As empresas estão preparadas para o Big Data?
10 de julho de 2015

O marketing digital impactou a forma como as empresas medem os dados. Mas será que todas estão preparadas?
O termo está realmente em alta. Uma boa parte das empresas já conhece, ou gostaria de implementar. Mas na prática, não é um processo tão simples para implementação, principalmente se o projeto está começando do zero, começou errado, não tem padronização, ou a empresa não quer investir recursos para o projeto.
Dentro desse status, temos alguns pontos a serem considerados:
- Quando pensamos em mensurar dados, precisamos saber se a empresa tem possibilidade para investir tempo para gerenciar um projeto de mapeamento de canais e alinhar padrões nos dados captados do cliente.
- Para quem investe em mídia com vários canais, é importante mensurar dados de receita, budget por canal, além das demais métricas, para que a análise possa te dar insights de quais canais realmente são mais efetivos. Caso contrário sua análise estará enviesada.
- Considere que é importante implementar software de mensuração em uma loja virtual. Se esse mapeamento de KPIS e implementações de tags de código, não foram discutidos no início do projeto, o comerciante ficará frustrado, pois terá que arcar com horas adicionais dos programadores por puro desconhecimento do processo.
- Um outro ponto importante a ser considerado neste tipo de mapeamento é que no caso de implementações técnicas, estas estão suscetíveis a atualizações de softwares de terceiros e isso impacta novamente em horas adicionais de desenvolvimento. Um exemplo disto é o caso das atualizações do Google, que passam constantemente por mudanças e caso não sejam consertados, podem impactar em mensurações defasadas ou desatualizadas.
- Na hora de mensurar dados, todas os pontos de contato com o cliente, precisam estar muito bem padronizados. Exemplo: Um comerciante realizou uma pesquisa em suas lojas físicas, com todos os seus clientes, para avaliar a satisfação do atendimento em sua rede. Quando recebeu os formulários das 3 unidades de negócios, reparou que uma das perguntas, estava diferente, na comparação das outras. Nesse caso, essa avaliação ficará anulada, sendo possível avaliar apenas a questão em si, e não a questão comparativa entre as 3 unidades da rede.
- É importante avaliar que dependendo do volume de dados a serem padronizados, o trabalho de parametrização pode ser entender por semanas. É importante definir uma equipe qualificada e suficiente para entregar o projeto no tempo previsto e alinhar expectativas. Exemplo: Você precisa mensurar dados de 110 lojas físicas, porém a captação dos dados é manual e a média de captação por dia é de 240 formulários, que são enviados por correios para uma central única. Possivelmente essa central única receberá 26400 formulários por dia. Se a média de tempo para inserção em planilha for de 1 hora para cada formulário, já sabe o que irá ocorrer não é? Será impossível uma pessoa centralizar toda informação manualmente. Ou seja, o projeto da empresa ficará inviabilizado neste formato. A Central Única, não poderá atender as 26.400 horas por dia obviamente e com isso aquela mensuração será feita de não fluída, neste caso, projeto inviabilizado. Será necessário fazer uma escolha, entre: como distribuir a amostra dos formulários. Ou reformular o processo, criando um software de mensuração. Ou ainda, contratar mais pessoas para auxiliar no projeto.
Fonte: administradores.com
Compartilhe

Entenda como as duas plataformas trabalham com engenharia de dados, analytics, governança e inteligência artificial, e quais critérios considerar antes de investir em uma arquitetura de dados. A escolha de uma plataforma de dados influencia diretamente como uma empresa organiza suas informações, desenvolve soluções analíticas, controla custos e prepara sua estrutura tecnológica para novas demandas de negócio. Nesse cenário, Databricks e Snowflake aparecem frequentemente entre as alternativas avaliadas por organizações que precisam modernizar seus ambientes de dados. Ambas oferecem recursos para processamento, análise, governança e inteligência artificial, mas possuem características arquiteturais e abordagens de desenvolvimento que merecem atenção. A comparação entre Databricks e Snowflake envolve muito mais do que funcionalidades disponíveis em cada plataforma. Uma organização que pretende modernizar seu data warehouse tem prioridades diferentes de outra que precisa integrar dados de múltiplas fontes, processar eventos em tempo real ou desenvolver aplicações de machine learning e IA generativa. Entender essas diferenças ajuda a construir uma arquitetura coerente com os requisitos técnicos, o investimento disponível e os objetivos de crescimento da empresa.

