MENU

| BR

Campus

Cursos

Programas Executivos

Programas Executivos

Paises

Conheça os principais tipos de análise de dados através de exemplos práticos

Conheça os principais tipos de análise de dados através de exemplos práticos
#Dados
21 de agosto - min de leitura

Para trazer insights poderosos para o negócio, você precisa entender qual o tipo de análise de dados faz sentido para seu objetivo. Conheça as principais metodologias e coloque em prática.


A escolha entre os tipos de análise de dados pode ser o fator decisivo para que eles realmente cumpram o seu papel - ativos valiosos às empresas. 

Neste universo, nem todas as análises são iguais e a mais adequada é a que trará realmente valor, dentro de uma estratégia de negócios. 

Neste artigo, nosso coordenador dos cursos de Dados, Ivan Pagnossin explica cada uma delas, com exemplos práticos. Acompanhe!

Análises de dados - a motivação primordial     

De modo geral, entende-se que analisar dados é empregar o raciocínio crítico, idealmente sem vieses, sobre um conjunto de dados, com o objetivo de extrair conhecimento. Esse "conhecimento", que refere a uma representação abstrata (mental, por exemplo) do fenômeno que deu origem a esses dados.

Para ficar mais fácil de assimilar, um exemplo: o astrofísico analisa o movimento dos astros e generaliza suas descobertas num conjunto de leis da natureza. Já o engenheiro submete suas criações a cenários controlados e cria uma representação computacional que lhe permita identificar o regime de atuação delas. 

Finalmente, o empreendedor avalia o desempenho do seu negócio e apreende as relações já consumadas entre investimento e receita para planejar sua estratégia.

Em cada caso, as motivações são diferentes. O astrofísico visa compreender o universo; o engenheiro, prever o comportamento da sua criação; e o empreendedor quer tomar decisões que garantam o sucesso do negócio.

Ou seja, nem todas as análises são iguais. É comum classificá-las em quatro tipos de metodologia: descritiva, diagnóstica, preditiva e prescritiva. 

Conheça os tipos e como fazer uma boa análise de dados

Abaixo, acompanhe as quatro formas de análises de dados, mas lembre-se: essa ordem não é arbitrária. Ela compreende a complexidade e, num cenário econômico, o valor de cada uma. 

Análise descritiva

Como o nome diz, essa análise descreve os dados observados, de forma que eles “digam” o que aconteceu. Por vezes, é chamada de "estatística descritiva", já que é comum utilizar métodos da estatística nesse tipo.

Por exemplo, você pode descrever os acessos ao seu site de vendas, no intervalo de uma hora, pela média de usuários que visitaram o site nesse mesmo intervalo de tempo. A média é um conceito emprestado da estatística, bastante útil para descrever dados.

A análise descritiva é, portanto, o tipo de análise mais simples e rápida de executar, pois emprega apenas cálculos padronizados (que podem ser automatizados), como a média, variância, entre outros, além de gráficos, diagramas etc.

Essas visualizações, originadas da análise descritiva, são a principal matéria-prima dos dashboards de indicadores-chave de desempenho (em Inglês, Key Performance Indicator ou apenas KPI).

Análise diagnóstica

Conhecidas as características dos dados, imediatamente vem a pergunta: qual a causa desses dados? A resposta a essa pergunta é justamente o objetivo da análise diagnóstica. 

Porém, realizar esse passo extra não é simples, pois ele se relaciona com a dinâmica subjacente aos dados, frequentemente não acessível. Por exemplo, o fato de você observar 1000 usuários, em média, acessando seu site no intervalo de uma hora, pode estar relacionado com a depreciação média do produto que você vende, com a quantidade de concorrentes, com seu programa de fidelidade, fenômenos sociais etc.

Para mensurar esses “possíveis” relacionamentos, precisamos novamente emprestar métodos da estatística, como os testes de hipótese, além do método científico. O teste A/B, por exemplo, é bastante conhecido: consiste em expor a dinâmica subjacente aos dados a cenários controlados. 

Por exemplo, você pode oferecer o programa de fidelidade para alguns usuários (cenário A), mas não para outros (cenário B), e comparar a média de acessos. Além de ser trabalhoso fazer isso, há situações que não podem ser controladas, como a quantidade de concorrentes e a depreciação média do produto. 

É nesse cenário que surge o bordão "correlação não implica causalidade": correlação é uma característica dos dados (uma métrica de associação, por assim dizer). Mas ela não pode ser imediatamente associada a uma causa, sem uma análise diagnóstica adequada, que envolve a manipulação de cenários controlados. 

