito al\u00e9m disso.<\/p>\n

O que \u00e9 Analytics?<\/h2>\n

Analytics<\/strong> \u00e9 uma \u00e1rea de aplica\u00e7\u00e3o multidisciplinar que utiliza dados e diferentes formas de an\u00e1lise para extrair valor para os neg\u00f3cios, institui\u00e7\u00f5es e a sociedade como um todo. Analytics \u00a0faz uso principalmente de ferramentas e t\u00e9cnicas da estat\u00edstica, computa\u00e7\u00e3o e intelig\u00eancia artificial para gerar informa\u00e7\u00f5es, responder perguntas, identificar tend\u00eancias e extrair insights que tenham valor para as organiza\u00e7\u00f5es no processo de tomada de decis\u00e3o e formula\u00e7\u00e3o de planos e estrat\u00e9gias.<\/p>\n

Um dos primeiros adotantes de Analytics foi o setor financeiro. A an\u00e1lise de dados tem um papel importante nos setores banc\u00e1rio e financeiro – usada para prever tend\u00eancias de mercado e avaliar riscos. As pontua\u00e7\u00f5es de cr\u00e9dito s\u00e3o um exemplo de an\u00e1lise de dados que afeta todos. Outra aplica\u00e7\u00e3o importante \u00e9 a detec\u00e7\u00e3o de fraudes em transa\u00e7\u00f5es banc\u00e1rias e no uso do cart\u00e3o de cr\u00e9dito, melhorando assim a efici\u00eancia e reduzindo o risco de institui\u00e7\u00f5es financeiras e seus clientes.<\/p>\n

Para al\u00e9m da contribui\u00e7\u00e3o na \u00e1rea de finan\u00e7as, o Analytics tamb\u00e9m tem aplica\u00e7\u00f5es diversas no marketing de organiza\u00e7\u00f5es para personaliza\u00e7\u00e3o e contextualiza\u00e7\u00e3o das a\u00e7\u00f5es, em recursos humanos por meio do People Analytics, na Ind\u00fastria 4.0 por meio da manuten\u00e7\u00e3o preditiva e na otimiza\u00e7\u00e3o log\u00edstica ou de custos e na garantia da qualidade nas opera\u00e7\u00f5es de grandes empresas.<\/p>\n

Para entender mais a fundo os tipos de Analytics, imagine o seguinte cen\u00e1rio:<\/p>\n

    \n
  1. Rafael acordou n\u00e3o se sentindo muito bem e resolveu ir ao consult\u00f3rio de Cl\u00e1udia, sua m\u00e9dica habitual. \u00a0Ao iniciar o atendimento, Cl\u00e1udia pede a Rafael para relatar o que est\u00e1 sentindo, fazendo perguntas para entender os detalhes. Nesta etapa inicial, a m\u00e9dica tenta descrever<\/strong> o estado de sa\u00fade do paciente com base no que aconteceu ou est\u00e1 acontecendo com ele.<\/li>\n
  2. A partir disso, a m\u00e9dica cruza os sintomas descritos com as informa\u00e7\u00f5es que ela tem a partir de sua forma\u00e7\u00e3o e experi\u00eancia, considerando ainda poss\u00edveis eventos e fatores externos, como o surto de algum v\u00edrus. Caso ainda restem d\u00favidas, a profissional pode pedir exames, buscando chegar a um diagn\u00f3stico<\/strong>.<\/li>\n
  3. Com base no diagn\u00f3stico, a m\u00e9dica faz uma previs\u00e3o ou predi\u00e7\u00e3o<\/strong> do que pode vir a acontecer, avaliando poss\u00edveis pioras, a rapidez com que a doen\u00e7a pode evoluir e estimando o tempo de melhora etc.<\/li>\n
  4. Por fim, considerando os cen\u00e1rios mais prov\u00e1veis e o risco associado aos mesmos, a m\u00e9dica faz uma prescri\u00e7\u00e3o<\/strong> de cuidados e rem\u00e9dios que devem ser tomados para que o estado futuro do paciente seja o mais pr\u00f3ximo do desej\u00e1vel, ou seja, saud\u00e1vel, no menor tempo poss\u00edvel.<\/li>\n<\/ol>\n

    Em linhas gerais, estas s\u00e3o as mesmas etapas e pilares que temos no Analytics e que descreveremos a seguir. Observe que a complexidade, assim como o valor agregado ao neg\u00f3cio, aumentam com o avan\u00e7ar das t\u00e9cnicas utilizadas.<\/p>\n

