SlideShare uma empresa Scribd logo
Formulação do
Problema
CAPÍTULO 2
Aluna: Amanda Reis Silva
Formulação do problema
1. Formulação Do Problema
• Reconhecimento do problema;
• Revisão das descobertas anteriores;
2. Solução Do Problema
• Modelagem e seleção das variáveis;
• Coleta de dados;
• Análise dos dados;
3. Resultados: Comunicação e Ação
• Apresentação dos resultados e adoção de providências.
Passo do Reconhecimento do Problema
➢Análise quantitativa começa com o reconhecimento do problema a ser resolvido/decisão a ser
tomada;
➢Situações que levam a esse primeiro estágio:
• Pura curiosidade;
• Experiências no trabalho;
• Necessidade de decisão ou ação;
• Situações em andamento, exigindo atenção;
• Desenvolvimento/contestação de teorias existentes/pesquisas passadas;
• Aceitação de ofertas de projetos/estimativa da disponibilidade de financiamento.
➢O fator mais importante no estágio de reconhecimento do problema é compreender
plenamente a questão e sua importância;
Identificação dos Stakeholders na
Análise
➢Nesse passo, vale a pena refletir sobre quem são os stakeholders da análise e como se sentem
em relação ao problema;
➢Componentes comuns desse processo:
1. Indentificar todos os stakeholders;
2. Registrar as necessidades dos stakeholders;
3. Avaliar e analisar os interesses e influências dos stakeholders;
4. Administrar as expectativas dos stakeholders;
5. Tomar providências;
6. Revisar o status e repetir.
➢ A análise de stakeholders destina-se a identificar quem são os principais responsáveis pelas
decisões e a maneira mais provável de convencê-los quanto aos resultados;
Que Tipo de História Analítica Está se
Contando?
➢ Foco em como desenvolver respostas/ideias para a decisão;
➢Histórias de CSI;
➢Histórias Eureca;
➢Histórias de Cientista Maluco;
➢Histórias de Pesquisas;
➢Histórias de Predições;
➢Histórias “Eis o que aconteceu”.
Passo do Reconhecimento do Problema
➢Escopo do problema: É importante não limitar prematuramente o escopo do problema ou
decisão;
➢“Seja específico sobre o que quer descobrir”: É necessário ter criado uma descrição clara da
questão, com definições concretas dos principais itens ou variáveis a serem estudadas;
➢Em pesquisa quantitativa, faz muita diferença a maneira como as coisas são definidas;
Passo de Revisão das Descobertas
Anteriores
➢Deve-se investigar todas as descobertas correlatas anteriores após o reconhecimento do
problema;
➢Basicamente perguntamos: “Já se contou antes história semelhante a esta?”;
➢Reformulação do problema.
Solução do problema
CAPÍTULO 3
Passo da modelagem
➢Modelo é representação deliberadamente simplificada do problema;
➢Modelos são comparáveis a caricaturas. Boa caricatura é aquela em que os traços especiais
são escolhidos com convicção e eficácia;
➢George Box, estatístico famoso, observou que “todos os modelos são falhos, mas alguns são
úteis;
➢Como selecionar as variáveis e descobrir como elas se relacionam umas com as outras?
• Hipóteses;
• Hipóteses serão testadas mais tarde; isso que diferencia da intuição, por exemplo.
Passo da coleta de dados
(mensuração):
➢O passo seguinte é coletar dados e medir variáveis selecionadas.
➢Primeiro organiza-se o problema reconhecido que se tornam dados depois da mensuração.
➢Se as variáveis que estão sendo reunidas foram medidas e analisadas com frequência por
outrem, esse passo será muito simples.
➢Maneiras de medir as variáveis:
• Variáveis binárias;
• Variáveis categóricas (nominais);
• Variáveis ordinais;
• Variáveis numéricas (intervalo e razão).
Tipos de dados
➢Dados secundários:
• Dados já coletados por outrem.
➢Dados primários:
• Variáveis medidas pelo próprio pesquisador.
➢Dados estruturados e não estruturados:
• Dados estruturados são aqueles em forma de fileiras e colunas;
• Dados não estruturados se apresentam em fluxo contínuo, exemplo: textos.
•Agora, na era do Big Data, organizações lidam no dia a dia com vários petabytes (1.000.000.000.000.000
unidade de dados);
•Esse tipo de dado requer muitas filtragens, classificações e outras formas de triagem para poder ser
analisados;
Passo da análise de dados
➢A análise de dados resulta na descoberta de padrões consistentes, ou seja, a relação entre as
variáveis embutidas nos dados;
➢A análise de dados pode ser realizado por meio da utilização de um relatório ou de
fornecedores de software para categoria de análise na qual se tenta usar a estatística.
➢Microsoft Excel, pode fazer algumas análises estatísticas e analítica visual, assim como
elaborar relatórios, embora não seja o mais robusto quando se tem muitos dados a processar.
Tipos de modelos
➢Vários são os modelos adotados por analistas e organizações para decidir sobre os dados;
➢Três questões a serem consideradas na identificação do modelo adequado:
• Quantidade de variáveis a serem analisadas;
• Se envolve questões de descrição ou de inferência;
• Níveis de medida que se dispõe nas variáveis de interesse.
➢Nenhum modelo dura para sempre.
Resultados:
Comunicação e ação
CAPÍTULO 4
Resultados: Comunicação e ação
➢Último estágio do referencial;
➢Os analistas podem tornar os resultados de suas pesquisas mais interessantes e atraentes, a
fim de inspirar mais ações;
➢A essência desse estagio é descrever o problema e contar a história por trás dele;
➢Depois de identificar essas relações, o significado delas deve ser interpretado, descrito e
apresentado de maneira relevante para o problema;
➢Os analistas mais bem sucedidos são aqueles que “contam uma história com dados”;
➢Um erro trágico é pensar que o público se sente confortável com termos técnicos e os
métodos estatísticos abordados. Grande parte não compreende um relatório altamente técnico;
Métodos modernos de comunicação
dos resultados
➢A analítica visual (visualização de dados) progrediu muito nos últimos anos;
➢Propósitos e tipos de analítica visual:
◦ Ver as relações entre pontos de dados-> Gráfico de dispersão
Matriz de dispersão
Mapa de calor
Diagrama de rede
◦ Compara conjunto de frequências ou valores-> Gráfico de barras
Histograma
Gráfico de bolhas
◦ Mostrar as altas e baixas de uma variável em relação a outra-> Gráfico de linha
Gráfico de pilha
◦ Ver as partes de um todo e como se relacionam-> Gráfico de setores ou de pizza
Mapa de árvore
◦ Compreender dados ao longo de área geográfica-> Sobrepor dados resumidos em mapas geográficos
◦ Analisar ocorrências em textos-> Nuvem de tags
Rede de frases
Métodos modernos de comunicação
dos resultados
➢As apresentações ou relatórios não são os únicos produtos possíveis dos projetos analíticos. O
melhor seria se os analistas se empenhassem na produção de resultados bem próximos da
criação de valor.
➢Os cientistas de dados se concentram em áreas de desenvolvimento de produtos. O objetivo é
desenvolver protótipos de produtos e novos atributos de produtos;
