A transformação digital precisa ocorrer agora. Sua empresa está dentro?

A tecnologia é sempre mutável, disso todos já sabemos. A cada ano, ela redesenha a maneira como nosso mundo funciona: como nos comunicamos, como consumimos e como produzimos. No meio corporativo, não há como evitar a pergunta: será que as empresas estão preparadas para acompanhar a transformação digital rápido o bastante?
Tentando responder essa pergunta, a Dell em parceria com a Intel, duas gigantes mundiais de tecnologia, e a empresa de pesquisas Vanson Bourne, mapearam os esforços e o progresso em transformação digital de empresas de médio e grande porte em 42 países, incluindo o Brasil. A partir do levantamento com 4.600 líderes executivos, foi criado o índice de Transformação Digital Dell.


A principal constatação do índice é de que o progresso na transformação digital da maioria das empresas ao redor do mundo tem sido lento. Apenas 5% das empresas participantes podem ser consideradas Líderes Digitais, a classificação máxima do índice, que define quem já tem a digitalização enraizada no negócio. O dado indica que ainda há muito trabalho pela frente se essas empresas (e a sua pode estar entre elas) não quiserem ficar obsoletas e serem ultrapassadas pela concorrência em poucos anos.

Na pesquisa, as classificações dos grupos de referência foram feitas com base no desempenho de quatro áreas:

    • incorporação dos principais atributos de um negócio digital;
    • estratégia de TI existente;
    • estratégia de transformação da força de trabalho;
  • investimentos planejados para os próximos cinco anos.


O índice, além de mostrar o progresso da transformação digital ao redor do mundo, também trata das expectativas, dificuldades e medos digitais dos líderes empresariais para o futuro.

Qual é o contexto atual da transformação digital mundial?

Ao redor do globo, a situação digital das empresas não mudou muito desde que o primeiro índice foi realizado, em 2016. Os programas para atingir a transformação necessária para se sobressair em um mundo hiper digital estão em fase inicial e há um longo caminho a ser percorrido.

Na principal classificação do Índice, a maioria das empresas (33%) está na categoria de Avaliadores Digitais, adotando a transformação gradualmente.

Ainda, mais da metade das empresas (51%) acredita que terá dificuldades para atender às demandas dinâmicas dos clientes na era digital e um em cada três tem medo de ficar para trás em 5 anos.
Leia neste artigo da Propus como aplicar o conceito de Data Science em sua empresa para não ficar para trás.
No cenário mundial, as principais barreiras que impedem o avanço de 91% dos negócios para um core digital são:

  • Segurança e privacidade dos dados;
  • Falta de orçamento e recursos;
  • Habilidades insuficientes da força de trabalho;
  • Mudanças na regulação e legislação;
  • Cultura digital imatura.

Os mercados emergentes estão mais confiantes na capacidade de ultrapassar as barreiras digitais do que serem ultrapassados, 53% em comparação com 40% das empresas em nações desenvolvidas. Portanto, a perspectiva é boa para as empresas brasileiras, mas os desafios também são muitos. Vamos ver agora como está a situação no Brasil.

Enquanto isso, no Brasil…

Em terras tupiniquins, as perspectivas de crescimento da transformação digital são um pouco melhores do que mundialmente. Mas isso não significa que não existam desafios e muitos aspectos para melhorar. Vamos dar uma olhada em alguns números descobertos pelo Índice, que entrevistou 4.600 líderes empresariais no mundo todo:

Embora apenas 6% das empresas brasileiras já são consideradas líderes digitais, a pesquisa também aponta que 70% de nossos negócios já contam com planejamento e investimentos com o objetivo de digitalizar as operações.
Confira neste artigo dicas para extrair valor dos dados de seu negócio e crescer mais e melhor.

E a concorrência?

Esse tópico revelou ser uma grande preocupação dos líderes brasileiros: a concorrência. Dos entrevistados, 26% teme que sua organização fique para trás em cinco anos na corrida digital e 26% temem que suas empresas sejam ultrapassadas pela concorrência nesse período.

E por que esse crescimento está sendo tão lento?

As principais delas, apontadas pelos líderes  brasileiros, foram mudanças nas leis ou regulamentação e preocupação com privacidade e segurança. Mas não são as únicas:

Sabemos que o processo de transformação digital é lento e demanda diversas mudanças profundas, ainda mais quando se é esperado um nível de digitalização muito alto da maioria das empresas. Mas existem medidas que podem ser adotadas para superar essas barreiras. No Índice, são apontadas as seguintes soluções que já estão sendo utilizadas:

Além disso, as empresas também estão investindo em algumas tecnologias emergentes e soluções de cibersegurança para realizar a Transformação Digital de forma segura. Para os próximos 3 anos, os executivos brasileiros sinalizam investimentos em:

Veja mais exemplos de como as empresas usam o Big Data, estratégia que faz parte da transformação digital AQUI.
Ficou assustado com a quantidade de tecnologias e ferramentas disponíveis? Não se preocupe, fica realmente difícil acompanhar todo o processo de atualização da área tecnológica. Mas não tem mais volta, ela está no mundo dos negócios para ficar. É por isso que existem empresas especializadas em soluções de tecnologia atuais, como Big Data e Data Science, que auxiliam negócios a iniciarem a jornada rumo à transformação digital.
Ainda segundo o DT Índice, os líderes apontaram os principais indicadores de negócio (KPIs) que provavelmente irão crescer mais em cinco anos, se o negócio embarcar em uma estratégia digital de sucesso:

Se você ainda tem dúvidas sobre como acrescentar a digitalização no DNA do seu negócio pode ajudar, dê uma olhada nesses cases de sucesso de empresas de diversos setores que já iniciaram o processo e nos resultados que essa mudança de paradigmas trouxe.

Leroy Merlin

Líder mundial no varejo de materiais de construção, a Leroy investiu na digitalização do seu marketing para facilitar o trânsito dos clientes entre o mundo das lojas físicas e online. Com o uso de campanhas display e com a ferramenta Google Shopping, integrou os inventários e mostrava produtos que estavam em estoque em lojas próximas ao clientes, quando estes buscavam as mercadorias no site.
A empresa obteve um crescimento de 36% nas visitas às lojas e 26% de redução no custo por visita.

Nubank

Os bancos são instituições financeiras que estão em ritmo acelerado na transformação digital, sempre sendo disruptivos no mundo da tecnologia. Mesmo assim, as chamadas fintechs estão ganhando mais visibilidade no quesito inovação.

A Nubank, por exemplo, desde 2013 oferece cartão de crédito sem anuidade, com os menores juros do mercado e totalmente controlado via aplicativo. Além de investir em peso no atendimento, com profissionais capacitados. A startup não revela números de crescimento, mas está expandindo seus produtos rapidamente. A novidade agora é a NuConta, uma conta corrente que é tão competitiva quanto as contas de bancos tradicionais.

