Como as pequenas empresas podem aproveitar o big data

“Big data” é uma espécie de termo “da moda” cuja definição varia constantemente, porém, em vez de tentar defini-lo como um grande volume de dados não estruturados gerados em várias fontes, é mais importante definirmos as maneiras como ele pode ser útil para empresas de todos os tamanhos, inclusive as que têm budget limitado para TI.

Apesar de terem o conceito de big data em mente, nos pequenos negócios os projetos de big data são vistos como custosos e complexos demais. Porém, cada vez mais soluções surgem no mercado para oferecer uma opção flexível e escalável.

Ferramentas que analisam dados gerados por máquina, por exemplo, analisam informações que já existem em abundância em qualquer empresa: arquivos de logs, dados de configuração de servidores, aplicações, configurações de rede, métricas de sistema, entre outras.

Não é necessário começar a se preocupar com big data de uma hora para outra, porém, é preciso ter um plano que se adapte aos processos de negócio para que eles possam ser guiados por dados.

Comece de maneira objetiva

Como as pequenas empresas têm poucos recursos dedicados à TI, o melhor é começar a preparar o negócio apenas coletando, armazenando, analisando e usando os dados de maneira efetiva para melhorar e experiência do cliente e a receita do negócio.

Se o negócio for um e-commerce, por exemplo, pode ser uma boa ideia aproveitar os dados gerados pelo próprio website para melhorar a experiência do usuário e encontrar padrões, como páginas que demoram para carregar, seções mais visitadas, níveis de rejeição, entre outros.

Os dados podem ser usados na personalização de serviços para praticamente qualquer tipo de negócio, mas principalmente para os que operam online. Com eles, as empresas podem tratar os clientes como indivíduos. O mais importante, porém, é se certificar de que os dados sejam precisos.

Com a tecnologia na nuvem, o custo do big data tem reduzido, uma vez que as empresas não precisam arcar com o hardware para analisar informações em pequena escala. Tudo pode ser feito remotamente. Além disso, as aplicações tendem a ficar cada vez mais amigáveis para o usuário e mais acessíveis a empresas de todos os tamanhos.

Com Smart Data Collective

Como a análise preditiva é utilizada no mercado?

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.

Maneiras de gerenciar projetos de business analytics

O business analytics já serve a várias empresas do mundo todo, auxiliando no processo de tomada de decisões. À medida que os ambientes corporativos se tornam mais complexos e competitivos, gerentes precisam estar aptos a detectar e até prever tendências para responder a elas rapidamente.

Os projetos de business analytics são frequentemente caracterizados pelas exigências incertas e pelos altos riscos de implementação. Conheça as melhores práticas na hora de gerenciar projetos de business analytics:

Planejamentos que mudam durante o progresso do projeto

Diferente de projetos tradicionais, em business analytics não é possível ter um plano extremamente definido. Em vez disso, os planejamentos são trabalhados voltados para a execução. Quando se trata de business analytics, a maioria dos gerentes parte do princípio de que terão de mudar o planejamento à medida que o projeto seja executado.

Empresas e usuários sempre terão uma visão do que estão buscando alcançar com analytics – por exemplo, melhorar a resposta ao marketing direto, reduzir inventário ou aumentar a qualidade do serviço e a satisfação do consumidor enquanto controlam custos. Porém, o modo de alcançar esses objetivos é frequentemente incerto e envolve aspectos que só serão explorados no decorrer do projeto. O foco, portanto, não deve ser o planejamento original, mas a execução e a entrega.

Ver o valor em uso e o valor do aprendizado

Ao focar na execução e não no planejamento inicial do projeto, gerentes buscam adicionar valor a todo o ciclo de vida do projeto, não apenas no fim. O retorno do investimento é abordado como um processo e não como uma métrica de controle.

O conceito de “valor em uso” mede o valor em termos de como um dado ativo oferece benefícios a um proprietário sob um uso específico. A ideia é de que os ativos por si só não têm valor, mas apenas geram valor quando oferecem benefícios específicos aos seus proprietários ou usuários. Consequentemente, apenas quando uma aplicação ou modelo analítico está em uso, pode haver benefícios e custos reais a serem identificados. O objetivo é avaliar o valor do projeto de maneira rápida e precisa.

A ênfase na execução é a melhor maneira de tentar executar as boas ideias rapidamente em vez de tentar emplacar de vez o “plano perfeito”. Isso implica que o foco não seja a explicação de discrepâncias entre o plano e os resultados finais, mas aprender algo novo no curso da implementação que justifique alterações no plano.

Trabalhando para ganhar comprometimento

O engajamento de importantes usuários do negócio e outras partes interessadas é essencial durante o processo. É essencial que eles participem e não que sejam informados apenas depois de um fato. A importância de explicar ou esclarecer o pensamento por trás de uma decisão ou, neste caso, a aplicação ou modelo analítico, não pode ser subestimado. O maior risco é o de que os responsáveis por tomar decisões na empresa não entendam as suposições da análise ou do modelo e tentem aplicá-lo onde ele não é aplicável.

Confiar em experimentos inteligentes

A experimentação é um elemento chave em dados, principalmente no processo de aprendizado. A qualidade da experimentação tem uma forte influência na extensão do sucesso do projeto. Experimentos bem projetados precisam de objetivos claros, o que exige observação, especificação de perguntas a que o experimento deve responder e o cenário em que está inserido. Hipóteses dos resultados esperados também fazem parte do processo, que é bem semelhante ao do método científico.

Com MIT Sloan Management Review