Business Analytics E Roadmaps Por Data Driven_LivroDigital

Prévia do material em texto

BUSINESS 
ANALYTICS E 
ROADMAPS POR 
DATA-DRIVEN
ERIC BACCONI GONÇALVES
Sumário
AULA 1
INTRODUÇÃO – DATA SCIENCE .......................4
AULA 2
DATA SCIENCE E ESTRATÉGIA 
DE NEGÓCIOS .................................................11
AULA 3
CULTURA DATA-DRIVEN .................................20
AULA 4
BUSINESS INTELLIGENCE ...............................28
AULA 5
BUSINESS ANALYTICS ....................................39
AULA 6
BIG DATA .........................................................48
AULA 7
DATA MINING I ...............................................58
AULA 8
DATA MINING II ..............................................65
AULA 9
PROBLEM SOLVING ........................................75
AULA 10 
DASHBOARD ...................................................84
AULA 11
STORYTELLING COM DADOS .........................94
AULA 12
ELEMENTO HUMANO E PRIVACIDADE.......106
AULA 1
INTRODUÇÃO – 
DATA SCIENCE
Inicialmente, vamos analisar a Figura 1. Esta 
é a chamada pirâmide DICS, sigla de Dados, 
Informação, Conhecimento e Sabedoria.
5
FIGURA 1 – PIRÂMIDE DICS
DADOS
INFORMAÇÃO
CONHECIMENTO
SABEDORIA
1
Fonte: MUNDO DA LÓGICA. Sabedoria X Conhecimento 
X Informação X Dados. Mundo da Lógica, [s. l.], 4 mar. 
2013. Disponível em: https://mundodalogica.wordpress.
com/2013/03/04/sabedoria-x-conhecimento-x-informacao-x-
dados-2/. Acesso em: 8 mar. 2021.
DADOS – são a base da pirâmide, provenientes de 
uma coleta ou pesquisa.
INFORMAÇÃO – a informação surge a partir da 
estruturação ou organização de dados processados 
para um fim/contexto específico.
CONHECIMENTO – é composto por uma mescla de 
informação contextualizada, valores experiências e 
regras.
SABEDORIA – é o estágio mais complexo, acrescenta o 
entendimento de quando se utilizar o conhecimento.
6
https://mundodalogica.wordpress.com/2013/03/04/sabedoria-x-conhecimento-x-informacao-x-dados-2/
https://mundodalogica.wordpress.com/2013/03/04/sabedoria-x-conhecimento-x-informacao-x-dados-2/
https://mundodalogica.wordpress.com/2013/03/04/sabedoria-x-conhecimento-x-informacao-x-dados-2/
Essa pirâmide representa o dia a dia das empresas. 
Elas possuem uma grande quantidade de dados, 
que devem ser trabalhados para gerar informações, 
conhecimento e sabedoria para a empresa. Neste 
contexto, é muito importante o conceito de data 
science, ou ciência de dados, em português.
CIÊNCIA DE DADOS
Com grandes quantidades de dados agora disponí-
veis, as empresas de quase todos os setores estão 
focadas na exploração de dados para vantagem 
competitiva. O volume e a variedade de dados ultra-
passaram em muito a capacidade de análise manual 
e, em alguns casos, ultrapassaram a capacidade das 
bases de dados convencionais.
Ao mesmo tempo, os computadores se tornaram 
muito mais poderosos. A rede é onipresente e algo-
ritmos foram desenvolvidos para conectar conjun-
tos de dados a fim de permitir análises mais amplas 
e profundas. A convergência desses fenômenos deu 
origem a uma cada vez maior aplicação da ciência 
de dados nas empresas.
Empresas de todos os setores perceberam que pre-
cisam contratar mais cientistas de dados, instituições 
acadêmicas estão cada vez mais criam cursos para for-
mação de cientistas de dados. Atualmente, é consenso 
que ciência de dados é uma carreira promissora.
7
DEFINIÇÕES
Data science está intrinsecamente interligada a ou-
tros conceitos importantes, como big data ou data-
driven (conceitos que serão abordados ao longo do 
curso), que também estão crescendo em importân-
cia e atenção.
Data science é um conjunto de princípios 
fundamentais que apoiam e orientam a extra-
ção de informações com o objetivo de buscar 
conhecimento.
Esses princípios e técnicas são amplamente aplicados 
em áreas funcionais em negócios. Provavelmente a 
área que mais utiliza essas técnicas é a de Marketing, 
sobretudo em suas subáreas, como publicidade, 
retenção de clientes e recomendações para venda 
cruzada. Entretanto, a ciência de dados também é 
aplicada em outros campos, como Finanças, detec-
ção de Fraudes, Medicina, entre outros.
Ciência de dados envolve muito mais do que apenas 
mineração de dados algoritmos. Cientistas de dados 
bem-sucedidos devem ser capazes de visualizar pro-
blemas de negócios sob a perspectiva de dados.
Grande parte do que tem sido tradicionalmente es-
tudado no campo da estatística é fundamental para a 
8
ciência de dados, métodos e metodologia para visua-
lizar os dados são vitais. Há também áreas particula-
res em que intuição, criatividade, comum sentido e 
conhecimento de uma determinada aplicação devem 
ser também trazidos para análise. Uma perspectiva 
de ciência de dados fornece aos profissionais suporte 
e princípios que oferecem ao cientista de dados uma 
base para tratar sistematicamente dos problemas, 
extraindo conhecimento útil dos dados.
Exemplo
Suponha que você conseguiu um ótimo trabalho 
analítico em uma empresa de telecomunicações 
chamada MegaTelCo, a qual está tendo um grande 
problema com a retenção de clientes em seus ne-
gócios sem fio e está ficando cada vez mais difícil 
adquirir novos clientes.
O mercado de telefonia celular está saturado após o 
enorme crescimento do mercado sem fio há alguns 
anos. Empresas de comunicação estão agora envol-
vidas em batalhas para atrair novos clientes e man-
tendo os que já possuem. A mudança de clientes de 
uma empresa para outra é chamada de churn e é 
cara: uma empresa deve gastar com incentivos para 
atrair um cliente, enquanto a outra empresa perde 
receita quando o cliente lhe deixa.
9
Você foi chamado para ajudar a entender o problema 
e para conceber uma solução. Atrair novos clientes é 
muito mais caro do que reter os existentes, portanto, 
uma boa parte do orçamento de marketing é aloca-
da para evitar o churn. O marketing já elaborou uma 
oferta especial de retenção. Sua tarefa é conceber 
um plano preciso, passo a passo, de como a equipe 
de ciência de dados deve usar os vastos recursos que 
possui para decidir a quais clientes deve oferecer 
o acordo especial de retenção antes do término de 
seus contratos. Neste caso específico, decida: qual o 
melhor conjunto de clientes para direcionar a oferta 
especial a fim de reduzir o churn usando um orça-
mento de incentivo específico?
Responder a essa questão é muito mais complicado 
do que pode parecer inicialmente.
REFERÊNCIA BIBLIOGRÁFICA
FAWCETT, T.; PROVOST, F. Data science para 
negócios: o que você precisa saber sobre mineração 
de dados e pensamento analítico de dados. Rio de 
Janeiro: Alta Books, 2018.
10
AULA 2
DATA SCIENCE E 
ESTRATÉGIA 
DE NEGÓCIOS
Nesta aula, vamos discutir sobre a interação entre 
ciência de dados e estratégia de negócios.
Uma confluência de fatores levou as empresas con-
temporâneas a serem incrivelmente ricas em dados 
em comparação com suas antecessoras. Entretanto, 
12
a disponibilidade de dados por si só não garante o 
sucesso na tomada de decisão baseada em dados. 
Como uma empresa garante que irá obter o máximo 
da riqueza de dados? São dois os fatores principais: 
a gestão da empresa deve pensar em dados analiti-
camente e a criar uma cultura de ciência de dados.
Isso não significa que os gestores precisam ser 
cientistas de dados. Contudo, os gerentes têm que 
entender os princípios fundamentais bem o sufi-
ciente para aproveitar as oportunidades da ciência 
de dados, fornecer os recursos apropriados para 
os dados e estarem disposto a investir em dados e 
inovações.
Além disso, a gestão deve orientar a equipe de ciên-
cia de dados com cuidado para se certificar de que 
ela permanece no caminho certo para uma solução 
de negócios eventualmente útil. Isso é muito difícil 
se os gerentes não entendem realmente os prin-
cípios. Os gestores precisam ser capazes de fazer 
as perguntas certas para os cientistas de dados a 
fim de evitar que o analista se perca em detalhes 
técnicos.
Em projetos de ciência de dados uma equipe diver-
sificada é essencial. Assim como nãopodemos espe-
rar que um gestor necessariamente tenha profundo 
conhecimento sobre dados, não podemos esperar 
13
que um cientista de dados necessariamente tenha 
profundo conhecimento sobre negócios. No entan-
to, uma equipe de ciência de dados eficaz envolve 
a colaboração entre os dois, e cada um precisa ter 
algum entendimento dos fundamentos da área de 
responsabilidade do outro.
ALCANÇANDO VANTAGEM 
COMPETITIVA COM CIÊNCIA 
DE DADOS
Dados e ciência de dados são ativos estratégicos 
(complementares). Sob quais condições uma em-
presa pode obter vantagem competitiva com esses 
ativos?
Primeiramente, o ativo deve ser valioso para a em-
presa. Isso parece óbvio, mas observe que o valor 
de um ativo para uma empresa depende de outras 
decisões estratégicas que ela toma. Portanto, um 
pré-requisito para a vantagem competitiva é que 
o ativo seja valioso no contexto da estratégia da 
organização.
Falando sobre o segundo conjunto de critérios, para 
obter vantagem competitiva, os concorrentes não 
devem possuir o ativo ou não devem ser capazes 
de obter o mesmo valor do ativo. Devemos pensar 
14
sobre o(s) ativo(s) de dados e a capacidade da ciên-
cia de dados. Temos um ativo de dados exclusivo? 
Se não, nós temos um ativo cuja utilização está 
mais alinhada com nossa estratégia do que com a 
estratégia de nossos concorrentes? Ou somos mais 
capazes de tirar proveito do ativo de dados devido à 
nossa melhor capacidade de ciência de dados?
Outro questionamento sobre como obter vantagem 
competitiva com dados e ciência de dados é se esta-
mos em desvantagem competitiva. Pode ser que as 
respostas para as questões anteriores sejam afirma-
tivas para nossos concorrentes e não para nós.
MANTENDO VANTAGEM COMPETITIVA 
COM CIÊNCIA DE DADOS
O próximo passo é, uma vez que possuímos vanta-
gem competitiva, saber se podemos sustentá-la. Se 
nossos concorrentes puderem facilmente duplicar 
nossos ativos e capacidades, nossa vantagem pode 
ter vida curta. Esta é uma questão especialmente 
crítica se nossos concorrentes têm mais recursos do 
que nós: ao adotarmos nossa estratégia, eles po-
dem nos ultrapassar se tiverem mais recursos.
