Menu

7 dimensões de Agile Analytics aplicado a Big Data

Atualizado em 2 de abril de 2014

Agile Analytics é uma mistura de técnicas sofisticadas de Analytics, métodos de entrega ágeis e princípios lean, mas fazê-lo bem requer um pouco mais do que isso. Recentemente,ministrei uma palestra em Singapura onde destaquei os elementos essenciais para uma aplicação eficaz de agile analytics. Eu resumo essas sete dimensões nesse artigo, que acompanha a apresentação da minha palestra original

Big Data. Embora eu tenha me tornado cauteloso com relação a esse termo da moda, é importante reconhecer que os dados atuais são mais diversos e bagunçados do que nunca. Agile analytics envolve o uso de tecnologias SQL (relacionais) e NoSQL (não-relacionais) para criar uma infraestrutura persistente poliglota para gerenciamento de dados. A habilidade de alinhar sua tecnologia de armazenamento de dados à natureza dos seus dados é um requisito para que haja flexibilidade e velocidade.

Analytics Avançado (Advanced Analytics). A criação de valor real a partir de dados requer que se vá além dos relatórios do BI tradicional, que são importantes, porém, voltados para o passado. Disrupção competitiva advém de analytics preditivo e prescritivo (Ciência de Dados), bem como da presença de uma narrativa visual (visual storytelling).

Descoberta Ágil (Agile Discovery). Agile analytics começa com um objetivo que tenha alto valor de negócio e, então, divide o trabalho de ciência de dados em pequenos objetivos incrementais que podem ser apresentados aos stakeholders em iterações curtas de poucos dias. Cada pequena descoberta pode ser revisada e utilizada por tomadores de decisão, tornando-se um passo em direção à realização do objetivo original maior.

Aprendizado Enxuto (Lean Learning). Cada pequena ação ou decisão de negócio baseada em análise é rigorosamente mensurada para que possamos aprender em que momento o modelo analítico atinge a consequência desejada. Esse ciclo de construção-medição-aprendizado é chave para garantir que estamos convergindo para o resultado correto, mesmo que esse se distancie do objetivo original.

Impacto. Agile analytics foca continuamente a descoberta de conhecimento acionável, esclarecedor, e disruptivo. É muito fácil encontrarmo-nos realizando uma análise dados que, apesar de interessante, não possui impacto.. Entregar resultados constante e frequentemente (poucos dias) permite-nos avaliar continuamente a utilidade e o impacto dos resultados.

Soluções Inteligentes. As melhores análises não são simplesmente respostas para questões singulares. Ao invés disso, elas são o coração de soluções poderosas para problemas de negócios desafiadores. Exemplos como o uso de aprendizado de máquina na análise de tráfego  em tempo real para redução de congestionamentos e a detecção de câncer de mama em mulheres a partir dos dados gerados por um sutiã esportivo representam o auge de tais soluções inteligentes

Ética. Altos padrões éticos são necessários para suportar o inevitável escrutínio ao qual as técnicas de análise de dados são submetidas. Esses padrões incluem a garantia da privacidade individual e a possibilidade de que indivíduos controlem seus próprios dados. Tais padrões também demandam transparência radical por parte das organizações que conduzem essas análises. O acesso democrático aos dados, assim como o uso de padrões de dados abertos, é essencial.

Reflita sobre suas iniciativas de análise de dados e processos em relação às disciplinas acima. Atualmente, o quão bem você está criando valor de forma frequente e contínua a partir dos dados? O quão empolgados estão os seus usuários de negócio em relação às coisas disruptivas que eles podem fazer em decorrência da análise de dados? O quão relevantes são seus modelos analíticos e descobertas para o desenvolvimento de soluções inovadoras para problemas de negócio complexos?

O que você pode fazer para melhorar?