Pensamento de dados

O pensamento de dados é uma estrutura de design de produto com ênfase particular na ciência de dados . Ele integra elementos de pensamento computacional , pensamento estatístico e pensamento de domínio. [1] No contexto do desenvolvimento de produtos, o pensamento de dados é uma estrutura para explorar, projetar, desenvolver e validar soluções baseadas em dados. O pensamento de dados combina a ciência de dados com o pensamento de design e, portanto, o foco desta abordagem inclui a experiência do usuário, bem como a análise e coleta de dados . [2] [3] [4] [5]

O pensamento de dados é uma mentalidade que promove a alfabetização em dados e incentiva organizações e indivíduos a tomar decisões baseadas em dados. Ao incorporar o pensamento de dados no processo de desenvolvimento de produtos, as organizações podem criar produtos mais centrados no usuário, informados por dados e insights, em vez de intuição. Entretanto, os indivíduos podem tirar conclusões baseadas em dados e evitar preconceitos externos .

Principais componentes do pensamento de dados

De acordo com Mike et al.: [1]

  • O pensamento de dados é a compreensão de que uma solução para um problema da vida real não deve ser baseada apenas em dados e algoritmos , mas também nas regras orientadas pelo conhecimento de domínio que os governam.
  • O pensamento de dados pergunta se os dados oferecem uma boa representação da situação da vida real. Também aborda a forma como os dados foram recolhidos e pergunta: “A recolha de dados pode ser melhorada?”.
  • O pensamento de dados é a compreensão de que os dados não são apenas números a serem armazenados em uma estrutura de dados adequada , mas que esses números possuem um significado que deriva do conhecimento do domínio.
  • Pensar em dados é compreender que qualquer processo ou cálculo realizado nos dados deve preservar o significado do domínio de conhecimento relevante.
  • O pensamento de dados analisa os dados não apenas logicamente, mas também estatisticamente, usando visualizações e métodos estatísticos para encontrar padrões, bem como fenômenos irregulares.
  • O pensamento de dados é compreender que a abstração do problema depende do domínio e que a generalização está sujeita a preconceitos e variações nos dados.
  • Pensar em dados é entender que testar em laboratório não é suficiente e que a implementação na vida real sempre encontrará dados e situações inesperadas e, portanto, melhorar os modelos e a solução para um determinado problema é um processo contínuo que inclui, entre outras atividades, constantes e monitoramento iterativo e coleta de dados.
  • O pensamento de dados é o processo criativo de compreensão do problema a partir de diferentes níveis de abstração, o que sempre envolve ser empilhado
  • O pensamento de dados envolve a compreensão de que a análise de dados pode ter múltiplos significados e que requer um pensamento adequado para ter representações válidas.
  • O pensamento de dados é um processo de criação da maneira mais adequada de analisar os dados de entrada e tirar conclusões sobre eles.
  • O pensamento de dados é a forma criativa de avaliar o problema, analisando todos os dados disponíveis utilizando tecnologia moderna e obtendo a solução desejada 5 vezes mais rápido do que antes.
  • O pensamento de dados é o processo de processamento dos dados disponíveis de maneira significativa, sem excluir o impacto dos dados ausentes.

Principais fases do pensamento de dados

Embora ainda não exista um processo padronizado para o pensamento de dados, as principais fases do processo são semelhantes em muitas publicações e podem ser resumidas da seguinte forma:

Esclarecimento do Contexto Estratégico e definição de áreas de foco de riscos e oportunidades baseadas em dados

Durante esta fase, o contexto mais amplo da estratégia digital é analisado. Antes de iniciar um projeto concreto, é essencial compreender como os novos dados e as tecnologias baseadas na IA estão a afetar o cenário empresarial e as implicações que isso tem no futuro de uma organização. Análise de tendências / previsão tecnológica e planejamento/análise de cenários, bem como avaliações internas de capacidade de dados são as principais técnicas normalmente aplicadas nesta fase. [6] [4]

Ideação/Exploração

O resultado da fase anterior é uma definição das áreas de foco que são mais promissoras ou que correm maiores riscos devido à transformação baseada em dados. Na fase de Ideação/exploração, os casos de uso concretos são definidos para as áreas de foco selecionadas. Para uma Ideação bem-sucedida, é importante combinar informações sobre objetivos organizacionais (negócios), necessidades de uso interno/externo, necessidades de dados e infraestrutura, bem como conhecimento de domínio sobre as mais recentes tecnologias e tendências baseadas em dados. [7] [3]

