O que é análise de dados? Os 4 tipos e como usar

A análise de dados (data analytics) é o processo de examinar conjuntos de dados para identificar padrões, entender o comportamento do cliente e transformar esse entendimento em decisão de negócio. A análise de dados se organiza em quatro tipos, e cada tipo responde a uma pergunta diferente: a análise descritiva mostra o que aconteceu, a análise diagnóstica explica por que aconteceu, a análise preditiva estima o que tende a acontecer e a análise prescritiva indica o que fazer em seguida.

As ferramentas de análise chegam à empresa por dois caminhos. Existem como pacotes independentes, operados pela área de dados, e vêm embutidas em plataformas que já administram o dado de cliente, como uma plataforma de dados do cliente (CDP). A escolha entre os dois caminhos define menos a técnica e mais o pré-requisito: quanta engenharia o projeto exige antes de o primeiro número chegar a quem decide.

Principais conclusões

• A análise de dados cobre o caminho inteiro, da coleta e da limpeza à modelagem, à interpretação e à entrega do resultado a quem decide
• Os quatro tipos formam uma escada cumulativa: análise descritiva (o que aconteceu), análise diagnóstica (por que aconteceu), análise preditiva (o que tende a acontecer) e análise prescritiva (o que fazer em seguida)
• A entrada limita a saída. Quando a mesma pessoa aparece como quatro cadastros entre site, aplicativo, PDV (ponto de venda) e atendimento, os quatro tipos de análise erram juntos, e trocar de algoritmo não corrige
• A resolução de identidade (identity resolution) é o que torna o dado de cliente analisável por pessoa, e não por sessão ou por canal
• No Brasil, a LGPD entra antes da análise, não depois: cada finalidade de tratamento precisa de base legal registrada antes de o dado entrar no conjunto analisado
• Análise que não chega ao canal fica parada no painel. O resultado muda a experiência do cliente quando alimenta o público da campanha, a tela do atendimento e o site
• Rode uma prova de conceito (POC) antes de comprar, com critério de sucesso escrito e sobre os seus próprios dados

O que é análise de dados?

Na prática, a análise de dados transforma o registro bruto de comportamento, transação e atendimento em resposta a uma pergunta de negócio: quem comprou, por que a recompra caiu, quem tende a cancelar e qual oferta apresentar em seguida. O trabalho inclui reunir o dado das fontes, limpar duplicidade e campo obrigatório em branco, escolher o método, interpretar o resultado e levá-lo a quem decide.

Uma ressalva de vocabulário poupa confusão para quem lê material em inglês. O mercado anglófono separa data analysis, o exame de um conjunto de dados específico, de data analytics, a disciplina que reúne ferramentas, técnicas e processos para examinar dados em escala. Em português, “análise de dados” cobre os dois sentidos, e é o contexto que diz qual deles está em jogo.

Os produtos atuais de análise de dados embutem inteligência artificial (IA) e aprendizado de máquina (machine learning) para reunir, ordenar e examinar volumes que nenhuma equipe processa manualmente. Isso não elimina o analista. O que muda é o trabalho dele: em vez de montar a planilha, o analista formula a pergunta, verifica se o resultado se sustenta fora da amostra e decide o que a empresa faz com o resultado.

O retorno da análise de dados aparece em números que a empresa já acompanha. A empresa corta desperdício de mídia ao parar de anunciar para quem já comprou, encurta o tempo de resposta do atendimento ao dar contexto ao agente antes da conversa e prioriza a oferta com maior chance de aceitação em vez da mesma promoção para toda a base. O ganho de velocidade também conta: com o histórico organizado, uma queda de conversão vira hipótese testável em horas, não em semanas.

Quais são os quatro tipos de análise de dados?

Os quatro tipos de análise de dados são a análise descritiva, a análise diagnóstica, a análise preditiva e a análise prescritiva. A ordem entre eles é cumulativa: sem descrição confiável do que aconteceu não existe diagnóstico, sem diagnóstico a previsão fica sem explicação e sem previsão a prescrição vira palpite.

1. A análise descritiva

A análise descritiva (descriptive analytics) mostra o que aconteceu, onde, como e quando. É o tipo mais comum e a base de todo relatório: sem a análise descritiva, os outros três tipos não têm insumo. A análise descritiva agrega o que já foi registrado e apresenta o resultado em número, série temporal e comparação entre períodos.

