Categoria: Digital & Technology

O conceito de inovação aberta ou open innovation foi desenvolvido em 2003 por Henry Chesbrough e refere-se a um modelo no qual a empresa está disposta a cocriar com terceiros, desde startups, universidades, clientes e até fornecedores e concorrentes, ativando todo o ecossistema para encontrar soluções inovadoras para seus desafios de negócio. Projetos de inovação aberta dizem respeito tanto à empresa captar ideias e tecnologias externas para o progresso de seus processos internos, quanto à empresa prover o mercado com soluções criadas internamente e pouco utilizadas, mas que se integram ao processo de inovação de parceiros. Nesse último caso, algumas vezes são criadas empresas para monetizar as soluções inovadoras, as chamadas spin-offs.

O data lake sempre foi considerado um dos pilares fundamentais na base das organizações orientadas a dados, uma filosofia de negócios pela qual todas as empresas modernas se empenharam na última década. Em essência, um data lake é uma grande base de informações no qual os dados corporativos podem ser transferidos, no estado em que se encontram, sem transformações, para tornar os dados acessíveis para todas as funções; em outras palavras, uma democratização do acesso aos dados. Nesse tipo de projeto, os dados recebem um valor intrínseco, quase natural.  Através de novas tecnologias, que vão da engenharia à ciência de dados, qualquer pessoa pode acessá-los e extrair insights, sem a necessidade de ter muita experiência sobre o contexto do qual os dados derivam. Trabalhando ao longo dos anos em muitos projetos relacionados, no entanto, descobrimos que o modelo sofre de algumas complicações subjacentes. Este impulso de extrair os dados brutos do domínio de origem e processá-los em plataformas centralizadas gerou dois problemas que são familiares para quem possui experiência neste campo: A dificuldade inerente em pesquisar e interpretar os dados para aqueles que ignoram sua origem e a baixa qualidade crônica dos dados decorrente do fato de que quem extrai os dados de seu domínio de origem geralmente não é responsável por sua utilização. Para resolver esses problemas, as empresas estão se organizando cada vez mais com estruturas de governança de dados complexas, que definem responsabilidades, processos e funções para garantir a clareza dos dados e preservar sua qualidade. No entanto, a solução para esses problemas não pode ser apenas organizacional. As empresas também precisam de ajuda técnica para simplificar a estrutura do modelo. Sobre esse assunto, a visão da autora, Zhamak Dehghani, em seu artigo “How to Move Beyond a Monolithic Data Lake to a Distributed Data Mesh”[1]  é muito interessante. Nele, ela propõe uma nova forma de gerenciar os dados da empresa ao questionar a análise dos dados na própria origem, domínio no qual os dados nascem. De acordo com esta abordagem, são os próprios especialistas do domínio de origem, os responsáveis pela referida interpretação e qualidade dos dados. Por exemplo, a responsabilidade pelos dados do cliente estariam sob a área de CRM, a responsabilidade pelos dados do orçamento sob a área de gestão, pelos dados de vendas online sob a área do e-commerce, entre outros. É fácil entender como neste novo contexto os problemas relacionados à interpretação e à qualidade dos dados diminuiriam substancialmente, dada a experiência abundante no domínio da origem dos dados. O principal aspecto da intuição a respeito do data mesh, entretanto, está na solução proposta para evitar uma recaída no velho mundo dos silos de informação, no qual os dados eram mascarados e perdidos nas diversas áreas de origem. Nos domínios do data mesh, são atribuídas as responsabilidades de criar produtos de dados que são ferramentas de software para visualização e interpretação de dados a serem publicados em toda a empresa. Estes produtos são disponibilizados internamente na empresa e podem ser remunerados, ou seja, podem ter um orçamento para seu crescimento, dependendo do quanto são efetivamente utilizados ou subscritos por outros utilizadores. Cria-se um mercado livre – e este é o desafio das ferramentas de suporte ao data mesh – no qual todos os usuários possam encontrar e consumir todos os produtos de dados corporativos, também se cria um impulso benéfico para divulgação e compartilhamento de dados dada pela competição natural pelo orçamento entre os domínios. Os dados reportados desse modo são da responsabilidade da área origem, porém em um mercado no qual os responsáveis pela informação são motivados a expor esses dados e torná-los compreensíveis e de qualidade. Isso coloca essa experiência de domínio da informação como base da valorização dos dados.   Como o data mesh é composto O data mesh baseia seus fundamentos teóricos no modelo arquitetônico de Projeto Dirigido por Domínio (DDD – Domain-Driven Design), segundo o qual o desenvolvimento do software deve estar intimamente ligado aos domínios de negócios de uma organização. No DDD, cada área organizacional pode ser representada por um modelo de domínio, que é uma combinação de dados, comportamentos característicos e de lógica de negócio que orientam o desenvolvimento do software de domínio. O principal objetivo do DDD é criar um software pragmático, consistente e escalável, dividindo a arquitetura em serviços dentro de domínios individuais e focando em sua reutilização na composição dos diferentes produtos de software de suporte para a empresa. A primeira implementação de DDD em software corporativo foi a revisão de aplicações monolíticas para arquiteturas baseadas em micro-serviços: Cada micro-serviço é circunscrito em um domínio e é responsável por satisfazer os requisitos de uma funcionalidade específica, fornecendo uma função de aplicação para todos os produtos que o solicitam. O data mesh aplica o DDD às arquiteturas no domínio de dados. Os produtos de dados, como são chamados, permitem acesso aos dados do domínio por meio de funções elementares que expõem interfaces precisas e disponibilizam dados brutos, pré-processados ou processados. Assim como micro-serviços são componentes de software que expõem funcionalidades elementares da aplicação, os produtos de dados são componentes de software que expõem dados elementares e funcionalidades analíticas dentro do domínio. Os produtos de dados têm o objetivo de dividir as funções analíticas do domínio em produtos elementares e reutilizáveis, tal como os micro-serviços subdividem as funções da aplicação. Tal como acontece com os micro-serviços, também no data mesh o novo modelo desagregado precisa de uma série de regras e de ferramentas para manter uma boa governança do todo. Em primeiro lugar, os produtos de dados devem respeitar algumas características, que são funcionais para criar o livre mercado citado anteriormente. Independentemente de como a interface específica de acesso a dados é criada – é possível dar acesso por meio de uma API, por meio de uma exibição em um banco de dados ou de um sistema de virtualização – ou como o tipo de dados que é disponibilizado, os produtos de dados devem respeitar regras identificadas na sigla DATSIS, de acordo com

No final do ano de 2019, nenhum analista de mercado ou executivo do varejo brasileiro pôde prever o que aconteceria com a economia brasileira e vendas no comércio físico ou eletrônico nos seis meses que se seguiriam. Mesmo com o surto de COVID já divulgado e em franca expansão na China, não era possível saber o impacto que o vírus teria no mundo e que chegaria com tanta força no Brasil, mudando a rotina de vida e consumo de grande parte dos brasileiros. De lá para cá, passamos pelo fechamento do comércio nas grandes cidades entre os meses de abril e junho, com impactos negativos enormes nas vendas e comprometendo os resultados de pequenos, médios e grandes varejistas. Segundo dados do IBGE, em sua pesquisa mensal de comércio, os meses de abril, maio e junho apresentaram evoluções no volume de vendas de -17,1%, -6,4% e +0,5, respectivamente, em relação aos mesmos meses do ano passado. Isso mostra uma certa retomada do comércio a partir de junho. No entanto, alguns segmentos apresentaram resultados bem negativos. O segmento de Tecidos, vestuário e calçados apresentou um volume comparativo com o ano passado de -80,8%, -62,7% e -44,5% nos mesmos meses, o segmento de Livros, jornais, revistas e papelaria apresentou um volume de -70,3%, -67,1% e -39,5%, e equipamentos e materiais para escritório, informática e comunicação teve uma variação de -45,6%, -37,5% e -10,0%. A pesquisa completa pode ser acessada no site do IBGE. As empresas que melhor performaram foram as que conseguir ampliar o volume de vendas digitais através de suas plataformas de e-commerce, marketplace ou social selling. Esta evolução dos canais digitais no período foi notória e está presente nas apresentações de resultados dos principais varejistas com ações listadas na Bolsa de Valores. Gigantes do comércio eletrônico como B2W, Magalu e Via Varejo mostraram grande crescimento das vendas digitais. A primeira apresentou uma evolução de 7,2% no GMV (Gross Merchandise Value) que representa