Equipe de marketing do Tableau publicou dez tendências sobre Business Intelligence previstas para o ano de 2019.
A equipe de marketing do Tableau – conhecido software para visualização de dados – lançou uma lista de dez tendências de Business Intelligence para 2019. Confira a seguir os destaques do relatório.
1 – A ascensão da Inteligência Artificial compreensível
A promessa por trás da Inteligência Artificial é de que máquinas aumentarão o entendimento humano por meio da automatização da tomada de decisões. Uma pesquisa da Gartner indicou que “85% dos Chief Information Officers (CIOs) utilizarão programas de Inteligência Artificial até 2020”. No entanto, se as organizações tornam-se mais dependentes de modelos de Machine Learning, como os humanos podem ter certeza de que as recomendações desses programas são confiáveis?
Muitas aplicações atuais de Machine Learning não permitem entender os algoritmos ou as lógicas por trás de decisões e recomendações. Adrian Weller, pesquisador sênior da Universidade de Cambridge, afirma que “a transparência é frequentemente considerada essencial para permitir a implementação efetiva de sistemas inteligentes na vida real”. Isso se dá por várias razões. Por exemplo, para certificar-se de que modelos estão trabalhando como desejado ou estabelecer confiança com os usuários para que eles possam tomar decisões baseadas em predições.
A necessidade por transparência levou ao crescimento de uma Inteligência Artificial mais compreensível – ou seja, modelos de Machine Learning que possam ser entendidos e apresentados para o público geral. Afinal de contas, aqueles que tomam decisões precisam conseguir formular questões sobre por que um modelo diz algo, o quão confiável ele é, o que ele diria se os inputs fossem diferentes. Perguntas similares àquelas que um líder faria, ao tomar decisões importantes, para um expert humano.
Para ter um impacto disruptivo nas organizações, a Inteligência Artificial precisa ser confiável. Ela deve justificar suas conclusões de uma maneira compreensível (a mais simples possível) e deve responder dúvidas de maneira dinâmica. Tudo para que os humanos tenham um melhor entendimento dos dados.
2 – A linguagem natural torna os dados mais humanos
O Processamento de Linguagem Natural (NLP) agrega ciência da computação e linguística com o intuito de ajudar os computadores a entender a linguagem humana. Hoje, os provedores de BI estão oferecendo uma interface de linguagem natural para suportar uma conversa analítica – ou seja, uma conversa sobre dados entre um ser humano e um sistema.
O sistema aproveita o contexto da conversa para entender quais as intenções do usuário por trás de um diálogo, o que ocasiona uma experiência mais natural de conversa. Por exemplo, um usuário poderia pedir para uma ferramenta de BI: “Encontre terremotos perto da Califórnia”. Na pergunta seguinte, ele poderia dizer: “E perto do Texas?”, sem retomar a questão anterior. O Machine Learning permite com que os sistemas ganhem conhecimento ao longo do tempo, segundo dados da companhia e questões feitas pelos usuários. É um caminho importante para geração de insights.
A linguagem natural também permitirá aos usuários fazer perguntas baseadas em visualização de dados. Ao ser indagada sobre epidemias de doenças, uma ferramenta de BI poderia fornecer um gráfico como resposta. Então, o usuário poderia perguntar: “O que é esse pico laranja?”. A linguagem natural representa uma mudança de paradigma. Quando as pessoas podem interagir com uma visualização tal como fariam com uma pessoa, isso abre áreas de análise que antes eram reservadas para cientistas de dados e analistas avançados.
3 – Análises acionáveis colocam os dados em contexto
Quem trabalha com dados precisa de dados e ações no mesmo lugar. Ao invés de rodar as análises em um silo e tomar ações em outro, qualquer um que trabalha com dados deveria conseguir permanecer no contexto de seus processos de negócios e fluxos de trabalho. As plataformas de BI estão buscando preencher essa necessidade por meio da fusão de operações do core business, fluxos de trabalho e processos. Essa fusão se dá por meio de análises mobile, análises incorporadas, extensões de dashboard (também conhecidas como add-ins) e APIs. Como resultado, as análises acionáveis estão acelerando o processo de tomada de decisão para cargos técnicos e não técnicos.
