Understanding the Role of Big Data Analytics in Business
Table of Contents
No cenário empresarial moderno, os dados evoluíram de um mero subproduto das operações para um ativo estratégico que define vantagem competitiva. As empresas geram e coletam grandes quantidades de informações diariamente – desde transações de clientes e interações de mídias sociais até leituras de sensores e registros da cadeia de suprimentos. Mas os dados brutos por si só têm pouco valor; seu verdadeiro poder surge quando é analisado de forma eficaz. A análise de dados grandes desempenha um papel central na transformação desses dados brutos em insights acionáveis, permitindo que as organizações tomem decisões mais inteligentes, otimizem o desempenho e descubram novas oportunidades de crescimento. À medida que os volumes de dados continuam a explodir, as empresas que dominam a análise estão mais bem posicionadas para se adaptarem às mudanças, anteciparem as necessidades dos clientes e superarem os concorrentes.
O que é análise de dados?
A análise de dados em grande escala refere-se ao processo de análise de dados grandes, diversos e complexos, muitas vezes em tempo real, para descobrir padrões ocultos, correlações, tendências de mercado e outras informações úteis. Ao contrário da análise de dados tradicional, que normalmente trabalha com dados estruturados de uma única fonte, a análise de dados em grande escala lida com dados de alto volume, alta velocidade e alta variedade. Essa disciplina combina métodos estatísticos avançados, algoritmos de aprendizado de máquina e infraestrutura computacional poderosa para extrair insights significativos que impulsionam a estratégia de negócios.O campo expandiu rapidamente à medida que os custos de armazenamento caíram e a computação em nuvem tornou o processamento distribuído acessível a organizações de todos os tamanhos.
Os Quatro V de Big Data
Para compreender plenamente a análise de dados de grande porte, ela ajuda a entender o framework comumente usado para definir suas características principais – as quatro V:
- Volume: A quantidade de dados gerados. As empresas gerenciam hoje petabytes ou exabytes de informações de várias fontes, incluindo sistemas de transação, dispositivos IoT e redes sociais. Tecnologias de armazenamento e processamento escaláveis são essenciais para lidar com esta escala.
- Velocidade: A velocidade com que os dados são gerados e devem ser processados. Análises em tempo real para a negociação de ações, detecção de fraudes ou monitoramento de sensores de IoT exigem análises quase instantâneas. Plataformas de streaming como o Apache Kafka tornaram-se fundamentais para o manuseio de dados de alta velocidade.
- Variedade: Os diferentes tipos de dados – estruturados (bases de dados), semiestruturados (JSON, XML) e não estruturados (texto, imagens, vídeo, mensagens de mídia social). As plataformas modernas de análise devem integrar e fazer sentido desses diversos formatos.
- Veracidade: A qualidade e precisão dos dados. Dados inconsistentes, incompletos ou barulhentos podem levar a insights não confiáveis, tornando os passos críticos de limpeza e governança de dados. As organizações muitas vezes investem fortemente em ferramentas e processos de qualidade de dados.
Alguns frameworks adicionam um quinto V- Valor—enfatizando que o objetivo final da análise de big data é obter valor mensurável para o negócio. Sem uma ligação clara com resultados como crescimento de receita, redução de custos ou mitigação de riscos, os esforços de análise correm o risco de se tornar experiências caras.
Principais benefícios do Big Data Analytics em negócios
Organizações em várias indústrias estão investindo fortemente em recursos de big data porque os retornos são substanciais. Abaixo estão os principais benefícios que fazem da análise de big data uma pedra angular da estratégia empresarial moderna, com exemplos expandidos de como as empresas realizam esses ganhos.
Melhor tomada de decisão
Insights orientados por dados capacitam os gestores e executivos para fazer escolhas informadas rapidamente, reduzindo a dependência de intuição ou adivinhação. Por exemplo, um varejista analisando dados de ponto de venda combinados com padrões climáticos pode otimizar níveis de inventário para demanda sazonal, reduzindo stockouts e markdowns. De acordo com um estudo de McKinsey, empresas que aproveitam dados efetivamente têm 23 vezes mais chances de adquirir clientes e seis vezes mais chances de mantê-los. Além disso, as organizações orientadas por dados são mais prováveis de agir em oportunidades e estratégias de pivô baseadas em sinais em tempo real, em vez de em indicadores atrasados.