    \"Um<\/p>\n

    Analytics Descritivo – \u00a0O que aconteceu?<\/h2>\n

    Ponto inicial dos processos de intelig\u00eancia de neg\u00f3cio, tem como objetivo gerar uma\u00a0vis\u00e3o clara do que est\u00e1 acontecendo ou aconteceu<\/strong>, sendo a forma mais comum e fundamental de an\u00e1lise de dados. Todas as \u00e1reas da empresa podem usar a an\u00e1lise descritiva para acompanhar o desempenho operacional e descrever os padr\u00f5es de processos e opera\u00e7\u00f5es.<\/p>\n

    Exemplos de an\u00e1lise descritiva iniciam pela mensura\u00e7\u00e3o de KPIs como crescimento percentual de vendas ano a ano, receita por cliente e tempo m\u00e9dio que os clientes levam para pagar contas e seus produtos b\u00e1sicos aparecem em demonstra\u00e7\u00f5es financeiras, relat\u00f3rios, pain\u00e9is e apresenta\u00e7\u00f5es.<\/p>\n

    Esse tipo de Analytics n\u00e3o busca fazer infer\u00eancias ou chegar a conclus\u00f5es. O objetivo \u00e9 entender bem o que aconteceu, por isso,\u00a0seu foco \u00e9 obter informa\u00e7\u00f5es do passado e presente<\/strong>. Para isso, utiliza-se de t\u00e9cnicas de estat\u00edstica descritiva e oriundas da minera\u00e7\u00e3o de dados, como os agrupamentos, identifica\u00e7\u00e3o de representantes ou anomalias, entre outras. Como ferramentas, s\u00e3o utilizadas principalmente planilhas eletr\u00f4nicas e \u00a0ferramentas de visualiza\u00e7\u00e3o de dados, \u00a0cria\u00e7\u00e3o de dashboards e Business Intelligence.<\/p>\n

    Exemplos b\u00e1sicos de An\u00e1lise Descritiva s\u00e3o vistos nos dashboards utilizados intensamente na opera\u00e7\u00e3o de grandes empresas, principalmente do setor el\u00e9trico, financeiro, industrial e de log\u00edstica. O marketing utiliza os agrupamentos para criar\u00a0experi\u00eancias personalizadas<\/strong>, bem como campanhas digitais mais assertivas<\/strong>. Aplica\u00e7\u00f5es como o Google Photos utilizam t\u00e9cnicas similares para organizar conte\u00fado, no caso, fotos, por pessoa, lugar, tem\u00e1tica, etc. A ind\u00fastria utiliza-se da detec\u00e7\u00e3o de anomalias para evitar acidentes, j\u00e1 o mercado financeiro, para prever fraudes em compras no cart\u00e3o de cr\u00e9dito.<\/p>\n

    \u00c9 importante ressaltar que uma boa an\u00e1lise descritiva se inicia com uma boa sele\u00e7\u00e3o, coleta e tratamento de dados e \u00e9 potencializada com o desenvolvimento de compet\u00eancias de an\u00e1lise e modelagem de dados, storytelling, visualiza\u00e7\u00e3o e comunica\u00e7\u00e3o de informa\u00e7\u00e3o.<\/p>\n

    Analytics Diagn\u00f3stico – Por que aconteceu?<\/h2>\n

    Uma vez que j\u00e1 \u00e9 conhecido o que ocorreu ou est\u00e1 acontecendo, deseja-se saber\u00a0porque isto est\u00e1 ocorrendo<\/strong>. Dessa forma, este tipo de an\u00e1lise diz respeito ao processo de levantar hip\u00f3teses e determinar\u00a0causas e rela\u00e7\u00f5es dos fatores sobre uma situa\u00e7\u00e3o com as consequ\u00eancias observadas<\/strong>, ou seja, o porqu\u00ea de algum acontecimento, tend\u00eancia ou anomalia que foi observada durante a an\u00e1lise descritiva. Apesar de ser a etapa menos valorizada e, por vezes, esquecida, trata-se de uma fase crucial que tende a gerar muito valor para os neg\u00f3cios.<\/p>\n

