Tendências de inovações tecnológicas para analítica de negócios

54
Tendências de Inovações Tecnológicas para Analítica de Negócios Outubro/2013
  • date post

    19-Oct-2014
  • Category

    Documents

  • view

    768
  • download

    2

description

 

Transcript of Tendências de inovações tecnológicas para analítica de negócios

Page 1: Tendências de inovações tecnológicas para  analítica de negócios

Tendências de Inovações Tecnológicas para Analítica de Negócios

Outubro/2013

Relatório preparado pela Cysneiros Consultores Associados para a Secretaria de Ciência e Tecnologia do Estado de Pernambuco.

Pesquisador ResponsávelTecnologias da Informação e Comunicação: José Carlos Cavalcanti

Page 2: Tendências de inovações tecnológicas para  analítica de negócios

Sumário

1 Introdução........................................................................................................................5

2 Análise das Tendências de Inovação para Tecnologia da Informação e Comunicação (TIC)6

2.1.1 Análise da Tecnologia de Analítica de Negócios............................................................................102.1.1.1 Como se classifica a Analítica?.................................................................................................112.1.1.2 Como tem evoluído a Analítica em termos de inovações?........................................................12

2.2 Macrotendências em Analítica............................................................................................16

2.3 Recomendações às Empresas de Tecnologia da Informação e Comunicação (TIC)......242.3.1 Gerando Oportunidades em Analítica.............................................................................................29

3 Conclusão.......................................................................................................................35

4 Referências.....................................................................................................................36

5 Glossário e Acrônimos...................................................................................................37

Page 3: Tendências de inovações tecnológicas para  analítica de negócios

Índice de Tabelas

Tabela 1. Dados Tradicionais x Big Data.............................................................................................................14

Page 4: Tendências de inovações tecnológicas para  analítica de negócios

Índice de Figuras

Figura 1. Demanda de profundo talento analítico nos EUA pode ser 50 a 60% maior que sua oferta projetada

para 2018.................................................................................................................................................................7

Figura 2. Etapas de maturidade de otimização de informação para melhoria no desempenho dos negócios.....12

Figura 3. Forma tradicional de processamento de dados para Analítica.............................................................13

Figura 4. Arquitetura Moderna de Dados para Analítica.....................................................................................15

Figura 5. Justificativa da IBM porque Analítica é importante..............................................................................17

Figura 6. Investimentos e posição da IBM em Analítica.......................................................................................17

Figura 7. Estratégias de Analítica que possibilitam materializar com sucesso capacidades organizacionais

voltadas ao crescimento.........................................................................................................................................18

Figura 8. Vendas mensais da Ford Figura 9. Google Trends da Ford..............................................21

Figura 10. Pergunta e resposta do WolframAlpha................................................................................................22

Figura 11. Pergunta e resposta completa do WolframAlpha................................................................................23

Figura 12. Quadrante Mágico do Gartner para Inteligência de Negócios e Analítica.........................................26

Figura 13. Forrester Wave TM : Big Data Predictive Analytics Solutions, Q 1 2013.............................................28

Figura 14. Crescimento do termo Analytics no Google Trends............................................................................30

Figura 15. Matriz- Questões chave a serem enfrentadas pela analítica...............................................................30

Figura 16. Estágios de Maturidade Analítica........................................................................................................33

Page 5: Tendências de inovações tecnológicas para  analítica de negócios

1 Introdução

Este relatório foi produzido no âmbito no projeto CICTEC - Centro de Inteligência

Competitiva para Parques Tecnológicos, e apresenta o panorama da Inovação Tecnológica

para o setor de Tecnologias da Informação e Comunicação (TICs) em Pernambuco, no Brasil

e no Mundo, suas principais características, as tendências em suportes e ferramentas

tecnológicas, e as oportunidades de inovação tecnológica para as empresas pernambucanas.

Nele será abordada a inovação tecnológica em Analítica para o setor de TICs e as potenciais

tendências de inovação que esta nova tecnologia oferece. Também analisaremos as

oportunidades para as empresas do Porto Digital e ilustraremos o uso de ferramentas tais

como o Google Trends.

Page 6: Tendências de inovações tecnológicas para  analítica de negócios

2 Análise das Tendências de Inovação para Tecnologia da Informação e

Comunicação (TIC)

Vivemos hoje num mundo inundado por uma quantidade de dados sem precedentes.

Redes (ou Mídias) Sociais tais como Facebook, Twitter, YouTube, Linkedin, e outros

serviços baseados na Internet têm levado a uma explosão de dados em nosso cotidiano.

Setores como varejo, telecomunicações, cuidados com saúde, aerolinhas, hospitalidade e

mesmo a indústria dos esportes, estão coletando e analisando massivas quantidades de dados.

As ferramentas de Analítica (tecnologia “da descoberta e a comunicação de padrões

- com significado - em dados) podem ajudar as empresas a sintetizar estes dados em insights

(discernimentos) que podem aumentar tanto receitas dos negócios quanto eficiências das

organizações. O maior desafio tem sido fazer um ótimo uso destes dados. Em um relatório

publicado em 2011, intitulado “Big Data: the next frontier for innovation, competition and

productivity”, publicado pelo McKinsey Institute, da McKinsey & Company, apontava-se

que uma significativa restrição em materializar o efetivo valor de big data seria a falta de

talento, particularmente pessoas com profunda expertise em estatística e aprendizado de

máquina, e os gerentes e analistas que sabem como operar empresas ao usar insights

(discernimentos) a partir de big data.

Segundo aquele relatório, nos EUA se espera que big data se torne rapidamente um

determinante chave na competição entre os segmentos econômicos. O Instituto projetou que

a demanda para posições em Analítica, em um mundo de big data, possa exceder a oferta

sendo produzida nas tendências presentes de 140.000 a 190.000 posições (Figura 20). Além

do mais, este tipo de talento é difícil de produzir, levando anos de treinamento no caso de

alguém com habilidades matemáticas. Apesar da análise quantitativa do relatório ter usado

os EUA como ilustração, os autores acreditam que as restrições neste tipo de talento serão

globais, com a cautela de que algumas regiões podem ser capazes de produzir a oferta que

preencha os gaps em outras regiões.

Adicionalmente o relatório projeta uma necessidade de 1,5 milhões de gestores e

analistas nos EUA que podem perguntar as corretas perguntas e consumir os resultados da

análise de big data efetivamente. Os EUA – e outras economias enfrentando escassez

Page 7: Tendências de inovações tecnológicas para  analítica de negócios

semelhante – não podem preencher este gap simplesmente ao mudar os requisitos de

graduação, e esperar por pessoas graduarem com mais habilidades, ou ao importar talento

(apesar disto constituir importante ação a tomar). Será necessário, por seu turno, retreinar

uma quantidade significativa de talento; felizmente este nível de treinamento não requer anos

de estudo dedicado.