Os princípios do design thinking no contexto do pensamento de dados podem ser interpretados da seguinte forma: ao desenvolver ideias baseadas em dados, é crucial considerar a interseção entre viabilidade técnica, impacto nos negócios e disponibilidade de dados. Instrumentos típicos de design thinking (por exemplo, pesquisa de usuários, personas , jornada do cliente ) são amplamente aplicados nesta fase. [8]

Além das necessidades do usuário, as necessidades estratégicas e do cliente também devem ser consideradas aqui. As necessidades de dados, a análise da disponibilidade de dados e a investigação sobre as tecnologias de IA adequadas para a solução são partes essenciais do processo de desenvolvimento. [9]

Para definir o escopo dos dados e a base tecnológica da solução, práticas de processos padrão intersetoriais para mineração de dados ( CRISP-DM ) são normalmente usadas neste estágio. [10]

Prototipagem/Prova de Conceito

Durante as etapas anteriores, foi desenvolvido o conceito principal da solução de dados. Agora, é realizada uma prova de conceito para verificar a viabilidade da solução. Este estágio também inclui teste, avaliação, iteração e refinamento. [11] Os princípios de design de prototipagem também são combinados durante esta fase com modelos de processos que são aplicados em projetos de ciência de dados (por exemplo, CRISP-DM). [6]

Medindo o impacto nos negócios

A viabilidade e a lucratividade da solução são comprovadas durante o processo de reflexão de dados. A análise de custo-benefício e o cálculo do caso de negócios são comumente aplicados durante esta etapa. [12]

Implementação e Melhoria

Caso a solução desenvolvida comprove a sua viabilidade e rentabilidade nesta fase, será implementada e operacionalizada. [2] [4]

Referências

  1. ^ ab Mike, Koby; Ragonis, Noa; Rosenberg-Kima, Rinat B.; Hazzan, Orit (2022-07-21). “Pensamento computacional na era da ciência de dados”. Comunicações da ACM . 65 (8): 33–35. doi :10.1145/3545109. ISSN0001-0782  . S2CID250926599  .
  2. ^ ab "Por que as empresas precisam de pensamento de dados?" 02/07/2020.
  3. ^ ab "Data Thinking - Mit neuer Innovationsmethode zum datengetriebenen Unternehmen" [Com novos métodos de inovação para a empresa orientada a dados] (em alemão).
  4. ^ abc "Data Thinking: Um guia para o sucesso na era digital" .
  5. ^ Herrera, Sara (21/02/2019). "Data-Thinking als Werkzeug für KI-Innovation" [Data Thinking como ferramenta para inovação KI]. Handelskraft (em alemão).
  6. ^ ab Schnakenburg, Igor; Kuhn, Steffen. "Pensamento de dados: Daten schnell produktiv nutzen können". LÜNENDONK-Magazin "Künstliche Intelligenz" (em alemão). 05/2020: 42–46.
  7. ^ Nalchigar, Soroosh; Yu, Eric (01/09/2018). "Análise de dados voltada para negócios: uma estrutura de modelagem conceitual". Engenharia de Dados e Conhecimento . 117 : 359–372. doi :10.1016/j.datak.2018.04.006. ISSN0169-023X  . S2CID53096729  .
  8. ^ Madeiras, Rachel (22/03/2019). "Uma mentalidade de Design Thinking para ciência de dados". Médio . Recuperado em 08/07/2020 .
  9. ^ Fomenko, Elena; Mattgey, Annette (12/05/2020). "Foi macht eigentlich… ein Data Thinker?". W&V . Alemão.
  10. ^ Marbán, Óscar; Mariscal, Gonçalo; Menasalvas, Ernestina; Segóvia, Javier (2007). Yin, Hujun; Tino, Pedro; Corchado, Emílio; Byrne, Will; Yao, Xin (eds.). "Uma abordagem de engenharia para projetos de mineração de dados". Engenharia Inteligente de Dados e Aprendizagem Automatizada - IDEAL 2007 . Notas de aula em Ciência da Computação. 4881 . Berlim, Heidelberg: Springer: 578–588. doi :10.1007/978-3-540-77226-2_59. ISBN 978-3-540-77226-2.
  11. ^ Brown, Tim Wyatt, Jocelyn (01/07/2010). “Design Thinking para Inovação Social”. Extensão em Desenvolvimento . 12 (1): 29–43. doi :10.1596/1020-797X_12_1_29. hdl : 10986/6068 . ISSN1020-797X  .{{cite journal}}: Manutenção CS1: vários nomes: lista de autores ( link )
  12. ^ "Pensamento de dados - das Potenzial von Daten richtig nutzen" . Revista t3n (em alemão). 08/09/2018 . Recuperado em 08/07/2020 .
Obtido em "https://en.wikipedia.org/w/index.php?title=Data_thinking&oldid=1191807754"