Uma estratégia para competir com base na ciên-
cia de dados é se planejar para sempre manter-se 
15
um passo à frente da concorrência, ou seja, estar 
sempre investindo em novos ativos de dados e 
desenvolvendo novas técnicas e capacidades. Essa 
tática pode proporcionar uma experiência positiva, 
e, possivelmente, rápido crescimento da empresa, 
mas, geralmente, poucas empresas são capazes de 
executá-la. Por exemplo, você deve ter certeza de 
que possui uma das melhores equipes de ciência 
de dados, uma vez que a eficácia dos cientistas tem 
grande variação, com o melhor sendo muito mais 
talentoso do que a média. Se você tem uma grande 
equipe, pode apostar que você pode se manter à 
frente da concorrência.
Estar sempre um passo adiante é alcançar vantagem 
competitiva devido à incapacidade do concorrente 
de replicar, ou ao seu elevado custo para replicação, 
o ativo de dados ou a capacidade de ciência de da-
dos. Há vários caminhos para essa sustentabilidade.
VANTAGEM HISTÓRICA
Circunstâncias históricas podem ter colocado uma 
empresa em posição vantajosa, e pode ser muito 
caro para os concorrentes alcançarem a mesma 
posição.
A Amazon fornece um excelente exemplo. No 
“boom” das empresas “pontocom”, na década de 
16
1990, a Amazon conseguiu vender livros abaixo do 
custo e os investidores continuaram a apostar na 
empresa. Isso permitiu que ela acumulasse enor-
mes ativos de dados (como dados massivos sobre 
a compra de consumidores on-line e preferências e 
análises de produtos on-line), o que lhes permitiu 
criar valiosos produtos baseados em dados (como 
recomendações e classificações de produtos).
ATIVOS COLATERAIS INTANGÍVEIS 
EXCLUSIVOS
Nossos concorrentes podem não conseguir desco-
brir como colocar nossa solução em prática. Com 
soluções de ciência de dados bem-sucedidas, a 
fonte real de bom desempenho (por exemplo, com 
modelagem preditiva eficaz) pode não ser clara.
Muitas vezes, não é nítido para um competi-
dor como o desempenho é alcançado na prática. 
Mesmo que nossos algoritmos sejam publicados em 
detalhes, muitas particularidades de implementa-
ção podem ser críticas para obter uma solução que, 
mesmo que funcione na fase de testes, seja igual-
mente eficiente quando colocada em produção.
Além disso, o sucesso pode ser baseado em ativos 
intangíveis, como uma cultura da empresa que é 
17
particularmente adequada para a implantação de 
soluções de ciência de dados. Exemplificando, uma 
empresa com cultura que abrange a experimenta-
ção de negócios e o suporte de decisões baseadas 
em dados será naturalmente um lugar mais fácil 
para o sucesso das soluções de ciência de dados.
ESTEJA PRONTO PARA ACEITAR IDEIAS 
CRIATIVAS DE QUALQUER FONTE
Uma vez que diferentes atores entendam os princí-
pios fundamentais da ciência de dados, o processo 
de ideias para novas soluções pode vir de qualquer 
direção, como de executivos examinando novas 
potenciais linhas de negócios, de diretores que 
lidam com responsabilidade de lucros e perdas, de 
gestores que analisam criticamente um processo 
de negócios e de funcionários com conhecimento 
detalhado de como funciona exatamente um deter-
minado processo de negócios.
Os cientistas de dados devem ser incentivados a 
interagir com os funcionários de toda a empresa, 
e parte de sua avaliação de desempenho deve ser 
baseada em quão bem eles produzem ideias para 
melhorar os negócios a partir da ciência de dados. 
Aliás, fazer isso pode valer a pena de formas não 
intencionais: as habilidades de processamento de 
18
dados dos cientistas de dados muitas vezes podem 
ser aplicadas de maneiras não tão sofisticadas, no 
entanto, podem ajudar outros funcionários que não 
possuem tais habilidades. Muitas vezes, um gestor 
pode não ter ideia de quais dados podem ser obti-
dos, dados estes que podem ajudar o gestor direta-
mente, sem uma ciência de dados sofisticada.
REFERÊNCIA BIBLIOGRÁFICA
FAWCETT, T.; PROVOST, F. Data science para 
negócios: o que você precisa saber sobre mineração 
de dados e pensamento analítico de dados. Rio de 
Janeiro: Alta Books, 2018.
19
AULA 3
CULTURA 
DATA-DRIVEN
A cultura data-driven, ou cultura orientada por da-
dos, consiste basicamente em tomar decisões em-
basadas em dados. Ela existe quando uma empresa 
organiza seus processos e métricas com base em 
dados reais, fugindo, assim, de decisões embasadas 
em intuição, instinto, exemplos passados, achismos 
ou heurísticas.
21
Uma organização orientada a dados é aquela em 
que os dados críticos de negócios conduzem auto-
maticamente suas decisões e ações.
Como as decisões não devem ser tomadas:
1. executivos tomam uma decisão e, em seguida, 
encontram dados para apoiá-lo;
2. confiando no instinto.
Como ela deve ser:
1. os dados informam não apenas que uma deci-
são precisa ser tomada, mas também, com frequên-
cia, qual decisão deve ser tomada;
2. os gerentes devem ser responsáveis por mode-
rar a decisão com base no que os dados mostram.
Se você puder identificar o que deseja que seus 
dados informem, é possível capacitá-los para fala-
rem com você (e com as pessoas envolvidas) quan-
do essas condições de negócios existirem. É preciso 
valorizar o poder dos dados.
Grandes empresas que estão fazendo a diferença no 
mundo já vivem embasadas na cultura data-driven e 
sua performance gigante está completamente ligada 
a decisões guiadas por dados.
22
Os objetivos de um gestor que busca implementar a 
cultura data-driven devem ser:
1. deixar claro para o seu time, por meio de exem-
plos evidentes, a importância dos dados;
2. buscar a cada dia turbinar mais a capacidade 
analítica de sua empresa;
3. utilizar ferramentas de automação para ter uma 
fonte de bases de dados; após isso, deve organizar 
os dados;
4. investir em tecnologias que trarão resultado 
para seu negócio; tecnologia que nãogera resulta-
dos não serve para nada;
5. concentrar-se em profissionais que, em sua 
essência, já sejam data-driven, mesmo que eles não 
saibam.
Um exemplo significativo de empresa que utiliza 
muito bem a sua cultura data-driven é a Amazon. A 
empresa de Jeff Bezos a utiliza para as finalidades 
detalhadas a seguir.
1. Oferecer ao usuário uma experiência significa-
tiva por meio de algoritmos de recomendação, que 
são construídos a partir da análise comportamental 
dos clientes, visando oferecer os produtos que mais 
se encaixam com o perfil dos clientes. Essa tática e 
o botão de compra em um clique tornaram muito 
difícil que você saia do site sem comprar algo.
23
2. Ao analisar os dados de sua cadeia logística, 
a Amazon desenvolveu um modelo preditivo que 
consegue antecipar as necessidades de mercadorias 
dos seus depósitos. Dessa forma, ela consegue se 
preparar para sempre atender aos seus clientes o 
mais rápido possível, diminuindo os custos logísticos 
da empresa.
3. A empresa também consegue ser muito mais 
competitiva, oferecendo seus produtos sempre pelo 
menor preço. Ao analisar sua grande quantidade de 
informações, é possível criar uma otimização das 
ofertas da empresa, entendendo quando e por que 
existirá menor concorrência em seu mercado.
De acordo com o Gartner Group, estabelecer uma 
cultura data-driven é uma questão de influenciar 
a mentalidade e os comportamentos de uma orga-
nização. Para estabelecer uma mudança de cultura 
baseada em dados, deve-se envolver as partes inte-
ressadas para garantir a adesão e o suporte contí-
nuo no tratamento de dados como um ativo, e não 
como um subproduto. Para atingir esse objetivo, 
os líderes da cultura data-driven precisam mostrar 
liderança em três áreas de influência: valor comer-
cial, impactos da mudança cultural e implicações 
éticas.
24
IDENTIFICAR E COMUNICAR O VALOR 
COMERCIAL DOS DADOS
A maioria dos executivos admite que suas organi-
zações administram mal seus ativos de informação, 
levando a oportunidades de negócios perdidas e 
despesas indevidas. Os gestores de dados devem 
medir os principais atributos de qualidade das infor-
mações, que incluem precisão, validade, usabilidade 
e sua relevância para os principais processos de ne-
gócios. Ao mesmo tempo, eles precisam determinar 
o impacto real dos dados nos resultados de negó-
cios para priorizar e melhor apoiar as iniciativas de 
gerenciamento de ativos de informações.
Os gestores dos dados podem, então, mostrar para 
que são usados seus conjuntos de dados internos e 
externos, permitindo que os parceiros os auxiliem a 
identificar oportunidades de usar os dados existen-
tes de maneiras mais inovadoras.
ABORDAR OS IMPACTOS DA 
MUDANÇA CULTURAL DE UMA 
ABORDAGEM BASEADA EM DADOS
Como parte do estabelecimento de uma cultura 
baseada em dados, os gestores de dados devem ser 
responsáveis pela mudança de cultura para apoiar a 
25
transformação. Eles não podem simplesmente dizer 
às pessoas para mudarem sua cultura; eles devem 
inspirar as pessoas a acreditar que a mudança é 
necessária.
Para abordar e influenciar a mudança de cultura, é 
necessário ser explícito sobre como os dados in-
fluenciam os diferentes estilos de tomada de deci-
são. Algumas decisões estratégicas são altamente 
incertas e reversíveis; outras são necessárias e 
irreversíveis.
Comunicação ineficaz atrapalha a capacidade de 
desenvolver adesão, ganhar tração em seu papel e 
mudar o comportamento. Criar um plano de comu-
nicação e influência identificando as partes interes-
sadas e os tomadores de decisão é primordial para 
a implantação dessa cultura.
GERENCIAR AS IMPLICAÇÕES ÉTICAS 
DE DADOS E ANÁLISES
Estabelecer um código de conduta que defina as dire-
trizes éticas para o uso de dados e análises. Equilibrar 
as oportunidades e limitações entre os benefícios dos 
dados e análises e os riscos éticos e de privacidade 
que eles representam. Finalmente, seja claro sobre 
quaisquer expectativas de comportamento.
26
REFERÊNCIAS BIBLIOGRÁFICAS
Data-Driven: como promover uma cultura de ne-
gócio orientada a dados. Disponível em: http://
materiais.treasy.com.br/data-driven-cm. Acesso 
em: 30 jan. 2021.
