Awari

11 de fevereiro de 2021

Para que serve Data Science e o que você pode ganhar com isso

Obtenha resultados melhores, mais rápidos e mais baratos na hora de escalar sua produção

Em um mundo conectado, métodos como monitorar informações, descobrir tendências, otimizar processos e prever acontecimentos tornaram-se etapas fundamentais para o desenvolvimento de um bom produto online. Mas, o que eles têm em comum? A resposta é simples: todos só funcionam por conta da Data Science.

Ok, Data Science está na moda – e introduzimos o conceito dela em uma tour pelas 5 fases de um projeto da área (entendendo como os dados são transformados em lucro, modelos inteligentes e automações). Mas você sabe quando a Ciência de Dados pode te ajudar e o que você ganha ao usá-la na prática? Neste artigo, o segundo da série “Gestão & Data”, explicaremos em que oportunidades ela poderá te auxiliar. 

Por ser um campo amplo, novo e cheio de inovação, é difícil de acompanhar tudo o que pode ser feito com Data Science. O uso de dados, programação e tecnologia pelos profissionais da área contribui para formar a percepção de algo muito complexo ou inacessível. Mas façamos uma recapitulação rápida: Data Science é um conjunto de conhecimentos, técnicas e tecnologias para extrair e usar informações de dados. E qual é a vantagem de se fazer isso? O que ganhamos ao extrair e usar informações de dados?

Quando usamos Data Science para lidar com um problema, obtemos resultados melhores, mais rápidos e menos custosos de se escalabilizar. Pode parecer exagero, mas é justamente por trazer tantos benefícios que esse mercado está com perspectivas de investimento de R$78,4 bilhões de reais até 2023 – e crescimento superior a 10% ao ano (Brasscom). 

O segredo por trás desse valor é que, na maioria dos casos, os dados são usados para treinar modelos inteligentes que vão se tornar especialistas em certas tarefas. Depois de treinados, eles são capazes de lidar com problemas complexos com qualidade e velocidade muito superior à humana, além de nunca pararem de trabalhar e serem passíveis de clonagem e customização como bem entendermos. As aplicações destes modelos também são muito diversas: podemos usá-los para prever valores de ações, descobrir tendências e padrões de comportamentos das pessoas, dirigir carros, diagnosticar doenças, planejar logística de entrega, traduzir simultaneamente textos para outras línguas, etc.

Atualmente, ainda desconhecemos os limites do que pode ser feito com Data Science, sabemos apenas que novas possibilidades dependem da nossa imaginação e dos dados disponíveis. É por esse motivo que cada vez mais pessoas e instituições investem seu tempo e dinheiro na área. E se você tem interesse em se beneficiar dessas oportunidades e avanços, temos uma boa notícia! Nos tópicos abaixo, trouxemos exemplos para te explicar  como Data Science pode não só ajudar, mas inspirar e estimular sua criatividade nos seus projetos na área. 

Monitorar informações importantes

Podemos usar Data Science para descrever os dados e resumir suas principais características em indicadores e visualizações. O resultado desse processo é um modelo que trata os dados de forma automática e os exibe em relatórios que podem ser dinâmicos e até mesmo atualizados em tempo real. Você já deve ter tido contato com algum relatório ou sistema de apoio para empresas ou pessoas desse tipo, como extratos mensais de bancos, sistemas de apoio à vendas, tabelas de ligas e campeonatos esportivos, relatórios de visualizações e curtidas em redes sociais, apresentações de pesquisas e análises, etc. Por trás destes relatórios existem códigos que recebem, tratam e exibem os dados para que fiquem em um formato amigável. Cientistas de dados podem ajudar a criar relatórios customizados para diferentes necessidades. 

Descobrir tendências ocultas nos dados

Uma parcela razoável das informações contidas nos dados está oculta e só pode ser acessada com técnicas especiais. Neste caso, cientistas de dados usam elas para explorar e trazer padrões, tendências e relações para a superfície. Existem dois principais resultados deste processo: primeiro, os dados originais são enriquecidos com a inclusão das descobertas e, segundo, eles ajudam a distinguir informações pouco úteis que podem ser descartadas. Aplicações destas técnicas incluem agrupar (clusterizar) pessoas que se comportam de maneira parecida, detectar anomalias financeiras, eliminar contas duplicadas, discriminar produtos que são redundantes, descobrir padrões e perfis de compra de clientes, reconstruir imagens danificadas ou marcadas, sugerir correções ortográficas, etc.  

