O documento discute os passos da análise quantitativa, incluindo a formulação do problema, revisão de descobertas anteriores, modelagem, coleta e análise de dados, e comunicação dos resultados. Ele também aborda tópicos como identificação de stakeholders, tipos de histórias analíticas, e o papel da criatividade na análise quantitativa.
2. Formulação do problema
1. Formulação Do Problema
• Reconhecimento do problema;
• Revisão das descobertas anteriores;
2. Solução Do Problema
• Modelagem e seleção das variáveis;
• Coleta de dados;
• Análise dos dados;
3. Resultados: Comunicação e Ação
• Apresentação dos resultados e adoção de providências.
3. Passo do Reconhecimento do Problema
➢Análise quantitativa começa com o reconhecimento do problema a ser resolvido/decisão a ser
tomada;
➢Situações que levam a esse primeiro estágio:
• Pura curiosidade;
• Experiências no trabalho;
• Necessidade de decisão ou ação;
• Situações em andamento, exigindo atenção;
• Desenvolvimento/contestação de teorias existentes/pesquisas passadas;
• Aceitação de ofertas de projetos/estimativa da disponibilidade de financiamento.
➢O fator mais importante no estágio de reconhecimento do problema é compreender
plenamente a questão e sua importância;
4. Identificação dos Stakeholders na
Análise
➢Nesse passo, vale a pena refletir sobre quem são os stakeholders da análise e como se sentem
em relação ao problema;
➢Componentes comuns desse processo:
1. Indentificar todos os stakeholders;
2. Registrar as necessidades dos stakeholders;
3. Avaliar e analisar os interesses e influências dos stakeholders;
4. Administrar as expectativas dos stakeholders;
5. Tomar providências;
6. Revisar o status e repetir.
➢ A análise de stakeholders destina-se a identificar quem são os principais responsáveis pelas
decisões e a maneira mais provável de convencê-los quanto aos resultados;
5. Que Tipo de História Analítica Está se
Contando?
➢ Foco em como desenvolver respostas/ideias para a decisão;
➢Histórias de CSI;
➢Histórias Eureca;
➢Histórias de Cientista Maluco;
➢Histórias de Pesquisas;
➢Histórias de Predições;
➢Histórias “Eis o que aconteceu”.
6. Passo do Reconhecimento do Problema
➢Escopo do problema: É importante não limitar prematuramente o escopo do problema ou
decisão;
➢“Seja específico sobre o que quer descobrir”: É necessário ter criado uma descrição clara da
questão, com definições concretas dos principais itens ou variáveis a serem estudadas;
➢Em pesquisa quantitativa, faz muita diferença a maneira como as coisas são definidas;
7. Passo de Revisão das Descobertas
Anteriores
➢Deve-se investigar todas as descobertas correlatas anteriores após o reconhecimento do
problema;
➢Basicamente perguntamos: “Já se contou antes história semelhante a esta?”;
➢Reformulação do problema.
9. Passo da modelagem
➢Modelo é representação deliberadamente simplificada do problema;
➢Modelos são comparáveis a caricaturas. Boa caricatura é aquela em que os traços especiais
são escolhidos com convicção e eficácia;
➢George Box, estatístico famoso, observou que “todos os modelos são falhos, mas alguns são
úteis;
➢Como selecionar as variáveis e descobrir como elas se relacionam umas com as outras?
• Hipóteses;
• Hipóteses serão testadas mais tarde; isso que diferencia da intuição, por exemplo.
10. Passo da coleta de dados
(mensuração):
➢O passo seguinte é coletar dados e medir variáveis selecionadas.
➢Primeiro organiza-se o problema reconhecido que se tornam dados depois da mensuração.
➢Se as variáveis que estão sendo reunidas foram medidas e analisadas com frequência por
outrem, esse passo será muito simples.
➢Maneiras de medir as variáveis:
• Variáveis binárias;
• Variáveis categóricas (nominais);
• Variáveis ordinais;
• Variáveis numéricas (intervalo e razão).
11. Tipos de dados
➢Dados secundários:
• Dados já coletados por outrem.
➢Dados primários:
• Variáveis medidas pelo próprio pesquisador.
➢Dados estruturados e não estruturados:
• Dados estruturados são aqueles em forma de fileiras e colunas;
• Dados não estruturados se apresentam em fluxo contínuo, exemplo: textos.
•Agora, na era do Big Data, organizações lidam no dia a dia com vários petabytes (1.000.000.000.000.000
unidade de dados);
•Esse tipo de dado requer muitas filtragens, classificações e outras formas de triagem para poder ser
analisados;
12. Passo da análise de dados
➢A análise de dados resulta na descoberta de padrões consistentes, ou seja, a relação entre as
variáveis embutidas nos dados;
➢A análise de dados pode ser realizado por meio da utilização de um relatório ou de
fornecedores de software para categoria de análise na qual se tenta usar a estatística.