Hospital Sírio Libanês

A área da saúde também é bastante impactada pela transformação digital e o Sírio Libanês tem um bom exemplo de implementação de tecnologia. O hospital passou a utilizar um sistema de autoatendimento, onde o cliente, com seu CPF ou protocolo de atendimento do exame, pode digitalizar o pedido médico, documentos de identificação, dados do convênio e outras informações, recebendo a senha do atendimento. Assim, a triagem é realizada digitalmente e o cliente é chamado rapidamente.
Essa medida agilizou e diminuiu o tempo de atendimento em 20%, além de melhorar a performance dos profissionais do atendimento, que atualmente atendem de 4 a 5 pacientes por hora.
Conheça também o exemplo do McDonald’s e de como a maior rede de fast food do mundo utiliza Data Science.
Com todos esses exemplos, podemos concluir que a era digital chegou para ficar e está reformulando a forma como vivemos e trabalhamos. A transformação precisa acontecer já, sem perda de tempo, e precisa acontecer rapidamente, para que o seu negócio não fique ainda mais para trás.
Se você não sabe por onde começar, ou acredita que o seu plano de digitalização não está funcionando como deveria, a utilização de parceiros especialistas em tecnologia pode ajudar a alavancar a sua transformação digital.
É caso da Propus, que oferece serviços de consultoria em Ciência de Dados e Big Data. Conte com uma equipe de profissionais para aplicar a Data Science em sua empresa. Também desenvolvemos projetos específicos com essas tecnologias. Além disso, oferecemos treinamentos, workshops e garantimos a continuidade operacional da sua estrutura de Big Data e Data Science.
Entre em contato conosco, saiba mais sobre nossos produtos e serviços, e inicie já a sua transformação digital:
]]>

Big Data: veja como empresas usam com sucesso

O Big Data é a tendência do momento no mundo dos negócios. Ele pode desempenhar um papel indispensável no crescimento de empresas, em conjunto com a Ciência de Dados. A aplicação desses dois conceitos é essencial na hora de extrair valor dos dados coletados para transformar o seu negócio, elevando-o a um novo patamar. Com dados estruturados, é possível entender melhor o funcionamento da empresa, as necessidades, que caminhos existem para atendê-las e colocar o negócio à frente nas tendências de mercado. Para se destacar atualmente, as empresas precisam de dinamismo ao entender os clientes e consumidores, e os dados são a melhor ferramenta para isso. As informações de mídias sociais, tanto como canal de busca, quanto de reclamações, deixaram os consumidores mais exigentes e conectados, suscetíveis às informações vindas de diversos ambientes. É aqui que o Big Data entra. Ele permite que sua empresa mapeie e compreenda de verdade os clientes, suas necessidades e expectativas, além de otimizar os processos internos do negócio, conectando todos os setores em objetivos claros e assertivos. Se quiser aprofundar, leia este artigo sobre como a ciência de dados pode beneficiar o seu negócio AQUI. Além dessas possibilidades, outra vantagem do Big Data é que ele pode ser encontrado em negócios de diversos portes e segmentos. Todas as empresas possuem fontes de informações, sejam de mídias digitais, da área comercial ou mesmo do próprio marketing, que podem ser coletadas e organizadas, servindo como base para melhorar os resultados. Seja qual for o porte da empresa, ela é feita de dados, basta saber coletá-los e analisá-los. Não acredita? Então vamos ver alguns casos de empresas bem diferentes, com objetivos distintos, que aplicaram soluções de Big Data e conseguiram melhorar seus resultados.

1 – Starbucks

Sabe qual é o ingrediente secreto do café mais famoso do mundo? É o Big Data. Isso mesmo, a Starbucks também utiliza o Big Data para coletar e estruturar dados, que orientam as decisões mercadológicas da marca. Começando pela distribuição das lojas: o local de abertura das cafeterias é guiado por análises demográficas. Através de um sistema que gera essas análises, chamado Atlas, a empresa americana define a abertura de novas lojas de acordo com a demanda de cada região, através de técnicas de geoprocessamento e geomarketing. As duas metodologias utilizam dados sociodemográficos para prever lucro e tomar decisões de investimento mais ágeis e seguras. Como a abertura de novas lojas para a Starbucks. A rede só abre uma cafeteria nova após analisar e cruzar informações das pessoas que circulam em dada região, que áreas de negócios estão próximas, como é o tráfego de veículos e a disponibilidade de transporte público na região. Só então é batido o martelo sobre uma localização. A quantidade gigante de dados gerados pela marca, que está presente em 62 países e vende quase 4 bilhões de copos de café por ano, também é usada para a alimentação de um programa de fidelidade, que tem o objetivo de retenção de clientes. São mais de 6 milhões de consumidores registrados, sendo 3 milhões deles minuciosamente identificados e com suas transações na loja automaticamente identificadas. Esses dados têm suas estatísticas cruzadas para definir qual a ligação do cliente com os produtos que mais compra, lojas de preferência e horários de consumo favoritos. A partir disso, são gerados descontos personalizados entregues nos celulares dos clientes, a publicidade é segmentada por horários de preferência e novos itens são adicionados ao menu de acordo com determinada região, como vinho e cerveja. Ainda não terminou! Além de beneficiar diretamente o cliente, os processos internos e funcionários também foram auxiliados. Na hora de coletar informações, os gerentes chegavam a fornecer mais de 300 relatórios periodicamente para alimentar o Big Data. Hoje, por conta dos softwares de processamento e estruturação de dados, os relatórios foram reduzidos a apenas 11 indicadores e podem ser baixados a qualquer momento.

2 – Zara

Já imaginou chegar em uma loja de roupas e encontrar exatamente a peça que você estava querendo? A Zara, uma rede de lojas com mais de 2.200 unidades em todo o mundo, utiliza o Big Data para oferecer aos clientes exatamente o que eles desejam. Como isso é possível? Diariamente, antes de abrir as lojas, os funcionários e gerentes de todas as lojas ao redor do globo compartilham detalhes dos artigos mais vendidos no dia anterior, quais foram as peças devolvidas, feedback de clientes e tendências que a equipe tem percebido na loja. Usando um sistema de tecnologia sofisticado e orientado a dados, analistas de Big Data divulgam essas informações diárias para definir exatamente o que os clientes da Zara estão querendo. Essa informação é passada para uma equipe de mais de 300 designers de moda internos, que a transformam em projetos de peças baseados nas tendências de compra. As roupas são então confeccionadas e vendidas nas lojas em cerca de 21 dias. É a vontade do cliente ditando a moda, e não mais o contrário. As lojas são abastecidas duas vezes por semana, o que torna o estoque sempre novo e com peças exclusivas.

3 – Amazon

Não poderia faltar nessa lista o maior site de comércio virtual do mundo. Com mais de 1,5 bilhão de itens disponíveis no site, os cerca de 280 milhões de visitantes mensais da Amazon vivenciam o poder dos dados em cada clique. Através do Machine Learning e do armazenamento de Big Data na nuvem, a loja virtual usa a predição para sugerir produtos aos consumidores antes mesmo de eles manifestarem interesse pelas mercadorias. Através do Big Data Analytics, são coletados dados do que o cliente adicionou em seu carrinho de compras na loja virtual, cruzando com os dados de itens comprados ou visualizados no passado, usando uma filtragem colaborativa item a item. Com isso, a experiência do usuário é customizada com o histórico de navegação e compra quando acessam o site novamente, mostrando itens que eles estão mais propensos a se interessar. Além disso, a Amazon também concentra investimentos para alinhar o Big Data e a Internet das Coisas. A novidade agora é o sistema do dash button. Após a instalação de botões de produtos específicos em suas casas, os clientes podem comprar esses itens apenas pressionando o botão. Eles foram criados em parceria com várias marcas, como fabricantes de sabão em pó, cereais, cotonetes, entre outros. Os dash buttons são conectados à internet e disparam ordens de compra para a Amazon, que no máximo em dois dias faz a entrega. O cliente recebe a mensagem de confirmação no celular, para evitar que a compra seja feita por engano.