A análise descritiva se divide em duas categorias:

• O relatório programado (canned report) tem formato fixo e entrega recorrente sobre um assunto só. Um exemplo é o relatório mensal de métricas do site enviado à diretoria.
• O relatório ad hoc nasce de uma pergunta específica e não tem periodicidade. Alguém precisa de detalhe sobre um ponto, e o relatório existe para responder aquele ponto.

2. A análise diagnóstica

A análise diagnóstica (diagnostic analytics) examina o conjunto de dados para explicar por que algo aconteceu. Se a análise descritiva mostra que a recompra caiu 12% no trimestre, a análise diagnóstica procura a explicação: cruza variáveis, estabelece correlações e isola relações de causa quando os dados permitem, com descoberta e mineração de dados (data mining) sobre o histórico.

A análise diagnóstica também se divide em duas categorias. Na descoberta com alertas (discover and alerts), o sistema avisa a equipe assim que um desvio aparece, antes de o problema crescer. Na consulta com detalhamento (query and drill down), o analista parte do número agregado do relatório e desce até o recorte que explica o desvio, por exemplo do total de churn para a coorte que entrou pela mesma campanha.

Uma advertência sobre a palavra “causa”: correlação forte não é prova de causalidade. A análise diagnóstica estreita a lista de suspeitos, e a confirmação vem do teste controlado.

3. A análise preditiva

A análise preditiva (predictive analytics) estima o que tende a acontecer, aplicando modelos estatísticos e aprendizado de máquina ao histórico já registrado. A análise preditiva devolve probabilidade, não certeza: o modelo aprende o padrão do passado e calcula a chance de esse padrão se repetir. É também o tipo que mais aparece pronto dentro de produto: probabilidade de churn, propensão de compra e projeção do valor de vida do cliente (customer lifetime value) já vêm calculados em plataformas de marketing e de dados de cliente, sem projeto de modelagem próprio.

A análise preditiva se divide em duas categorias:

• A modelagem preditiva (predictive modeling) usa aprendizado de máquina e mineração de dados para projetar resultados prováveis a partir do histórico. O modelo aprende com o dado observado e aplica esse aprendizado a cada novo registro.
• A modelagem estatística (statistical modeling) representa o dado observado em uma forma matemática. Em vez de vasculhar o dado bruto, a equipe lê no modelo a relação entre as variáveis, o que sustenta previsão e visualização sobre a mesma base.

4. A análise prescritiva

A análise prescritiva (prescriptive analytics) recomenda a ação a tomar, combinando o histórico, o resultado atual e a previsão. Se a análise preditiva diz que um cliente tem 70% de chance de cancelar no próximo trimestre, a análise prescritiva responde o que fazer com esse número: qual oferta apresentar, em qual canal e em que momento.

Esse é o terreno da próxima melhor ação (next best action), em que IA e aprendizado de máquina avaliam as opções disponíveis e escolhem uma por cliente. A análise prescritiva também sugere a variável a testar em seguida, o que transforma a campanha em experimento contínuo em vez de aposta única.

O limite aqui é operacional. Uma recomendação por cliente só sai do papel se a plataforma conseguir executá-la no canal certo, com o consentimento verificado. Recomendação que a equipe não consegue executar é relatório com outro nome.

O que a análise de dados muda no marketing

Sobre dado de cliente, os quatro tipos de análise deixam de ser exercício de relatório e viram condição de segmento. Em vez de “quem comprou três vezes”, o corte da campanha passa a ser “os 10% com maior probabilidade de cancelar nos próximos 90 dias”, e a segmentação de clientes (customer segmentation) muda de composição a cada rodada do modelo.

Quatro usos concentram a maior parte do valor no mercado brasileiro:

• Retenção. A probabilidade de churn (churn prediction) identifica quem está em risco antes da saída, e a equipe reserva o esforço de retenção para esse grupo em vez de dar desconto para a base inteira.
• Eficiência de mídia. A supressão de quem já comprou e a construção de públicos semelhantes a partir dos melhores clientes reduzem o gasto com impressões de anúncio desperdiçadas.
• Personalização com sinal transacional real. No Brasil, o pagamento por Pix cobre parte da base que o cartão e o login não alcançam, incluindo a compra presencial e o ticket baixo, o que dá recência e frequência a perfis que antes ficavam vazios.
• Conversa no canal que o brasileiro usa. O WhatsApp concentra o relacionamento pós-venda de boa parte do varejo brasileiro, e a análise define o que a marca escreve ali: quem recebe, com qual oferta e com que intervalo entre mensagens.

