O uso dos dados disponíveis nas empresas para analisar e compreender o passado não é o suficiente para suportar o processo de tomada de decisões em um mundo cada vez mais competitivo. Utilizar estes dados para criar modelos matemáticos que ajudem a prever comportamentos e situações futuras, além da possibilidade de criar cenários, é o objetivo do advanced analytics.

Por este motivo, analytics é um conceito que vem sendo introduzido cada vez mais nas organizações. Através de análises e modelos preditivos é possível extrair vantagens competitivas em relação à concorrência. Mesmo em soluções simples, como prever o faturamento no próximo trimestre, até modelos mais completos que permitem analisar a probabilidade de perda de clientes, o analytics permite que as pessoas sejam mais ágeis para tomar decisões cada vez mais complexas.

Alguns projetos que estão sendo implementados nesta área são: análise de riscos de crédito, análise de lealdade de clientes, probabilidade de ocorrência de eventos (cancelamento de planos), análise do cliente (visão 360º), análise de cadeia de suprimentos e logística etc.

Quando se trabalha com modelos estatísticos, a quantidade de dados disponíveis para apoiar a busca pelo padrão que permite a utilização do modelo com maior assertividade é muito importante. Por este motivo, os projetos atuais de analytics costumam incentivar o uso de big data. A possibilidade de utilizar um grande volume de dados faz com que as possibilidades de cruzamento dos dados sejam cada vez maiores.

Big data analytics, portanto, permite que dados estruturados, não-estruturados e semiestruturados sejam utilizados para extrair insights importantes para direcionar o negócio da empresa. A descoberta de padrões, correlações e tendências fazem com que os resultados destes projetos sejam cada vez mais importantes para os departamentos de marketing, melhorando as oportunidades de receita, serviços ao cliente e a eficiência operacional.

Algumas oportunidades de projetos que estão sendo utilizados em Big Data Analytics são: análises de cliques em sites da internet (clickstream), análise de mídia e redes sociais, descoberta de padrões em textos de e-mail, análise de logs de computadores e servidores de aplicação, utilização de sensores etc.

É necessário, porém, uma governança específica para lidar com estes dados. A organização precisa analisar quanto ela é capaz de criar políticas internas para direcionar as ações de big data analytics. Deve-se analisar o perfil da empresa sob quatro dimensões básicas: tecnologia e infraestrutura para suportar as atividades de analytics, gestão de dados, a maturidade em lidar com analytics dentro da organização e os componentes organizacionais para suportar este tipo de iniciativa.

Ao ter uma visão da situação atual da empresa sob o ponto de vista do nível de maturidade em cada uma das dimensões apresentadas, é possível determinar em qual ponto a empresa se encontra e estabelecer um roadmap consistente para que as ações nesta área não sejam desperdiçadas. A governança permite também que a empresa vincule os objetivos organizacionais e o processo de comunicação com o retorno esperado pelo uso de big data analytics. Desta forma, é possível selecionar os projetos que trarão maior retorno com menor esforço. Cria-se uma cultura empresarial para projetos de big data analytics que direcionem as ações e esforços para resultados concretos.

Não basta, portanto, querer utilizar analytics dentro das empresas. E também não basta imaginar que o uso de big data por si só será o diferencial para manter e expandir mercado. É necessário entender a situação da empresa, planejar e executar os projetos de big data analytics com cautela e precisão. E isso só é possível através da governança.