"BIG DATA X PÉSSIMAS ANÁLISES", O DESAFIO A SER VENCIDO

Big data não é sobre os dados, é sobre as análises, segundo o professor da Universidade de Harvard Gary King - e existem algumas análises muito ruins lá fora. Um de seus exemplos recentes diz respeito a um grande projeto de dados que começou a usar feeds do Twitter e outras mídias sociais para prever a taxa de desemprego nos EUA. Os pesquisadores elaboraram uma categoria de muitas palavras que pertenceram ao desemprego, incluindo: emprego, desemprego e classificados. Eles capturaram tweets e outras mídias sociais que continham estas palavras, em seguida, olharam para as correlações entre o número total de palavras por mês nesta categoria e a taxa de desemprego mensal. Isto é conhecido como análise de sentimentos por contagem de palavras, e é uma abordagem de análise comuns, disse King.

O dinheiro foi levantado e trabalho se arrastou por um longo tempo e de repente houve um tremendo aumento no número de tweets que continham o tipo de palavras que caíssem nesta categoria. Talvez os pesquisadores haviam deixado passar alguma coisa. "O que eles não tinham notado foi que Steve Jobs havia morrido", disse King,professor da Universidade Albert J Weatherhead III e diretor do Instituto de Ciências Sociais Quantitativa em Harvard. Claro, tweets com "Jobs" postados por uma razão completamente diferente inundaram a rede.

King, cuja pesquisa se ​​concentra no desenvolvimento e aplicação de métodos empíricos para pesquisa em ciências sociais, disse que esses erros acontecem "o tempo todo", em análise de sentimentos pela contagem de palavras e outros programas de análise "off the shelf" . Isso porque essas abordagens tendem a confundir os seres humanos com os sistemas que respondem de maneiras completamente previsíveis. Isso é conhecido  como péssimo em analytics. "Nós somos muito bons em serem humanos, mas muito ingênuos tradando-se de computadores."

O orador principal na recente Text and Social Analytics Summit 2013 em Cambridge, Massachusetts, King fez questão que,sem dúvida, muitas empresas estão descobrindo como eles devem extrair valor a partir do pronto de origem dos dados que coletam e que são gerarados minuto a minuto. (Curiosidade: O volume de e-mail produzidos a cada cinco minutos é equivalente a todos os dados digitais na Biblioteca do Congresso.) O valor real em Big Data está na qualidade das análises, que muitas vezes exige cálculos matemáticos personalizados para o propósito de seu negócio em particular, não algo genérico como um programa off-the-shelf.

"Temos tentado comoditizar os analytics e há softwares lá fora que fazem um monte destas tarefas", disse King. Mas o software comercial que automatiza a "última milha", o trecho que separa um projeto de análise de Big Data vencedor de um coadjuvante, ele acredita que é raro, se é que existe algum.

CONTAGEM DE PALAVRAS CONTRA LEITURA ASSISTIDA POR COMPUTADOR

Uma característica comum de análise ruins envolve a formação de grumos de muitas classificações individuais para responder a perguntas sobre o zeitgeist. O projeto de análise Twitter descrito acima é um exemplo. Análise de sentimentos por uma contagem de palavras categóricas funciona por pouco tempo", mas se você fizer isso por mais tempo, isso será o suficiente para ele falhar catastroficamente", disse King.

Uma maneira de evitar erros de interpretação é de ler os posts - King trabalha com leitura assistida por computador para garantir que o post é realmente sobre o assunto. Isso requer semântica ao invés de contagem de palavras simples e é muito mais difícil de fazer.

Análises Ruins não se limitam à enormemente e difícil tarefa de analisar os não estruturados feeds de mídia social. Outro projeto de Big Data que deu errado descrito por King tentou descobrir as causas de morte em partes do mundo onde não há emissão da certidão de óbito. Uma maneira de coletar esses dados é ter pesquisadores indo de casa em casa fazendo o que é chamado de "autópsia verbal". Quais eram os sintomas do falecido exibidos antes de morrer,sangramento do nariz, dores de estômago?

