A UPS, uma das maiores companhias mundiais de encomendas expressas e transporte de pacotes, faz, hoje, análise de big data a cada minuto. Foi a maneira que ela encontrou de enviar a seus caminhões as melhores opções de caminho em cerca de 10 mil rotas. Houve um acidente que gerou congestionamento? O trajeto muda. O tempo fechou? O motorista pega a via expressa em vez da alternativa. Está havendo uma perseguição policial (ou uma gravação de filme) em um local? Ele é evitado. Essa gestão detalhista das rotas faz a UPS economizar milhões de dólares anualmente, tanto em combustível como em homem-hora trabalhada, e também a leva a aumentar a satisfação dos clientes. O exemplo mostra como o big data associado ao analytics já está transformando os processos de negócios mais cotidianos. “O big data analytics tem enorme impacto nas estratégias competitivas, porque possibilita ganhos em escala superiores aos alcançados tradicionalmente pelas unidades de negócios”, diz Philip Evans, diretor do Boston Consulting Group (BCG) e especialista na área.
**3 MOVIMENTOS**
Para Thomas Davenport, professor do Babson College e um dos especialistas pioneiros nessa área, já vivemos a era 3.0 do analytics, na qual governos e grandes corporações de vários setores passam a criar programas, produtos e serviços baseados na análise de dados, encarando-a como estratégica para sua sobrevivência. Nessa era, a disseminação da ferramenta como a descrita no caso da UPS, que a aplica a cada minuto, é um dos três movimentos que a atividade de big data analytics está vivendo, e que são abordados neste Dossiê. Os outros dois incluem
> **BREVE DICIONÁRIO _____DE “ANALITIQUÊS”**
>
> **analytics:** análise de dados para identificar tendências e padrões, analisar os efeitos das decisões e eventos e avaliar desempenhos de processos ou cenários. Seu principal objetivo é melhorar os negócios com a obtenção de conhecimentos que gerem vantagens competitivas, e os conhecimentos vêm da análise de uma variedade de dados que a empresa coleta.
>
> **analytics descritivo:** análise de padrões passados.
>
> **analytics preditivo:** análise de dados do passado para prever o futuro.
>
> **analytics prescritivo:** análise que define os melhores comportamentos e ações para negócios.
>
> **big data:** maciça quantidade de dados produzidos ao longo do tempo.
>
> **dados estruturados:** dados que residem em campos fixos dentro de um registro ou arquivo.
>
> **dados não estruturados:** dados que não residem em localizações fixas, geralmente textos de formato livre, imagens e áudios.
>
> **data scientist (cientista de dados):** profissional com altas competências em estatística, ciência da computação e matemática.
>
> **web semântica:** iniciativa do World Wide Web Consortium (W3C) que busca prover tecnologias e padrões para que seja possível embutir metadados com significado consensual e formal aos documentos web.
o fato de começar a ser enxergada do ponto de vista humano (não só da perspectiva tecnológica) e a presença crescente até em países emergentes como o Brasil. O aspecto humano do big data começa a substituir, de certa maneira, o discurso mais tecnológico que predominava até recentemente. Embora muitos gestores ainda vejam o analytics como um desafio mais de aplicativos do que de pessoas, o alto grau de especificidade de cada projeto da área exige processamento quase artesanal em muitas etapas, como observa o especialista brasileiro Renato Rocha Souza, da Fundação Getulio Vargas do Rio de Janeiro, o que definitivamente joga os holofotes sobre as pessoas.
A “onda humana” também fica evidenciada quando se olha de perto como a análise de dados vem modificando, para o bem e às vezes para o mal, as atividades dos indivíduos no dia a dia, seja nas organizações, nas universidades ou em sua interação em uma rede social.
As organizações de países mais periféricos do mundo capitalista também começam a utilizar o big data e o analytics em larga escala. A exemplo do que ocorre em outras nações emergentes, o Brasil ainda registra defasagem no uso do analytics em alguns setores, mas já tem projetos bem avançados, na avaliação de Rocha Souza. Há áreas se destacando bastante nesse campo; a própria Escola de Matemática Aplicada da FGV-Rio, instituição em que ele atua como coordenador de pós-graduação, tem desenvolvido vários projetos avançados para organizações brasileiras.
**DISSEMINAÇÃO**
A popularização do big data no meio empresarial e nos governos mostra-se acelerada na América do Norte, na Europa Ocidental e em regiões da Ásia. Conforme Evans, no ramo dos negócios, algumas atividades já nem são mais competitivas sem o big data analytics, como a otimização de logística (como faz a UPS), a gestão de riscos e de fraudes no setor financeiro, e o uso de dados geoespaciais na agricultura e na indústria extrativista. Entre os tipos de empresas que declaradamente abraçaram o big data analytics estão desde uma grande montadora de caminhões até uma firma de advocacia multinacional. Com o big data, a Mercedes-Benz viu a oportunidade de expandir os negócios com seus clientes da área de logística que possuem frotas de seus caminhões. Então, lançou um modelo de apólice de seguro que utiliza uma solução telemática para avaliar o uso geral dos veículos. As informações são transmitidas de um computador a bordo e se fazem cálculos precisos sobre rotas, carregamentos, desempenho do condutor, desgastes e reparos dos caminhões.