4 – Hotéis Red Roof

Essa rede de hotéis desenvolveu uma estratégia baseada nas taxas de cancelamento de voos por conta de mau tempo. Utilizando informações públicas de condições climáticas e cancelamentos nos aeroportos das cidades em que a rede possui unidades, foi desenvolvido um algoritmo que combina previsão do tempo, condições de viagem, horários e taxas de cancelamento, entre outras informações. Sabendo que os viajantes dos voos cancelados terão de procurar opções de hospedagens no celular, a empresa investiu em campanhas segmentadas pela localização, apresentando ofertas de hospedagem no tempo e local corretos. Com essa estratégia de Big Data Analytics e mobile marketing geolocalizado, a Red Roof aumentou em 10% a sua taxa de ocupação, ainda em 2013 e 2014.  

Walmart

Nesta rede de supermercados, os clientes podem fazer as compras por comando de voz, através do celular, citando os itens desejados. A base de dados analisa o histórico de compras do cliente e prepara o carrinho.  

Nike

  A empresa coleta dados importantes sobre seus clientes através de um aplicativo de corrida integrado às redes sociais, que salva informações como número de passos dados, quilômetros corridos, geolocalização, entre outros. Esses insights ajudam a marca a entender melhor seus consumidores e criar estratégias mais certeiras, além de animar os usuários a compartilhar suas conquistas com o esporte e acabar fazendo propaganda orgânica da marca.  

Danone

  A Danone usou Big Data Analytics para otimizar a gestão de estoque, principalmente no caso de produtos perecíveis. Analisando detalhes de rotas, percurso e estocagem, a marca melhorou a distribuição logística de um de seus principais produtos, o iogurte grego, aumentando a lucratividade ao diminuir as perdas por vencimento.  

Rolls-Royce

  A empresa automobilística vem implementando soluções de Big Data para otimizar processos de manutenção. Os motores e sistemas de propulsão de seus carros têm sensores embutidos que registram os detalhes do funcionamento dos veículos e enviam dados em tempo real de mudanças no desempenho. Assim, a equipe de engenheiros da marca cruza e analisa esses dados, acelerando a tomada de decisão para prevenir problemas técnicos. Segundo a empresa, essas soluções de Big Data diminuíram os custos de manutenção dos veículos.   E aí, gostou dos exemplos? Se eles lhe inspiraram a pensar em soluções de Big Data para sua empresa, que tal conhecer os nossos serviços de consultoria? Conte com uma equipe de profissionais para aplicar os usos do Big Data em sua empresa. Entre em contato conosco e saiba mais sobre nossos produtos e serviços: ]]>

Data Science: como extrair valor de dados pode revolucionar o seu negócio

Já ouviu falar em Data Science, ou Ciência de Dados? Em dados, provavelmente sim. Pois a cada dia, milhões de operações os geram no mundo todo, em diversos setores da sociedade, principalmente por conta da internet. O mundo dos negócios é um dos que mais pode se beneficiar disso. Mas não basta apenas coletar essa enorme quantidade de dados, já passamos desta fase. Após utilizar ferramentas para recolher e armazenar esses dados, se quiser que eles gerem valor ao seu negócio, é preciso interpretar de forma inteligente todo esse acervo de informações. É aqui que a Ciência de Dados entra. Segundo o estudo “The Global Data Management Benchmark Report”, realizado pela Experian, que consultou mil profissionais de diversos países como Brasil, Estados Unidos, Inglaterra e Austrália, existe um crescimento da preocupação com o uso de dados nas empresas: O estudo ilustra como cada vez mais empresas estão entendendo a importência de coletar e analisar dados, extraindo valor deles para tomar decisões de negócio mais assertivas e ágeis.

O que é Data Science?

Ciência de Dados, em português, é um conjunto de técnicas e ferramentas, algoritmos e princípios que descobrem padrões escondidos em dados brutos. A partir do conceito de Big Data, que é quando temos uma enorme quantidade de dados armazenada em bancos de dados interligados, é preciso organizar essa avalanche de informações, identificar padrões e extrair valor deles, através de análises e formulação de novas perspectivas entre as conexões destes dados, de maneira a solucionar algum problema ou mesmo prever questões futuras. Para simplificar, Data Science é o processo de transformar dados em informação e, por fim, em conhecimento que pode ser usado nos negócios. O principal foco da Data Science é extrair VALOR do conjunto de dados, transformando aqueles estruturados e não-estruturados em insights de negócio. Isso acontece através de diversas técnicas de análise avançada e soluções de Inteligência Artificial, como o Data Mining e o Machine Learning, que automatizam a criação de modelos analíticos através de algoritmos. Mas, traduzindo: se você conseguir coletar e analisar os dados do seu negócio, sua tomada de decisão será muito mais eficaz e rápida.

Com essas tecnologias, fica mais fácil:

Existem algumas ferramentas disponíveis para que as empresas possam rastrear, coletar e analisar os seus dados, muitas delas são até mesmo gratuitas. Porém, para se chegar às respostas desejadas sobre o mercado, clientes e tendências, é preciso fazer as perguntas certas. Neste ponto, é preciso conhecimento específico sobre o que irá ser analisado, podendo contratar um especialista para orientar a pesquisa.

Como a Data Science pode ajudar um negócio

Tudo parece muito prático, mas como exatamente a Data Science ajuda empresas? Você pode nunca ter pensado nisso, mas até mesmo a redução dos custos em opções de armazenamento de dados em nuvem (cloud), por exemplo, pode causar uma aumento do volume de dados armazenados pelas empresas. Porém, muitas vezes, esses dados acabam ficando esquecidos e não agregam nenhum valor ao negócio. É aqui que entra o Data Mining, que é capaz de revelar conhecimentos escondidos dentro dos bancos de dados de organizações, através de análises antecipadas, prevendo comportamentos e tendências e auxiliando no desenho das estratégias empresariais, que se tornam baseadas em fatos e dados e não mais na emoção.

Aplicações da Ciência de Dados em negócios

É possível aplicar as técnicas de análise de dados em diversos ramos empresariais, como o varejo, ramo industrial, de comunicação, segurança digital, gestão de estoque, e muitos outros. Cada um deles tem a sua demanda específica, além de processos distintos, o que requer estratégias de análise de dados também personalizadas. Vamos conhecer alguns exemplos abaixo.

Marketing digital

Aquela situação clássica de procurar um produto na internet e logo depois receber um anúncio dele no Google ou no Facebook já aconteceu com você? Esse é um dos exemplos de como o trabalho de Data Science e Machine Learning pode auxiliar nesta área. A Ciência de Dados usa a lógica de que se você pesquisou o preço de um celular, por exemplo, é porque provavelmente tenha a intenção de comprar um, ou ao menos o interesse. Então, o mecanismo aprende esse dado e consegue enviar anúncios mais assertivos para os consumidores.

Sistemas de Recomendação

Já comprou um produto, como um livro, e recebeu um e-mail com indicações de outros exemplares que têm a ver com o seu gosto? Ou então entrou na loja virtual novamente e na capa estavam os livros que você já buscou? Essa é uma maneira de empresas, como a Amazon, direcionarem os clientes para os produtos de seu interesse dentro de um mundo de milhares de opções. Ou, então, você está ouvindo um tipo de música no Spotify e são sugeridas alternativas que você talvez goste e compre também, assim como filmes na Netflix. Isso faz com que as empresas destaquem produtos que você possa ter interesse, aumentando as chances de compra.