Isso funciona muito bem, disse ele, até que você tente ligar o relatório verbal a um diagnóstico e o que você vai encontrar não necessariamente terá a mesma causa da morte de um médico para outro. O envio de um médico para a Tanzânia para fazer a autópsia verbal parece ter ajudado, mas isso pode ser um beco sem saída também. Um médico treinado em Boston, por exemplo, sem muita experiência em doenças tropicais, talvez não pense imediatamente em malária quando houver corrimento nasal e por sua vez reportará a causa da morte erroneamente. E enviar o melhor médico na Tanzânia em campo para fazer "este pequeno estudo", disse King, pode realmente acabar matando as pessoas, privando-os de um bem escasso, ou seja, um médico. O problema fundamental é que as análises estão focadas em classificações individuais quando o real objetivo da análise é a forma como toda a população foi distribuída.

"Na saúde pública, eles não se preocupam com você, eles se preocupam com "de que todo mundo morreu", disse King. A abordagem é ineficaz em muitos campos. "Uma vez que percebemos do que precisávamos para chegar a um método diferente para estimar a porcentagem na categoria que não tinha nada a ver com a classificação de um indivíduo."

Tratando-se do Brasil, este tipo de trabalho seria ainda mais complexo, levando-se em consideração o péssimo atendimento dos Serviços Públicos de Saúde onde médicos sequer dispõem de equipamentos para efetuar diagnósticos. Os médicos brasileiros além de enfrentar problemas de infraestrutura, ainda tem que lidar com as péssimas condições de trabalho as quais tem que se submeter para atender a população, e muito ao contrário do que você está imaginando, não estamos falando de povoados na Selva Amazônica ou cidades e povoados no Sertão Nordestino, também estão incluídos bairros das principais capitais do país.

Apesar de alguns hospitais públicos já contarem com os recursos da informatização, ainda é precário a qualidade dos dados informados, quando são informados, pois não há uma forma de se certificar que aqueles dados são confiáveis devido a forma de como são registrados e sem falar dos vários casos de desvio de verbas e corrupção na área da saúde. Portanto, qualquer tipo de trabalho a ser desenvolvido envolvendo a Análise de Big Data com dados obtidos a partir destes sistemas estaria fadado ao fracasso se não houvesse todo um trabalho de seleção e validação dos dados.

FERRAMENTAS DE ANÁLISE "IN-MEMORY" PODEM IMPULSIONAR O BIG DATA

Até agora, muitas empresas decidiram que big data não é apenas um chavão, mas um novo fato da vida empresarial - que exige ter estratégias em prática para o gerenciamento de grandes volumes de dados estruturados e não estruturados. E com a realidade de big data vem o desafio de analisá-lo de uma forma que traz o valor de negócio real. Negócios e de TI líderes que começaram por abordar grandes questões de gerenciamento de dados estão agora olhando para usar grandes análise de dados para identificar tendências, detectar padrões e recolher outros dados valiosos do mar de informações disponíveis para eles.

Pode ser tentador para sair comprando grandes promessas em termos de Softwares de Análise de dados, pensando que terá todas as resposta para as necessidades de negócios da sua empresa. Mas as grandes tecnologias de análise de dados por si só não são suficientes para lidar com a tarefa. Processos e pessoas analíticas bem planejadas com o talento e as habilidades necessárias para alavancar as tecnologias são essenciais para levar a cabo uma iniciativa eficaz de grandes análises de dados. Comprar ferramentas adicionais para ir além das aplicações de inteligência de negócios e análise existentes de uma organização pode até não ser necessário, dependendo objetivos de negócios de um determinado projeto.

No esforço contínuo por empresas para burlar o valor do negócio tangível de aglomerações de big data, as ferramentas de analise in-memory oferecem um caminho possível para desvendar insights que podem desencadear melhorias operacionais e apontar o caminho para novas oportunidades de receita.

