Hoje todas as empresas têm dados. Estão na caixa registadora, no programa de contabilidade, em folhas de cálculo, nas conversas de WhatsApp com os clientes e no Google Analytics — e na maior parte do tempo não valem nada, porque estão dispersos, sujos e não respondem a nenhuma pergunta de negócio. A diferença entre uma empresa que tem dados e uma empresa que decide a partir dos dados não é mais um software. São dois processos complementares: a gestão de dados e a análise de dados.
Gestão de dados versus análise de dados: qual é a diferença
A gestão de dados é tudo o que acontece antes de alguém olhar para um gráfico: onde os dados são guardados, como são recolhidos, quem é responsável por eles, qual é a sua qualidade e como os vários sistemas comunicam entre si. A análise de dados é a fase em que se fazem perguntas aos dados: que clientes são de facto rentáveis, que canal de marketing devolve o investimento, o que é expectável acontecer no próximo trimestre.
O erro habitual é comprar uma ferramenta de análise vistosa (BI, painéis) sem arrumar primeiro a gestão. O resultado é um painel bonito com números em que ninguém confia. A ordem correta é sempre a mesma: primeiro organizar, depois analisar.
Números do terreno: duas histórias documentadas
UPS: um algoritmo, 400 milhões de dólares por ano
Ao longo de cerca de uma década, a UPS desenvolveu o ORION, um sistema que analisa os dados de entrega e calcula para cada motorista a ordem ótima de paragens. Os resultados documentados: uma poupança de cerca de 100 milhões de milhas percorridas e 10 milhões de galões de combustível por ano, num valor de 300 a 400 milhões de dólares anuais. Os dados sempre lá estiveram, em cada camião e em cada encomenda. O que mudou foi alguém ter decidido geri-los e analisá-los.
Walmart e as Pop-Tarts: uma previsão de vendas a partir do histórico de compras
Em 2004, na antecedência do furacão Frances na Flórida, a Walmart analisou os dados de compra de furacões anteriores e descobriu algo inesperado: antes de uma tempestade, as vendas de Pop-Tarts de morango sobem cerca de sete vezes. A cadeia encheu de produto as lojas situadas na trajetória da tempestade — e esgotou. É esse o poder da análise de dados: encontra padrões que nenhum gestor teria adivinhado, porque não fazem sentido até se verem nos números.
E não acontece apenas nos gigantes: um estudo da McKinsey concluiu que as organizações orientadas por dados têm 23 vezes mais probabilidade de captar novos clientes e 19 vezes mais de serem rentáveis. Do outro lado da balança, a IBM estimou que os dados de má qualidade custam à economia norte-americana cerca de 3,1 biliões de dólares por ano. Dados mal geridos não são neutros — custam dinheiro.
Cinco passos para transformar dados dispersos em decisões
1. Mapeamento: que dados existem e onde estão
Uma lista simples: cada sistema, cada folha de cálculo, cada fonte de dados — o que contém, quem a atualiza e com o que entra em conflito. Na maioria das empresas só este passo revela duplicações (o mesmo cliente em três sistemas com três grafias) e dados críticos que vivem apenas na cabeça de um colaborador.
2. Infraestrutura: uma única fonte de verdade
Define-se uma só «casa» para cada tipo de dado — clientes no CRM, finanças na contabilidade, stock no sistema de inventário — e ligam-se entre si (com uma integração ou um data warehouse simples). A regra de ouro: um dado que vive em dois sítios ao mesmo tempo estará errado em pelo menos um deles. Se os próprios sistemas precisarem de ser substituídos, vale a pena parar e estudar a especificação de sistemas de informação antes de comprar seja o que for.
3. Qualidade: limpeza e regras de introdução
Limpam-se duplicações e campos vazios uma vez e definem-se depois regras que evitem a desordem seguinte: campos obrigatórios, formatos uniformes (telefone, NIF) e responsabilidade clara sobre quem introduz o quê. A qualidade dos dados é um hábito, não um projeto pontual.
4. Métricas e painel: responder a perguntas, não mostrar gráficos
Escolhem-se cinco a oito métricas que movem realmente o negócio (margem bruta por cliente, custo de aquisição, taxa de abandono, rotação de stock) e constrói-se um único painel que se atualiza automaticamente. Um bom painel responde a uma pergunta que um gestor faz todas as semanas.
5. Rotina de decisão: a reunião que olha para os números
Os dados só começam a devolver dinheiro quando existe uma rotina que os usa: uma reunião semanal ou mensal que abre com o painel, cada decisão acompanhada de um número e cada palpite («acho que os clientes saem por causa do preço») transformado numa pergunta testada nos dados. A cultura vence sempre as ferramentas.
Quanto custa a gestão e análise de dados
Um projeto básico para uma PME — mapeamento, ligação de fontes e um primeiro painel — situa-se normalmente entre cerca de 3.000 e 12.000 dólares, mais o custo mensal das ferramentas (o Looker Studio é gratuito; o Power BI parte de cerca de 10 dólares por utilizador). Um data warehouse e integrações complexas para uma organização maior começam por volta dos 15.000 a 45.000 dólares e sobem a partir daí. A comparação correta não é com «não fazer nada», mas com o custo silencioso das decisões erradas que hoje se tomam sem dados.
Onde entra a IA
A inteligência artificial mudou a economia da análise de dados para as pequenas empresas: o que exigia um analista a tempo inteiro faz-se hoje com uma pergunta em linguagem corrente. As principais ferramentas de BI já incluem conversa com os dados («mostra-me os dez clientes cuja rentabilidade mais caiu»), os modelos preditivos tornam-se realistas para prever procura e abandono mesmo em negócios pequenos, e a IA ajuda também na fase de limpeza, detetando duplicações e anomalias automaticamente. Mas a regra dos passos anteriores torna-se ainda mais afiada: IA sobre dados sujos produz disparates mais depressa e com mais confiança. Gestão antes de análise — sobretudo na era da IA.
Perguntas frequentes
Uma pequena empresa tem dados suficientes para isto compensar?
Sim. Mesmo um negócio com algumas centenas de clientes assenta em dados de caixa, contabilidade e marketing suficientes para responder às perguntas importantes: quem são os clientes rentáveis, qual é a margem real de cada produto e que canal de marketing funciona mesmo. As ferramentas são hoje suficientemente baratas para que uma só boa decisão pague o investimento.
Qual é a diferença entre análise de dados e BI?
BI (inteligência de negócio) é a categoria de ferramentas: painéis e relatórios que mostram o que aconteceu. A análise de dados é o processo mais amplo, que inclui também as perguntas, a limpeza, os modelos e as conclusões. Uma ferramenta de BI compra-se num dia; análise a sério exige primeiro definir o que se quer saber.
Quanto tempo demora a ver valor?
Um primeiro painel sobre dados existentes: duas a seis semanas. Arrumação completa da infraestrutura de dados: dois a quatro meses. O erro habitual é esperar pela «infraestrutura perfeita» — mais vale um painel modesto a funcionar este mês do que um data warehouse perfeito daqui a um ano.
É preciso contratar um analista ou pode ser um fornecedor externo?
Na maioria das PME não se justifica um posto a tempo inteiro. O modelo que funciona: um fornecedor externo monta a infraestrutura e os painéis, define a rotina de trabalho e fica em acompanhamento algumas horas por mês.