Helberth Cavalcante Soares é CEO da BHS Kriptos, professor convidado pela Fundação Dom Cabral (FDC), MBA Executivo pela FDC, bacharel em Administração com ênfase em Marketing e graduado em Tecnologia de Processamento de Dados. Empresário do setor de TI e palestrante em temas de negócios, gestão e tecnologia.
Introdução
Este artigo não tem o objetivo de resolver em si todos os conceitos e possibilidades de tecnologias de análises de dados. Por outro lado, ele foi escrito para que você leitor ou leitora que está no mercado de trabalho ou acadêmico possa se familiarizar com os principais marcos e conceitos que fizeram a tecnologia digital, em particular, a análise de dados, ser tornar vital para o sucesso do seu empreendimento.
É um artigo prazeroso e dentro do possível o menos técnico, embora, os encorajo, ao se defrontarem com algum “tequiniquês”, buscarem através de novas pesquisas a definição daquela palavra e/ou termo específico que lhe cause curiosidade.
Você seguramente, após esta leitura, terá uma compreensão mais aguda sobre o que é importante para avançar em se tornar um profissional digitalmente mais informado na tomada de decisão baseada em dados. Cabe ressaltar que preferi estruturá-lo em uma linguagem mais leve e baseada em tópicos, mas que se comunicam e fecham um raciocínio.
Vivemos um momento em que dados deixaram de ser apenas um ativo de suporte e passaram a ocupar o centro da estratégia das organizações. No entanto, mais importante do que possuir dados é saber como extrair valor deles — e, mais recentemente, como interagir com eles de forma inteligente.
Este artigo não pretende esgotar o tema de analytics, mas sim oferecer uma visão estruturada e atualizada sobre os principais conceitos que moldaram — e continuam moldando — o uso de dados nos negócios. Ao longo da leitura, você perceberá que estamos atravessando uma transição importante: da análise tradicional para uma nova era impulsionada pela inteligência artificial generativa.
Um breve contexto histórico
A necessidade de registrar, interpretar e aprender com informações acompanha a humanidade desde suas origens. Dos hieróglifos egípcios às primeiras formulações matemáticas da Grécia Antiga, já existia um esforço claro de identificar padrões e apoiar decisões.
Um exemplo clássico é atribuído a Tales de Mileto, que, ao observar variáveis climáticas ao longo do tempo, conseguiu antecipar safras mais produtivas de oliveiras — uma forma primitiva, mas eficaz, de análise preditiva.
O ponto central permanece o mesmo até hoje:
identificar padrões para tomar melhores decisões.
A evolução tecnológica e o papel dos dados
A partir do final do século XX e início do XXI, quatro grandes forças aceleraram a transformação digital e consolidaram o papel estratégico dos dados:
Cloud Computing
A computação em nuvem democratizou o acesso a infraestrutura tecnológica, permitindo escala, flexibilidade e redução de custos. Modelos como IaaS, PaaS e SaaS viabilizaram o crescimento exponencial de negócios digitais.
Mobilidade
Com a popularização dos smartphones, o acesso à informação tornou-se ubíquo. Decisões passaram a ser tomadas em tempo real (ou “near real time”) fora do ambiente tradicional de trabalho.
Redes sociais
Plataformas digitais redefiniram a forma como pessoas e empresas interagem, gerando volumes massivos de dados comportamentais.
Big Data
Caracterizado pelos clássicos “3 Vs”:
- Volume
- Velocidade
- Variedade
Hoje, frequentemente ampliados para incluir veracidade e valor, refletindo a maturidade do tema.
Do BI ao Analytics: evolução dos conceitos
Ao longo dos anos, surgiram disciplinas e tecnologias para transformar dados em valor:
- Business Intelligence (BI): foco em entender o passado
- Business Analytics (BA): uso de estatística e modelos preditivos
- Data Warehouse: armazenamento estruturado para análise
- Data Lake: armazenamento em larga escala de dados brutos
- ETL/ELT: processos de integração e transformação de dados
Esses elementos continuam relevantes, mas hoje fazem parte de algo maior: plataformas modernas de dados, frequentemente baseadas no conceito de lakehouse (integração entre data lake e data warehouse).
A mudança de paradigma: da análise à interação com dados
Até pouco tempo, o fluxo era relativamente linear:
Dados → Processamento → Relatórios → Decisão
Hoje, esse modelo evoluiu para algo mais dinâmico:
Dados → Plataforma → IA → Interação → Decisão (assistida ou automatizada)
A principal mudança? O usuário não apenas consome dados — ele conversa com eles.
A revolução da IA generativa no Analytics
A partir de 2023, a ascensão da IA generativa transformou profundamente of universo de dados.
Diferentemente dos modelos tradicionais de machine learning, focados em prever ou classificar, os modelos generativos são capazes de:
- Interpretar linguagem natural
- Gerar análises automaticamente
- Explicar dados de forma contextual
- Criar conteúdo e recomendações
Na prática, isso significa que perguntas como:
“Por que minha receita caiu no último trimestre?”
podem ser respondidas diretamente por sistemas inteligentes, sem necessidade de construir consultas complexas ou dashboards.
