Quais são os tipos de análise de dados?
A Análise de dados é um processo que busca examinar dados existentes, gerar conclusões e insights. Para isso, são definidos quatro tipos de análises de dados.
Vamos dividir em duas camadas, na primeira (a tradicional), que abrange avaliações descritivas, que indicam o que já ocorreu sem emitir julgamentos, ela também envolve análises diagnósticas — que derivam da descritiva, tem como objetivo apresentar o que motivou determinado evento.
Em uma segunda camada, existem os tipos de análise prescritivas e preditivas— esses definem um análise mais aprofundados, onde isso não significa que as avaliações descritiva e diagnóstica devam ser deixadas em segundo plano: as análises são complementares e permitem compreender melhor o cenário.
Confira os 4 principais tipos de análise existentes:
- Análise descritiva: saiba “O que aconteceu?”
- Análise de diagnóstico: entenda “Por que isso aconteceu?”
- Análise preditiva: preveja “O que vai acontecer?”
- Análise prescritiva: recomendar “Como podemos melhorar?”
Análise descritiva
Refere-se a análise de dados históricos (passado para responder à pergunta — O que aconteceu? (What happened?)
Outputs: visualizações, tabelas, relatórios e dashboards…
Por exemplo, vamos supor uma empresa de vendas online, ela tentaria medir e quantificar seu desempenho histórico, respondendo a perguntas como:
- Qual é a taxa média de inadimplência?
- O número de aquisições de novos clientes está aumentando ao longo do tempo?
- Qual o % de churn de clientes?
- Qual produto teve maior rentabilidade?
- Qual estado/ região tem a maior rotatividade de clientes? etc.
Toolkit: Ferramentas de Business Intelligence como Microsoft Power BI, AWS QuickSight, Tableau, Qlik Sense, SAP Analytics Cloud, Oracle Analytics Cloud, Looker, SiSense, ThoughtSpot, etc.
Análise diagnóstica
A compreensão de “o que aconteceu” geralmente leva a perguntas de acompanhamento de usuários de negócios com foco em por que isso aconteceu? (Why did it happen?). Algumas das técnicas analíticas que ajudam as organizações a identificar as causas-raiz são drill down, slicing-and-dicing e Análise Exploratória de Dados (EDA). Raciocínio e análise de causa raiz são os elementos-chave aqui. A geração e explicação de insights ajudam as empresas a aumentarem a forma como as pessoas exploram e analisam dados.
Vamos voltar ao exemplo da empresa de vendas online… Eles perguntam:
- por que a taxa de inadimplência era muito alta em uma determinada região?
- por que o produto X teve maior rentabilidade na região sul do que na região nordeste do Brasil?
- por que o churn de clientes aumentou tanto em Roraima?
- por que a rotatividade de clientes foi muito alta no mês passado, etc.
Outputs: O objetivo principal é raciocinar por que algo aconteceu de determinada forma.
Toolkit: Ferramentas de Business Intelligence, como Microsoft Power BI, AWS QuickSight, Tableau, etc. estão adicionando cada vez mais recursos (ou seja, Augmented Analytics — indo além das expectativas tradicionais das plataformas de BI). Ferramentas de Machine Learning (ML) como Python e R, possuem recursos para lidar com isso.
Análise preditiva
Isso se refere à próxima fase em que as empresas analisam dados históricos, extraem padrões/tendências e tentam prever o que vai acontecer (What will happen?).
Outputs: Construção de um modelo preditivo para determinar o que é mais provável de acontecer, usando técnicas como estatísticas multivariadas, regressão, previsão, aprendizado de máquina…
Se voltarmos ao exemplo, da empresa de vendas online, eles gostariam de entender:
- qual a estimativa de venda do produto X no nordeste para os próximos 5 anos?
- esta é uma transação fraudulenta?
- esse cliente vai ficar ou sair?
Toolkit: Ferramentas de ML como Python, R, SAS, etc. Ferramentas de BI e aplicativos de negócios (ERP, CRM etc.) estão tentando incorporar recursos preditivos em seus fluxos de trabalho.
Análise prescritiva
É a forma de análise que ajuda a determinar o que deve ser feito (How can we improve?). Ele se estende além da previsão e, muitas vezes, a saída prevista é usada para obter o conjunto recomendado de ações para usuários finais. Além do ML, isso também envolve heurística, otimização, mecanismo de recomendação etc.
Outputs: Recomendação de ações, campanhas…
Nossa empresa de vendas online, quer saber:
- que tipo de ação resultaria no pagamento de um saldo em atraso?
- qual ação pode tomar para que a rentabilidade do produto X aumente na região Nordeste?
- qual campanha podemos fazer em Roraima para minimizar a taxa de churn?
- em que termos devemos aceitar um pedido, etc.
Toolkit: Ferramentas de ML como Python, R, SAS etc.
Conclusão
As empresas estão cada vez mais adotando a análise e estão em diferentes níveis de maturidade. Ao falarmos com profissionais de análise de dados (seja um analista de dados, engenheiro de dados, cientista de dados, analista de negócios, analista de BI…), a resposta é unânime, todos eles estão fazendo algo para ajudar as organizações a obterem inteligência dos dados, sempre buscando torna-las em uma organização baseada em dados (data-driven)
Referência
