Os dados modernos são complexos e, às vezes, difíceis de interpretar e entender. Para lidar com eles, a análise aumentada é a ferramenta ideal. Usar o aprendizado de máquina e a inteligência artificial para tornar os dados mais fáceis de entender é uma decisão óbvia. Mas no que exatamente consiste a análise aumentada e como ela funciona?
Neste artigo, discutiremos tópicos relacionados à análise aumentada, como estes:
O que é a análise aumentada?
A análise aumentada é uma categoria de análise que usa as tecnologias de inteligência artificial (IA) e aprendizado de máquina (ML) para expandir a capacidade humana de interagir com os dados em nível contextual. Ela consiste em ferramentas e softwares que oferecem recursos de análise para mais pessoas, seja com recomendações, informações ou orientações em uma consulta.
Segundo a empresa global de pesquisa e consultoria Gartner : “a análise aumentada é o uso de tecnologias como o aprendizado de máquina e a IA para auxiliar na preparação de dados e na geração e explicação de informações, com o objetivo de melhorar a forma como as pessoas exploram e analisam dados em plataformas de BI e de análise”.
O papel do aprendizado de máquina na análise aumentada
O aprendizado de máquina é uma área da ciência da computação que usa dados para extrair algoritmos e modelos de aprendizagem. Ele é uma tecnologia central em muitos recursos de análise aumentada. Por seu auxílio em análises, ele pode reduzir ou eliminar trabalhos repetitivos, para que as pessoas tenham acesso a informações para tomar decisões baseadas em dados com mais rapidez. Isso abrange limpeza, modelagem, exame e filtragem de dados para um exame mais preciso e aprofundado.
Os recursos de aprendizado de máquina em plataformas de BI costumam apresentar os resultados de algoritmos avançados como recomendações. Além disso, alguns aplicativos de análise aumentada aproveitam o ML para aprender a semântica do setor e da organização, assim como as preferências dos usuários ao longo do tempo, para que as perguntas e os resultados sejam mais personalizados e eficazes no contexto comercial durante a análise.
Análise aumentada x automação
A automação é um recurso comum em soluções de análise aumentada, mas é importante entender a diferença entre automatizar tarefas, como muitas tecnologias fazem, e automatizar a tomada de decisões embasadas em análise. Enquanto a automação da tomada de decisões baseadas em dados elimina a necessidade de recursos humanos, a análise aumentada apresenta uma metodologia para a tecnologia com a finalidade de orientar os usuários a descobrir informações que talvez não veriam ou descobririam de outra forma.
O conhecimento da área sempre foi importante para as análises, mas a análise aumentada com tecnologia de IA e aprendizado de máquina faz com que esse conjunto de habilidades seja ainda mais imprescindível. Em muitos casos, é necessário que os humanos intervenham para adicionar o contexto que falta e usem as informações descobertas na análise para tomar a melhor decisão para o problema em questão.
A quem se destina a análise aumentada?
Os usuários corporativos e executivos obtêm um retorno incrível da análise aumentada porque essa tecnologia os ajuda a obter valor dos dados com rapidez, sem precisar de habilidades técnicas profundas ou experiência no trabalho com dados. A análise aumentada ajuda esses usuários a encontrar dados relevantes com mais facilidade, fazer as melhores perguntas e acelerar a descoberta de informações no contexto específico do setor.
Embora a grande vantagem da análise aumentada seja habilitar aqueles sem profundo conhecimento analítico, ela também ajuda analistas e usuários avançados a realizar análises mais completas e tarefas de preparação de dados com mais rapidez.
Quais são os benefícios da análise aumentada?
A análise aumentada pode tornar o trabalho dos analistas mais rápido, eficiente e preciso. O aprendizado de máquina e as tecnologias de linguagem natural também ajudam a aproximar os dados dos especialistas do setor (pessoas integradas aos negócios) porque removem as barreiras técnicas da análise, incluindo a disponibilização de técnicas mais avançadas para pessoas com menos habilidade e experiência com dados.
Agilidade: acesso mais rápido a informações
A análise aumentada com tecnologia de IA pode acelerar a busca por informações ao reduzir o espaço de pesquisa, apresentar dados relevantes para a pessoa certa no melhor momento e sugerir caminhos promissores para a análise. Ao monitorarem o comportamento dos usuários, os sistemas podem oferecer configurações inteligentes e ações recomendadas, ajustando e personalizando essas ações ao longo do tempo conforme a resposta dos usuários. Quando as pessoas respondem às próprias perguntas sobre dados com mais rapidez, elas podem se concentrar em tarefas mais estratégicas e gastar menos tempo vasculhando dados em busca de informações.
