Inteligência de dados, decisões por evidências!

Em 09/12/2025 estive no evento Repense, organizado pelo Cindes Jovem e pelo Cindes, para falar sobre "Inteligência de dados: decisões por evidências". Foi incrível estar diante de uma turma jovem, com um olhar genuinamente sedento por gerir negócios orientados por dados e menos por achismos.

alt text

Inspirado pelo evento, preparei este artigo com os principais pontos da palestra.

A era da IA

Maximizar o potencial dos dados é fundamental para catalisar a transformação e o avanço nas práticas analíticas. Para isso, precisamos compreender e aplicar nas nossas empresas a frase de Gareth Herschel:

"Data e Analytics está passando do domínio de poucos para a onipresença"

Ou seja, não há mais espaço para centralizar a tomada de decisão e o acesso aos dados em poucos: é tempo de toda a empresa dominar e viver a gestão orientada por dados.

CINDES Jovem - 2025 Em 2025 e nos próximos anos, qualquer empresa, de qualquer segmento, é uma empresa de dados. Isto não é uma suposição, é uma realidade que precisa ser abraçada urgentemente. Estamos vivendo em um momento em que a capacidade de extrair insights de dados é o que diferencia os líderes de mercado daqueles que ficam para trás.

Porém, a realidade nas empresas ainda é desafiadora quando o tema é o uso dos dados para tomada de decisão: uma pesquisa de 2022 da TOTVS revelou que apenas 5% das empresas acreditam fazer bom uso da inteligência de dados. O relatório "100 Data and Analytics Predictions Through 2021" do Gartner também aponta que, nos últimos anos, as empresas geraram a maior parte dos dados armazenados historicamente — e grande parte deles não é transformada em inteligência de mercado.

O Alicerce

CINDES Jovem - 2025

Dados limpos e organizados são o alicerce da IA. O ponto crítico é: a IA Generativa só é tão boa quanto os dados que a alimentam. Alimentar modelos de IA com dados desorganizados, inconsistentes ou de baixa qualidade é como construir uma casa sobre areia — os insights serão superficiais, as previsões imprecisas e as decisões equivocadas.

Por isso, investir em governança, limpeza e organização de dados não é mais uma tarefa técnica opcional — é estratégico. Empresas que mantiverem dados estruturados e confiáveis estarão prontas para colher os reais benefícios da IA: automação inteligente, recomendações precisas e decisões orientadas por evidências.

De volta ao básico

Visto que alcançaremos resultados melhores com dados, mas reconhecendo que possivelmente nem tudo está devidamente organizado, limpo ou estruturado, torna-se importante diferenciar os tipos de tomada de decisão nas empresas:

Aspecto	BI (Business Intelligence)	Analytics (Business Analytics)
Foco temporal	Passado e presente	Futuro
Tipo de análise	Descritiva e diagnóstica	Preditiva e prescritiva
Objetivo	Entender desempenho e resultados	Antecipar cenários e otimizar ações
Abordagem	Reativa (entende o que aconteceu)	Proativa (projeta o que pode acontecer)
Técnicas usadas	ETL, dashboards e KPIs	Estatística, Machine Learning, modelagem

E quais tipos de análises encontramos ao longo da evolução da maturidade de dados nas empresas?

Descritiva	Diagnóstica	Preditiva	Prescritiva
O que aconteceu?	Por que aconteceu?	O que pode acontecer?	O que devo fazer?
Responde perguntas como: “Como foi a performance da empresa no último trimestre?”	Investiga causas, associações e padrões.	Realiza projeções e antecipa cenários.	Recomenda ações ou decisões ótimas com base em simulações e restrições.
Exemplo: Relatórios de vendas mensais, dashboards com indicadores históricos, análise do número de chamados atendidos, gráficos de evolução de faturamento ao longo dos anos.	Exemplo: Análise de queda de vendas por região — diagnosticando que a redução ocorreu devido a baixa disponibilidade de estoque ou a uma mudança no perfil do consumidor. Ferramentas comuns são análise de correlação, drills interativos em dashboards para investigar KPIs.	Exemplo: Previsão de demanda de um produto para o próximo mês usando séries temporais ou modelos de machine learning. Outra possibilidade: Prever o risco de inadimplência de clientes com base em histórico de pagamentos.	Exemplo: Sugerir a melhor combinação de produtos para maximizar o lucro em uma promoção, considerando estoques e perfis de clientes. Ou indicar rotas logísticas ótimas para redução de custos, usando algoritmos de otimização.