Figura 1. Demanda de profundo talento analítico nos EUA pode ser 50 a 60% maior que sua oferta projetada para 2018

Fonte: Mckinsey (2011).

Além da questão do talento para analisar big data, existem outras questões que afetam

a capacidade de produzir Analítica, tais como a segurança inerente ao tratamento do big data.

Em adição, a crescente importância econômica do big data também levanta um número de

questões legais, especialmente quando confrontadas com o fato de que dados são

fundamentalmente diferentes de muitos outros ativos. Os dados podem ser perfeita e

facilmente combinados com outros dados. A mesma porção de dado pode ser usada

simultaneamente por mais de uma pessoa. Todas estas são características únicas dos dados

quando comparadas com ativos físicos.

Questões sobre direitos de propriedade intelectual associadas aos dados terão que ser

respondidas para que se possa produzir Analítica. Afinal, quem é o dono do dado e que

Page 8: Tendências de inovações tecnológicas para  analítica de negócios

direitos vêm associados com a base de dados? O que define um “uso justo” dos dados?

Quem é responsável quando um conjunto de dados é impreciso e leva à consequências

negativas? Tais tipos de questões legais precisam de clarificação, provavelmente ao longo do

tempo, para capturar o potencial completo do big data.

Mas que outros determinantes têm que ser levados em consideração para uma efetiva

Analítica de big data? O relatório da McKinsey aponta algumas, tais como:

- Tecnologia e Técnicas. Para capturar o valor de big data, as organizações terão que

empregar novas tecnologias (exemplo, armazenamento, computação, e software de analítica)

e técnicas (i.e., novos tipos de análises). O leque de desafios de tecnologia e o conjunto de

prioridades para enfrenta-las vão diferir dependendo da maturidade dos dados da instituição.

Sistemas legados e padrões e formatos muito frequentemente previnem tanto a integração de

dados quanto a Analítica mais sofisticada que criam valor a partir de big data. Novos

problemas e crescente poder computacional irão expandir o desenvolvimento de novas

técnicas analíticas. Há também a necessidade de inovação em tecnologias e técnicas que irão

ajudar os indivíduos e organizações para integrar, analisar, visualizar, e consumir a crescente

torrente de big data;

- Mudança Organizacional e Talento. Líderes organizacionais frequentemente

padecem do entendimento do valor de big data bem como despertar o seu valor. Em setores

competitivos isto pode ser um calcanhar de Aquiles para algumas empresas desde que seus

competidores, bem como novos entrantes, alavanquem big data para competir contra elas.

Ademais, muitas organizações hoje não têm o talento para extrair insigths (discernimentos)

de big data. Muitas organizações não estruturam fluxos de trabalho e incentivos de forma

que otimize o uso de big data para tomar melhores decisões e ações mais informadas.

- Acesso aos dados. Para proporcionar oportunidades transformadoras, empresas irão

de forma crescente necessitar integrar informação a partir de múltiplas fontes. Em alguns

casos, as organizações irão estar aptas a comprar acesso aos dados. Em outros casos, no

entanto, ganhar acesso a dados de terceiros não é algo fácil. As fontes de dados de terceiros

não são compartilhados. Algumas vezes os incentivos não estão alinhados para encorajar os

interessados a compartilhar dados. Um interessado que detém uma certa base de dados pode

Page 9: Tendências de inovações tecnológicas para  analítica de negócios

considera-la ser a fonte de uma vantagem competitiva chave e, então, estaria relutante a

compartilhar com outros interessados. Outros interessados devem achar modos para oferecer

proposições de valor atrativas para os detentores de dados valiosos;

- Estrutura Industrial. Setores com um relativo hiato de intensidade competitiva e

transparência de desempenho, ao longo de indústrias onde as cestas de lucros são altamente

concentradas, são prováveis de serem lentas em alavancar plenamente os benefícios de big

data. Por exemplo, no setor público, onde tende a ter um hiato de pressão competitiva que

limita a eficiência e a produtividade; como resultado, o setor enfrenta barreiras mais difíceis

que outros setores no modo como capturar o valor potencial de usar big data. O setor de

saúde dos EUA é outro exemplo de como a estrutura de uma indústria impacta em quão fácil

pode ser extrair valor de big data. Este é um setor que não somente tem um hiato de

transparência em desempenho em termos de custo e qualidade, mas também uma indústria

em que pagantes irão ganhar (de poucos não pagantes de tratamento desnecessário) pelo uso

de dados clínicos. No entanto, os ganhos oriundos para pagantes irão vir às expensas dos

provedores (poucas atividades médicas para pagar) de quem os pagadores teriam de obter de

big data. Como os exemplos sugerem líderes de organizações e fazedores de políticas terão

de considerar como as estruturas industriais podem evoluir num mundo de big data se elas

vão determinar como otimizar a criação de valor ao nível das empresas individuais, setores e

economia como um todo.

Tendo estes elementos em consideração, as questões que emergem são as seguintes.

O que, na realidade, são as ferramentas de Analítica, e quais são aquelas que estão

dominando este mercado? Quais são as tendências tecnológicas relacionadas com Analítica

de big data? E, finalmente, como o Brasil (e Pernambuco em particular) pode se beneficiar

destas tendências? O objetivo principal deste documento é tentar dar respostas a estas

questões, procurando evidenciar os aspectos mais relevantes de um mercado praticamente

novo, que se utiliza de metodologias e técnicas tradicionais, mas que foram totalmente

transformadas a partir dos processos de automação impactados pelas tecnologias de

informação e comunicação modernas.

Page 10: Tendências de inovações tecnológicas para  analítica de negócios

2.1.1 Análise da Tecnologia de Analítica de Negócios

Inicialmente, o que é Analítica? Analítica (que vem do termo em inglês Analytics)

“é a descoberta e a comunicação de padrões (com significado) em dados”. Especialmente

valorosa em áreas com informações gravadas, a Analítica se apoia na aplicação simultânea de

estatística, programação computacional e pesquisa para quantificar desempenho. Analítica

frequentemente valoriza a visualização de dados para comunicar insights (discernimentos)

(http://en.wikipedia.org/wiki/Analytics).

As empresas comumente aplicam analítica aos dados de negócios para descrever,

prever, e melhorar o desempenho dos negócios. Especificamente, arenas de analítica incluem

gestão da decisão empresarial, analítica do varejo, diversidade de armazenamento e

otimização de estoques, otimização de marketing e analítica de marketing mix, analítica web,

tamanho da força de vendas e otimização, modelagem de preço e promoção, ciência

preditiva, análise de risco de crédito, analítica de fraudes. Como analítica requer computação

extensiva (usando técnicas de big data), os algoritmos e software usados para analítica

estimulam a maioria dos métodos em ciência da computação, estatística e matemática.