Não obstante, essa análise requer conhecimento do domínio em questão. Por exemplo, uma análise cega quanto ao domínio (um e-commerce, nesse exemplo) pode deixar passar o fato de que as visitas ao site dependem do clima.

Análise preditiva

Se entendemos a dinâmica subjacente aos dados, possivelmente seremos também capazes de fazer previsões. E esse é o objetivo da análise preditiva. 

Para isso, precisamos abstrair do que aconteceu e pensar no que poderia acontecer, relacionando as causas e os efeitos (dados). Chamamos isso de "modelo" e ao processo de encontrá-lo, "modelagem".

Suponha, por exemplo, que seus dados permitam a afirmação de que a quantidade média de visitantes do site, no período de uma hora, depende linearmente do custo de cada ponto do programa de fidelidade. A palavra-chave, nesse exemplo, é o termo "linearmente" (nesse caso, se diz que o modelo é linear). 

Ele indica que um acréscimo de, digamos 30% no custo de um ponto, implica decréscimo de 30% na quantidade média de visitantes, no mesmo intervalo de tempo. 

Perceba que essa afirmação não se refere mais ao conjunto de dados originais, mas sim a uma situação hipotética genérica. Assim, é essa qualidade que nos permite fazer previsões.

Um exemplo bem conhecido de análise preditiva é aquela que os bancos fazem ao identificar riscos de investimento, quando o empréstimo efetivamente não foi feito, mas o modelo desenvolvido pelo banco é capaz de prever o resultado. 

Contudo, essa previsão nem sempre se concretiza. Grande parte do trabalho do analista de dados é justamente otimizar essa incerteza.

Análise prescritiva

Agora que sabemos descrever os dados, entendemos o porquê de eles apresentarem essas características, criarmos uma representação abstrata deles, capaz de prever um cenário hipotético, podemos então pensar no processo inverso e introduzir objetivos a serem alcançados.

Suponha que estejamos no final de uma campanha de marketing, na qual é preciso aumentar 15% a quantidade média de visitas no site. Como sabemos que essa quantidade se relaciona linearmente com o custo de um ponto de fidelidade, podemos optar por reduzir o custo em 15%. Isso é uma prescrição do que fazer, com base na modelagem e nos objetivos a serem atingidos. 

Outro exemplo, fora do mundo dos negócios, é o dos sistemas de controle da SpaceX, que analisam continuamente o movimento do foguete, para prescrever ações de seu motor. Este trabalho tem o objetivo de trazê-lo em segurança para o solo.

Essa é a análise prescritiva e, como você já deduziu, é a etapa mais complexa, pois demanda conhecimento profundo sobre o sistema. 

Análise de dados: curso 

Neste texto, nosso professor deixa claro como as análises descritiva, diagnóstica, preditiva e prescritiva evoluem, nessa ordem, em complexidade e valor, e dependente uma da outra. 

O que evidencia: nesta área, não há atalho. O primeiro e mais certeiro passo é aderir à cultura de dados. Depois, ser capaz de descrevê-los através do storytelling com dados

Somente assim, é possível passar para a análise diagnóstica e, daí, para as demais etapas, na sequência. Lembrando que a implementação dessa cadeia de valor deve ser guiada por uma estratégia que segue o caminho inverso.

Neste sentido, as perguntas pertinentes são:

Que conhecimento (relações de causa e efeito) preciso ter dos meus dados, para prescrever ações (tomar decisões)?

Que abstrações (modelagem) eu tenho de desenvolver para fazer previsões? Que cenários devem ser promovidos para entender a dinâmica subjacente aos meus dados? Que características desses dados eu necessito avaliar?

Quer compreender mais sobre o assunto e se aprofundar sobre as possibilidades que os dados podem projetar a sua carreira? Conheça os cursos para ser um profissional de Dados, oferecidos pela Digital House, no qual Ivan Pagnossin coordena.