as vendas totais incluindo marketplace em seus websites, atingindo R$6,7 bilhões. A Magalu mostrou um crescimento de 182% em seu GMV, alcançando também R$6,7 bilhões de vendas online no segundo trimestre. Já a Via Varejo cresceu 280% no GMV de suas operações online, atingindo R$5,1 bilhões no período. Empresas de moda também mostraram um forte crescimento das vendas digitais. A Marisa apresentou um crescimento de 113,1% nas vendas, Renner mostrou uma evolução de 122%, a Hering teve um crescimento de 165%, a SOMA, dona das marcas Animale, Farm, Maria Filó, entre outras, apresentou um crescimento da receita digital de 189% e a C&A apresentou uma evolução de 356% em suas receitas líquidas digitais. A Vivara, apresentou um dos maiores crescimentos do mercado nas vendas online, atingindo R$ 108,4 milhões de receita bruta, uma evolução de 387% em relação ao mesmo período do ano passado. Já a Centauro, líder na venda de artigos esportivos no país, aumentou sua receita líquida de sua plataforma digital em 85,6%, alcançando aproximadamente R$192 milhões no segundo trimestre do ano. Esse crescimento das vendas digitais foi impulsionado pelo aumento também dos consumidores online. Segundo Dados do EBIT, no primeiro semestre de 2020, o Brasil registrou cerca de 41 milhões de consumidores online, um crescimento de 40% em relação ao mesmo período de 2019, evolução impulsionada pela Pandemia no segundo trimestre e consequente migração de consumidores para plataformas de compras digitais. No entanto, todo esse crescimento das vendas online no varejo brasileiro pode ter vindo a um custo da experiência e satisfação dos clientes. O EBIT traz também em seu último relatório um aumento no percentual de pedidos entregues com atraso, o qual passou de 12% no 2º trimestre de 2019 para 15% no segundo tri de 2020. A média de dias de entrega das mercadorias também passou de 10,3 dias no ano passado para 11,8 nesse ano. Segundo dados do Portal do Consumidor, do Governo Federal, o número de reclamações durante o segundo trimestre de 2020 de clientes que realizaram algum tipo de compra online cresceu 53,5%, totalizando 126.153 reclamações. Os tipos de reclamação que mais cresceram, em relação ao mesmo período de 2019, foram o de reclamações relacionadas a entrega de produtos comprados online, e reclamações relacionadas ao atendimento prestado pelo Serviço de Atendimento ao Consumidores (SAC) das empresas. Ambos tipos de reclamação registraram um crescimento de 141% em relação ao ano passado. O repentino aumento da demanda impulsionada pela pandemia, aliado acabou extrapolando a capacidade de atendimento dos varejistas, que tiveram dificuldades em entregar e atender os consumidores. Além disso, durante a pandemia algumas iniciativas de omnicanalidade ainda em estágio de amadurecimento tiveram que ser aceleradas, aumentando as possibilidades de entrega dos produtos como retirada em lojas físicas, retirada em lockers, envio direto das lojas, etc. Essas iniciativas requerem uma boa orquestração da operação de venda e entrega dos pedidos online e aumentam de forma considerável a complexidade para atender os consumidores. O aumento das vendas digitais exige operações escaláveis, que podem ser dimensionadas de forma ágil de forma a atender picos de demanda. Além disso, a crescente complexidade da operação de vendas online exige que as empresas invistam de forma massiva em tecnologia, automatizando processos, integrando informações e os diferentes sistemas que existem entre o momento da compra e a entrega do produto no cliente (Ex: WMS, OMS, TMS,ERP, etc). É preciso também investir em uma sólida estratégia de dados de forma a viabilizar iniciativas avançadas de analytics que podem trazer previsibilidade quanto à jornada do pedido e alimentar gatilhos de atuação para as operações, possibilitando a tomada de decisão ágil e automatizada com o objetivo de atender o compromisso de entrega firmado com os clientes no momento da venda. No atendimento, é preciso evoluir e incentivar o auto atendimento e a comunicação pro ativa aos clientes. Para isso, as empresas precisam garantir integrações sistêmicas que trazem informações atualizadas dos pedidos em cada passo até a entrega final e alertar os clientes de forma preventiva em caso de problemas e não atendimento do prazo acordado. Isso ajuda a diminuir o atrito

O Blockchain não deve ser mal interpretado como uma tecnologia monolítica (ou seja, como algo rígido). Ele representa, na verdade, a união de diversas tecnologias criptográficas, teorias econômicas e conceitos digitais.