Analítica é como uma moeda de dois lados. Num lado, ela usa modelos descritivos e

preditivos para obter conhecimento valioso a partir dos dados – analítica de dados. Por outro

lado, analítica usa este insight (discernimento) para recomendar ação ou para guiar a tomada

de decisão – comunicação. Logo, analítica não é muito relacionada com análises individuais

ou níveis de análise, mas com a metodologia como um todo. Há uma tendência pronunciada

de usar o termo analítica em ambientes de negócios, por exemplo, usando analítica de textos

versus uma mineração de textos mais genérica para enfatizar esta ampla perspectiva.

Page 11: Tendências de inovações tecnológicas para  analítica de negócios

2.1.1.1 Como se classifica a Analítica?

Analítica é uma tecnologia que não é nova, mas vem sendo fortemente impactada a

partir de inovações oriundas das recentes tecnologias de informação e comunicação - TICs.

De forma esquemática, é possível classificar a analítica em quatro etapas (ascendentes, em

termos de importância), como mostra a Figura 01 à frente.

Numa primeira etapa, as organizações adquirem habilidades e competências de

Analítica Descritiva, onde elas se utilizam de métodos, técnicas e ferramentas

computacionais para descobrir o que aconteceu em suas atividades habituais. Uma segunda

etapa é denominada de Analítica Diagnóstica, onde as organizações passam a desenvolver

capacidades de descoberta e avaliação do porque de determinados eventos terem acontecido.

Nestas duas etapas o que se constata é que as organizações estão se utilizando de mecanismos

de hindsight, ou seja, da percepção do significado e a natureza dos eventos após eles terem

acontecido. Quando são dominadas estas etapas, e as organizações avançam em suas

habilidades e competências para “antecipar” eventos, elas passam a utilizar mecanismos de

insights (discernimentos), ou seja, capacidades para discernir a natureza de uma situação.

Daí, elas podem estar aptas a iniciar a terceira etapa que é a de Analítica Preditiva, de forma

a tentar prever o que poderá acontecer em suas atividades. A partir deste estágio as

organizações podem adquirir habilidades e competências para a quarta etapa que é a de

Analítica Prescritiva, onde elas podem vislumbrar (e agir) de forma a direcionar os fatos e

eventos tal como elas acharem conveniente. Neste estágio elas já estarão fazendo uso de

mecanismos de foresight, ou seja, da percepção do significado e a natureza de eventos antes

que eles aconteçam.

Como ressaltado na Figura 01, à medida que as organizações avançam em suas etapas

de Analítica, elas vão otimizando o uso de suas informações, o que representa, por sua vez,

uma agregação de valor aos negócios (que pode levar à obtenção de vantagens competitivas

sustentáveis), bem como um incremento da dificuldade em galgar tais etapas.

Page 12: Tendências de inovações tecnológicas para  analítica de negócios

Figura 2. Etapas de maturidade de otimização de informação para melhoria no desempenho dos negócios

2.1.1.2 Como tem evoluído a Analítica em termos de inovações?

Tradicionalmente o processamento de dados para fins de analítica segue basicamente

o seguinte modelo estático (ver Figura 02 à frente). As empresas criam uma modesta

quantidade de dados estruturados com modelos de dados estáveis via aplicações empresariais,

tais como sistemas de informações como ERP (Enterprise Resource Planning), CRM

(Customer Relationship Management) e sistemas financeiros. Ferramentas de integração de

dados são usadas para extrair, transformar e carregar (ETL- Extract, Transfer and Load)

dados das aplicações e bancos de dados transacionais para uma área onde ocorra a

normalização dos dados e verificação de qualidade, e os dados são modelados em linhas e

tabelas. Os dados modelados e limpos são então carregados num armazém de dados (data

warehouse). Esta rotina usualmente ocorre numa base temporal – diariamente ou

semanalmente, e algumas vezes frequentemente (Kelly, 2012).

A partir daí, os gestores do “data warehouse” criam e programam relatórios regulares

que rodam contra os dados normalizados armazenados na warehouse, os quais são entregues

aos responsáveis pelos negócios. Eles também criam painéis e outras ferramentas de

visualização limitadas para executivos e gestores. Os analistas de negócios, enquanto isso,

Page 13: Tendências de inovações tecnológicas para  analítica de negócios

usam engenhos/ferramentas de analítica para rodar analítica avançada a partir da warehouse,

ou mais frequentemente, contra amostras de dados migrados para um “data mart” local

devido ás limitações de tamanho. Os usuários (não-especialistas em TICs) desenvolvem a

visualização básica dos dados e analítica limitada contra os data warehouse via ferramentas

de inteligência de negócios (BI- Business Intelligence) de vendedores, como a SAP

BusinessObjects (da empresa SAP: www.sap.com) e a IBM Cognos (da IBM:

www.ibm.com). Volumes de dados em data warehouses tradicionais raramente excedem

múltiplos terabytes (e mesmo esta quantidade é rara), já que grandes volumes de dados

sobrecarregam os recursos da warehouse e degradam o desempenho (Kelly, 2012).

A emergência do Big Data tem mudado a face do processamento de dados para

Analítica. Ou seja, o advento da web, dos artefatos móveis e outras tecnologias, tem causado

uma mudança fundamental para a natureza dos dados. Como apontado no Relatório de

Tendências de Big Data, Big Data tem importantes e distintivas qualidade que os diferenciam

dos dados corporativos tradicionais. Não sendo mais centralizados, altamente estruturados e

facilmente manuseados, agora, mais do que nunca, os dados são altamente distribuídos,

frouxamente estruturados (se estruturados de alguma forma), e crescentemente grandes em

volumes (Tabela 01 à frente).

Figura 3. Forma tradicional de processamento de dados para Analítica

Fonte: Wikibon 2011

Page 14: Tendências de inovações tecnológicas para  analítica de negócios

Tabela 1. Dados Tradicionais x Big Data

Dados Tradicionais BIG DATA

Gigabytes para Terabytes PETABYTES PRA EXABYTES

Centralizados DISTRIBUÍDOS

Estruturados SEMI ESTRUTURADOS E DESESTRUTURADOS

Modelo estável de dados ESQUEMAS FLAT

Inter-relacionamentos complexos conhecidos POUCOS INTER-RELACIONAMENTOS COMPLEXOS

Fonte: Wikibon 2011

No presente há um numero de enfoques para processar e analisar big data, mas a

maioria tem algumas características comuns. Nominadamente, eles levam vantagem de

hardware para escalar, e de técnicas de processamento paralelo; empregam capacidades de

armazenamento de dados não-relacionais de forma a processar dados semi estruturados e

desestruturados; e aplicam analítica avançada e tecnologia de visualização para big data para

produzir insights para os usuários finais.

Segundo Kelly (2012), podem ser identificados três enfoques de big data que estão

transformando a analítica dos negócios e os mercados de gestão de dados: Hadoop, NoSQL e

Massively Parallel Analytics Database.