OLIVEIRA, Marcus. Cultura data driven: enten-
da como a Marvel e Netflix produzem conteúdos 
orientados a dados. Rockcontent Inteligência 
Corporativa, São Paulo, 4 maio 2018. Disponível 
em: https://inteligencia.rockcontent.com/marvel-
netflix-data-driven/. Acesso em: 30 jan. 2021.
GOASDUFF, Laurence. Create a data-driven cultu-
re by influencing 3 areas. Smarter With Gartner, 
Stamford, 14 nov. 2019. Disponível em: https://
www.gartner.com/smarterwithgartner/create-a-
data-driven-culture-by-influencing-3-areas/. Acesso 
em: 30 jan. 2021.
27
http://materiais.treasy.com.br/data-driven-cm
http://materiais.treasy.com.br/data-driven-cm
https://inteligencia.rockcontent.com/marvel-netflix-data-driven/
https://inteligencia.rockcontent.com/marvel-netflix-data-driven/
https://www.gartner.com/smarterwithgartner/create-a-data-driven-culture-by-influencing-3-areas/
https://www.gartner.com/smarterwithgartner/create-a-data-driven-culture-by-influencing-3-areas/
https://www.gartner.com/smarterwithgartner/create-a-data-driven-culture-by-influencing-3-areas/
AULA 4
BUSINESS 
INTELLIGENCE
Empresas geram diariamente uma enorme quanti-
dade de dados que podem conter padrões, relações, 
tendências e outras informações. No intuito de otimi-
zar seu processo de decisão, as companhias cada vez 
mais buscam ferramentas que permitam transformar 
seus dados em informação e informação em decisão 
(BACH et al., 2016; YOON; GHOSH; JEONG, 2014).
29
Business Intelligence (BI) pode ser definido como 
um conjunto de métodos e sistemas utilizados 
para permitir a análise de informações históricas 
de uma empresa com o intuito de direcionar estra-
tégias das companhias a fim de incrementar lucros 
(IŞIK et al., 2013).
Para Grubljesic e Jaklic (2015), BI é a habilidade da 
empresa de atuar de maneira efetiva, explorando 
seus recursos humanos e de informações. Alguns 
autores associam o termo BI a métodos computa-
cionais de processamento de dados que os transfor-
mam em conhecimento e, posteriormente, em deci-
sões para as instituições (POPOVIČ et al., 2012).
De acordo com Turban, Sharda, Aronson e King 
(2009) as raízes do BI são provenientes da década 
de 1970, quando as empresas passaram a gerar 
relatórios, os chamados Sistemas de Informações 
Gerenciais (SIGs). Esses relatórios eram estáticos 
e bidimensionais e não possuíam recurso de aná-
lise. Na década seguinte surgiram os Sistemas de 
Informações Executivas (SIEs), quando os relatórios 
passaram a ser dinâmicos e multidimensionais, com 
recursos de previsão, análise e tendências. Na dé-
cada de 1990, o termo BI foi proposto pelo Gartner 
Group e dezenas de produtos comerciais surgiram, 
popularizando o conceito. Na década seguinte foram 
aperfeiçoadas as técnicas de análises, permitindo a 
utilização de um grande volume de dados (big data).
30
Para entender como o BI se aplica no cotidiano 
de uma empresa, Turban, Sharda, Aronson e King 
(2009) propuseram um modelo chamado Pressões 
– Reações – Suporte do negócio, conforme apresen-
tado na Figura 1.
FIGURA 1 – MODELO 
PRESSÕES – REAÇÕES – SUPORTE DO NEGÓCIO
Globalização, 
demandas do 
consumidor, 
regulamentações 
governamentais, 
mercados e 
competição, etc.
Pressões
Fatores do 
ambiente 
de negócios
Reações da 
organização
Decisões 
e suporte
Oportunidades
Estratégia, 
colaboração dos 
parceiros, reação 
em tempo real, 
agilidade, maior 
produtividade, 
novos 
fornecedores, 
novos modelos 
de negóci, etc.
Análise, 
decisões, 
previsões
Suporte 
computadorizado 
à decisão 
integrado
Business 
intelligence
Fonte: Turban, Sharda, Aronson e King, 2009.
Segundo os autores, a pressão advém da complexi-
dade do ambiente em que as organizações operam. 
Se, por um lado, a complexidade traz oportunida-
des, por outro, ela cria problemas. Tomando como 
exemplo a globalização,esta permite encontrar 
31
clientes e fornecedores em vários países, trazendo 
mais opções para a empresa. Entretanto, a concor-
rência fica maior e mais forte. Um agravante é que a 
intensidade desses fatores tende a aumentar com o 
tempo, gerando mais pressões.
Nesse tipo de ambiente, os gestores devem tomar 
decisões rápidas e demonstrar inovação e agilidade. 
Os autores propõem algumas ações que podem ser 
adotadas para a “reação”, elencadas a seguir.
 ● Emprego de planejamento estratégico.
 ● Uso de modelos de negócios novos e 
inovadores.
 ● Reestruturação de processos de negócios.
 ● Participação em alianças de negócios.
 ● Aprimoramento dos sistemas de informações 
corporativos.
 ● Aprimoramento das relações de parceria.
 ● Incentivo à inovação e à criatividade.
 ● Aprimoramento do serviço de relacionamento 
com clientes.
 ● Adoção do comércio eletrônico.
 ● Adoção da manufatura sob encomenda e da 
produção e serviços sob demanda.
32
 ● Uso de novas tecnologias de informação para 
melhorar a comunicação, o acesso aos dados e a 
colaboração.
 ● Rápida reação às ações dos concorrentes, como 
em precificação, promoções e novos produtos e 
serviços.
 ● Automatização de muitas tarefas do pessoal 
administrativo.
 ● Automatização de determinados processos de 
decisão, principalmente os que envolvem clientes.
 ● Aprimoramento da tomada de decisões.
Uma análise das ações propostas revela que muitas 
delas, se não todas, necessitam de suporte compu-
tadorizado. É nessa fase que entram os sistemas de 
BI, permitindo a consulta de informações em tempo 
real, criando análises ricas que permitam a con-
dução das estratégias de negócio (Hou, 2016). Os 
usuários de sistemas de BI têm a possibillidade de 
tomar melhores decisões utilizando as informações 
certas (Han et al., 2016). Ziama e Kasher (2004) 
apontam alguns exemplos de perguntas que podem 
ser respondidas com o auxílio de BI, como consta no 
Quadro 1.
33
QUADRO 1 – VALOR PARA O NEGÓCIO DAS 
APLICAÇÕES ANALÍTICAS DE BI
Aplicação 
analítica 
Pergunta de 
negócios Valor para o negócio
Segmentação 
dos clientes
Em quais 
segmentos 
de mercado 
meus clientes 
se encaixam e 
quais são suas 
características?
Personalizar os 
relacionamentos 
com clientes 
para obter maior 
satisfação e retenção 
destes.
Propensão 
à compra
Quais clientes 
são mais 
propensos a 
responderem 
à minha 
promoção?
Visar os clientes 
com base em suas 
necessidades 
de aumentar a 
fidelidade à sua linha 
de produtos.
Aumentar também 
a lucratividade 
da promoção, 
enfocando 
quem tem mais 
possibilidades de 
comprar.
Lucratividade 
dos clientes
Qual é a 
lucratividade 
vitalícia de meu 
cliente?
Tomar decisões 
individuais de 
interação de 
negócios com base 
na lucratividade 
geral dos clientes.
34
Aplicação 
analítica 
Pergunta de 
negócios Valor para o negócio
Detecção de 
fraudes
Como posso 
saber quais 
transações 
provavelmente 
serão 
fraudulentas?
Determinar a fraude 
com rapidez e agir 
imediatamente para 
minimizar os custos.
Perda de 
clientes
Qual cliente 
está a ponto de 
sair?
Evitar a perda de 
clientes de grande 
valor e abandonar os 
de menor valor.
Otimização 
do canal
Qual é o 
melhor canal 
para
chegar ao meu 
cliente em cada 
segmento?
Interagir com 
os clientes com 
base em suas 
preferências e em 
sua necessidade de 
gerenciar os custos.
Fonte: Ziama e Kasher, 2004.
Na primeira década do século XXI, o BI penetrou em 
vários segmentos da economia, tais como finanças, 
telecomunicações, seguros, bancos, manufatura e 
comércio (RAMAKRISHNAN et al., 2012). Muitas 
empresas desses segmentos conseguiram aumentar 
a lealdade de seus clientes e, consequentemente, au-
mentar seus lucros. Segundo Turban, Sharda, Aronson 
e King (2009), as organizações passaram a obter mais 
valor do BI ao estender as informações existentes a 
muitos funcionários, maximizando o ativo de dados 
existentes. Ainda segundo esses autores, pesquisas e 
35
projeções apontam que a tendência é que cada vez 
mais pessoas utilizem ferramentas de BI.
REFERÊNCIAS BIBLIOGRÁFICAS
BACH, M. P.; ČELJO, A.; ZOROJA, J. Technology ac-
ceptance model for business intelligence systems: 
preliminary research. Procedia Computer Science, 
v. 100, p. 995-1001, 2016. Disponível em: https://
doi.org/10.1016/j.procs.2016.09.270. Acesso em: 9 
mar. 2021.
GRUBLJESIC, T.; JAKLIC, J. Conceptualization of the 
Business Intelligence Extended Use Model. Journal 
of Computer Information Systems, v. 55, n. 3, p. 72-
82, 2015.
HAN, Y. M.; SHEN, C. S.; FARN, C. K. Determinants 
of continued usage of pervasive business intelli-
gence systems. Information Development, v. 32, 
n. 3, p. 424-439, 2016. Disponível em: https://doi.
org/10.1177/0266666914554811. Acesso em: 9 
mar. 2021.
HOU, C. Understanding business intelligen-
ce system continuance intention : an em-
pirical study of Taiwan’s electronics indus-
try. Information Development, v. 32, n. 5, p. 
36
https://doi.org/10.1177/0266666914554811
https://doi.org/10.1177/0266666914554811
1359-1371, 2016. Disponível em: https://doi.
org/10.1177/0266666915599588. Acesso em: 9 
mar. 2021.
IŞIK, Ö.; JONES, M. C.; SIDOROVA, A. Business intelli-
gence success: the roles of BI capabilities and deci-
sion environments. Information and Management, 
v. 50, n. 1, p. 13-23, 2013. Disponível em: https://
doi.org/10.1016/j.im.2012.12.001. Acesso em: 9 
mar. 2021.
POPOVIČ, A.; HACKNEY, R.; COELHO, P. S.; JAKLIČ, 
J. Towards business intelligence systems success: 
effects of maturity and culture on analytical deci-
sion making. Decision Support Systems, v. 54, n. 
1, p. 729-739, 2012. Disponível em: https://doi.
org/10.1016/j.dss.2012.08.017. Acesso em: 9 mar. 
2021.
RAMAKRISHNAN, T.; JONES, M. C.; SIDOROVA, A. 
