Em 2016 o mundo acompanhou atentamente a vitória de Trump nas eleições de um dos países mais poderosos do mundo, os EUA (Estados Unidos da América). Donald Trump já era conhecido mundialmente por ser um empresário de sucesso — e polêmico. Talvez, por isso sua vitória tenha causado tanto “barulho” mundo à fora.
E se você está se perguntando por que estamos falando da vitória de Trump, a resposta é que ela acabou sendo um bom exemplo da aplicação do big data e da ciência de dados nos negócios. Nesse caso, na política. Continue acompanhando para entender melhor.
Vitória de Trump, análise de dados e big data
Você já ouviu falar de psicometria? Esse é um ramo da psicologia que lida com os dados, e uma empresa com sede em Londres, a Cambridge Analytica, atribuiu ao uso desse método a vitória de Trump nas eleições norte-americanas.
As previsões tradicionais dos principais estatísticos dos EUA não apontavam o candidato como vencedor, mas a empresa britânica de marketing político não se importou com isso, e Trump contrariou as estatísticas.
Em linhas gerais, a técnica de psicometria aplicada no caso Trump avaliou a psicologia dos eleitores, com base em cinco traços de personalidade:
- abertura: que indica o quanto você está para novas experiências;
- conscienciosidade: traço que demonstra o quão perfeccionista você é;
- extroversão: indica seu grau de socialização;
- afabilidade: mostra quão atencioso e cooperativo você é;
- neuroticidade: demonstra se você se aborrece facilmente ou não.
Com base nessas dimensões são identificadas as necessidades e medos das pessoas, assim como sua tendência de comportamento. Com isso, é possível direcionar ações de marketing, discursos e planos de governo para satisfazer e convencer o público de interesse.
Embora essa técnica tenha surgido na década de 80, foi com o big data e as redes sociais que ela ganhou força. E a vitória de Trump é a prova disso. Por que estamos usando a vitória de Trump como exemplo? Para mostrar a você que a análise de dados precisa estar nas prioridades da sua empresa.
Análise de dados e big data nos negócios
Como uma rede varejista vai identificar quais produtos devem ser oferecidos para determinada região ou nicho de mercado? E como uma distribuidora de alimentos ou bebidas vai analisar padrões para suprir o mercado mais adequadamente?
Por meio do BI (Business Intelligence), que também é uma ferramenta já conhecida no mercado, mas que ganha ainda mais força com o big data.
Agora, o BI traz para as empresas a possibilidade de analisar, além dos dados transacionados pela organização, as informações de seus potenciais clientes em outras plataformas de presença digital, como as redes sociais.
Ao juntar esses dados na plataforma de BI, sua empresa pode contar com dashboards (painéis) intuitivos e personalizados para o seu negócio e analisar informações cruciais para a tomada de decisão. Com a ferramenta certa, você poderá, inclusive, compreender padrões comportamentais e trabalhar com previsões estatísticas muito precisas.
Se você ainda não está usando BI e análise de dados, corra, senão poderá perder as eleições para concorrência.
O que você achou da vitória de Trump e do uso da ciência de dados nas eleições norte-americanas? E sua empresa, já usa análise de dados e BI nos negócios? Deixe seu comentário no blog.
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?
[…] para aumentar seu lucro ou diminuir seus custos operacionais. Esse é o conceito básico de Business Intelligence utilizado como diferencial […]
[…] 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 […]
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
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.
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.
Gostaria de entender se a utilização da Big data nas empresas gera algum tipo de desvantagem nas pessoas que lá trabalham ?
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.