Hadoop é uma estrutura open source (de código aberto) para processar, armazenar e

analisar massivas quantidades de dados distribuídos e paralelos. Originalmente criado por

Doug Cutting, do Yahoo!, Haddop foi inspirado pelo MapReduce, uma função definida por

usuário desenvolvida no Google no início dos anos 2000 para indexar a Web. Foi projetado

para lidar com petabytes e exabytes de dados distribuídos sobre múltiplos nós em paralelo.

Clusters Hadoop rodam em hardware barato de modo que projetos podem ser escalados sem

quebrar o banco. Hadoop é agora um projeto da Apache Software Foundation, onde centenas

de contribuintes continuamente melhoram a tecnologia principal.

NoSQL (Not Only SQL, sendo SQL a contração de Structured Query Language, uma

linguagem de programação de propósito especial) é um novo estilo de banco de dados que

Page 15: Tendências de inovações tecnológicas para  analítica de negócios

emergiu, tal como Hadoop, e processa grandes volumes de dados multi-estruturados. No

entanto, se Hadoop é adepto a suportar análise histórica de grande escala por batelada, bancos

de dados NoSQL têm como objetivo servir dados discretos armazenados entre grandes

volumes de dados multi-estruturados para o usuário final e para aplicações de big data

automatizadas. Esta capacidade é ausente na tecnologia de banco de dados relacionais, que

simplesmente não podem manter níveis de desempenho de aplicações na escala de big data

Uma nova geração de data warehousing está surgindo. Ao contrário dos data

warehouses tradicionais, esta nova geração é capaz de rapidamente ingerir grandes

quantidades de dados principalmente estruturados com um mínimo de modelagem requerida,

e podem escalar para acomodar múltiplos terabytes, e algumas vezes exabytes, de dados. As

características fundamentais incluem: a) Massively parallel processing (MPP) capabilities

(capacidades de processamento massivamente paralelo); Shared-nothing architectures

(arquiteturas sem compartilhamento); c) Columnar architectures (arquiteturas colunares); d)

Advanced data compression capabilities (capacidades de compressão avançada de dados); e)

Commodity hardware (hardware comum); f) In-memory data processing (processamento de

dados In-memory). A Figura 4 à frente tenta ilustrar esta nova geração de data warehousing

para permitir novas técnicas de analítica.

Figura 4. Arquitetura Moderna de Dados para Analítica

Fonte: Wikibon, 2013

Page 16: Tendências de inovações tecnológicas para  analítica de negócios

2.2 Macrotendências em Analítica

Os negócios de hoje têm uma vasta quantidade de dados disponíveis de um número

crescente de fontes. Enquanto a maioria das organizações certamente apreciam os benefícios

potenciais que tais dados permitem, muitos enfrentam dificuldades em efetivamente

transformar informação em discernimentos acionáveis. No entanto, uma estratégia efetiva de

analítica pode ajudar no alcance de crescimento topo de linha, na redução de custos

desnecessários e no aumento da satisfação dos consumidores.

De forma a ajudar as organizações a perseguirem insights sobre seus clientes, as

empresas fornecedoras de ferramentas de analítica não somente estão vendendo tais

ferramentas, mas vêm identificando formas e metodologias para que as organizações

adquiram habilidades e competências em promover suas próprias estratégias de analítica.

A IBM (www.ibm.com), uma das empresas líderes neste novo mercado de analítica, e

que vem demonstrando seu profundo compromisso com esta área a partir de seus

investimentos e posições recentes (ver Figuras 05 e 06), é uma destas empresas que

reconhece o hiato de talentos no mercado de analítica, e vem desenvolvendo e capacitando

empresas para o uso de ferramentas de analítica.

Neste sentido, além de vender ferramentas como as de SPSS (pacote de software

usado para análise estatística inicialmente aplicado em ciências sociais: http://www-

01.ibm.com/software/analytics/spss/products/statistics/), a IBM tem desenvolvido estruturas

conceituais, como por exemplo um “framework” (arcabouço) de quatro estágios para

capacidades organizacionais e como elas podem possibilitar estratégias de analítica de

consumidores (Figura 07 à frente).

Segundo a IBM para criar um caminho para o crescimento através do framework, as

empresas terão que navegar os diferentes estágios da Figura 07. A experiência ensinou aos

técnicos (Teerlink e Haydock, 2011) que tipicamente os líderes e inovadores intuitivamente

entendem que eles devem somente “morder o que eles podem mastigar”.

Page 17: Tendências de inovações tecnológicas para  analítica de negócios

Figura 5. Justificativa da IBM porque Analítica é importante

Fonte: IBM (2013)

Figura 6. Investimentos e posição da IBM em Analítica

Fonte: IBM (2013)

Page 18: Tendências de inovações tecnológicas para  analítica de negócios

Figura 7. Estratégias de Analítica que possibilitam materializar com sucesso capacidades organizacionais voltadas ao crescimento

Fonte: Teerlink e Haydock (2011).

De uma posição inicial no quadrante inferior esquerdo (1), a maioria das organizações

escolhe dirigir a mudança estratégica e a transformação ao fazer um movimento para o

quadrante inferior direito (2) ou o quadrante superior esquerdo (3). Eles não observaram

qualquer empresa que se adquiriram capacidades e estratégias analíticas com sucesso com um

movimento do quadrante esquerdo inferior (1) para o quadrante superior direito (4).

Aparentemente, a complexidade e mudança de cultura requeridas são muito demandantes.

Na Figura 07, as estratégias de redução de custo são caracterizadas pelas setas a e b

(quadrante 1). Empresas líderes buscam se mover além das fronteiras do quadrante 1,

melhorando suas efetividades como caracterizado pelas setas c (quadrante 2) e d (quadrante

3). As empresas então devem determinar se “permanecem” onde estão, como sua posição

ótima no framework, ou definir que benefícios adicionais elas irão ganhar em mover para o

quadrante superior direito. Algumas empresas irão se posicionar para mover em direção ao

Page 19: Tendências de inovações tecnológicas para  analítica de negócios

quadrante superior direito como caracterizado pelas setas e e f (quadrante 4). Novamente, os

autores não acreditam que seja possível se mover com sucesso de eficiência operacional

(quadrante 1) diretamente para o quadrante da demanda da cadeia de integração (4).

Além destas possibilidades no mercado de Analítica, uma tendência que vem

ganhando popularidade é aquela de oferta de ferramentas de analítica de forma gratuita (para

o grande público), mas também que pode ser customizada para clientes que desejarem fins

específicos.

Uma destas ferramentas é aquela oferecida pelo Google (www.google.com). Pode

parecer uma coisa “maluca” (principalmente para os economistas mais conservadores ou que

ainda estão na era pré-Internet), mas a ferramenta denominada Google Trends, ferramenta

simples e gratuita baseada nos dados de buscas do Google, pode sim ajudar a prever o nível

presente de atividade econômica, e há pelo menos três anos está revolucionando as análises

econômicas neste novo mundo do BIG DATA e da Analytics.

