Big Data, Web Analytics e Data Scientists

Uma palavra-chave tem aparecido em muitas publicações do mercado de mensuração e até fora dele: Big Data. É basicamente um grande volume de dados, que no caso de métricas para o mundo digital pode contemplar múltiplas fontes de dados como web analytics, mídia social, mídia gráfica, links patrocinados, dados sócio-demográficos e tudo o que mais você quiser colocar no caldeirão de números e métricas. Mas como tomar a decisão correta no meio desses Zettabytes de informações? Vamos voltar um pouco no tempo. 

Antes era mais fácil analisar dados só de seu site. Fontes de tráfego, taxa de conversão, visitantes únicos e algumas métricas fáceis de entender. Web Analytics passou a ser cada vez mais complexo, com testes multi-váriaveis em landing pages, indicadores calculados para simplificar o entendimento das informações, alinhamento com os dados de performance de seu negócio, integrações com ferramentas que mensuram mídia e já diziam por aí que Web Analytics não deveria ser mais “Web Site Analytics”. Ao pé da letra, passou a ser Digital Analytics. 

O cenário evoluiu cada vez mais. Tornou-se necessário capturar dados de forma precisa, classificar, descobrir o que é significativo, enxergar padrões e extrair insights relevantes para o negócio. Matemática e estatística tornam-se cada vez mais necessárias para manipular os dados, metodologia científica para ter embasamento na elaboração de hipóteses e em modelos preditivos de cenários cada vez mais complexos e até lógica de programação passa a ser valiosa para trabalhar de forma avançada com o grande volume de dados na forma digital (ex.: em ferramentas de estatística como R, Stata, SPSS ou então machine learning para trabalhar com mineração de dados).  

Analisar dados não é nem um pouco novo, mas está sendo definido um novo tipo de profissional nesse meio: o Data Scientist. Um profissional que consegue pensar em algorítmos, não é ludibriado com excesso de dados e trabalha com métodos de análise, fazendo suas descobertas dentro do Big Data. Um profissional que pode agregar valor aos dados, por exemplo, em tempo-real que hoje são sub-utilizados ou contribuir com estratégias para competir em um cenário em que métricas são abundantes, usando tecnologia a seu favor.  

Este cientista de dados pode colaborar em diversas frentes dentro de uma organização, como por exemplo: 

1. Coleta de dados de forma estruturada e padronizada. Com dados ruins, você acaba tomando decisões às cegas. Dessa forma, saber trabalhar com ferramentas que possam extrair dados e ao mesmo tempo decompor informações por modelos matemáticos (por exemplo, usando fatoração de matrizes) é importante para usar os dados do Big Data de forma ideal. As vezes é necessário colocar a mão no código mesmo, como um script em R que faça extração, tratamento e modelagem de dados;
2. Segmentação de dados cada vez mais completa e identificação de padrões. Uma vez que o trabalho é feito com um grande volume de dados, é preciso usar a quantidade como vantagem competitiva. Por exemplo, existem casos em que ter 10x mais dados pode permitir detectar padrões que passariam despercebidos com amostras menores. E quanto maior o nível de segmentação que você quiser utilizar, mais dados vai precisar, para manter a mesma precisão;
3. Embasamento estatístico. Um cenário que pode acontecer é existir o know-how tecnológico de extração de dados, acesso ao Big Data, conhecimento de mercado, mas uma tomada de decisões em cima de informações calculadas de forma incorreta. Por exemplo, regressões lineares pode gerar coeficientes que precisam ser entendidos, caso contrário podem ser mal-interpretados. Por ignorância ou mesmo por malícia, os dados podem ofuscar uma análise legítima.

Enfim, em uma época que está na moda falar de dados, com o Facebook com plataforma aberta para comprar mídia com base nos atributos dos usuários de forma altamente segmentada, com o Fórum Econômico Mundial discutindo sobre como a mineração de dados pode ajudar no desenvolvimento das nações e até o último filme do Brad Pitt mirando em análise de dados (“Moneyball - Jogada de Risco”), é hora de desmistificar aqueles que ainda tem um pé atrás com analytics de forma séria e reforçar a cultura de tomada de decisões embasadas em resultados empíricos. Como já escreveram por aí, a era dos “Mad Men” está sendo trocada pela era dos “Math Men”.