Acabaram-se as férias! De volta ao trabalho!

Eu estava lendo um clássico de SciFi chamado The Black Cloud – sim, é daí que eu tirei o nome do post.

Este é uma daquelas histórias que deram a fama ao gênero: com cientistas e perigos intergalácticos, mas contada do ponto de vista da Humanidade, tal como nós a conhecemos. Eis um resumo: em 1963, um estudante de Astronomia detecta uma anomalia no céu [setentrional][setentrional_bitly]. Descobre-se, mais tarde, que essa “anomalia” é uma gigantesca nuvem de gás interestelar, deslocando-se a mais de 100 km/s (cem kilômetros por segundo! Conte 1… cem kilômetros!) em direção ao Sol. Essa nuvem provoca uma violenta catástrofe por aqui e, por muita, muita sorte, não destrói a Terra de uma vez. (Não vou dar spoiler! Leia, é do balacobado!)

Boa Ciência

Pouco depois do começo da história é formado um time de cientistas (físicos em sua imensa maioria) para estudar a Nuvem, a fim de orientar as decisões dos governos do mundo face à novidade. Eles prevêem um certo cenário, mas ele não acontece. Daí outro, e também a coisa não se passa como esperado, e mais um, e outro… Ou seja, erram um monte, pois a tal da Nuvem comportava-se de maneira “errada”. A certa altura, discutindo como interpretar um certo fenômeno impossível (mais um…), um dos cientistas solta o comentário:

Russo rosna...
Russo rosna…

Tradução “limpa”:

“Porcaria de Ciência ruim!”, rosnou Alexandrov. “Obter correlação após fato, Ciência de porcaria. Ciência só prever.”

Alxenadrov, como o nome sugere, é um russo, e por isso ele tem essa forma de expressão… crua, digamos assim. Ao “exclamar” esse comentário, ele contestava o debate, dizendo que adiantava nada achar uma explicação para os fatos. Se quisessem mesmo entender o que está acontecendo na Nuvem, era preciso testar essa explicação: se ela for capaz de prever o comportamento da Nuvem – que é o que mais interessava à eles – então você fez boa Ciência, gerou conhecimento e progrediu. Caso contrário, é uma explicação furada ou imperfeita e precisa ser revista ou melhorada.

Fazer o contrário, adotar uma explicação pós-fato e confiar nela porque explicou o que aconteceu, é o mesmo que apostar numa corrida de cavalos que já acabou (falam exatamente isso para explicar os termos do Alexandrov para as personagens não-cientistas.) Vem daí o “bloody science” do russo, que a educação manda traduzir por porcaria, mas que é melhor representada por outra palavra, também começada com P. :-)

E o que isso tem a ver com BI? Por que esse assunto tão nada a ver logo no começo do ano?

Já, já chego nisso. Antes, uma pequena revisão.

Inteligência de Negócios

No post Paz, Afinal III, eu defini BI pela última vez na minha vida com essa frase:


Inteligência de Negócios é a disciplina de busca da compreensão dos negócios de uma organização mediante a aplicação do Método Científico.


Revendo, acho dá para simplificar:


BI é o uso do Método Científico por uma organização para melhorar sua administração.


Daí, seguindo nesta trilha, no post Full Metal BI Itch eu desenvolvi o argumento de como a aplicação do Método Científico aos dados de uma empresa produzem valor. Eis o trecho relevante:


(…) E se você pudesse voltar um ano? O que faria? Mandaria alguém embora? Cancelaria uma venda ou faria mais pedidos de matéria-prima? Ou faria tudo igual, de novo?

Você há de concordar comigo que, se pudesse mesmo voltar um ano, muito provavelmente faria alguma coisa diferente. Duvido que você não tenha um único arrependimento sequer. Não? Mesmo? E o dólar?

(…) Se pudesse voltar um ano, saberia quando comprar e vender moeda estrangeira e faria uma grana fácil!

Curiosamente, esse poder de “prever o futuro” existe hoje, mas raros usam-no. Quem dá a uma empresa o poder de prever o futuro é justamente Data Mining, em particular, e Inteligência de Negócios, em geral!

