Combate ao coronavírus e BI, você já parou para pensar se há alguma relação entre eles? Se você está acompanhando as notícias sobre a pandemia, certamente está ouvindo falar sobre diversos dados e previsões sobre o impacto dela. Sabe qual é a principal ferramenta por trás dessas análises? O Big Data, a mesma utilizada no Business Intelligence para gerar insights corporativos.
Pois é, a mesma ferramenta que potencializa o controle das infecções também está presente diariamente no cotidiano empresarial para melhorar as operações. Graças a ela, gestores de saúde e de empresas podem tomar as melhores decisões. Quer saber mais? Acompanhe!
O começo da história: como identificar uma pandemia
Todos os anos, surgem algumas infecções que potencialmente podem se transformar em pandemias. Por isso, a Organização Mundial de Saúde tem um programa de vigilância que monitora a evolução das doenças. O primeiro passo é monitorar continuamente as infecções comunitárias comuns. Com isso, podemos compreender o padrão de transmissão dos micro-organismos.
Com o Big Data, várias análises e regressões estatísticas podem ser feitas para verificar a evolução temporal de indicadores, como:
- taxa de mortalidade;
- taxa de internação;
- taxa de internação em UTI
- taxa de morbidade, etc.
Além disso, o Big Data permite a análise de informações demográficas e o histórico de saúde. Dessa forma, podem ser encontrados padrões importantes para a identificação de grupos de risco, como idosos e grávidas.
A partir disso, sempre que um novo vírus ou uma nova mutação é encontrada, há uma comparação do comportamento das curvas de seus indicadores com os das infecções já conhecidas.
Se for encontrado um padrão preocupante em relação à infectividade, à mortalidade e às complicações, inicia-se uma vigilância próxima dos casos. No caso do COVID-19, em 13 de março de 2020, as análises de dados da OMS indicaram que havia de fato uma pandemia.
O alerta de pandemia
Foi o que aconteceu na China no início da Pandemia do COVID-19. Em dezembro de 2019, o país notificou a OMS a respeito de casos de pneumonias graves por um agente, até então, desconhecido.
Assim, as autoridades sanitárias perceberam rapidamente que o vírus era altamente infeccioso e que as taxas de mortalidade e internações eram superiores às da gripe comum. Com análises preditivas de Big Data, perceberam que, em poucos meses, ela poderia se difundir pelo planeta e causar mais de 500.000 mortes.
No entanto, na época, os casos estavam limitados à província de Wuhan e somente medidas locais foram tomadas. A partir disso, o trabalho era de observação. Todos os dados sobre os casos deveriam ser acompanhados em tempo real. Com os relatórios e alertas fornecidos pelo Big Data, seria possível saber o momento em que o temor de uma pandemia se efetivaria.
Taiwan: um case de sucesso sobre coronavírus e BI
Sabendo o poder dos dados para a tomada de decisão em saúde, as autoridades de Taiwan utilizaram a tecnologia para prevenir o vírus. Todo viajante internacional que chegava à ilha tinha de responder um formulário a respeito de viagens recentes e histórico de saúde.
As pessoas sintomáticas ou que viajaram para áreas de risco foram destinadas para a quarentena. Com os smartphones deles, o governo verificava o cumprimento da medida.
Além disso, iniciou-se uma busca ativa por casos de infecção respiratória no último mês. Quem teve sinais e sintomas mais graves, mas com resultados negativos para o vírus Influenza, era testado para o coronavírus. Assim, a partir da análise automatizada de prontuários eletrônicos, 113 pessoas foram convocadas e apenas uma delas teve resultado positivo.
A paciente 31
Pode parecer pouco, mas, no caso do COVID-19, isso é suficiente para disseminar localmente a doença. Na Coreia do Norte, uma única infectada, a paciente 31, foi responsável pela transmissão a, pelo menos, 37 pessoas. Por isso, foi apelidada de “supertransmissora”.
Novamente, o Big Data teve papel essencial, pois foi capaz de identificar que muitos infectados tinham tido alguma forma de contato com a “paciente 31” em cultos religiosos.
A partir disso, em Taiwan, o paciente positivo foi isolado, assim como todos os casos suspeitos. Prevendo o impacto socioeconômico da crise, o preço dos equipamentos de proteção foi congelado e os fundos do governo foram direcionados para a produção de máscaras.
Todas as decisões foram feitas com base em dados analisados por Big Data a fim de estimar precisamente todas as demandas. Com isso, uma infraestrutura de isolamento com 1100 salas de isolamento, mais de 44 milhões de máscaras cirúrgicas e 1,9 milhões de máscaras N95 foram estocadas. Com isso, mesmo fazendo parte da República da China, Taiwan foi capaz de ter uma das menores taxas de infecção.
Portanto, a prevenção populacional contra o coronavírus e BI utilizam o poder dos dados para identificar tendências e planejar a alocação de recursos de forma otimizada. Assim como os agentes governamentais, as empresas também têm de começar a utilizar essa tecnologia para avaliar o impacto da crise e tomar medidas para prevenção de perdas.
Você gostou desse texto? Então, assine a nossa newsletter para receber mais conteúdos como esse.
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.