A importância do BI na extração de valor dos Dados

Seguindo a nossa série “Dados O Novo Petróleo! Como extrair Valor?” Hoje vamos falar sobre o BI ou Business Inteligênce ou Inteligência de Negócios. 

Sempre houve a preocupação com estratégias nos negócios, as técnicas vêm evoluindo há tempos, mesmo antes de termos a evolução da tecnologia, havia a preocupação com métodos para plantio e colheita, estratégias para obter vantagem em guerras, expansão de terras e de negócios, etc. A escrita em papel era o principal recurso. 

As estratégias de gestão foram se aperfeiçoando e à medida que a tecnologia cresceu, o grande volume de informações passou a ser digital. Na década de 70, houve então a necessidade de criar regras para aramazenar os dados, nessa época surgiram os Sistemas de Gerenciamento de Banco de Dados. Nos anos 80 sugiu o termo Business Intelligence e nos anos 90 surgiu o termo Data Warehouse, uma nova modelagem de dados para facilitar a visao estratégica nas empresas, apoiando assim a tomada de decisão.

A visão estratégica ou inteligência de negócios nasce na empresa no momento em que é definida a Visão empresarial, ou seja, quando a empresa define onde deseja chegar, ela sabe o objetivo e o que precisa medir, definir os KPI (Indicadores Chaves de Desempenho) esse é o primeiro passo para o sucesso dos negócios, mas é preciso definir as métricas para acompanhar o desempenho da empresa ter uma boa gestão e ter inteligência nos Negócios.

As etapas essenciais para ter Inteligência nos negócios são:

1 – Fazer o entendimento do Negócio
2 – Obter as Fontes dos Dados
3 – Fazer o ETL – Extração, Transformação e Carregamento
4 – Entender os Dados
5 – Modelar os Dados “Data Warehouse”
6 – Preparar a Visualização

Após os dados serem coletados por sistemas transacionais, é necessário iniciar o processo de ETL (Extrtact, Transform, Load) ou seja extração, transformação e carregmento. Ao fazer a “Extração” dos dados, e inserir em um ambiente separado conhecido por Staging Área, podemos manipular os dados fora do ambiente de produção para não impactar na performance ao fazer as transformações necessárias. 

No processo de transformação aplicamos “Data Quality” (Qualidade nos Dados), é necessário normalizar os dados para que sejam corretos e mais confiáveis. Nesse processo é preciso tratar maiúsculas e minúsculas, verificar duplicidades em campos descritivos, verificar máscara de dados (CPF, RG, CEP, telefone), etc. 

É preciso conhecer as métricas do negócio e entender os dados, para fazer a melhor modelagem para a visão analítica. Na transformação fazemos a modelagem dos dados em formato Cubo (Fato e Dimensão) para visão OLAP. Sabemos que são muitas informações novas, então vamos detalhar cada uma:

– Cubo: Modelagem Multidimensional que possibilita visão dos dados por mais de uma dimensão e várias perspectivas desde a mais resumida até a mais detalhada. Por exemplo: verifica vendas de uma loja em período, ou o valor das vendas de um vendedor em um período.

– Fato: Assunto principal da métrica na Modelagem de Cubo, onde se concentram os campos principais do que deve ser analisado.  Ex: vendas é o que precisa ser medido, então a Tabela Fato concentraria informaçoes de vendas.

– Dimensão: Detalhes da tabela Fato, assuntos vinculados. Ex: uma tabela dimensão terá os detalhes do vendedor, a outra dimensão terá detalhes da loja, a outra detlhes dos produtos, a outra detalhes de tempo.

– OLAP: Online Analitycs Process ou processamento analítico online, a modelagem de cubo possibilita uma visão dinâmica dos dados em relatórios visuais interativos que possibilitam atualizar a visão dos dados em tempo real.

Após tratar os dados, modelar para a visão analítica, é feito o armazenamento em um Data Warehouse e em seguida é feito o “Carregamento” em uma ferramenta analítica onde o analista de BI representará as informações em um dashboards contendo um conjunto de gráficos que sejam capazes de mostrar os números da empresa.

Para ser um bom analista de BI, você precisa entender o negócio, conhecer as ferramentas, saber desenhar os dashboards, fazer o acompanhamento das informações e de acordo com os dados apresentando identificar quando é necessário mudar as estratégias.
As ações reativas diante de um mau desempenho, exige um trabalho de gestão e de marketing para entender a empresa, o mercado e os consumidores.

Nem sempre as técnicas de BI são o suficientes para uma boa gestão, por isso as empresas estão aderindo à análises preditivas com técnicas de machine learning para potencializar o poder de decisão, mas esse é um assunto que vamos falar em outros artigo.

Link de Pesquisa

https://slideplayer.com.br/slide/17694086/

Andréa Longarini