Precisão: um panorama mais completo
Como as máquinas não dormem, elas realizam tarefas e cálculos repetitivos extremamente bem. As tecnologias de IA e ML por trás da análise aumentada podem efetivamente verificar cada aspecto para que o usuário possa tomar as decisões mais informadas com base em uma análise completa. Esse tipo de panorama completo ajuda a evitar o viés de confirmação nas conclusões.
Eficiência: automação de tarefas operacionais
O aprendizado de máquina e a inteligência artificial fizeram grandes progressos em aplicações em que os algoritmos se baseiam em tarefas repetitivas e altamente especializadas. (Considere os sites que apresentam sugestões do tipo “você também pode gostar de...” para conteúdos ou produtos relacionados ou até mesmo programas de detecção de fraudes.) A análise aumentada oferece uma automação de tarefas que poupa o tempo e a energia das pessoas que trabalham com dados, seja na preparação e na descoberta deles, na execução de análises estatísticas ou em outras atividades.
Confiança: análises avançadas e contextualizadas
Em geral, as tecnologias de análise aumentada são fáceis de usar e tornam o trabalho com dados e informações mais acessível para um grupo maior de pessoas. As tecnologias aumentadas podem ser personalizadas para criar modelos e apresentar dados no contexto, permitindo que você confirme intuições e confie na qualidade de suas conclusões. Embora os usuários comerciais não compreendam profundamente as técnicas analíticas, eles conhecem sua área ou setor e podem aplicar esse conhecimento ao avaliar como as descobertas fornecidas pela análise aumentada devem ser utilizadas. Algumas tecnologias aumentadas são incorporadas a fluxos de trabalho comerciais e integradas a outras ferramentas e softwares, permitindo que as pessoas explorem rapidamente questões específicas sem interromper a análise. Em alguns casos, nenhuma etapa adicional para preparar os dados é necessária.
Recursos de análise aumentada
Identificação automática de dados
Algumas plataformas de BI modernas usam IA para detectar de maneira automática determinados atributos dos dados, como se um campo contém informações geográficas (como um CEP) ou pessoais (como números de telefone ou endereços de e-mail).
Além disso, o sistema pode ler tabelas de dados em formatos como PDFs e documentos de texto, remover automaticamente formatações especiais e convertê-los para uma análise eficaz.
Técnicas estatísticas
As tecnologias de análise aumentada também podem selecionar de maneira automática as melhores técnicas de previsão, clustering e outros algoritmos estatísticos, com base na técnica que oferece maior certeza. Em alguns sistemas, os modelos são executados automaticamente para revelar e oferecer informações sobre os dados que os usuários podem não ter visto. Essas técnicas podem explicar o “porquê” por trás de um ponto de dados, como os motivadores de um valor discrepante ou inesperado em um conjunto de dados. O usuário final tem acesso a esses recursos com apenas um clique, sem precisar saber programar ou escrever cálculos.
Preparação de dados inteligente
Durante a preparação, algoritmos avançados trabalham em segundo plano para ajudar os usuários a preparar os dados com mais rapidez, o que minimiza a necessidade de uma limpeza manual. Os sistemas de análise aumentada podem indexar e agrupar palavras relacionadas por pronúncia ou caracteres comuns para poupar o tempo das pessoas na busca e na atualização manual de campos e valores.
Em alguns casos, o sistema também pode recomendar etapas de limpeza, como remover valores nulos ou dividir campos em colunas separadas.
Recomendações
Um recurso de destaque de muitos sistemas de análise aumentada é a capacidade de oferecer recomendações baseadas em IA aos usuários. As recomendações abrangem a preparação de dados para descoberta, análise e compartilhamento. Por exemplo, um sistema pode recomendar o agrupamento de fontes de dados ou a limpeza de etapas durante a preparação, ou recomendar os tipos de gráficos mais eficazes levando em conta as linhas e colunas de dados que o usuário está visualizando.
As pessoas também recebem sugestões para explorar conteúdos de análise com base na função, na equipe e no comportamento de navegação analítica, semelhante a como alguns negócios fazem recomendações do tipo "talvez você também goste disso", o que pode ajudar os novos usuários a se adaptar com mais rapidez e a encontrar os ativos de dados mais relevantes para eles.
Interações de linguagem natural
A consulta por meio de linguagem natural é um recurso da análise aumentada que permite ao usuário digitar uma pergunta em linguagem simples para consultar os dados, em vez de usar uma linguagem de consulta de dados ou programação. O sistema fornece uma experiência guiada ao traduzir o texto em uma consulta e oferecer sugestões para preencher as lacunas na tentativa de entender a intenção e o contexto das perguntas do usuário. Isso ajuda muitas pessoas a obter informações dos próprios dados sem precisar entender o modelo de dados associado.
A geração de linguagem natural cria descrições textuais de informações baseadas nos dados, e pode incluir explicações de visualizações de dados. Ter essas explicações em linguagem simples ajuda as pessoas a entender o histórico dos dados sem a necessidade de um conhecimento profundo de navegação e interpretação de visualizações.