Experiência aprimorada do cliente
Analisando o comportamento do cliente – desde o histórico de navegação e registros de compra até as interações – permite hiperpersonalização. Serviços de streaming como o Netflix usam big data para recomendar conteúdo com precisão estranha; plataformas de comércio eletrônico adaptam sugestões de produtos e mensagens de marketing às preferências individuais. Essa compreensão profunda promove lealdade e aumenta o valor da vida do cliente. Por exemplo, a Amazon atribui uma parte significativa de sua receita ao seu motor de recomendação, que é alimentado por análise contínua das ações do cliente.
Eficiência operacional
A análise de dados grandes ajuda a identificar gargalos, desperdícios e ineficiências em processos. Os fabricantes usam análises preditivas para agendar a manutenção antes que o equipamento falhe, reduzindo o tempo de inatividade não planejado em até 50%. As empresas de logística otimizam as rotas de entrega em tempo real, cortam os custos de combustível e aumentam os níveis de serviço. Em armazéns, dados de sensores e wearables podem melhorar a produtividade e segurança dos trabalhadores. Mesmo em ambientes de colar branco, a análise pode simplificar os fluxos de trabalho identificando tarefas repetitivas que podem ser automatizadas.
Inovação e novos fluxos de receitas
Os insights de dados podem revelar necessidades de clientes não atendidas ou oportunidades de mercado totalmente novas. Por exemplo, uma empresa de serviços financeiros pode analisar dados de transações para desenvolver um produto micro-empréstimo para segmentos carentes. As empresas também podem monetizar seus ativos de dados vendendo insights anônimos e agregados a terceiros. Algumas organizações criaram linhas de negócios inteiramente novas em torno de produtos de dados, como o Waze fornecendo dados de tráfego para planejadores da cidade ou o John Deere usando dados de equipamentos para oferecer análises de agricultura de precisão.
Gestão de Riscos e Detecção de Fraudes
A análise de dados permite uma modelagem sofisticada de risco e detecção de anomalias. As empresas de cartões de crédito verificam milhões de transações por segundo para sinalizar atividades suspeitas, evitando bilhões de fraudes anualmente. As empresas de seguros usam dados telemáticos de veículos para políticas de preços mais precisas e reduzem a fraude de reclamações. Na cibersegurança, as ferramentas de análise monitoram padrões de tráfego de rede para detectar intrusões em tempo real.
Aplicações de Big Data Analytics em toda a indústria
A versatilidade da análise de big data significa que suas aplicações abrangem praticamente todos os setores. Aqui estão alguns dos casos de uso mais impactantes, com exemplos específicos de como as organizações implementam análises para vantagem competitiva.
Comércio retalhista e electrónico
- Marketing personalizado: Analisando histórico de compras, comportamento de navegação e atividade de mídia social para servir anúncios e ofertas direcionadas. Retailers como Target têm usado análises preditivas famosas para identificar clientes grávidas e cupons alfaiate de acordo.
- Preço dinâmico: Ajustando os preços em tempo real com base na demanda, preços do concorrente e níveis de inventário. Companhias aéreas e hotéis têm usado preços dinâmicos, mas agora plataformas de comércio eletrônico aplicam algoritmos semelhantes para maximizar a receita por cliente.
- Otimização da cadeia de suprimentos: Previsão da demanda para evitar estoques e reduzir o excesso de estoque. Walmart usa big data para otimizar o inventário em milhares de lojas, contabilizando eventos locais, meteorológicas e promoções.
Finanças e bancos
- Detecção de fraude: Análise em tempo real de padrões de transação para identificar e bloquear atividades fraudulentas. Modelos de aprendizado de máquina atualizam continuamente à medida que os fraudistas evoluem suas táticas, mantendo altas taxas de detecção, minimizando falsos positivos.
- Avaliação do risco de crédito: Utilizando fontes de dados alternativas (por exemplo, pagamentos de utilidades, atividade de mídia social) para avaliar a creditabilidade de clientes com histórico de crédito limitado. Isso expande o acesso a serviços financeiros enquanto gerencia o risco.
- Comércio de algoritmos: Negociação de alta frequência baseada em dados de mercado em tempo real e modelos preditivos. Fundos de cobertura e bancos de investimento dependem de análises de dados grandes para executar transações em milissegundos, explorando pequenas discrepâncias de preços.