Por exemplo, organizações têm incorporado análises em softwares de CRM, como o Salesforce. A equipe de vendas consegue visualizar dados valiosos de uma conta – tais como preferências de produto ou gastos ao longo do tempo – dentro do contexto. Isso pode dar informações para melhorar uma conversa ou influenciar os próximos passos do consumidor.
A convergência entre análise e ação diminuirá o tempo e o esforço entre o insight e a tomada de decisão. Isso também ampliará a disponibilidade de dados através dos fluxos de trabalho, o que encorajará os indivíduos a incorporar os dados em decisões do dia a dia.
4 – Dados colaborativos ampliam o impacto social
Os dados transformaram as operações das organizações, inclusive aquelas não governamentais (ONGs). O movimento data for good (dados para o bem) está em vertiginosa ascensão. Historicamente, ONGs não tinham os recursos para investir em uma infraestrutura sofisticada de dados ou em grandes equipes para lidar com os dados. Agora, a eficiência de custo e a flexibilidade da computação em nuvem permitem com que essas organizações desenvolvam ambientes avançados de dados, o que pavimenta o caminho para iniciativas de impacto social data-driven.
O movimento data for good é um atestado do potencial altruísta do compartilhamento de dados. Os avanços em tecnologia, o aumento da alfabetização sobre dados e um foco na colaboração estão criando um ambiente oportuno para resolver alguns dos problemas mais difíceis do mundo.
5 – Códigos de ética alcançam os dados
O debate sobre a privacidade dos dados tem se tornado cada vez mais proeminente e os consumidores estão mais conscientes do que nunca a respeito do compartilhamento de dados pessoais. Isso afeta a maneira como os negócios abordam monetização, coleta e compartilhamento dos dados. Novas regulamentações – como GDPR na Europa e LGPD no Brasil – exigem que reflexões sobre ética dos dados e privacidade façam parte das práticas de negócio do dia a dia. Isso contempla:
Códigos de ética: Áreas como direito, medicina e contabilidade já lidam com códigos profissionais de ética há tempos. Como os dados estão proliferando em todas as áreas de negócios, as empresas estão começando a avaliar como aplicar esses mesmos princípios às práticas de análise de dados. Como avaliado pela Gartner: “a era dos negócios digitais obscureceu os limites entre tecnologia e negócios”. Os dados agora são uma peça fundamental do quebra-cabeça estratégico.
Mudanças nos processos de negócios: As empresas estão pensando criticamente sobre todo o ciclo de vida de seus dados, desde a coleta até a análise. Isso abre uma oportunidade para avaliar a estratégia de gerenciamento de dados da empresa como um todo, de maneira a garantir a conformidade com as regulamentações e com o código de ética interno da companhia.
6 – O gerenciamento de dados converge com as modernas plataformas de BI
À medida que as fontes de dados se tornam mais complexas, diversas e numerosas, o gerenciamento de dados é agora ainda mais importante em implementações modernas de BI. Quanto mais a força de trabalho usa dados para orientar decisões, mais as organizações devem garantir a precisão de seus dados e das análises feitas com eles.
As empresas têm recorrido à curadoria de dados para abordar os desafios de gerenciamento e governança que acompanham esse acesso mais amplo de dados. A curadoria de dados abrange a maneira como uma organização coleta, limpa, define e alinha dados diferentes. Esse processo cria um elo entre os dados e suas aplicações no mundo real.
7 – O storytelling de dados é a nova linguagem das corporações
Por mais que automatizemos, por maior que seja nosso conjunto de dados, por mais inteligentes que sejam nossos cálculos, se você não puder comunicar as descobertas a outras pessoas, não poderá causar impacto com sua análise. Esse é o poder da visualização de dados. Ela é uma linguagem e está se tornando um padrão para que analistas saibam como transmitir informações para quem vai tomar decisões – de uma forma acionável e fácil de entender. Essa habilidade, combinada com a capacidade de analistas compartilharem as etapas utilizadas para descobrir insights nos dados, é frequentemente definida como “data storytelling”.