➢Microsoft Excel, pode fazer algumas análises estatísticas e analítica visual, assim como
elaborar relatórios, embora não seja o mais robusto quando se tem muitos dados a processar.
13. Tipos de modelos
➢Vários são os modelos adotados por analistas e organizações para decidir sobre os dados;
➢Três questões a serem consideradas na identificação do modelo adequado:
• Quantidade de variáveis a serem analisadas;
• Se envolve questões de descrição ou de inferência;
• Níveis de medida que se dispõe nas variáveis de interesse.
➢Nenhum modelo dura para sempre.
15. Resultados: Comunicação e ação
➢Último estágio do referencial;
➢Os analistas podem tornar os resultados de suas pesquisas mais interessantes e atraentes, a
fim de inspirar mais ações;
➢A essência desse estagio é descrever o problema e contar a história por trás dele;
➢Depois de identificar essas relações, o significado delas deve ser interpretado, descrito e
apresentado de maneira relevante para o problema;
➢Os analistas mais bem sucedidos são aqueles que “contam uma história com dados”;
➢Um erro trágico é pensar que o público se sente confortável com termos técnicos e os
métodos estatísticos abordados. Grande parte não compreende um relatório altamente técnico;
16. Métodos modernos de comunicação
dos resultados
➢A analítica visual (visualização de dados) progrediu muito nos últimos anos;
➢Propósitos e tipos de analítica visual:
◦ Ver as relações entre pontos de dados-> Gráfico de dispersão
Matriz de dispersão
Mapa de calor
Diagrama de rede
◦ Compara conjunto de frequências ou valores-> Gráfico de barras
Histograma
Gráfico de bolhas
◦ Mostrar as altas e baixas de uma variável em relação a outra-> Gráfico de linha
Gráfico de pilha
◦ Ver as partes de um todo e como se relacionam-> Gráfico de setores ou de pizza
Mapa de árvore
◦ Compreender dados ao longo de área geográfica-> Sobrepor dados resumidos em mapas geográficos
◦ Analisar ocorrências em textos-> Nuvem de tags
Rede de frases
17. Métodos modernos de comunicação
dos resultados
➢As apresentações ou relatórios não são os únicos produtos possíveis dos projetos analíticos. O
melhor seria se os analistas se empenhassem na produção de resultados bem próximos da
criação de valor.
➢Os cientistas de dados se concentram em áreas de desenvolvimento de produtos. O objetivo é
desenvolver protótipos de produtos e novos atributos de produtos;
➢A chave do sucesso é planejar e executar bem o passo inicial e o passo final do processo.
19. Analítica quantitativa e criatividade
➢ A criatividade e analítica não são conceitos antagônicos, mas sim, não raro, ideias correlatas
e complementares;
➢ As aplicações mais bem sucedidas da analítica são altamente criativas e criatividade é
componente importante das abordagens analíticas à solução de problemas;
20. Rápida revisão dos seis passos
➢No passo de reconhecimento e formulação do problema, a criatividade é
extremamente útil e importante;
➢No passo da Revisão das descobertas anteriores, a identificação das mesmas e a
escolha das técnicas analíticas, que talvez sejam relevantes, envolvem criatividade;
➢No passo da modelagem, a escolha de variáveis em um modelo às vezes é obvia, mas
às vezes, pode ser criativo;
➢Decidir que dados coletar pode ser muito criativo;
➢O passo de análise de dados não é aquele em que mais se exige criatividade. O seu
uso pode causar problema;
➢O passo da apresentação de resultados e adoção de providências é envolvido por
muita criatividade.
21. Os quatro estágios de raciocínio
analítico criativo
➢O processo criativo segue esses passos sequenciais:
• Preparação: construção dos fundamentos para a solução do problema;
• Imersão: engajamento intenso com a solução do problema e com os dados disponíveis (luta em busca
de respostas);
• Incubação: internalização do problema na mente subconsciente, na expectativa de que se desenvolvam
prováveis conexões inusitadas abaixo do nível de consciência;
• Insight: o grande avanço na compreensão de como o problema pode ser resolvido por meio da análise
quantitativa.
22. Imersão e trabalho árduo como fonte
de criatividade e insight
➢Criatividade é insight que de súbito ilumina a solução do problema;
➢Qual é a fonte da criatividade?
➢Cho Jung Era, ator coreano, assevera que a inspiração não surge de repente, mas, sim, jorra de
longa duração de trabalho exaustivo e de dimensão persistente;
➢A intuição é habilidade que se pode desenvolver basicamente pela repetição contínua da
análise quantitativa e por outros meios;
➢Georg Hegel, filosofo alemão, achava que apenas quem raciocina de maneira altamente
analítica é capaz de ter intuições puras e verdadeiras.