Factors influencing business intelligence (BI) data 
collection strategies: an empirical investigation. 
Decision Support Systems, v. 52, n. 2, p. 486–496, 
2012. Disponível em: https://doi.org/10.1016/j.
dss.2011.10.009. Acesso em: 9 mar. 2021.
TURBAN, E.; SHARDA, R.; ARONSON, J. E.; KING, D. 
Business Intelligence: um enfoque gerencial para a 
inteligência do negócio. São Paulo: Bookman, 2009. 
37
https://doi.org/10.1177/0266666915599588
https://doi.org/10.1177/0266666915599588
https://doi.org/10.1016/j.im.2012.12.001
https://doi.org/10.1016/j.im.2012.12.001
https://doi.org/10.1016/j.dss.2012.08.017
https://doi.org/10.1016/j.dss.2012.08.017
https://doi.org/10.1016/j.dss.2011.10.009
https://doi.org/10.1016/j.dss.2011.10.009
YOON, T. E.; GHOSH, B.; JEONG, B. (2014). User 
acceptance of Business Intelligence (BI) applica-
tion: technology, individual difference, social in-
fluence, and situational constraints. 47th Hawaii 
International Conference on System Sciences 
(HICSS), Institute of Electrical and Electronics 
Engineers, Waikoloa, 6 a 9 jan. 2014. Disponível em: 
https://doi.org/10.1109/HICSS.2014.467. Acesso 
em: 9 mar. 2021.
ZIAMA, A.; KASHER, J. Data mining primer for the 
data warehouse professional. Dayton: Teradata, 
2004.
38
https://doi.org/10.1109/HICSS.2014.467
AULA 5
BUSINESS 
ANALYTICS
Dentro do conceito de BI, há o conceito de analytics 
(PAYANDEH, 2013), também chamado de Business 
Analytics (BA), que se refere ao foco mais estatís-
tico da apreciação dos dados, segundo Davenport 
(2006), representando o componente analítico 
chave de BI.
40
As oportunidades associadas a dados e análises em 
diferentes organizações ajudaram a gerar interesse 
significativo em Business Analytics, que muitas ve-
zes é referido como técnicas, tecnologias, sistemas, 
práticas, metodologias e aplicativos que analisam 
dados críticos de negócios para ajudar uma empre-
sa a entender melhor suas atividades e mercado de 
atuação e tomar decisões oportunas. Além do pro-
cessamento de dados subjacente e das tecnologias 
analíticas, a Business Analytics inclui práticas e me-
todologias centradas nos negócios que podem ser 
empregadas em diversas aplicações de alto impacto, 
como e-commerce e inteligênciade mercado.
A primeira onda de análises – que aborda a pergun-
ta “Por que aconteceu?” – é dedutiva por natureza, 
enquanto a segunda onda de análises — que aborda 
a questão “O que vai acontecer?” – é principalmen-
te indutiva.
 ● Com análises dedutivas, os usuários de negócios 
usam ferramentas como Excel, OLAP e ferramentas 
de análise visual para explorar uma hipótese. Eles 
tomam uma premissa sobre qual é a causa raiz de 
alguma anomalia ou alerta de desempenho e, em 
seguida, usam ferramentas analíticas para explorar 
os dados e verificar ou negar a hipótese. Se a hipó-
tese se provar falsa, eles levantam uma nova hipó-
tese e começam a olhar em outra direção.
41
 ● Análise indutiva é o oposto. Os usuários de ne-
gócios não começam com uma hipótese, eles co-
meçam com um resultado ou meta do negócio (por 
exemplo, “encontrar os 10% mais rentáveis de nos-
sos clientes e perspectivas que são mais propensas a 
responder a essa oferta”) e, em seguida, coletar da-
dos históricos que os ajudarão a discernir a resposta. 
Eles, então, usam as análises para criar modelos es-
tatísticos ou de aprendizado de máquina dos dados 
para responder à sua pergunta. Em outras palavras, 
eles não começam com uma hipótese, eles começam 
com os dados e deixam as ferramentas analíticas 
descobrir os padrões e anomalias para eles.
Mas que tipo de perguntas pertencem às análises 
avançadas? Existem quatro categorias principais, 
detalhadas a seguir.
1. Analise o passado. Embora usemos principal-
mente ferramentas dedutivas para examinar ten-
dências passadas, ferramentas analíticas modelam o 
passado. Algumas perguntas aparentemente fáceis 
podem ser mais difíceis de responder porque en-
volvem a interação de muitas variáveis. Estas in-
cluem: “Por que as vendas tiveram queda no último 
trimestre?”.
2. Otimize o presente. Uma vez que modelamos a 
atividade passada e entendemos as relações entre 
as principais variáveis, podemos aproveitar essas 
42
informações para otimizar os processos atuais. Por 
exemplo, um modelo de cesta de compras pode 
ajudar os varejistas a projetar layouts de lojas para 
maximizar os lucros.
3. Prever o futuro. Aplicando o modelo (ou seja, 
a equação matemática) a cada novo registro, pode-
mos adivinhar com um grau razoável de precisão 
se um cliente pode responder positivamente a uma 
promoção ou se uma transação é fraudulenta.
4. Testar suposições. Análises avançadas também 
podem ser usadas para testar suposições sobre o ne-
gócio. Por exemplo, antes de gastar milhões em uma 
campanha de marketing, um varejista pode testar 
uma suposição de que os clientes localizados a uma 
distância de um quilometro quadrada de grandes 
concorrentes são menos fiéis do que outros.
Chen et al. (2012) cunharam o termo Business 
Intelligence e Analytics (BI&A) e apontam que sua 
popularidade, relacionada ao conceito de big data, 
aumentou tanto no campo acadêmico quanto nas 
empresas ao longo das duas primeiras décadas do 
século XXI. Esses mesmos autores defendem que se 
está entrando na terceira geração de BI&A. Eles de-
finem as três fases como BI&A 1.0, BI&A 2.0 e BI&A 
3.0. É importante ressaltar que essas quatro fases 
não são excludentes, ou seja, elas podem coexistir 
dentro de uma empresa.
43
BUSINESS INTELLIGENCE E ANALYTICS 
1.0 (BI&A 1.0)
É a mais largamente utilizada no mercado, trabalha 
com dados estruturados provenientes de sistemas 
legados das empresas. Foi popularizado na década 
de 1990 e utiliza principalmente técnicas estatísticas 
desenvolvidas nos anos 1970 e métodos de minera-
ção de dados da década de 1980.
O armazenamento e o gerenciamento das bases de 
dados são a sustentação do BI&A 1.0. O desenvolvi-
mento de ferramentas de extração, transformação 
e carga dos dados, conhecido como ETL (Extraction, 
Transformation and Load), é essencial para a in-
tegração dos dados. Gráficos são utilizados para 
explorar as características da base de dados, e rela-
tórios e dashboards auxiliam no monitoramento do 
negócio; adicionalmente, técnicas estatísticas e de 
mineração de dados são utilizadas para segmenta-
ção, análise de regressão, análise de conglomerados 
e detecção de anomalias.
BUSINESS INTELLIGENCE E ANALYTICS 
2.0 (BI&A 2.0)
No começo dos anos 2000, a popularização da inter-
net trouxe novas fontes de dados que permitiram 
44
novas oportunidades de negócio. Sítios de busca, 
como Yahoo e Google, ou de comércio eletrônico, 
como Amazon ou Ebay, permitem a apresentação 
on-line com os clientes e a interação é direta. Essa 
nova realidade descobriu uma nova “mina de ouro” 
no entendimento das necessidades dos clientes e 
na exploração de novas formas de negócio.
A era do BI&A 2.0 está centrada em análise de texto 
e análise de conteúdos não estruturados da web. A 
análise do comportamento de “cliques” do cliente 
revela seu perfil e comportamento de compra. A ex-
pansão das redes sociais, a partir de 2004, permitiu 
uma compreensão maior do indivíduo por meio da 
análise dos fóruns, blogs, grupos, sítios e multimídia 
(fotos e vídeos).
BUSINESS INTELLIGENCE E 
ANALYTICS 3.0 (BI&A 3.0)
Enquanto a era do BI&A 2.0 atrai muitos pesquisa-
dores da academia e da indústria, o BI&A 3.0 vem 
emergindo na década de 2010. Essa nova era é 
baseada em dispositivos pessoais acessando a inter-
net, como tablets e smartphones. Esses dispositivos 
centralizam o acesso à internet e o fazem em tempo 
real. De acordo com Chen et al. (2012), o número 
de dispositivos pessoais com acesso à internet supe-
45
rou o número de computadores pessoais e laptops 
pela primeira vez em 2011. A estimativa é que esses 
dispositivos cheguem a 10 bilhões em 2020. Além 
disso, outros dispositivos pessoais, como relógios, 
GPS, sensores e códigos de barra podem transmitir 
dados.
QUADRO 2 – AS TRÊS ERAS DO BI&A
BI&A 1.0 BI&A 2.0 BI&A 3.0
Informações 
internas das 
empresas 
estruturadas e 
controladas.
Conteúdo 
baseado em 
informações 
não 
estruturadas 
da web.
Conteúdo 
baseado em 
dispositivos 
móveis e 
sensores.
Fonte: Chen et al.,2012.
REFERÊNCIAS BIBLIOGRÁFICAS
CHEN, H.; CHIANG, R. H. L.; STOREY, V. C. Business 
Intelligence and Analytics: from big data to big im-
pact. MIS Quarterly, v. 36, n. 4, p. 1165-1188, 2012.
DAVENPORT, T. H. Competing on analytics. Harvard 
Business Review, v. 84, p. 98-107, 2006. Disponível 
46
em: https://hbr.org/2006/01/competing-on-
analytics. Acesso em: 30 mar. 2021.
PAYANDEH, F. BI vs. big data vs. data analytics by 
example. Data Science Central, [s. l.], 25 ago. 2013. 
Disponível em: http://www.datasciencecentral.
com/profiles/blogs/bi-vs-big-data-vs-data-analytics-
by-example. Acesso em: 15 mar. 2021.
47
https://hbr.org/2006/01/competing-on-analytics
https://hbr.org/2006/01/competing-on-analytics
http://www.datasciencecentral.com/profiles/blogs/bi-vs-big-data-vs-data-analytics-by-example
http://www.datasciencecentral.com/profiles/blogs/bi-vs-big-data-vs-data-analytics-by-example
http://www.datasciencecentral.com/profiles/blogs/bi-vs-big-data-vs-data-analytics-by-example
AULA 6
BIG DATA
A evolução dos computadores, principalmente a 
partir da década de 1970, permitiu o aumento da 
velocidade de processamento e maior capacidade 
de armazenamento de dados (HAMANN, 2016).