Saiba como a análise aumentada do Tableau pode melhorar suas decisões
Casos de uso da análise aumentada
Nos muitos casos de uso da análise aumentada, a IA e o aprendizado de máquina aceleram e facilitam o acesso a análises mais avançadas. Eles também ajudam mais pessoas, com qualquer nível de habilidade técnica e de uso de dados, a obter valor dos dados, fazer perguntas melhores e tomar decisões mais embasadas.
Exemplos por função
- Equipes de vendas podem usar a análise aumentada para investigar tendências nas cotas e nos negócios.
- Executivos podem usar a análise aumentada para explorar dados em tempo real com facilidade durante as reuniões da diretoria, em vez de depender de relatórios estáticos.
- Departamentos de TI podem usar a análise aumentada para descobrir os fatores por trás de picos no uso de servidores e sistemas.
- Analistas e administradores de dados podem usar a análise aumentada para limpar, estruturar e preparar dados com mais rapidez para análise.
Exemplos por setor
- Empresas de gerenciamento de cadeias de fornecimento podem usar a análise aumentada para entender por que certos locais não entregam produtos na taxa esperada.
- Empresas de viagens e hospedagem podem usar a análise aumentada para encontrar as melhores ofertas personalizadas e aumentar as vendas ou fazer vendas cruzadas para os clientes.
- Agências de marketing e comunicação podem usar a análise aumentada para explorar a eficácia das campanhas publicitárias e descobrir variáveis ocultas nos dados.
Outros casos de uso comuns
- As grandes empresas costumam confiar na análise aumentada ao escalonar programas de análise para novos usuários, porque muitos recursos ajudam a acelerar o processo de integração para pessoas com menos experiência com dados.
- Algumas organizações estão até substituindo relatórios estáticos por painéis interativos com análise aumentada. Isso poupa o tempo dos analistas durante a criação e facilita a adoção, para que mais pessoas possam usar os painéis e responder com eficácia a questões sobre os dados.
Desafios do uso da análise aumentada
Equívocos sobre IA e ML
Por causa da complexidade inerente da IA e do aprendizado de máquina, às vezes o foco principal ainda é a tecnologia em si, e não como pessoas comuns podem interagir com ela e aproveitar seus benefícios. Devido ao pensamento equivocado de que as máquinas podem tomar os empregos das pessoas, pode haver dificuldades na adoção de soluções que oferecem benefícios práticos para quem trabalha com dados. As pessoas não usarão a IA e a análise aumentada se não entenderem e confiarem nelas.
Limitações da análise aumentada
Por outro lado, algumas pessoas podem ter grandes expectativas sobre o que essas tecnologias podem alcançar e oferecer. Se as organizações fizerem grandes investimentos sem entender como a tecnologia pode realmente ajudar as pessoas ou sem uma estratégia clara de implementação e suporte, isso poderá gerar custos irrecuperáveis.
Também é importante entender que humanos e máquinas se destacam em diferentes habilidades. É difícil para uma máquina entender a intenção de uma pessoa em um contexto limitado. A máquina tem os dados em si, mas não entende o panorama geral da mesma forma que uma pessoa com experiência no setor. As máquinas precisam aprender as preferências das pessoas ao longo do tempo, por meio do comportamento de uso monitorado e do feedback dos usuários.
Alfabetização de dados e proficiência analítica
As ferramentas e a tecnologia são, sem dúvida, partes importantes desse movimento, mas os colaboradores também devem aprender a pensar criticamente sobre os dados. Se você agir com base em dados incorretos ou recomendações incorretas feitas por um sistema de IA, acabará tomando más decisões e desperdiçando recursos. Por isso, é essencial focar em alfabetização de dados, pensamento crítico e desenvolvimento de habilidades.
A análise aumentada só é bem-sucedida quando as organizações priorizam a proficiência em análise em todos os departamentos, para que as pessoas possam entender e falar sobre dados com confiança. Uma explicação ou recomendação só é útil se o cliente entende os conceitos dos dados e como eles se relacionam com seus próprios dados empresariais. Por exemplo, uma pessoa com contexto comercial tem mais probabilidade de confirmar ou negar a causalidade quando uma máquina descobre uma correlação.
Governança, gerenciamento e seleção de dados
Os dados são a base de um sistema de IA. Portanto, a qualidade e a confiabilidade de recomendações prescritivas geradas por IA ou de tarefas automatizadas estão diretamente relacionadas à qualidade e à confiabilidade dos dados usados para treinar o sistema. As organizações que não têm práticas sólidas de governança de dados ou gerenciamento de dados, ou que tiveram dificuldades para iniciar esse movimento e gerar confiança na implantação de soluções de BI, têm poucas chances de adotar a IA com sucesso.