Claro que não é possível prever, com exatidão, o valor que o dólar vai ter amanhã, ou semana que vem, ou… Não se trata disso. Se trata de, sabendo como um negócio funciona, bolar uma equação matemática – um modelo matemático – que ajude a calcular as chances de determinadas situações acontecerem.

Daí, baseados nesse modelo, que é a informação tirada dos dados, podemos tomar decisões com chances melhors de sucesso. Evidentemente não é uma decisão garantida, mas entre optar por um caminho ao invés de outro por pura intuição, ou fazer uma escolha embasado no que já aconteceu, obviamente preferimos apostar no que já vimos acontecer. (…)


Resumindo: BI é a aplicação do Método Científico para, a partir da observação de eventos passados, tentar prever (=tomar a melhor decisão) o que vai acontecer.

BI & Ciência

Acho que a relação entre a exclamação do Alexandrov e BI ficou evidente: são a mesma coisa.

Para que iríamos querer olhar os dados que já são passado? Apenas para explicar porque algo aconteceu como aconteceu? Seria muito estéril aplicar tanto esforço por um consolo intelectual.


Ah, fracassamos porque nossa taxa de falhas nos itens da linha de produção número um eram superiores a 1 em 10.000… Que peninha…


Claro que não é para entender, só entender! É para entender o quê levou as coisas a serem como foram, e então evitar que o mesmo problema se repita! Ou que as mesmas oportunidades sejam perdidas! Ou, ou, ou…

Alexandrov colocou de uma forma muito simples, clara e, bom, elegante (numa forma russa de ser, hehe) de se explicar o propósito do ramo da Inteligência de Negócios: fazer boa Ciência (com os dados da empresa!)

Uma Nuvem Negra

Na história, a certa altura, a Terra começa superaquecer (levando à morte milhões de pessoas) porque a Nuvem refletia o Sol e, ao chegar mais perto, mandava mais calor para a Terra.

Depois, quando a nuvem chega, ela obscurece o Sol, e a Terra cai em um inverno profundo, intenso, no qual outros milhões morrem.

IMHO, esses trechos da história também ecoam a realidade da indústria de BI.

Visto de longe, chegando, toda tecnologia associada ao jargão Business Intelligence, parece brilhar com luz própria, anunciando um futuro iluminado, onde nenhuma sombra será vista pairando sobre nosso conhecimento! A chegada das ferramentas de BI na sua organização trará uma nova era de conhecimento, rico e valioso conhecimento!

… Até que tudo é instalado e posto a funcionar e, pouco tempo depois, em muitos dos casos, tudo não parece mais tão claro. Não vou querer esticar esse paralelo ao ponto de dizer que todo projeto de BI acaba em mortes de milhões de inocentes, mas sim, quem já passou por um projeto desses sabe que o mundo real acaba sendo mais sombrio e complicado que a expectativa.

Se já é difícil fazer boa Ciência, imagine em um ambiente que não permite experimentos, como uma empresa.

O truque – que, me parece, cada um precisa aprender sozinho – é saber navegar o dia-a-dia da organização, atingindo expectativas, com um olho no futuro e outro no passado. Até mesmo por isso é que BI é um apoio para a estratégia da empresa. (O que me leva mais uma vez ao argumento contra BI em tempo real. Mas estou digredindo, vamos voltar.)

Bloody Conclusion

Ah, ano novo! Tantos clichês, tão pouco espaço… :-)

Eu queria que o primeiro post do ano trouxesse algo mais fundamental, mais na raiz do sucesso de projetos de BI, seja você da área de negócios ou TI. E, sucesso, é ajudar a organização a crescer e se manter.

BI é valioso. BI cria valor para a organização, e por valor eu quero dizer dinheiro, seja aumentando o faturamento, seja reduzindo custos ou melhorando a produtividade.

Se você quer que sua organização viceje e floresça, então você precisa aplicar o que os dados ensinam. A cultura de BI que experimentamos hoje, tal qual uma nuvem, suaviza os contornos da realidade e dá muita relevância às ferramentas, tendendo a deixar de lado o aspecto científico (=do conhecimento.), que é justamente o como as análises criam valor. E o mais complicado dessa situação é que ela não é óbvia. É preciso dar um passo para trás e tentar ver a bloody big picture para apreender como o conhecimento gerado pela análise de dados está sendo reinjetado na empresa, para melhorar seus resultados.