O resultado só se completa com a volta do dado. Quando o resultado da campanha não retorna à base que treinou o modelo, a precisão congela no estado do primeiro treino, porque o modelo nunca vê se acertou. É por isso que o Customer Intelligence Loop (coletar, unificar, entender, decidir, engajar e voltar a coletar) é desenhado como circuito fechado.

Leia também: Customer Data Analytics: métodos, ferramentas e integração com a CDP (em inglês)

O dado de entrada limita o resultado

O erro que mais compromete um projeto de análise de dados não está na escolha do algoritmo, está na entrada. Quando a mesma pessoa aparece como quatro cadastros distintos entre site, aplicativo, PDV e atendimento, o modelo enxerga quatro históricos curtos em vez de um só. Atributos como intervalo entre compras, frequência de contato e valor acumulado deixam de existir, e nenhum tipo de análise recupera o que a entrada não tem.

A resolução de identidade une os identificadores (e-mail, telefone, CPF, ID de dispositivo, número de fidelidade) em um perfil por pessoa. A partir daí, a visão única do cliente (single customer view) passa a ser o conjunto de dados sobre o qual a análise trabalha. É a diferença entre medir sessões e medir clientes.

Duas providências sustentam essa base ao longo do tempo. A limpeza de dados (data cleansing) trata duplicidade, campo obrigatório em branco e grafia divergente antes da modelagem, porque falha aqui reaparece depois como erro do modelo. E a governança de dados (data governance) define quem é dono de cada fonte, quem tem acesso e por quanto tempo o dado fica guardado.

Construir a análise sobre dados primários (first-party data) protege o insumo: são os dados que a empresa coleta na própria relação com o cliente e que continuam disponíveis enquanto os cookies de terceiros perdem alcance.

O que a LGPD exige antes da coleta

No Brasil, a coleta de dado para análise precisa de base legal por finalidade, definida antes da coleta e informada ao titular. A LGPD, fiscalizada pela ANPD, trata a finalidade de tratamento como o limite do uso: calcular a probabilidade de churn a partir do histórico de compra precisa caber na finalidade que o cliente conheceu quando entregou o dado. Refazer esse mapeamento depois de os perfis estarem unificados custa muito mais caro do que fazê-lo antes da ingestão.

Dois pontos pesam na operação de análise. O art. 20 garante ao titular o direito de pedir a revisão de decisão tomada apenas por tratamento automatizado, o que importa quando um score define crédito, preço ou prioridade de atendimento. E o consentimento é verificado por canal: estar no segmento e poder receber a mensagem são conferências distintas, sobretudo no WhatsApp, onde o opt-in e o cancelamento de inscrição valem para aquele canal. Operações multinacionais somam a essa base o GDPR e as demais leis de proteção de dados que alcançam o mesmo perfil.

Comece por uma prova de conceito

Software de análise de dados é investimento alto, então teste antes de assinar: rode uma prova de conceito (POC) sobre os seus próprios dados. A prova de conceito é um piloto de escopo reduzido, feito para demonstrar que a ideia funciona na prática sem exigir a implantação completa. Ela responde à pergunta que a demonstração comercial não responde: a ferramenta entrega esse resultado com o dado que a sua empresa tem hoje, e não com o dado de exemplo do fornecedor.

Três decisões definem se a prova de conceito serve para alguma coisa:

1. Escolha um caso de uso e o critério de sucesso por escrito. Uma previsão de churn com precisão medida fora da amostra vale mais do que um painel bonito.
2. Use dado real, com os defeitos que ele tem. Uma base higienizada à mão para o piloto esconde justamente o custo que vai aparecer na implantação.
3. Meça o esforço, não só o resultado. Conte as horas de engenharia gastas até o primeiro número aparecer, porque é esse esforço que se multiplica quando o piloto vira operação.

