O t\u00edtulo desse t\u00f3pico foi provocativo, porqu\u00ea embora o mundo digital entenda o Data Science como uma alternativa ao BI entenderemos aqui que s\u00e3o itens complementares, o\u00a0Business Intelligence (BI) ou em portugu\u00eas, Intelig\u00eancia de Neg\u00f3cios, \u00e9 um termo abrangente destinado a cobrir todas as atividades necess\u00e1rias para que uma empresa transforme dados brutos em conhecimento. Em outras palavras, s\u00e3o esfor\u00e7os da empresa para entender o que sabe e o que n\u00e3o sabe de sua pr\u00f3pria exist\u00eancia e opera\u00e7\u00f5es.<\/p>\n
O objetivo final \u00e9 ser capaz de aumentar os lucros e aprimorar sua vantagem competitiva. Dessa forma, BI \u00e9 um conceito, que tem evolu\u00eddo de princ\u00edpios b\u00e1sicos (como relat\u00f3rios de contas a pagar e contas a receber e informa\u00e7\u00f5es de contato e contrato do cliente) para informa\u00e7\u00f5es muito mais sofisticadas e personalizadas. Estas informa\u00e7\u00f5es variam em tudo, desde comportamentos de clientes at\u00e9 monitoramento de infraestrutura de TI, passando at\u00e9 mesmo pelo desempenho de ativos fixos de longo prazo.\u00a0O rastreamento separado dessas m\u00e9tricas \u00e9 algo que a maioria das empresas pode fazer independentemente das ferramentas empregadas.<\/p>\n
Combinar resultados diferentes de m\u00e9tricas, normalmente n\u00e3o associadas entre si, em informa\u00e7\u00f5es compreens\u00edveis e acion\u00e1veis. Essa \u00e9 a arte do BI. O futuro do BI j\u00e1 est\u00e1 se configurando para ampliar simultaneamente o escopo e a variedade de dados utilizados e aprimorar o foco para n\u00edveis cada vez mais espec\u00edfico se mais granulares, com objetivo em an\u00e1lise preditiva. Exatamente a\u00ed que entra Data Science. Os softwares de BI t\u00eam sido fundamentais nesta progress\u00e3o constante para um conhecimento mais aprofundado sobre neg\u00f3cios, concorrentes, clientes, ind\u00fastria, mercado e fornecedores, para citar apenas alguns poss\u00edveis objetivos m\u00e9tricos. Mas \u00e0 medida que as empresas crescem e o volume de dados aumenta, a captura, o armazenamento e a organiza\u00e7\u00e3o de informa\u00e7\u00f5es tornam-se muito mais complexos para serem totalmente tratados por seres humanos.<\/p>\n
Exatamente a\u00ed que entra Machine Learning e Intelig\u00eancia Artificial. Embora os softwares de BI ainda cubram uma variedade de aplica\u00e7\u00f5es de software usadas para analisar dados brutos, hoje eles geralmente se referem a an\u00e1lises para minera\u00e7\u00e3o de dados, processamento anal\u00edtico,\u00a0consultas, relat\u00f3rios e, especialmente, visualiza\u00e7\u00e3o. A principal diferen\u00e7a entre o software de BI de hoje e as solu\u00e7\u00f5es de Big Data Analytics \u00e9 em grande parte escala. O software de BI lida com os dados de tamanho t\u00edpico, encontrados na maioria das empresas, de pequenas a grandes. Aplica\u00e7\u00f5es de Big Data Analytics processam an\u00e1lise de dados para conjuntos de dados muito grandes, medidos em petabytes (PBs) e esse grande volume de dados permite realizar an\u00e1lise preditiva com precis\u00e3o cada vez maior. Essa \u00e9 uma das principais diferen\u00e7as entre o BI tradicional e Data Science.<\/p>\n","protected":false},"excerpt":{"rendered":"
O t\u00edtulo desse t\u00f3pico foi provocativo, porqu\u00ea embora o mundo digital entenda o Data Science como uma alternativa ao BI entenderemos aqui que s\u00e3o itens complementares, o\u00a0Business Intelligence (BI) ou em portugu\u00eas, Intelig\u00eancia de Neg\u00f3cios, \u00e9 um termo abrangente destinado a cobrir todas as atividades necess\u00e1rias para que uma empresa transforme dados brutos em conhecimento. […]<\/p>\n","protected":false},"author":667,"featured_media":0,"parent":355,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-760","page","type-page","status-publish","hentry"],"jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/wp.ufpel.edu.br\/planilhasgoogle\/wp-json\/wp\/v2\/pages\/760","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.ufpel.edu.br\/planilhasgoogle\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/wp.ufpel.edu.br\/planilhasgoogle\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/wp.ufpel.edu.br\/planilhasgoogle\/wp-json\/wp\/v2\/users\/667"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.ufpel.edu.br\/planilhasgoogle\/wp-json\/wp\/v2\/comments?post=760"}],"version-history":[{"count":3,"href":"https:\/\/wp.ufpel.edu.br\/planilhasgoogle\/wp-json\/wp\/v2\/pages\/760\/revisions"}],"predecessor-version":[{"id":778,"href":"https:\/\/wp.ufpel.edu.br\/planilhasgoogle\/wp-json\/wp\/v2\/pages\/760\/revisions\/778"}],"up":[{"embeddable":true,"href":"https:\/\/wp.ufpel.edu.br\/planilhasgoogle\/wp-json\/wp\/v2\/pages\/355"}],"wp:attachment":[{"href":"https:\/\/wp.ufpel.edu.br\/planilhasgoogle\/wp-json\/wp\/v2\/media?parent=760"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}