Como é amplamente comentado no Brasil e no mundo, Data Analytics é um dos pilares que sustentará a nova fase de transformação digital da sociedade, já que tudo tende a gerar dados em maior ou menor grau. Assim, diversas empresas estão investindo em treinamentos voltados às ciências que explicam a natureza dos dados. Neste artigo vamos compartilhar um pouco do que temos visto em sala de aula e quais os passos mais seguros que estão sendo tomados por empresas e profissionais.

Ensinando Data Analytics: O perfil das turmas nos cursos de Data Analytics

Em todas as edições dos cursos que realizamos fazemos um levantamento do perfil da turma. Assim, em nossa experiência, as turmas se mostram bastante heterogêneas, com alunos de diferentes setores, áreas de negócio,  diferentes níveis de conhecimento técnico, anos de experiência e com diferentes hobbies. Vemos que essa característica marcante é positiva do ponto de vista da complexidade e qualidade das possíveis análises de dados resultantes. Acreditamos que quanto mais diversos os pontos de vista, maiores as chances de descoberta de insightssignificativos.

Conversando com alguns gestores sobre esses perfis multifacetados, uma das conclusões que tivemos é que está havendo uma necessidade crescente de pessoas com boa comunicação e que conseguem navegar em contextos diferentes para dar o máximo de vazão dos conhecimentos adquiridos ao invés de se tornarem retentores e especialistas absolutos sobre determinados pontos.

No geral, os perfis dos alunos nos cursos de Data Analytics se dividem entre áreas de negócio das organizações, áreas de inovação e áreas mais técnicas voltadas para TI.

Os alunos, em sua maioria, detém um bom conhecimento de uso do Excel, principalmente aqueles mais focados em áreas de negócio nas empresas. Vários deles(as), mas não a maioria, utilizam as poderosas tabelas dinâmicas para sintetização de dados e geração de relatórios consolidados de Datasets  (O que são datasets?) de até 1 milhão de linhas.- Outros tantos também se beneficiam das sugestões da aplicação das teorias de design sobre suas planilhas que escrevemos nesse artigo  13 dicas para deixar as planilhas mais apresentáveis.

Nos cursos de Data Analytics da Aquarela, uma parcela dos alunos possui bons conhecimentos em bancos de dados, especialmente bancos de dados estruturados e conhecimento de SQL. Uma parcela bastante pequenas dos alunos também já trabalha ou demonstra interesse em aprender linguagens de programação focadas em ciência de dados, como R e Python.

 

Workshop de Data Analytics Engie, em Florianópolis.

Workshop de Data Analytics Engie, em Florianópolis.

 

Curso aberto de “Introdução à cultura de Data Analytics” na ACATE, Florianópolis, e na CAESB, em Brasília.

Curso aberto de “Introdução à cultura de Data Analytics” na ACATE, Florianópolis, e na CAESB, em Brasília.

 

Hackthon de Data Analytics na Algar Telecom, Belo Horizonte, e na Flex Contact Center, Florianópolis.

Hackthon de Data Analytics na Algar Telecom, Belo Horizonte, e na Flex Contact Center, Florianópolis.

 

Curso aberto de “Introdução à cultura de Data Analytics” no CUBO e na FYI, ambos em São Paulo.

Curso aberto de “Introdução à cultura de Data Analytics” no CUBO e na FYI, ambos em São Paulo.

Perfil das empresas

Grande parte das empresas que estão investindo em Data Analytics já possuem alguma coleta de dados sendo feita e já sentem diariamente as limitações das ferramentas tradicionais de análise de dados, como o Excel – que é uma poderosa ferramenta para análise contábil e financeira, mas inadequada para diversas fases necessárias do processo de Advanced Analytics, como por exemplo limpeza e enriquecimento de dados e Inteligência Artificial.

