Por ser algo relativamente novo, o Data Science gera muitas dúvidas, em especial na sua implementação e entendimento. Em linhas gerais, a empresa se beneficia do DS quando os processos e sistemas são extraídos das ideias vindas dos recursos tecnológicos e adicionados aos processos internos e externos.
Nesse contexto, os dados passam a ser o interesse maior, sejam eles gerados pelo negócio ou fruto de pesquisas, incluindo os seguintes campos ou habilidades: compressão de dados, programação de hardwares e softwares, inteligência artificial, uso adequado do Big Data, computação de alto desempenho, entre outros.
A implementação do Data Science no negócio exige, portanto, preparo e recursos para o melhor aproveitamento das ferramentas e técnicas relacionadas ao seu uso. Continue a leitura e veja dicas de como ter o melhor aproveitamento em sua empresa.
1- Estabeleça um plano de ação
Um plano de ação começa com a avaliação do conhecimento, dos profissionais e do nível dos envolvidos nesse processo. Além disso, devem ser verificadas informações tais como volume de dados gerados, recursos tecnológicos e demais fatores relacionados à operação científica da organização.
É importante adicionar metas e objetivos, projeções e quais formas serão utilizadas para mensurar os resultados a partir das ações com o Data Science, bem como o nível de interação com outras áreas e previsão das capacitações necessárias para os cientistas de dados.
2- Monte uma equipe de Data Science
O Data Science requer profissionais com habilidade de extrair, analisar e gerar insights dos dados. Em linhas gerais, há duas opções: contratar um cientista experiente ou direcionar os recursos para uma equipe de Data Science Júnior.
A vantagem da primeira opção é que é possível somar ao negócio o conhecimento, habilidade, network e experiência do profissional. Devido à sua expertise, ele vai entregar resultados com maior rapidez e resolver problemas. Em contrapartida, pode apresentar um comportamento menos flexível, adotando soluções anteriores, além de requerer, em geral, um maior investimento.
A segunda opção é válida quando o grupo de cientistas é menos experiente, mas com membros talentosos e motivados, com habilidades que se complementam. Uma equipe de três profissionais já pode ser suficiente, se as condições acima forem cumpridas e eles apresentarem as qualificações necessárias.
Vamos ao seguinte caso: você tem três profissionais à disposição, e um deles possui habilidades com foco na codificação de databases; o segundo, em stats and analytics; e o terceiro, em visualisation. Juntos já podem trazer grandes benefícios à organização, com a vantagem de aprendizado, compartilhamento de ideias, trabalho em equipe, etc.
3- Implemente Métricas e Analytics
Métricas devem ser repetíveis, confiáveis e realizadas em tempo hábil. Elas são essenciais para que o negócio seja capaz de avaliar se seus esforços estão contribuindo de fato para os objetivos fundamentais da sua instituição.
Esse é um dos maiores fatores para o aumento da eficiência. É também uma oportunidade de avaliar o seu progresso em relação às práticas e técnicas anteriores. Aproveite para compartilhar essas informações com os outros membros do time, a fim de promover um melhor engajamento e auxiliar na revisão de processos.
4- Colete dados
Utilize tanto elementos internos quanto externos e, mais que gerar informações, promova a interação entre eles. Avalie quais volumes de dados podem ser aplicados ao seu banco, mas tenha em mente que o intuito não é reunir o máximo de informação: o objetivo é agregar os conceitos mais relevantes para o seu negócio.
5- Seja curioso
Esteja disposto a se aprofundar em suas informações para encontrar abordagens, correlações e outros resultados, sobretudo aqueles inesperados. Não tenha medo de fazer perguntas e utilizar os dados para testá-lo.
Os pontos apresentados e o processo de desenvolvimento e administração do Data Sicense certamente ajudarão a ver onde você está e como os dados podem auxiliá-lo a chegar aonde deseja.
Agora você entende mais sobre como ter resultados efetivos com o Data Science. Aproveite e assine nossa newsletter para acompanhar todas as novidades do campo do Big Data!
Materia muito interessante
Obrigada pelo artigo 🙂 Acho que eu tenho uma equipe que pode obter cada sucesso 🙂 Mas sem kanbantool.com, nao conseguimos arranjar e controlar todas tarefas. Ferramentas digitais podem ajudar bastante – tal como manager ou teamledaer, mas mais suave 🙂 Eu planejo o dia do trabalho com kanban e todas tarefas sao cumpridas. Eu sei que nao cada um gosta trabalhar assim, mas comigo funciona 🙂
Parabéns por trazer a CRISP-DM de volta ao tablado. O “produtocentrismo” que assola o mercardo de BI pressiona os players a comprar o último brinquedo, a seguir a última moda, quando quase tudo que tem algum uso prático já existe há décadas – como o CRISP-DM
Seria legal um artigo um artigo comparando-o com SEMMA. Pode ser muito interessante para quem entrou na área há menos de 20 anos.
