{"id":3852,"date":"2022-02-21T18:15:58","date_gmt":"2022-02-21T17:15:58","guid":{"rendered":"https:\/\/liminal.pt\/martech-magazine\/?p=3852"},"modified":"2022-08-11T12:23:01","modified_gmt":"2022-08-11T11:23:01","slug":"data-science-business-analytics-principais-diferencas","status":"publish","type":"post","link":"https:\/\/liminal.pt\/martech-magazine\/data-science-business-analytics-principais-diferencas\/","title":{"rendered":"Data Science vs. Business Analytics: As principais diferen\u00e7as"},"content":{"rendered":"\n

Se costuma acompanhar o mundo da tecnologia e da inova\u00e7\u00e3o, j\u00e1 se dever\u00e1 ter cruzado com termos como “Data Science”, “Business Analytics” e “Business Intelligence”. Embora todos eles perten\u00e7am \u00e0 mesma \u00e1rea, s\u00e3o tr\u00eas termos que designam conceitos diferentes dentro do mundo da anal\u00edtica. Descubra abaixo as principais diferen\u00e7as entre estes termos e como us\u00e1-los na sua organiza\u00e7\u00e3o para incentivar a inova\u00e7\u00e3o e as vendas. <\/p>\n\n\n\n

Big Data: O in\u00edcio de tudo<\/h2>\n\n\n\n

Antes de mergulharmos no significado dos termos “Data Science”, “Data Analytics” e “Business Intelligence”, \u00e9 necess\u00e1rio compreendermos o conceito de “Big Data”. Este termo \u00e9 usado para descrever as enormes quantidades de dados gerados a cada segundo em todo o mundo e inclui todo o tipo de dados – texto, e-mails, tweets, pesquisas nos motores de pesquisa, a\u00e7\u00f5es nas redes sociais, informa\u00e7\u00f5es geradas por dispositivos ligados \u00e0 IoT, entre muitas outras coisas – basicamente, tudo o que \u00e9 digital. O volume de dados gerados atualmente em todo o mundo \u00e9 t\u00e3o grande e t\u00e3o complexo que os sistemas tradicionais de an\u00e1lise de dados n\u00e3o conseguem process\u00e1-los. \u00c9 aqui que surgem os conceitos “Data Science” e “Data Analytics”.<\/p>\n\n\n\n

Desde o aparecimento do “Big Data”, as tecnologias de Data Science e Data Analytics t\u00eam evolu\u00eddo como forma de responder \u00e0 quest\u00e3o do tratamento e an\u00e1lise das grandes quantidades de dados e s\u00e3o usadas, muitas vezes, com significados semelhantes. No entanto, dizem respeito a assuntos diferentes. Talvez a confus\u00e3o inicial surja do facto de tanto os Data Scientists como os Data Analysts trabalharem com Big Data mas, ainda assim, h\u00e1 diferen\u00e7as entre os dois termos.<\/p>\n\n\n\n

Data Science e Data Analytics: O que s\u00e3o e como se diferenciam?<\/h2>\n\n\n\n

O termo “Data Science” surgiu pela primeira vez em 1996, num artigo de Gregory Piatetsky-Shapiro<\/a> e, desde a\u00ed, j\u00e1 sofreu uma grande evolu\u00e7\u00e3o. O diagrama abaixo mostra a vers\u00e3o atualizada da rela\u00e7\u00e3o entre os diversos campos da anal\u00edtica e onde o termo se situa.<\/p>\n\n\n\n

<\/p>\n\n\n

\n
\"Data<\/figure>\n<\/div>\n\n\n

De forma simplificada: o Data Analytics \u00e9 um ramo do Data Science e os dois termos t\u00eam objetivos diferentes.<\/p>\n\n\n\n

O Data Science \u00e9 uma combina\u00e7\u00e3o de v\u00e1rias disciplinas – Matem\u00e1tica, Estat\u00edstica, Computer Science, Information Science, Machine Learning e Intelig\u00eancia Artificial. \u00c9 dentro do Data Science que se incluem termos como data mining, data inference, predictive modeling e o desenvolvimento de algoritmos de Machine Learning, com o objetivo de extrair padr\u00f5es a partir de conjuntos de dados de grande dimens\u00e3o e complexos e transform\u00e1-los em estrat\u00e9gias pr\u00e1ticas de neg\u00f3cio.<\/p>\n\n\n\n

Por outro lado, o Data Analytics est\u00e1, sobretudo, relacionado com Estat\u00edstica, Matem\u00e1tica e An\u00e1lise Estat\u00edstica.<\/p>\n\n\n\n

Enquanto que o Data Science se foca em encontrar correla\u00e7\u00f5es fundamentadas entre grandes conjuntos de dados, o Data Analytics tem como objetivo descobrir as especificidades dos dados extra\u00eddos. Ou seja, o Data Analytics \u00e9 um ramo do Data Science que se concentra em chegar a respostas mais espec\u00edficas para as perguntas levantadas pelo Data Science.<\/p>\n\n\n\n

O Data Science procura descobrir novas quest\u00f5es que podem incentivar a inova\u00e7\u00e3o da empresa. Por outro lado, o Data Analytics procura responder a estas quest\u00f5es e determinar como podem ser implementadas de forma pr\u00e1tica e promover inova\u00e7\u00e3o data-driven na organiza\u00e7\u00e3o – o chamado “Business Analytics”.<\/p>\n\n\n\n

E Business Intelligence? Qual a diferen\u00e7a?<\/h2>\n\n\n\n

Al\u00e9m dos dois termos acima, h\u00e1 tamb\u00e9m o “Business Intelligence”, que \u00e9 um outro termo que se relaciona com o Data Science. A forma mais simples de diferenciar os dois conceitos \u00e9 que o Data Science tenta prever e analisar o futuro e o Business Intelligence analisa os dados passados e presentes. Muitas vezes, estas duas \u00e1reas s\u00e3o usadas em conjunto, dependendo do tipo de dados que s\u00e3o analisados. As principais diferen\u00e7as entre o Business Intelligence e o Data Science s\u00e3o:<\/p>\n\n\n\n

<\/td>Business Intelligence<\/strong><\/td>Data Science<\/strong><\/td><\/tr>
Tipo de An\u00e1lise<\/td>Descritiva – “O que aconteceu?”<\/td>Preditiva, Prescritiva – “O que vai acontecer?” <\/td><\/tr>
\u00c2mbito<\/td>Abrangente<\/td>Espec\u00edfico<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Como melhorar os resultados do seu neg\u00f3cio com a Anal\u00edtica<\/h2>\n\n\n\n

Hoje em dia, dados s\u00e3o poder. \u00c9 atrav\u00e9s da recolha e an\u00e1lise de dados que conseguimos perceber padr\u00f5es de comportamento que nos ajudam a perceber o passado – atrav\u00e9s de Business Intelligence – ou prever o que vai acontecer no futuro – atrav\u00e9s do Data Science. A forma mais f\u00e1cil de come\u00e7ar a usar a anal\u00edtica para melhorar a inova\u00e7\u00e3o e os resultados de neg\u00f3cio da sua empresa \u00e9 atrav\u00e9s da implementa\u00e7\u00e3o de um CRM (Customer Relationship Management)<\/a> – o sistema que ir\u00e1 recolher e agregar todos os dados – e, depois disso, utilizar software de Business Intelligence, como o Microsoft PowerBI, para recolher insights que suportem a tomada de decis\u00e3o.<\/p>\n\n\n\n

\n
Business Intelligence: Como tomar decis\u00f5es de neg\u00f3cio com dados do CRM<\/a><\/blockquote>