Explicando a análise aumentada: definição, casos de uso, benefícios, recursos e muito mais

O que é análise aumentada?

A análise aumentada é uma classe de análise possibilitada por inteligência artificial (IA) e aprendizado de máquina (ML) que expande a capacidade humana de interagir com os dados em nível contextual. A análise aumentada consiste em ferramentas e softwares que trazem recursos analíticos para mais pessoas, seja com recomendações, informações ou orientação em uma consulta.

De uma empresa global de pesquisa e consultoria Gartner: “a análise aumentada é o uso de tecnologias habilitadoras, como aprendizado de máquina e IA, para auxiliar na preparação de dados, geração e explicação de informações com o objetivo de incrementar a forma como as pessoas exploram e analisam dados em plataformas analíticas e de BI”

O papel do aprendizado de máquina na análise aumentada

Aprendizado de máquina, uma área da ciência da computação que utiliza os dados para extrair algoritmos e modelos de aprendizagem. Ela é uma tecnologia central em muitos recursos da análise aumentada. O aprendizado de máquina ajuda as pessoas na análise, geralmente reduzindo ou eliminando o trabalho duro para que as pessoas obtenham informações e tomem decisões com base em dados mais rapidamente. 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 aprendizado de máquina para aprender a semântica do setor e da organização, assim como as preferências do usuário 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 decisão que a análise informa. A automação da tomada de decisões impulsionadas por dados elimina a necessidade de recursos humanos, enquanto a análise aumentada apresenta uma metodologia para a tecnologia subjacente com a finalidade de orientar os usuários a descobrir informações que eles não poderiam ver ou descobrir de outra forma.

O conhecimento da área sempre foi importante para a análise, mas a análise aumentada impulsionada por IA e aprendizado de máquina faz com que esse conjunto de habilidades seja ainda mais imprescindível. Existem lacunas que frequentemente os humanos precisam preencher com o contexto necessário, e usar as informações obtidas com a análise ajuda a tomar a melhor decisão para o problema em questão.

A quem se destina a análise aumentada?

Os usuários comerciais e executivos obtêm um retorno incrível da análise aumentada porque essa tecnologia os ajuda a obter valor dos dados rapidamente, sem precisar ter habilidades técnicas profundas ou experiência em trabalhar com os dados. A análise aumentada ajuda os usuários comerciais e executivos a encontrar dados relevantes com mais facilidade, fazer as melhores perguntas e descobrir rapidamente as informações no contexto específico para o 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 dos dados os especialistas do setor (pessoas integradas ao negócio), removendo barreiras técnicas de análise, incluindo a disponibilização de técnicas mais avançadas para pessoas com menos habilidade e experiência com os dados.

Agilidade: aumentando a velocidade das informações

O aumento no uso da tecnologia de IA pode acelerar a pesquisa de informações ao otimizar o espaço da pesquisa, apresentando dados relevantes para a pessoa certa no momento certo, e ao 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 mais rapidamente, elas podem se concentrar em tarefas mais estratégicas e gastar menos tempo vasculhando os dados em busca de informações.

Precisão: apresentar 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 visão completa nos ajuda a evitar o viés de confirmação em nossas conclusões.

Eficiência: automatização de tarefas operacionais

O aprendizado de máquina e a inteligência artificial fizeram grandes progressos em aplicações em que os algoritmos são alimentados por 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 os dados, seja na preparação e descoberta dos dados, execução de análises estatísticas e muito mais.

Confiança: análise avançada no contexto

As tecnologias aumentadas geralmente são fáceis de usar, tornando 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 modernas de BI usam a IA para detectar automaticamente certos atributos de dados, como se um campo contivesse informações geográficas (como um código postal) ou informações 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, removendo automaticamente a formatação especial e convertendo-os para uma análise eficaz.

Técnicas estatísticas

As tecnologias de análise aumentada também podem selecionar automaticamente entre as melhores previsões, clustering e outros algoritmos estatísticos com base em qual deles oferece maior segurança. 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. Para um usuário final, esses recursos estão a apenas um clique de distância, em vez de exigir o conhecimento de escrever cálculos ou programar.

Preparação de dados inteligente

Durante a preparação dos dados, algoritmos avançados trabalham em segundo plano para ajudar os usuários a preparar os dados com mais rapidez, minimizando 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 fazer recomendações orientadas por IA para os 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 o conteúdo analítico com base na função, na equipe e no comportamento de navegação analítica, mais ou menos como alguns negócios fazem recomendações do tipo "talvez você também goste disso", o que pode ajudar os novos usuários a fazer uma integração mais rápida 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 ter que entender o modelo de dados subjacente.

A geração de linguagem natural cria descrições textuais de insights sobre os dados, que podem 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 profundo conhecimento de navegação e interpretação de visualizações.

Saiba mais agora

Casos de uso de análise aumentada

Nos muitos casos de uso da análise aumentada, a IA e o aprendizado de máquina se empenham para tornar a análise mais avançada, rápida e fácil, capacitando mais pessoas, independentemente de suas habilidades com dados e técnicas, para obter valor dos dados, fazendo as melhores perguntas e tomando as decisões mais informadas.