Outras notícias

A era do óculos inteligente img
#Tecnologia

A era do óculos inteligente

Com o avanço da tecnologia, diversos objetos do nosso dia a dia estão se tornando cada vez mais inteligentes e digitais.Há alguns dias a Ray-Ban em conjunto com o Facebook anunciaram um óculos inteligente com o objetivo de tirar fotos e gravar vídeos curtos, ouvir música e até mesmo para fazer chamadas telefônicas sem precisar ter seu celular próximo. Depois do anúncio a Xiaomi também divulgou que está desenvolvendo o seu próprio óculos inteligente que diz ser diferente dos seus concorrentes. A empresa não quer que o dispositivo seja um complemento para smartphones, mas que ele funcione de forma independente para algumas tarefas.Mas o que podemos esperar para os próximos anos com esses novos produtos?Uma época mais digitalHoje em dia, quando ligamos a televisão no noticiário ou acessamos a internet, recebemos uma chuva de novidades tecnológicas. É carro que dirige sozinho, robô que aspira a casa, inteligência artificial que acende a sua luz ou simplesmente conta uma piada para você.Percebemos que o objetivo das grandes empresas é que essas tarefas do cotidiano virem mais automatizadas e artificiais. Será que o filme Wall-E acertou em representar o mundo daquele jeito? Pode ser que sim, mas também pode ser que não!Segurança do UsuárioVoltando ao assunto dos óculos, o que mais preocupa é a segurança do usuário.Com certeza, quem já viu a famosa série Black Mirror usa algo para tampar a webcam, isso porque, através da série, descobrimos que podemos ser monitorados através das nossas câmeras, celulares e outros objetos.Agora imagine estar usando um óculos com câmera e sistema inteligente todos os dias sem se sentir observado e sem privacidade. Mesmo sendo um tema para se aprofundar e meio assustador, é algo que precisa ser pensado e colocado na mesa para uma reflexão.É incrível que o mundo esteja cada vez mais evoluindo tecnologicamente, mas devemos saber olhar o lado bom e também o lado ruim.Inteligência artificial na DH Conheça o Certified Tech Developer, um curso completo de Programação, pensado e desenhado pelo Mercado Livre e Globant em conjunto com a Digital House. Nele, você aprenderá fundamentos digitais, front-end, back-end, infraestrutura, banco de dados, além de learning agility, entre outras coisas.Para mais assuntos como esse, conheça a nossa biblioteca de conteúdo.Leia mais no blog DH:+ Google Analytics Dashboard: crie e personalize com o nosso passo a passo+ O que é brand equity e como as empresas geram valor de marca em seus produtos e serviços+ Marketing digital para iniciantes: 10 dicas de como começar na carreiraE aí, já segue a gente no Twitter? Vem pra rede, vamos conversar sobre habilidades digitais! ;)

Ciência de dados e inteligência artificial: qual é a relação entre elas? img
#Dados

Ciência de dados e inteligência artificial: qual é a relação entre elas?

Possuir a habilidade de extrair informações de valor dos dados que uma empresa coleta e saber o potencial e os possíveis usos da ciência de dados e inteligência artificial pode diferenciar uma empresa no mercado e o profissional em sua carreira.Neste artigo, você entenderá esses conceitos e a relação existente entre eles. Continue acompanhando.Qual a relação entre ciência de dados e inteligência artificial?A ciência de dados e a inteligência artificial são áreas aplicadas de forma intercambiável nas empresas. É importante saber que, embora os dados possam necessitar de alguns aspectos da IA, eles não refletem tudo. A inteligência artificial está em um processo constante de evolução e ainda há muito o que mudar e explorar.A ciência de dados é uma tecnologia que vem conquistando indústrias em todo o mundo e contribuiu para a quarta revolução industrial que ouvimos tanto falar.Isso é uma consequência da explosão maciça de informações disponíveis na internet e a crescente necessidade das organizações de se