Ao contrário do software de BI que executa consultas em relação aos dados armazenados em discos rígidos do servidor, a tecnologia in-memory consulta informações carregadas na memória RAM, o que pode acelerar significativamente o desempenho analítico, reduzindo ou até mesmo eliminando probelas de I/O em disco responsável pelo estrangulamento do business intelligence convencional. Consultores e usuários experientes dizem que o aumento da velocidade resultante é particularmente atraente para grandes aplicações de análise de dados que envolvem complexos cenários hipotéticos e grandes quantidades de informação a partir de uma variedade de fontes de dados.

"O maior benefício para a análise in-memory é a velocidade de análise e exploração", disse Cindi Howson, fundadora do BI Scorecard, uma empresa de pesquisa e consultoria em Sparta, NJ, que publica avaliações técnicas de ferramentas de BI e Analytics. A latência de dados que muitas vezes descamba para consulta BI tradicional "interrompe todo o processo de pensamento" para usuários de negócios, disse Howson. Ela citou flexibilidade analítica como outra análise em memória como um plus: "Com as ferramentas na memória, os usuários podem fazer perguntas de negócios que nunca poderia fazer antes, porque a tecnologia era muito lenta." 

Esse é o caso da Cheezburger Inc. O operador de sites de humor com sede em Seattle r, que atraem um total de 500 milhões de page views por mês é obter bons resultados com uma iniciativa nas análises de Big Data In-Memory, de acordo com Loren Bast, que foi diretor de BI do Cheezburger até deixar a empresa em abril.

Mergulho profundo em muitos dados

Inicialmente, a Cheezburger tropeçou na tentativa de acompanhar e analisar os dados sobre o seu tráfego on-line em um esforço para discernir padrões de comportamento do usuário. "Nós mergulhamos fundo na piscina do big data, e nós estávamos certos de fazê-lo grande, simplesmente não fazendo a coisa certa," afirmou Bast , enquanto ele ainda estava na empresa. Apenas 10% dos dados capturados acabou sendo relevantes para o programa de análise e limpos o suficiente para serem dignos de confiança, acrescentou.

A equipes de BI se reagruparam, voltando-se para o QlikView, software in-memory analytics da Qlik Technologies Inc. 's, para uso contra os conjuntos de dados específicos armazenados no Hadoop e outros repositórios. Bast disse que o sistema in-memory deu aos usuários de negócios da Cheezburger muito mais flexibilidade para a criação de consultas em tempo real e juntando informações de diferentes fontes de dados para obter respostas às suas perguntas de negócios.

"Sem in-memory, era realmente tedioso para construir relatórios, especialmente dinâmica, relatórios personalizados", disse ele. "Agora podemos resolver com uma comunicação precisa e muito mais rápido do que costumava fazer." Isso permite que aos usuários "fugir do trabalho pesado" e passar mais tempo agindo sobre os dados de tráfego do que analisá-los, Bast acrescentou.

Ferramentas de análise em memoria (In-memory analytics tools) podem tornar mais fácil para as organizações a capitalizar em volumes crescentes de Big Data, mas isso não significa que a combinação virá sem desafios. O custo relativamente elevado de memória RAM em comparação com armazenamento em disco tem sido uma barreira para a sua adoção, assim como os problemas de escalabilidade relacionados com as restrições de memória de servidores. Essas preocupações têm sido um pouco aliviada pela queda dos preços de memória e à crescente disponibilidade de sistemas de 64 bits que suportam capacidades significativas de expansão de memória.

A boa governança necessária em in-memory analytics

Além disso, a governança de dados é uma questão que as organizações terão que enfrentar à medida que mais e mais usuários de negócios tenham acesso aos aplicativos na memória, disse Tapan Patel, gerente de marketing de produto global para análise preditiva e data mining em fornecedor de software SAS Institute Inc. "você tem que evitar um cenário onde vários silos de dados aparecem ", disse ele. "Maior integração de ferramentas de análise em memória com a camada de dados tradicional será fundamental para evitar a replicação de dados."