➢A chave do sucesso é planejar e executar bem o passo inicial e o passo final do processo.
Analítica quantitativa
e criatividade
CAPÍTULO 5
Analítica quantitativa e criatividade
➢ A criatividade e analítica não são conceitos antagônicos, mas sim, não raro, ideias correlatas
e complementares;
➢ As aplicações mais bem sucedidas da analítica são altamente criativas e criatividade é
componente importante das abordagens analíticas à solução de problemas;
Rápida revisão dos seis passos
➢No passo de reconhecimento e formulação do problema, a criatividade é
extremamente útil e importante;
➢No passo da Revisão das descobertas anteriores, a identificação das mesmas e a
escolha das técnicas analíticas, que talvez sejam relevantes, envolvem criatividade;
➢No passo da modelagem, a escolha de variáveis em um modelo às vezes é obvia, mas
às vezes, pode ser criativo;
➢Decidir que dados coletar pode ser muito criativo;
➢O passo de análise de dados não é aquele em que mais se exige criatividade. O seu
uso pode causar problema;
➢O passo da apresentação de resultados e adoção de providências é envolvido por
muita criatividade.
Os quatro estágios de raciocínio
analítico criativo
➢O processo criativo segue esses passos sequenciais:
• Preparação: construção dos fundamentos para a solução do problema;
• Imersão: engajamento intenso com a solução do problema e com os dados disponíveis (luta em busca
de respostas);
• Incubação: internalização do problema na mente subconsciente, na expectativa de que se desenvolvam
prováveis conexões inusitadas abaixo do nível de consciência;
• Insight: o grande avanço na compreensão de como o problema pode ser resolvido por meio da análise
quantitativa.
Imersão e trabalho árduo como fonte
de criatividade e insight
➢Criatividade é insight que de súbito ilumina a solução do problema;
➢Qual é a fonte da criatividade?
➢Cho Jung Era, ator coreano, assevera que a inspiração não surge de repente, mas, sim, jorra de
longa duração de trabalho exaustivo e de dimensão persistente;
➢A intuição é habilidade que se pode desenvolver basicamente pela repetição contínua da
análise quantitativa e por outros meios;
➢Georg Hegel, filosofo alemão, achava que apenas quem raciocina de maneira altamente
analítica é capaz de ter intuições puras e verdadeiras.
Desenvolvimento de
recursos de análise
quantitativa
CAPÍTULO 6
Desenvolvimento de recursos de
análise quantitativa
➢Segundo Aristóteles, os hábitos, ou que se faz repetidamente, define como ser configura seu
destino, conforme o fluxograma:
Pensamentos Ações Hábitos Caráter Destino
Desenvolvimento de recursos de
análise quantitativa
➢Atitudes quantitativas:
• É necessário manter-se aberto ao aprendizado de números;
• O inumerismo/incapacidade de executar e entender operações aritméticas, aflige muita gente
esclarecida e bem informada
• Pensadores quantitativos cultivam certas habilidades, atitudes e hábitos a que recorrem sempre que
precisam tomar decisões baseadas em números;
• Ser amigo dos dados;
• Recorrer à internet sempre para aprender conceitos numéricos.
• Ampliação da curiosidade;
Desenvolvimento de recursos de
análise quantitativa
➢Atitudes quantitativas <-> Conhecimento quantitativo;
➢Compreensão das leis da probabilidade e da aleatoriedade;
Desenvolvimento de recursos de
análise quantitativa
➢Hábitos quantitativos-> Praticando com regularidade e persistência os seguintes hábitos
quantitativos, é possível cultivar atitudes quantitativas:
• Exija números;
• Nunca confie nos números:
• Não raro, os números estão ultrapassados e, portanto, não refletem a realidade;
• As dúvidas em relação aos números devem ser concentradas nas três categorias: relevância, exatidão
e interpretação correta.
• Desconfie principalmente dos argumentos de causação;
• Faça perguntas;
• Práticas de análises quantitativas.
Hábitos quantitativos <->
Métodos/conhecimentos quantitativos
➢Nessa fase, é preciso estudar os fundamentos para compreender e executar análises
quantitativas. Os cursos a fazer primeiro são Estatística Elementar e Métodos de Pesquisa;
➢As atividades que envolvem análise quantitativa ocorrem como parte de processos e de
contextos sociais;
• O primeiro passo para adquirir prática de “contar histórias com dados” é escrever um relatório.
• Formar uma comunidade de análise quantitativa;
• Realizar seminários com regularidade;
Trabalhando com os
quants
CAPÍTULO 7
Trabalhando com os quants
➢O que se descreve no capítulo é um conjunto de relacionamento entre três conjuntos de
atores:
• Decididores de empresas;
• Profissionais de negócios;
• Analista quantitativo ou cientista de dados.
➢Há boas razoes para a interação desses três grupos;
➢O objetivo é então tomar decisões analíticas e, ao mesmo tempo preservar o papel do instinto
dos executivos e de outros profissionais;
Atribuições analíticas
➢Atribuições analíticas a serem exercidas pela pessoa de negócio:
• Aprender alguma coisa de matemática e de estatística;
• Compreender e questionar as premissas;
• Pressionar quando não compreender.
➢O que esperar dos profissionais da analítica:
• Aprender o negócio e interessar-se pelos seus problemas;
• Conversar em linguagem de negócios;
• Explicar qualquer termo técnico;
• Dispor-se a desenvolver relacionamentos;
• Não fazer os executivos se sentirem estúpidos.
Cientista de Dados
➢Profissionais capacitados em estatística, ciência da computação e/ou matemática capazes de
analisar grandes volumes de dados e extrair deles insights que criem novas oportunidades de
negócio;
➢Devem ser capazes de capturar, armazenar, gerenciar e analisar grandes volumes de dados que
devem ser interpretados e utilizados de maneira coerente e concisa de modo que a empresa
possa utilizá-los a seu favor;
➢Usualmente esse profissional é formado em estatística, matemática ou ciências da computação.
➢Habilidades necessárias:
• Saber programação;
• Ser capaz de criar modelos estatísticos;
• Ter o conhecimento e domínio apropriado de negócios;
• Compreender as diferentes plataformas de Big Data e como elas funcionam.
Referências
DAVENPORT, T; KIM, J. Dados Demais. 1. ed. Rio de Janeiro: Elsevier, 2013.
Disponível em: <http://www.sas.com/pt_br/insights/analytics/cientistas-de-dados.html> Acesso: 01.
set.2015
Disponível em: <http://up.mackenzie.br/lato-sensu/sao-paulo/tecnologia-da-informacao/ciencia-de-
dados-big-data-analytics/> Acesso: 01.set.2015
Disponível em: <http://www.brasilmaisti.com.br/index.php/pt/2014-08-01-19-12-05/a-blog/240-cientista-
de-dados-a-profissao-do-futuro> Acesso: 01.set.2015
Disponível em: <http://blog.corujadeti.com.br/cientista-de-dados-o-profissional-de-big-data/> Acesso:
01.set.2015
Disponível em: <http://www.portal-administracao.com/2014/07/stakeholders-significado-
classificacao.html> Acesso: 01.set.2015