Isso faz com que o prêmio do seguro seja baseado no princípio “pague pelo que usa”, o que gera uma redução média de 10% no custo dos clientes que melhoram a performance dos itens analisados. Outro exemplo didático de uso do big data analytics é o da firma internacional de advocacia Baker & McKenzie, que mantém 3.800 advogados em vários países.
Ela usa a análise de dados não estruturados dos documentos jurídicos para vencer mais vezes nos tribunais. Os processos recebidos pelos advogados têm uma enorme quantidade de informações não estruturadas, fruto da complexidade da linguagem humana e jurídica, que precisam ser analisadas rapidamente para gerar uma visão estruturada e significativa sobre cada processo.
O big data analytics também está ajudando bastante as empresas que fabricam bens de consumo a entender toda a jornada de decisão do consumidor e não apenas a última etapa da compra, como acontecia antes, diz Ravi Dhar, professor da Yale School of Management.
**HUMANIZAÇÃO**
Alguns dizem que, se você é um cientista de dados, pode ficar tranquilo quanto a sua empregabilidade pelos próximos 50 anos. Como a carência de profissionais tem sido, no mundo inteiro, um dos grandes obstáculos à adoção do analytics, principalmente quando se utilizam dados não estruturados, isso está evidenciando a falta que fazem profissionais competentes para os trabalhos executados nas diferentes etapas do processo [veja o pipeline abaixo]. Como explica Rocha Souza, em média, 70% do tempo e esforço de um projeto de analytics cabem às atividades de limpeza e tratamento de dados, feitas por pessoas, e somente 30% se prestam a ferramentas padronizadas.
Mas não é só isso que contribui para a maior inserção do aspecto humano no discurso relativo ao big data. O fato de os indivíduos, como profissionais, consumidores ou cidadãos, estarem sentindo de modo mais agudo os efeitos do fenômeno também ajuda os números a ganhar contornos de carne e osso. Uma visão panorâmica de três fronts do cotidiano –empresas, academia e sociedade–, proporcionada por um artigo deste Dossiê, deixa claras as consequências do big data sobre a vida das pessoas.
**ENTRADA EM PAÍSES EMERGENTES COMO O BRASIL**
O uso do big data analytics nas nações mais periféricas tem sido normalmente desigual, e o Brasil não foge a essa regra. “Nos casos de combate ao crime e cidades inteligentes, estamos dez anos atrás, mas, no setor de petróleo e gás e no caso da Receita Federal, o País está pari passu com o Primeiro Mundo”, afirma o especialista Rocha Souza.
O que explica essa disparidade? De acordo com ele, aqui há basicamente duas barreiras à disseminação do uso: os custos dos data centers e a carência de profissionais com domínio das competências necessárias. A tendência de crescimento de uso no Brasil foi detectada no estudo Strategic Analysis of the Brazilian Companies Investments in ICT, da Frost & Sullivan, segundo o qual, em 2015, 35% das empresas brasileiras investirão em big data analytics, dois terços delas pela primeira vez. Trata-se de um salto significativo, considerando que, hoje, apenas 10% das empresas pesquisadas utiliza a análise de dados.
> **CRONOLOGIA DO ANALYTICS**
>
> **1948**
>
> Teoria matemática da comunicação, de Claude Shannon, possibilita boa parte da infraestrutura de transmissão de dados no volume e na complexidade atuais
>
> **1950**
>
> Usa-se análise de dados de forma mais estruturada para os negócios
>
> **1956**
>
> O conceito de memória virtual é desenvolvido pelo físico alemão Fritz-Rudolf Güntsch
>
> **1960**
>
> Empresas começam a planejar, desenvolver e implantar sistemas centralizados de computação
>
> **1970**
>
> O matemático Edgar F. Codd, do IBM Research Lab, desenvolve a ideia de base de dados relacional
>
> **1980**
>
> Sistemas, plataformas e tecnologias da informação inovadoras impulsionam mudanças na arquitetura e no armazenamento de dados
>
> **1990**
>
> Internet, empresas de armazenamento “na nuvem” e o crescimento exponencial no volume, na variedade e na velocidade dos dados levam ao desenvolvimento da ideia de big data
>
> **2000**
>
> Empresas online e de informação, como Google, eBay e LinkedIn, passam a usar maciçamente os recursos de big data analytics
>
> **2010**
>
> Empresas de vários setores adotam o big data analytics
**MAIS IMPACTO**
Abordando especificamente as empresas, as duas formas que elas estão encontrando para tirar mais proveito da atual era do big data analytics são embuti-lo nos processos operacionais, como faz a UPS, e também nos processos de decisão, aumentando significativamente a velocidade e o impacto em ambos os casos. Segundo o especialista Thomas Davenport, integrar o analytics aos sistemas e processos das organizações acelera tanto a decisão que está tornando praticamente impossível para qualquer líder ignorar a ferramenta.