Na medida em que as organizações criam uma cultura de análise, os métodos para contar um storytelling de dados têm mais a ver com fomentar uma conversa em torno dos dados e menos com a argumentação em favor de uma única conclusão. Essas culturas de análise também estão fomentando esforços de alfabetização sobre dados, com o objetivo de ensinar as pessoas a realmente entender os dados e participar da conversa analítica – desde o momento da descoberta até a decisão de negócios.
8 – Empresas sabem mais sobre a adoção de análises
Iniciativas de Business Intelligence geralmente têm datas de início e término bem definidas. É comum que elas sejam consideradas “completas” depois de lançadas para os usuários. Mas apenas fornecer acesso a soluções de BI não é sinônimo de adoção. Diretores de dados (chief data officers) estão reavaliando como a adoção de BI faz parte de uma mudança estratégica para a modernização. Afinal, o valor real não é medido pela solução implementada, mas por como a força de trabalho usa a solução para impactar o negócio.
A suposição de que todos estão obtendo valor de uma plataforma de BI apenas porque têm acesso a ela pode, na verdade, inibir o progresso verdadeiro. Ao invés da simples adoção, líderes estão focando em entender se dados e análises estão mudando a maneira como as decisões são tomadas em toda a organização.
Se você tirasse a plataforma de BI de seus funcionários, isso afetaria a maneira como eles tomam decisões diárias no trabalho?
9 – A democracia dos dados melhora o cientista de dados
A demanda por cientistas de dados está grande. Em 2017, o LinkedIn comentou que “as vagas para cientistas de dados cresceram mais de 650% desde 2012”. Porém, enquanto se espera que mais departamentos e funções trabalhem com dados, há um aumento geral na alfabetização de dados e, logo, o surgimento de mais “cientistas de dados cidadãos”. Segundo a Gartner, eles são “indivíduos capazes de gerar modelos que usam análises avançadas ou recursos preditivos, mas cuja função de trabalho principal está fora do campo da estatística e da análise”. Esses indivíduos não estão substituindo cientistas de dados, mas estão se tornando parceiros importantes no desenvolvimento e no teste de hipóteses.
Isso está mudando a definição de Data Science e desfazendo as divisões entre quem tem conhecimento de dados e quem tem conhecimento de negócios. Hoje, é esperado que os cientistas de dados tenham conhecimentos avançados de estatística e Machine Learning, mas eles também devem ter uma mentalidade estratégica para os negócios e um profundo conhecimento da indústria em que trabalham.
10 – A migração acelerada de dados para nuvem impulsiona a adoção de BI
Modernizar a estratégia de dados geralmente significa repensar onde os dados estão armazenados. Mais e mais empresas estão vendo os benefícios de mover os dados para nuvem, o que permite maior flexibilidade e escalabilidade com um custo de propriedade mais baixo. A nuvem facilita a coleta e integração de diferentes tipos de dados.
Isso leva ao conceito de “gravidade dos dados”, que se refere ao fato de que serviços e aplicações são atraídos em direção aos dados. Na medida em que as organizações movem as cargas de trabalho para a nuvem, a gravidade dos dados atrai os processos de análise também para a nuvem.
Os fatores que impulsionam essa “mudança gravitacional” são a latência (a quantidade de tempo necessária para executar uma ação) e o rendimento (o número de vezes que uma ação é executada por unidade de tempo). Quando dados, aplicações e serviços estão alinhados, há diminuição na latência e no rendimento, o que resulta em maior eficiência. Quando os dados residem na nuvem, essas aplicações e serviços começarão a segui-los. Na medida em que as organizações avaliam sua estratégia de dados, elas também repensam seu modelo de análise e caminham do BI tradicional para o BI moderno.