Extrapolar aprendizados para o resto do mundo

Na grande maioria das ocasiões, temos somente uma pequena parcela de todos os dados disponíveis e precisamos usá-los para entender uma população maior. Para isso, precisamos descobrir se eles representam o todo e se podem ser extrapolados. O resultado esperado desta aplicação são as condições em que nossos dados podem ser usados para representar a realidade e quais afirmações podem ser feitas seguramente com eles. Em Data Science, existem diversos exemplos nos quais se usam esse tipo de análise: pesquisas de opinião, testes médicos e farmacêuticos, controle de qualidade de produtos e processos, acompanhamento de atendimentos e satisfação para comércios, entre outros.

Entender as causas e consequências de acontecimentos

É comum quando temos um problema a solucionar ou quando queremos acompanhar nossos esforços e conquistas, analisar quais são as causas por trás dos resultados obtidos. Podemos usar Data Science para nos ajudar a determinar relações de causa e efeito e assim entender a contribuição das partes no todo. Dessa forma, você terá modelos que explicam fenômenos e, muitas vezes, podem ser usados para simular situações ainda não vistas. Podemos citar como exemplos dessas aplicações modelos de atribuição, análises de esforços de mix de marketing e vendas, testes de stress para protótipos, estudos de fatores socioeconômicos, etc.  

Prever acontecimentos 

Muitas vezes olhamos para dados com um único objetivo: prever o futuro. Essa é uma necessidade humana tão básica que grande parte das técnicas de Data Science e Machine Learning são voltadas para ela. Como resultado, não só obtemos previsões para cenários futuros diversos, como também uma noção de quais são os fatores que devemos nos atentar para antecipar eventos. Quando incorporamos os aprendizados dos modelos é incrível o que se pode fazer! É possível prever a meteorologia, rendimentos de investimentos variáveis, preços de novos produtos e da concorrência, propensão a certas doenças, falhas logísticas, sobrecargas em sistemas, próximas palavras que serão escritas, chances de sucesso, etc.

Otimizar processos

Sempre é possível melhorar a forma como as coisas estão sendo feitas. Cientistas de dados treinam modelos para testar inúmeras estratégias e possibilidades que se refinam à medida que recebem um feedback sobre sua performance. Consequentemente, eles acabam por desenhar caminhos ótimos para realizar determinadas tarefas – e que podem ser extraídos, apresentados e reproduzidos em larga escala. Outra possibilidade consiste em analisar dados de tentativas humanas e extrair os componentes que contribuíram para uma melhor performance. Neste cenário, existem iniciativas de otimização de processos empresariais usando modelos como de roteiros de vendas, jogos, esportes, testes de sistemas, aparelhos, usabilidade, etc.

Automatizar tarefas complexas

Existem tarefas que ainda hoje precisam ser feitas exclusivamente por seres humanos, no entanto, com modelos cada vez mais inteligentes, é possível delegar tarefas cada vez mais complexas para as máquinas. Isso porque tarefas automatizadas tendem a custar muito menos, com menor chance de erro e de forma muito mais rápida. A execução dessa ideia consiste em dar para um modelo inteligente os meios de executar as tarefas – podendo ser complexos como controlar um braço robótico ou mais simples, como interagir com um site e customizar seus anúncios. Suas aplicações são diversas: carros auto dirigíveis, recomendações customizadas de produtos, organizadores de objetos, tagueamento online, bots de conteúdo em redes sociais, smart houses, assistentes de voz, etc. 

Observação: cientistas de dados tendem a ser focados em criar o cérebro da automação, pode ser necessário suporte de outros profissionais para implementar as automações.

Aproveite essa oportunidade…

Com Data Science, ampliamos nosso conhecimento sobre o mundo, fenômenos e as pessoas à nossa volta. Melhores informados, tomamos decisões melhores e essa é a base para obtermos bons resultados. Cientistas de dados desenvolvem modelos customizados gerando soluções otimizadas e, muitas vezes, passíveis de automatização com base no problema e no contexto. Mas como sabemos se temos um problema bem definido para trabalhar com Data Science? Acompanhe nossa série Gestão & Data Science. No próximo texto, abordaremos como identificar bons problemas para obter sucesso nos seus projetos de Data Science!

Escrito por

Felipe Morita

Felipe Morita é cientista de dados e co-fundador da Rocket Science Consulting.

Escrito por

Victor Ogeda

Victor Ogeda é especialista em gestão de projetos de Data Science, Ex-Accenture e Co-Fundador da Rocket Science Consulting