Detecção de risco de fraude

Hoje em dia, instituições bancárias e financeiras usam dados coletados no início das transações de empréstimos para evitar rombos com dívidas não pagas. Elas aprenderam a obter informações pelo perfil do cliente, gastos passados e outras variáveis que auxiliam na análise do risco de inadimplência, tanto em bancos como na gestão de crédito do varejo, por exemplo. O Ministério da Justiça é um case que utiliza o Big Data para identificar ações ilícitas, especialmente relacionadas com lavagem de dinheiro. Conheça agora algumas demandas que podem ser supridas com estratégias de Data Science: Na Retenção de clientes É essencial para a saúde de um negócio entender o número de clientes entrando e saindo de sua carteira. Através da Ciência de Dados, é possível estudar o comportamento dos clientes, determinar tendências e identificar fatores que influenciam nestas ações. Se for identificado um padrão de saída, por exemplo, é possível elaborar uma estratégia de engajamento mais assertiva para melhorar a retenção destes clientes, de acordo com as necessidades deles. Outro exemplo é conhecer melhor a concorrência, para então se destacar entre os consumidores. Uma loja de roupas, por exemplo, pode utilizar a análise de metadados para conhecer outros estabelecimentos da região e do ramo em que atua, adicionando informações para uma melhor estratégia de vendas como em preços e produtos oferecidos. O Grupo Pão de Açúcar, por exemplo, criou um sistema de relacionamento com o cliente que acumula pontos de lojas online ou físicas. Esses dados são utilizados para relacionar os clientes com os produtos mais consumidos e marcas favoritas, otimizando o estoque. → Personalização de produtos e serviços Você sabia que o custo para fidelizar um cliente é menor do que o custo para conquistar novos? Com a Ciência de Dados, é possível trabalhar nessa fidelização (além da atração de novos, é claro) descobrindo as principais demandas dos seus atuais clientes e o que eles esperam do seu produto. Através do Big ou do Small Data, é possível coletar dados e transformá-los em insights interessantes sobre os diferenciais do seu produto ou da sua experiência de compra. A loja Zara utiliza dados para antever tendências de roupas através dos comentários dos clientes. Analistas divulgam atualizações diárias sobre o que os clientes das lojas estão pedindo. Essa informação é enviada para uma equipe de mais de 300 designers de projetos, que, em 21 dias, disponibilizam novas peças baseadas nessas informações no varejo. → Aumento da produtividade Ao analisar e sistematizar dados, você conseguirá conduzir as decisões em seu negócio de maneira melhor fundamentada, evitando a perda de tempo com estratégias que não estão gerando resultados, tornando as operações mais produtivas e evitando gastos com investimentos sem retorno. A convergência entre os ambientes operacionais e analíticos das empresas melhora a experiência dos usuários e a velocidade da tomada de decisões. A empresa UPS, da área de logística, faz mais de 4 milhões de entregas através de uma frota de quase 100 mil veículos. O Big Data é utilizado para otimizar a frota, auxiliando com rotas, tempo ocioso dos motores e manutenção preventiva a partir de telemática instalada nos caminhões e algoritmos avançados. A empresa já economizou mais de 39 milhões de galões de combustível e evitou a direção por 364 milhas desnecessárias. → Gestão de Estoque Uma aplicação prática da Análise de Dados e Big Data é na hora de planejar compras futuras ou administrar o estoque de uma loja. Para evitar ficar com produtos parados, é possível analisar o histórico de vendas de uma loja de sapatos, por exemplo, para saber quais números e modelos têm mais procura em uma determinada região. As ferramentas são tão abrangentes que é possível usar dados meteorológicos para descobrir o melhor momento para ter calçados de chuva no estoque, por exemplo. → Antecipar tendências e problemas Antecipar tendências, comportamentos e mesmo problemas pode ser vital para o seu negócio. Mas para isso, é preciso que haja um acompanhamento regular, com o menor intervalo entre o acesso e as análises de dados possível, para que se obtenha o máximo de precisão. Para antecipar fenômenos de mercado, como produtos que podem ser sucesso no próximo verão, por exemplo, entender os custos envolvidos e as necessidades dos clientes possibilita que se faça a melhor oferta entre a concorrência. Tudo isso depende de estar munido de um bom banco de dados, indicadores estratégicos e, principalmente, uma equipe preparada para interpretar e extrair valor desses dados.   A Tesla, da área automotiva e já famosa por inovar no mercado, utiliza o cluster Apache Hadoop em sensores instalados em seus carros, que enviam os dados para a central de análise. A empresa é notificada quando algum veículo não está funcionando perfeitamente e, pode então, orientar o consumidor a procurar um serviço de forma proativa.

Se interessou?

Conheça os nossos serviços de consultoria em Ciência de Dados e Big Data. Conte com uma equipe de profissionais para aplicar a Data Science em sua empresa. Também desenvolvemos projetos específicos com essas tecnologias. Além disso, oferecemos treinamentos, workshops e garantimos a continuidade operacional da sua estrutura de Big Data e Data Science. Entre em contato conosco e saiba mais sobre nossos produtos e serviços:    ]]>

Big Data: como extrair valor de dados para beneficiar seu negócio

Hoje em dia, os dados são parte indispensável para entender melhor o seu negócio e buscar soluções mais assertivas para fazê-lo crescer. Termos como Data Science, Big Data, Data Lake, Machine Learning e Inteligência Artificial têm aparecido com muito mais frequência no mundo empresarial, influenciando diretamente na tomada de decisões. Por sabermos da importância de entender o significado desses conceitos e como eles podem afetar o dia a dia do seu negócio, preparamos uma série de vídeos que abordam exatamente esses temas. Os vídeos apresentam essas novas abordagens e, com o intuito de exemplificar e explicar efetivamente as suas utilidades e possíveis aplicações nos negócios, queremos criar subsídios para que você decida investir ou não nessas novas tecnologias. Um desses conceitos é o Big Data, onde o foco é o grande armazenamento de dados e maior velocidade de geração de informações. Por exemplo: atualmente, são gerados 2,5 exabytes de dados por dia.   Dados não estruturados não podem ser planilhados, ou seja, o computador não consegue processá-los. Eles precisam de um tratamento para serem processados, dando origem a uma informação utilizável, baseada em fatos. Em razão disso, grande parte das empresas deixa de aproveitar um universo inteiro de possibilidades para crescer, principalmente por não saber como utilizar esses dados a seu favor.

Já ouviu falar nos 3 + 2 Vs?

O Big Data ajuda a extrair os dados e direcioná-los, captando valor para o seu negócio. É aí que entram os 3 + 2 Vs. Os três primeiros falam sobre Volume (abundância de informações), Variedade (diferentes tipos de dados) e Velocidade (capacidade de processamento). Mas apenas esses três V’s não são suficientes para ajudar na organização das informações. É preciso os outros dois, que significam Valor (o que pode ser agregado à empresa) e Veracidade (avaliação da verdade dos dados extraídos). Normalmente, as soluções empresariais relacionadas à tecnologia são escaladas na vertical, ou seja, quando o aumento da capacidade de processamento é necessário, compra-se mais espaço em um servidor. Isso acaba criando mais custos e remediando os problemas, que tendem a reaparecer. Com a utilização de novos conceitos e tecnologias, como Big Data e Data Science, o crescimento passa a ser horizontal, criando valor a partir dos dados processados. Tem interesse nesse assunto? Quer saber como utilizar os dados a favor do seu negócio? Então cadastre-se e receba o nosso primeiro vídeo, onde explicamos o poder dos dados.  ]]>

