A análise de tais dados se tornou impreterível. No entanto, essa grande quantidade de dados gerados pelos usuários, conhecido pelo seu acrônimo em inglês User-Generated Content (UGC), fez com que as análises manuais se tornassem humanamente impossíveis, impedindo a extração de conhecimentos que trouxessem consigo vantagens competitivas para as corporações. É nesse sentido que a análise automática de dados ganhou o seu espaço na gestão de relacionamento com os clientes por intermédio das mídias sociais.

Em um trabalho seminal, Foster Provost e Tom Fawcett^[1] ressaltam justamente a relação entre o grande volume de dados que vêm sendo produzido (Big Data), a tomada de decisões orientadas aos dados (Data-driven Decision Making) e a ciênciados dados (Data Science), destacando o impacto nos negócios. Para entender essa relação, vejamos os conceitos.  O Big Data é caracterizado pelos chamados 5V´s, a saber:

i) Volume - refere-se à quantidade de dados a ser analisado. No Facebook, por exemplo, são mais de 10 bilhões de mensagens, 5 bilhões de interações  e 350 milhões de fotos compartilhadas todos os dia;

ii) Velocidade - essa característica diz respeito à velocidade com a qual esses dados são criados (o exemplo anterior ilustra isso). Ademais, essa velocidade impede a análise de dados em tempo real de forma eficiente;

iii) Variedade - no passado a maior parte dos dados disponíveis para análise encontravam-se estruturados em bancos relacionais, em outras palavras, tabulados. Atualmente estima-se que mais de 90% dos dados produzidos são de natureza não estruturadas (e bem variadas), como textos, vídeos, fotos, localizações, áudios. Tais tipos de dados requerem novas ferramentas de análise;

 iv) Veracidade - muito importante para os negócios, pois a informação deve ser verdadeira. Em tempos de fake news e uso indiscriminado de bots, as informações que circulam nas mídias sociais devem ser avaliadas e filtradas a fim de manter a confiabilidade dos resultados;

v) Valor - por fim, esses dados têm que ter o potencial valor aos negócios, trazendo insights para a tomada de decisões mais acuradas.

Data-Driven Decision Making refere-se à prática de se basear as decisões nos resultados das análise dos dados e não apenas em impressões ou intuições. Por fim, Data Science pode ser definido como um campo multidisciplinar que usa métodos científicos, processos e algoritmos para extrair conhecimentos e insights a partir de dados, sejam eles estruturados ou não.

Nesta tríade, o objetivo dos analistas é desenvolver métodos eficientes de análise de grandes volumes de dados e que descubram conhecimentos novos e potencialmente úteis para auxiliar na tomada de decisões em determinados setores.

Com o know-how de análise de dados do Laboratório de Inteligência Computacional da Universidade Federal do Pará e do Laboratório de Computação Aplicada da UFOPA, somado ao entendimento das demandas do mercado de Social CRM dos pesquisadores e empresas associadas ao Social CRM Research Center, vinculado à Universidade de Leipzig, Alemanha, realizamos um mapeamento entre esses três elementos:

• métodos de análise de dados advindos de mídias sociais
• tomada de decisão dentro do contexto de gestão de relacionamento com o cliente
• conhecimentos a serem extraídos e insights gerados.

A primeira parte de mapeamento ocorreu consultando a literatura existente e especialistas na área de CRM que, por ser multidisciplinar, envolveu especialistas nas áreas de Marketing, Administração, Ciências da Computação, Design, entre outros.