Gostaria de entender se a utilização da Big data nas empresas gera algum tipo de desvantagem nas pessoas que lá trabalham ?
Sobre o comentário do João Kechichian, concordo em relação às empresas não terem claro o que querem, e concordo com o Leandro sobre a abordagem de “Qual o seu problema” para dar as sugestões.
Mas vale ressaltar que as empresas não conseguem identificar o que querem por não terem claro um Planejamento Estratégico e objetivos bem descritos. Isso facilita muito perceber quais indicadores serão necessários acompanhar para atingir os resultados esperados.
Bom dia,
Há muita diferença das versões do livro The Data Warehouse Toolkit?
Vejo que ele esta na 3 edição.
Posso comprar apenas a 3 ou devo comprar todas?
Oi Marcos!
Há algumas atualizações com conceitos mais atuais. Não precisa comprar todas as edições não, apenas a 3a já cobre tudo que precisa.
Sim e não. A maior diferença é entre a primeira edição e as restantes. Da segunda edição em diante, quando a Margy Ross assumiu o livro, é tudo mais ou menos o mesmo.
A primeira edição, que por acaso chegou a ser publicada em português, é a melhor, na minha opinião. Ela é mais concreta, menor e mais focada. Se conseguir achá-la, compre. Vale ouro.
eu precisava para compor você uma pouco de note ajudar diga obrigado again com o extraordinário conselhos você compartilhado nesta página . Foi certamente maravilhosamente generoso com você dando abertamente tudo o que muitas pessoas {poderiam ter | poderiam possivelmente ter | poderiam ter | teriam | distribuído para um ebook para gerar alguma massa para eles mesmos , especialmente considerando que you poderia ter tried it se você nunca desejado . Those estratégias também agido como outras pessoas tenha semelhante desire como my own entender bom negócio mais relacionado este assunto . Eu tenho certeza há alguns mais agradáveis ocasiões ahead para pessoas que ver seu site
[…] de BI — Business Intelligence ou, traduzindo, Inteligência Empresarial — é justamente o diferencial que uma empresa precisa para tratar dados gerados por vários meios. Veja alguns contextos que podem servir de […]
[…] para aumentar seu lucro ou diminuir seus custos operacionais. Esse é o conceito básico de Business Intelligence utilizado como diferencial […]
Olá Leandro.
Acredito que o potencial da área de Business Intelligence dentro das empresas pode ser maior do que se imagina hoje.
Trabalho com consultoria de B.I. para agencias e empresas, e enfrentamos diariamente dois grandes problemas.
1- Padronização dos dados: Como utilizamos muitas fontes de dados, todo o processo, desde o que a implementação, até a parte operacional, precisa ser muito bem estruturada. Sem o padrão das informações perde-se muito tempo com “correção”, sendo que “tempo” não é o que temos para identificar um padrão, pois no dia seguinte ele pode mudar se não o tratarmos.
2- Pessoas que não sabem o que querem: Corporações não sabem o que querem, logo querem tudo. O problema é que sabemos que não tudo não é necessário, se consegue identificar padrões e otimizações com metade do volume. Sendo assim o processo de otimização passa a ser inteligente para ser operacional.
O futuro da área esta encaminhando para segmentações e clusterizações dinâmicas para analise de Big Data, mas se o processo de todos envolvidos precisa ser muito bem desenhado e a área de B.I. precisa ter este knowhow também.
Obrigado e muito bom seus artigos.
Oi João, obrigado pelo seu comentário! Concordo com você!
Realmente, a padronização dos dados é o ponto mais sensível mesmo. Aqui estimamos em torno de 60% a 70% do tempo em um projeto de BI apenas para esta parte.
Sobre as pessoas não saberem o que querem, aqui vemos como uma certa vantagem. Muitas vezes não é nem exatamente não saber o que querem, mas não saberem o que é possível fazer. Com isso, parte do nosso trabalho aqui é exatamente entender do que o cliente sofre aí então sugerir algumas coisas. Tentamos não ir para uma abordagem de “o que você quer” mas sim de “quais são seus problemas”.
Isso me deu até a ideia de criar um post focado nisso, vou deixar anotado para o futuro!
Existe uma técnica chamada Árvore de Realidade Presente, da Teoria das Restrições, que lida justamente com essa barafunda de problemas e entendimentos. Eu experimentei a mesma frustração que você, João, e decidi resolver esse problema. A imagem https://geekbi.files.wordpress.com/2020/10/bi_toc-crt-x.png é um resumo do que eu tenho até agora.
Adoraria uma contribuição. “O cliente não sabe o que quer” já está lá. “Dados são sujos” e “Dados são bagunçados” me parecem boas adições.
O que você acha? E você, Leandro?