basear nos dados, para criar produtos melhores ao mercado. Isso porque é a partir deles que os negócios tomam decisões cuidadosas em suas estratégias de atuação.As várias fases e procedimentos na ciência de dados envolvem coleta, manipulação, visualização e gerenciamento de dados para prever tendências e a ocorrência de eventos futuros. Sendo assim, o profissional precisa ter um conhecimento sobre os algoritmos de aprendizado de máquina. E é aí que entra a inteligência artificial. As empresas precisam que os cientistas de dados ajudem a tomar as decisões necessárias, baseadas em dados. Eles auxiliam a entender e analisar os seus próprios desempenhos de operação e também sugerem as melhorias necessárias para impulsionar seus resultados. E também ajudam a equipe de desenvolvimento de produtos a aplicar melhorias para os clientes finais, analisando seu comportamento a partir das informações.Quanto ganha um cientista de dados e inteligência artificial?O salário de um cientista de dados inicia em R$ 4.585,00 e pode chegar até R$ 8.170,00. Sendo assim, a média salarial no Brasil é de R$ 6.144,00, dependendo das habilidades técnicas e experiências, lembrando que essas habilidades também incluem a manipulação de algoritmos de IA.Já o salário médio do profissional que decide trabalhar focado 100% na inteligência artificial, como um engenheiro de machine learning, por exemplo, segundo o site Glassdoor, é de R$ 6.772 por mês, podendo chegar a R$ 16.000,00, para nível sênior, aqui no Brasil. Os valores costumam variar conforme o porte da empresa e a experiência do trabalhador.Como é o curso de ciência de dados e inteligência artificial?Atualmente, o grande desafio dos profissionais é acompanhar as mudanças da tecnologia. Não são só os cientistas de dados e especialistas em inteligência artificial, pois essas transformações afetam todo o mercado de trabalho de uma forma geral.Os profissionais que dominam as habilidades de interpretar dados ou usá-los para promover mudanças e basear suas decisões serão sempre essenciais e ainda mais valorizados se houver o pleno domínio da inteligência artificial, para poupar tempo e o gasto de recursos.O Brasil carece de profissionais qualificados em tecnologia, formando anualmente 46 mil novas pessoas para trabalhar nas diferentes carreiras. É um número baixo de acordo com estudos que preveem a necessidade de 420 mil novos trabalhadores até 2024.Sendo assim, a recomendação é para que você não se preocupe com as mudanças do mercado de trabalho, mas invista no seu conhecimento e entendimento das novas tecnologias.O curso de Inteligência Artificial da Digital House (DH) é voltado para profissionais que já possuem experiência na área, além da familiarização com cálculos, probabilidade e estatísticas e conhecimentos básicos de machine learning.A maioria dos profissionais que optam por escolher a jornada são cientistas de dados que querem aprender novos conceitos e processos. Confira os principais:• Fundamentos da aprendizagem profunda.• Como construir redes neurais e liderar com sucesso projetos de machine learning.• Redes convolucionais, RNNs, LSTM, Adam, Dropout, BatchNorm etc.A DH é a maior referência de instituição para aprendizado de habilidades digitais da América Latina e entende a importância da inteligência artificial para o crescimento da tecnologia e o sucesso das empresas no mercado.Inscreva-se no curso e seja um especialista capaz de lidar com os desafios atuais e, consequentemente, do futuro, desenvolvendo diversas soluções inovadoras para processos organizacionais, entre outros campos.Leia mais no blog DH:+ Google Analytics Dashboard: crie e personalize com o nosso passo a passo+ O que é brand equity e como as empresas geram valor de marca em seus produtos e serviços+ Marketing digital para iniciantes: 10 dicas de como começar na carreiraE aí, já segue a gente no Twitter? Vem pra rede, vamos conversar sobre habilidades digitais! ;)