Mais conteúdo relacionado

Mais procurados

Aula 3 - Ética em compras.pptx
Aula 3 - Ética em compras.pptxAula 3 - Ética em compras.pptx
Aula 3 - Ética em compras.pptx
Professor Cristiano Barreto
 
Técnicas de Pesquisa: Entrevista, Questionário e Formulário
Técnicas de Pesquisa: Entrevista, Questionário e FormulárioTécnicas de Pesquisa: Entrevista, Questionário e Formulário
Técnicas de Pesquisa: Entrevista, Questionário e Formulário
Universidade Federal do Ceará
 
Criatividade
CriatividadeCriatividade
Criatividade
Aline Corso
 
O cérebro e a criatividade
O cérebro e a criatividadeO cérebro e a criatividade
O cérebro e a criatividade
Aline Corso
 
Criatividade e Inovação
Criatividade e InovaçãoCriatividade e Inovação
Criatividade e Inovação
Renato Melo
 
Apresentação metodologia qualitativa
Apresentação metodologia qualitativaApresentação metodologia qualitativa
Apresentação metodologia qualitativa
Fernando Dantas
 
0000919 aula 4 pesquisa científica tipos e modalidades
0000919 aula 4 pesquisa científica   tipos e modalidades0000919 aula 4 pesquisa científica   tipos e modalidades
0000919 aula 4 pesquisa científica tipos e modalidades
Daliane Nascimento
 
O Que é Pesquisa
O Que é PesquisaO Que é Pesquisa
Pesquisa qualitativa
Pesquisa qualitativaPesquisa qualitativa
Pesquisa qualitativa
queenbianca
 
Criatividade
CriatividadeCriatividade
Criatividade
Gerisval Pessoa
 
Capacitação em análise de dados quantitativos
Capacitação em análise de dados quantitativosCapacitação em análise de dados quantitativos
Capacitação em análise de dados quantitativos
Aliny Lima
 
Entrevistas
EntrevistasEntrevistas
Entrevistas
Priscila Alcântara
 
Jogos de criatividade
Jogos de criatividadeJogos de criatividade
Jogos de criatividade
Thiago Reis
 
Criatividade e resolução de problemas.
Criatividade e resolução de problemas.Criatividade e resolução de problemas.
Criatividade e resolução de problemas.
Anna Kowalska Guimarães
 
Criatividade
CriatividadeCriatividade
Criatividade
UserSanti
 
Aula 17 criatividade
Aula 17   criatividadeAula 17   criatividade
Aula 17 criatividade
Luiz Siles
 
Metodos e tecnicas de pesquisa
Metodos e tecnicas de pesquisaMetodos e tecnicas de pesquisa
Metodos e tecnicas de pesquisa
Marcos Aurélio R. Igreja
 
Métodos e tipos de pesquisa
Métodos e tipos de pesquisaMétodos e tipos de pesquisa
Métodos e tipos de pesquisa
Isabella Marra
 
Criatividade
CriatividadeCriatividade
Criatividade
Lo-Ammi Santos
 
Design Thinking e Ferramentas de Inovação
Design Thinking e Ferramentas de InovaçãoDesign Thinking e Ferramentas de Inovação
Design Thinking e Ferramentas de Inovação
Maristela Meireles
 

Mais procurados (20)

Aula 3 - Ética em compras.pptx
Aula 3 - Ética em compras.pptxAula 3 - Ética em compras.pptx
Aula 3 - Ética em compras.pptx
 
Técnicas de Pesquisa: Entrevista, Questionário e Formulário
Técnicas de Pesquisa: Entrevista, Questionário e FormulárioTécnicas de Pesquisa: Entrevista, Questionário e Formulário
Técnicas de Pesquisa: Entrevista, Questionário e Formulário
 
Criatividade
CriatividadeCriatividade
Criatividade
 
O cérebro e a criatividade
O cérebro e a criatividadeO cérebro e a criatividade
O cérebro e a criatividade
 
Criatividade e Inovação
Criatividade e InovaçãoCriatividade e Inovação
Criatividade e Inovação
 
Apresentação metodologia qualitativa
Apresentação metodologia qualitativaApresentação metodologia qualitativa
Apresentação metodologia qualitativa
 
0000919 aula 4 pesquisa científica tipos e modalidades
0000919 aula 4 pesquisa científica   tipos e modalidades0000919 aula 4 pesquisa científica   tipos e modalidades
0000919 aula 4 pesquisa científica tipos e modalidades
 
O Que é Pesquisa
O Que é PesquisaO Que é Pesquisa
O Que é Pesquisa
 
Pesquisa qualitativa
Pesquisa qualitativaPesquisa qualitativa
Pesquisa qualitativa
 
Criatividade
CriatividadeCriatividade
Criatividade
 
Capacitação em análise de dados quantitativos
Capacitação em análise de dados quantitativosCapacitação em análise de dados quantitativos
Capacitação em análise de dados quantitativos
 
Entrevistas
EntrevistasEntrevistas
Entrevistas
 
Jogos de criatividade
Jogos de criatividadeJogos de criatividade
Jogos de criatividade
 
Criatividade e resolução de problemas.
Criatividade e resolução de problemas.Criatividade e resolução de problemas.
Criatividade e resolução de problemas.
 
