Novas tecnologias aliadas à redução dos custos computacionais resultam no contínuo boom de Big Data e Data Analytics que estamos presenciando. Diariamente produzimos, armazenamos e processamos grandes quantidades de informação, e estes processos trazem dois desafios:

  • Como gerir de todo este conhecimento (saiba mais sobre isso aqui); e
  • como interpretar essas informações para transformá-las em valor para os nossos negócios.

Armazenar e processar dados, por si só, pode não gerar valor. Precisamos “entendê-los”, para saber o que os números significam e “reportá-los”, para que essas informações possam ser usadas na tomada de decisão. Nesse artigo vamos mostrar como a visualização de dados pode ajudar no entendimento e na tomada de decisão dos negócios que são (ou querem se tornar) Data Driven.

O que é visualização de dados

Visualização de dados é, literalmente, mostrar de forma compreensível informações que têm alto valor agregado. Este valor se encontra no fato de que pessoas, principalmente em um ambiente Data Driven, criam argumentos e tomam decisões baseadas em informações.

Portanto, identificar de forma clara e rápida qual é a relevância de cada dado é crucial para transformá-lo em conhecimento. Por exemplo, abaixo trazemos duas formas distintas de visualizar a taxa de desemprego e a média do salário por nível de educação no segundo trimestre de 2019 no Brasil, os dados foram extraídos do IBGE.

Nìvel de EscolaridadeTx. de DesempregoRendimento médio
Ensino fundamental incompleto ou equivalente11,1R$ 1.219,00
Ensino fundamental completo ou equivalente13,9R$ 1.458,00
Ensino médio incompleto ou equivalente20,5R$ 1.349,00
Ensino médio completo ou equivalente13,6R$ 1.774,00
Ensino superior incompleto ou equivalente14,1R$ 2.222,00
Ensino superior completo ou equivalente6,1R$ 5.039,00

Perceba que, pela tabela, pessoas com nível de educação superior completo possuem maior média de renda mensal  e este grupo apresenta também menor taxa de desemprego. Mas, outras informações importantes são menos óbvias de se extrair da tabela, o que torna o gráfico muito mais interessante. 

No gráfico a disparidade entre a renda de pessoas com superior completo e as outras categorias é mais evidente. Fica também mais visual que a taxa de desemprego não segue a de nível de escolaridade, como seria de se esperar. Extrair estas e outras informações da tabela exigiria muito mais dedicação, principalmente para análises de comparação entre as diferentes categorias.

Neste exemplo simples, fica claro que se dedicar à visualização de dados ajuda na geração de insights, criando também formas mais efetivas de comunicação. Pensar em visualização de dados é pensar em como os outros terão acesso a essas informações, se será mais fácil ou mais difícil para estes dados se transformarem em conhecimento. 

As imagens geradas podem atuar como facilitadoras ou bloqueadoras na disseminação da informação, e isso depende do quanto você investe em visualizar os seus dados. Essa preocupação pode ser chave na hora de tomar decisões, ou mesmo de se comunicar com seu cliente.

Visualização de dados com Inteligência Artificial

Mas a visualização de dados não significa apenas transformar tabelas em gráficos. Imagine analisar, fazer sentido e construir gráficos com base em tabelas com milhares ou mesmo milhões de entradas, elaborar visualizações a partir de horas de audios ou mesmo gravações de vídeos. É nessas situações que abordagens de inteligência artificial (I.A) são muito úteis. Elas facilitam a extração de conhecimento de grandes volumes de dados, descobrindo informações que mesmo humanos não seriam capazes de perceber.

Com o crescimento acelerado dos negócios rumo a processos mais data driven, surgem soluções flexíveis e customizáveis para praticamente toda e qualquer operação. E o uso de I.A trás a capacidade de prototipação rápida de visualizações e a escalabilidade dessa forma de analisar os dados permite que sejam criadas diferentes formas de se observar a informação, mas sem aumentar a complexidade da análise.

Projetos de Advanced Data Analytics permitem que um grande volume de dados (por exemplo: nas áreas de logística com inúmeros SKU´s) seja processado e analisado a fim de otimizar a tomada de decisão. Integrações em tempo real entre grandes bancos de dados de operações complexas se tornam muito mais tangíveis quando abordadas com soluções de I.A.

Extraindo valor dos dados na prática

É comum que as empresas, lojas e fábricas tenham metas de venda. E há inúmeras maneiras de definir essas metas, como por exemplo por faturamento líquido ou por quantidade vendida. 