Quem afirma isso é nada mais nada menos do que o Prof. Hal Varian, economista

internacionalmente conhecido por seus trabalhos em microeconomia, hoje aposentado pela

Universidade da California, em Berkeley/EUA, e atualmente o Chief Economist Officer do

Google. No ano de 2002 o Prof. Varian foi convidado por Eric Schmidt (ex- Chief Executive

Officer) para ser consultor do Google. Desde então ele tem desenvolvido atividades nas

áreas de projeto de leilões eletrônicos de propaganda, econometria, finanças, estratégia

corporativa e política pública.

Em abril 2009, em coautoria com Hyunyoung Choi, também do Google, ele escreveu

(e publicou no site do Google) uma “versão beta” do artigo intitulado “Predicting the Present

with Google Trends” (Prevendo o Presente com Google Trends)(artigo finalmente publicado

por uma revista econômica tradicional, em 2012). Neste artigo os autores avançam a hipótese

de que os dados de busca do Google podem estar correlacionados com o presente nível da

atividade econômica em indústrias dadas e, por conseguinte, podem ser úteis em prever as

subsequentes liberações de dados. Eles defendem que o Google Trends não ajuda a prever o

futuro, mas sim ajuda a prever o presente.

Como mostram os autores, o Google Trends provê um índice do volume das

buscas/perguntas do Google por localização geográfica e categoria. Os dados da ferramenta

Page 20: Tendências de inovações tecnológicas para  analítica de negócios

não reportam o nível bruto das perguntas para um dado termo de busca. Na realidade eles

reportam um “índice de pergunta” (query index). O índice de pergunta começa com a

“porção de perguntas”: o volume total de perguntas por termo de busca em uma dada região

geográfica, dividido pelo número total de perguntas naquela região em um ponto no tempo.

Os números da participação das perguntas são então normalizados de forma que eles

comecem a partir de 01 de janeiro de 2004. Números após esta data indicam um desvio

percentual da porção de busca no dia 01 de janeiro de 2004.

No artigo em questão, os autores discutem a estrutura estatística relevante à hipótese

que levantam. E como exemplo, eles iniciam a análise se baseando nos dados de vendas

mensais de automóveis da marca Ford de janeiro de 2004 a agosto de 2008, como reportado

na revista Automobile News. Os dados do Google para a categoria Automobile/Vehicle

Brands/Ford foram usados para o índice de perguntas.

Para que pudessem estabelecer a correlação entre os dados de busca do Google e os

dados de vendas de automóveis da marca Ford (o que pode ser, de alguma forma, visualizado

pelos gráficos dos dados trabalhados, nas Figuras 07 e 08 à frente), os autores desenvolveram

um modelo de projeção, conhecido na área de econometria como modelo “auto regressivo

sazonal”. Em resumo, com o modelo encontrado os autores chegaram à seguinte conclusão: o

coeficiente da variável Google Trends no modelo implica que 1% de aumento no volume de

buscas está associado à aproximadamente 0,5% de aumento de vendas. Os autores ainda

apresentam outros exemplos de correlações em outros setores econômicos, tais como vendas

no varejo, vendas de imóveis e dados de viagens.

Finalmente, o que pretendemos afirmar com esta breve apresentação da utilização do

Google Trends é que, nos dias atuais, com o crescimento no volume, na velocidade e na

variedade de dados à nossa disposição, temos que nos valer deste crescente “dilúvio de

dados/informações” (e das novas ferramentas que estão emergindo concomitantemente, tais

como Google Consumer Surveys, que falaremos em outra oportunidade) para extrairmos

novos insights (discernimentos) a partir destes dados/informações.

Page 21: Tendências de inovações tecnológicas para  analítica de negócios

Figura 8. Vendas mensais da Ford Figura 9. Google Trends da Ford

Fonte: Choi and Varian (2012)

Além do Google Trends, Google oferece um amplo leque de ferramentas inicialmente

gratuitas (que podem se transformar em pagas a depender o interesse do usuário), tais como

soluções de Analítica de Conteúdo, Analítica de Dispositivos Móveis, Analítica de

Conversão, Analítica Social, Analítica de Propaganda; e os produtos relacionados são

Doubleclick, Adwords, Display Ads, Adsense e Google +, para big data, oferece o Google

BigQuery.

Existem outras ferramentas que podem ser usadas como analítica, e que são

oferecidas primeiramente de forma gratuita é aquela denominada Wolfram Alpha

(www.wolframalpha.com). A Wolfram Alpha é um engenho computacional de

conhecimento, ou engenho de respostas, desenvolvido pela empresa Wolfram Research,

mundialmente reconhecida pelo seu software Mathematica

(http://www.wolfram.com/mathematica/), e suportado por fontes proprietárias exclusivas de

dados curados, resultantes de perguntas proprietárias. É um serviço online que responde

perguntas factuais (ou seja, se resume a fatos de qualquer natureza) diretamente pela

computação da resposta de dados estruturados, mais do que prover uma lista de documentos

ou páginas web contendo a resposta como um engenho de busca.

Para uma rápida demonstração (a mais simples possível) do potencial desta

ferramenta, basta que se faça uma pergunta básica sobre os “Presidentes Brasileiros”, como

Page 22: Tendências de inovações tecnológicas para  analítica de negócios

apontado na Figura 10, à frente. Como pode ser visto, os Presidentes são elencados (os cinco

últimos) em fração de segundos no engenho. Mas quando se aperta o link “more”, os

resultados obtidos são impressionantes, como pode ser visto na Figura 11, onde são listado

TODOS os Presidentes do Brasil (e por período de mandato), uma resposta que é difícil de

obter mesmo no Brasil.

Figura 10. Pergunta e resposta do WolframAlpha

Page 23: Tendências de inovações tecnológicas para  analítica de negócios

Figura 11. Pergunta e resposta completa do WolframAlpha

Page 24: Tendências de inovações tecnológicas para  analítica de negócios

2.3 Recomendações às Empresas de Tecnologia da Informação e Comunicação (TIC)

O mercado mundial de ferramentas e metodologias de Analítica é povoado por um

conjunto de poucas grandes empresas (notadamente internacionais) que vêm investindo

massivamente neste setor de TICs. Parte delas historicamente já detinha forte envolvimento

com a indústria mundial de TICs em segmentos voltados para bens e serviços voltados às

empresas (o chamado B2B- Business to Business), ofertando ferramentas diversas tais como

ERPs- Enterprise Resource Planning, CRM- Cusotmer Relationship Management, BI-

Business Intelligence, dentre tantas outras, mas em função do surgimento da Internet, uma

série de outras empresas surgiu oferecendo tanto para o mercado B2B quanto para o mercado

B2C- Business to Consumer, tais como Google, Facebook, Twitter, Linkedin, dentre tantas.