Criatividade
CriatividadeCriatividade
Criatividade
 
Aula 17 criatividade
Aula 17   criatividadeAula 17   criatividade
Aula 17 criatividade
 
Metodos e tecnicas de pesquisa
Metodos e tecnicas de pesquisaMetodos e tecnicas de pesquisa
Metodos e tecnicas de pesquisa
 
Métodos e tipos de pesquisa
Métodos e tipos de pesquisaMétodos e tipos de pesquisa
Métodos e tipos de pesquisa
 
Criatividade
CriatividadeCriatividade
Criatividade
 
Design Thinking e Ferramentas de Inovação
Design Thinking e Ferramentas de InovaçãoDesign Thinking e Ferramentas de Inovação
Design Thinking e Ferramentas de Inovação
 

Semelhante a 6 Passos de uma análise quantitativa - Dados Demais

Aula pesquisa de marketing
Aula pesquisa de marketingAula pesquisa de marketing
Aula pesquisa de marketing
PROF. SHASTIN
 
Apostila análise e síntese nível i v01
Apostila análise e síntese   nível i v01Apostila análise e síntese   nível i v01
Apostila análise e síntese nível i v01
Gestaointeligente
 
1710
17101710
1710
Pelo Siro
 
masp - Método de Análise de Problemas
masp - Método de Análise de Problemasmasp - Método de Análise de Problemas
masp - Método de Análise de Problemas
Sergio Murilo Rocha da Silva
 
estudos de mercado apontamentos_.docx
estudos de mercado apontamentos_.docxestudos de mercado apontamentos_.docx
estudos de mercado apontamentos_.docx
DianaAlves474855
 
Metodos de Design
Metodos de DesignMetodos de Design
Metodos de Design
prismatica
 
Aula-tga-09-matemática
Aula-tga-09-matemáticaAula-tga-09-matemática
Aula-tga-09-matemática
Andre Boavista
 
Pos aula - quantitativo xqualitativo
Pos aula - quantitativo xqualitativoPos aula - quantitativo xqualitativo
Pos aula - quantitativo xqualitativo
T Viana
 
Interação Humano Computador Capítulo 10 Avaliação - Wellington Pinto de Oliveira
Interação Humano Computador Capítulo 10 Avaliação - Wellington Pinto de OliveiraInteração Humano Computador Capítulo 10 Avaliação - Wellington Pinto de Oliveira
Interação Humano Computador Capítulo 10 Avaliação - Wellington Pinto de Oliveira
Wellington Oliveira
 
Processo decisório e resoluçao de problema (6)
Processo decisório e resoluçao de problema (6)Processo decisório e resoluçao de problema (6)
Processo decisório e resoluçao de problema (6)
Alexandre Pereira
 
Projeto GráFico5
Projeto GráFico5Projeto GráFico5
Projeto GráFico5
graziellacarrara
 
Texto 02 ferr qlide x masp
Texto 02 ferr qlide x maspTexto 02 ferr qlide x masp
Texto 02 ferr qlide x masp
schiavi-rs
 
Capítulo 10 - Como melhorar a tomada de decisão e a gestão do conhecimento
Capítulo 10 - Como melhorar a tomada de decisão e a gestão do conhecimentoCapítulo 10 - Como melhorar a tomada de decisão e a gestão do conhecimento
Capítulo 10 - Como melhorar a tomada de decisão e a gestão do conhecimento
Everton Souza
 
Pizzaria ferram1
Pizzaria ferram1Pizzaria ferram1
Pizzaria ferram1
Vilma Santos
 
Técnicas e ferramentas criatividade[1]
Técnicas e ferramentas criatividade[1]Técnicas e ferramentas criatividade[1]
Técnicas e ferramentas criatividade[1]
APGICO- Associação Portuguesa de Inovação e Criatividade
 
Processo de Analise e Solucao de Problemas
Processo de Analise e Solucao de ProblemasProcesso de Analise e Solucao de Problemas
Processo de Analise e Solucao de Problemas
Rogério Souza
 
Aula 05 - Nossos dois hemisférios cerebrais na tomada de decisão.pptx
Aula 05 - Nossos dois hemisférios cerebrais na tomada de decisão.pptxAula 05 - Nossos dois hemisférios cerebrais na tomada de decisão.pptx
Aula 05 - Nossos dois hemisférios cerebrais na tomada de decisão.pptx
Renato Ribeiro
 
Resolução de problemas e criatividade sp1
Resolução de problemas e criatividade   sp1Resolução de problemas e criatividade   sp1
Resolução de problemas e criatividade sp1
gastaovalle
 
Resolução de problemas e criatividade sp1
Resolução de problemas e criatividade   sp1Resolução de problemas e criatividade   sp1
Resolução de problemas e criatividade sp1
gastaovalle
 
Aula 07 metodologia munari
Aula 07   metodologia munariAula 07   metodologia munari
Aula 07 metodologia munari
Marcio Duarte
 

Semelhante a 6 Passos de uma análise quantitativa - Dados Demais (20)

Aula pesquisa de marketing
Aula pesquisa de marketingAula pesquisa de marketing
Aula pesquisa de marketing
 
Apostila análise e síntese nível i v01
Apostila análise e síntese   nível i v01Apostila análise e síntese   nível i v01
Apostila análise e síntese nível i v01
 
1710
17101710
1710
 
masp - Método de Análise de Problemas
masp - Método de Análise de Problemasmasp - Método de Análise de Problemas
masp - Método de Análise de Problemas
 
estudos de mercado apontamentos_.docx
estudos de mercado apontamentos_.docxestudos de mercado apontamentos_.docx
estudos de mercado apontamentos_.docx
 
Metodos de Design
Metodos de DesignMetodos de Design
Metodos de Design
 
Aula-tga-09-matemática
Aula-tga-09-matemáticaAula-tga-09-matemática
Aula-tga-09-matemática
 
Pos aula - quantitativo xqualitativo
Pos aula - quantitativo xqualitativoPos aula - quantitativo xqualitativo
Pos aula - quantitativo xqualitativo
 
Interação Humano Computador Capítulo 10 Avaliação - Wellington Pinto de Oliveira
Interação Humano Computador Capítulo 10 Avaliação - Wellington Pinto de OliveiraInteração Humano Computador Capítulo 10 Avaliação - Wellington Pinto de Oliveira
Interação Humano Computador Capítulo 10 Avaliação - Wellington Pinto de Oliveira
 
