Data Science

Os 4 tipos de análises de dados

Entre as diversas habilidades que um analista de dados deve possuir, talvez a mais importante seja a capacidade de traduzir dados em insights claros e significativos.
Sobre este tema, vale a pena explorar algumas das ferramentas usadas para ajudar as pessoas a entender o papel da análise de dados para gerar insights.

A análise de dados – ou Analytics – pode ser dividida em quatro categorias principais:


1 – Descritiva: o que está acontecendo?

 

É a forma mais comumente usada. A análise descritiva fornece ao analista uma visão das principais métricas e medidas sobre aquilo que se está estudando.

Exemplos de ações em uma análise descritiva são: organização e classificação das variáveis; obtenção de medidas de posição, como a média, e de medidas de dispersão, como a variância; categorização dos dados; e geração de gráficos e outras ferramentas de visualização.


2 – Diagnóstico: por que está acontecendo?

 

O diagnóstico requere do analista o conhecimento sobre o tema dos dados em análise.
Por exemplo, para analisar os dados de uma partida de futebol, é necessário saber ao menos as regras básicas do esporte antes de realizar um diagnóstico.
Nesta etapa, é muito comum que o analista gere questionamentos ao solicitante da análise ou que trabalhe junto com outros profissionais da área.

Na avaliação dos dados descritivos, as ferramentas analíticas de diagnóstico capacitarão um analista para detalhar e, assim, isolar a causa raiz de um problema.

Painéis de informações bem planejados que incorporam a leitura de dados em séries temporais, com filtros e capacidade de detalhamento potencializam esse tipo de análise.

 

3 – Preditiva: o que é provável que aconteça?

 

A análise preditiva trata sobre prognósticos, inferências e estimativas.
A probabilidade de um evento acontecer, a previsão sobre uma quantidade ou a estimação de um intervalo de tempo em que algo pode acontecer – tudo isso é feito através de modelos preditivos.

Os modelos preditivos normalmente utilizam diversos tipos de dados para fazer uma previsão.
A variabilidade dos dados do componente terá uma relação com o que é provável que preveja.
Esses dados são então compilados juntos em uma pontuação ou previsão.

Em um mundo de grande incerteza, poder prever permite tomar decisões melhores.
Os modelos preditivos são alguns dos mais importantes modelos utilizados em vários campos.

*No livro “O Sinal e o Ruído”, Nate Silver fala sobre o problema das previsões e aborda interessantes casos de sucessos e fracassos com previsões no mundo contemporâneo. Confira o meu artigo sobre este livro clicando aqui.


4 – Prescritiva: O que eu preciso fazer?

 

Em termos de valor e complexidade de análise, o próximo passo é o modelo prescritivo.
O modelo prescritivo utiliza uma compreensão do que aconteceu, o motivo de ter acontecido e mais uma variedade de análises do que “pode acontecer” para ajudar o usuário a determinar qual a melhor ação a ser realizada.
Em geral, a análise prescritiva não consiste em uma ação individual, mas em uma série de ações conjuntas.

Um exemplo disso é uma aplicação de tráfego que ajuda você a escolher a melhor rota para casa, levando em conta a distância de cada rota, a velocidade na qual se pode viajar em cada estrada e, fundamentalmente, as restrições de tráfego atuais.


Em geral, o trabalho completo de um analista segue a ordem dos tipos de análises aqui apresentadas.

Mas é válido ressaltar que elas não necessariamente seguirão esta ordem e não serão mutuamente exclusivas. Em muitos casos, ao realizar um tipo de análise, novos insights e novos dados podem ser gerados, o que acaba levando a avançar e/ou retroceder para uma nova análise e assim torturar os dados para que eles falem cada vez mais.