Todos os indivíduos deixam uma “trilha digital” de dados à medida que se movem no mundo virtual e físico. O nome desse fenômeno é “data exhaust”. Inicialmente, esse termo era usado para descrever o modo como a Amazon adotava técnicas de análise preditiva para sugerir itens aos seus clientes. A análise preditiva pode quantificar a possibilidade de uma pessoa em particular fazer algo, seja um upgrade no serviço de TV a cabo ou uma busca por emprego.

Esses dados podem antecipar comportamentos humanos. Dados preditivos são usados com base em grandes quantidades de informações indicativas atuais e antigas que possam ser coletadas de múltiplas fontes. Técnicas quantitativas podem ser implantadas para encontrar padrões valiosos em dados, permitindo que as empresas prevejam um comportamento provável de seus clientes e funcionários.

Aumentos (ainda que pequenos) na precisão dos dados de previsão podem levar, muitas vezes, a economias substanciais a longo prazo. Há muitas empresas que economizaram recursos significativos usando análise preditiva.

No entanto, big data e análise preditiva também têm levantado uma série de preocupações.

Apesar de os indivíduos tenderem a repetir regularmente seus comportamentos habituais, a análise preditiva não pode determinar quando e por que alguém decide mudar suas preferências no futuro. A possibilidade de eventos sem dados também não deve ser desprezada.

Muitos clientes são cautelosos ao dar seus dados devido a questões de privacidade. E quando a personalização se torna uma ameaça à privacidade do cliente? Muitas vezes, os avanços da tecnologia são mais rápidos que a legislação. Logo os legisladores não vão poder ignorar questões capazes de acelerar as preocupações relacionadas à privacidade.

Apesar das armadilhas, o mercado segue respondendo às demandas emergentes por soluções corporativas de TI.

Casos práticos de análise preditiva

Hewlett-Packard: a empresa já usou análise preditiva para reduzir as taxas de rotatividade. Por meio de dados, a empresa identificou funcionários prestes a deixar a organização e tomou medidas antecipadamente;

First Tennessee Bank: o banco usou análise preditiva para aumentar as taxas de resposta ao marketing, melhorando o alvo de suas ofertas a consumidores de alto valor.

Target: em 2012, os consumidores descobriram que a loja estava usando métodos quantitativos para prever quais clientes estavam grávidas.

Muitas empresas já têm ferramentas de business intelligence e data warehouses. As soluções da Splunk, fornecidas pela PROOF, complementam essas tecnologias oferecendo a seus usuários novos insights de negócio a partir de dados de máquina. As ferramentas de business analytics da Splunk permitem, entre outras ações, analisar e prever cenários a partir da análise de dados de qualquer momento passado.