Processo decisório e resoluçao de problema (6)
Processo decisório e resoluçao de problema (6)Processo decisório e resoluçao de problema (6)
Processo decisório e resoluçao de problema (6)
 
Projeto GráFico5
Projeto GráFico5Projeto GráFico5
Projeto GráFico5
 
Texto 02 ferr qlide x masp
Texto 02 ferr qlide x maspTexto 02 ferr qlide x masp
Texto 02 ferr qlide x masp
 
Capítulo 10 - Como melhorar a tomada de decisão e a gestão do conhecimento
Capítulo 10 - Como melhorar a tomada de decisão e a gestão do conhecimentoCapítulo 10 - Como melhorar a tomada de decisão e a gestão do conhecimento
Capítulo 10 - Como melhorar a tomada de decisão e a gestão do conhecimento
 
Pizzaria ferram1
Pizzaria ferram1Pizzaria ferram1
Pizzaria ferram1
 
Técnicas e ferramentas criatividade[1]
Técnicas e ferramentas criatividade[1]Técnicas e ferramentas criatividade[1]
Técnicas e ferramentas criatividade[1]
 
Processo de Analise e Solucao de Problemas
Processo de Analise e Solucao de ProblemasProcesso de Analise e Solucao de Problemas
Processo de Analise e Solucao de Problemas
 
Aula 05 - Nossos dois hemisférios cerebrais na tomada de decisão.pptx
Aula 05 - Nossos dois hemisférios cerebrais na tomada de decisão.pptxAula 05 - Nossos dois hemisférios cerebrais na tomada de decisão.pptx
Aula 05 - Nossos dois hemisférios cerebrais na tomada de decisão.pptx
 
Resolução de problemas e criatividade sp1
Resolução de problemas e criatividade   sp1Resolução de problemas e criatividade   sp1
Resolução de problemas e criatividade sp1
 
Resolução de problemas e criatividade sp1
Resolução de problemas e criatividade   sp1Resolução de problemas e criatividade   sp1
Resolução de problemas e criatividade sp1
 
Aula 07 metodologia munari
Aula 07   metodologia munariAula 07   metodologia munari
Aula 07 metodologia munari
 

Mais de Laboratório de Políticas Públicas Participativas

Capítulo 4 listas.
Capítulo 4   listas.Capítulo 4   listas.
Al sweigart, cap 3
Al sweigart, cap 3Al sweigart, cap 3
Apresentação do Tainacan Museus - Instituto Brasileiro de Museus - IBRAM
Apresentação do Tainacan Museus - Instituto Brasileiro de Museus - IBRAMApresentação do Tainacan Museus - Instituto Brasileiro de Museus - IBRAM
Apresentação do Tainacan Museus - Instituto Brasileiro de Museus - IBRAM
Laboratório de Políticas Públicas Participativas
 
Manual Tainacan - acervos digitais em rede
Manual Tainacan - acervos digitais em redeManual Tainacan - acervos digitais em rede
Manual Tainacan - acervos digitais em rede
Laboratório de Políticas Públicas Participativas
 
Capítulo 2 - Python
Capítulo 2 - PythonCapítulo 2 - Python
Automatize tarefas maçantes com python - Aula 1
Automatize tarefas maçantes com python - Aula 1Automatize tarefas maçantes com python - Aula 1
Automatize tarefas maçantes com python - Aula 1
Laboratório de Políticas Públicas Participativas
 
Algorithms and their others
Algorithms and their othersAlgorithms and their others
Seminário Sociologia na era do Big Data
Seminário Sociologia na era do Big DataSeminário Sociologia na era do Big Data
Seminário Sociologia na era do Big Data
Laboratório de Políticas Públicas Participativas
 
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 02 - Museus e red...
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 02 - Museus e red...Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 02 - Museus e red...
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 02 - Museus e red...
Laboratório de Políticas Públicas Participativas
 
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 02 - Museus e red...
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 02 - Museus e red...Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 02 - Museus e red...
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 02 - Museus e red...
Laboratório de Políticas Públicas Participativas
 
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 01 - inteligênci...
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 01 - inteligênci...Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 01 - inteligênci...
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 01 - inteligênci...
Laboratório de Políticas Públicas Participativas
 
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 01 - inteligênci...
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 01 - inteligênci...Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 01 - inteligênci...
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 01 - inteligênci...
Laboratório de Políticas Públicas Participativas
 
Métodos Digitais para Análise de Dados - Aula 07 - Fontes de informação dig...
Métodos Digitais para Análise de Dados - Aula 07 - Fontes de informação dig...Métodos Digitais para Análise de Dados - Aula 07 - Fontes de informação dig...
Métodos Digitais para Análise de Dados - Aula 07 - Fontes de informação dig...
Laboratório de Políticas Públicas Participativas
 
Extração de Dados do Facebook com o NetVizz
Extração de Dados do Facebook com o NetVizzExtração de Dados do Facebook com o NetVizz
Extração de Dados do Facebook com o NetVizz
Laboratório de Políticas Públicas Participativas
 
Métodos Digitais para Análise de Dados - Aula 06 - O digital como espaço soc...
Métodos Digitais para Análise de Dados - Aula 06 - O digital como espaço soc...Métodos Digitais para Análise de Dados - Aula 06 - O digital como espaço soc...
Métodos Digitais para Análise de Dados - Aula 06 - O digital como espaço soc...
Laboratório de Políticas Públicas Participativas
 
Encarando o Big Data: Tornando a Sociologia Relevante
Encarando o Big Data: Tornando a Sociologia RelevanteEncarando o Big Data: Tornando a Sociologia Relevante
Encarando o Big Data: Tornando a Sociologia Relevante
Laboratório de Políticas Públicas Participativas
 
Os Usos Literários do Espaço de Alta Dimensão
Os Usos Literários do Espaço de Alta DimensãoOs Usos Literários do Espaço de Alta Dimensão
Os Usos Literários do Espaço de Alta Dimensão
Laboratório de Políticas Públicas Participativas
 
Métodos Digitais para Análise de Dados - Aula 05 - Sociabilidade em rede e ca...
Métodos Digitais para Análise de Dados - Aula 05 - Sociabilidade em rede e ca...Métodos Digitais para Análise de Dados - Aula 05 - Sociabilidade em rede e ca...
Métodos Digitais para Análise de Dados - Aula 05 - Sociabilidade em rede e ca...
Laboratório de Políticas Públicas Participativas
 