Apesar de sempre existirem muitas crenças (verdadeiras ou não) dentro das empresas, elas raramente registram de forma estruturada essas relações de causa e efeito em seus processos. Sem esses registros (mesmo em post its) se torna mais difícil elaborar os testes contra os dados coletados da realidade.

Logo, registrar as crenças é o primeiro passo para descobrir se estas são verdadeiras, falsas ou plausíveis. Em outras palavras, os analistas de dados fazem constantemente um trabalho igual ao dos personagens da série MythBusters.

Assim como as crenças não são elucidadas de forma sistemática, o mapeamento das fontes de dados internas e/ou externas também não. A sugestão é começar os processos de mapeamento de fontes de dados internas; e para aqueles dados que ainda não estão disponíveis, criar uma lista de desejos de dados. Assim, com o tempo é possível conseguí-los internamente ou externamente.

Aos interessados em entender melhor o perfil das empresas brasileiras em analytics, segue o resultado de um levantamento online que fizemos recentemente sobre o nível de maturidade das empresas Brasileiras – Relatório sobre a cultura de dados nas empresa Brasileiras .

Alunos e empresas: limitações da implementação de Data Analytics

Um grande limitador da eficiência dos alunos para implementarem projetos de Data Analytics é a fragmentação dos dados em suas organizações, e das análises causadas principalmente pelo uso intensivo de planilhas, bem como a dificuldade de estruturar análises robustas e recorrentes com essas ferramentas.

Abaixo está uma tabela com as limitações dos arquivos de planilhas eletrônicas, neste caso as empresas que trabalham com maior quantidade de dados podem utilizar arquivos no formato “.CSV”.

Limitações das planilhas eletrônicas

Limitações das planilhas eletrônicas

Mais detalhes sobre as limitações das planilhas e o caminho para as linguagens R e Python em: Saindo do limitado excel para o R ou melhor Python

Um dos fatores que motiva a criação de diversas planilhas fragmentadas dentro da organização é a dificuldade em conseguir realizar extrações de dados específicos das bases de dados das empresas. Isso é causado em boa parte por haver uma dependência de profissionais de TI, que precisam dedicar um tempo extra para alterar as queries e esse processo conflita com as definições de prioridades da área.

Para resolver este problema, uma das nossas principais missões nos cursos é disseminar a cultura de Data Analytics, para que os objetivos de negócio de cada análise sejam bem definidos e os projetos de Analytics possam ser priorizados nas organizações, devido ao grande potencial de gerar valor que possuem.

Conclusões e recomendações

O uso cada vez mais intensivo de dados é uma grande tendência, talvez seja algo parecido com a evolução da informatização – ocorrida nos anos 90 –, e o surgimento da internet na sequência. A capacitação das pessoas que administram e executam processos de negócios é parte integral desta fase de transformação digital que está acontecendo.

Procuramos compartilhar neste artigo um pouco do perfil dos alunos e das empresas que já estão investindo no aperfeiçoamento profissional com a Aquarela. De forma conclusiva, vemos que tanto empresas como pessoas têm perfis distintos e que o primeiro passo tem sido iniciar os mapeamentos dos problemas existentes, crenças e dados para análise e dicionarização de dados para então iniciar de avaliações de dados de forma prototípica termos usado (small Data) ou então buscar a terceirização de alguns processos analíticos quando a complexidade torna a tarefa muito distante dos objetivos estratégicos da empresa.

Além do mais, todos esse processos trazem diversos ganhos secundários que buscaremos explicitar em artigos futuros.

 

 

Autores
Joni Hoppen
Fundador da Aquarela, professor e palestrante na área de Ciência de Dados, mestre em Sistemas de Informação, focado em processos de rápida prototipação de Big Data Analytics e cultura de dados.

Informações para referenciação: Gostou do material? Caso queira enriquecer sua pesquisa ou relatório (seja blog post ou artigo acadêmico), referencie nosso conteúdo como: Aquarela 2018 - Inteligência Artificial para negócios (www.aquare.la).