É um processo que, se bem orquestrado e conduzido, vai gerar valor significativo. Vale a pena ir em frente
Observando as iniciativas de Big Data nas empresas, identificamos dois erros comuns. O primeiro é adquirir tecnologia antes de saber claramente o que vai ser feito com ela. E outro, é começar com uma montanha de dados e, então, tentar descobrir alguma coisa, analisando-os.
A questão principal é que o sucesso das iniciativas de Big Data & Analytics depende primordialmente de uma clara definição da visão e escopo do problema (as perguntas que devem ser respondidas) e o consequente valor gerado, que são as respostas às perguntas e as suas subsequentes ações. Os conhecidos Vs de volume, velocidade, variedade e veracidade são meios para se chegar ao valor da visão proposta.
O que queremos é transformar dados em informação e, estas, em insights que gerem respostas e ações. Quanto mais precisa for a pergunta (o problema de negócio a ser resolvido e seu escopo) mais precisa e valorizada será a resposta.
E, claro, uma vez respondido, o que fazer? O problema geralmente será resolvido não apenas com os insights gerados, mas com as ações derivadas destes insights.
O que recomendo? Primeiro entender claramente o contexto do negócio (como estratégia e prioridades) e os problemas que se pretende atacar com o projeto de Big Data. Com certeza existem muitas áreas onde análise sistemática de dados poderá contribuir muito, mas como os recursos não são infinitos, é necessário priorizar e escolher a iniciativa que será mais efetiva para a empresa. Uma vez concluída esta primeira iniciativa, passe para a segunda opção e assim sucessivamente. Muito provavelmente Analytics não será um projeto único, mas uma ação contínua.
Com o problema bem definido, passe para os dados. Que dados serão necessários para que a resposta seja alcançada? Imagine um cenário hipotético onde todos os dados que você precisa estão disponíveis. A partir da identificação dos dados necessários, passe para o mundo real. Quais os dados realmente disponíveis? Estão dentro de casa ou fora? São acurados? Podem ser utilizados sem nenhuma violação da legislação para sua indústria? Começamos a perceber que são projetos iterativos, uma vez que se algum dado não estiver disponível talvez tenhamos que rediscutir o escopo.
A próxima etapa é definir algoritmos e tecnologias necessárias. Algoritmos, por exemplo, quando aplicados corretamente, podem gerar vantagens competitivas. O exemplo clássico do algoritmo de recomendações da Amazon é emblemático. Uma ideia simples: “porque não recomendar livros específicos, baseados nas preferências individuais dos leitores que compram na Amazon?”.
Entramos então em um aspecto interessante do conceito de Big Data: correlação de dados. Correlação é um relacionamento estatístico entre dois dados diferentes. Uma correlação é forte quando se um dado muda, o outro muito provavelmente também mudará. E é fraca, quando se um dado mudar, o outro muito provavelmente não será afetado, como por exemplo um aumento na venda de manteiga não implicará no aumento do numero de divórcios…. Observem que correlação não é certeza, mas probabilidade estatística. Quando aplicamos técnicas preditivas não conseguiremos desenhar o futuro, apenas prever que haverá possibilidade maior ou menor, de um evento acontecer.
Fazer previsões implicará, provavelmente, em ter um debate interessante pela frente, quando aspectos éticos e legais forem considerados. Um exemplo é o filme “Minority Report” onde a polícia prendia uma pessoa antes que ela cometesse um assassinato, baseado em predições. Será válido prender alguém antecipadamente, mesmo com 99,9% de chance dela cometer o assassinato? Novamente, predição não é certeza, mas probabilidade estatística…
Um efeito colateral das correlações é que, possivelmente, quebraremos algumas percepções arraigadas, que à luz de dados vão se mostrar erradas. Muitas destas percepções foram geradas pela pouca quantidade de dados disponíveis e estruturadas pela nossa maneira de pensar em termos de causalidade. Quando trabalhamos com correlações e um volume e variedade muitas vezes superior a que trabalhávamos antes, provavelmente novos insights serão gerados. Vamos focar mais em dados e menos em intuição, embora intuição não vá desaparecer. Intuição + insights gerados por dados pode ser uma fórmula diferenciadora…
A etapa final do projeto é a sua implementação, ou seja, a geração de dados corretos, a operação dos algoritmos em cima deles e a ação à luz dos resultados obtidos. Muitas vezes esta ação significa alterar processos internos. Por exemplo, vamos imaginar uma empresa de seguro saúde identifiques uma correlação entre o número de mensagens postadas no Facebook, o número de reclamações ao seu sac e uma posterior reclamação à agência reguladora. Se ela simplesmente responder de forma isolada, caso a caso, não vai eliminar o problema. A solução definitiva será alcançada quando os processos que geram as reclamações forem modificados, para que estas sejam minimizadas.
Em resumo, a maioria das empresas está no inicio da sua curva de aprendizado no uso de Big Data. É um processo de tentativa e erro, que se bem orquestrado e conduzido vai gerar valor significativo. Vale a pena ir em frente. Aliás, por que esperar?
(*) Cezar Taurion é CEO da Litteris Consulting, autor de seis livros sobre Open Source, Inovação, Cloud Computing e Big Data
Fonte: CIO