Big Data Blogueiro Convidado

A evolução de Business Intelligence para Data Science

0

“Inicialmente, eu não via muita diferença entre análise de BI e Data Science. Eu achava que poderia tranquilamente não escrever um livro sobre Big Data – porque o fato é que as ferramentas de análise e as abordagens usadas não são tão diferentes no caso desses grandes conjuntos de dados armazenados. Mas, quando passei a falar com empresas e com data scientists, percebi que realmente existem algumas diferenças fundamentais – algumas que ainda precisam ser mais articuladas e outras que já estão em evidência”.

As palavras acima são de Thomas Davenport, professor da Boston University, pesquisador de TI e autor de Conhecimento empresarial e de outros best-sellers. A a confusão a que ele se refere é bastante recorrente no mundo da gestão: muita gente ainda está em dúvida diante das diferenças entre as carreiras de analista de Business Intelligence e de data scientist.


Leia também: Business Intelligence e Big Data: qual a diferença?


Da análise descritiva para a análise preditiva

Com tantas metodologias de TI surgindo por aí, é normal que essa confusão ocorra. Mas o que Davenport e outros especialistas vêm constatando é que tais diferenças podem ser resumidas em uma única palavra: evolução.

Pois enquanto a análise de BI sempre foi de natureza “descritiva” ou “retrospectiva”, de transformação de dados em informações capazes de delinear realidades de negócio, os data scientists ocupam-se de análises mais “preditivas”. Ou seja, enquanto um analista de BI deve responder à pergunta “o que aconteceu?”, o data scientist ocupa-se de “o que vai (ou pode) acontecer”.

Para entendermos melhor esse processo, vale recuperarmos a conceituação de ambas as carreiras.

Ref: http://www.grroups.com/blog/whats-the-difference-between-bi-analyst-and-data-scientist

Business Intelligence: o conhecimento que vem com a maturidade

Lá se vão trinta e dois anos que a disciplina de Business Intelligence surgiu. A prática ganhou contornos mais definidos com o lançamento do MS Excel, em 1985; até ali, a análise de dados limitava-se apenas a cálculos manuais, na base da tentativa e do erro.

Com os avanços da tecnologia e o crescimento vertiginoso do uso da Internet, observou-se um boom sem precedentes de dados. Em paralelo a isso, foram desenvolvidas ferramentas de análise e de interpretação desses dados por parte de empresas. Eis aí a função de um analista de BI: converter dados brutos em insights de negócio para que gestores possam tomar decisões. Isso se dá por meio de relatórios, Key Performance Indicators (KPIs) etc.

Data science: mais jovem, mas de olho no futuro

Já o surgimento da carreira de data scientist está vinculado à explosão de Big Data. Reunindo uma série de disciplinas, como Engenharia, o próprio BI, Ciência da Computação e Estatística, a atividade de Data Science incorpora processos de pesquisa, coleta, processamento e transformação dessas grandes quantidades de dados.

Tudo isso é feito para dar estrutura ao Big Data, de modo a encontrar padrões e orientar decisões. Nesse sentido, Machine Learning, ou Computação Cognitiva, é outro conceito-chave para Data Science, uma vez que se refere a todos os processos pelos quais um algoritmo entende um dado e realiza previsões relativas a ele. Python, por exemplo, é a linguagem de programação mais utilizada para o desenvolvimento de machine learning.

Enfim, de forma mais sistemática, o cientista de dados deve:

  • Saber atrair Big Data;
  • Interessar-se por dados não estruturados;
  • Entender integralmente os objetivos de negócio da empresa;
  • Elaborar modelos matemáticos e estatísticos com precisão (programação);
  • Promover a inovação;
  • Apresentar criatividade em storytelling.

Leia também: Cientista de dados: que profissão é essa?


Ciência, senso de negócio e capacidade comunicativa

Você deve ter percebido que a essência daquela evolução a que nos referimos são o entendimento de negócio e a capacidade de comunicação. Como falamos neste post, o data scientist deve entender bem da operação de uma empresa, atuando de forma empática, para embasar as decisões-chave que gestores e líderes precisam tomar.

Além disso, é indispensável que o cientista saiba comunicar efetivamente as conclusões baseadas em dados para esses executivos, de modo que possam antecipar cenários possíveis no futuro.

O trabalho de um analista de BI, por outro lado, consiste em encontrar padrões e tendências nos dados históricos de uma organização – ou seja, no que já aconteceu. Este é o ponto-chave na diferença entre as duas disciplinas: enquanto o BI é amplamente baseado na exploração de tendências passadas, Data Science consiste em encontrar preditores, bem como o significado dessas tendências.

Data science embasando decisões críticas no LinkedIn

O exemplo do LinkedIn, fornecido por esta matéria do First Round Review, ilustra bem essa relação. O time de executivos da empresa usou Data Science para tomar algumas decisões que foram muito importantes para o futuro do negócio. Uma delas foi em relação à visibilidade dos perfis nos resultados de busca. Historicamente, somente usuários pagos poderiam ver os perfis integralmente em sua rede de contatos. As regras de visibilidade eram complexas, e a empresa queria simplificá-las – mas não de um jeito que comprometesse a receita.

O modelo de visibilidade proposto consistiu no uso mensal para usuários não-pagos, com um atalho baseado no uso. Os data scientists do LinkedIn simularam os efeitos desta mudança, usando o histórico de comportamento dos usuários para prever o impacto na receita e no engajamento.

E o resultado foi não somente positivo para o negócio, mas também encantou milhões de usuários. Além disso, a decisão eliminou uma fonte de complexidade que era um tremendo obstáculo para a área de desenvolvimento de produto. O projeto foi muito bem sucedido – graças à capacidade de previsão e antecipação dos data scientists da empresa.

Ref: https://pt.slideshare.net/YanLiu30/linked-in-at-tdwi-solution-summit-san-diego-2015

Formando hoje os profissionais do futuro

Ainda que haja diferenças fundamentais entre as duas carreiras, não restam dúvidas: ambas são fundamentais para o mundo corporativo atual, e devem coexistir. Até porque quem atua com BI, Analytics e outras posições que envolvam análise de dados, já dispõe de uma parte importante das habilidades necessárias para dar o passo em direção a Data Science.

Se este for o seu caso e se você quiser complementar essas habilidades, vale conhecer o bootcamp em Data Science & Machine Learning for Business da Tera. Criado lado a lado com alguns dos melhores data scientists do mercado e com o apoio da Hekima, o curso leva os alunos por uma jornada de mais de 130 horas de conhecimento e de mão na massa, com dados e problemas reais de negócios reais.

Sobre o autor:

Felipe Fabris é sócio da Tera, escola de tecnologia, negócios e design para a economia digital. Com 8 anos de experiência em marketing digital e educação, foi Gerente de Produto e Audiência na Endeavor, onde ajudou a criar o Portal Endeavor, um dos principais canais de inspiração e capacitação para empreendedores em fase de crescimento. Esteve à frente da estratégia de produto e audiência no Minha Vida, portal de saúde e bem-estar com mais de 30 milhões de visitas por mês. É entusiasta de novos modelos de educação e acredita no poder de aprender e reaprender constantemente.