Esse ano foi bem at\u00edpico – usando um eufemismo dos bons. E nesse novo normal que 2020 trouxe, a produ\u00e7\u00e3o, a troca e o consumo de dados pela rede alcan\u00e7ou \u00edndices que espantaram at\u00e9 os cientistas de dados mais experientes.<\/p>\n\n\n\n
Ningu\u00e9m esperava, somente aconteceu. <\/p>\n\n\n\n
E aqui na MJV n\u00f3s acreditamos que toda crise tem dois lados: risco e inova\u00e7\u00e3o; inseguran\u00e7a e oportunidade. Voc\u00ea precisa escolher se embarca na inova\u00e7\u00e3o ou se fica preso a um passado que, sentimos dizer, n\u00e3o existe mais.<\/p>\n\n\n\n
O futuro ser\u00e1 de mudan\u00e7as, de ecossistemas, de colabora\u00e7\u00e3o, de antecipa\u00e7\u00e3o de cen\u00e1rios. E, claro, dos dados. Eles s\u00e3o onipresentes e inevit\u00e1veis. E definitivamente n\u00e3o s\u00e3o para amadores. <\/p>\n\n\n\n
Mas, calma, n\u00e3o h\u00e1 motivo para p\u00e2nico! Voc\u00ea pode embarcar na Era de Mudan\u00e7as sem medo. Basta escolher a embarca\u00e7\u00e3o correta. E uma delas, n\u00f3s garantimos, \u00e9 o Data Science. Vamos explicar melhor. Fica aqui com a gente!<\/p>\n\n\n\n
Sabe aquela c\u00e9lebre frase \u201cn\u00e3o \u00e9 feiti\u00e7aria, \u00e9 tecnologia\u201d? Cai como uma luva na defini\u00e7\u00e3o do que \u00e9 Data Science. Mas vamos para um defini\u00e7\u00e3o mais espec\u00edfica. <\/p>\n\n\n\n
Data Science \u00e9 uma ci\u00eancia interdisciplinar que lida com a aquisi\u00e7\u00e3o de conhecimento a partir de dados. Em termos empresariais, gera informa\u00e7\u00f5es para tomadas de decis\u00f5es mais assertivas, melhora a efici\u00eancia de processos e cria insumos para projetos de constru\u00e7\u00e3o de produtos e servi\u00e7os. <\/p>\n\n\n\n
Historicamente, o termo foi usado pela primeira vez em 1960 pelo pioneiro dinamarqu\u00eas da computa\u00e7\u00e3o Peter Naur. Por\u00e9m, foi utilizado como sin\u00f4nimo de \u201cci\u00eancia da computa\u00e7\u00e3o\u201d.<\/p>\n\n\n\n
Em 2001, o cientista de computa\u00e7\u00e3o americano William S. Cleveland come\u00e7ou a defender Data Science como uma disciplina independente. Cleveland desmembrava esse conceito em especialidades: <\/p>\n\n\n\n
Hoje, obviamente a defini\u00e7\u00e3o de Data Science \u00e9 muito mais ampla do que h\u00e1 50 anos atr\u00e1s. Podemos dizer que est\u00e1 em uma interse\u00e7\u00e3o entre as \u00e1reas de ci\u00eancias da matem\u00e1tica (principalmente estat\u00edstica) e ci\u00eancia da computa\u00e7\u00e3o. <\/p>\n\n\n\n\n\n
Em tempos de transforma\u00e7\u00e3o digital<\/a>, agilidade e press\u00e3o competitiva, \u00e9 importante tomar as decis\u00f5es corretas de forma r\u00e1pida e proativa. A intelig\u00eancia comercial forma a base para dados utiliz\u00e1veis. <\/p>\n\n\n\n Em momentos de crise, como este, s\u00f3 h\u00e1 uma solu\u00e7\u00e3o: <\/p>\n\n\n\n aplicar a\u00e7\u00f5es que mantenham as organiza\u00e7\u00f5es resilientes para atravessar as incertezas. <\/em><\/strong><\/p>\n\n\n\n N\u00e3o adianta ter uma tomada de decis\u00e3o estrat\u00e9gica se ela n\u00e3o for verdadeiramente r\u00e1pida e eficaz para seus clientes. E lembre-se: s\u00e3o eles o maior e mais precioso ativo da sua empresa. E como fazer isso? A resposta voc\u00ea j\u00e1 sabe: dados<\/strong>!