    Nesta etapa, utiliza-se de minera\u00e7\u00e3o de regras de associa\u00e7\u00e3o, testes de hip\u00f3tese e an\u00e1lises de correla\u00e7\u00e3o e regress\u00e3o para entender por que algo aconteceu e quais foram os fatores relacionados, com qual intensidade. Apesar das planilhas eletr\u00f4nicas ainda serem utilizadas, ferramentas estat\u00edsticas mais poderosas s\u00e3o mais utilizadas, al\u00e9m, claro, de linguagens de programa\u00e7\u00e3o.<\/p>\n

    Exemplos de Analytics Diagn\u00f3stico s\u00e3o funcionalidades como\u00a0“Produtos que voc\u00ea pode gostar”<\/strong>, comuns em e-commerces. O mesmo se aplica a indica\u00e7\u00f5es de filmes, s\u00e9ries, m\u00fasicas e playlists em aplicativos de streaming de conte\u00fado, como o Netflix e o Spotify. Regras de associa\u00e7\u00e3o tamb\u00e9m s\u00e3o utilizadas para disposi\u00e7\u00e3o de produtos em grandes mercados e at\u00e9 mesmo a indica\u00e7\u00e3o do estoque de acordo com a sazonalidade ou em eventos excepcionais. Como na passagem de um grande furac\u00e3o na Fl\u00f3rida, ocasi\u00e3o na qual o\u00a0Walmart<\/a>\u00a0utilizou as an\u00e1lises descritiva e diagn\u00f3stica para aumentar seus estoques de guloseimas e cervejas, al\u00e9m dos usuais itens b\u00e1sicos de sobreviv\u00eancia, aumentando assim os seus lucros.<\/p>\n

    Analytics Preditivo – O que vai acontecer?<\/h2>\n

    \u00c9 o ramo da an\u00e1lise avan\u00e7ada que \u00e9 utilizado para fazer previs\u00f5es sobre eventos futuros desconhecidos. A an\u00e1lise preditiva faz uso de t\u00e9cnicas de modelagem estat\u00edstica e, principalmente, de machine learning para analisar dados atuais a fim de fazer previs\u00f5es sobre o futuro. Essas t\u00e9cnicas podem envolver de simples rela\u00e7\u00f5es entre exemplos pr\u00f3ximos \u00e0 utiliza\u00e7\u00e3o de grandes redes neurais artificiais, sendo capazes de reunir a gest\u00e3o, a tecnologia da informa\u00e7\u00e3o e os processos de modelagem de neg\u00f3cios para fazer suas previs\u00f5es e identificar riscos e oportunidades.<\/p>\n

    Exemplos de an\u00e1lise preditiva podem ser vistos na ind\u00fastria, como no caso de\u00a0manuten\u00e7\u00e3o preditiva desenvolvido entre Ball e o CESAR<\/a>, na qual situa\u00e7\u00f5es cr\u00edticas podem ser previstas com anteced\u00eancia, possibilitando a manuten\u00e7\u00e3o antes que um problema pior ocorra. Aplica\u00e7\u00e3o tecnol\u00f3gica semelhante foi concebida pelo\u00a0CESAR em parceria com a In Forma para a Equatorial Energia<\/a>, neste caso para o setor el\u00e9trico, objetivando prever falhas, antecipar manuten\u00e7\u00f5es e desligamentos e originar respostas planejadas. An\u00e1lise preditiva pode ser utilizada ainda\u00a0para prever doen\u00e7as, anos antes que elas apare\u00e7am<\/a>, entre outros in\u00fameros exemplos.<\/p>\n

    Analytics Prescritivo – Como determinar o que vai acontecer?<\/h2>\n

    \u00c9 o processo que utiliza a an\u00e1lise de dados para\u00a0prescrever um \u201cconjunto \u00f3timo\u201d de a\u00e7\u00f5es a serem tomadas<\/strong>\u00a0para que um determinado objetivo seja alcan\u00e7ado, fornecendo normalmente recomenda\u00e7\u00f5es instant\u00e2neas sobre como otimizar as pr\u00e1ticas comerciais para atender a v\u00e1rios resultados desejados. Em ess\u00eancia, a an\u00e1lise entende de forma abrangente o que os dados prev\u00eaem e o que poderia acontecer, sugerindo os melhores passos a serem seguidos com base em simula\u00e7\u00f5es. A aplica\u00e7\u00e3o da an\u00e1lise prescritiva \u00e9 uma op\u00e7\u00e3o que pode ajudar sua empresa a\u00a0identificar decis\u00f5es estrat\u00e9gicas orientadas a dados<\/strong>\u00a0e ajudar a evitar as limita\u00e7\u00f5es das pr\u00e1ticas de an\u00e1lise de dados padr\u00e3o.<\/p>\n