5 Formas de usar o Big Data no varejo

Com a quantidade enorme de informações que os consumidores recebem diariamente, os clientes estão cada vez mais participativos e menos fiéis a uma só marca, valorizando a melhor experiência. Esse contexto tem exigido mais empenho dos varejistas para se destacar no mercado. Na tentativa de suprir essas necessidades, o Big Data tem um papel importante na construção de estratégias de venda certeiras. Entender o que o seu público necessita, antes mesmo que ele saiba que precisa do seu produto, é uma estratégia que parece impossível. Mas não é. Através da coleta de dados de diferentes fontes e da análise estratégica desse montante, é possível criar planos de vendas mais assertivos e personalizados. Mas vamos por partes. O que é o Big Data e Big Data Analytics? Big Data é o grande e complexo volume de dados possível de ser coletado de diferentes fontes, mas que ferramentas de processamento convencionais não conseguem processar. O Big Data Analytics abrange as soluções para o processo de coleta, estruturação e análises dos conjuntos desses dados, com o objetivo de identificar padrões, tendências e outras informações relevantes para ajudar na tomada de decisão dos empresários. As soluções de análise de dados entram em ação para gerar informações precisas e auxiliar os mercados, principalmente o varejo, que lida com datas apertadas, porém muitas vezes recorrentes, e estreitas margens de entrega, além de uma enorme concorrência. Você deve estar pensando: mas a minha empresa é muito pequena para esse tipo de coisa! É aí que você se engana: empresas de pequeno e médio porte também geram dados de diversos canais, como relatórios de vendas, planejamento estratégico da empresa, ações de marketing realizadas, demonstrativos de resultados, mídias sociais, e-mails, histórico do SAC, se houver, e muitas outras fontes. Toda empresa gera um grande volume de dados volume de dados, basta estruturá-los.    Se você ainda tem dúvidas se o Big Data pode beneficiar o seu negócio, vamos dar uma olhada em alguns dados! Segundo a pesquisa The Data Storm, feita pelo The Economist Intelligence Unip junto com a Wipro, 78% das empresas pesquisadas têm notado um retorno positivo no investimento baseado em análise de dados. No entanto, uma das principais barreiras a ser ultrapassada é descobrir como tornar as informações captadas no Big Data realmente relevantes para seu negócio. É para suprir essa carência que existe a análise de dados. De acordo com a IDC, até 2019, empresas do mundo todo devem investir cerca de 187 bilhões de dólares em Big Data Analytics no varejo. Isso significa que mais lojas conseguirão:

  • definir o perfil exato dos clientes;
  • alinhar a oferta de produtos exatamente com as necessidades dos clientes;
  • antecipar-se às ações da concorrência;
  • promover melhorias na experiência de compra física;
  • melhorar o modelo omnichannel no varejo digital;
  • e muito mais!
Vamos conhecer mais aprofundadamente algumas aplicações da análise de dados gerados no Big Data que empresas varejistas podem implementar para aumentar a rentabilidade:

1 – Atrair novos clientes com precisão

Que loja não gostaria de atrair novos clientes? O Big Data e as estratégias que podem surgir de sua análise irão contribuir muito com esse objetivo. Mas para atrair os clientes certos, é necessário precisão ao conhecer o comportamento de seu público-alvo. Um bom exemplo de como fazer isso através da análise de dados é utilizar uma ferramenta de mineração de informações em redes sociais, para mensurar a reação que o seu público teve no primeiro contato com alguma ação de marketing. O Big Data Analytics transforma dados brutos em indicativos do que o seu público precisa realmente, propiciando maior personalização, potencial de fidelização e aumento da base de clientes. Através de soluções de Big Data também é possível cruzar dados de outras fontes como cadastros de clientes, interações com o público, históricos de mensagens, percursos feitos por usuários dentro de lojas virtuais e muitos outros. A partir disso, essas informações são processadas em comparações e mapeamento de padrões, resultando em métricas altamente qualificadas para os gestores. Se você tem dificuldades em ofertar novos produtos, informações do Big Data podem manter os gestores atualizados nos padrões de comportamento do público, facilitando a compreensão de como ele poder ser impactado, o que espera das marcas e a que tipo de comunicação está mais aberto, otimizando o investimento em ações de marketing e na escolha dos itens novos.

2 – Focar em estratégias de venda mais precisas

Já sabemos que entender o que o seu cliente irá desejar comprar no futuro é uma informação valiosa, que pode resultar em estratégias de venda mais assertivas. A previsão de vendas é uma das atividades mais essenciais no varejo, e que muitos gestores têm dificuldades em medir, principalmente aqueles que trabalham com um grande volume de mercadorias. Através da análise do histórico comercial por meio de soluções de Big Data, é possível melhorar muito a gestão da loja, pois o empreendedor saberá quais produtos têm mais saída e quais não são procurados, melhorando a gestão de estoque. Outra área que pode obter benefícios com o Big Data é a de logística. Ao analisar dados, fica mais fácil para o gestor saber se um planejamento de rotas ocasionou perdas ou ganhos financeiros. Até mesmo para uma empresa pequena de varejo, traçar uma rota de delivery rápida e sem riscos de danos ou deterioração dos produtos reduz gastos com combustíveis e até de manutenção de frota ou devolução de produtos. Alguns exemplos de como o Big Data pode beneficiar esse aspecto são os algoritmos e localizadores de tráfego de tempo real, que informam as melhores rotas para determinado momento, quais combinações de entrega geram melhores resultados e dados de temperatura de conservação de produtos alimentícios, por exemplo. Ainda, boas soluções em Big Data podem realizar análises preditivas, a partir de dados como históricos, relatórios e outras fontes que registram movimentações como receitas, saídas e entradas de estoque, que identificam demandas crescentes ou possíveis de ocorrer em algumas épocas do ano, por exemplo. Dessa forma, é possível traçar planos de vendas sazonais com mais agilidade e menos riscos de perdas.

3 – Antecipar tendências

A partir de métodos avançados usados para extrair valor de dados, como é o caso das análises preditivas, é possível antecipar tendências de compras e se destacar perante a concorrência. Não apenas com relação ao volume a ser estocado e à época, mas também sobre mudanças de hábitos e preferências do público-alvo. E tendências são interessantes de ser antecipadas tanto no varejo físico, quanto no digital. Dessa forma, sua loja pode não só oferecer novos produtos antes dos concorrentes, mas também itens que realmente suprem os atributos buscados pelo público. Apenas lembre-se que não basta apenas extrair os dados para reestruturar estratégias, mas sim extrair valor deles. Para isso, é necessário que especialistas indiquem a melhor solução de Big Data Analytics paras as necessidades do seu negócio.

4 – Aproximar e fidelizar o cliente

Tão importante quanto aumentar o número de clientes, é fidelizar os que já existem. A personalização do conteúdo e da experiência de compra ofertada ao cliente é uma das maneiras de impactá-lo de forma a fidelizá-lo, mantendo-o engajado com os produtos que sua empresa oferta, além de antecipar necessidades e problemas, tentando evitá-los. Como no varejo é comum existir um grande número de perfis de clientes, a quantidade de dados e a desconexão entre eles pode ser muito alta. Para encontrar padrões que ajudem a estreitar os laços com os diferentes perfis do público é preciso uma análise detalhada de dados. Mas uma vez feita, com a ajuda de softwares especializados, as conclusões resultantes podem ajudar na otimização de programas de fidelidade, estratégias de promoções e descontos, premiações a clientes leais, entre outros. Analisar esse tipo de dados também pode garantir experiências de compra otimizadas, tanto em canais digitais quanto no varejo físico, o que chamamos de multicanalidade ou omnichannel. Dentro disso, é possível descobrir exatamente onde o consumidor está e por qual canal ele prefere ser atendido, ou então, se ele consulta os produtos via internet para só depois adquiri-lo na loja física. Assim, a empresa passa a ter uma visão 360º de seus clientes, para que todos os canais de sua marca trabalhem de maneira integrada, com conteúdo segmentado e personalizado.