Seminário - Apresentação do Artigo - Big Data and Historical Social Science
Seminário - Apresentação do Artigo - Big Data and Historical Social ScienceSeminário - Apresentação do Artigo - Big Data and Historical Social Science
Seminário - Apresentação do Artigo - Big Data and Historical Social Science
Laboratório de Políticas Públicas Participativas
 
Métodos Quantitativos e Pesquisa em Ciências Sociais - Ramos, 2013 (Síntese d...
Métodos Quantitativos e Pesquisa em Ciências Sociais - Ramos, 2013 (Síntese d...Métodos Quantitativos e Pesquisa em Ciências Sociais - Ramos, 2013 (Síntese d...
Métodos Quantitativos e Pesquisa em Ciências Sociais - Ramos, 2013 (Síntese d...
Laboratório de Políticas Públicas Participativas
 

Mais de Laboratório de Políticas Públicas Participativas (20)

Capítulo 4 listas.
Capítulo 4   listas.Capítulo 4   listas.
Capítulo 4 listas.
 
Al sweigart, cap 3
Al sweigart, cap 3Al sweigart, cap 3
Al sweigart, cap 3
 
Apresentação do Tainacan Museus - Instituto Brasileiro de Museus - IBRAM
Apresentação do Tainacan Museus - Instituto Brasileiro de Museus - IBRAMApresentação do Tainacan Museus - Instituto Brasileiro de Museus - IBRAM
Apresentação do Tainacan Museus - Instituto Brasileiro de Museus - IBRAM
 
Manual Tainacan - acervos digitais em rede
Manual Tainacan - acervos digitais em redeManual Tainacan - acervos digitais em rede
Manual Tainacan - acervos digitais em rede
 
Capítulo 2 - Python
Capítulo 2 - PythonCapítulo 2 - Python
Capítulo 2 - Python
 
Automatize tarefas maçantes com python - Aula 1
Automatize tarefas maçantes com python - Aula 1Automatize tarefas maçantes com python - Aula 1
Automatize tarefas maçantes com python - Aula 1
 
Algorithms and their others
Algorithms and their othersAlgorithms and their others
Algorithms and their others
 
Seminário Sociologia na era do Big Data
Seminário Sociologia na era do Big DataSeminário Sociologia na era do Big Data
Seminário Sociologia na era do Big Data
 
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 02 - Museus e red...
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 02 - Museus e red...Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 02 - Museus e red...
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 02 - Museus e red...
 
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 02 - Museus e red...
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 02 - Museus e red...Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 02 - Museus e red...
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 02 - Museus e red...
 
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 01 - inteligênci...
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 01 - inteligênci...Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 01 - inteligênci...
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 01 - inteligênci...
 
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 01 - inteligênci...
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 01 - inteligênci...Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 01 - inteligênci...
Oficina Cultura Digital, Museus e Acervos em Rede - Módulo 01 - inteligênci...
 
Métodos Digitais para Análise de Dados - Aula 07 - Fontes de informação dig...
Métodos Digitais para Análise de Dados - Aula 07 - Fontes de informação dig...Métodos Digitais para Análise de Dados - Aula 07 - Fontes de informação dig...
Métodos Digitais para Análise de Dados - Aula 07 - Fontes de informação dig...
 
Extração de Dados do Facebook com o NetVizz
Extração de Dados do Facebook com o NetVizzExtração de Dados do Facebook com o NetVizz
Extração de Dados do Facebook com o NetVizz
 
Métodos Digitais para Análise de Dados - Aula 06 - O digital como espaço soc...
Métodos Digitais para Análise de Dados - Aula 06 - O digital como espaço soc...Métodos Digitais para Análise de Dados - Aula 06 - O digital como espaço soc...
Métodos Digitais para Análise de Dados - Aula 06 - O digital como espaço soc...
 
Encarando o Big Data: Tornando a Sociologia Relevante
Encarando o Big Data: Tornando a Sociologia RelevanteEncarando o Big Data: Tornando a Sociologia Relevante
Encarando o Big Data: Tornando a Sociologia Relevante
 
Os Usos Literários do Espaço de Alta Dimensão
Os Usos Literários do Espaço de Alta DimensãoOs Usos Literários do Espaço de Alta Dimensão
Os Usos Literários do Espaço de Alta Dimensão
 
Métodos Digitais para Análise de Dados - Aula 05 - Sociabilidade em rede e ca...
Métodos Digitais para Análise de Dados - Aula 05 - Sociabilidade em rede e ca...Métodos Digitais para Análise de Dados - Aula 05 - Sociabilidade em rede e ca...
Métodos Digitais para Análise de Dados - Aula 05 - Sociabilidade em rede e ca...
 
Seminário - Apresentação do Artigo - Big Data and Historical Social Science
Seminário - Apresentação do Artigo - Big Data and Historical Social ScienceSeminário - Apresentação do Artigo - Big Data and Historical Social Science
Seminário - Apresentação do Artigo - Big Data and Historical Social Science
 
Métodos Quantitativos e Pesquisa em Ciências Sociais - Ramos, 2013 (Síntese d...
Métodos Quantitativos e Pesquisa em Ciências Sociais - Ramos, 2013 (Síntese d...Métodos Quantitativos e Pesquisa em Ciências Sociais - Ramos, 2013 (Síntese d...
Métodos Quantitativos e Pesquisa em Ciências Sociais - Ramos, 2013 (Síntese d...
 