Para dar uma ideia do que representa o core deste mercado, podemos apresentar a

metodologia dos Quadrantes Mágicos. Os Quadrantes Mágicos (Magic Quadrants) são uma

metodologia do Gartner Group (empresa líder mundial em pesquisa e aconselhamento na

indústria de TICs) já comentada na newsletter da empresa Creativante

(www.creativante.com.br) em algumas oportunidades (inicialmente apresentada em 2009,

depois três vezes em 2010: uma, duas, três).

Em 05/02/2013 o Gartner publicou o seu “Magic Quadrant for Business Intelligence

and Analytics” (Quadrante Mágico para Plataformas de Inteligência de Negócio e

Analítica). Neste relatório o Gartner mudou o nome do seu Magic Quadrant de “Business

Intelligence Platforms” para o novo título para enfatizar a importância crescente das

capacidades de análise para os sistemas de informação que as organizações estão construindo

(esta crescente importância da analítica também foi antecipada e destacada na newsletter da

Creativante desde 2010: em 17/01; 01/02; 20/03; 03/04; 11/04; 17/04; 05/05).

O Gartner define o mercado de plataforma de inteligência de negócio e analítica como

uma plataforma de software que entrega quinze capacidades ao longo de três categorias:

integração, distribuição de informação e análise. Na categoria integração estão as seguintes

capacidades: Infraestrutura de BI; Gestão de Metadados; Ferramentas de Desenvolvimento, e

Colaboração. Na categoria distribuição de informação se encontram: Reporting,

Dashboards, Ad hoc query, Microsoft Office Integration, Search-based BI, e Mobile BI.

Page 25: Tendências de inovações tecnológicas para  analítica de negócios

Finalmente, na categoria analítica, tem-se: Online analytical processing (OLAP), Interactive

visualization, Predictive modeling, Scoreboards, e Prescriptive modeling, simulation and

optimization.

Segundo o Gartner, estas capacidades possibilitam as organizações construírem

sistemas de classificação e mensuração precisos para dar suporte ao processo de tomada de

decisão e à melhoria do desempenho. As plataformas de BI e analítica possibilitam que as

empresas possam medir e melhorar as métricas que mais importam para os seus negócios, tais

como vendas, lucros, custos, defeitos em qualidade, incidentes de segurança, classificação de

consumidores, entrega em tempo, e por aí vai.

As plataformas de BI e analítica também capacitam as organizações a classificar as

dimensões dos seus negócios - tais como seus clientes, produtos e empregados – com

precisão granular. Com estas capacidades, marqueteiros podem entender melhor quais

consumidores são mais prováveis de “fermentação/estímulo”. Gestores de recursos humanos

podem entender melhor quais atributos perceber quando recrutando top performers. Gestores

de cadeias de suprimentos podem entender melhor quais níveis de alocação de estoques irão

manter baixos os custos sem aumentar os incidentes de ausência de estoques.

Para o Gartner o mercado de plataformas de BI e analítica é amplo, cobrindo muitos e

diferentes casos de uso e níveis de maturidade que varrem quatro diferentes fases: descritiva,

diagnóstico, e analíticas preditiva e prescritiva. A vasta maioria das aplicações construídas

com plataformas de BI e analítica até o momento pode ser denominada de “descritivas”

porque as capacidades críticas, tais como reports e dashboards, são usadas para descrever as

dimensões e medidas de um aspecto particular do negócio. Logo, por exemplo, uma medida

tal como on-time delivery poderia ser definida em um modelo de dados bem governado e

capacitar os usuários a reportar a meta e valor real para aquela medida em várias dimensões,

tais como segmentos de consumidores ou períodos de tempo.

De forma crescente, o Gartner vê mais organizações construindo analítica de

diagnóstico que alavanque capacidades críticas, tais como visualização interativa, para

possibilitar que os usuários possam “mineirar” mais facilmente os dados para descobrir novos

insights. Por exemplo, padrões visuais descobertos nos dados podem expor um processo

inconsistente de uma cadeia de suprimentos que seja determinante para a capacidade da

Page 26: Tendências de inovações tecnológicas para  analítica de negócios

organização alcançar sua meta para entrega em tempo. Para uma observação dos Quadrantes

Mágicos de BI e Analítica, ver a Figura 12 à frente.

Figura 12. Quadrante Mágico do Gartner para Inteligência de Negócios e Analítica

Fonte: Gartner (2013)

Outra empresa que também aponta para as oportunidades e ameaças no mercado de

Analítica é a Forrester. Em 24/02/2013 a Creativante publicou uma newsletter intitulada

“The Forrester Wave TM : Big Data Predictive Analytics Solutions, Q 1 2013”. O título é

longo e pode ser traduzido desta maneira: “Soluções de Analítica Preditiva para Big Data,

Primeiro Trimestre de 2013: Metodologia Forrester Wave TM ”. Trata-se de mais um relatório

da empresa Forrester (www.forrester.com), que assim como o Gartner Group

(www.gartner.com), é uma empresa de tecnologia e pesquisa de mercado que provê

aconselhamento sobre o atual e potencial impacto de tecnologias para seus clientes e o

público.

Page 27: Tendências de inovações tecnológicas para  analítica de negócios

A Forrester detém uma metodologia (a Forrester Wave TM) que já foi apresentada na

newsletter da Creativante de 05/05/2010. Neste seu recente relatório sobre soluções de

analítica preditiva para big data houve poucas surpresas, mas a Forrester fez questão de

deixar um recado para a SAS, a IBM e oito outros vendedores avaliados no relatório: tornem

a analítica preditiva mais acessível aos usuários de negócios!

Os dez vendedores avaliados neste relatório são: SAS, IBM, SAP, Tibco, Oracle,

StatSoft, KXEN, Angos Software, Revolution Analytics e Salford Systems (Figura 12). Os

rankings do relatório são baseados em 51 critérios de avaliação envolvendo 13 scores gerais

de ofertas de produtos, estratégia da empresa e presença de mercado. A SAS tem a maior

presença de mercado com mais de 3.000 clientes de analítica preditiva, versus mais de 1.500

para a IBM, mas os ratings de produto e estratégia foram os que dirigiram os rankings.

A SAS oferece um amplo conjunto de ferramentas de analítica preditiva, uma

arquitetura que dá suporte a múltiplas plataformas, bem como analítica in-database e analítica

in-memory. Segundo a Forrester, para permanecer no topo a SAS precisa prover soluções

mais sofisticadas para analítica real-time, tais como stream processing e também ferramentas

de modelagem preditiva que os analistas de negócios acham mais usáveis.