Uso ético da IA
À medida que os algoritmos e modelos ficam mais sofisticados, é importante que eles não se tornem incompreensíveis. Em outras palavras, as organizações precisam estar cansadas das soluções de IA do tipo “caixa preta”. O conceito de transparência e “IA explicável” é significativo: as pessoas devem entender a lógica e as operações que foram aplicadas para chegar a uma resposta. Isso ajuda a garantir que as organizações não usem modelos tendenciosos, e também cria a convicção das pessoas de que as respostas são confiáveis para embasar as decisões.
Práticas recomendadas de análise aumentada
Comece com uma base sólida de análise moderna
As soluções modernas de BI abriram caminho para que usuários com todos os níveis de habilidade respondam às próprias perguntas, além de equilibrar agilidade com a necessidade de segurança e governança. Nas plataformas de BI modernas, os recursos de IA e ML são uma extensão desse paradigma. Eles representam mais um passo rumo à transformação digital, e permitem que as organizações passem das soluções de BI e dos relatórios tradicionais para um ambiente de autoatendimento moderno, em que todos podem fazer perguntas sobre os dados.
Comprove o sucesso antes de escalonar os investimentos em análise de IA
Com novas ideias ousadas, o melhor caminho é começar com um teste de escopo e não tentar fazer o impossível com o sistema perfeito. Comece com um escopo muito específico, como um determinado departamento ou caso de uso. Em seguida, quando o valor do investimento for comprovado, apresente-o para grupos mais amplos em toda a organização.
Desmistificar e educar para construir a confiança e a alfabetização de dados
Uma educação de impacto sobre dados requer habilidades práticas e criativas. Para que seja possível incorporar a análise de IA aos processos empresariais, os colaboradores precisarão confiar nessas tecnologias e, ao mesmo tempo, exercer seu bom senso. Os cientistas de dados podem hesitar em confiar em uma máquina quando eles próprios já têm experiência na área, e os usuários sem familiaridade com análises precisarão aprender como interagir e validar as recomendações da análise aumentada ou inserir conhecimento humano para corrigir a trajetória de um processo.
Cultive o sucesso com colaboração e comunidade
Como esses recursos serão incorporados nos fluxos de trabalho das pessoas, uma comunicação de qualidade entre os defensores dos dados e os especialistas ajudará a encorajar a adoção da tecnologia e o sucesso dos usuários. Os analistas que criam painéis para outras pessoas devem estar cientes de como elas estão usando os recursos de aprendizado de máquina e IA, e devem encorajar a comunicação transparente sobre as explicações e os dados em si. Eles podem dar a esses especialistas na área os dados e o contexto certos para detalhar pontos de dados que importam; por exemplo, um painel inicial que possibilite a interatividade, a exploração e a adaptação.
O papel da análise aumentada em business intelligence (BI)
Os dados são essenciais para promover melhores experiências de cliente, desenvolver operações mais eficientes e gerar novas fontes de receita. As organizações que se destacarem na análise de dados serão as mais competitivas e impactantes. Dessa maneira, muitos estão adotando tecnologias de análise de IA e análise aumentada, incluindo aprendizado de máquina, interações em linguagem natural e algoritmos complexos, para encontrar benefícios e aprimorar ainda mais as habilidades analíticas dos funcionários, além de orientar a transformação digital e aumentar a resiliência dos negócios em tempos de mudança.
A análise aumentada promete traduzir melhor a curiosidade humana em respostas pertinentes. Esses recursos ampliarão o uso da análise e alcançarão muitas pessoas que se sentem menos confortáveis trabalhando com os dados. Isso ajuda a oferecer a todos na organização uma forma de obter respostas confiáveis para perguntas comerciais com base em dados.
Na Tableau, usamos a IA para ajudar as pessoas a responder perguntas e tomar decisões de qualidade com base nos dados. Nossos recursos de análise aumentada permitem que mais pessoas aprendam o que precisam saber sobre os dados com maior confiança nos resultados, desde a preparação de dados inteligente e a análise estatística com um clique até as consultas em linguagem natural. Nossos recursos permitem que um público corporativo mais amplo responda perguntas com a ajuda dos dados, o que oferece às organizações uma forma de aproveitar a crescente quantidade de dados acumulados.
Saiba mais sobre a análise aumentada do Tableau.
Recursos adicionais
Tableau: análise de IA
Em nossa principal plataforma de análises de autoatendimento, você tem acesso a informações geradas por IA nas áreas de análises aumentadas, ciência corporativa do Tableau e ciência de dados.
Whitepaper técnico do Einstein Discovery (Salesforce)
Tenha acesso a mais detalhes para entender os diferenciais e os recursos exclusivos do Einstein Discovery da Salesforce no universo do aprendizado de máquina.