49
Além disso, a proliferação da internet cria vasta 
informação nova de forma muito veloz. Segundo 
Zikopoulos et al. (2012), no começo da década de 
2010, o Twitter gerava 7 terabytes (Tb) diários de 
informação, enquanto o Facebook, por volta de 10 
Tb. Na mesma linha, Manyika et al. (2011) afirmam 
que, 15 de 17 setores da economia norte-americana 
possuíam, em 2010, mais informação armazenada 
do que a Biblioteca do Congresso norte-americano.
Big data pode ser definido como uma informação 
que é muito grande, muito veloz ou muito difícil 
de ser processada com as ferramentas existentes 
(MADDEN, 2012). O conceito de grande refere-se 
ao crescente volume de dados armazenados; ve-
loz significa que os dados, além de serem grandes, 
devem ser processadosde forma rápida, e é quando 
a dificuldade aparece, pois a dificuldade é apresen-
tada, pois muitas vezes os dados não são estrutu-
rados. Na mesma linha, Laney (2001) foi o pioneiro 
em defender que o big data, que tem três caracte-
rísticas principais, o chamado modelo dos três Vs: 
volume, velocidade e variedade.
Na questão de volume, Wilder-James (2012) de-
fine que o principal ganho proporcionado pelo 
conceito big data é trazer mais dados para a 
análise, permitindo a construção de modelos 
analíticos melhores. Por outro lado, muitos 
50
dados representam um grande desafio para as 
áreas de tecnologia da informação em termos 
de armazenamento, integração e disponibilidade 
(VITOLO et al., 2015). Muitas empresas conse-
guem guardar um grande volume de dados, porém, 
não são capazes de processá-los (WILDER-JAMES, 
2012).
A importância da velocidade pode ser observa-
da, por exemplo, num processo de compra on-line 
(WILDER-JAMES, 2012): antes mesmo de um pe-
dido ser fechado o portal de compras já consegue 
avaliar sua solicitação e sugerir produtos ao com-
prador. Velocidade implica quão rapidamente as in-
formações são coletadas, armazenadas e utilizadas 
na tomada de decisão (ZIKOPOULOS et al., 2012).
Essa grande quantidade de dados vem de diferen-
tes fontes, com periodicidades diversas e formatos 
distintos (LANEY, 2001). O desafio nessa variedade 
é fazer a integração de forma a convergirem todos 
os dados. Raramente os dados recebidos de fontes 
diversas apresentam a mesma estrutura, ordenados 
e prontos para serem processados, fato que resulta 
em situações complicadas (WILDER-JAMES, 2012; 
WU et al., 2014), que é onde reside boa parte das 
dificuldades de implantação de um big data numa 
empresa.
51
As características do big data podem ser resumidas 
no acrônimo HACE, sugerido por Wu et al. (2014), 
pois, de acordo com os autores, o big data se inicia 
com um grande volume Heterogêneo de dados, de 
fontes Autônomas distribuídas e descentralizadas, 
Complexas e Envolvendo relações entre elas. Essas 
características tornam extremamente desafiador ex-
trair conhecimento útil dos dados. Os autores fazem 
uma analogia com um grupo de cegos tentando iden-
tificar um elefante, conforme apontado na Figura 2.
FIGURA 2 – CEGOS E O ELEFANTE, 
A VISÃO PARCIAL DE CADA CEGO 
LEVA A CONCLUSÕES ENVIESADAS
Fonte: Wu, Zhu, Wu e Ding, 2014.
52
Da mesma forma que é difícil para os cegos “enxer-
garem” o elefante, no big data, é complexo anali-
sar todos os dados e uma visão parcial pode trazer 
conclusões errôneas. Para tornar o problema ainda 
mais complicado, o “elefante” cresce constantemen-
te e se modifica, e cada “cego” tira suas próprias 
conclusões. A chave para solucionar esse problema 
é unir a informação dos vários “cegos” para fazer o 
melhor desenho possível do elefante.
Esse cenário traz oportunidades para as empresas. 
Conforme Brown, Chui e Manyika (2011), estudos 
apontam que companhias que utilizam bases de da-
dos e ferramentas analíticas na tomada de decisão 
apresentam melhores resultados do que compa-
nhias que não as utilizam. As mudanças na empresa 
se dão na transformação dos processos, alteração 
do ecossistema interno e maiores oportunidades 
de inovação. Na visão de Biesdorf, Court e Willmott 
(2013), o planejamento para introdução do concei-
to de big data em uma empresa deve abordar três 
vertentes principais descritas na sequência.
1. DADOS: o plano deve prever como coletar e 
integrar dados de diversas fontes bem como arma-
zenar histórico para análises futuras.
2. MODELOS ANALÍTICOS: os dados sozinhos não 
geram valor. Os modelos analíticos ajudam a enten-
der o contexto dos dados, desenhar cenários e fazer 
previsões.
53
3. FERRAMENTAS: neste passo é importante fazer 
com que os resultados obtidos nos modelos analíti-
cos sejam incorporados no dia a dia da organização. 
Segundo os autores, essa é uma falha muito comum 
nas empresas – não conseguir fazer com que os ges-
tores e os funcionários compreendam os resultados 
da análise e atuem de maneira rápida e eficiente.
Manyika et al. (2011) realizaram uma pesquisa com 
diversas indústrias nos mercados europeu e norte-
-americano e chegaram a sete conclusões principais.
I. Big data está em todos os setores da Economia 
e é parte importante da cadeia de produção para as 
empresas.
II. Big data cria valor de diversas formas. Os auto-
res citam como exemplo: aumentar a transparência, 
visto que os dados são acessíveis aos stakeholders; 
automatizar decisões; permitir inovações em produ-
tos e serviços, entre outros.
III. A utilização do big data se tornou a chave da 
competitividade e crescimento para as empresas.
IV. Permite aumentar as margens das empresas e a 
satisfação dos clientes.
V. Ainda que a adoção do big data seja importante 
para todos os setores, alguns são mais propícios a 
ter ganhos maiores.
54
VI. É necessário um bom conhecimento estatístico-
analítico para extrair mais vantagens.
VII. As empresas buscam aumentar suas fontes de 
informação para alimentar o big data.
Conforme mencionado anteriormente, nesse cená-
rio de big data, a análise passa a ter um papel muito 
importante. Por essa razão, o conceito de Business 
Intelligence e Analytics vem ganhando destaque no 
século XXI (WU et al., 2014).
REFERÊNCIAS BIBLIOGRÁFICAS
BIESDORF, S.; COURT, D.; WILLMOTT, P. Big data: 
what’s your plan? McKinsey Quarterly, [s. l.], 1 mar. 
2013. Disponível em: https://www.mckinsey.com/
business-functions/mckinsey-digital/our-insights/
big-data-whats-your-plan. Acesso em: 15 mar. 2021.
BROWN, B.; CHUI, M.; MANYIKA, J. Are you rea-
dy for the era of ‘big data’? McKinsey Quarterly, 
out., p. 1-12, 2011. Disponível em: https://www.
mckinsey.com/business-functions/strategy-and-
corporate-finance/our-insights/are-you-ready-for-
the-era-of-big-data. Acesso em: 15 mar. 2021.
HAMANN, R. Das toneladas aos microchips: a evo-
55
https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/big-data-whats-your-plan
https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/big-data-whats-your-plan
https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/big-data-whats-your-plan
https://www.mckinsey.com/business-functions/strategy-and-corporate-finance/our-insights/are-you-ready-for-the-era-of-big-data
https://www.mckinsey.com/business-functions/strategy-and-corporate-finance/our-insights/are-you-ready-for-the-era-of-big-data
https://www.mckinsey.com/business-functions/strategy-and-corporate-finance/our-insights/are-you-ready-for-the-era-of-big-data
https://www.mckinsey.com/business-functions/strategy-and-corporate-finance/our-insights/are-you-ready-for-the-era-of-big-data
lução dos computadores. Tecmundo, [s. l.], 3 jun. 
2016. Disponível em: http://www.tecmundo.com.
br/infografico/9421-a-evolucao-dos-computadores.
htm. Acesso em: 15 mar. 2021.
LANEY, D. 3-D data management: controlling data 
volume, velocity and variety. META Group Research 
Note, (S.l), 2001. 
MADDEN, S. From databases to big data. IEEE 
Internet Computing, v. 16, n. 3, p. 4-6, maio-
-jun.2012. Disponível em: https://doi.org/10.1109/
MIC.2012.50. Acesso em: 15 mar. 2021.
MANYIKA, J.; CHUI, M.; BROWN, B.; BUGHIN, J.; 
DOBBS, R.; ROXBURGH, C.; BYERS, A. H. Big data: 
the next frontier for innovation, competition, and 
productivity. McKinsey Global Institute, [s. l.], 
2011. Disponível em: https://www.mckinsey.com/
business-functions/mckinsey-digital/our-insights/
big-data-the-next-frontier-for-innovation. Acesso 
em: 15 mar. 2021.
VITOLO, C.; ELKHATIB, Y.; REUSSER, D.; MACLEOD, 
C. J. A.; BUYTAERT, W. (2015). Web technologies for 
environmental big data. Environmental Modelling 
& Software, v. 63, p. 185-198, 2015. Disponível em: 
https://doi.org/10.1016/j.envsoft.2014.10.007. 
Acesso em: 15 mar. 2021.
56
http://www.tecmundo.com.br/infografico/9421-a-evolucao-dos-computadores.htm
http://www.tecmundo.com.br/infografico/9421-a-evolucao-dos-computadores.htm
http://www.tecmundo.com.br/infografico/9421-a-evolucao-dos-computadores.htmhttps://doi.org/10.1109/MIC.2012.50
https://doi.org/10.1109/MIC.2012.50
https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/big-data-the-next-frontier-for-innovation
https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/big-data-the-next-frontier-for-innovation
https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/big-data-the-next-frontier-for-innovation
https://doi.org/10.1016/j.envsoft.2014.10.007
WILDER-JAMES, E. (2012). What is big data? An 
introduction to the big data landscape. O’Reilly, 
Sebastopol, 11 jan. 2012. Disponível em: https://
www.oreilly.com/ideas/what-is-big-data. Acesso 
em: 15 mar. 2021.
WU, X.; ZHU, X.; WU, G.-Q.; DING, W. Data mining 
with big data. IEEE Transactions on Knowledge 
and Data Engineering, v. 26, n. 1, p. 97107, 
2014. Disponível em: https://doi.org/10.1109/
TKDE.2013.109. Acesso em: 15 mar. 2021.
ZIKOPOULOS, P.; EATON, C.; DEROOS, D.; LAPIS, G.; 
DEUTSCH, T. Understanding big data. Nova York: 
McGraw-Hill, 2012.
57
https://www.oreilly.com/ideas/what-is-big-data
https://www.oreilly.com/ideas/what-is-big-data
https://doi.org/10.1109/TKDE.2013.109
https://doi.org/10.1109/TKDE.2013.109
AULA 7
DATA MINING I
Data mining ou mineração de dados é uma arte. 
