Dados sem mistério: os quatro tipos de analytics

Bem-vindo à quarta parte da nossa série mensal Dados sem mistério. Como parte do Data Literacy Month, esta série esclarece conceitos-chave do mundo dos dados, responde às perguntas que você talvez tenha receio de fazer e ainda se diverte no caminho. Se quiser começar do início, leia a primeira matéria da série: O que é um dataset?

Neste capítulo, vamos explorar os diferentes tipos de analytics, do descritivo ao prescritivo, identificar os tipos de perguntas que os dados podem responder, trazer exemplos e muito mais. 

Quatro tipos de perguntas, quatro tipos de analytics

Dados podem responder a um número quase infinito de perguntas, mas dá para agrupar essas perguntas em quatro categorias. Isso leva, naturalmente, a diferentes tipos de análise de dados: cada categoria de pergunta tem um tipo correspondente de analytics.

Esses quatro tipos de análise estão listados em ordem crescente de complexidade. Dependendo do escopo de um projeto de dados, concluir uma análise completa pode envolver vários tipos de análise em conjunto.

Antes de mergulhar nos tipos de analytics, pense no equivalente do mundo real de um paciente visitando o médico. Primeiro, o médico examina o paciente para descrever os sintomas. Depois, tenta diagnosticar o problema que está causando esses sintomas. Em seguida, tenta prever como os sintomas vão evoluir (se o paciente vai melhorar ou piorar). Por fim, prescreve um tratamento.

Descriptive Analytics: entendendo o que aconteceu

Descriptive analytics responde a perguntas do tipo "o que está acontecendo?" ou "o que aconteceu?".

As principais técnicas usadas em descriptive analytics são o cálculo de estatísticas resumidas e a construção de visualizações de dados. As estatísticas resumidas incluem contagens, médias como média e mediana, e medidas de variação como amplitude e desvio padrão. 

Você pode saber mais sobre estatísticas descritivas no próximo capítulo de Dados sem mistério. Além disso, confira este cheat sheet para se aprofundar em visualizações de dados. 

Exemplo de descriptive analytics

Vamos a um exemplo. Suponha que você queira entender os motores de receita da sua empresa. Você realiza uma análise descritiva sobre os dados de vendas, respondendo a perguntas como:

• Quantas vendas foram feitas no último mês? (A contagem de vendas.)
• Qual é o valor médio por transação? (O preço médio de venda.)
• Quanta variação existe entre o total de vendas por loja? (O desvio padrão das vendas por loja.)
• Quais foram as vendas totais por dia? (Um gráfico de linhas de vendas totais versus data.)

Diagnostic Analytics: entendendo o porquê

Uma análise descritiva costuma gerar novas perguntas. No exemplo de vendas, você pode notar que as vendas totais foram inesperadamente baixas em uma quinta-feira. Saber o que aconteceu é um ótimo ponto de partida, mas não encerra a análise. A próxima pergunta natural é: "por que as vendas foram baixas naquela quinta-feira?".

Essa é uma pergunta que exige uma análise diagnóstica. Em geral, diagnostic analytics responde a perguntas do tipo "por que algo aconteceu?". Normalmente, esse "algo" é um valor inesperadamente alto ou baixo, também conhecido como outlier.

Diagnostic analytics geralmente envolve estas etapas:

1. Formular hipóteses sobre por que o evento incomum ocorreu.
2. Obter dados relacionados às possíveis causas.
3. Fazer análises descritivas em subconjuntos dos dados ("data mining").
4. Ajustar modelos estatísticos como regressão para examinar a relação entre as causas e o evento incomum.

Vale notar que, em muitos casos, você só conseguirá identificar uma relação entre o que está medindo e a causa suspeita. Não dá para provar que é de fato a causa. Em um próximo capítulo de Dados sem mistério, vamos abordar a armadilha de correlação vs. causalidade. 

