Big Data: o que é e qual a importância para o marketing?

1. O que é Big Data?
   1.1 Os 7 Vs do Big Data
2. Como o Big Data funciona?
3. O que fazer com tantos dados
4. As principais ferramentas de Big Data
5. Qual a diferença entre Big Data e BI (Business Intelligence)?  
6. O que é Small Data?
7. Quais são as boas práticas que um analista de dados deve adotar?
8. Como aliar o Big Data e o Marketing em prol dos negócios?
9. O que é preciso para trabalhar com Big Data

1. Volume: quantidade de dados coletados a serem analisados. Pode ser medido em Gigabytes (GB), Zettabites (ZB) e até em Yottabytes (YB).
2. Velocidade: agilidade na captação e no tratamento dos dados;
3. Vínculo: entendimento da conexão entre os dados, ou seja, como eles se relacionam e são hierarquizados;
4. Variedade: como os dados são gerados, de forma estruturada, semiestruturada ou não estruturados;
5. Variabilidade: analisa as variáveis relacionadas, como sazonalidades e eventos.
6. Veracidade: análise da acurácia de dados para evitar o acúmulo de informações inúteis no seu sistema.
7. Visualização: organização dos dados em esquemas visuais, como gráficos e tabelas.

1. Integração: métodos tradicionais de integração como o ETL não dão mais conta do volume e das diferentes fontes de origem de dados que existem hoje. Uma integração eficiente de big data é essencial para que todas as unidades do negócio tenham acesso às informações e possam usá-las.
2. Gerenciamento: os dados precisam ser armazenados com segurança e em locais que os times de diferentes setores consigam acessá-los. A nuvem tem sido a solução adotada no big data, por permitir inclusão de recursos e espaço de armazenamento sob demanda.
3. Análise: é neste momento que os dados vão basear a tomada de decisão dentro de um negócio. Além de explorar os dados, é preciso torná-los compreensíveis para compartilhá-los com os outros. Modelos de machine learning e inteligência artificial tem sido utilizado para facilitar a vida dos analistas.

1. Desenvolvimento de produtos: dados de grupos focais, mídias sociaism mercados de teste e lançamentos antecipados são usados para antecipar a demanda dos clientes e, assim, criar produtos que solucionem suas dores.
2. Manutenção preditiva: a indústria automobilística é a principal beneficiada pelo Big Data neste quesito. Os dados de sensores, marca, ano e modelo de equipamento são usados para identificar possíveis problemas e, assim, realizar a manutenção do equipamento antes que eles ocorram.
3. Experiência do consumidor: dados de redes sociais, visitas de sites e registros de chamadas são usados para melhorar a interação com o cliente. É graças ao Big Data que se tornou possível oferecer produtos e ofertas personalizadas.
4. Segurança: o Big Data auxilia a impedir invasões de hackers, ao estabelecer padrões em dados que indicam fraudes. Ainda, ele permite saber a geolocalização e quais plataformas foram usadas como porta de entrada pelos invasores, o que facilita o planejamento de novas estratégias de segurança.
5. Machine learning: O conceito refere-se à capacidade de um sistema de modificar o próprio comportamento de forma autônoma, com base na experiência. São os dados que permitem o aprendizado da máquina , que não precisam mais ser programadas.
6. Eficiência operacional: o grande volume de dados à disposição permite detectar falhas na produção e corrigi-las, além de antecipar demandas futuras. O Big Data também se tornou indispensável na toma de decisões que estejam de acordo com as tendências do mercado.

• Import.io: indicada para extração de dados open source.
• Apache Hadoop: plataforma usada para aumentar ou diminuir o tamanho de qualquer arquivo.
• Oracle Data Mining: além da mineração, a ferramenta de Big Data permite criar modelos preditivos, desenvolver perfis e detectar anomalias no sistema.
• Statwing: ferramenta de análise estatística.
• Tableau: indicado para visualizar dados, por meio de mapas, gráficos e tabelas.
• Pentaho: usado na integração de dados de diferentes fontes.
• Mindminers: ferramenta de Big Data para realizar pesquisas automatizadas.

1. Coleta: o ideal é trabalhar com um grupo amostral o mais variado possível, para evitar um viés na pesquisa. A dica de Martin Lindstrom é entrevistar pessoas estrangeiras e sem conhecimento prévio da marca, produto ou serviço.
2. Clues (pistas, em português): como uma espécie de Sherlock Holmes, o analista de inteligência de mercado deve descobrir os desejos e dores do público-alvo por meio de objetos ou atividades.
3. Conexão: as pistas encontradas devem ter ser interligadas para oferecer insights.
4. Causa: o pesquisador precisa descobrir por que ou pelo que as pessoas agem de uma determinada maneira.
5. Correlação: o analista deve se indagar se alguma experiência pessoal dos entrevistados pode ter influenciado mudanças de comportamento.
6. Compensação: as soluções encontradas na pesquisa e propostas pelos analistas devem compensar a insatisfação do cliente.
7. Conceito: todo o small data levantado deve ser usado pela equipe de planejamento para criar o conceito capaz de solucionar ou atender as demandas do cliente.

1. Alinhe o Big Data com os objetivos da empresa: antes de capacitar o time e investir em projetos e infraestrutura, é necessário entender o objetivo do seu negócio, pois a aplicação do Big Data é múltipla. Os dados podem ser usados para entender o comportamento do consumidor em um e-commerce, os sentimentos dos seguidores da marca nas redes sociais, a velocidade de resolução de problemas do time de atendimento, só para citar algums exemplos.
2. Crie um centro de excelência para compartilhar conhecimentos: esta abordagem permite o controle da supervisão e da gestão das comunicações do projeto. Caso o Big Data ainda esteja sendo implementado, os custos podem ser compartilhados em toda a empresa, pois todos os setores acabarão sendo beneficiados.
3. Alinhe dados estruturados com não estruturados: a boa prática trará insights ao negócio, ao integrar o big data de baixa intensidade aos dados estruturados que já estiverem em uso. O big data deve ser visto como uma extensão dos recursos de business intelligence, data warehousing e arquitetura de informações.
4. Mantenha contato com todos os setores da empresa: analistas e cientistas de dados precisam trabalhar em colaborações com todos os times para entender quais lacunas precisam ser preenchidas. São eles que ajudarão os demais colaboradores a encontrar e analisar os dados que precisam para o desenvolvimento do negócio.
5. Domine o cloud computing: usar o big data conectado à nuvem é uma solução de armazenamento, integração, processamento, análise e modelagem. É preciso adotar uma estratégia de segurança de núvem pública e privada para garantir o controle de todo o fluxo de dados.

• Automação e otimização de processos;
• Escalabilidade;
• Suporte ao employer branding;
• Aumento de engajamento com a marca;
• Melhor precificação;
• Desenvolvimento de novos serviços ou produtos;
• Alcance de metas;
• Integração de informações;
• Análise de concorrência;
• Criação de conteúdos mais direcionados e diversificados.

1. Conhecimento básico de programação, em especial as linguagens de análise de dados (R, Python e SQL).;
2. Dominar os conceitos de Machine Learning, Internet das Coisas (IoT) e Inteligência Artificial (IA);
3. Conhecer as principais ferramentas de infraestrutura de Big Data (Hadoop, MapReduce e Spark);
4. Pensamento crítico;
5. Raciocínio lógico;
6. Análise de riscos;
7. Resiliência;
8. Capacidade de solucionar problemas;
9. Colaboratividade;
10. Comunicação assertiva.