Conectividade perfeita com Hadoop - a tecnologia de código aberto que tornou-se quase sinônimo de big data devido à sua capacidade de forma rentável para armazenar grandes quantidades de dados estruturados e não estruturados e que é um dos pontos críticos para a integração que permite a análise de Big Data em memória. "In-memory analytics e Hadoop são tecnologias muito complementares e na maioria dos casos ambos têm um lugar em ambientes de Big Data", disse John Appleby, diretor da consultoria em implementações de SAP AG´s HANA appliance de computação in-memory na Bluefin Solutions, uma empresa de consultoria e integradora de sistemas com sede em Londres.

Mas as ligações entre sistemas Hadoop e ferramentas de análise em memória são ainda relativamente imaturas, de acordo com Appleby. Ele disse que a flexibilidade do Hadoop para lidar com dados não estruturados de uma forma sem esquema encontra-se em contraste direto com a necessidade do software na memória ter algum nível de estrutura para análise de dados. "Os tipos de modelos de dados criadas nos dois mundos não têm a mesma aparência", disse Appleby. "Você tem duas fundações diferentes em que você precisa de um único ponto de vista, e ninguém tem a resposta ainda. Este é um problema que as organizações estão apenas começando a lidar."

Mas isso não está parando a Cheezburger. Bast disse que a empresa está usando o QlikView em conjunto com Hadoop para determinar quais dados olhar e em seguida analisar as informações em um esforço para melhorar o planejamento de conteúdo e detectar anomalias que podem apontar para problemas técnicos ou promocionais, por exemplo, um pedaço de conteúdo que tem um grande número de comentários, mas não recebo muito tráfego. O resultado, acrescentou, é recebido em menos tempo de espera para consultas para executar seu curso: "Nossas decisões são tomadas muito mais rápido."

NICE introduz o novo Customer Engagement Analytics, a primeira plataforma da indústria que combina Interaction Analytics e Transaction Analytics

A plataforma Big Data da NICE oferece insightssobre todas as etapas da jornada multicanal do cliente, que podem serutilizados pelas organizações para implementar diversas iniciativas de negócios

NICE Systems (NASDAQ: NICE) anunciou a introdução da sua nova plataforma Customer Engagement Analytics , a primeira do mercado que combina a análise de interações e de transações. A plataforma permite que as organizações capturem e analisem os dados Big Data gerados pelo envolvimento do cliente através de múltiplos canais, e mapeiem todas as etapas da jornada do cliente. Isto aproxima as organizações de seus clientes, habilitando-as a compreender melhor as preferências e os comportamentos destes. 

“A complexidade do relacionamento entre clientes e empresa continua a aumentar devido à quantidade interminável de dados gerados no envolvimento do cliente. Mas, por trás de todos estes dados, há um amplo conjunto de informações, a partir do qual é possível extrair um valor comercial inestimável”, disse Keith Dawson, Analista Chefe da Ovum. “O desafio de descobrir este valor tem dois objetivos. Em primeiro lugar, todos esses dados devem ser capturados, relacionados e analisados através dos pontos de contato. Então, utilizando os insights gerados a partir desta análise, a organização deve tornar essas informações aplicáveis.” 

  

A plataforma Customer Engagement Analytics da NICE oferece um panorama completo da jornada do cliente, tanto em âmbito individual, por diversos grupos e segmentos, quanto em âmbito global da base de clientes. Isto ajuda as organizações a fornecer uma excelente experiência ao cliente, ao mesmo tempo aprimorando seus procedimentos de negócios e sua eficiência. A oferta conta com as seguintes tecnologias avançadas: 

  

•    Coleta de dados Big Data por meio de múltiplos canais – O sistema coleta dados de interações e operações dos clientes por meio de múltiplas fontes de dados, tais como sites, e-mails, telefones, redes sociais e bate-papos, e a partir de diferentes sistemas, tais como CRM e sistema de faturamento. Ele também realiza um processamento prévio dos dados brutos para permitir análises mais eficientes. 