    Este tipo de an\u00e1lise \u00e9 muito utilizado, por exemplo, na \u00e1rea financeira, com aplica\u00e7\u00f5es como carteira recomendada de investimentos. Nesse case entre\u00a0CESAR e Gerdau<\/a>, a an\u00e1lise descritiva foi utilizada na ind\u00fastria para determinar um conjunto de par\u00e2metros de produ\u00e7\u00e3o para alcan\u00e7ar um resultado espec\u00edfico relacionado a propriedades mec\u00e2nicas finais do a\u00e7o laminado. Dessa forma, os operadores tinham uma recomenda\u00e7\u00e3o espec\u00edfica sobre os par\u00e2metros a serem utilizados a cada momento com vistas \u00e0 obten\u00e7\u00e3o do produto final desejado.<\/p>\n

    Analytics Aut\u00f4nomo<\/h2>\n

    Al\u00e9m das quatro formas b\u00e1sicas de an\u00e1lise, vistas anteriormente, uma que vem ganhando espa\u00e7o nas grandes empresas de tecnologia \u00e9 a an\u00e1lise aut\u00f4noma, que combina intelig\u00eancia artificial (IA) e o aprendizado de m\u00e1quinas (Machine Learning, ML) para criar e melhorar modelos que aprendem a partir dos dados de forma aut\u00f4noma ou semi-aut\u00f4noma, ou seja, sem a necessidade de intera\u00e7\u00e3o demasiada na cria\u00e7\u00e3o de modelos e valida\u00e7\u00e3o de hip\u00f3teses e ainda com uma substancial diminui\u00e7\u00e3o no envolvimento de analistas humanos.<\/p>\n

    Neste tipo de an\u00e1lise, o ser humano \u00e9 respons\u00e1vel pela concep\u00e7\u00e3o de processos de captura, processamento e modelagem semi-autom\u00e1tica de dados, especifica\u00e7\u00e3o de diferentes algoritmos de aprendizado de m\u00e1quinas e defini\u00e7\u00e3o das formas de avalia\u00e7\u00e3o destes, al\u00e9m da manuten\u00e7\u00e3o da infraestrutura que habilita uma verdadeira\u00a0plataforma de experimenta\u00e7\u00e3o de hip\u00f3teses sobre o neg\u00f3cio<\/strong>. Isso oferece \u00e0s empresas oportunidades para automatizar o processo de tomada de decis\u00e3o e melhora de habilidades preditivas \u00e0 medida que os dados se tornam abundantes e com mais complexidade.<\/p>\n

    Exemplos comuns de an\u00e1lise aut\u00f4noma incluem os\u00a0limites pr\u00e9-aprovados de cr\u00e9dito<\/strong>\u00a0e a\u00a0recomenda\u00e7\u00e3o de propagandas e conte\u00fado em redes sociais<\/strong>. Enfatiza-se aqui que se tratam de formas b\u00e1sicas de an\u00e1lise vistas anteriormente, por\u00e9m feitas em larga escala e em que a decis\u00e3o \u00e9 tomada de forma aut\u00f4noma. O exemplo mais sofisticado de an\u00e1lise aut\u00f4noma \u00e9 a Amazon, na qual os dados sobre todos os aspectos de sua opera\u00e7\u00e3o s\u00e3o coletados o tempo todo, alimentando centenas de processos que v\u00e3o desde o produto que \u00e9 oferecido no site ao envio do mesmo antes mesmo da sua compra para \u00e1reas em que o produto provavelmente ser\u00e1 comprado. Estes processos s\u00e3o reavaliados a todo momento e milhares de novos modelos de ML s\u00e3o treinados e colocados em opera\u00e7\u00e3o a cada dia, experimentando varia\u00e7\u00f5es do mesmo e avaliando os seus resultados, possibilitando assim um processo cont\u00ednuo de melhoria.<\/p>\n

    Essa plataforma de experimenta\u00e7\u00e3o baseada em an\u00e1lise aut\u00f4noma e IA tamb\u00e9m \u00e9 chamada de F\u00e1brica da Intelig\u00eancia Artificial, mas isto j\u00e1 \u00e9 assunto para outra conversa.<\/p>\n