Envolve a aplicação de uma quantidade substancial 
de ciência e tecnologia, mas o uso adequado ainda 
envolve arte. Como acontece com os projetos de 
artesanato, existe um processo bem compreendido 
que estrutura o problema, permitindo consistência 
razoável, repetibilidade e objetividade.
59
Uma representação útil do ciclo de vida da minera-
ção de dados foi feito pelo CRoss Industry Standard 
Process for Data Mining (CRISP-DM), composta por 
seis passos, conforme representado na Figura 3.
FIGURA 3 – PASSOS DA MINERAÇÃO DE DADOS
Implantação
Compreensão 
do negócio
Compreensão 
dos dados
Preparação 
dos dados
Modelagem
Avaliação
Dados
Fonte: Fawcett e Provost (2018)
Os seis passos são: compreensão do negócio, com-
preensão dos dados, preparação dos dados, mode-
lagem, avaliação e implantação.
60
COMPREENSÃO DO NEGÓCIO
Inicialmente, é fundamental entender o problema a 
ser resolvido. Muitas vezes, reformular o problema 
e projetar uma solução é um processo iterativo de 
descoberta. O estágio de compreensão do negócio 
representa uma parte do ofício em que a criativida-
de desempenha um grande papel. Isso pode signifi-
car estruturar o dilema como se ele fosse composto 
por um ou mais subproblemas que envolvem a 
construção de modelos para classificação, regres-
são, estimativa de probabilidade e assim por diante.
Ao discutir isso com mais detalhes, começamos com 
uma visão simplificada do cenário, mas, à medida 
que avançamos, vamos voltar e perceber que mui-
tas vezes o cenário de uso deve ser ajustado para 
refletir melhor a necessidade real do negócio.
COMPREENSÃO DOS DADOS
Se resolver o problema do negócio é o objetivo, os 
dados constituem a matéria-prima disponível a partir 
da qual a solução será construída. É importante com-
preender os pontos fortes e as limitações dos dados 
porque raramente os dados se encaixam perfeita-
mente ao seu problema. Também é muito importan-
te guardar o histórico de dados, mesmo que os dados 
61
coletados não relacionados estejam sendo utilizados 
para o problema de negócios atual, pois podem ser 
utilizados em análises futuras e/ou complementares.
Também é comum que os custos dos dados variem. 
Alguns dados estarão disponíveis gratuitamente, 
enquanto outros exigirão esforço para sua obtenção. 
Outros, ainda, simplesmente não existirão e exigirão 
projetos auxiliares inteiros para organizar sua coleta. 
Uma parte crítica da fase de compreensão dos dados 
é estimar os custos e os benefícios de cada fonte de 
dados e decidir se mais investimentos são necessários.
PREPARAÇÃO DOS DADOS
A fase de preparação de dados consiste na limpeza, 
transformação, integração e formatação dos dados 
da etapa anterior. É a atividade pela qual os ruídos, 
dados estranhos ou inconsistentes são tratados. 
Esta fase abrange todas as atividades para construir 
o conjunto de dados final (dados que serão alimen-
tados nas ferramentas de mineração) a partir do 
conjunto de dados inicial.
A utilização de data warehouses facilita em muito 
esta etapa do processo de mineração de dados. Por 
essa razão, é muito importante para uma organi-
zação que ela possua em seus processos habituais 
boas práticas da administração de dados.
62
MODELAGEM
O estágio de modelagem é o principal. É nele que as 
técnicas de mineração de dados são aplicadas para 
os dados. É importante ter alguma compreensão 
das ideias fundamentais de mineração, incluindo os 
tipos de técnicas e algoritmos que existem, porque 
esta é a parte do ofício em que a maior parte da 
ciência e tecnologia pode ser aplicada.
AVALIAÇÃO
O objetivo da fase de avaliação é analisar os resul-
tados da mineração de dados de forma rigorosa 
para garantir que são válidos e confiáveis antes de 
prosseguir. Se olharmos bem o suficiente, em qual-
quer conjunto de dados, encontraremos padrões, 
mas eles podem não sobreviver a um exame mais 
cuidadoso.
É crucial termos confiança de que os modelos e 
padrões extraídos dos dados são verdadeiras regu-
laridades e não apenas casuísmos ou anomalias de 
amostra. Os resultados devem ser replicáveis. Antes 
da implantação, deve-se testar um modelo em um 
ambiente de laboratório controlado. Outro ponto 
importante desta fase é garantir que o modelo satis-
faça os objetivos de negócios originais.
63
Lembre-se de que o propósito fundamental da 
ciência de dados para negócios é apoiar a toma-
da de decisão e que iniciamos o processo com 
foco no problema que gostaríamos de resolver. 
Normalmente, uma solução de mineração de dados 
é apenas uma parte da resolução maior e precisa 
ser avaliada como tal. Note que resultados aqui po-
dem afetar a fase de compreensão do negócio.
IMPLANTAÇÃO
Na implantação, os resultados da mineração de dados 
são colocados em uso real para obter o retorno sobre 
o investimento. Os casos mais comuns de implanta-
ção envolvem a execução de um modelo preditivo em 
sistemas de informação ou processo de negócios. Por 
exemplo, um modelo para prever a probabilidade de 
churn pode ser integrada com o processo de negócios 
para gerenciamento de churn, por exemplo, enviando 
ofertas especiais para clientes que estão particular-
mente em risco de deixar a empresa. Outro exemplo 
é um modelo de detecção de fraude que pode ser 
construído para monitorar contas e criar “casos” para 
analistas de fraude examinarem.
REFERÊNCIA BIBLIOGRÁFICA
FAWCETT, T.; PROVOST, F. Data science para 
negócios: o que você precisa saber sobre mineração 
de dados e pensamento analítico de dados. Rio de 
Janeiro: Alta Books, 2018.
64
AULA 8
DATA MINING II
Existem muitos algoritmos de mineração de dados 
específicos desenvolvidos ao longo dos anos que 
podem ser agrupados de acordo com os tipos de 
tarefas a que esses algoritmos atendem.
66
CLASSIFICAÇÃO E A ESTIMATIVA DE 
PROBABILIDADE
A classificação e a estimativa de probabilidade 
tentam prever, para cada indivíduo em uma popu-
lação, a qual, de um (pequeno) conjunto de classes, 
esse indivíduo pertence. Usualmente as classes são 
mutuamente exclusivas. Um exemplo de pergunta 
de classificação seria: “Entre todos os meus clientes, 
quais provavelmente aceitarão uma determinada 
oferta?”. Neste exemplo, as duas classes seriam: 
aceitarão e não aceitarão.
Para uma tarefa de classificação, um procedimen-
to de mineração de dados produz um modelo que, 
dado um novo indivíduo, determina a qual classe 
esse indivíduo pertence. Intimamente relaciona-
da a essa tarefa está a pontuação ou estimativa de 
probabilidade de classe. Um modelo de pontuação 
aplicado a um indivíduo produz, em vez de uma 
previsão de classe, uma pontuação que representa 
a probabilidade (ou alguma outra quantificação de 
probabilidade) de que esse indivíduo pertença a 
cada classe.67
REGRESSÃO (“ESTIMATIVA DE 
VALOR”)
A regressão tenta estimar ou prever, para cada 
indivíduo, o valor numérico de alguma variável para 
aquele indivíduo. Um exemplo de regressão está na 
pergunta: “Quantas vezes um determinado cliente 
usará um serviço?”. A propriedade (variável) a ser 
prevista aqui é o uso do serviço, e um modelo po-
deria ser gerado para encontrar outros indivíduos 
semelhantes na população e seus históricos de uso.
Um procedimento de regressão produz um modelo 
que, dado um indivíduo, estima o valor da variável 
particular específica para aquele indivíduo. A re-
gressão está relacionada à classificação, mas os dois 
são diferentes. Informalmente, a classificação prevê 
se algo vai acontecer, enquanto a regressão prevê 
“o quanto” vai acontecer.
COMBINAÇÃO POR SIMILARIDADE
A combinação por similaridade é utilizada para iden-
tificar indivíduos semelhantes com base em dados 
conhecidos sobre eles. A correspondência por simi-
laridade pode ser usada diretamente para localizar 
entidades semelhantes.
68
Por exemplo, a IBM está interessada em encontrar 
empresas semelhantes aos seus melhores clien-
tes empresariais a fim de concentrar sua força de 
vendas nas melhores oportunidades. Para isso, 
eles usam a similaridade, correspondência basea-
da em dados que descrevem as características das 
empresas.
A correspondência por similaridade é a base para 
um dos métodos mais populares para fazer reco-
mendações de produtos (encontrar pessoas que são 
semelhantes a você em termos dos produtos de que 
gostaram ou compraram). Medidas de similaridade 
fundamentam certas soluções para outras tarefas 
de mineração de dados, como classificação, regres-
são e agrupamento.
AGRUPAMENTO
O agrupamento tenta agregar indivíduos em uma 
população por sua semelhança, mas não dirigido 
por nenhum propósito específico. Um exemplo de 
questão de agrupamento seria: “Nossos clientes 
formam grupos ou segmentos naturais?”.
O agrupamento é útil na fase preliminar de explora-
ção de domínio para verificar quais grupos naturais 
existem, porque esses grupos, por sua vez, podem 
69
sugerir outras tarefas ou abordagens de mineração 
de dados. Também é usado como entrada para pro-
cessos de tomada de decisão com foco em questões 
como: “Quais produtos devemos oferecer ou de-
senvolver?”, “Como devem ser estruturadas nossas 
equipes de atendimento ao cliente (ou equipes de 
vendas)?”.
AGRUPAMENTO DE CO-OCORRÊNCIA
O agrupamento de co-ocorrência também é conhe-
cido como mineração de conjunto de itens frequen-
tes ou regra de associação e análise de cesta de 
compras. Esse recurso tenta encontrar associações 
entre entidades com base nas transações que os 
envolvem. Um exemplo de pergunta de co-ocorrên-
cia seria: “Quais itens são comumente comprados 
juntos?”.
Enquanto o agrupamento olha para a similaridade 
entre objetos com base em seus atributos, o agru-
pamento de co-ocorrência considera a similaridade 
de objetos com base em sua ocorrência conjunta 
nas transações. Por exemplo, ao analisar os re-
gistros de compra de um supermercado, pode-se 
descobrir que carne moída é comprada junto com 
molho picante com muito mais frequência do que 
nós poderíamos supor. Decidir como agir sobre essa 
70
descoberta pode exigir alguma criatividade, mas 
pode sugerir uma promoção especial, exibição de 
produto ou combinação de oferta. A co-ocorrên-
cia de produtos nas compras é um tipo comum de 
agrupamento.