  

•    Análise de dados Big Data – O mecanismo de análise da NICE é capaz de interpretar quantidades massivas de dados, tanto estruturados quanto não estruturados, permitindo que as organizações realizem o mapeamento e a visualização da jornada do cliente, bem como o sequenciamento de contatos repetidos e a identificação de tendências. 

•    Operacionalização de dados Big Data – Os insights extraídos a partir da análise de dados servem como catalisadores de mudanças dentro de uma organização, tais como mudanças na política de negócios e processos de toda a empresa, bem como ações mais específicas, tais como o treinamento e a orientação de um agente. 

  

A primeira solução a ser lançada na plataforma Customer Engagement Analytics é a Call Volume Reduction (Redução do volume de chamadas), sendo que há previsão de lançamento de outras soluções - tais como soluções de otimização de vendas e de análise da voz do cliente - em um futuro próximo.   

  

Por exemplo, no caso da redução do volume de chamadas, uma operadora de telecomunicações pode descobrir que um grande percentual dos clientes que compraram um novo smartphone em determinada filial de varejo ligou para o serviço de atendimento ao cliente em até 72 horas após a compra para ativar uma conta de e-mail correspondente. Com base nesta informação, a operadora de telecomunicações pode orientar, em tempo real, os funcionários daquela filial específica que lidam com clientes a seguirem a política e oferecerem ajuda para a configuração do e-mail já durante a interação de compra. A operadora de telecomunicações também pode fornecer treinamentos direcionados para determinados agentes que precisem preencher lacunas de conhecimentos. Reconhecendo esta tendência e implementando proativamente uma solução, a operadora de telecomunicações será capaz de reduzir significativamente o volume de chamadas, minimizar os esforços dos clientes e aumentar a satisfação. 

“Toda jornada de cliente gera um amplo conjunto de informações sobre o indivíduo e sobre a organização envolvida que pode ser aproveitado para alcançar melhores resultados”, disse Yochai Rozenblat, presidente do Grupo de Interação com o Cliente da NICE (NICE Customer Interactions Group). “Nossa plataforma de análise Big Data fornece às organizações as ferramentas e tecnologias necessárias para ajudá-las a aprimorar seu desempenho de negócio. Ao fornecer insights a partir do amplo volume de dados coletados em todas as interações e operações do cliente, nossa plataforma oferece às organizações a capacidade de compreender melhor os clientes e suas necessidades, e de operacionalizar estes insights para proporcionar uma excelente experiência ao cliente”. 

FREE EBOOK - GUIA DO EXECUTIVO PARA ESTRATÉGIAS E MELHORES PRÁTICAS PARA BIG DATA

Big data tem sido uma das tendências mais badaladas e aguardados tecnologia dos últimos anos. Agora, como previsto, Big Data está começando a ganhar força, estendendo oportunidades promissoras para as empresas que buscam seus benefícios. Mas as tecnologias de Big Data são um longo caminho desde a adopção generalizada.

De acordo com uma pesquisa jun 2013 Gartner, 64% das organizações investiram ou estão planejando investir em Big Data a partir deste ano. No entanto, menos de 8%  dos entrevistados disseram que na verdade começou uma implantação. A pesquisa sugere que muitos líderes e interessados ​​ainda estão em processo de coleta de informações, decidindo quais os problemas de negócios o Big Data pode resolver, e experimentar com projetos pilotos.

Para ajudá-lo a construir a sua estratégia para a implementação de grandes dados de uma forma que oferece valor real para sua organização, a ZDNet e a TechRepublic montou esta coleção de artigos, conselhos e idéias daqueles que têm se confrontado com os desafios de transformar grandes promessas de dados em realidade.

Resumo: O investimento em big data está em ascensão, mas o valor do negócio permanece indefinido para muitas organizações. Este ebook vai ajudá-lo a mover-se para além do hype para formular uma estratégia sólida para sua empresa.

O ebook está disponível como um PDF para download gratuito para membros registrados ZDNet e TechRepublic. Se você não é um membro, você pode clique aqui para se cadastrar. Leva apenas um momento.