Os perigos dos crimes cibernéticos existem há muitos anos, mas o aumento da porcentagem da população conectada à Internet e o tempo gasto online proporcionaram mais oportunidades para hackers e criminosos aproveitarem a situação para tentar ganhar mais dinheiro a partir de fraudes. Técnicas comuns de cibercrimes, como ataques de phishing e ransomware, vêm experimentando picos recentes. Os cibercriminosos também estão se aproveitando das ansiedades e medos desencadeados pela pandemia do COVID-19, usando malwares e outros tipos de fraudes – de sites falsos a anúncios e e-mails maliciosos. Também está claro que as empresas – não apenas os indivíduos – serão afetadas por esta pandemia de crimes cibernéticos. De acordo com o “The Global Risks Report de 2020”, publicado pelo Fórum Econômico Mundial, o custo do crime cibernético para as empresas até 2021 é estimado em US$ 6 trilhões – montante equivalente ao PIB da terceira maior economia do mundo. Ainda segundo o relatório, ataques cibernéticos à chamada infraestrutura crítica preocupam como nunca setores como Energia, Saúde e Transportes. Ataques desse tipo podem afetar cidades inteiras, como um caso recente de ransomware ocorrido em Johanesburgo, na África do Sul. A chamada IoT – Internet das Coisas também vem amplificando o potencial destrutivo dos ataques cibernéticos. Os cerca de 21 bilhões de dispositivos de IoT espalhados pelo mundo devem dobrar até 2025. E os ataques a esses dispositivos conectados também devem se multiplicar: já em 2019, ataques a dispositivos de IoT aumentaram mais de 300%! Seguindo essa tendência, outro tema que tem atraído muita atenção na área de cibersegurança é a questão da privacidade e proteção de dados pessoais. O uso de dados pelas empresas tem crescido exponencialmente e as informações digitais têm oferecido um enorme potencial às organizações. Mas, da mesma forma que as novas tecnologias oferecem benefícios às empresas, também criam vulnerabilidades, como, por exemplo, violações de dados, vazamento de informações pessoais ou ataques cibernéticos. Sendo assim, a proteção dos dados deixou o status de “importante” para ser agora considerada “prioridade” para os negócios. Empresas que oferecem segurança e demonstram respeito e cuidado com os dados de indivíduos serão capazes de se diferenciar no mercado – a privacidade está se tornando motivo para consumidores comprarem um produto, da mesma forma que os rótulos “orgânico”, “livre comércio” e “livre de crueldade” impulsionaram as vendas de muitos produtos na última década. O “novo consumidor” está cada vez mais exigente. De acordo com um estudo recente da IBM, 96% dos consumidores brasileiros concordam que as organizações devem fazer mais para proteger seus dados. Não é à toa. Nos últimos anos, escândalos de vazamentos de informações pessoais têm se tornado frequentes, como o caso de milhares de americanos que tiveram seus dados utilizados de forma irregular pelo Facebook. No Brasil, não tem sido diferente. O país é o número um em ataques financeiros no mundo. Um estudo realizado pela empresa Karspersky, apontou que phishings e trojans financeiros são os maiores responsáveis por essas ocorrências no nosso território. Em 2018, o Banco Inter, um dos pioneiros em oferecer contas digitais no país, confirmou o vazamento de dados de cerca de 19 mil correntistas na internet. Como consequência, novas regulamentações e normas têm entrado em vigor. E os gestores das empresas precisam estar atentos a essas novas exigências trazidas tanto pela legislação brasileira como pela internacional. É o caso da Lei Geral de Proteção dos Dados Pessoais (LGDP) no Brasil e do Regulamento Geral sobre a Proteção de Dados (GDPR), criado na UE com o objetivo de proteger os dados pessoais dos cidadãos. Com a LGDP, as empresas terão de passar por uma série de adaptações em relação à coleta, armazenamento e tratamento de dados dos indivíduos. Será obrigação das organizações esclarecer qual a finalidade do uso dos dados e coletar apenas as informações que tiverem o consentimento do titular. Aqueles que violarem tais obrigações estarão sujeitos a multas e sanções, que podem chegar a 2% do faturamento da companhia. Ainda assim, com muitas incertezas e multas altas, a LGPD pode levar a um caminho perigoso, fazendo surgir outros tipos de crime. É possível que um invasor entre no sistema de uma empresa, pegue os dados e entre em contato com a própria empresa para pedir resgate, como num sequestro