Os 5 Ciclos Analíticos que você precisa conhecer para análise de dados
Primeiro de tudo, por que analisar dados? Por que as empresas tem se tornado cada vez mais data driven?
A resposta mais simples é: para tomar decisões de forma mais informada, reduzindo a quantidade de achismos. E é pra isso que os Ciclos Analíticos existem, para guiar esse processo desde o entendimento do problema até a mensuração impacto das ações, tudo dentro de um ciclo de melhoria.
Sendo assim, vamos começar com a definição. Ciclos Analíticos são: abordagens holísticas para garantir que não serão deixadas para trás algumas das etapas essenciais para uma análise de dados que de fato inspire a tomada de decisões.
Não se assuste com a palavra “holística” aqui. Elas só quer dizer que a abordagem é completa, sem simplificações e que as estapas estão interligadas. Veja o artigo da Wikipedia para saber mais.
O mais importante é entender porque cada etapa importa para o processo de tomada de decisão informada. Segundo Lucas Pedote, Head de Data Analysis no ifood:
“Precisamos de menos processos e mais mindset”
Ou seja, incluir na cultura da empresa, não de forma top-down ou apenas via um processo, a necessidade de tomar decisões mais embasadas. Assim, garantir que todos entendam que é necessário passar por cada etapa do ciclo e o porquê faz muito mais sentido usar dados para tomada de decisão. Um movimento que deve ser incorporado na cultura mas que precisa também do apoio das lideranças, já que é normal que haja uma tendência de continuar com os achismos e o Business-as-usual.
Os 5 Ciclos Analíticos
Primeiro, gostaria de apresentar os passos de um ciclo genérico e, em seguida, destacar 4 ciclos: TERA, CrispDM, PPDAC, 4ps de data do ifood.
Um ciclo mais genérico (link), que da uma visão geral é:
- Defina o problema: precisa ser relevante;
- Explore os dados: uma análise descritiva;
- Analise os dados: quais são os fenômenos/comportamentos que acontecem;
- Predições e Cenários: explorar as possibilidades de futuro;
- Ação: encontrar a melhor solução, propor a solução e ir para ação;
- Medir os resultados da ação: entender e atualizar os modelos ou análises feitas se necessário;
- Repetir até resolver o problema.
Ciclo da Tera
Ciclo Analítico que o time de dados da escola de tecnologia Tera usa em suas análises e projetos internos:
- Compreensão e definição do desafio ou problema;
- Ideação: levantamento de hipóteses, definir perguntas;
- Definição de fontes e coletas;
- Limpeza dos dados e organização das análises: avaliar a qualidade dos dados antes;
- Análise mais aprofundada;
- Desenho e construção da solução;
- Apresentação das descobertas e acionáveis;
- Colocar em prática e repetir.
Veja na imagem abaixo que é possível ou até necessário que sejam realizados ciclos dentro do ciclo nas etapas 2–5.
PPDAC
Ciclo clássico, conhecido como ciclo investigativo. Ele segue o seguinte fluxo:
Em português:
- Problema
- Plano
- Dados
- Análise
- Conclusões
CRISP-DM
Esse é o ciclo que está na primeira imagem desse post, famoso no ciclo de Data Science. As etapas são:
- Entendimento do negócio
- Entendimento dos dados (qualidade)
- Preparação dos dados
- Modelagem: definir algoritmo ML, por exemplo.
- Avaliação dos resultados
- Repetir até resolver
Veja nesse site mais detalhes desse ciclo.
4ps de data
Metodologia usada pelo time de análise de dados do ifood. Os quatro P’s são:
- Problema: qual a dor?
- Potencial: qual o ganho? Vai servir para a priorização
- Produto: qual o melhor entregável? O que vai ser mais útil? Ex.: um gráfico, um dashboard ou um algoritmo de ML?
- Proposta: So what? Qual ação tomar?
Conclusão
Busquei aqui registrar meu aprendizado sobre Ciclos Analíticos apresentando 5 exemplos e contextualizando a necessidade dessa ferramenta dentro de uma cultura mais analítica. Podemos ver que todos são muito similares, se diferenciando apenas pelo foco, seja mais na investigação, na análise ou no negócio.
Espero que tenha sido útil pra você. Tenho outros textos sobre o tema de dados, dê uma olhada no meu perfil!
Fontes e inspiraçãoes
Artigo: Pensamento estatístico como suporte das ações gerenciais para melhoria contínua, link.