<\/p>\n\n\n\n A ci\u00eancia de dados, em conjunto com a an\u00e1lise preditiva, permite que as empresas obtenham informa\u00e7\u00f5es detalhadas sobre seus dados e criem previs\u00f5es futuras. Em um mundo com crescentes inunda\u00e7\u00f5es de dados, a an\u00e1lise de dados est\u00e1 se tornando cada vez mais importante. <\/p>\n\n\n\n \u2192 Leia tamb\u00e9m: <\/strong>7 insights de Data Science para entender o conceito<\/a>!<\/p>\n\n\n\n N\u00e3o precisamos nem dizer que Data Science n\u00e3o diz respeito somente aos departamentos de TI, certo? A essa altura, voc\u00ea j\u00e1 sabe que isso n\u00e3o procede.<\/p>\n\n\n\n Hoje, quantidades exponenciais de dados s\u00e3o avaliadas por meio das ferramentas e dos m\u00e9todos da data science, favorecendo empresas dos mais variados segmentos do mercado. A seguir, confira um breve resumo de alguns deles.<\/p>\n\n\n\n As empresas de varejo se beneficiam da ci\u00eancia de dados analisando o comportamento de compra do cliente. Elas conseguem, por exemplo, examinar as poss\u00edveis causas da n\u00e3o fideliza\u00e7\u00e3o, e, assim, trabalham para reverter esses \u00edndices negativos.<\/p>\n\n\n\n No setor de sa\u00fade, a ci\u00eancia de dados permite a cria\u00e7\u00e3o de an\u00e1lises de similaridade como base para o tratamento individualizado dos pacientes e a otimiza\u00e7\u00e3o dos medicamentos.<\/p>\n\n\n\n As empresas de log\u00edstica usam Data Science para melhorar seus processos de trabalho e a qualidade de seus servi\u00e7os de transporte. <\/p>\n\n\n\n Na ind\u00fastria, cientistas de dados controlam e otimizam os processos de fabrica\u00e7\u00e3o, armazenamento e distribui\u00e7\u00e3o de produtos.<\/p>\n\n\n\n As companhias de seguros e os bancos usam a ci\u00eancia de dados para explorar o potencial de seus dados externos e internos para melhorar seus produtos e servi\u00e7os e aumentar o sucesso de vendas.<\/p>\n\n\n\n Ok, n\u00f3s te convencemos da import\u00e2ncia do Data Science e voc\u00ea quer traz\u00ea-lo para a realidade da sua corpora\u00e7\u00e3o. \u00c9 simples, mas ser\u00e1 preciso seguir alguns passos que ser\u00e3o o arcabou\u00e7o dessa virada de chave.<\/p>\n\n\n\n Depois desses 7 passos, passamos para a parte 2 (no pr\u00f3ximo t\u00f3pico). Confira!<\/p>\n\n\n\n Comece empregando o Design Thinking para elaborar o projeto de Data Science. Essa abordagem ajuda a identificar quais s\u00e3o os problemas que ser\u00e3o tratados por meio da ci\u00eancia de dados \u2014 muitas vezes, as equipes n\u00e3o conseguem elaborar\/verbalizar quais s\u00e3o seus reais problemas.<\/p>\n\n\n\n Com o Design Thinking, \u00e9 poss\u00edvel trazer o time para uma mentalidade proativa e de m\u00e1xima consci\u00eancia de uma maneira que poder\u00edamos chamar at\u00e9 de \u201cl\u00fadica\u201d. <\/p>\n\n\n\n Outra dica:<\/strong> com pr\u00e1ticas \u00e1geis<\/a>, voc\u00ea pode colocar o usu\u00e1rio no centro do processo, permitindo a cria\u00e7\u00e3o de solu\u00e7\u00f5es mais assertivas. Elas s\u00e3o o eixo de uma segmenta\u00e7\u00e3o do escopo das tarefas para antecipar entregas, gerando, por exemplo, uma percep\u00e7\u00e3o de valor mais r\u00e1pida ao cliente.<\/p>\n\n\n\n \u2192 Saiba mais:<\/strong> Design Thinking: o primeiro passo para a cria\u00e7\u00e3o de um bra\u00e7o de Data Science na sua empresa<\/a>!<\/p>\n\n\n\n Fa\u00e7a o rastreamento adequado e a coleta de dados. Tenha em mente que \u00e9 importante identificar quais dados t\u00eam valor e como eles podem ser empregados.