Exemplos por função

  • Equipes de vendas podem usar a análise aumentada para investigar tendências nas cotas e negócios.
  • Executivos podem usar a análise aumentada para explorar facilmente os dados em tempo real durante as reuniões da diretoria, em vez de depender de relatórios estáticos.
  • Departamentos de TI podem usar a análise aumentada para descobrir os gatilhos dos picos de uso do servidor e do sistema.
  • Analistas e administradores de dados podem usar a análise aumentada para limpar, estruturar e preparar os dados mais rapidamente para análise.

Exemplos por setor

  • O gerenciamento da cadeia de fornecimento pode usar a análise aumentada para entender por que certos locais não estão entregando os produtos na taxa esperada.
  • Empresas de viagem 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 ​​que podem estar ocultas nos dados.

Outros casos de uso comuns

  • As grandes empresas costumam confiar na análise aumentada ao escalonar seus programas de análise para novos usuários, pois muitos recursos ajudam a acelerar o processo de integração para pessoas com menos experiência com os dados.
  • Algumas organizações estão até substituindo relatórios estáticos por relatórios aumentados e interativos. Isso não apenas poupa o tempo dos analistas ao criá-los, mas diminui a barreira de adoção para que mais pessoas usem os painéis e respondam com eficácia aos questionamentos sobre 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. Junto ao pensamento equivocado de que as máquinas tomariam os empregos das pessoas, isso pode impedir a adoção de soluções que oferecem benefícios práticos para pessoas que trabalham com os 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 esses tipos de tecnologias podem alcançar e oferecer. Isso pode resultar em custos irrecuperáveis ​​se grandes investimentos forem feitos sem entender como a tecnologia pode realmente ajudar as pessoas ou sem uma estratégia clara para implementá-la e apoiá-la.

Isso também requer a compreensão de 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. Por meio do comportamento de uso monitorado e do feedback do usuário, as máquinas terão que aprender as preferências das pessoas ao longo do tempo.

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 baseando-se em dados incorretos (ou em recomendações incorretas feitas por um sistema de IA), acabará tomando más decisões e desperdiçando recursos. É nesse momento que a alfabetização de dados, o pensamento crítico e o desenvolvimento de pessoal entram em cena.

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 a linguagem dos 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 em um 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 das recomendações prescritivas habilitadas para IA ou tarefas automatizadas estão diretamente relacionadas à qualidade e à confiabilidade dos dados usados ​​para treinar o sistema. Organizações que não investiram em práticas sólidas de governança de dados ou gerenciamento de dados ou têm lutado para fortalecer a confiança na implantação do BI têm poucas chances de adotar a IA com sucesso.

Uso ético de 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

O BI moderno abriu caminho para que os usuários de todos os níveis de habilidade respondam às próprias perguntas, ao mesmo tempo em que equilibra a agilidade com a necessidade da TI em relação à segurança e à governança. Nas plataformas de BI modernas, os recursos de IA e ML são uma extensão desse paradigma. Eles representam mais um passo para a transformação digital, empurrando as organizações para longe do BI tradicional e dos relatórios, em direção a um ambiente de autoatendimento moderno, onde 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. Então, quando o valor do seu 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 sobre dados impactante 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; usuários novatos de análise 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 em fluxos de trabalho já existentes, uma forte comunicação entre os defensores dos dados e os especialistas na área vai ajudar os usuários a ter sucesso e encorajar a adoção da tecnologia. 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 o combustível essencial para criar melhores experiências para os clientes, aumentar a eficiência das operações e gerar novas fontes de receita. As organizações que estiverem mais aptas a analisar os dados serão as mais competitivas e revolucionárias. Dessa maneira, muitos estão adotando tecnologias de análise de IA e análise aumentada, além do aprendizado de máquina, das interações de linguagem naturale dos algoritmos complexos, para encontrar benefícios e aprimorar ainda mais as habilidades analíticas dos funcionários, 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 maneira de obter respostas confiáveis às perguntas comerciais a partir dos próprios dados.

No Tableau, usamos a IA para ajudar as pessoas a responder a perguntas e conduzir decisões significativas com 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 análise estatística com um clique até as consultas em linguagem natural. Nossos recursos capacitam o público executivo mais amplo a responder a perguntas com os dados, ajudando as organizações a aproveitar sua crescente quantidade de dados.

Saiba mais sobre a análise aumentada no Tableau.

Recursos adicionais

O Tableau: Análise de IA

Obtenha informações baseadas em IA em análises aumentadas, a ciência corporativa do Tableau e a ciência de dados integradas em nossa plataforma líder de análise de autoatendimento.

Einstein Discovery no Tableau

Conheça um ambiente intuitivo e sem programação que capacita qualquer pessoa a tomar decisões com rapidez e confiança orientada por uma IA ética e transparente no Tableau.

Whitepaper técnico do Einsten DIscovery (Salesforce)

Mergulhe mais fundo para entender os recursos diferenciadores e exclusivos do Einstein Discovery da Salesforce no espaço de aprendizado de máquina.