Ciências da Saúde e da Vida
- Análises preditivas para o cuidado ao paciente: Identificar pacientes em risco de readmissão ou complicações com base em registros eletrônicos de saúde, reduzir as penalidades de readmissão intervindo precocemente com pacientes de alto risco, melhorar os resultados e diminuir os custos.
- Descoberta de drogas: Analisando dados genômicos e resultados de ensaios clínicos para acelerar o desenvolvimento de novas terapias. Big data analytics ajudou a encurtar a linha do tempo para o desenvolvimento da vacina COVID-19, permitindo uma análise rápida das sequências virais e resultados de ensaios.
- Vigilância da saúde pública: Monitoramento de surtos de doenças, como COVID-19, usando dados agregados de hospitais e relatórios de mobilidade. Ferramentas como o Google Flu Trends e HealthMap demonstram como fontes de dados não tradicionais podem fornecer sinais de alerta precoce.
Indústria e Indústria 4.0
- Manutenção preditiva: Análise de dados do sensor IoT para prever falhas do equipamento antes de ocorrerem, reduzindo o tempo de parada. Por exemplo, a Siemens usa dados de turbinas para programar a manutenção com base no desgaste real e não em intervalos fixos.
- Controlo de qualidade: Visão e dados de sensores para detectar defeitos em tempo real em linhas de produção. Os fabricantes automotivos implantar câmeras e machine learning para capturar imperfeições que os inspetores humanos podem perder.
- Resistência da cadeia de abastecimento: Durante a pandemia, as empresas que investiram em análises de cadeia de suprimentos orientadas por dados foram mais capazes de redirecionar as transferências e gerenciar a escassez de estoques.
Telecomunicações
- Otimização de rede: Analisando os registros de detalhes de chamadas e tráfego de rede para melhorar a cobertura e reduzir as chamadas perdidas. As telecomunicações usam análises geoespaciais para identificar áreas com fraca força de sinal e priorizar atualizações de infraestrutura.
- Previsão do churn do cliente: Identificação Ao analisar padrões de uso, histórico de faturamento e interações de suporte, as empresas podem reduzir o churn em 15% ou mais.
Tecnologias e Ferramentas Principais para Análise de Dados
A implementação de análises de big data requer uma pilha de tecnologia robusta. O cenário é vasto, mas várias ferramentas e plataformas fundamentais são amplamente adotadas. As organizações normalmente combinam frameworks de código aberto com serviços gerenciados na nuvem para equilibrar flexibilidade, custo e facilidade de uso.
Quadros de armazenamento e processamento de dados
- Apache Hadoop: Uma estrutura de código aberto para armazenamento distribuído (HDFS) e processamento (MapReduce) de grandes conjuntos de dados entre clusters. Hadoop continua sendo um cavalo de trabalho para processamento em lote, embora muitas ferramentas mais novas tenham melhorado no desempenho do MapReduce.
- Spark Apache: Um rápido mecanismo de processamento de dados em memória que lida com cargas de trabalho de streaming em lote e em tempo real. Spark é muitas vezes preferido sobre Hadoop MapReduce para algoritmos iterativos e machine learning, oferecendo até 100x melhorias de velocidade para determinadas cargas de trabalho.
- Bases de Dados NoSQL: MongoDB, Cassandra e Couchbase são projetados para o manuseio de dados não estruturados em escala. Eles se destacam em ingerir dados de alta velocidade de aplicações web e sistemas de IoT onde bancos de dados relacionais lutam com flexibilidade de esquema.
Armazenagem de dados e plataformas em nuvem
- Fornecedores de nuvem: AWS (Amazon Redshift, EMR), Google Cloud (BigQuery, Dataproc) e Microsoft Azure (Synapse Analytics) oferecem serviços de big data gerenciados. A adoção da nuvem para análise acelerou porque elimina os custos iniciais de hardware e permite escala elástica com base em demandas de carga de trabalho.
- Armazéns de dados modernos: A Snowflake e a Databricks fornecem plataformas unificadas para análise e aprendizado de máquina em dados em nuvem. Essas plataformas separam o armazenamento e a computação, permitindo escalas independentes e reduzindo custos para consultas ad hoc.
