Como fazer uma analise de dados comparativa

Entre os principais temas de gestão, salienta-se o tema duma boa valorização dos dados. 

Observamos, particularmente nas revistas especializadas mas também na imprensa, uma forte recrudescência do número de artigos dedicados aos dados e, como torná-los numa vantagem comparativa específica da empresa. Qual é a amplitude do aumento do volume de dados ? Será que podemos compará-lo ao petróleo, por outras palavras, será que os dados constituem o « petróleo das empresas » ? Seguidamente, veremos que para valorizar os dados são necessárias, na realidade, três coisas que não encontramos na imagem do petróleo : (1) bases de dados de qualidade, (2) princípios de boa conduta, e (3) sobretudo inovações que permitam explorá-los tal como a inteligência artificial. 

1. Os dados são frequentemente designados como o petróleo das empresas, mas ainda assim revestem aspetos muito diferentes                                                                 

Hoje segundo o IDC (Intelligence Data Corporation), a quantidade de dados gerados anualmente no mundo deverá atingir os 175 ZB (Zettabytes) em 2025 através do desenvolvimento da multi-conexão e dos sensores. A Internet das Coisas é a responsável por este facto. Para termos uma ideia (itpro.fr), um único zettabyte representa mais de 40 000 bilhões de DVDs recolhidos em diversos suportes de objetos conectados. Todos os dias interagimos 4800 vezes com um objeto conectado, ou seja, uma vez  todos os 18 segundos com o crescimento da Internet das Coisas (IoT, Internet of Things). Portanto, não podemos dizer que os dados sejam o petróleo das empresas por uma simples razão : desde o final dos anos 80 em oscilação, o consumo de petróleo é superior às descobertas enquanto que a própria utilização pelas ferramentas dos dados (o seu consumo) é sempre inferior atualmente aos tetra dados cujo potencial é ainda infinito nos dias de hoje. 

Então, como obter uma vantagem comparativa dos dados face aos tetra dados [1] ? 

2. Princípios de boa conduta ex ante 

* O primeiro princípio baseia-se na compreensão de que os dados devem servir um caso de uso determinado, uma funcionalidade-alvo que corresponde a uma necessidade real no mercado ou nas organizações.É o conhecimento do valor dos dados. Mobileye, fornecedor de sistemas avançados de assistência à condução automática, propõe sistemas anticolisão e avisos de afastamento da faixa de rodagem para os veículos. Neste caso, os clientes são fabricantes de automóveis que efectuam eles próprios os testes. No entanto, à frente do sistema (entrada do sistema) são os dados destes testes que têm valor e que permitem atingir níveis de fiabilidade de 99,9% graças à ferramenta ex post.                                           

* O segundo princípio é a ideia de que não é sempre necessário acumular uma excessiva quantidade de dados.  Aqui também, a qualidade não é a quantidade ; existe um determinado momento onde o valor incremental dos dados corre o risco de diminuir. Por conseguinte, é necessário uma quantidade ideal de dados constantemente renovada e de tal forma que o seu valor incremental não decresça. O sucesso de Zynga por exemplo, que lançou Farmville, decorre precisamente do fato de que os dados de que dispunha Zynga não se terem tornado obsoletos de uma semana para a outra. Mas infelizmente a bela história acaba mal. Zynga lançou alguns outros jogos de sucesso, nomeadamente Farmville2 e Cityville, posteriormente nada mais até ao ponto de perder mais de metade da sua base de usuários. Ela foi posteriormente suplantada pela Supercell (Clash of Clans e Epic Games (Fortnite) ). Após ter atingido um pico em 2012 com 10,4 mil milhões de dólares, a valorização de Zynga foi, depois, dividida por mais de metade nos 6 anos seguintes. Um bom exemplo de obsolescência dos dados em input dos jogos produzidos.  

Os dados devem ser exclusivos da empresa e não devem ser imitáveis

*O terceiro princípio é que os dados devem ser exclusivos da empresa e não devem ser imitáveis. Adaviv, uma startup da região de Boston, propõe um sistema de gestão das colheitas para monitorar cada planta de forma contínua. A IA (Inteligência Artificial) é utilizada com lógicas de visão e através da biometria são seguidos indicadores de plantas invisíveis a olho nu. Detetam-se os sinais de alerta precursores de doenças, carências em nutrimentos que levam a rendimentos decrescentes. Mas em input, são estes os dados não imitáveis e exclusivos da empresa dos utilizadores. Quanto mais o número de utilizadores Adaviv aumentava, mais a ferramenta conseguia recolher informações sobre as alterações de dados e mais as informações se tornavam fiáveis para os clientes. Os dados constituem, por conseguinte, o ponto inicial. Outro exemplo é Pandora, uma rádio em streaming. A sua oferta é baseada no seu « Music Project Genome » (MPG) um sistema patenteado de categorização de canções com base em 450 atributos e na análise de milhões de títulos permitindo a definição de estratégias de rádio baseadas nos custos. Pandora propõe seleções musicais sob medida e o « Music Project Genome » não permite qualquer imitação porque os dados são totalmente exclusivos da empresa e os concorrentes podem dificilmente reproduzi-los. Estes dados permitem a implementação dos sistemas inteligentes como o MPG. E a este título, quanto mais os dados evoluem por si próprios, melhor será também a capacidade para gerir conhecimentos graças às ferramentas. 

*O quarto ponto é o melhoramento dos utilizadores aplicando a qualidade dos dados, e em seguida a rapidez com a qual os conhecimentos podem ser integrados aos produtos, o que acaba por ser a mesma coisa. Spotify, Apple Music suplantaram Pandora mas unicamente nos EUA. Mas Spotify conheceu um sucesso mundial porque soube progredir explorando uma excelente base de dados e propondo playlists com um efeito de rede atrativo _ oferecendo a possibilidade de pesquisar e de escutar as estações de rádio dos outros utilizadores. Neste caso, estes ciclos de aprendizagem rápida fazem com que seja difícil para os concorrentes de recuperar o seu atraso sobretudo nos produtos que beneficiam de vários objetivos de melhoria ao longo do contrato-tipo de um cliente. 

 3. A inteligência artificial para obter o máximo desempenho ex post 

A inteligência artificial, graças ao Machine Learning ou ao deep learning, vai permitir uma segunda fase de aperfeiçoamento, sendo que a primeira fase, já citada, dizia respeito à utilização ex ante dos dados, antes da exploração dos mesmos por um intrumento inovador. A interpretação dos resultados ex post confere-lhe uma vantagem incontestável no esboço de projetos futuros e no melhoramento contínuo das utilizações ex ante dos dados e no aperfeiçoamento dos primeiros produtos ou serviços prestados. Para além destes pontos de gestão, não podemos nunca esquecer os aspetos humanos. Isto aplica-se para a tecnologiacomo para os dados. A arte da persuasão: face ao crescimento da análise dos dados, as empresas contrataram os melhores data scientists que podiam encontrar mas, na maioria das vezes, não conseguiram retirar o valor emitido pelas suas iniciativas no domínio da ciência dos dados. Para que um projeto possa criar valor, a equipa deve fazer as perguntas certas, tratar os dados pertinentes e alcançar os resultados, compreender e comunicar o que esses mesmos resultados significam para a empresa. É muito raro que uma só pessoa controle estes dois domínios. A maior parte dos data scientists são formados para o primeiro mas não para o segundo.