DESCRIÇÃO DE COMPORTAMENTO
A criação de perfil (também conhecida como des-
crição de comportamento) tenta caracterizar o 
comportamento típico de um indivíduo, grupo ou 
população. Um exemplo de pergunta de perfil se-
ria: “Qual é o uso típico do aparelho celular neste 
segmento de clientes?”. Comportamento pode não 
ter uma descrição simples; o perfil de uso do celular 
pode exigir uma complexa descrição das médias de 
tempo em período noturno e fins de semana, uso 
internacional, uso de banda larga, minutos de liga-
ção, envio de SMS e assim por diante.
O comportamento pode ser descrito para uma po-
pulação inteira ou para pequenos grupos ou mesmo 
indivíduos. A criação de perfil é frequentemente 
usada para estabelecer normas comportamentais 
para aplicativos de detecção de anomalias, como 
detecção de fraudes e monitoramento de intrusões 
em sistemas de computador.
71
Por exemplo, se sabemos que tipo de compras uma 
pessoa normalmente faz com um cartão de crédito, 
podemos determinar se uma nova cobrança no car-
tão se encaixa nesse perfil ou não. Podemos usar o 
grau de incompatibilidade como uma pontuação de 
suspeita e emitir um alerta se o grau for muito alto.
PREVISÃO DE VÍNCULO
A previsão de vínculo tenta prever ligações entre 
itens de dados, geralmente sugerindo que deve 
existir um vínculo entre eles e, possivelmente, tam-
bém estimando sua força. Este recurso é muito co-
mum em redes sociais: “Uma vez que você e Karen 
possuem 10 amigos em comum, você gostaria de 
ser amigo de Karen?”.
Outro exemplo de sua utilização é na recomendação 
de filmes que a Netflix faz ou as sugestões de compras 
que você recebe por ter feito compras anteriores. Os 
vínculos constituem a base das recomendações.
REDUÇÃO DE DADOS
A redução de dados tenta, a partir de um grande 
conjunto de dados, substituí-lo por um conjunto 
menor de dados, que contém muitas informações 
72
importantes do conjunto maior. O conjunto de da-
dos menor pode ser mais fácil de lidar ou processar. 
Além disso, quanto menor o conjunto de dados, 
melhor ele pode revelar informações.
A redução de dados geralmente envolve perda de 
informações, por isso é importante haver um equilí-
brio para melhor compreensão dos dados.
MODELAGEM CAUSAL
A modelagem causal tenta nos ajudar a entender 
quais eventos ou ações realmente influenciam ou-
tros indivíduos. Por exemplo, considere que usamos 
modelagem preditiva para direcionar anúncios aos 
consumidores e observamos que, de fato, os con-
sumidores-alvo compraram mais após terem sido 
alvos. Isso aconteceu porque os anúncios influen-
ciaram os consumidores a comprar? Ou os modelos 
preditivos simplesmente fizeram um bom trabalho 
identificando os consumidores que teriam compra-
do de qualquer maneira? As técnicas de modelagem 
causal incluem aquelas que envolvem um investi-
mento substancial em dados, como experimentos 
controlados randomizados (por exemplo, os chama-
dos “A / B testes”), bem como métodos sofisticados 
para tirar conclusões causais de dados.
73
REFERÊNCIA BIBLIOGRÁFICA
FAWCETT, T.; PROVOST, F. Data science para 
negócios: o que você precisa saber sobre mineração 
de dados e pensamento analítico de dados. Rio de 
Janeiro: Alta Books, 2018.
74
AULA 9
PROBLEM SOLVING
Na tradução para o português, problem solving 
significa encontrar soluções para problemas. No 
mundo corporativo, tratamos problem solving como 
uma metodologia de melhoria contínua. Trata-se de 
uma análise estratégica da situação para que, assim, 
possam ser tomadas as melhores decisões para a 
resolução de algum problema.
76
O processo de problem solving consiste em uma 
aplicação sistemática para que seja possível enten-
der o tipo de impacto que determinada situação 
implica e, assim, chegar até as raízes desse proble-
ma, pois o objetivo é atuar precisamente nos focos 
causadores de problemas.
Um problema ocorre quando um solucionador 
de problemas tem uma meta, mas, inicialmente, 
não sabe como alcançá-la. Essa definição tem três 
partes:
1. o estado atual – o problema começa em um 
determinado estado;
2. o estado de objetivo – o solucionador de pro-
blemas deseja que o problema esteja em um estado 
diferente, e a resolução de problemas é necessária 
para transformar o problema do estado atual (ou 
dado) para o estado de objetivo;
3. obstáculos – o solucionador não sabe a reso-
lução correta e um método de solução eficaz não é 
óbvio para ele.
Existem algumas metodologias e ferramentas uti-
lizadas para que seja possível chegar ao problema. 
Cada uma possui suaparticularidade, mas todas 
têm algo em comum: uma abordagem flexível que 
pode ser implementada em diferentes contextos e 
adaptada conforme as necessidades das empresas.
77
A seguir, são apresentadas as metodologias utili-
zadas por três consultorias estratégicas, McKinsey, 
Bain&Company e BCG.
METODOLOGIA MCKINSEY
A metodologia da McKinsey é formada por sete pas-
sos e foca na comunicação entre os componentes 
da equipe e entre a equipe e o cliente, buscando, a 
cada passo, buscar respostas. Trata-se de uma abor-
dagem flexível, adaptável aos mais diferentes con-
textos. Os sete passos são:
1. Definir o problema
Pensar no impacto: “O que preciso saber e como 
enquadrar o problema?”.
Pensar na próxima etapa da iteração: “Quais são as 
próximas prioridades da equipe?”.
2. Estruturar o problema
Pensar em fragmentação e na primeira hipótese: 
“Quais são os elementos-chave do problema?”, 
“Eles fornecem indícios iniciais sobre a resposta?”.
78
3. Priorizar questões
Pensar em impacto e eficiência: “Em que partes é 
mais importante focar?”.
4. Planejar análises e trabalho
Pensar em eficácia: “Como os recursos podem ser 
utilizados da melhor forma?”.
5. Conduzir análises
Pensar em termos de “respostas”: “Qual é a abor-
dagem mais simples, baseada em fatos, que provará 
ou refutará cada questão?”.
6. Sintetizar resultados
Pensar “e agora?”: “Como utilizar as descobertas 
para contar uma história convincente?”.
7. Desenvolver recomendações
Pensar em ações possíveis: “Está claro o que o clien-
te precisa fazer e como fazer?”.
79
METODOLOGIA BAIN & COMPANY
A Bain & Company, por sua vez, tem uma metodo-
logia que se divide, a princípio, em quatro passos, 
sendo também ajustável e aplicável a quase qual-
quer problema de negócio.
Este método também contém passos de definição 
do trabalho e análises. Para a Bain, a principal eta-
pa é a primeira. A chamada Answer First (Reponda 
Primeiro) consiste em, basicamente, criar respostas 
para a pergunta inicial. Daí em diante, o esforço é 
para provar essas respostas.
1. Responda primeiro
Apesar de as respostas mudarem ao longo do pro-
jeto, este passo facilita o trabalho. Segundo a con-
sultoria Bain & Company, como em geral os prazos 
são curtos, este passo ajuda a focar no que é mais 
importante.
Nesta fase, às vezes, cabem ajustes que fazem com 
que a técnica de problem solving da Bain seja ainda 
mais flexível.
2. Criando o plano de trabalho
Este passo, segundo a consultoria, consiste em pen-
sar sobre quais são as análises que faltam ser feitas, 
80
definir quanto tempo cada uma vai demandar e 
quantas pessoas devem fazê-las.
3. Desenvolva a apresentação
Neste penúltimo passo do problem solving, a eta-
pa “Responda primeiro” continua servindo como 
orientação. A apresentação, no caso, demonstra a 
comprovação das respostas levantadas no início.
Ainda que a etapa trate de “apresentação”, o geren-
te de projetos afirma que as consultorias, de forma 
geral, estão partindo para modelos que privilegiam 
apresentações com menos slides e mais discussões.
4. Entregue os resultados
Nesta fase, o foco principal não é simplesmente 
provar suas análises, mas, sim, procurar mover o 
cliente para uma ação – “que o cliente saiba o que 
fazer de diferente na segunda-feira de manhã”, 
explica.
81
METODOLOGIA BOSTON 
CONSULTING GROUP (BCG)
Essa abordagem é dividida em três grandes passos 
com o objetivo garantir recomendações práticas 
e possíveis em curto espaço de tempo e com uso 
apropriado dos recursos disponíveis. Os 3 passos 
estão brevemente detalhados na sequência.
1. Estruturar o problema
Nesta primeira etapa os consultores buscam en-
tender de modo preciso e corretamente o proble-
ma. Aqui, são definidas as hipóteses de trabalho, a 
abordagem que será utilizada e quais análises serão 
necessárias.
2. Realizar análises
O propósito de realizar análises é comprovar (ou 
não) as hipóteses definidas na primeira etapa.
Esta fase deve contemplar um plano de trabalho 
que inclua coletar dados, priorizar os passos mais 
importantes e definir como será a execução.
82
3. Traduzir resultados em insights e 
recomendações
Com base nos fatos e dados coletados, a terceira 
etapa promove constatação de quais suposições 
foram comprovadas e refutadas. A partir disso, o 
consultor procura entender como a combinação dos 
resultados respondem às perguntas iniciais defini-
das na estruturação.
REFERÊNCIAS BIBLIOGRÁFICAS
STATE UNIVERSITY. Learning: problem solving. 
StateUniversity.com, [s. l.], [s. d.]. Disponível em: 
https://education.stateuniversity.com/pages/2168/
Learning-PROBLEM-SOLVING.html#ixzz6krrCiYUW. 
Acesso em: 31 jan. 2021.
BARBOSA, Suria. 3 técnicas de problem solving 
das maiores consultorias estratégicas do mundo. 
Na prática.org, [s. l.], 3 jul. 2020. Disponível em: 
https://www.napratica.org.br/tecnicas-consultoria-
problem-solving/. Acesso em: 31 jan. 2021.
83
https://education.stateuniversity.com/pages/2168/Learning-PROBLEM-SOLVING.html#ixzz6krrCiYUW
https://education.stateuniversity.com/pages/2168/Learning-PROBLEM-SOLVING.html#ixzz6krrCiYUW
https://www.napratica.org.br/tecnicas-consultoria-problem-solving/
https://www.napratica.org.br/tecnicas-consultoria-problem-solving/
AULA 10 
DASHBOARD
A cada dia, o processo de tomada de decisão pre-
cisa ser mais rápido e eficiente e, para isso, os ges-
tores precisam transformar a grande quantidade 
de dados da empresa em conhecimento útil, o qual 
resultará em ações para benefício da corporação.
85
Neste cenário, surgiu a necessidade da elaboração 
de transmitir informações de maneira mais clara 
e objetiva, permitindo identificar os pontos mais crí-
ticos para ações de correção e ajustes. Atualmente 
a maneira mais prática de apresentar informações 
de forma objetiva e de fácil compreensão é por 
meio de um painel de indicadores ou simplesmente 
dashboard.