Novos conceitos que estão redefinindo o Analytics
- Augmented Analytics: Uso de IA para automatizar insights e análises.
- Data Copilots: Assistentes inteligentes integrados às ferramentas de dados.
- Agentes de IA (AI Agents): Sistemas capazes de executar tarefas completas de forma autônoma — desde análise até recomendação de ação.
- Data Products: Dados tratados como produtos consumíveis, com foco em valor de negócio.
- Reverse ETL: Movimento dos dados do ambiente analítico para sistemas operacionais, ativando decisões no dia a dia.
Tipos de análise: uma visão atualizada
Tradicionalmente, dividimos analytics em:
- Descritivo: o que aconteceu
- Diagnóstico: por que aconteceu
- Preditivo: o que pode acontecer
- Prescritivo: o que devemos fazer
Hoje, adiciona-se um novo nível:
Cognitivo / Generativo
- Explica automaticamente os dados
- Sugere hipóteses
- Simula cenários
- Apoia decisões em linguagem natural
Inteligência Artificial: do modelo ao contexto
A IA continua baseada em conceitos como:
- Aprendizado supervisionado
- Não supervisionado
- Por reforço
Mas o diferencial atual está na capacidade de contexto. Sistemas modernos conseguem entender intenção, conectar múltiplas fontes de dados e gerar respostas interpretáveis. Isso amplia significativamente o alcance da análise de dados dentro das organizações.
O novo papel do profissional de dados
O perfil do analista também evoluiu. Se antes o foco era técnico, hoje espera-se um profissional capaz de:
- Traduzir problemas de negócio em análises
- Utilizar IA como acelerador
- Questionar dados e hipóteses
- Comunicar insights de forma clara
Surge o conceito de:
- Analytics Translator
- Decision Scientist
- AI-enabled Analyst
E neste contexto houve um deslocamento natural e ao mesmo tempo essencial para as organizações que foi o empoderamento do colaborador de todas as áreas da empresa. O poder computacional e ao mesmo tempo as ferramentas, em sua grande maioria “no code” ou “low code”, habilitam a análise e tomada de decisão de forma mais fluída.
Data-driven na prática: o que realmente importa
Muitas organizações acreditam ser orientadas a dados por possuírem dados, dashboards e relatórios. Mas isso é apenas o começo. Ser verdadeiramente data-driven significa:
- Resolver problemas reais
- Gerar impacto mensurável
- Integrar dados à tomada de decisão
- Criar cultura analítica
Casos práticos mostram que iniciativas bem conduzidas podem gerar milhões em economia ou novas receitas — desde otimização de rotas até criação de novos produtos financeiros baseados em dados.
Governança, ética e riscos
Com o avanço da IA, surgem novos desafios:
- vieses algorítmicos
- privacidade e proteção de dados
- explicabilidade dos modelos
- decisões automatizadas
No Brasil, a Lei Geral de Proteção de Dados Pessoais continua sendo um pilar fundamental, mas agora precisa ser complementada por práticas de governança em IA, o que indubitavelmente gera a necessidade de revisão de processos, políticas, pessoas e investimento tecnológico.
Tomada de decisão baseada em dados: uma visão moderna
A decisão não depende apenas de dados. Ela é resultado da combinação de:
- dados
- experiência
- contexto
- julgamento
Legenda: Fonte: Baba, Hakem Zadeh, Toward a theory of evidence based decision making, 2012
Modelos como o “evidence-based management” reforçam que decisões mais assertivas surgem do equilíbrio entre análise e interpretação humana.
Além disso, é essencial superar barreiras culturais, como o chamado HIPPO (Highest Paid Person’s Opinion) — onde decisões são baseadas na hierarquia, e não em evidências.
Conclusão
Se antes o desafio era transformar dados em informação, hoje o desafio é muito mais ambicioso:
transformar informação em ação — de forma inteligente, escalável e cada vez mais automatizada.
A chegada da IA generativa não elimina a necessidade de análise — ela a amplia. Inclusive dependendo da criticidade e impacto da decisão, recomenda-se a supervisão e/ou intervenção humana para decisão final.
Organizações que conseguirem combinar:
- dados de qualidade
- tecnologia adequada
- cultura analítica – pessoas e capacitação
- uso estratégico da IA
estarão melhor posicionadas para competir em um cenário cada vez mais dinâmico e orientado por decisões rápidas.
Não menos importante é que tudo dito até aqui só será bem utilizado se a organização e as pessoas que a compõem entenderem o poder da Problematização, ou seja, como disse John Tukey, criador do Box Plot, para facilitar o entendimento de outliers: “Uma resposta aproximada para o problema certo, vale muito mais do que uma resposta exata para um problema aproximado” – vale a reflexão.
Reflexão final
A pergunta não é mais se sua empresa será orientada por dados.
A pergunta é: quem irá liderar as decisões — humanos, máquinas ou a colaboração entre ambos?
– Tema este sendo bastante discutido no Japão – Sociedade 5.0 – vale uma leitura a parte.
