O que é Business Intelligence?
Business Intelligence , ou BI , usa um sistema de inteligência computadorizado para coletar, gerenciar e interpretar informações sobre um negócio para tomar decisões de negócios sólidas. O BI monitora as operações de uma empresa de forma inteligente. BI emprega uma combinação de ferramentas, como gerenciamento de banco de dados, sistemas de apoio à decisão, mineração de dados e análise estatística.
Como o BI é diferente de um sistema geral de suporte à decisão? Em primeiro lugar, o BI não está focado em apoiar um tipo específico de decisão, mas em todas as operações de uma empresa. Isso o torna mais abrangente. Em segundo lugar, o BI geralmente ocorre de forma contínua, quase em tempo real. Isso possibilita obter uma visão contínua e integrada de uma empresa.
Terceiro, o BI possui um elemento de inteligência, o que significa que tenta integrar informações internas à organização e também informações relacionadas às condições de mercado e concorrentes específicos. O BI é freqüentemente usado, não apenas para tomar decisões bem informadas, mas especificamente para obter uma vantagem competitiva no mercado. O foco específico do BI geralmente é ganhar mais negócios ou melhorar a participação no mercado.
Análise preditiva
O BI geralmente possui um aspecto preditivo, conhecido como análise preditiva . Como será o mercado nas próximas semanas, meses ou anos? O que meus concorrentes farão? O que dará à minha empresa uma vantagem competitiva no futuro próximo?
Essas questões não são abordadas por brainstorming por meio do pensamento aleatório, mas por algoritmos de computador que analisam dados. A análise preditiva é um tipo de mineração de dados que se concentra em encontrar padrões nos dados existentes para prever tendências e comportamento no futuro. Um exemplo de análise preditiva com a qual você já está familiarizado é a previsão do tempo. Os meteorologistas usam dados históricos de longo prazo e medições mais recentes da atmosfera para prever a temperatura, vento e precipitação em alguns dias no futuro. A previsão pode nem sempre ser precisa, mas geralmente é bem próxima.
Um bom exemplo de análise preditiva no mundo dos negócios é o setor de seguros. Digamos que você acabou de comprar um carro novo, mas antes mesmo de tirá-lo do estacionamento, você precisa fazer um seguro. Você liga para um agente de seguros para definir uma nova apólice de seguro. Como a seguradora determinará seu prêmio mensal? Isso dependerá, em primeiro lugar, do carro que você dirige. Se um carro muito caro sofrer um acidente, o conserto custará mais caro. Dependerá também de como você usará seu carro e onde ele estará estacionado.
Você consegue pensar em outras coisas que a seguradora deseja saber? E quanto a sua idade? Definitivamente. Seu gênero? Sim. O CEP de onde você mora, trabalha e / ou estuda? Esses também.
Então, digamos que você tem 24 anos. Você fornece todas as outras informações e a seguradora calcula seu prêmio em $ 137 por mês. Você completa 25 anos em poucos meses e quer saber se isso faz alguma diferença. Com certeza, seu prêmio cairá para US $ 125 por mês.
Então, como exatamente a seguradora calculou a diferença de $ 12? Você será um motorista muito melhor em alguns meses? Lembre-se de como funciona o seguro. Você obtém uma apólice de seguro e, quando você se envolve em um acidente, a seguradora paga pelo seu conserto. Portanto, a seguradora precisa calcular que tipo de risco você representa para eles. Qual é a probabilidade de você sofrer um acidente nos próximos 12 meses?
Isso é determinado observando-se os dados sobre os motoristas dos últimos dois anos. Quantos motoristas com perfis semelhantes se acidentaram em um período de 12 meses? O que as seguradoras descobriram é que os motoristas mais jovens com menos de 25 anos tendem a dirigir com menos segurança do que os mais velhos.
Quaisquer que sejam as razões exatas por trás disso, é isso que a análise estatística mostra. O que isso significa é que os motoristas mais jovens precisam pagar um pouco mais. A diferença de $ 12 é determinada pelo modelo estatístico usado para prever o risco de um motorista se envolver em um acidente.
A análise preditiva usa dados históricos para prever a probabilidade de você sofrer um acidente. Isso não significa que você vai sofrer um acidente, é claro. Mas, digamos que a seguradora tenha 250.000 clientes com uma apólice de seguro de automóveis. Todos os anos, haverá uma série de acidentes. A análise preditiva ajuda a determinar o risco geral para a seguradora. Esse risco geral é usado para calcular os prêmios. Os clientes terão que pagar mais ou menos, dependendo de quanto eles contribuem para o risco geral.
Processamento analítico online
Uma das outras ferramentas específicas usadas em BI é o processamento analítico online , ou OLAP . OLAP é uma abordagem para responder rapidamente a perguntas de múltiplas dimensões. Você pode pensar em uma tabela de dados como tendo duas dimensões: linhas e colunas. Por exemplo, cada linha na tabela pode ser um produto feito por uma empresa e cada coluna pode ser quantas unidades de cada produto foram vendidas a cada mês. Você pode responder a perguntas sobre esta tabela usando uma consulta de banco de dados.
OLAP estende essa ideia a mais de duas dimensões. Por exemplo, para cada produto, você também deseja saber em que instalação ele foi feito (3ª dimensão), para qual cliente foi enviado (4ª dimensão) e quantas unidades têm algum tipo de problema conforme relatado pelo cliente (5ª dimensão ) Essas informações podem ser armazenadas em um banco de dados relacional, mas para um grande número de dimensões, isso pode ficar complicado e o banco de dados se tornará lento. OLAP organiza esses dados multidimensionais, para que possam ser analisados rapidamente.
Por exemplo, depois de ter os dados organizados nas várias dimensões, você pode fazer perguntas como esta: Mostre-me todas as instalações na Europa que fizeram este produto específico no mês de junho que foram enviadas para clientes na Ásia que relataram ter um problema. Agora, para essas mesmas instalações, mostre-me todos os outros produtos que eles fizeram no mesmo mês e que foram enviados para a América do Norte e, em seguida, me dê uma lista de correspondência de todos os clientes da Califórnia.
OLAP é projetado para processar esse tipo de análise muito rapidamente. Você pode ver como o OLAP pode ser muito útil para analisar operações de negócios complexas. OLAP e mineração de dados são usados em Business Intelligence, mas representam abordagens diferentes.
Na mineração de dados , ferramentas analíticas são usadas para descobrir relacionamentos nos dados. Basicamente, você está dizendo: 'Aqui estão os dados, mostre-me quais são os padrões interessantes.' No OLAP, você começa com algumas perguntas muito específicas e analisa os dados para encontrar as respostas. A mineração de dados é ascendente, orientada para a descoberta. OLAP é de cima para baixo, orientado por consulta.
Resumo da lição
Business Intelligence , ou BI , usa sistemas de informação especializados para obter uma vantagem competitiva no mercado. BI emprega uma combinação de ferramentas, como gerenciamento de banco de dados, sistemas de apoio à decisão, mineração de dados e análise estatística. Duas ferramentas específicas, que são exclusivas do BI, são a análise preditiva e o processamento analítico online .
Resultados de Aprendizagem
Ao concluir esta lição, você será capaz de:
- Descreva o que é Business Intelligence (BI)
- Cite algumas das ferramentas que BI emprega
- Explique como o BI é diferente de um sistema geral de apoio à decisão
- Resuma o que é a análise preditiva e como ela desempenha um papel nos negócios
- Entenda para que o processamento analítico online (OLAP) é usado
- Diferencie entre OLAP e mineração de dados