5 – Otimizar preços

Através de análises estatísticas é possível observar aumentos ou quedas de demanda em produtos, possibilitando que o gestor realize uma precificação inteligente com maior facilidade, baseada na procura do consumidor e também nos movimentos da concorrência.

O Big Data para pequenas e médias empresas

Atualmente, não são apenas grandes empresas e multinacionais que estão investindo em soluções de Big Data e extraindo valor de seus dados. Através de uma forma inovadora de distribuição e comercialização de softwares, o SaaS (Software como Serviço), é possível para gestores de PMEs (Pequenas e Médias Empresas) não gastar altos valores com licenças, atualizações e upgrades de memória, pois o SaaS permite utilizar módulos específicos para sua realidade em um programa online,  através de pagamentos mensais. Além disso, questões como fidelizar clientes, traçar estratégias de logística econômicas, manter clientes e antecipar tendências são tão importantes em empresas grandes, quanto em médias e pequenas. Todas essas vantagens da implementação de soluções de Big Data no varejo ocorrem porque a partir do valor extraído dos dados coletados em cada negócio, é possível diminuir as estratégias equivocadas e os prejuízos que resultam delas, além de a fonte de informações em que elas são baseadas ser sólida e confiável. É um investimento que vale cogitar para tornar o crescimento de sua empresa saudável e elevar a performance em um setor tão competitivo como o varejo. Se quiser encontrar mais informações sobre as soluções de Big Data, assista ao vídeo exclusivo com a entrevista de nosso CEO, Carlos Eurico, para a KingHost, com dicas preciosas para tornar o Big Data e a Data Science uma realidade em empresas de diferentes portes e segmentos! Basta clicar no botão abaixo:   ]]>

Diferenciações entre Inteligência Artificial, Machine Learning e Deep Learning

Com todo o jargão em rápida evolução na indústria atualmente, é importante sermos capazes de diferenciar entre AI, aprendizado de máquina e aprendizagem profunda. A maneira mais fácil de pensar em seu relacionamento é visualizá-los como um modelo concêntrico, conforme ilustrado na figura ao lado neste post, com cada termo definido. Aqui, a AI – a ideia que veio primeiro – tem a maior área, seguida pelo machine learning – que floresceu mais tarde e é mostrado como um subconjunto da AI. Finalmente, o deep learning – que tem direcionado a explosão da inteligência artificial – se encaixa dentro de ambos. O machine learning toma algumas das ideias centrais da AI e as concentra na resolução de problemas do mundo real com redes neurais concebidas para imitar a capacidade humana de tomada de decisão. O deep learning se concentra ainda mais estreitamente em um subconjunto de ferramentas e técnicas de machine learning, e as aplica para resolver qualquer problema que exija o “pensamento” – humano ou artificial. O machine learning é adequado para domínios problemáticos normalmente encontrados na empresa, como fazer previsões com métodos de aprendizagem supervisionados (por exemplo, regressão e classificação) e descoberta de conhecimento com métodos não supervisionados (por exemplo, clustering). O deep learning é uma área de aprendizado de máquina que tem alcançado progresso significativo em determinadas áreas de aplicação que incluem reconhecimento de padrões, classificação de imagens, processamento de linguagem natural (PNL), condução autônoma, e assim por diante. Técnicas de aprendizagem de máquina como random forests e gradient boosting muitas vezes funcionam melhor no espaço do problema empresarial do que o deep learning. O deep learning tenta aprender vários níveis de recursos de grandes conjuntos de dados com redes neurais de camadas múltiplas e tomar decisões preditivas para os novos dados. Isto indica duas fases no deep learning: primeiro, a rede neural é “treinada” com um grande número de dados de entrada; segundo, a rede neural treinada é usada para “inferência” projetada para fazer previsões com novos dados. Devido ao grande número de parâmetros e tamanho do conjunto de treinamento, a fase de treinamento requer enormes quantidades de poder de computação. A figura abaixo resume os papéis do treinamento versus inferência na aprendizagem profunda: Fonte: insideBIGDATA]]>

Como as indústrias tradicionais estão usando o Machine Learning e o Deep Learning para criar perspectivas estratégicas de negócios

O impacto da IA (inteligência artificial) nas funções de negócios será diverso em diferentes setores da indústria. Nas empresas de serviços financeiros, o impacto mais forte da IA é esperado na área de interação com o cliente, e nas organizações de manufatura – desenvolvimento de produtos. As ciências da saúde e da vida, entretanto, antecipam que o impacto da IA será maior na tomada de decisões de gestão. Em geral, as primeiras implementações de IA podem ajudar algumas organizações a aumentar a receita, sua eficiência operacional ou suas margens. Muitas empresas estão adotando um caminho acelerado para acessar, processar e tirar proveito dos dados usando a IA, o machine learning ou deep learning, ou seja, tornar-se uma “empresa de IA”. Se este é o seu caso, o tempo de agir é agora. Este é o ano em que vamos atravessar o regime dos zettabytes em termos de volume de dados. Assim, com a quantidade de dados que está à nossa disposição, juntamente com as aplicações pretendidas dos dados, as empresas estão procurando novas maneiras de gerenciar tudo isso. A ideia por trás do “dilúvio de dados”, prediz que as empresas procuram novas soluções. A motivação é fazer mais com ativos de dados valiosos – começar a usar IA, machine learning e deep learning. O mindset está mudando do sobrecarregado pelo dilúvio de dados para a real fome de dados. A IA está abrindo um desejo insaciável de dados, e isso está acontecendo agora. Uma área que parece estar decolando é como as empresas têm considerado a “análise acelerada” e a “análise orientada pela IA” como uma solução. O “Accelerated analytics” envolve soluções aceleradas de GPU (Graphics Processing Unit), como Kinetica, MapD, SQream DB, BlazingDB, Graphistry e BlazeGraph. O “AI driven analytics” aborda as necessidades do negócio digital da empresa e de obter acesso à informação. Acelerar o componente de análise é um lado da equação, o outro lado está fazendo isso a uma fração do custo. Há uma notável importância de avaliar e adotar a IA, o machine learning e o deep learning ou continuar a perder terreno para concorrentes que já estão no processo de fazê-lo. O número de exemplos de IA com sucesso para resolver problemas complexos cresce a cada dia. Isso significa que a indústria está em um estado de loop de feedback dinâmico, onde um fluxo contínuo de projetos bem-sucedidos de prova de conceito levam cada vez mais empresas a considerar soluções de IA. Abaixo, vamos destacar alguns exemplos de cases convincentes, com foco no uso bem-sucedido da IA, do machine learning e do deep learning. Os exemplos também ilustram como as GPUs podem ser efetivamente combinadas com a tecnologia de IA. Universidade de Pisa e Scuola Normale Superiore di Pisa: O Centro de Competência da Universidade de Pisa e Scuola Normale Superiore di Pisa foi criado para responder à crescente necessidade de soluções de infraestrutura de ponta, permitindo aos pesquisadores compartilhar e fortalecer seu trabalho, e aos visitantes obter insights sobre a tecnologia de infraestrutura mais recente e mais eficiente. Usando a arquitetura baseada em padrões – do mais recente em computação em nuvem às soluções HPC e de proteção de dados – o Centro pode ajudar as organizações a atingir o desempenho e os objetivos estratégicos. A Universidade de Pisa está usando tecnologias e sistemas de aprendizagem profunda da Dell EMC para sequenciamento de DNA e codificação de DNA como uma imagem. Os pesquisadores estão usando servidores Dell EMC PowerEdge C4130, com aceleradores NVIDIA Tesla P100 e NVIDIA Deep Learning GPU Training System (DIGITS), para a classificação em deep learning do sequenciamento de DNA. Academia Chinesa de Ciências: Na China, a Dell China está colaborando com a Academia Chinesa de Ciências em um laboratório avançado de computação e AI. Este laboratório centra-se na investigação e aplicações de novas arquiteturas de computação nos domínios de processamento de informação cerebral e AI. Pesquisas realizadas no laboratório abrangem a simulação de funções cognitivas, deep learning, simulação computacional cerebral e novos sistemas de computação relacionados. O laboratório também apoia o desenvolvimento da ciência do cérebro e pesquisa de tecnologia de intelecto, promovendo a inovação chinesa e avanços na vanguarda da ciência. De fato, a Dell China foi recentemente homenageada com um “Prêmio Inovação de Inteligência Artificial em Tecnologia e 3 Práticas” em reconhecimento pela colaboração. Fonte: insideBIGDATA ]]>