Análise e Visualização
- Ferramentas de inteligência empresarial: O Tableau, Power BI e o Looker permitem painéis interativos e análises ad-hoc. As ferramentas modernas do BI conectam-se diretamente aos data warehouses e suportam consultas de linguagem natural, tornando a análise acessível aos usuários não técnicos.
- Estatística e aprendizagem de máquina: Python (com pandas, scikit-learn, TensorFlow) e R são o padrão para a construção de modelos preditivos. Plataformas AutoML como H2O.ai e DataRobot estão democratizando o aprendizado de máquina automatizando a seleção de modelos e afinação de hiperparametros.
Integração de dados e ETL
- Apache Kafka: Uma plataforma de streaming distribuída para ingerir dados em tempo real de várias fontes. Kafka é a espinha dorsal de muitas arquiteturas orientadas para eventos, permitindo análises em tempo real e pipelines de dados.
- Fluxo de ar Apache: Usado para orquestrar pipelines de dados complexos. Airflow permite que engenheiros de dados definam fluxos de trabalho como código, agendar e monitorar falhas com alerta.
- Fivetran, Stitch: Conectores gerenciados para sincronizar dados de fontes SaaS para um armazém. Essas ferramentas reduzem o esforço de engenharia necessário para manter integrações de APIs, permitindo que as equipes se concentrem em análises em vez de encanamento.
Implementação de Big Data Analytics: Uma abordagem passo a passo
Construir uma capacidade de análise de dados de grande porte bem sucedida envolve mais do que apenas comprar tecnologia. As organizações devem seguir um processo estruturado para garantir insights traduzem em resultados de negócios. Os passos abaixo fornecem um roteiro para passar de dados brutos para inteligência acionável.
1. Definir os Objetivos de Negócios
Comece com perguntas claras: Que problema estamos tentando resolver? Que decisões serão melhoradas? Alinhar projetos de análise com objetivos estratégicos – por exemplo, reduzir o churn do cliente em 15% ou aumentar a eficiência da cadeia de suprimentos em 10%. Sem um objetivo bem definido, equipes de análise arriscam perseguir dados sem fornecer valor. Engajar stakeholders de todo o negócio para priorizar casos de uso que tenham o maior impacto potencial.
2. Avaliar a disponibilidade dos dados
Analise fontes de dados existentes, qualidade e acessibilidade. Identifique lacunas e invista na governança de dados para garantir precisão, segurança e conformidade com regulamentos como o GDPR ou a CCPA. Dados limpos e bem organizados são a base de análises confiáveis. Muitas empresas subestimam o esforço necessário para limpar e padronizar dados – planejam atribuir pelo menos 50% do tempo de projeto de análise para a preparação de dados.
3. Escolha a infraestrutura certa
Selecione uma pilha de tecnologia que corresponda aos seus requisitos de volume, velocidade e variedade. As soluções em nuvem oferecem escalabilidade e custos iniciais mais baixos, enquanto as configurações no local podem ser necessárias para restrições de soberania de dados ou latência. Considere uma abordagem híbrida para flexibilidade.Avaliar serviços gerenciados para reduzir a sobrecarga operacional, mas garanta que você mantenha o controle sobre o design e segurança de pipeline de dados.
4. Construir ou adquirir capacidades analíticas
Contrate engenheiros de dados, cientistas de dados e analistas de negócios, ou participe de empresas especializadas. Muitas empresas também adotam ferramentas de análise aumentadas que usam IA para automatizar a preparação de dados e a geração de insights, reduzindo a necessidade de uma profunda experiência técnica.Invista em treinamento de pessoal existente para superar a lacuna de habilidades; o talento interno muitas vezes entende o contexto de negócios melhor do que os contratos externos.
5. Desenvolva modelos e iterate
Comece com um projeto piloto. Use análise exploratória de dados para entender padrões, depois crie modelos preditivos ou prescritivos. Teste, valide e refine continuamente modelos baseados em resultados do mundo real. Adote uma abordagem ágil: inicie um modelo mínimo viável rapidamente, obtenha feedback e melhore. Evite a armadilha de aperfeiçoar um modelo isoladamente apenas para encontrá-lo não resolve um problema de negócios real.
6. Operationalizar Insights
Integrar saídas analíticas em fluxos de trabalho diários. Por exemplo, incorporar previsões churn em um sistema CRM para que os representantes de vendas recebam alertas. Construir painéis que dão aos tomadores de decisão visibilidade em tempo real em métricas-chave. Certifique-se de que insights são entregues no contexto do papel do usuário - executivos precisam de resumos, enquanto os trabalhadores de linha de frente precisam de ações específicas.