Os dashboards oferecem uma solução 
única e poderosa para a necessidade de 
informação de uma organização, mas eles 
geralmente ficam muito aquém do seu 
potencial. Os painéis devem ser vistos no 
contexto histórico para entender e apreciar 
como e por que eles surgiram, por que eles 
se tornaram tão populares e por que apesar 
de muitos problemas que prejudicam seu 
valor hoje, eles oferecem benefícios que va-
lem a pena. (Few, 2006, p. 2)
Um dashboard deve possibilitar o monitoramento 
dos resultados de uma organização por indicadores. 
Porém, antes de elaborar um dashboard, é preciso 
definir quais serão os indicadores utilizados. Para 
identificá-los, deve-se elaborar perguntas funda-
mentais sobre o negócio e avaliar as respostas para 
entender se a informação obtida é verdadeiramente 
útil e eficiente.
86
É essencial compreender as reais necessidades da 
empresa para poder definir as métricas e indicado-
res de desempenho para o acompanhamento. Por 
isso, neste momento, são utilizados os chamados 
Key Performance Indicators (KPIs).
O que é um indicador-chave de desempenho?
 ● Um indicador chave de desempenho (KPI) fun-
ciona como um meio de comunicação, transmitindo 
o objetivo a ser alcançado.
 ● Garante que todos entendam como o seu tra-
balho é importante para o sucesso ou o fracasso do 
objetivo proposto.
 ● Normalmente um dashboard apresenta os 
principais KPIs referentes ao tema que está sendo 
monitorado.
PRINCIPAIS CARACTERÍSTICAS DE UM 
DASHBOARD
1. Organização – Um dashboard tem que permitir 
uma experiência agradável e fácil percepção das 
informações. As áreas mais nobres (de maior foco) 
devem receber as informações mais relevantes. O 
limite deve ser uma tela ou uma folha A4. As infor-
mações devem estar distribuídas de forma a facili-
tar o entendimento.
87
2. Objetividade – Deverá sempre apresentar os 
KPIs mais relevantes para a conquista do objetivo. 
As informações devem ser claras e precisas, sem 
margem para dúvidas.
3. Facilidade para a identificação de problemas – 
O design e a apresentação das informações devem 
permitir facilmente a identificação de problemasou pontos de atenção, portanto, evite cores ou 
padrões que possam dificultar a interpretação das 
informações. Evite utilizar recursos que possam pre-
judicar a atenção.
4. Métricas bem definidas – É fundamental definir 
métricas claras e capazes de medir corretamente a 
conquista do objetivo de forma que facilite tomar 
decisões ou mesmo ações de ajuste.
5. Dados de qualidade – Os dados são a base para 
as informações de um dashboard, logo, devem ser 
de fontes confiáveis, organizadas e homologadas, 
preferencialmente com processos de auditoria e 
controle regulares.
6. Facilidade de acesso – Devido ao grande nú-
mero de recursos tecnológicos disponíveis, de-
vemos considerar a facilidade de portabilidade e 
acesso ao dashboard por dispositivos diferentes, 
como notebooks, monitores, TVs e projetores, 
smartphones e tablets.
88
PLANEJAMENTO DE UM DASHBOARD
A elaboração de um dashboard deve ser encarada 
como um projeto, portanto devemos respeitar algu-
mas etapas:
Definir o objetivo: Identificar a real necessidade 
dashboard, qual o propósito.
Identifique o público: Quem terá acesso ao 
dashboard? É para uso interno ou externo? Qual o 
nível de informação deve conter?
Defina os indicadores: A maioria dos dashboards é 
projetada em torno de um conjunto de KPI´s, identi-
fique quais utilizar de acordo com o público alvo.
Identifique as fontes de dados: Verifique o acesso 
às bases de dados e qual frequência de atualização. 
Se o acesso direto aos dados não for possível por 
questões de segurança, solicite cópias confiáveis e 
validadas.
Defina grupos e filtros: Identifique a melhor forma 
de agrupar os dados, por exemplo:
Por cliente;
Por estado;
Por produto;
89
Esboço: Lembre-se que um dashboard é um pro-
jeto, portanto é recomendado realizar um esboço 
de como serão representados os dados. Você pode 
fazer um esboço simples, apenas para pré-visua-
lizar como as informações serão exibidas. Repare 
que neste tipo de esboço é possível identificar se a 
forma de apresentação será realmente eficaz e caso 
necessário, fazer os devidos ajustes. Sempre que 
possível, faça um esboço mais detalhado
CONFIGURAÇÕES RECOMENDADAS
Definir um padrão de cores
Sempre que possível evite:
 ● Gráficos com muitas cores;
 ● Com fundo escuro;
 ● Com efeitos de gradiente;
 ● Imagens carregadas;
 ● Efeitos de sombra;
 ● Efeitos 3D.
Lembre-se, o objetivo de um dashboard é transmitir 
uma mensagem rapidamente e sem distrações.
90
Gráficos limpos
 ● Remova elementos gráficos desnecessários, 
como:
 ● Linhas de grade;
 ● Linhas de tendência;
 ● Legendas;
 ● Títulos de eixos;
 ● Rótulos de dados;
 ● Bordas;
 ● Fundos coloridos.
Se o elemento for realmente necessário, simplifique 
o máximo possível.
Mantenha a simplicidade
Mantenha o foco apenas no objetivo do dashboard. 
Utilize somente as informações relevantes e não 
inclua informações apenas porque elas existem.
CONFIGURAÇÕES INAPROPRIADAS
Não estabelecer o objetivo do dashboard, sem 
um objetivo definido a ferramenta perde sua 
funcionalidade;
91
Não determinar o público-alvo do dashboard.
Ao definir quem receberá as informações transmiti-
das fica muito mais fácil e escolher as informações 
corretas e montar o painel;
Cores em excesso, apesar de ser importante des-
tacar alguns pontos, o excesso pode prejudicar a 
visualização e o entendimento das informações;
Não utilize muitos efeitos visuais, assim como as 
cores, o excesso pode estressar os usuários e com-
prometer a eficácia da ferramenta;
Barra de rolagem nos painéis, o ideal é ter todas as 
informações disponíveis em uma única tela, portan-
to não deve ser utilizada;
Imagens desnecessárias podem deixar o painel 
confuso, prejudicar o foco e desviar a atenção dos 
usuários;
Informações irrelevantes – Mantenha o foco no ob-
jetivo principal do dashboard e no seu público-alvo. 
Não adianta ter um painel repleto de informações 
que não são úteis;
Gráficos inadequados – Procure identificar o me-
lhor gráfico para cada informação, repetir o mesmo 
92
formato de gráfico fica cansativo e pode não trans-
mitir a mensagem de forma correta;
Bom exemplo
DESTAQUE
Tempo real
GRÁFICO E TEXTO
Disponibilidade e KPI MÉTRICAS GERENCIAIS
PRIORIDADE
Lista de Projetos
ACOMPANHAMENTO
Tráfego da Rede
FONTES
Few, S. (2006). Information dashboard design: The 
effective visual communication of data. Sebastopol, 
CA: O’Reilly Media.
93
AULA 11
STORYTELLING 
COM DADOS
Storytelling é a capacidade de contar histórias re-
levantes utilizando enredo elaborado, narrativa 
envolvente, utilizando sequência de visualizações e 
recursos audiovisuais trabalhando para transmitir 
informações
95
 O storytelling capta a atenção das pessoas porque 
apresenta uma história na qual elas realmente se 
interessam. Isso porque ele contém assuntos com 
os quais os usuários lidam no dia a dia. O objetivo 
dessa construção narrativa é criar um vínculo emo-
cional com o receptor da mensagem.
O ser humano, não é naturalmente preparado para 
o Storytelling com Dados. Na escola, aprendemos 
muito sobre linguagem e matemática. Na lingua-
gem, aprendemos como colocar palavras juntas em 
frases e em histórias. Com a matemática, aprende-
mos a entender os números. Mas é raro que esses 
dois lados estão emparelhados: ninguém nos ensina 
como contar histórias com números.
A tecnologia nos permitiu acumular maiores quanti-
dades de dados e há um acompanhamento crescen-
te desejo de dar sentido a todos esses dados.
Ser capaz de visualizar dados e contar histórias com 
eles é a chave para transformá-los em informações 
que pode ser usado para conduzir a uma melhor 
tomada de decisão.
Na ausência de habilidades naturais ou treinamento 
neste espaço, muitas vezes terminamos confiando 
em nossas ferramentas para entender as práticas 
recomendadas. Avanços tecnológicos, além de 
96
aumentar a quantidade e o acesso a dados, tam-
bém criaram ferramentas para trabalhar com dados 
generalizados.
Qualquer um pode colocar alguns dados em um 
aplicativo gráfico (por exemplo, Excel) e criar um 
gráfico, porém sem um claro caminho a seguir, nos-
sas melhores intenções e esforços podem nos levar 
a algumas direções muito ruins.
É a capacidade de contar histórias relevantes utili-
zando enredo elaborado, narrativa envolvente, utili-
zando sequência de visualizações e recursos audio-
visuais trabalhando para transmitir informações que 
faz o diferencial do Storytelling com Dados.
STORYTELLING COM DADOS – 6 PASSOS
1. Compreensão do contexto
2. Escolha de exibição visual apropriada
3. Eliminar a desordem
4. Concentrar a atenção onde você deseja
5. Pensar como um designer
6. Contar uma história
97
1. COMPREENSÃO DO CONTEXTO
Antes de iniciar o caminho da visualização de da-
dos, há
algumas perguntas que você deve ser capaz de res-
ponder concisamente:
 ● Quem é seu público?
 ● O que você precisa que eles saibam ou façam?
Aqui deve-se compreender a situação contexto, 
incluindo o público, mecanismo de comunicação e 
tom desejado.
Perguntas importantes:
 ● Quais informações são relevantes ou 
fundamentais?
 ● Quem é o público ou o tomador de decisão?
 ● Quais dados disponíveis reforçariam nossa 
tese? Nosso público conhece esses dados?
 ● Onde estão os riscos que podem enfraquecer 
nossa tese?
 ● Como seria um resultado bem-sucedido?
 ● Se você tivesse tempo para apenas uma frase, o 
que diria ao seu público?
98
2. ESCOLHA DE EXIBIÇÃO VISUAL 
APROPRIADA
O primeiro desafio é selecionar a melhor maneira 
de apresentar os dados. Existem algumas boas prá-
ticas e gráficos para utilizar, a saber:
3. ELIMINAR A DESORDEM
Imagine uma página em branco ou uma tela em 
branco: cada elemento que você adicionar a essa 
página ou tela ocupa carga cognitiva por parte de 
seu público - em outras palavras, leva o cérebro a 
processar.
Portanto, queremos dar uma olhada criteriosa nos 
elementos visuais que permitimos em nossas comu-
nicações. Em geral, identifique qualquer coisa que 
não está agregando