As linguagens mais populares em Ciência de Dados

Suponhamos que 99,9% das pessoas que lêem este artigo sabem o que são dados – uma coleção de fatos, estatísticas e informações de um determinado assunto é conhecido como dado, certo? Mas e quanto à Ciência dos Dados? A Ciência dos Dados é um “conceito para unificar estatísticas, análise de dados e seus métodos relacionados” para “compreender e analisar fenômenos reais” com dados. Emprega técnicas e teorias extraídas de muitos campos dentro das áreas da matemática, estatística, ciência da informação e da computação. Este campo está se tornando cada vez mais popular com o advento do machine learning. Para entender a Ciência dos Dados, devemos conhecer pelo menos uma das linguagens de programação. A boa notícia é que há muitas linguagens de programação usadas na Ciência dos Dados. Vamos descrever os mais importantes:

Python

O Python está no topo de todas as outras linguagens e é a mais popular usada pelos cientistas de dados. O Python está ganhando apelo rapidamente na comunidade e tem se tornado uma linguagem mais prática para desenvolver produtos. O Python é uma poderosa ferramenta para processamento de dados de médio porte. A linguagem também tem a vantagem de contar com uma comunidade rica no compartilhamento de dados e dicas, oferecendo grandes quantidades de toolkits e recursos. O Bank of America usa o Python para construir novos produtos e interfaces dentro da infraestrutura do banco e para comprimir os dados financeiros. O Python é amplo e flexível, de modo que as pessoas podem se adaptar a ele. Ainda assim, não é a linguagem de maior desempenho, e apenas ocasionalmente pode fornecer infraestruturas de core em larga escala. 

R

O R está na área desde 1997 como uma alternativa livre ao software estatístico caro, como Matlab ou SAS. Nos últimos anos, o R tornou-se o “filho pródigo” da Ciência dos Dados – agora é uma linguagem familiar não só entre estatísticos nerd, mas também entre operadores de Wall Street, biólogos e desenvolvedores do Vale do Silício. Empresas tão diversas como o Google, o Facebook, o Bank of America e o New York Times usam a linguagem R, ao passo que sua utilidade comercial só continua a aumentar.

Java

O Java e os frameworks baseados em Java são encontrados nas fundações das maiores empresas de tecnologia do Vale do Silício. Java não fornece a mesma qualidade de visualizações que R e Python, e não é a melhor opção para modelagem estatística. Mas se você está migrando de protótipos antigos e necessita construir grandes sistemas, o Java é muitas vezes a melhor aposta. O conjunto de ferramentas para Java é bem desenvolvido – uma variedade de IDEs e recursos maduros permitem que os desenvolvedores sejam razoavelmente produtivos. A Java Virtual Machine é muito boa para escrever código que parece idêntico em várias plataformas – e isso se adequa ao ecossistema de Big Data que, como muitas outras áreas de desenvolvimento, apresenta diversidade de plataforma. 

Scala

Scala é outra linguagem baseada em Java e, de forma semelhante ao Java, está se tornando a ferramenta padrão para quem trabalha com machine learning em grandes escalas ou na construção de algoritmos de alto nível. É expressiva e também capaz de construir sistemas robustos. Existem muitas outras linguagens populares e usadas amplamente pela Ciência dos Dados. Algumas delas são C/C++, Julia, Closure, Lisp, Perl, etc. De acordo com o KDnuggets, as linguagens de programação em Ciência de Dados classificadas por popularidade são as seguintes: Linguagem, participação em 2016 (participação em 2015), aumento percentual na participação Python, participação de 45,8% (era de 30,3%), aumento de 51% Java, participação de 16,8% (era de 14,1%), aumento de 19% Unix shell / awk / gawk participação de 10,4% (era de 8,0%), aumento de 30% C / C ++, 7,3% (9,4%), 23% menor Scala, 6,2% de participação (3,5%), aumento de 79% Perl, participação de 2,3% (2,9%), diminuição de 19% Julia, participação de 1,1% (1,1%), decréscimo de 1,6% F#, participação de 0,4% (0,7%), diminuição de 41,8% Clojure, participação de 0,4% (0,5%), queda de 19,4% Lisp, participação de 0,2% (0,4%), redução de 33,3% A paisagem da Ciência dos Dados está mudando rapidamente, e as ferramentas usadas para extrair o valor dessa tecnologia também cresceram em números. As duas línguas mais populares que lutam pelo primeiro lugar são disparado R e Python. Ambas são reverenciadas por entusiastas, e ambas contemplam forças e fraquezas. Mas com os gigantes da tecnologia como o Google mostrando a maneira de usar Python e com uma curva de aprendizado curta e fácil, falta pouco para ele se tornar a linguagem mais popular no mundo da ciência dos dados. Fonte: DZone.com ]]>