<\/p>\n\n\n\n Como um trabalho altamente t\u00e9cnico, o armazenamento dos dados requer infraestrutura adequada. <\/p>\n\n\n\n Lembre-se:<\/strong> com a computa\u00e7\u00e3o em nuvem, esse \u00e9 um processo que pode ser simples, barato e muito eficiente. <\/p>\n\n\n\n Basicamente, voc\u00ea e sua equipe precisam fazer a separa\u00e7\u00e3o do joio do trigo. Isso requer identifica\u00e7\u00e3o dos dados de valor e facilidade para eliminar aqueles que n\u00e3o agregam nada \u00e0 estrat\u00e9gia. <\/p>\n\n\n\n Para essa limpeza, voc\u00ea pode utilizar ferramentas automatizadas (de Big Data), j\u00e1 amplamente dispon\u00edveis no mercado.<\/p>\n\n\n\n Na an\u00e1lise, \u00e9 importante empregar as melhores pr\u00e1ticas de an\u00e1lise de dados (preditivas, prescritivas, diagn\u00f3sticas etc.). Esse \u00e9 um processos que tamb\u00e9m requer ferramentas especializadas, mas, sobretudo, profissionais especializados. <\/p>\n\n\n\n Solu\u00e7\u00f5es de visualiza\u00e7\u00e3o de dados (BI, Analytics etc.) s\u00e3o tamb\u00e9m muito importantes em sua estrat\u00e9gia de Data Science. Com elas \u00e9 poss\u00edvel visualizar os dados de maneira gr\u00e1fica, o que ajuda nos insights.<\/p>\n\n\n\n Da mesma forma, \u00e9 importante educar os executivos para a tomada de decis\u00e3o a partir dos dados (fomentar o mindset anal\u00edtico), por meio de uma comunica\u00e7\u00e3o estrat\u00e9gica.<\/p>\n\n\n\n Por fim, uma estrat\u00e9gia em que a Data Science \u00e9 o alicerce requer decis\u00f5es orientadas por dados. Tamb\u00e9m aqui o mindset \u00e9 fundamental, afinal, de nada adianta ter o melhor ferramental se os decis\u00f5es n\u00e3o forem capazes de agir com base nas an\u00e1lises geradas. <\/p>\n\n\n\n Voc\u00ea j\u00e1 sabe que atender seu cliente \u00e9 importante. O dif\u00edcil \u00e9 responder:<\/p>\n\n\n\n \u00c9 a\u00ed que entra a m\u00e1gica do Data Science<\/strong>: usar os dados para acertar bem no alvo<\/strong>! <\/p>\n\n\n\n Aqui na MJV utilizamos 3 passos fundamentais para obter efici\u00eancia e sucesso nos projetos de Data Science. <\/p>\n\n\n\n A governan\u00e7a \u00e9 muito importante porque estamos em um processo para entender como os dados v\u00e3o ser utilizados. Para isso, estamos imersos em LGPD – que trataremos mais adiante -, que entrar\u00e1 em vigor nos pr\u00f3ximos meses. <\/p>\n\n\n\n Entendemos que os dados s\u00e3o importantes para serem utilizados por clientes e por outras empresas, mas isso precisa ser governado porque existe toda uma quest\u00e3o de privacidade do usu\u00e1rio e quais s\u00e3o as informa\u00e7\u00f5es que ele quer disponibilizar (deixando abertas na rede). <\/p>\n\n\n\n Por isso, o primeiro passo \u00e9 entender a governan\u00e7a e organiza\u00e7\u00e3o do nosso cliente. <\/p>\n\n\n\n Depois da primeira etapa, precisamos saber:<\/p>\n\n\n\n 3) Data Science <\/strong><\/p>\n\n\n\n Nota:<\/strong> se voc\u00ea lembrou de Design Thinking por aqui, est\u00e1 absolutamente certo! Isso \u00e9 muito importante para fazermos o processo de imers\u00e3o e aculturamento dentro da empresa. <\/p>\n\n\n\nData Science para al\u00e9m da TI<\/h2>\n\n\n\n
Varejo<\/h3>\n\n\n\n
Sa\u00fade<\/h3>\n\n\n\n
Log\u00edstica<\/h3>\n\n\n\n
Manufatura<\/h3>\n\n\n\n
Bancos e seguradoras<\/h3>\n\n\n\n
Implementando Data Science: 7 passos para come\u00e7ar<\/h2>\n\n\n\n
Deep dive no MJV way<\/em>: 3 passos para aplicar Data Science no seu neg\u00f3cio<\/h2>\n\n\n\n