Vamos pensar no seguinte caso: o CSO (Chief Sales Officer) da South American Toys™ (uma multinacional que produz e vende brinquedos), está interessado em descobrir se há diferença entre basear as metas de vendas das lojas no faturamento e na quantidade vendida. A dúvida surgiu porque, no mercado em que a South American Toys atua, a rotatividade dos produtos é alta, devido a constantes lançamentos, e quando os produtos demoram a serem vendidos, é necessário aplicar descontos.

Para avaliar as metas, a empresa contratou duas consultorias para responder a pergunta: Basear as metas de vendas em quantidade faturada tem resultados financeiros diferentes de se basear as metas de vendas no faturamento?

Para sanar a dúvida da South American Toys, ambas as consultorias, por coincidência, fizeram o mesmo estudo e tiveram o mesmo resultado: lojas cujas metas de vendas estão atreladas a quantidade vendida geram mais descontos quando comparadas às baseadas em faturamento. Isso se dá por elas esperarem mais tempo para colocar os brinquedos nas prateleiras, de modo que vendam mais. Entretanto, cada consultoria apresentou o resultado de uma maneira diferente. 

A primeira consultoria apresentou a tabela abaixo, com resultados estatísticos indicando que metas atreladas ao faturamento diminuem o desconto dado pelas lojas. 


Resultados dos estudos da primeira consultoria

Confuso, não? Por outro lado, a segunda consultoria apresentou uma visualização do efeito que diferentes metas têm sobre o tempo que leva para as lojas venderem os brinquedos: 

  • As barras laranjas indicam fábricas;
  •  As verdes rotas;
  •  As azuis distribuidores; e
  • As vermelhas lojas. 

Número de dias em relação ao tempo total necessário para se vender dos brinquedos

Mas temos ainda mais informações ali: a largura das barras indica a quantidade de tempo que o brinquedo passou em cada etapa. Foram selecionados fábricas, rotas, distribuidores e lojas similares, sendo apenas a meta de venda diferentes. No lado esquerdo temos as lojas cuja meta de vendas eram baseadas no faturamento e, do lado direito, as baseadas na quantidade vendida.

É visível a diferença entre as duas abordagens. As lojas com metas por faturamento mantêm um fluxo bom de escoamento de mercadoria, vendendo rapidamente (e a um preço cheio) tudo o que chega em seus estoques. Perceba que a barra laranja é muito maior que a vermelha, indicando que o produto fica pouco tempo na loja. Essa capacidade de não formar estoques locais diminui o uso de descontos, pois remove a necessidade de dar descontos para fazer o estoque girar, ou seja, a oferta se equilibra com a demanda.

Em contrapartida, nas lojas com metas por quantidade há um volume muito maior de estoques locais, seja nos centros de distribuição, seja nas lojas. Com o passar do tempo, esses produtos em estoque começam a perder valor pois não é interessante para o negócio mantê-los parados por muito tempo. Assim aplicam-se descontos, pois a oferta é muito maior que a demanda. Estes descontos fazem aumentar o volume vendido, mas às custas de um ticket médio menor.

Visualização de dados e transferência de conhecimento

O exemplo acima traz uma pequena amostra de como a visualização de dados pode ajudar na tomada de decisão e entendimento dos negócios. O conhecimento, como o gerado na segunda análise, não seria impossível (ou pelo menos muito difícil) de se obter com os dados estatísticos apresentados pela primeira consultoria. O resultado é o mesmo, mas o segundo é muito mais visual, completo e intuitivo. Os métodos gráficos ofereceram mais valor neste caso, por serem capazes de abstrair milhões de transações em um esquema simples e visual. Em casos reais, uma empresa gera milhões de transações em menos de 1 mês, o que torna a análise de tabelas inviável.

Com as empresas produzindo mais e mais dados, as ferramentas tradicionais de análise de dados para tomada de decisão se tornam ineficientes, exigindo que os pessoas e processos se adaptem a trabalhar com tecnologias que expandem a capacidade de absorver informação, o uso de I.A e Advanced Data Analytics são exemplos disso. 

Dados podem esconder informações importantes, e técnicas de visualização gráfica ajudam tanto a traduzir estes em conhecimento quanto a transferi-lo de maneira suave para outros stakeholders. A capacidade de visualização de dados avançada é um pilar fundamental dentro de uma cultura Data Driven madura, pois possibilita que a intuição que vem da experiência no mercado seja cada vez melhor auxiliada pelo entendimento de padrões escondidos da percepção humana, de modo que as decisões tomadas tornam-se cada mais mais otimizadas.