Como o Big Data pode ajudar a salvar o nosso planeta

A Teralytics, empresa de Big data analytics, a Telefónica NEXT e o fornecedor de soluções de sustentabilidade South Pole Group realizaram um estudo em Nuremberg, Alemanha, que revela a análise de dados da rede móvel como uma forma eficaz de estimar as emissões de CO2 e NOX nas áreas urbanas a um custo baixíssimo. Para isso, a Teralytics analisou dados agregados e anonimizados, gerados quando os dispositivos móveis se comunicam com as células de comunicação móvel da Telefónica, enquanto os usuários fazem chamadas, enviam textos ou navegam na Internet. A Teralytics foi capaz de refinar os dados brutos em padrões de mobilidade humana para entender como os diferentes modos de transporte, como trens ou carros, são frequentemente usados. Combinando essas informações com dados sobre as emissões dos diferentes modos de transporte, as três entidades puderam estimar a poluição do ar e as emissões de gases de efeito estufa na cidade. Como cada forma de transporte produz uma quantidade única de emissões de CO2 e NOX, entender os padrões de mobilidade urbana é vital para entender a fonte das emissões de gases tóxicos. O estudo em Nuremberg usou esta informação para estimar com até 77% de precisão a concentração de poluentes atmosféricos na cidade. Essas descobertas encorajam uma maior exploração de como o Big Data pode ser usado para entender e, finalmente, resolver problemas ambientais como a poluição do ar em cidades em todo o mundo. Isso é particularmente interessante no que diz respeito ao custo mais baixo de analisar e interpretar dados em comparação com o custo mais elevado de produção e manutenção de estações de medição elaboradas. A nova abordagem poderia, portanto, permitir uma análise contínua em escala nacional. “Assim como nosso estilo de vida urbano-contemporâneo resulta na geração de gases nocivos de efeito estufa, também gera grandes quantidades de dados comportamentais. Nossa missão na Teralytics é usar esses dados para o benefício da humanidade”, diz Georg Polzer, CEO da Teralytics. “Nossos resultados em Nuremberg mostraram que esses dados podem ser usados para fornecer insights a planejadores urbanos sobre como a mobilidade humana contribui para a poluição. Esta é uma parte vital para eficientemente projetar e implementar ar limpo e estratégias de baixa emissão de carbono. Estamos ansiosos para continuar explorando esta oportunidade”, declara Polzer. Usando um processo de três níveis, os dados completamente anônimos e agregados são primeiro transformados em fluxos de movimento pelos cientistas de dados da Teralytics, identificando mais de 1,2 milhão de rotas de transporte durante o período de tempo analisado, conforme ilustrado na Figura 2. A especialista em soluções de sustentabilidade South Pole Group utilizou então um modelo atmosférico para estimar os níveis de poluição atmosférica causados pela utilização dos diferentes modos de transporte, tendo em conta os dados meteorológicos e informações sobre os respectivos níveis de emissão do Ministério Federal do Ambiente (BMUB). Na terceira etapa, a exatidão do método foi examinada comparando os achados com os dados existentes das estações de medição da poluição do ar. Verificou-se que os valores medidos nestas estações correlacionavam até 77% com os dos cálculos da Teralytics (Figura 3). Os resultados do estudo piloto realizado em Nuremberg constituem uma base sólida para desenvolver a metodologia. Após o seu sucesso, o consórcio conseguiu obter apoio financeiro do Laboratório de Cidades de Baixo Carbono da KIC (LoCaL), uma iniciativa que reúne cidades, empresas, universidades e ONGs para proporcionar um elevado impacto ambiental e social. Com este apoio, a parceria de pesquisa irá se expandir e melhorar a metodologia, concentrando-se em rotas de viagens curtas e tendo em conta fatores locais de emissão como aeroportos, eventos de grande escala e tipos de veículos de estrada (carros elétricos e SUVs). Além disso, a influência de fatores como engarrafamentos e luzes vermelhas será levada em conta para fazer estimativas ainda mais precisas dos níveis de poluição do ar em uma cidade. “Os resultados desse estudo piloto excedem nossas expectativas”, diz Maximilian Groth, responsável pelo Desenvolvimento de Negócios e Parcerias da Teralytics. “Estamos confiantes de que em breve seremos capazes de escalar este produto para cidades em todo o mundo e ajudar os planejadores urbanos a tornar nosso ar mais limpo e alcançar os objetivos do Acordo de Paris ao menor custo possível”. . Fonte: insideBIGDATA ]]>

Como o aprendizado de máquina afetará o Master Data Management (MDM)

A abordagem tradicional de “sistema de controle” para o Master Data Management (MDM)onde o foco é centralizar e controlar dados para melhor distribuir informações através de um sistema de controle – já não é suficiente para uma organização que deseje estar no comando de seus dados. Graças à Internet das Coisas (IoT), ao aprendizado de máquina (ML) e à inteligência artificial (AI), o mundo está se tornando cada vez mais digital. Basta perguntar ao analista do Gartner, Frank Buytendijk, para quem “em 2016, os gastos com hardware IoT excederão US$ 2,5 milhões… por minuto”. Como resultado, o desafio de criar uma visualização confiável de todos os dados disponíveis e atender às demandas dos usuários de negócios está prestes a ficar muito mais exigente. Hoje em dia, é ainda mais crítico que as empresas se tornem ágeis no que se refere ao manejo de dados para que possam se adaptar às demandas em constante mudança e serem requeridas em vez de prejudicadas pelos dados gerados. A demanda por MDM tem se movido na direção da criação de um “sistema de engajamento”, onde a ênfase é colocada na criação da próxima geração de capacidades de comunicação e colaboração. O rápido crescimento do conceito de IoT e sua expansão se tornarão ainda mais difundidos devido ao desenvolvimento persistente da disponibilidade de Wi-Fi. Em pesquisa recente, a Forrester prevê que “o IoT será distribuído perifericamente e através da nuvem, impulsionado pela inteligência artificial e os containers”. Em outras palavras, a disponibilidade de Wi-Fi ajudará não só no crescimento da IoT, mas também no novo modelo de aprendizado de máquina que se avizinha. Ambos os fatores permitirão que quase qualquer dispositivo possa se conectar à Internet e, consequentemente, uns aos outros também. Máquinas e dispositivos serão cada vez mais orientados por dados e, portanto, também se tornarão parte da equação geral da IoT.

O que o significa aprendizado de máquina para MDM?

Em vez de serem usadas como um sistema de controle, o mercado em breve exigirá que as soluções MDM se adaptem e reajam às demandas de dados mais rapidamente, interna ou externamente. Definido por alguns como uma espécie de inteligência artificial que fornece aos computadores a capacidade de aprender sem ser explicitamente programado, há também em curso uma grande oportunidade de alavancar o aprendizado de máquina para adaptar dados de uma fonte para o consumidor ainda mais velozmente. Em vez de se concentrar em reforçar o formato e o significado para facilitar os intercâmbios, o aprendizado de máquina permitirá às organizações descobrir padrões nos dados, bem como propor associações, correlações e adaptações. Por exemplo, a aprendizagem de máquina usa algoritmos e a coleta de dados para criar uma predição, assim, quanto mais dados um sistema processa, mais aprenderá. Isso também permite que quaisquer dados novos sejam levados em consideração quando necessário, dependendo de interações anteriores, o que tornará as abordagens de extract-transform-load (ETL) uma coisa do passado. Então, o que tudo isso significa para o MDM? De acordo com Andrew White, do Gartner, “O deep learning não extinguirá o MDM. Nós só precisamos manter os pés no chão e entender os tipos de problemas com os quais o deep learning é capaz de lidar”. Embora o Master Data Management tenha ajudado, as empresas ainda precisam consolidar suas opiniões sobre o cliente ou o produto a partir de suas próprias fontes internas. Essas soluções não foram dimensionadas para lidar com o mundo conectado. Não importa quantos dados existam ou quão rápido eles possam se mover, o objetivo é entregar informações oportunas que os usuários possam converter em insights. As soluções de MDM fortalecem os esforços de Big Data de uma organização de várias maneiras, provendo informações para esforços maiores e fornecendo: – Uma fonte conectada para eCRM, personalização, social commerce e atividade offline – A capacidade de combinar dados mestre de produtos e clientes com informações dinâmicas baseadas na análise de dados da web e de mídias sociais – A oportunidade de um dia criar uma única fonte de informações comportamentais que podem se originar de várias fontes de dados – Uma única fonte de dados para todos os canais Soluções MDM continuarão como fonte da verdade e servirão como um ponto de partida lógico para análises de Big Data. As empresas que consideram usar aplicativos de Big Data precisam estabelecer uma estratégia MDM completa uma vez que o gerenciamento de dados mestres servirão como espinha dorsal dos aplicativos de Big Data. Essss apps, por sua vez, complementarão os fluxos de Big Data, permitindo que as organizações obtenham melhor análise e insights mais precisos de todos os tipos de dados e fontes, independentemente de como foram obtidos. Fonte: insideBIGDATA ]]>