A Forrester deu à IBM (pioneira nesta nova onda de business analytics) altas marcas

por sua presença global e amplo portfólio de analítica, que inclui SPSS (ferramentas da

empresa do mesmo nome que a IBM comprou por US$ 1,2 bilhões em 2009) e as

capacidades de in-database do PureData System for Analytics (da antes denominada Netezza,

comprada pela IBM em 2010 por US$ 1,7 bilhões), entre outros ativos (tais como as

ferramentas da Cognos, comprada em 2007 por US$ 4,9 bilhões). A Forrester encorajou a

IBM tornar seu portfólio “menos confuso” e a criar mais soluções que os clientes possam

usar “fora da caixa”. Ou seja, sugere menos dependência dos consultores da IBM para

integrar os múltiplos produtos.

De acordo com a revista digital www.informationweek.com, uma surpresa na

avaliação da Forrester, feita pelo seu analista Mike Gualtieri, foi o score da SAP,

considerando o fato de que ela é relativamente nova em termos de analítica avançada. A

empresa introduziu um módulo avançado de analítica há três anos, baseado no software da

SPSS, e daí introduziu uma substituição deste para o Predictive Analysis, em 2012. A SAP

Page 28: Tendências de inovações tecnológicas para  analítica de negócios

tem uma ferramenta de modelagem (parecida com a SAS Enterprise Miner e com a SPSS

Modeler) e uma biblioteca de analítica (parecida com aquelas ofertadas pela Teradata e pela

IBM PureData for Analytics).

Figura 13. Forrester Wave TM : Big Data Predictive Analytics Solutions, Q 1 2013

Fonte: Forrester (2013)

Page 29: Tendências de inovações tecnológicas para  analítica de negócios

O relatório descreve a estratégia da SAP para rodar analítica no seu HANA (High

Performance Analytic Appliance) in-memory database como interessante. Ainda segundo a

Forrester, as tecnologias da SAP foram mais escaláveis para uso de big data do que aquelas

oferecidas (ao tempo da produção do relatório) pela Tibco, a empresa mais próxima no

ranking.

Esta surpresa apontada pela Forrester deve ser encarada como um desafio para as

empresas de gestão empresarial mundo afora (inclusive o Brasil), já que a SAP (que tem

presença importante, e marcante, neste mercado) está demonstrando que entrou

definitivamente no mercado de ferramentas de business analytics (é oportuno observar que

mesmo na página web da Totvs, maior ofertante de soluções de gestão empresarial no Brasil,

ainda não são citadas estas novas ferramentas de negócios entre seus produtos).

2.3.1 Gerando Oportunidades em Analítica

Uma das formas que o mercado de Analítica vem encontrando para difundir o

potencial desta tecnologia é através do mercado editorial. E neste aspecto, a tendência de

crescimento desta temática é exponencial (ver crescimento paralelo do termo Analytics no

Google Trends na Figura 14 à frente).

Nestes termos, podemos registrar as contribuições de um dos principais líderes

mundiais na área de Analítica. E a contribuição é o livro intitulado “Analytics at Work:

Smart Decisions Better Results” (Analítica Funcionando: Decisões Inteligentes, Melhores

Resultados), de 2010, publicado pela Harvard Business Press- HBP, cujos autores são: a) o

Prof. Thomas Davenport, especialista e líder mundial em gestão negócios de TICs, autor

também de vários outros livros de impacto, como o famoso “Competing on Analytics: The

New Science of Winning” (Competindo em Analítica: A Nova Ciência de Vencer), de 2007,

também pela HBP, e em co-autoria com Jeanne G. Harris; b) Jeanne G. Harris, executiva

sênior do Instituto para Alta Performance da Accenture, e c) Robert Morison, consultor de

empresas.

Page 30: Tendências de inovações tecnológicas para  analítica de negócios

Figura 14. Crescimento do termo Analytics no Google Trends

Fonte: Google (2013)

Logo no início o livro vai esclarecendo: “Se nós desejamos tomar melhores decisões e

ações corretas, nós temos que usar analítica. Colocar a analítica para funcionar é melhorar

o desempenho em domínios chave de negócios usando dados e análise”. Mas o que os

autores entendem por ser analítico?

Ser analítico é fazer uso de análise, dados e raciocínio sistemático para a tomada de

decisões. Mas, perguntam os autores, que tipo de análise? Que tipo de dados? Que tipo de

raciocínio? O restante do livro é uma tentativa de responder a estas questões. Mas uma

pequena matriz (Figura 15 a seguir) demarca o território em que estes autores navegam,

identificando seis questões chave que dados e analítica podem endereçar nas organizações.

Figura 15. Matriz- Questões chave a serem enfrentadas pela analítica

Passado Presente Futuro

Page 31: Tendências de inovações tecnológicas para  analítica de negócios

Informação O quê aconteceu?

(Relatório)

O quê está acontecendo agora?

(Alertas)

O quê irá acontecer?

(Extrapolação)

Insight (discernimento)

Como e por quê isto aconteceu?

(Modelagem, design experimental)

Qual é a próxima melhor ação?

(Recomendação)

Qual é o melhor/pior que pode acontecer?

(Previsão, otimização, simulação)

Fonte: Davenport (2010)

Juntas, as questões acima envolvem muito do que uma organização necessita saber

sobre si mesma. A matriz pode ser também usada para desafiar os usos existentes da

informação. Como apontam os autores, muitas das atividades de “business intelligence”

(inteligência de negócios) da organização podem estar na primeira linha da matriz. Mas ao se

mover das questões puramente orientadas à informação para aquelas envolvendo insights

(discernimento), tem-se um entendimento melhor da dinâmica das operações dos negócios.

Além disto, a essência do livro está dividida em suas duas partes constitutivas: a Parte

I, The Analytical DELTA (O DELTA Analítico), e a Parte II, Staying Analitical

(Permanecendo Analítico). Na Parte I, em seus cinco capítulos, é tratado um método para

colocar a analítica para funcionar nos nossos negócios, e para sabermos que capacidades e

ativos são necessários de modo a termos sucesso com iniciativas de analítica.

E a isto (detalhado em cinco capítulos) os autores chamam de DELTA, que

significam:

D- para “accessible, high-quality Data” (Dados acessíveis e de boa qualidade)

E- para uma “Enterprise orientation” (orientação Empresarial)

L- para uma “analytical Leadership” (Liderança analítica)

T- para “strategic Targets” (alvos estratégicos)

A- para “Analysts” (Analistas)

Na Parte II são apresentados os seguintes capítulos: 7- Analítica incorporada aos

Processos de Negócios; 8- Construindo uma Cultura Analítica; 9- Revendo Seu Negócio

Page 32: Tendências de inovações tecnológicas para  analítica de negócios

Compreensivamente; 10- Encontrando Desafios ao Longo do Caminho; 11- Em Direção às

Decisões Mais Analíticas e Melhores Resultados.