cibernético. Numa situação hipotética, com os dados vazados a empresa pagaria multa de R$ 100 mil, por exemplo; o invasor, então, pede R$ 50 mil para não vazar. O cenário brasileiro em relação à cibersegurança Violações como essas também podem ocasionar ações judiciais e danos à reputação e à credibilidade das empresas, afetando o valor das marcas, as vendas e os resultados. Soma-se a isso o fato de, no Brasil, haver um preocupante déficit de profissionais especializados na área de segurança da informação e dados. Apenas 2% das companhias brasileiras acreditam ter um sistema de segurança eficaz. Além disso, 43% delas não contam com um programa de inteligência estruturado contra ameaças virtuais e 45% relatam que dificilmente conseguiriam prever tentativas de roubo de dados. A realidade é que muitas organizações no Brasil ainda investem pouco em cibersegurança. Isso só reforça a urgência das instituições brasileiras priorizarem o tema nas suas estratégias dos próximos anos. Muitas empresas já vêm se movimentando, mas sabem que há um longo caminho a ser percorrido. E adaptar-se pode ser uma tarefa complexa – exigindo mudanças na cultura organizacional, nos processos e nas tecnologias. Um primeiro passo poderia ser desenvolver mecanismos que detectem riscos e atrasem a ação de hackers. Utilizar um duplo fator de autenticação e priorizar senhas mais fortes normalmente são boas opções para reforçar seu sistema de defesa. Foco nos processos e nas pessoas Diante desse cenário, a cibersegurança não pode mais ser vista somente como um problema a ser resolvido; uma boa abordagem mais proativa nessa área pode tornar-se instrumento poderoso para as organizações anteciparem riscos e buscarem diferenciação. Os desafios são muitos. As empresas devem investir não apenas em tecnologia – hardwares e softwares mais seguros –, mas, principalmente, em processos melhores e no fator humano. Capacitar,

Entendimento da Árvore Lógica de Problemas Como gestor, você já deve ter se perguntado como iniciar ou dar impulso ao processo de transformação digital da sua companhia. Invariavelmente, existem diversos projetos em andamento, indicadores para acompanhar e ainda diversas orientações da alta administração para digitalizar a empresa. Diante de tantas necessidades, que eventualmente entram em conflito, há uma importância latente em estruturar e priorizar a complexidade do cenário que se desenha. Um dos caminhos possíveis é a utilização da estrutura de árvores lógicas de problemas (ou issue trees, como foi concebida originalmente) , concatenando os principais desafios de negócios e estratificando para problemas menores, que possam ser gerenciáveis. Esse desenho permite o desdobramento em vários níveis até atingir um patamar em que o negócio consiga impulsionar aqueles problemas que irão gerar oportunidades de soluções com maior potencial de geração de valor para o negócio. Como estruturar Trazendo para a realidade, as árvores lógicas de problemas podem se organizar, em um primeiro nível, nos grandes desafios estratégicos do negócio, aqueles que vão nortear o ambiente de negócios para o próximo ano ou para os próximos anos. Por exemplo, no cenário atual de diminuição de demanda, o desafio pode estar orientado para redução de custos ou aumento de produtividade da operação. Nos demais níveis, os problemas precisam ser estruturados, de tal forma que sejam orientados a resultado, com indicadores associados e que permita medir o progresso dos desdobramentos priorizados. Dessa forma, o problema pode tratar de questões, como reduzir o custo de contratos do processo XYZ, aumentar a receita dos produtos da linha XPTO, dentre tantas outras opções. Idealmente, os problemas mapeados devem seguir a lógica SMART (específico, mensurável, alcançável, realista e com tempo definido) para garantir que não se torne um objetivo etéreo. Mesmo assim, ao se atentar mais detalhadamente para os problemas acima, não há indicativo nenhum de como solucioná-los de forma mais sistêmica. E o intuito é exatamente esse! Dada a estruturação dos problemas gerenciáveis, o próximo passo é calcular quanto de valor cada problema pode gerar ao negócio. Isto é, qual é o tamanho de cada oportunidade, seja de ordem financeira, compliance, mitigação de riscos etc. Ao conceber esses valores, é possível realizar a priorização dos temas que irão dar maior retorno global para o negócio. Figura 1: Exemplo genérico da construção de uma árvore de problemas aplicado