Não é de hoje a relevância do estudo e exploração de dados nas tomadas de decisão. No entanto, com a expectativa de até 2025 termos diariamente a criação de 643 exabytes (1.0006 bytes) de dados, saber coletá-los, filtrá-los e analisá-los tem se tornado uma tarefa cada vez mais difícil.
Apesar de sua popularização do mercado de Dados, ou talvez por causa dela, muitos dos termos relacionados à área podem ser interpretados de maneira equivocada. Nos parágrafos abaixo, vamos buscar simplificar um pouco esses termos, ou buzzwords, para que o entendimento seja mais fácil, podendo também entender o que faz cada profissional que trabalha nesta grande área.
Importante antes é ressaltar que, em geral, estas buzzwords podem estar interligadas, sendo seu conceito muitas vezes também compartilhado, em parte, por outra. Além destes casos, temos também os que se parecem na grafia, mas conceitualmente em nada se assemelham. Por isto, entendemos que estas próximas linhas sejam importantes para esclarecer e descomplicar todos estas buzzwords de dados.
As principais buzzwords
Provavelmente os termos mais usados relacionados ao trabalho com dados sejam Big Data, Data Analytics e Data Science. Em tradução literal, significam respectivamente Grande Conjunto de Dados, Análise de Dados e Ciência de Dados. Nem sempre as traduções nos auxiliam a entender os significados.
Ainda assim, Big Data é exatamente o que nos parece: um imenso volume de dados, estruturados ou não, que sem filtros podem não trazer informação alguma – restando ao profissional da área tratar, analisar e obter informações a partir deles.
A Análise de Dados é uma das áreas que serve para melhor explorar o aglomerado de informações que normalmente nos deparamos. É a ciência que explora e examina dados brutos, buscando transformar, encontrar padrões e tirar conclusões sobre os mesmos.
Aos moldes da Análise, mas com um escopo mais amplo, a Ciência de Dados engloba a mesma, tratando-se de uma área multidisciplinar que utiliza de várias metodologias. Data Science não só abrange a análise, como também a limpeza e a preparação dos dados, incorporando vários outros conceitos e termos.
Leia também: Mas afinal… o que é Big Data? Descubra e saiba por onde começar!
Da coleta à exploração
Como dito, a Data Science é bastante ampla, e dela também derivam outros campos e áreas de exploração de dados. Um termo talvez menos conhecido que os anteriores, mas igualmente relevante, é o Data Mining (DM) ou a Mineração de Dados. Em contrapartida, outro termo já bastante conhecido, mas que poucos compreendem bem, é Business Intelligence, a famosa BI, que pode ser traduzida como Inteligência de Negócios. Estes 2 conceitos são complementares, muitas vezes, e buscaremos apresentar as semelhanças e diferenças entre eles.
A Data Mining busca, através de um conjunto de ferramentas, e principalmente baseada em uma metodologia científica, explorar um conjunto de dados, extraindo ou evidenciando padrões, gerando assim conhecimento. Este conhecimento, dentro da Mineração de Dados, é apresentado através de gráficos, estatísticas, hipóteses ou árvores de decisão.
A Business Intelligence também tem como foco a análise de dados, porém em um escopo um pouco mais reduzido, buscando informações relevantes para basear um negócio, permitindo análises de desempenho de indicadores e semelhantes.
Podemos dizer que Data Mining apoia a BI pois, muitas vezes fornece material para o segundo fazer suas análises e criar novos indicadores, permitindo mais qualidade e precisão no trabalho de monitoramento. Ao passo que o DM deve entregar relatórios com recomendações, o BI entrega gráficos e informações consolidadas em dashboards.
Explorar, filtrar e analisar estes dados, devido ao grande número disponível, na maioria das vezes, se torna uma tarefa quase que humanamente impossível (principalmente devido ao dinamismo). Por isso, qualidade e agilidade dos resultados tem dependido cada vez mais da Inteligência Artificial.
A famosa Inteligência Artificial
Aqui temos a tão conhecida e quase tão polêmica buzzword que pode ser atribuída não só à dados, mas quando se fala em tecnologia no geral. Artificial Intelligence, no original, pode ser facilmente explicada como o ofício de reproduzir uma inteligência similar à humana através de programação. A ideia original para a Inteligência Artificial era justamente usar de ciência e engenharia para criar máquinas inteligentes.
Desde seus protótipos no século passado, muito já foi desenvolvido. Atualmente, IA é uma grande área e ainda em franco crescimento. É possível dizer que quase todos já tivemos contato com alguma Inteligência Artificial, seja fazendo compras online, agendando um compromisso, interagindo com algum chatbot.
Mas em que elas podem auxiliar nesse trabalho? Em tudo!
Graças ao Machine Learning, ou Aprendizado de Máquina, sistemas podem se tornar inteligentes a ponto de a partir de uma programação base, aprender regras, podendo acessar e filtrar uma database e chegar a resultados “por conta própria”. Bons exemplos são as sugestões que recebemos de nosso assistente virtual no smartphone, as recomendações em serviços de streaming como Netflix ou sugestões de compra na Amazon. São dados e padrões compreendidos e processados.
Ainda mais complexo e incrível do que o Machine Learning é o chamado Deep Learning, ou Aprendizado Profundo. Para o funcionamento deste tipo de tecnologia, redes neurais são projetadas virtualmente, e entre inúmeros algoritmos e camadas de abstração, o Deep Learning permite que máquinas sejam “treinadas” para simular um cérebro humano, podendo aprender algo sem supervisão.
Há quem tema ser substituído no emprego por uma Inteligência Artificial. Nossa função aqui é apresentar profissões que podem ser consideradas novas e que podem se beneficiar com o avanço das IAs.
O mercado de Dados
Apresentaremos aqui então uma seleção com os cargos que podem ser considerados os principais nesse amplo mercado de exploração, tratamento e estudo de Dados. São eles:
- Analista de BI
Como o próprio nome já diz, a função deste profissional é fazer análises e projetos de modelagem de dados. Geralmente exige habilidades com programação, modelagem e estatística, além é claro de um pensamento analítico apurado.
- Analista de Dados
Os Analistas estudam uma grande quantidade de dados e extraem insights e padrões deles. Eles são responsáveis pela coleta, organização e obtenção de resumos estatísticos. Normalmente fornecem relatórios para apoiar decisões estratégicas.
- Cientista de Dados
Ao contrário do analista, estes podem não só executar todas as funções do anterior, como também fornecer previsões para tomadas de decisão mais precisas. Cientista é quem analisa e interpreta dados digitais complexos. Para este cargo, é necessário ter habilidade com análises estatísticas avançadas, tratamento e condicionamento de dados e compreensão de Machine Learning.
- Engenheiro de Dados
Estes profissionais são responsáveis por, além de identificar padrões nos conjuntos de dados, desenvolver algoritmos para ajudar a torná-los informações úteis. Esta função exige habilidades técnicas e conhecimentos de TI mais profundos, como linguagens de programação e databases. (https://cio.com.br/tendencias/o-que-e-e-o-que-faz-um-engenheiro-de-dados/)
- Engenheiro de Machine Learning
Podemos dizer que engenheiros de machine learning trabalham em um campo semelhante ao de engenheiros de software e de dados. Eles têm habilidades de engenharia de software mais fortes, tendo também como função, monitorar os modelos de aprendizado de máquina para reprogramá-los quando necessário.
Quer entender mais sobre as buzzwords de dados apresentadas, ou quem sabe conhecer melhor sobre outras? Aprender mais sobre o mercado de dados? Então assiste aqui um pouquinho de manipulação com Python!