BANCOS SE UNEM A VAREJISTAS PARA ANALISAR HÁBITOS DE COMPRAS DOS CLIENTES ATRAVÉS DO BIG DATA

Os bancos estão se unindo com os varejistas para se aproximar dos clientes, analisando todos os dados coletados dos clientes, disse Andrew Jennings, Analista Chefe e Especialista em Fraudes da FICO.

A empresa fornece análises preditivas para as instituições financeiras, tais como Metro Bank e varejistas, como Wal-Mart, para ajudá-los a evitar fraudes e avaliar melhor os riscos.

Jennings afirma que as instituições financeiras estão começando a se comportar mais como varejistas.

"Em um mercado maduro, como os EUA, Reino Unido ou Canadá, onde o crédito é uma indústria madura e as pessoas têm uma carteira cheia de cartões de crédito, é muita ingenuidade para um banco acreditar que o caminho para aumentar as receitas é simplesmente emitindo mais cartões de crédito.

"A questão de um banco não é aumentar a quantidade de cartões de crédito, mas se perguntar: 'Como é que vamos chegar ao usuário utilizar o nosso cartão?'. Isto é análogo a um varejista que pergunta:" Como faço para que o meu cliente venha a minha loja para comprar aquela TV? '", disse ele.

Jennings disse que os bancos e os varejistas tiveram até agora apenas uma "relação simbiótica" e que os bancos estavam ansiosos para explorar o uso de analytics para outros fins além de rastrear fraudes propósitais.

"Os bancos solicitaram a FICO: 'Como você pode processar os dados para nos ajudar a construir fidelidade com o cliente? De modo que, se um cliente comprar um item, podemos fazer alguma coisa para fazer com que essa compra aconteça utilizando nosso cartão de crédito, em vez do cartão de crédito de um concorrente ", disse ele.

Em outras palavras, disse Jennings, um banco não pode fazer um cliente gastar £ 1000 que eles não estavam planejando passar. No entanto, se o cliente está planejando comprar uma TV nova de £ 1.000, por exemplo, então pode haver maneiras de incentivar o cliente a usar o cartão de crédito do banco ou para tomar um empréstimo.

De acordo com Jennings, o tipo de dados à disposição dos bancos tem muito mais profundidade do que os dados dos varejistas, mas os bancos ainda não estão vocacionadas para explorá-lo.

"Os dados disponíveis para os bancos são mais amplos do que um varejista teria, por isso podem ir muito mais a fundo e construir perfis significativos de clientes. Eles podem então perguntar:" Há seis meses, essa pessoa foi fazer compras no John Lewis e agora eles estão comprando no Primark. O que isso me diz? "

"Os bancos não são muito bons nisso, mas o ambiente competitivo os leva a ser bom no que fazem. Isso é o que estamos vendo hoje", disse ele.

Jennings acrescentou que os bancos irão garantir um acordo com os comerciantes credenciados a aceitar o cartão.

"O banco pode criar incentivos para os clientes para quem emite cartões para ir a uma loja use um determinado varejista. O Varejista irá falar, 'Se eu posso atrair mais tráfego para você, eu posso ter os meus próprios cartões'.

"Para alguém que foi analisado e encontraram informações sobre um grande numero de compras no DIY, o incentivo para o titular do cartão pode ser que se eles gastar mais do que £ 200 na B & Q no mês que vem, em seguida, um crédito de £ 20 será exibido em seu próxima fatura de cartão de crédito, por exemplo ", acrescentou.

Se observarmos hoje, no Brasil está ocorrendo a mesma união de bancos e varejistas. Devido a vários incentivos do Governo Brasileiro, vários cidadãos que não tinham acesso a cartões de crédito, hoje possuem vários e isto levou aos bancos e operadoras de cartões a fazerem acordos com as principais lojas e supermercados onde todos possuem Cartões de Crédito próprios. Com o crescimento substancial do poder de compra dos brasileiros, os principais varejistas estimulam os clientes portadores dos seus cartões a comprarem em suas lojas, porém falando de analises de Big Data, ainda estamos apenas no começo, por mais que estejam alardeando nas mídias.