a uma unidade de negócios de um varejo. Algumas dicas para ter melhores resultados Sendo assim, com base nessa organização, uma estrutura de valores seguindo o padrão 80/20 emerge para que se possa priorizar os problemas e oportunidades de maior valor para o negócio. A partir dessa escolha, se dá início a um processo de identificação das causas e efeitos para que aquele problema ocorra. Depois, desenha-se as soluções que permitirão iniciar a captura do valor mapeado. Alguns destaques são importantes para garantir que o processo de construção das árvores lógicas entregue o maior valor possível: Devem ser mutuamente exclusivas, ou seja, sem sobreposição dos problemas. Elas devem ser exaustivas coletivamente, ou seja, não precisa incluir novos itens para complementar os valores que formem o desafio. Por outro lado, é importante também não criar uma lista muito grande de problemas, pois haverá uma dificuldade maior de realizar a priorização. A árvore é toda estruturada seguindo uma lógica hierárquica, com problemas conectados individualmente a cada desafio/desdobramentos. Construir desafios em cima de indicadores garante o acompanhamento global do resultado obtido com a árvore. Dividir para conquistar! Os problemas de maior ordem de valor iniciam para dar impulso posterior aos problemas que não tem tanto valor agregado. Idealmente, o objetivo deve ser uma visão completa do negócio, mas nada impede que a árvore seja estruturada por unidades de negócio, processo ou mesmo áreas (apesar de esse último ser o menos recomendado, dada as múltiplas interfaces que são envolvidas). Em suma, o objetivo final da árvore lógica de problemas é garantir que o negócio esteja olhando corretamente para seus problemas, priorizando as maiores oportunidades de geração de valor, focando esforços nos desenhos de soluções com maior potencial e direcionando e impulsionando a transformação de forma conectada ao negócio, para que seja perene e que permita colher resultados duradouros. A transformação digital, antes de tudo, é uma transformação da maneira de se fazer as coisas.

Revoluções tecnológicas recentes, como as mídias sociais e a internet das coisas nos permitem gerar um imenso volume de dados em uma velocidade jamais vista até então. Estima-se[1] que o volume de dados criados no mundo todo aumente drasticamente nos próximos anos, alcançando a inimaginável marca de 175 zetabytes[2] até o ano de 2025. Esse volume representa um aumento superior a 1000% ao se comparar com o volume gerado em 2015, por exemplo. Os dados, no mundo atual dos negócios e da tecnologia, são indispensáveis em qualquer setor ou indústria. À medida que o volume de dados se prolifera em taxas cada vez maiores, diversas organizações têm acelerado seus investimentos em iniciativas associadas a análise de dados (também conhecido como analytics) na última década. Notadamente, a questão não é mais se a sua organização precisa ou não ou quando aproveitar o poder dos seus dados. A questão é: “Como?”. Neste sentido, você pode pensar que analytics seja algo surreal para sua organização, por ela ser tradicional ou não ter uma operação digital e que sem um time de altíssima performance no assunto jamais será possível obter benefícios através dessas iniciativas. Obviamente que um time de altíssima performance ajudaria, mas enquanto isso não é realidade para grande maioria das empresas, abordaremos a seguir alguns mitos, suas verdades aplicadas no mundo real e alguns meios para que sua organização possa, a partir de hoje, utilizar a análise de dados para potencializar o seu negócio. MITO 1: ANÁLISE DE DADOS É ÚTIL APENAS EM NEGÓCIOS ONLINE/DIGITAIS. Se sua organização atua somente no mundo físico ou se ela possui uma receita anual inferior a USD 1 bilhão, você deve imaginar que análise de dados não serve para o seu negócio ou deve se perguntar se ela pode não ser um componente-chave dos produtos ou serviços que você vende. No entanto, a análise de dados é extremamente importante como forma de aprimorar a sua tomada de decisão. Iniciativas de analytics pode contribuir e gerar valor para qualquer tipo de negócio. Destacam-se a seguir três pontos importantes que sua organização deve ter clareza para potencializar sua implantação: Defina claramente qual o problema sua organização precisa resolver. É imprescindível para o seu negócio que você escolha uma iniciativa que suporte às metas estratégicas da sua organização. Se o desejo é implantar e ampliar o uso