Quando aplicam-se conclusões que explicaram o passado, mas não foram testadas contra o futuro, BI falha em criar valor e, não raro, pode destruir valor na organização. Esse é o cuidado que temos que ter. Esforce-se em aprender a transformar o conhecimento em valor, através do estudo dos dados.

Isso, bloody comrade, é que é bloody BI. Bloody 2017 para todos nós! :-)

Anúncios

2 comentários sobre “A Nuvem Negra

  1. Fábio,

    Gosto desses ganchos que você pega de coisas tidas como nada a ver com BI. Te incentivo a continuar fazendo isso. Deixa o assunto mais interessante e estimula o raciocínio e até a cultura. Inclusive vou comprar o Nuvem Negra. Parece uma boa leitura.

    Gostei da abordagem que você apresentou de BI como método científico. Faz sentido para mim, e, com essa visão, pode-se aprimorar os processos de BI. Me agrada pensar que eu posso partir de Aristóteles e aumentar a qualidade do meu trabalho em inteligência de negócio. E há quem pergunte: por que estudar filósofos se nunca vou usar no meu trabalho? Isto é mente fechada, na minha opinião.

    Já que, como você diz, BI não existe (risos), por mais que a gente estude e trabalhe com, ficamos na dúvida sobre o que é ou não é BI. Olhar Business Intelligence como ciência pura me fez pensar o seguinte: BI e Ciência de Dados seriam a mesma coisa? Fico com a impressão de que Ciência de Dados está sendo vendida no Brasil mais como um chavão e relacionado especificamente com Big Data.

    E sobre testar o que foi aprendido com o passado, isso se daria em ambiente de teste ou de produção?

    Tento explicar melhor a minha dúvida: como você colocou bem, o ambiente empresarial não dá espaço a experimentos. Vejo a garimpagem de dados como uma etapa inerente a um ciclo de análise de dados que alimenta um novo ciclo aprimorando o ciclo anterior, incluindo a garipagem e ações tomadas a partir da análise. Acho que esta seria uma forma de experimentar em produção, que, aliás, não sei se os empresários têm paciência suficiente para isso. Aproveito para, permita-me, indicar o livro The Art of Data Science: A Guide for Anyone Who Works with Data, de autoria de Roger D. Peng e de Elizabeth Matsui. O livro fala sobre o epiciclo de análise de dados. Já o modo de experimentar em ambiente de teste seriam aqueles testes que são feitos na garimpagem com uma parte do conjunto de dados após o treinamento feito com algum algoritmo. Isso sim seria mais viável. Estou certo em meus conceitos? Há outras formas de fazer testes em BI? E, voltando à minha dúvida anterior: experimentamos em ambiente de teste ou de produção?

    Saudações.

    Rafael Igor

    1. Rafael, obrigado pelo incentivo. Acredite-me, exige algum grau de coragem para sair misturando essas coisas e outro tanto para falar isso em público. Sempre me pergunto se esse terá sido o post que passou dos limites…

      Sobre estudar Filosofia, vou te contar uma coisa. Meus últimos anos de escola foram no Colégio Batista, em São Paulo, entre 1988 e 1989. Bem em 1989 decidiram que as turmas do terceiro colegial deveriam ter aulas de… Filosofia! Eu sempre sentei na frente, e – burro pacas – amarrei uma tromba deste tamanho desde a primeira aula. Não fui mal-educado ou grosseiro, só demonstrava claramente que eu não estava gostando. Só que o professor era do balacobaco. Ele aguentou a minha cara – e a má-vontade da turma inteira, diga-se de passagem – pela primeira aula. Na segunda, ele começou a falar e, de repente, olhando para minha cara, parou e disse “vocês não gostaram de ter essa aula, né?” Explicamos que estávamos muito aborrecidos e que não gostamos da idéia e que não víamos necessidade e que tinha o vestibular e isso e aquilo e etc.

      Eu não vou me lembrar do teor exato das palavras, mas o resumo daquela conversa é que ele nos mostrou como Filosofia não apenas era uma coisa viva (eu nem imaginava que existia faculdade disso!), como também era importante para nossas vidas e, acima de tudo!, vivíamos em um mundo moldado pela Filosofia pensada (criada?) há milhares de anos! Éramos ainda essencialmente a mesma coisa que os gregos, nada mais, nada menos!