7. Monitor e Governo
Sistemas de Big Data exigem monitoramento contínuo para desempenho, qualidade de dados e deriva de modelos. Estabeleça um centro de análise de excelência para compartilhar as melhores práticas e manter padrões em toda a organização. Examine regularmente a precisão do modelo e retreine conforme necessário. Implemente ferramentas de catalogação de dados para ajudar os usuários a descobrir e confiar nos ativos de dados disponíveis.
Desafios em Big Data Analytics
Apesar de sua promessa, a análise de big data apresenta obstáculos significativos que as organizações devem navegar para realizar o valor. Reconhecer esses desafios precocemente e planejar estratégias de mitigação é fundamental para o sucesso a longo prazo.
Privacidade e Segurança de Dados
O manuseio de informações confidenciais do cliente requer medidas de segurança robustas e o cumprimento de regulamentos de privacidade. As falhas podem levar a penalidades legais e danos na reputação. As empresas devem implementar técnicas de criptografia, controle de acesso e anonimização de dados. O aumento de regulamentos de privacidade como o GDPR e o CCPA significa que as equipes de análise devem incorporar privacidade por design em cada pipeline.
Altos Custos e Complexidade de Infraestrutura
A construção e manutenção de infra-estruturas de big data podem ser caras, especialmente para os clusters locais. Os serviços em nuvem ajudam a reduzir as despesas de capital, mas requerem uma gestão cuidadosa para evitar custos operacionais em fuga devido a consultas ineficientes ou armazenamento excessivo. A implementação de ferramentas de monitoramento de custos e o estabelecimento de políticas de ciclo de vida de dados (por exemplo, transferência de dados frios para armazenamento mais barato) são práticas essenciais.
Faltas de Habilidade
A demanda por cientistas, engenheiros e analistas de dados excede muito a oferta. Muitas organizações lutam para encontrar talento com a combinação certa de conhecimentos de domínio, conhecimentos estatísticos e habilidades de codificação. Investir em aprimorar a equipe existente e alavancar plataformas analíticas de baixo código/sem código pode mitigar essa lacuna. Além disso, construir uma cultura colaborativa entre TI e equipes de negócios ajuda a maximizar o impacto de talentos analíticos escassos.
Silos de dados e integração
Sistemas legados muitas vezes armazenam dados em silos isolados, tornando difícil criar uma visão unificada. Projetos de integração de dados podem ser demorados e politicamente carregados. Um forte framework de governança de dados e recursos dedicados de engenharia de dados são essenciais. Adotar uma arquitetura de malha de dados, onde equipes de domínio gerenciam seus próprios produtos de dados, é uma abordagem emergente para superar silos.
Garantir a qualidade dos dados
A má qualidade dos dados — duplicar registros, valores em falta, formatos inconsistentes — desmantela a confiança nas saídas analíticas. Os pipelines automatizados de validação de dados e auditorias regulares ajudam a manter a qualidade. As organizações devem investir em ferramentas de observação de dados que monitoram as mudanças de frescura, volume e esquema em tempo real, alertando as equipes para problemas antes que afetem a análise a jusante.
Resistência organizacional à mudança
Mesmo com a melhor tecnologia e dados, iniciativas de análise podem falhar se a cultura não abraçar a tomada de decisão orientada por dados. Os gestores acostumados com decisões baseadas em intuição podem resistir à adoção de novas insights. Para superar isso, a liderança deve modelar o comportamento orientado por dados, celebrar sucessos e fornecer treinamento para construir a alfabetização de dados em toda a organização. Um rollout faseado com vitórias rápidas pode ajudar a construir impulso e demonstrar valor.
Tendências futuras em Big Data Analytics
O campo está evoluindo rapidamente. Várias tendências emergentes irão moldar como as empresas alavancam os big data nos próximos anos, oferecendo novas oportunidades e desafios.
Análise de bordas e processamento em tempo real
Com a proliferação de dispositivos IoT, analisar dados na borda – mais perto de onde é gerado – reduz a latência e a utilização da largura de banda. A análise de bordas permite a tomada de decisão em tempo real em aplicações como veículos autônomos e automação industrial. Por exemplo, um robô de fábrica pode ajustar seus movimentos com base em dados de sensores processados localmente, sem esperar por um servidor de nuvem. Essa tendência acelerará, uma vez que as redes 5G fornecem a conectividade necessária para arquiteturas de borda distribuídas.