de analytics na sua companhia, comece com algo que tem potencial para chamar a atenção do restante das equipes e que tragam valor para a empresa. Em seguida, para se garantir o sucesso de uma iniciativa de analytics, a liderança precisa enxergá-la de modo vital para alcançar suas metas estratégicas e consequentemente o desenvolvimento e a sustentabilidade do negócio. Garanta que os stakeholders estejam comprados com a iniciativa, por isso a importância do passo anterior. Por fim, comece com poucas iniciativas ou até mesmo somente uma e use os resultados obtidos já no curto prazo para criar impulso e apoio da liderança para projetos subsequentes com maior potencial. É importante estruturar um portfólio para transformação da cultura orientada à dados (data-driven) da sua organização e através dele desenvolver um roadmap a ser seguido no curto, médio e longo prazo. MITO 2: ANÁLISE DE DADOS REQUER A CONTRATAÇÃO DE UMA EQUIPE DE PHD EM CIÊNCIA DE DADOS E CONHECIMENTO PROFUNDO EM ESTATÍSTICA E MODELOS ESTATÍSTICOS. Antes de explorar esse mito, a imagem abaixo ilustra alguns tipos de profissionais relacionados à dados. Talvez já existam esses profissionais na sua organização e você não tinha conhecimento.     Embora a análise de dados precise de um certo grau de conhecimento técnico, na imensa maioria das vezes a necessidade e o momento atual da sua organização pode ser atendida sem a necessidade de uma equipe de profissionais em ciência de dados ou PhD em estatística, por exemplo (veja as habilidades do analista de dados demonstrado na imagem anterior). Ou seja, mesmo que de maneira embrionária, sua organização já deve utilizar de práticas de analytics em algum nível. Há basicamente quatro perspectivas que as organizações podem trabalhar, sendo elas: Quando? Quanto? Onde? O que aconteceu? A análise descritiva objetiva interpretar um conjunto de dados para responder o que aconteceu no passado. Ela auxilia a organização a entender o seu desempenho, fornecendo um contexto para apoiar os stakeholders a interpretar os dados obtidos. Essa perspectiva geralmente é realizada nos formatos de gráficos, tabelas, relatórios e dashboards. Por que aconteceu? A análise de diagnóstico utiliza-se da análise descritiva para fornecer uma análise mais aprofundada do passado. Frequentemente, é comum a análise de diagnóstico ser chamada de análise de causa raiz. Essa perspectiva inclui o uso de processos como descoberta de dados, mineração de dados e análise a partir de drill downs. Qual o padrão? O que irá acontecer a seguir? A análise preditiva utiliza-se de dados históricos e os alimenta em um modelo de aprendizado de máquina (machine learning) que considera algumas tendências e padrões. O modelo é aplicado aos dados atuais para prever o que acontecerá no futuro. Essa perspectiva auxilia as organizações a identificar tendências, hipóteses e determinar correlações entre determinadas variáveis através da implantação de modelagens estatísticas e preditivas. E se fizermos isso? Qual a melhor ação? A análise prescritiva leva os dados preditivos a um nível superior. Nessa perspectiva a organização terá uma ideia do que provavelmente acontecerá no futuro, o que deve ser feito. Ela sugere vários cursos de ação e descreve quais seriam as possíveis implicações para cada um. Nesse nível a inteligência artificial e o big data entram no jogo de maneira mais intensa e apropriada.   MITO 3: ANÁLISE DE DADOS REQUER INVESTIMENTOS EXTREMAMENTE ALTOS. Quando se trata de adotar novas tecnologias ou buscar novos mecanismos para melhorar os resultados da sua organização, um dos primeiros questionamentos que se faz é “Quanto vai custar?”. A ideia por trás da implementação de uma solução tecnológica, como análise de dados, é obter um benefício tangível do projeto. E quando dizemos tangível, nos referimos predominantemente a dinheiro. Se as organizações acreditam no mito

A aplicação de IoT consiste primariamente na sensorização de objetos, com o objetivo de captura e transmissão de dados para um conjunto de aplicações e usuários conectados em rede. Perceba que para usufruirmos de todos os benefícios de IoT não é necessário apenas sensorizar objetos e coletar dados.

Seguindo a ideia de ondas longas da conjuntura, alguns institutos e analistas, utilizando séries de dados cronológicas maiores fizeram uma extrapolação do estudo do economista russo Nicolai Kondratieff e criaram seis ondas de prosperidade, seguidas de períodos de contração.