Na modelagem de custo, considere que os contratos corporativos de análise e de dados costumam ser fechados em dólar. Converta pela cotação da data da proposta e inclua os tributos de importação de serviço no orçamento em R$, além do custo de engenharia contínuo, que não aparece na licença.

Para estruturar a avaliação e a escolha de fornecedor, a Treasure Data publica um modelo de RFP para CDP com as capacidades a considerar e as perguntas a fazer a cada fornecedor.

Onde as empresas estão hoje

Dados e análise de dados deixaram de ser projeto da área técnica e viraram elemento de estratégia. Segundo a Treasure Data, 63% dos líderes do varejo dizem usar dado de cliente para orientar a oferta de produtos. E, segundo o relatório CX Experience 2022, 65% dos líderes de negócio afirmam ter como meta construir um ecossistema de dados coeso e padronizar a coleta.

As duas respostas apontam para o mesmo gargalo, e não para dois problemas diferentes: a maior parte das empresas já sabe o que quer perguntar aos dados e ainda está montando a base que permite responder. A escada dos quatro tipos de análise só sobe a partir de um dado de cliente unificado, e é por isso que a decisão de plataforma costuma vir antes da decisão de método.

Leia também: Casos de uso de CDP: mais de 20 exemplos por setor e função

FAQ

Qual a diferença entre análise de dados e data analytics?

Em português, “análise de dados” cobre o que o inglês separa em dois termos: data analysis, o exame de um conjunto de dados específico, e data analytics, a disciplina que reúne ferramentas, técnicas e processos para examinar dados em escala. A disciplina inclui os quatro tipos de análise (descritiva, diagnóstica, preditiva e prescritiva) e costuma se apoiar em plataformas especializadas e em automação com IA.

Quais são os quatro tipos de análise de dados?

Os quatro tipos são a análise descritiva (o que aconteceu), a análise diagnóstica (por que aconteceu), a análise preditiva (o que tende a acontecer) e a análise prescritiva (o que fazer em seguida). Os quatro se apoiam uns nos outros nessa ordem: a descrição alimenta o diagnóstico, o diagnóstico explica a previsão e a previsão sustenta a prescrição. Cada um responde a uma pergunta diferente sobre o mesmo conjunto de dados.

Por que a análise de dados é importante para as empresas?

A análise de dados permite decidir com evidência em vez de intuição, o que se traduz em menos desperdício de mídia, atendimento mais rápido e oferta mais aderente ao cliente. Empresas que analisam o próprio dado identificam mudança de comportamento mais cedo, personalizam a comunicação e testam hipóteses em dias. O ganho depende da qualidade da entrada: dado fragmentado entre sistemas produz análise fragmentada.

Qual a diferença entre análise preditiva e análise prescritiva?

A análise preditiva estima o que tende a acontecer; a análise prescritiva recomenda o que fazer diante dessa estimativa. A análise preditiva usa histórico, modelagem estatística e aprendizado de máquina para calcular probabilidades, como probabilidade de churn ou demanda por período. A análise prescritiva usa essas probabilidades, mais restrições e objetivos do negócio, para escolher a ação por cliente. As duas formam os degraus mais altos da escada de maturidade analítica.

Como uma CDP ajuda na análise de dados de cliente?

Uma CDP entrega à análise o insumo de que ela mais depende: o dado de cliente já unificado em um perfil por pessoa, com identidade resolvida entre canais. A CDP também devolve o resultado ao lugar onde ele muda a experiência do cliente, gravando o score no perfil e enviando o segmento aos canais por ativação de dados (data activation). Sem essa volta, a análise para no painel de inteligência de negócios (BI).

Artigos relacionados

• Análise preditiva: modelos e usos: o tipo de análise que estima probabilidade por cliente
• O que é CDP? Guia de Customer Data Platform: a plataforma que unifica o dado de cliente antes da análise
• Governança de dados: quem é dono do dado, quem acessa e por quanto tempo ele fica guardado
• Descriptive Analytics: o detalhamento do tipo que sustenta os outros três (em inglês)
• Marketing Analytics: o recorte de marketing, com campanhas e canais (em inglês)

Este artigo também está disponível em: What is Data Analytics? 4 Ways to Measure Customer Data · データ分析とは？4つの種類とビジネスでの活用ポイント