UX e design thinking: um combo para a melhor experiência do usuário img
#UX

UX e design thinking: um combo para a melhor experiência do usuário

Nos últimos anos, eles têm sido usados cada vez mais por profissionais e empresas de todos os portes. É importante saber que design thinking não é a mesma coisa que UX, apesar de poderem ser utilizadas de maneira complementar. Essa combinação pode impulsionar a melhor experiência do usuário na interação com produtos e serviços, com muita inovação.Acompanhe este artigo, entenda o porquê a mentalidade norteada pelo design thinking pode trazer muitos benefícios para o negócio, se pensada junto à UX.O que é design thinking em UX?Ter uma marca presente no meio digital sem pensar em design thinking em UX é praticamente impossível. O conceito se baseia em um processo interativo, com o objetivo de entender o usuário com exatidão.Nesse decorrer, o profissional deve propor suposições e estudar problemas, a fim de identificar novas estratégias e soluções alternativas, que tornam determinados produtos e serviços mais assertivos às necessidades de seus clientes.Por ser uma abordagem baseada em solucionar problemas, acaba sendo uma ótima maneira de pensar e trabalhar e, ao mesmo tempo, gerar métodos práticos no dia a dia.Os conceitos de design thinking e UX sempre estão lado a lado. Isso porque proporcionar experiências cada vez mais personalizadas e de acordo com a necessidade do usuário é uma tendência que muitas empresas estão priorizando.UX é a mesma coisa que design thinking?Como já dissemos, os dois conceitos não são a mesma coisa. A verdade é que o UX usa design thinking em seus processos. Ou seja, o User Experience conta com diferentes metodologias para testar todos os pontos de contato com cliente, como o design thinking, para chegar a resultados que estejam de acordo com a realidade do público.O design thinking é um método que se baseia na lógica, na imaginação e no raciocínio, para explorar as inúmeras possibilidades do que poderia ser, com o objetivo de beneficiar o usuário final (o cliente).Em qualquer produto ou serviço digital, a usabilidade é um dos pontos mais importantes e que deve ser priorizada. Essa é a essência do UX.Como funciona o processo de design thinking?Como falamos, o design thinking é uma metodologia utilizada na criação de projetos e desenvolvimento de produtos. Tudo isso pode ser compreendido como um processo de resolução de problemas, estruturando ideias com base no usuário final. O sucesso de tudo depende de alguns pontos importantes e fundamentais para qualquer projeto que atenda às demandas.No entanto, na prática, há uma distância considerável entre o desejo de adotar o método e a sua utilização em processos e ações diárias. Neste cenário, muitos empreendedores ainda não sabem como utilizar o design thinking em seu negócio.Essa abordagem pode ser utilizada em qualquer área que tenha um problema a ser solucionado e a possibilidade de aplicar inovações para otimizar sua usabilidade. Para isso, é preciso ter um time multidisciplinar focado em se aproximar do público, entendendo e dominando sobre o cenário do desafio.Além disso, outro ponto importante no funcionamento do design thinking em uma empresa é a criação e/ou implantação de uma cultura organizacional focada na colaboração entre diferentes times, cooperação e incentivo à criatividade em diferentes processos.Com tudo isso, é possível aplicar a metodologia e seguir as etapas que iremos explicar no próximo tópico. Assim, o seu negócio terá os mesmos resultados de outras grandes organizações que já utilizam a estratégia.A Digital House é uma das principais referências de ensino na área de UX. Em seu curso de Experiência do Usuário, o aluno aprende e domina diferentes técnicas, como o design thinking, para lidar com os desafios e problemas do dia a dia da melhor forma, trazendo resultados assertivos e mudando o rumo de empresas.Nossas aulas são dinâmicas, 100% ao vivo e ministradas por professores especialistas do mercado. Que tal conferir a grade do curso? Garanta o seu sucesso agora mesmo!Quais são os 5 estágios do design thinking?Como comentamos, a abordagem do design thinking possui algumas etapas importantes, que garantem o seu sucesso, ajudando os profissionais a entender e trabalhar com pontos críticos de desenvolvimento. São cinco estágios. Confira agora mesmo:EmpatiaEsse é o ponto chave do design centrado no usuário final. Nesta etapa, é preciso entender as necessidades das pessoas, de acordo com o desafio a ser solucionado.Busque entender o porquê de eles fazerem as coisas que fazem da maneira atual, seus aspectos físicos, emocionais, psicológicos, desejos, vontades, frustrações, entre outras características importantes e relevantes para o processo.DefiniçãoCom suas descobertas e identificações na etapa de empatia, é preciso transformar todos esses dados em insights e necessidades para o seu projeto. Tudo baseado no entendimento dos usuários finais e seus ambientes.Algumas ferramentas podem auxiliar nessa etapa, como a construção da persona, um mapa mental, analogias, journey map, entre outras opções relevantes.IdeaçãoNesta etapa, é preciso explorar e gerar ideias, de fato. Nesse processo, não há um limite: tenha o máximo, tanto na quantidade quanto na diversidade de propostas de soluções.Para isso, é comum usar o método conhecido como brainstorming, que atua na capacidade criativa de indivíduos e/ou grupos, colocando todos a serviço de objetivos predeterminados, que, no caso, foram pensados na etapa anterior.PrototipaçãoPara esta fase, são construídos protótipos, a fim de ajudar a compreender a maneira como as pessoas irão interagir com o projeto de maneira mais próxima do real, além de auxiliar na otimização das soluções de maneira mais rápida e assertiva.Para essa construção, é possível explorar muitas opções de ferramentas e métodos. Basta escolher uma que encaixe no seu contexto, em seu orçamento e que seja fácil de modificar e explicar aos demais envolvidos do projeto.ValidaçãoNesta etapa, é preciso testar o protótipo com usuários reais, observar suas impressões e obter os feedbacks, que são essenciais para refinar e aplicar melhorias no protótipo e fazer com que a próxima interação com o produto ou serviço gere mais valor ao cliente.É importante testar os protótipos o mais cedo possível, antes que as chances de falha aumentem. Se você não verificar como o usuário está interagindo com o seu projeto, é como se você estivesse trabalhando no escuro.E aí, gostou do conteúdo? Recomendamos que você aprenda ainda mais sobre experiência do usuário, lendo nosso artigo sobre design responsivo e a sua importância no desenvolvimento de sites.Não deixe de conferir também nossa biblioteca de conteúdo e o Blog DH, com diversos outros artigos e materiais interessantes sobre diferentes áreas da tecnologia.Leia mais no blog DH:+ Google Analytics Dashboard: crie e personalize com o nosso passo a passo+ O que é brand equity e como as empresas geram valor de marca em seus produtos e serviços+ Marketing digital para iniciantes: 10 dicas de como começar na carreiraE aí, já segue a gente no Twitter? Vem pra rede, vamos conversar sobre habilidades digitais! ;)