Basicamente, a análise de dados utilizada nas empresas trata de responder a perguntas e embasar tomadas de decisões. E assim como existem diferentes tipos de perguntas, também existem diferentes tipos de análise de dados, dependendo do que queremos fazer com eles.
São quatro os tipos principais de análise de dados:
A Análise Descritiva informa o que aconteceu no passado;
A Análise de Diagnóstico ajuda a entender por que algo aconteceu no passado.
A Análise Preditiva prevê o que provavelmente acontecerá no futuro.
A Análise Prescritiva recomenda ações a serem realizada para afetar esses resultados.
Um artigo do canal Co-learning Lounge, no Medium, nos ajuda a entender esses quatro cenários:
Análise descritiva
O que aconteceu?
A análise descritiva manipula dados brutos de várias fontes para fornecer insights sobre o passado. Aqui, nos referimos a dados históricos, que simplesmente sinalizam o que aconteceu até então, sem fazer nenhuma análise de certo ou errado ou sem explicar o por quê dos resultados.
Por exemplo, os analistas que trabalham com uma equipe de marketing em um e-commerce, analisando dados de vendas e identificando as tendências e padrões. Esses dados descritivos podem ajudar a perceber coisas como um aumento ou diminuição nas vendas do ano passado, em qual região e em que porcentagem, tudo baseado em dados passados.
Um exemplo para explicar a análise descritiva são os resultados que uma empresa obtém por meio do Google Analytics. Os resultados ajudam a entender o que realmente aconteceu no passado e validar se uma campanha promocional via site foi bem-sucedida com base em parâmetros básicos, como visualizações de página.
Análise de diagnóstico
Por que algo aconteceu?
Assim como a análise descritiva, a análise diagnóstica também se concentra no passado. No entanto, esses tipos de análises procuram causa e efeito para ilustrar por que algo aconteceu. O objetivo é comparar ocorrências passadas para determinar as causas.
A análise de diagnóstico pode orientar, ajudando a identificar outliers, encontrar padrões e descobrir relações.
Voltando ao exemplo, agora que estamos cientes de que há uma queda nas vendas, podemos identificar o motivo. Isso pode exigir uma análise mais profunda, olhando pontos de dados adicionais, como métricas de tráfego do site, orçamentos de marketing, disponibilidade de estoque de produtos e descobrir se existe alguma relação interligada. Usando análises mais complexas, os analistas podem empregar teoria da probabilidade, análise de regressão ou série temporal para isolar relações de causa e efeito.
Análise preditiva
O que é provável que aconteça?
A análise preditiva informa o que provavelmente acontecerá. Ele usa as descobertas das análises descritivas e diagnósticas para detectar clusters e exceções e prever tendências futuras, o que o torna uma ferramenta valiosa para previsão. Ela traz muitas vantagens, como análises sofisticadas com base em aprendizado de máquina ou aprendizado profundo e uma abordagem proativa.
É importante ter em mente, entretanto, que nenhuma análise será capaz de dizer exatamente o que vai acontecer no futuro. A análise preditiva coloca em perspectiva o que pode acontecer, fornecendo probabilidades de cenários semelhantes dadas as variáveis que estão sendo analisadas.
Agora que sabemos o motivo da queda nas vendas, a análise preditiva ajuda a encontrar qual será a venda esperada no próximo mês, trimestre ou ano, etc. O objetivo é determinar uma tendência, correlação, causa ou probabilidade para a próxima compra.
Análise prescritiva
Que ação deve ser tomada?
O objetivo da análise prescritiva é entender qual ação tomar para eliminar um problema futuro ou aproveitar ao máximo uma tendência promissora. Ela usa ferramentas, regras de negócios e algoritmos, muitas vezes suportados por machine learning, o que traz toda uma sofisticação para o processo. Até por isso, este tipo de análise de dados requer não apenas dados históricos internos, mas também informações externas.
Como parte da análise prescritiva, se as vendas estão caindo, podemos tomar decisões oportunas, como cortar preços ou descontinuar o produto.
A análise prescritiva é a fronteira mais avançada da análise de dados, combinando o insight de todas as análises anteriores para determinar o curso de ação a ser adotado em um problema ou decisão atual.
A Inteligência Artificial é o maior exemplo da análise prescritiva. Os sistemas de IA consomem uma grande quantidade de dados para aprender e usar continuamente essas informações para tomar decisões. Os sistemas bem projetados são capazes de comunicar essas decisões e até mesmo colocá-las em ação de forma automática, sem a necessidade de validação manual.
A maioria das empresas que trabalham com Big Data, como Apple, Facebook, Netflix, Amazon, Google, e tantas outras, estão utilizando análises prescritivas e IA para melhorar a tomada de decisões. Para outras organizações, o salto para a análise preditiva e prescritiva pode envolver um caminho mais longo.
Alguns exemplos
A análise descritiva mostra que sempre que uma pandemia mortal atinge a humanidade, há um aumento exponencial na admissão de pacientes no hospital.
A análise de diagnóstico exploraria os dados e faria correlações. Por exemplo, pode ajudá-lo a determinar que todos os sintomas dos pacientes – febre alta, tosse seca e fadiga – apontam para o mesmo agente infeccioso.
A análise preditiva pode antecipar um aumento no número de pacientes internados no hospital nas próximas semanas ou meses. Com base nos padrões dos dados, a doença está se espalhando em um ritmo rápido.
Agora que sabemos que a doença está se espalhando, a análise prescritiva pode sugerir aumento da equipe e a quantidade de remédios disponíveis para tratar adequadamente o fluxo de pacientes.
É importante notar que, embora separadas em categorias, esses tipos de análises estão interligadas. À medida que passamos do tipo mais simples de análise para o mais complexo, o grau de dificuldade e os recursos necessários aumentam. Ao mesmo tempo, o nível de percepção e valor agregado também aumenta.