24. Desenvolvimento de recursos de
análise quantitativa
➢Segundo Aristóteles, os hábitos, ou que se faz repetidamente, define como ser configura seu
destino, conforme o fluxograma:
Pensamentos Ações Hábitos Caráter Destino
25. Desenvolvimento de recursos de
análise quantitativa
➢Atitudes quantitativas:
• É necessário manter-se aberto ao aprendizado de números;
• O inumerismo/incapacidade de executar e entender operações aritméticas, aflige muita gente
esclarecida e bem informada
• Pensadores quantitativos cultivam certas habilidades, atitudes e hábitos a que recorrem sempre que
precisam tomar decisões baseadas em números;
• Ser amigo dos dados;
• Recorrer à internet sempre para aprender conceitos numéricos.
• Ampliação da curiosidade;
26. Desenvolvimento de recursos de
análise quantitativa
➢Atitudes quantitativas <-> Conhecimento quantitativo;
➢Compreensão das leis da probabilidade e da aleatoriedade;
27. Desenvolvimento de recursos de
análise quantitativa
➢Hábitos quantitativos-> Praticando com regularidade e persistência os seguintes hábitos
quantitativos, é possível cultivar atitudes quantitativas:
• Exija números;
• Nunca confie nos números:
• Não raro, os números estão ultrapassados e, portanto, não refletem a realidade;
• As dúvidas em relação aos números devem ser concentradas nas três categorias: relevância, exatidão
e interpretação correta.
• Desconfie principalmente dos argumentos de causação;
• Faça perguntas;
• Práticas de análises quantitativas.
28. Hábitos quantitativos <->
Métodos/conhecimentos quantitativos
➢Nessa fase, é preciso estudar os fundamentos para compreender e executar análises
quantitativas. Os cursos a fazer primeiro são Estatística Elementar e Métodos de Pesquisa;
➢As atividades que envolvem análise quantitativa ocorrem como parte de processos e de
contextos sociais;
• O primeiro passo para adquirir prática de “contar histórias com dados” é escrever um relatório.
• Formar uma comunidade de análise quantitativa;
• Realizar seminários com regularidade;
30. Trabalhando com os quants
➢O que se descreve no capítulo é um conjunto de relacionamento entre três conjuntos de
atores:
• Decididores de empresas;
• Profissionais de negócios;
• Analista quantitativo ou cientista de dados.
➢Há boas razoes para a interação desses três grupos;
➢O objetivo é então tomar decisões analíticas e, ao mesmo tempo preservar o papel do instinto
dos executivos e de outros profissionais;
31. Atribuições analíticas
➢Atribuições analíticas a serem exercidas pela pessoa de negócio:
• Aprender alguma coisa de matemática e de estatística;
• Compreender e questionar as premissas;
• Pressionar quando não compreender.
➢O que esperar dos profissionais da analítica:
• Aprender o negócio e interessar-se pelos seus problemas;
• Conversar em linguagem de negócios;
• Explicar qualquer termo técnico;
• Dispor-se a desenvolver relacionamentos;
• Não fazer os executivos se sentirem estúpidos.
32. Cientista de Dados
➢Profissionais capacitados em estatística, ciência da computação e/ou matemática capazes de
analisar grandes volumes de dados e extrair deles insights que criem novas oportunidades de
negócio;
➢Devem ser capazes de capturar, armazenar, gerenciar e analisar grandes volumes de dados que
devem ser interpretados e utilizados de maneira coerente e concisa de modo que a empresa
possa utilizá-los a seu favor;
➢Usualmente esse profissional é formado em estatística, matemática ou ciências da computação.
➢Habilidades necessárias:
• Saber programação;
• Ser capaz de criar modelos estatísticos;
• Ter o conhecimento e domínio apropriado de negócios;
• Compreender as diferentes plataformas de Big Data e como elas funcionam.
33. Referências
DAVENPORT, T; KIM, J. Dados Demais. 1. ed. Rio de Janeiro: Elsevier, 2013.
Disponível em: <http://www.sas.com/pt_br/insights/analytics/cientistas-de-dados.html> Acesso: 01.
set.2015
Disponível em: <http://up.mackenzie.br/lato-sensu/sao-paulo/tecnologia-da-informacao/ciencia-de-
dados-big-data-analytics/> Acesso: 01.set.2015
Disponível em: <http://www.brasilmaisti.com.br/index.php/pt/2014-08-01-19-12-05/a-blog/240-cientista-
de-dados-a-profissao-do-futuro> Acesso: 01.set.2015
Disponível em: <http://blog.corujadeti.com.br/cientista-de-dados-o-profissional-de-big-data/> Acesso:
01.set.2015
Disponível em: <http://www.portal-administracao.com/2014/07/stakeholders-significado-
classificacao.html> Acesso: 01.set.2015