O desafio de analisar dados

Superado as questões essenciais para a jornada de dados em uma empresa, ela agora se deparará com desafios tecnológicos, aos quais, muitos conhecem como os três V do Big Data, que são:

Volume: Como o nome sugere, a característica mais comum associada ao Big Data é o alto volume. Ela descreve a enorme quantidade de dados que estão disponíveis para coleta e são produzidos de várias fontes e dispositivos de maneira contínua.
Velocidade: Velocidade do Big Data se refere à velocidade em que os dados são gerados. Atualmente, os dados geralmente são produzidos em tempo real ou quase em tempo real e, portanto, também devem ser processados, acessados e analisados na mesma velocidade para que tenham algum impacto significativo.
Variedade: Os dados são heterogêneos, ou seja, podem vir de muitas fontes diferentes e podem ser estruturados, não estruturados ou semiestruturados. Dados estruturados mais tradicionais (como dados em planilhas ou bancos de dados relacionais) agora são complementados por texto não estruturado, imagens, áudio, arquivos de vídeo ou formatos semiestruturados, como dados do sensor que não podem ser organizados em um esquema de dados fixo.

Esses desafios aparecem ao longo do processo, entre a coleta e a visualização dos dados:

graph TD
  A[Coleta de dados] 
  --> B[Armazenamento de dados] 
  --> C[Limpeza e organização]
  --> D[Processamento de dados]
  --> E[Análise de dados]
  --> F[Visualização de dados e ação];

Vencer esses desafios envolve pessoas, processos e muita tecnologia, porém, infelizmente há um universo de soluções e a experiência mostra que é muito fácil se perder ao tentar conectar todas: alt text Arquivo original em https://api.mattturck.com/mad2023/

Portanto, para não se perder no ecossistema, escolha uma plataforma que abranja o máximo possível de funcionalidades para um ecossistema completo e integrado de análise de dados e Inteligência Artificial. No momento em que escrevo, soluções como o Microsoft Fabric e Databricks podem ser usadas em conjunto de forma complementar.

Uma nova oportunidade

Empresas que implantam um ecossistema de dados apenas por "modismo" arriscam grandes investimentos com pouco resultado. É necessário ter uma nova consciência: toda empresa é uma fábrica de dados — além de comercializar produtos ou serviços, ela produz informação que pode se tornar receita.

É assim que se constrói uma nova perspectiva e uma nova oportunidade para empresas: implantar estruturas analíticas para criar novos produtos baseados em dados.

Esta é a tendência segundo o Gartner para os próximos anos: Gartner Tendências Imagem extraída de swifterm | Top Trends in Data and Analytics – Gartner

Tenha foco!

Para sua empresa alcançar decisões potencializadas por análises modernas em escala de nuvem, aplique:

Priorize um data lake como base: alinhe seu time a uma fonte unificada, aprimorada por uma plataforma diversificada e integrada por IA;
Use uma plataforma de análise completa e SaaS: promova colaboração e demonstrações para todos os profissionais de dados;
Estabeleça governança e segurança: integre dados com controle e políticas de acesso bem definidas;

E você, como vai decidir a estratégia da sua empresa nos próximos anos: no "acho que vai funcionar…" ou nas evidências que os dados podem mostrar?

Confira a postagem do dia do evento no LinkedIn: clique aqui. Obrigado!

CINDES Jovem - 2025

Referências

Big Data e Análise de Dados:

Plataformas de Dados e IA:

Governança e Qualidade de Dados:

Tendências e Oportunidades: