Cada vez mais, os dados e sua análise têm se tornado fundamentais para impulsionar as estratégias de negócio. Diante desse contexto, entender as tendências em Data Analytics é importante para se destacar em meio à concorrência.
Por isso, é válido manter-se atualizado sobre as inovações apresentadas durante o evento anual Gartner Data & Analytics Conference. Organizado pela empresa de consultoria em TI, Gartner Group, esse encontro oferece previsões e insights sobre Data Analytics.
A edição de 2024 ocorreu em São Paulo, nos dias 26 e 27 de março. O encontro contou com a participação de líderes de tecnologia, negócios e especialistas do setor. Neste artigo, trouxemos 6 tendências apresentadas na conferência. Acompanhe!
1. Até 2026, 15% das grandes empresas terão avaliado a governança conectada para gerir eficazmente desafios complexos entre organizações com programas de governança
Governança conectada é um modelo de gestão que usa tecnologia para melhorar a eficiência e transparência na administração pública. Isso envolve a interconexão de sistemas e dados para tomada de decisões mais informadas e ágeis.
Neste cenário é imprescindível às empresas lidarem com o crescente volume de informações distribuídas em diversas fontes. Ao mesmo tempo, é preciso manter a conformidade e evitar riscos, como vazamento de dados.
2. Até 2026, 80% das organizações terão implantado vários hubs de dados em sua estrutura de dados para impulsionar o compartilhamento e a governança de dados e análises de missão crítica
Dentro de uma estrutura de dados, um hub é uma arquitetura focada em centralizar e disponibilizar os dados de maneira que as empresas possam potencializar as cargas de trabalho de Inteligência Artificial (IA) e análise. Dentre seus benefícios podemos citar:
- Dados consolidados de diversas fontes em uma única fonte da verdade;
- Alta disponibilidade com maior desempenho e velocidade;
- Total transparência e acessibilidade.
Dessa forma, a implantação de vários hubs de dados é uma das principais tendências de Data Analytics, pois permite que as empresas criem fundações sólidas para tomada de decisões mais assertivas para o negócio.
3. Até 2026, os catálogos de dados corporativos ampliarão a coleta de metadados de ferramentas analíticas para fornecer uma linhagem ponta a ponta, reduzindo a adoção do catálogo analítico em pelo menos 20%
Um catálogo de dados facilita a criação de um inventário completo de informações, distribuídas em diversas fontes, como bancos de dados relacionais e data warehouses.
Assim, ferramentas analíticas se tornarão indispensáveis para analistas, diretores de conformidade e arquitetos lidarem com informações classificadas por meio de metadados, que oferecem dados complementares, como fonte, conteúdo, histórico e linhagem.
Quanto mais efetiva a coleta dos metadados, maior é o ganho operacional das empresas, resultando em análises e correlações mais eficazes. Além disso, quanto mais assertivas forem as inferências de dados, mais recursos a empresa possui para tomar melhores decisões de negócio.
4. Até 2027, a detecção de valores discrepantes e outros recursos analíticos aumentados evoluirão para plataformas analíticas autônomas que gerenciam e executam totalmente 20% dos processos de negócios
A integração da análise de dados, business intelligence (BI) e Inteligência Artificial (IA) torna possível cada vez mais a criação e utilização de plataformas analíticas autônomas.
Em suma, trata-se da utilização de diversas plataformas de computação cognitiva, tais como IA e aprendizado de máquina (ML), para aprimorar seu próprio desempenho.
O principal objetivo dessas ferramentas é a análise da infraestrutura de big data para garantir o uso eficaz do banco de dados. Todas as tarefas de gerenciamento, monitoramento e ajuste de infraestrutura são automatizadas, dentre outros recursos como a implantação, segurança, tratamento de erros e automação para atualizações.
5. Até 2026, mais de 10 milhões de dólares terão sido investidos em startups de IA que dependem de modelos básicos (grandes modelos de IA treinados em enormes quantidades de dados)
Startup é um tipo de empresa que lança uma ideia no mercado e a valida iterativamente até atingir o market-fit (ajuste de mercado). Seu objetivo final é escalar e se consolidar, seja por um IPO ou uma aquisição.
Logo, as startups de IA tem como seu negócio principal o desenvolvimento de soluções de Inteligência Artificial para terceiros, sejam consumidores ou outras empresas e instituições.
Basicamente, modelos de IA são conjuntos de algoritmos que usam machine learning para identificar padrões a partir de dados. Isso os permite fazer previsões ou gerar novas informações que imitam a estrutura e o estilo dos dados colhidos originalmente.
Tais modelos servem como uma “base” que pode ser ajustada para tarefas especializadas, capaz de realizar outras ações..
Um exemplo de modelo de base é o large language model (LLM). O GPT da OpenAI é um LLM projetado para trabalhar com linguagem humana. Portanto, ele se concentra no processamento de linguagem natural e pode executar tarefas de conversa, como respostas a perguntas, chatbots, transcrições e traduções.
Outros tipos de modelos de base podem focar em conteúdo não textual, como Flamingo ou DALL-E que geram imagens e UniAudio ou LLark que geram áudio.
Tais empreendimentos têm recebido cada vez mais foco e investimentos gerando maior efetividade e lucro para as empresas, muitas vezes acima das projeções do mercado. A Microsoft, por exemplo, investiu mais de 10 bilhões de dólares na OpenAI e obteve um aumento de receita 30% maior que no último trimestre de 2023.
6. Até 2025, sem práticas sustentáveis de IA, a IA consumirá mais energia do que a força de trabalho humana, compensando significativamente os ganhos de zero carbono
O emprego de tecnologias como a IA levanta preocupações acerca do consumo de energia e seus efeitos no meio ambiente. Para mitigar sua pegada ambiental, é crucial investir em pesquisa e desenvolvimento de tecnologias mais eficientes e sustentáveis do que nunca.
Atualmente, a implementação de “algoritmos verdes” é um dos principais meios de melhorar a eficiência energética. Esses mecanismos são projetados de forma que, quando executados, funcionem com menos consumo de recursos e alcancem o mesmo resultado que um algoritmo mais complexo.
Outras medidas para reduzir significativamente a quantidade de energia gasta incluem a utilização de hardware mais eficiente e o uso de energias renováveis. Logo, o uso consciente de IA é uma das tendências de Data Analytics.
Gostou desses insights e deseja receber mais conteúdo como esse? Se inscreva na nossa newsletter!
Em resumo
Gartner é uma consultoria especializada em pesquisas na área de tecnologia. Suas previsões anuais destacam a importância da análise de dados e da utilização de tecnologias para impulsionar iniciativas empresariais. Os líderes de dados e análises devem usar estas previsões para melhorar a sua visão estratégica e programas de entrega.
Segundo a Gartner Data & Analytics Conference de 2024, as principais tendências até 2028 se agrupam em: decisões de negócios distribuídas precisam de abordagens de governança equilibradas, composição e Consolidação de Análise, BI e Ciência de Dados e impacto profundo da IA em produtos e serviços.