    A cultura data driven j\u00e1 \u00e9 uma realidade<\/h2>\n

    O uso de dados \u00e9 uma pr\u00e1tica de extrema import\u00e2ncia n\u00e3o apenas para neg\u00f3cios nativos digitais, como tamb\u00e9m para grandes organiza\u00e7\u00f5es mais tradicionais. O aproveitamento das informa\u00e7\u00f5es coletadas ou previstas \u00e9 capaz de guiar as mais diversas estrat\u00e9gias de uma empresa e\/ou apoiar diferentes frentes de atua\u00e7\u00e3o.
    \n    \"Banner<\/a>
    \nQuer entender como o CESAR pode te ajudar a implementar fluxos de trabalho que coloquem a an\u00e1lise de dados na tomada de decis\u00e3o?<\/p>\n

    Conhe\u00e7a o curso Data Empowerment. Nele, voc\u00ea vai aprender a import\u00e2ncia da an\u00e1lise de dados para a tomada de decis\u00f5es assertivas, otimizando processos e ampliando a vis\u00e3o estrat\u00e9gica sobre a empresa.<\/p>\n

    \n

    Refer\u00eancias<\/strong><\/p>\n

    DAVENPORT, Thomas H. HARRIS, Jeane G. Competi\u00e7\u00e3o Anal\u00edtica. Alta Books, 1\u00aa Edi\u00e7\u00e3o, 2018.<\/p>\n

    PROVOST, Foster. FAWCETT, Tom. Data science para neg\u00f3cios: O que voc\u00ea precisa saber sobre minera\u00e7\u00e3o de dados e pensamento anal\u00edtico de dados. Alta Books; 1\u00aa edi\u00e7\u00e3o, 2016.<\/p>\n

    COTE, Catharine. 4 types of Data Analytics to improve decision-making. Harvard Business School Online. 19 de out. de 2021. Dispon\u00edvel em:\u00a0https:\/\/online.hbs.edu\/blog\/post\/types-of-data-analysis<\/a>. Acesso em: 9 de julho de 2022.<\/p>\n

    LOBO, Kevin. What Are the Four Types of Analytics and How Do You Use Them? Analytics 8. 16 de set. De 2021. Dispon\u00edvel em:\u00a0https:\/\/www.analytics8.com\/blog\/what-are-the-four-types-of-analytics-and-how-do-you-use-them\/<\/a>\u00a0Acesso em: 9 de julho de 2022.<\/p>\n

    What is Data Analytics? Masters in Data Science. Abril de 2022. Dispon\u00edvel em:\u00a0https:\/\/www.mastersindatascience.org\/learning\/what-is-data-analytics\/<\/a>. Acesso em: 9 de julho de 2022.<\/p>\n

    BALAGNUR, Sameer. What is autonomous Analytics? Analytics India Magazine. 6 de abril de 2020. Dispon\u00edvel em:\u00a0https:\/\/analyticsindiamag.com\/what-is-autonomous-analytics\/<\/a>. Acesso em: 9 de julho de 2022.<\/p>\n

    MORRIS, Andy. Descriptive Analytics Defined: Benefits & Examples. \u00a0Oracle Net Suite. 8 de jul. de 2021. Dispon\u00edvel em:\u00a0ttps:\/\/www.netsuite.com\/portal\/resource\/articles\/erp\/descriptive-analytics.shtml<\/a>. Acesso em: 9 de julho de 2022.<\/p>\n<\/div>\n<\/div>\n","protected":false},"featured_media":6931,"template":"","categories":[5],"tags":[463,146],"formato_insights":[16],"class_list":["post-2165","insight","type-insight","status-publish","has-post-thumbnail","hentry","category-tecnologia","tag-analise-de-dados","tag-ciencia-de-dados","formato_insights-artigo"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.cesar.org.br\/painel\/wp-json\/wp\/v2\/insight\/2165","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.cesar.org.br\/painel\/wp-json\/wp\/v2\/insight"}],"about":[{"href":"https:\/\/www.cesar.org.br\/painel\/wp-json\/wp\/v2\/types\/insight"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.cesar.org.br\/painel\/wp-json\/wp\/v2\/media\/6931"}],"wp:attachment":[{"href":"https:\/\/www.cesar.org.br\/painel\/wp-json\/wp\/v2\/media?parent=2165"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.cesar.org.br\/painel\/wp-json\/wp\/v2\/categories?post=2165"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.cesar.org.br\/painel\/wp-json\/wp\/v2\/tags?post=2165"},{"taxonomy":"formato_insights","embeddable":true,"href":"https:\/\/www.cesar.org.br\/painel\/wp-json\/wp\/v2\/formato_insights?post=2165"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}