Passando ao destaque dos autores a cada uma das letras da metodologia DELTA,

comecemos com a letra D (de Dados) neste DELTA analítico. Dados são um pré-requisito

para qualquer coisa analítica; não se pode ser analítico sem dados, e não se pode ser bom em

analítica sem bons dados. Deste modo, os autores apresentam o que é necessário saber sobre

dados, ou seja: estrutura (qual é a natureza dos dados que você tem?), unicidade (como você

explora dados que ninguém mais tem?), integração (como você consolida os dados de várias

fontes?), qualidade (como você se apóia nos dados?), acesso (como você obtém seus

dados?), privacidade (como você guarda seus dados?) e governança (como você os organiza

e mantém?).

Uma vez conhecendo em profundidade estas características principais de seus dados,

a organização interessada em desenvolver sua analítica deve estar preparada para mover em

seus Estágios de Maturidade Analítica. Desta forma, os passos necessários, de acordo com os

autores do livro para se mover nestes estágios são apontados na Figura 16 à frente.

Page 33: Tendências de inovações tecnológicas para  analítica de negócios

Figura 16. Estágios de Maturidade Analítica

----------------------------------------------------------------------------------------------------------

Do Estágio 1 Do Estágio 2 Do Estágio 3 Do Estágio 4

(Anlytically Imparied) (Localized Analytics) (Analytical Aspirations) (Analytical Companies)

Para o Estágio 2 para o Estágio 3 para o Estágio 4 para o Estágio 5

(Localized Analytics) (Analytical Aspirations) (Analytical Companies) (Analytical Competitors)

----------------------------------------------------------------------------------------------------------

Ganhe maestria Construa um consenso Construa data Eduque e engaje

sobre seus dados empresarial em torno warehouses e executivos seniors

locais de importância, de alguns alvos analíticos integre dados em dados com

incluindo data marts (1) e suas necessidades de externos. Engaje potencial

funcionais. dados. Construa alguns executivos sênior competitivo.

domínios de em planos Explore dados

data warehouses (2) de EDW (3) únicos.

(exemplo, consumidores) e gestão. Estabeleça forte

e correspondente Monitore fontes governança de

expertise analítica. emergentes de dados. dados,

Motive e premie especialmente

contribuições funcionais stewardship (4).

cruzadas e gestão. Forme um

BICC (5) se você

ainda não tem um.

-------------------------------------------------------------------------------------------------------------------------------

(1) Data marts são um subconjunto de um armazenamento de dados, usualmente orientado para um propósito específico ou um grande subconjunto de dados que devem ser distribuídos para dar suporte às necessidades do negócio.

(2) Data warehouse é um repositório dos dados eletronicamente armazenados de uma organização. São projetados para facilitar a geração de relatórios e análises.

(3) EDW- Enterprise Data Warehouse

(4) Stewardship se refere às responsabilidades de utilizar e desenvolver adequadamente os recursos de uma organização.

(5) BICC- Business Intelligence Competency Center- Centro de Competência em Inteligência de Negócios.

Fonte: Davenport (2010)

Page 34: Tendências de inovações tecnológicas para  analítica de negócios

Dado que o mercado mundial de Analítica é um que é dominado por um pequeno

conjunto de grandes empresas com certa tradição na oferta de bens e serviços voltados para

as empresas e organizações, percebe-se que ainda é pouco significativa a presença dos

players nacionais (e de Pernambuco em particular) no elenco de provedores de soluções e

aplicações neste mercado. Em resumo, o mercado brasileiro é ainda um mercado

“consumidor” de soluções não nativas.

Mas como o país se destaca na indústria de TICs como um grande, e criativo,

integrador de soluções tecnológicas, as chances de aqui serem desenvolvidas soluções de

Analítica de mais baixo custo (porém de alto valor tecnológico e mercadológico) são muito

grandes, já que muitas das empresas nacionais talvez não possam arcar com os altos custos

das soluções não nativas que aqui estão sendo ofertadas. Ademais, há um enorme espaço para

o desenvolvimento de soluções gratuitas, como é a de Google Trends, que reflete muito bem,

como nenhuma outra, o paradigma novo da tecnologia de Analítca nos dias atuais.

Como manifestado no 1º Relatório de Tendências de mercado (abril/2013),

estabelecendo um elo entre os resultados aqui apresentados e as empresas do Porto Digital,

pode-se apontar que as empresas deste parque devem urgentemente iniciar tanto a definição

de estratégias de analítica em suas estruturas quanto a contratação de talentos em analítica

para darem suporte às suas estratégias de negócios. Um primeiro passo nesta direção (para

que não se comece da estaca zero) é a utilização de ferramentas já existentes no mercado;

uma vez dominando tais ferramentas, as empresas podem passar a desenvolver suas próprias

ferramentas, e, finalmente, começarem a extrair valor tanto dos seus dados quanto dos dados

de seus clientes.

Page 35: Tendências de inovações tecnológicas para  analítica de negócios

3 Conclusão

Neste relatório que apresentou as tendências de inovação tecnológica em analítica

observamos as oportunidades de inovação que as tecnologias digitais propiciam. Vimos que a

Analítica (que é a descoberta e a comunicação de padrões - com significado - em dados) é

uma tecnologia que vem ganhando grande importância no nosso cotidiano, ao lado das

questões que estão emergindo com as tecnologias de Big Data.

O tema ganha mais relevância na medida em que se constata que há um hiato de

talentos preparados para o desafio colocado pela Analítica, e que a superação deste hiato não

é algo simples, especialmente para as economias ainda em estágio de desenvolvimento

econômico.

Por fim, também vimos como a Analítica se classifica e como ela tem evoluído do

ponto de vista de suas principais inovações. Demos destaque as principais macrotendências

neste setor, e apontamos, marcadamente, para as principais oportunidades que estão surgindo

com as aplicações de metodologias e ferramentas associadas a esta tecnologia.

Page 36: Tendências de inovações tecnológicas para  analítica de negócios

4 Referências

Kelly, Jeff (2012). “Big data: Hadoop, Business Analytics and Beyond: A Big Data

manifesto from the Wikibon Community”. December, 14th.

http://wikibon.org/wiki/v/Big_Data:_Hadoop,_Business_Analytics_and_Beyond.

Teerlink, Mark and Michael Haylock (2011). “Customer analytics pay off”. IBM

Institute for Business Value.

Page 37: Tendências de inovações tecnológicas para  analítica de negócios

5 Glossário e Acrônimos

Analítica – descoberta e a comunicação de padrões (com significado) em dados

Big Data – informação que não pode ser processada ou analisada por processos ou

ferramentas tradicionais

CRM – customer relationship management (gestão de relacionamento com clientes)

ERP – enterprise resource planning (planejamento dos recursos empresariais)

ETL- extract, transfer and load (extrair, transferir, e carregar)

OLAP - online analytical processing (processamento analítico online)

TICs - tecnologias de informação e comunicação