2017/05/10, 14:00
Postado em 10 de maio de 2017 às 23h35m
Tradicionalmente, os data centers são ambientes robustos, seguros e responsáveis pelo processamento das informações de empresas de todos os segmentos e portes. Na era digital, colocar essas estruturas a serviço da inteligência coletiva por meio dos conhecimentos em Big Data, Mining, Computação Cognitiva e Machine Learning aplicados em uma oferta de Insight-as-a-Service, traria um grande valor agregado às empresas de determinados segmentos.
A proposta do Open Data Center seria o compartilhamento de melhores práticas, perfis e padrões de comportamento de mercado para ajudar a alavancar insights a uma grande variedade de empresas em seus segmentos de atuação.
Porém, operar a partir desse tipo de modelo ainda é um desafio, pois temos questões de segurança e de sigilo dos dados confiados nos contratos NDA (Non Disclosure Agreement). O entendimento e equalização desses conceitos de uma maior adoção de nuvens por meio de soluções abertas e interoperáveis devem estar alinhados entre todas as entidades e hoje existe uma diferença mapeada no controle dessas variáveis nas distintas entidades e clientes.
Quando desenhamos soluções de negócio, o grande desafio é sempre entender o perfil correto do cliente, visando aperfeiçoarmos ações de captação, conversão e retenção. Quanto mais material, ou seja, quanto maior o histórico e a quantidade de clientes, melhor para entender sua base.
Neste modelo, cada cliente teria acesso a todos os detalhes dos seus dados, mas também acessaria perfis e comportamentos de segmentos de clientes, o que aumentaria o estudo de um perfil sobre todas as óticas.
Dessa forma seria possível, por exemplo, em sistemas de fraude ter mais assertividade na detecção já que a base para estudo seria mais abrangente, incluindo históricos por CPF’s ou determinados padrões dos clientes. É uma medida que beneficiaria todos os clientes de um determinado sistema de Data Center.
Hoje, uma solução para detecção de fraude normalmente vasculha unicamente a base de dados de um cliente. Logo, se uma empresa tiver um milhão de clientes, validação com Serasa ou outros sistemas alcançando o aumento em variáveis para melhorar o perfil de fraudador, o que ampliaria o aumenta histórico e as variáveis, ou seja, o modelo ficaria muito mais assertivo e forneceria valor agregado para todos.
Essa estratégia pode ser utilizada em diversas frentes. Toda camada de Mining, Big Data, Machine Learning, Computação Cognitiva suporta um caminho interessante com grande encaixe, pois todos os conceitos necessários de segmentação, definição de perfil do cliente, entre outros, normalmente são muito utilizados nestas práticas.
De certa forma temos que olhar isso como uma prática futura, pois apesar da existência de diversas plataformas, o pool de organizações de TI dedicadas a acelerar a adoção de soluções e serviços interoperáveis para uma inteligência coletiva de dados ainda é incipiente.
Porém, operar a partir desse tipo de modelo ainda é um desafio, pois temos questões de segurança e de sigilo dos dados confiados nos contratos NDA (Non Disclosure Agreement). O entendimento e equalização desses conceitos de uma maior adoção de nuvens por meio de soluções abertas e interoperáveis devem estar alinhados entre todas as entidades e hoje existe uma diferença mapeada no controle dessas variáveis nas distintas entidades e clientes.
Quando desenhamos soluções de negócio, o grande desafio é sempre entender o perfil correto do cliente, visando aperfeiçoarmos ações de captação, conversão e retenção. Quanto mais material, ou seja, quanto maior o histórico e a quantidade de clientes, melhor para entender sua base.
Neste modelo, cada cliente teria acesso a todos os detalhes dos seus dados, mas também acessaria perfis e comportamentos de segmentos de clientes, o que aumentaria o estudo de um perfil sobre todas as óticas.
Dessa forma seria possível, por exemplo, em sistemas de fraude ter mais assertividade na detecção já que a base para estudo seria mais abrangente, incluindo históricos por CPF’s ou determinados padrões dos clientes. É uma medida que beneficiaria todos os clientes de um determinado sistema de Data Center.
Hoje, uma solução para detecção de fraude normalmente vasculha unicamente a base de dados de um cliente. Logo, se uma empresa tiver um milhão de clientes, validação com Serasa ou outros sistemas alcançando o aumento em variáveis para melhorar o perfil de fraudador, o que ampliaria o aumenta histórico e as variáveis, ou seja, o modelo ficaria muito mais assertivo e forneceria valor agregado para todos.
Essa estratégia pode ser utilizada em diversas frentes. Toda camada de Mining, Big Data, Machine Learning, Computação Cognitiva suporta um caminho interessante com grande encaixe, pois todos os conceitos necessários de segmentação, definição de perfil do cliente, entre outros, normalmente são muito utilizados nestas práticas.
De certa forma temos que olhar isso como uma prática futura, pois apesar da existência de diversas plataformas, o pool de organizações de TI dedicadas a acelerar a adoção de soluções e serviços interoperáveis para uma inteligência coletiva de dados ainda é incipiente.