      E aquilo gerou um impacto tremendo em mim. Eu passei a ver o mundo como uma alegoria da caverna em carne-e-osso, viva, concreta – até porque é! O que existe em nossas mentes é uma representação, uma sombra, do que se passa no mundo real!!

      Então, meu caro, eu me perguntei porque estudar Filosofia, eu fui respondido: porque é de onde vem a realidade. ;-)

      Talvez não tenha sido de todo um voluntarismo da minha parte cursar Física, ou Filosofia Naturalista no nome original. ;-D

      Agora, respondendo suas perguntas.

      BI e Ciência de Dados seriam a mesma coisa? Ainda não sei. Eu diria que Ciência de Dados está mais alinhado a Data Mining que a BI. Para mim, Data Mining é o cerne, o núcleo de BI, então acho que a comparação pode ser válida – acho. Por outro lado, Data Mining é um processo, e BI é uma disciplina que envolve tudo, processos e ferramentas. Não sei. O mais honesto que eu consigo dizer hoje é isso – talvez, mas eu não sei. Boa idéia para um post, não? :-) Agora, o Brasil sofre de um certo Cargo Cult crônico, e por isso, neste ponto, eu tô contigo: está entrando como mais uma buzzword, e pior, uma que carrega um significado análogo ou mesmo equivalente a “BigData”, por mais exótica que essa associação possa parecer.

      Como testar em produção o que foi aprendido com o passado? Te devo um pedido de desculpas, hehe. O post da semana passada, que demorou tanto que acabou saindo no sábado ao invés de na quarta-feira, tratava justamente disso. Eu deveria ter te respondido antes, te avisando que essa resposta estava a caminho, mas não o fiz. Nem tudo é decepção, porém! Eu mencionei teu comentário no final do post – e juropordeus! – foi mera coincidência. Eu já estava no final quando seu comentário apareceu!

      E como é esse teste? Você pode ir direto ao final do post da semana passada mas, em resumo, é “coloque seu modelo para tomar decisão”.

      Vou ter que escrever um post inteiro para responder com clareza, pois já estou abusando demais da área de comentários, mas pense assim: qual é o produto da análise? Uma conclusão. E para que serve uma conclusão? Para tomar uma decisão. Data Mining, que sempre analisa dados reais, obtidos da produção, não entrega uma conclusão estática, mas sim um modelo (Matemático ou no mínimo algorítmico) de como tomar uma decisão. Colocar esse resultado em produção significa, portanto, usar o modelo para tomar a decisão – remover a pessoa da equação. Muitos consideram isso IA, e não deixa de ser uma forma de IA, mas não podemos confundir o processo de descobrir o modelo, tocado por um ser humano, com o procedimento de alimentar um algoritmo e obter uma resposta, emulando uma inteligência, ok?

      Tome o exemplo a seguir. Seja o cliente X, que acabou de se registrar no site. Qual sugestão feita hoje terá a maior chance de gerar uma venda?

      Entende que essa é uma decisão de negócio que só pode ser tomada por quem conhece o cliente, o negócio e os produtos? Em uma era de e-commerce ubíquo, onde até os taxis são “comprados” por meio da Internet, como o dono da empresa vai conseguir conhecer os hábitos e gostos de todos os clientes, e decidir como aproveitar uma interação com ele?

      Usando Data Mining para extrair um modelo de todos os dados, e usando esse modelo para tomar essas decisões automaticamente – em produção.

      Ajudei? Ficou mais claro?

      Até a próxima!

Deixe um comentário

Preencha os seus dados abaixo ou clique em um ícone para log in:

Logotipo do WordPress.com

Você está comentando utilizando sua conta WordPress.com. Sair / Alterar )

Imagem do Twitter

Você está comentando utilizando sua conta Twitter. Sair / Alterar )

Foto do Facebook

Você está comentando utilizando sua conta Facebook. Sair / Alterar )

Foto do Google+

Você está comentando utilizando sua conta Google+. Sair / Alterar )

Conectando a %s