A P&G é uma das empresas que priorizam o uso da análise de dados para tomar melhores decisões de negócio em tempo real, por exemplo. Também se percebe uma ênfase em usar o analytics de maneira prescritiva, segundo Davenport, o que significa aplicá-lo à construção de modelos que definam os melhores comportamentos e ações para os negócios.
Os modelos prescritivos envolvem testes e otimizações em larga escala e são um meio de incluir o analytics nos processos-chave e no comportamento dos colaboradores. “Eles fornecem múltiplos benefícios operacionais, mas demandam planejamento e execução de alta qualidade”, diz Davenport.
Cada vez mais empresas adotam os modelos prescritivos, principalmente as startups na área de big data, como o Intercontinental Hotel Group, que usa um modelo que considera 650 variáveis para determinar qual é a melhor combinação de preços e produtos para cada tipo de cliente.
**ERROS E DESAFIOS**
Onde estão os principais desafios para as empresas que ingressam na era 3.0 do analytics? Na opinião de Evans, do BCG, a dificuldade-chave reside no fator humano mesmo. Como o big data requer das pessoas uma combinação de conhecimentos de matemática, estatística, programação e ciências da computação e do negócio, ainda é difícil encontrar quem saiba lidar com ele.
“Raramente um indivíduo sozinho domina mais do que uma dessas disciplinas; para o analytics dar certo, as empresas necessitam desenvolver pequenas equipes multidisciplinares que reúnam esses diversos conhecimentos.” A gestão do processo é outro desafio. Cada equipe de analytics precisa, segundo Evans, assumir um problema específico e prático e conduzi-lo em ciclos de curto prazo. “Só que gestores não familiarizados com os aspectos técnicos das tarefas têm dificuldade para gerenciar isso”, afirma.
> **BIG DATA ______NAS PEQUENAS E MÉDIAS EMPRESAS**
>
> Pequenas e médias empresas podem confiar nos serviços de grandes provedores, como Google, Amazon e API, para usar o big data, na opinião de Philip Evans, diretor do Boston Consulting Group (BCG). “Esses provedores oferecem poderosas plataformas que possibilitam a pequenas empresas competirem de igual para igual com rivais de porte muito maior.” Para Evans, a proximidade que as pequenas e médias empresas têm com o cliente, a velocidade com que podem agarrar as oportunidades e a disposição para usar métodos e formatos padronizados podem dar a elas algumas vantagens competitivas nesse campo. Mas isso só funciona quando os conjuntos de dados que alimentam a análise são obtidos externamente ou quando a quantidade de dados proprietários da empresa é suficiente para lidar com o problema em pauta, alerta Evans. “Se o aspecto-chave da vantagem competitiva buscada estiver no tamanho dos conjuntos de dados proprietários da empresa em si, os competidores de menor porte não são beneficiados.”
Estudo das firmas de consultoria Strategy& e PwC identifica outras razões para as empresas fracassarem em usar o analytics com eficácia. Entre as principais estão a falta de clareza sobre quais decisões necessitam se basear no analytics, a ausência de consenso na organização sobre como utilizar as capacidades de big data e o fato de muitas decisões continuarem a ser tomadas sem usar os dados disponibilizados no processo.
Para corrigir tais problemas, as duas consultorias propõem uma mudança na primeira pergunta a ser feita ao abraçar o analytics: em vez de “Que software, dados ou equipe a empresa deve ter?”, “Em que tipo de processo de decisão a empresa precisa de ajuda?”. Para Luc de Brabandere, consultor sênior do Boston Consulting Group, a solução passa por apostar na criatividade das pessoas. Algo simples como a comparação com usos feitos por outras indústrias é o modo de preparar as equipes para serem mais criativas com o big data e fazer as empresas ganharem eficácia em analytics. “Comparando, você imediatamente estimulará a criatividade de todos”, garante.
Para Andrew McAfee, pesquisador do Center for Digital Business da MIT Sloan School of Management, a raiz dos problemas é sobretudo cultural. Por isso, ele acredita que os gestores devem aprender a se deixar dominar pelos dados. “Poucas coisas são mais poderosas para mudar uma cultura do que ver um executivo mudar de ideia quando os dados contradizem sua intuição”, diz.