Análise aumentada e automação conduzida por IA
Ferramentas que geram automaticamente insights, escrevem explicações em linguagem natural e sugerem ações são democratizar análises. Gartner prevê que até 2026, a análise aumentada será o motor dominante de novas compras de análise. Usuários de negócios podem interagir com dados usando consultas conversacionais e receber resumos em inglês, reduzindo a dependência de cientistas de dados para análise de rotina. Essa mudança liberará especialistas para se concentrar em problemas estratégicos mais complexos.
Tecido de dados e arquiteturas de malha de dados
As organizações estão se afastando de lagos de dados centralizados para arquiteturas distribuídas que tratam os dados como um produto. A malha de dados permite que as equipes de domínio possuam e gerenciem seus dados enquanto aderem aos padrões de governança global, melhorando a escalabilidade e agilidade. A malha de dados, por outro lado, foca na integração de fontes de dados diferentes através de metadados e automação, criando uma camada virtual unificada. Ambas as abordagens visam tornar os dados mais acessíveis e confiáveis sem criar uma única plataforma monolítica.
Uso responsável de IA e dados éticos
Como os modelos analíticos influenciam decisões críticas – desde aprovações de empréstimos até contratação –, as preocupações sobre viés, transparência e equidade estão ganhando atenção. As empresas precisam adotar frameworks éticos e técnicas de IA explicativas para construir confiança com clientes e reguladores. Isso inclui modelos de auditoria para viés, fornecendo explicações para decisões automatizadas e garantindo que as práticas de coleta de dados respeitem a privacidade. Organizações que abordam proativamente essas questões evitarão riscos de reputação e se diferenciarão no mercado.
Medindo o ROI de Big Data Analytics
Para justificar o investimento contínuo, as organizações devem vincular os resultados da análise a resultados mensuráveis de negócios. A medição de ROI pode ser desafiadora porque muitos benefícios são indiretos ou de longo prazo, mas uma abordagem estruturada ajuda a quantificar o valor. Comece identificando KPIs específicos para cada projeto de análise – tais como aumento de receita, redução de custos ou melhoria da satisfação do cliente. Atribua mudanças nessas métricas às intervenções analíticas usando experimentos controlados ou análise de regressão, onde possível. Também considere benefícios intangíveis como tomada de decisão mais rápida e melhoria da produtividade dos funcionários.
Construindo uma cultura orientada por dados
Uma cultura orientada por dados onde as decisões em todos os níveis são informadas pelos dados é a vantagem competitiva máxima. Líderes devem defender a alfabetização de dados fornecendo treinamento, promovendo o compartilhamento de dados e recompensando a tomada de decisões baseadas em evidências. Crie um ambiente onde a experimentação é incentivada e falhas são vistas como oportunidades de aprendizagem ao invés de erros. Capacite os funcionários da linha de frente com ferramentas de análise de autoatendimento para que eles possam responder suas próprias perguntas sem esperar pela equipe de dados. Finalmente, invista em conta histórias de dados – a capacidade de apresentar insights em uma narrativa convincente – para garantir que a análise impulsiona a ação, não apenas relatórios.
Conclusão
A análise de dados em grande escala tornou-se uma ferramenta essencial para as empresas que visam manter-se competitivas em um mundo orientado a dados. Ao utilizar efetivamente dados, as empresas podem tomar decisões mais inteligentes, melhorar operações e inovar continuamente – mas o sucesso requer uma abordagem estratégica que combina tecnologia, talento e processo. As organizações que investem na construção de uma cultura de dados forte, enfrentar desafios de frente e se manter a par das tendências emergentes serão melhor posicionadas para transformar os dados em uma vantagem competitiva sustentável. À medida que os volumes de dados continuam a crescer e as ferramentas de análise se tornam mais poderosas, o fosso entre líderes de dados e laggards aumentará.
Para mais leitura, explore recursos de O hub de análise de Big Data da IBM, McKinsey em ação, e Forbes sobre tendências de big data. Insights adicionais podem ser encontrados em Harvard Business Review sobre o impacto de big data.