Exemplo de diagnostic analytics

Voltando ao nosso exemplo de vendas, depois de descobrir vendas totais inesperadamente baixas em uma quinta-feira do mês passado, você decide fazer uma análise diagnóstica nos dados.

• Formular uma hipótese: sua primeira hipótese é que as vendas foram menores devido a uma indisponibilidade no site, bloqueando as vendas online. 
• Obter dados: você recupera os dados de performance do site.
• Análise descritiva: você cria um gráfico de linhas do desempenho ao longo do tempo, mas não vê queda naquela quinta-feira. Em seguida, calcula as vendas totais separando online e loja física e percebe que a queda ocorreu nas lojas de uma região específica do país.
• Formular outra hipótese: você lembra que aquela região enfrentou uma forte tempestade na quinta-feira e levanta a hipótese de que isso pode ter afastado os clientes.
• Obter dados: você coleta dados climáticos para cada localização de loja.
• Ajustar modelos estatísticos: você ajusta um modelo de séries temporais para os dados de vendas totais, usando o clima como variável de entrada. O resultado mostra que mau tempo está correlacionado a vendas mais baixas.

Predictive Analytics: entendendo o que vai acontecer

Análise de dados não serve apenas para entender o passado. O terceiro tipo de analytics trata de fazer previsões. Elas podem ser sobre o futuro — quando costumamos chamá-las de forecasts —, mas não necessariamente. Também dá para prever se clientes pertencem a determinados segmentos ou se uma transação é fraudulenta ou não. As principais técnicas em predictive analytics são modelos estatísticos que, no contexto de previsão, costumam ser chamados de modelos de machine learning. 

Você pode ler mais sobre machine learning no terceiro capítulo de Dados sem mistério, sobre as diferenças entre data science, inteligência artificial, machine learning e deep learning. 

Exemplo de predictive analytics

Depois de diagnosticar o problema das vendas baixas, seu chefe agora está preocupado com o próximo trimestre e quer saber como ficará a receita nos próximos meses. Como consequência, você usa o mesmo modelo de séries temporais de antes, desta vez para prever as vendas futuras. 

Seu chefe também quer entender quais clientes em potencial devem ser priorizados com base em quem tem mais chance de comprar. Para isso, você cria um modelo de machine learning usando características dos clientes, como histórico de compras e renda estimada, para prever a probabilidade de realizarem uma compra. 

Prescriptive Analytics: como fazemos acontecer? 

Um dos grandes benefícios do analytics é ajudar você a tomar melhores decisões. Em vez de se guiar só pela intuição, você passa a tomar decisões orientadas por dados. Prescriptive analytics ajuda a responder "o que devemos fazer?".

As técnicas usadas em prescriptive analytics se apoiam nos modelos de machine learning de análises diagnósticas e preditivas para permitir a exploração de diferentes cenários. Além disso, incluem otimização para descobrir o melhor cenário possível entre várias alternativas.

Exemplo de prescriptive analytics

Seu chefe está em dúvida. As previsões de receita não ficaram no patamar que o conselho esperava, então ele está sob pressão para apresentar ideias que aumentem o resultado. Ele recorre a você para propor uma solução orientada por dados.

• Vocês dois levantam alguns cenários possíveis, mudando a divisão entre vendas em loja/online e ajustando o preço de produtos-chave.
• Você usa predictive analytics para gerar previsões para cada um desses cenários.
• Depois de identificar cenários promissores, você aplica técnicas de otimização para refinar a estratégia até chegar ao melhor resultado possível.

Quer aprender mais?

Esperamos que você tenha gostado desta introdução rápida aos diferentes tipos de analytics. No próximo capítulo da série, vamos aprofundar o analytics descritivo e focar nas técnicas estatísticas dentro da análise descritiva. 

• Veja o que planejamos para o Data Literacy Month
• Comece pela nossa trilha Understanding Data Topics
• Assine o podcast DataFramed
• Confira nossos próximos eventos
• Leia o próximo capítulo da série Dados sem mistério sobre estatísticas descritivas