BIG DATA, O FIM DE UMA TEORIA

Em 2008, o físico e editor da revista Wired, Chris Anderson, escreveu que a era Big Data representaria o fim da teoria, já que não era preciso especular sobre o melhor modelo, pois bastaria aplicar um algoritmo sobre os dados empíricos. Os críticos do Big Data não discordam disso, mas dizem que o uso dessa estatística turbinada pode levar a conclusões erradas.

Soma-se a isso o fato de as ferramentas de Big Data ainda não serem suficientemente boas. Karin Breitman, da PUC, observou que há carência de recursos semânticos eficazes, que compreendam o contexto e a mensagem dos dados na medida das necessidades.

Apesar dos desafios, a expectativa sobre o Big Data é enorme. A revista Economist escreveu que ele pode transformar os modelos de negócio de empresas centenárias. A RollsRoyce, sugeriu a publicação, pode deixar de vender turbinas para alugá-las cobrando de acordo com o uso. Sensores e o histórico do cliente dariam o preço.

A medicina também pode dar um salto. Com soluções de Big Data, decifrar o genoma humano dura apenas semanas, em vez da década que custava no passado. A colocação de sensores no corpo, que já está em curso em centros de pesquisa e algumas start-ups, vai presentear o mundo com uma variedade totalmente nova de dados que pode ser explorada com Big data para identificar problemas de saúde.

Patrícia Florissi, da EMC, diz que ainda é incipiente o uso da presciência da tecnologia. Por exemplo: como são capazes de entender imagens, softwares de Big Data poderiam monitorar as câmeras de uma cidade e acionar a polícia antes de um crime acontecer com base em padrões que antecedem assaltos e assassinatos. Sairíamos de “Moneyball” para cair em “Minority Report” – com os prós e contras disso.

PRIVACIDADE E ESCASSEZ DE MÃO DE OBRA QUALIFICADA SERÃO OS PRINCIPAIS OBSTÁCULOS PARA O BIG DATA NO BRASIL

O desenvolvimento do Big Data no Brasil terá vários desafios em um futuro bem próximo. O maior deles, como não poderia deixar de ser quando o assunto é dados, é a preocupação quanto à privacidade. Se a recomendação de links patrocinados pelo Google já parece invasiva à maioria das pessoas, o mundo e a legislação atuais não estão preparados para as possibilidades que o Big Data oferece de agregar e tirar conclusões de dados até então esparsos.

Gustavo Tamaki, gerente de vendas da Greenplum Brasil, da EMC, pondera que os usos mais invasivos do Big Data ainda não são uma realidade. Mas admite os riscos:

– Acho que toda tecnologia que surge também tem o seu lado ruim.

Para Karin Breitman, da PUC-Rio, os cientistas não devem autocensurar as pesquisas por causa da polêmica:

– Essa é uma questão ética. Cabe à sociedade impor limites à aplicação da ciência e da tecnologia, mas os pesquisadores precisam trabalhar no limite, na ponta.

Outro problema a ser enfrentado será a escassez de profissionais que reúnem habilidades em matemática, estatística e ciência da computação. O Big Data levou as empresas a uma disputa frenética por esse perfil e tornou a IBM a maior empregadora de matemáticos PhDs no mundo. O instituto McKinsey Global prevê que faltarão entre 140 mil e 190 mil desses profissional em 2018.

– Já há carência desse profissional no Brasil hoje. Se houver uma explosão do Big Data, certamente teremos problemas – advertiu Alexandre Kazuki, da HP, que prevê para 2013 a massificação da tecnologia por aqui.

Este problema também será enfrentado por todas as empresas que desejem entrar no mundo do Big Data, pois o desafio não se resume só a encontrar profissionais qualificados, mas também como identifica-los no mercado. O primeiro passo é saber o que procura e a partir desta informação, os RHs e empresas de recrutamento também precisam se preparar e qualificar para a tarefa de procura e contratação de mão de obra.