6 Passos de uma análise quantitativa - Dados Demais

  • 2. Formulação do problema 1. Formulação Do Problema • Reconhecimento do problema; • Revisão das descobertas anteriores; 2. Solução Do Problema • Modelagem e seleção das variáveis; • Coleta de dados; • Análise dos dados; 3. Resultados: Comunicação e Ação • Apresentação dos resultados e adoção de providências.
  • 3. Passo do Reconhecimento do Problema ➢Análise quantitativa começa com o reconhecimento do problema a ser resolvido/decisão a ser tomada; ➢Situações que levam a esse primeiro estágio: • Pura curiosidade; • Experiências no trabalho; • Necessidade de decisão ou ação; • Situações em andamento, exigindo atenção; • Desenvolvimento/contestação de teorias existentes/pesquisas passadas; • Aceitação de ofertas de projetos/estimativa da disponibilidade de financiamento. ➢O fator mais importante no estágio de reconhecimento do problema é compreender plenamente a questão e sua importância;
  • 4. Identificação dos Stakeholders na Análise ➢Nesse passo, vale a pena refletir sobre quem são os stakeholders da análise e como se sentem em relação ao problema; ➢Componentes comuns desse processo: 1. Indentificar todos os stakeholders; 2. Registrar as necessidades dos stakeholders; 3. Avaliar e analisar os interesses e influências dos stakeholders; 4. Administrar as expectativas dos stakeholders; 5. Tomar providências; 6. Revisar o status e repetir. ➢ A análise de stakeholders destina-se a identificar quem são os principais responsáveis pelas decisões e a maneira mais provável de convencê-los quanto aos resultados;
  • 5. Que Tipo de História Analítica Está se Contando? ➢ Foco em como desenvolver respostas/ideias para a decisão; ➢Histórias de CSI; ➢Histórias Eureca; ➢Histórias de Cientista Maluco; ➢Histórias de Pesquisas; ➢Histórias de Predições; ➢Histórias “Eis o que aconteceu”.
  • 6. Passo do Reconhecimento do Problema ➢Escopo do problema: É importante não limitar prematuramente o escopo do problema ou decisão; ➢“Seja específico sobre o que quer descobrir”: É necessário ter criado uma descrição clara da questão, com definições concretas dos principais itens ou variáveis a serem estudadas; ➢Em pesquisa quantitativa, faz muita diferença a maneira como as coisas são definidas;
  • 7. Passo de Revisão das Descobertas Anteriores ➢Deve-se investigar todas as descobertas correlatas anteriores após o reconhecimento do problema; ➢Basicamente perguntamos: “Já se contou antes história semelhante a esta?”; ➢Reformulação do problema.
  • 9. Passo da modelagem ➢Modelo é representação deliberadamente simplificada do problema; ➢Modelos são comparáveis a caricaturas. Boa caricatura é aquela em que os traços especiais são escolhidos com convicção e eficácia; ➢George Box, estatístico famoso, observou que “todos os modelos são falhos, mas alguns são úteis; ➢Como selecionar as variáveis e descobrir como elas se relacionam umas com as outras? • Hipóteses; • Hipóteses serão testadas mais tarde; isso que diferencia da intuição, por exemplo.
  • 10. Passo da coleta de dados (mensuração): ➢O passo seguinte é coletar dados e medir variáveis selecionadas. ➢Primeiro organiza-se o problema reconhecido que se tornam dados depois da mensuração. ➢Se as variáveis que estão sendo reunidas foram medidas e analisadas com frequência por outrem, esse passo será muito simples. ➢Maneiras de medir as variáveis: • Variáveis binárias; • Variáveis categóricas (nominais); • Variáveis ordinais; • Variáveis numéricas (intervalo e razão).
  • 11. Tipos de dados ➢Dados secundários: • Dados já coletados por outrem. ➢Dados primários: • Variáveis medidas pelo próprio pesquisador. ➢Dados estruturados e não estruturados: • Dados estruturados são aqueles em forma de fileiras e colunas; • Dados não estruturados se apresentam em fluxo contínuo, exemplo: textos. •Agora, na era do Big Data, organizações lidam no dia a dia com vários petabytes (1.000.000.000.000.000 unidade de dados); •Esse tipo de dado requer muitas filtragens, classificações e outras formas de triagem para poder ser analisados;
  • 12. Passo da análise de dados ➢A análise de dados resulta na descoberta de padrões consistentes, ou seja, a relação entre as variáveis embutidas nos dados; ➢A análise de dados pode ser realizado por meio da utilização de um relatório ou de fornecedores de software para categoria de análise na qual se tenta usar a estatística. ➢Microsoft Excel, pode fazer algumas análises estatísticas e analítica visual, assim como elaborar relatórios, embora não seja o mais robusto quando se tem muitos dados a processar.
  • 13. Tipos de modelos ➢Vários são os modelos adotados por analistas e organizações para decidir sobre os dados; ➢Três questões a serem consideradas na identificação do modelo adequado: • Quantidade de variáveis a serem analisadas; • Se envolve questões de descrição ou de inferência; • Níveis de medida que se dispõe nas variáveis de interesse. ➢Nenhum modelo dura para sempre.
  • 15. Resultados: Comunicação e ação ➢Último estágio do referencial; ➢Os analistas podem tornar os resultados de suas pesquisas mais interessantes e atraentes, a fim de inspirar mais ações; ➢A essência desse estagio é descrever o problema e contar a história por trás dele; ➢Depois de identificar essas relações, o significado delas deve ser interpretado, descrito e apresentado de maneira relevante para o problema; ➢Os analistas mais bem sucedidos são aqueles que “contam uma história com dados”; ➢Um erro trágico é pensar que o público se sente confortável com termos técnicos e os métodos estatísticos abordados. Grande parte não compreende um relatório altamente técnico;
  • 16. Métodos modernos de comunicação dos resultados ➢A analítica visual (visualização de dados) progrediu muito nos últimos anos; ➢Propósitos e tipos de analítica visual: ◦ Ver as relações entre pontos de dados-> Gráfico de dispersão Matriz de dispersão Mapa de calor Diagrama de rede ◦ Compara conjunto de frequências ou valores-> Gráfico de barras Histograma Gráfico de bolhas ◦ Mostrar as altas e baixas de uma variável em relação a outra-> Gráfico de linha Gráfico de pilha ◦ Ver as partes de um todo e como se relacionam-> Gráfico de setores ou de pizza Mapa de árvore ◦ Compreender dados ao longo de área geográfica-> Sobrepor dados resumidos em mapas geográficos ◦ Analisar ocorrências em textos-> Nuvem de tags Rede de frases
  • 17. Métodos modernos de comunicação dos resultados ➢As apresentações ou relatórios não são os únicos produtos possíveis dos projetos analíticos. O melhor seria se os analistas se empenhassem na produção de resultados bem próximos da criação de valor. ➢Os cientistas de dados se concentram em áreas de desenvolvimento de produtos. O objetivo é desenvolver protótipos de produtos e novos atributos de produtos; ➢A chave do sucesso é planejar e executar bem o passo inicial e o passo final do processo.
