Qual o futuro da análise de dados e analytics?

Ao utilizar a Análise Aumentada o cientista de dados será capaz de fornecer análises avançadas, explorando os dados mais relevantes ao valor do negócio

Diariamente, o volume e a disponibilidade de dados aumentam exponencialmente, o que torna as tomadas de decisões cada vez mais complexas. Para resolver esse problema, desponta a Análise Aumentada, com objetivo de transformar o modo como um conteúdo é desenvolvido, consumido e compartilhado.

Basicamente, a Análise Aumentada, é a automatização de todo o processo prévio à análise de dados realizada pelo cientista de dados. Com alto poder tecnológico, pela a associação do Machine Learning com a Inteligência Aumentada, sua capacidade permite a coleta, limpeza e preparação de um grande volume de dados, sendo capaz de identificar padrões ocultos e disponibilizar insights baseados em análises descritivas e preditivas.

Segundo dados do Gartner, a estimativa hoje, é de que um cientista de dados gaste cerca de 80% do seu tempo de trabalho reunindo, preparando e limpando os dados. Ao utilizar-se da Análise Aumentada o cientista de dados será capaz de fornecer análises avançadas, explorando os dados mais relevantes ao valor do negócio, uma pequena fração do tempo gasto atualmente.

Ferramentas de Análise Aumentada podem ainda incluir o processamento de linguagem natural e interfaces de conversação, permitindo que os usuários interajam com dados e insights, guiando as organizações a melhorarem sua produtividade e outros aspectos essenciais de suas operações.

Ainda, segundo o Gartner, até 2020, a análise aumentada será um fator dominante para novas compras de BI, plataformas de ciência de dados e machine learning. Até 2021, a análise de conversação e o processamento de linguagem natural (PLN) impulsionarão essa metodologia, levando a adoção da tecnologia a quase 50% das empresas.

Os gestores de dados, que planejam adotar análises aumentadas para modernizar as soluções, devem se preocupar com os seguintes itens:

Piloto e validação: identifique onde a automação de algoritmos pode detectar padrões nos dados para reduzir a exploração na fase de análise e melhorar a produtividade dos cientistas de dados altamente qualificados, reconhecendo que ainda precisam validar modelos, descobertas e aplicações;

Escale em toda a empresa: eduque os líderes empresariais e tomadores de decisão sobre o potencial impacto transformacional que a análise aumentada pode ter e se usada por um público mais amplo. Também desenvolva diretrizes para o uso apropriado de ferramentas e recursos de análise aumentada, com ênfase em pessoas e processos;

Mitigue a interpretação incorreta do usuário: use ferramentas de análise aumentada para confirmar ou contestar as descobertas, a partir, das interpretações realizadas por humanos. Além disso, recrute pessoas com habilidades analíticas em todas as funções da empresa para agilizar o processo de adoção;

Avalie os fornecedores: familiarize-se e monitore os recursos analíticos dos fornecedores de plataformas de análise e BI, ciência de dados, ML e de preparação de dados de autoatendimento, assim como startups emergentes à medida que amadurecem;

Explore oportunidades: para complementar as iniciativas existentes de análise e dados, teste as análises aumentadas para problemas de negócios de alto valor que atualmente exigem análise manual demorada;

Construa confiança em modelos assistidos por máquina: promova a colaboração entre cientistas especialistas em dados e usuários para testar e provar o valor. Entenda as limitações dos modelos assistidos por máquina, que funcionam melhor com algoritmos comprovados versus técnicas avançadas;

Melhoria contínua: Avalie continuamente a configuração inicial, a preparação dos dados, a abertura, modelos, número de variáveis suportadas, a gama de algoritmos e a precisão do modelo adotado.

Leonel Nogueira é CEO da Global TI