Como usar o Big Data na prática?

Uma das principais buzzwords utilizada no momento no mercado digital é Big Data. Esse termo está sendo usado por profissionais, empresas e palestrantes de forma frequente, porém para alguns ainda existe um grande desafio, como colocar Big Data em prática. De acordo com a Info Wester, Big Data pode ser compreendido como a análise de grandes quantidades de dados para a geração de resultados importantes que, em volumes menores, dificilmente seriam alcançados. Atualmente o desafio está na dificuldade que as empresas e profissionais possuem em como utilizar essa quantidade de dados de maneira que contribua efetivamente para as decisões de negócio. Para muitos, Big Data acaba se tornando apenas mais relatórios que, como diria o guru de Digital Analytics, Avinash Kaushik, são “stupided toys” – são brinquedos bonitos, mas não são acionáveis. Tanto Avinash quanto Simo Ahava, dois grandes nomes no mercado de Digital Analytics, consideram que investir em bons profissionais, com perfil focado em análise, é mais importante do que investir em ferramentas, pois de nada adianta ter tecnologias de ponta se não possuirmos profissionais qualificados para tornar os dados relevantes e acionáveis. Mas de que forma é possível aplicar Big Data na prática e transformar dados em ações estratégicas?

1. Fontes de dados: antes de mais nada é preciso entender qual o universo de Big Data que sua empresa possui, ou seja, quais são as fontes de dados disponíveis: ferramentas de web analytics, dados de monitoramento de redes socais, CRM, ERP, ferramentas de integração de dados como Tableau, etc.
2. Integração: se for possível integração entre essas ferramentas fica mais fácil fazer as análises posteriores, visto que os dados estarão integrados e você poderá, provavelmente, mapear o comportamento do seu consumidor e identificar padrões com mais facilidade. Caso sua empresa não possua essas integrações a recomendação é que seja gerado insights de cada fonte de dados separadamente para que seja possível cruzar as informações posteriormente.
3. Tratamento de dados: analisar dados agrupados e não isolados, pois decisões devem ser tomadas através de uma amostragem considerável e não de dados de comportamento de um usuário específico, por exemplo. A partir do momento que os dados estão agrupados por segmentos, sejam estes demográficos, perfil de compra, perfil de navegação, ou outro, fica mais fácil entender e analisar, pois tenderão a seguir um padrão. Em muitos casos é recomendado inclusive que se use mais de um segmento, já que apenas um pode ser insuficiente para identificar padrões de comportamento.

Considere o seguinte exemplo para ilustrar a aplicação na prática: uma empresa de calçados femininos deseja otimizar seu estoque e vender mais, pois fabrica uma escala de numeração padrão para todos os calçados, sendo que muitos deles não vendem, gerando custo de estoque, e outros vendem muito rápido, o que deixa a dúvida de quanto o faturamento poderia aumentar se houvessem mais sapatos. Nesse caso supondo que tenhamos um universo de Big Data vindo de ferramenta de Web Analytics e ERP, ou seja, dados de comportamento de compra no e-commerce e dados sobre estoque e pedidos faturados gravados no ERP. Com a ferramenta de Web Analytics é possível taguear as interações dos usuários para entender as numerações mais buscadas dentro do site e a quais produtos estão relacionadas. Por exemplo, numerações menores, como 34 e 35 que normalmente são referentes a mulheres mais baixas, tendem a estar relacionadas com sapatos de salto alto. Para entender esses padrões é necessário taguear os pontos de interação, como seleção de tamanho e filtro de busca, segmentar os dados, por perfil de compra e navegação e, por último, coletar uma amostra que seja conclusiva. Neste momento você já terá mapeado um padrão de comportamento, ou seja, neste caso quais as numerações que são mais buscadas e para quais categorias de produto. A partir desse mapeamento os dados do ERP serão utilizados para entender o quanto o estoque está atendendo a esta demanda de busca. E com isso os dados se tornarão acionáveis, visto que será possível fazer uma previsão de demanda por numeração considerando as diferentes categorias de calçados (já que para cada categoria existe uma demanda de busca diferente). Pronto! Agora o próximo passo é testar: fazer as previsões de demandas com alguns produtos e testar se o estoque se torna suficiente para a demanda de busca e soluciona o problema da empresa. Cada dia mais os dados estarão disponíveis em diferentes fontes formando essa massa de dados que é o Big Data. Uma última dica minha seria: antes de se preocupar com tecnologias mais robustas e integrações, exercite transformar dados em ações com as ferramentas de dados que possui atualmente. A partir do momento que adquirir a habilidade de interpretar e analisar dados transformando-os em ações estratégicas, lidar com um volume de dados maior não será um problema. Por fim, dados são apenas o ponto de partida e não a solução. De nada adianta falarmos de Big Data se não colocamos em prática o potencial que isso tem. Como diz o Avinash “Words Mean Nothing”.