  • 19. Analítica quantitativa e criatividade ➢ A criatividade e analítica não são conceitos antagônicos, mas sim, não raro, ideias correlatas e complementares; ➢ As aplicações mais bem sucedidas da analítica são altamente criativas e criatividade é componente importante das abordagens analíticas à solução de problemas;
  • 20. Rápida revisão dos seis passos ➢No passo de reconhecimento e formulação do problema, a criatividade é extremamente útil e importante; ➢No passo da Revisão das descobertas anteriores, a identificação das mesmas e a escolha das técnicas analíticas, que talvez sejam relevantes, envolvem criatividade; ➢No passo da modelagem, a escolha de variáveis em um modelo às vezes é obvia, mas às vezes, pode ser criativo; ➢Decidir que dados coletar pode ser muito criativo; ➢O passo de análise de dados não é aquele em que mais se exige criatividade. O seu uso pode causar problema; ➢O passo da apresentação de resultados e adoção de providências é envolvido por muita criatividade.
  • 21. Os quatro estágios de raciocínio analítico criativo ➢O processo criativo segue esses passos sequenciais: • Preparação: construção dos fundamentos para a solução do problema; • Imersão: engajamento intenso com a solução do problema e com os dados disponíveis (luta em busca de respostas); • Incubação: internalização do problema na mente subconsciente, na expectativa de que se desenvolvam prováveis conexões inusitadas abaixo do nível de consciência; • Insight: o grande avanço na compreensão de como o problema pode ser resolvido por meio da análise quantitativa.
  • 22. Imersão e trabalho árduo como fonte de criatividade e insight ➢Criatividade é insight que de súbito ilumina a solução do problema; ➢Qual é a fonte da criatividade? ➢Cho Jung Era, ator coreano, assevera que a inspiração não surge de repente, mas, sim, jorra de longa duração de trabalho exaustivo e de dimensão persistente; ➢A intuição é habilidade que se pode desenvolver basicamente pela repetição contínua da análise quantitativa e por outros meios; ➢Georg Hegel, filosofo alemão, achava que apenas quem raciocina de maneira altamente analítica é capaz de ter intuições puras e verdadeiras.
  • 23. Desenvolvimento de recursos de análise quantitativa CAPÍTULO 6
  • 24. Desenvolvimento de recursos de análise quantitativa ➢Segundo Aristóteles, os hábitos, ou que se faz repetidamente, define como ser configura seu destino, conforme o fluxograma: Pensamentos Ações Hábitos Caráter Destino
  • 25. Desenvolvimento de recursos de análise quantitativa ➢Atitudes quantitativas: • É necessário manter-se aberto ao aprendizado de números; • O inumerismo/incapacidade de executar e entender operações aritméticas, aflige muita gente esclarecida e bem informada • Pensadores quantitativos cultivam certas habilidades, atitudes e hábitos a que recorrem sempre que precisam tomar decisões baseadas em números; • Ser amigo dos dados; • Recorrer à internet sempre para aprender conceitos numéricos. • Ampliação da curiosidade;
  • 26. Desenvolvimento de recursos de análise quantitativa ➢Atitudes quantitativas <-> Conhecimento quantitativo; ➢Compreensão das leis da probabilidade e da aleatoriedade;
  • 27. Desenvolvimento de recursos de análise quantitativa ➢Hábitos quantitativos-> Praticando com regularidade e persistência os seguintes hábitos quantitativos, é possível cultivar atitudes quantitativas: • Exija números; • Nunca confie nos números: • Não raro, os números estão ultrapassados e, portanto, não refletem a realidade; • As dúvidas em relação aos números devem ser concentradas nas três categorias: relevância, exatidão e interpretação correta. • Desconfie principalmente dos argumentos de causação; • Faça perguntas; • Práticas de análises quantitativas.
  • 28. Hábitos quantitativos <-> Métodos/conhecimentos quantitativos ➢Nessa fase, é preciso estudar os fundamentos para compreender e executar análises quantitativas. Os cursos a fazer primeiro são Estatística Elementar e Métodos de Pesquisa; ➢As atividades que envolvem análise quantitativa ocorrem como parte de processos e de contextos sociais; • O primeiro passo para adquirir prática de “contar histórias com dados” é escrever um relatório. • Formar uma comunidade de análise quantitativa; • Realizar seminários com regularidade;
  • 30. Trabalhando com os quants ➢O que se descreve no capítulo é um conjunto de relacionamento entre três conjuntos de atores: • Decididores de empresas; • Profissionais de negócios; • Analista quantitativo ou cientista de dados. ➢Há boas razoes para a interação desses três grupos; ➢O objetivo é então tomar decisões analíticas e, ao mesmo tempo preservar o papel do instinto dos executivos e de outros profissionais;
  • 31. Atribuições analíticas ➢Atribuições analíticas a serem exercidas pela pessoa de negócio: • Aprender alguma coisa de matemática e de estatística; • Compreender e questionar as premissas; • Pressionar quando não compreender. ➢O que esperar dos profissionais da analítica: • Aprender o negócio e interessar-se pelos seus problemas; • Conversar em linguagem de negócios; • Explicar qualquer termo técnico; • Dispor-se a desenvolver relacionamentos; • Não fazer os executivos se sentirem estúpidos.
  • 32. Cientista de Dados ➢Profissionais capacitados em estatística, ciência da computação e/ou matemática capazes de analisar grandes volumes de dados e extrair deles insights que criem novas oportunidades de negócio; ➢Devem ser capazes de capturar, armazenar, gerenciar e analisar grandes volumes de dados que devem ser interpretados e utilizados de maneira coerente e concisa de modo que a empresa possa utilizá-los a seu favor; ➢Usualmente esse profissional é formado em estatística, matemática ou ciências da computação. ➢Habilidades necessárias: • Saber programação; • Ser capaz de criar modelos estatísticos; • Ter o conhecimento e domínio apropriado de negócios; • Compreender as diferentes plataformas de Big Data e como elas funcionam.
  • 33. Referências DAVENPORT, T; KIM, J. Dados Demais. 1. ed. Rio de Janeiro: Elsevier, 2013. Disponível em: <http://www.sas.com/pt_br/insights/analytics/cientistas-de-dados.html> Acesso: 01. set.2015 Disponível em: <http://up.mackenzie.br/lato-sensu/sao-paulo/tecnologia-da-informacao/ciencia-de- dados-big-data-analytics/> Acesso: 01.set.2015 Disponível em: <http://www.brasilmaisti.com.br/index.php/pt/2014-08-01-19-12-05/a-blog/240-cientista- de-dados-a-profissao-do-futuro> Acesso: 01.set.2015 Disponível em: <http://blog.corujadeti.com.br/cientista-de-dados-o-profissional-de-big-data/> Acesso: 01.set.2015 Disponível em: <http://www.portal-administracao.com/2014/07/stakeholders-significado- classificacao.html> Acesso: 01.set.2015