 |
| Bellacosa Mainframe data mining versus data analytucs |
☕ Um Café no Bellacosa Mainframe
Data Mining vs Data Analytics: Como um Programador Júnior Pode Transformar Dados em Inteligência de Negócios (e por que isso também importa no IBM Z)
"No mundo da tecnologia, dados são o novo petróleo. Mas petróleo bruto não move um carro. Primeiro ele precisa ser refinado. Com dados acontece exatamente a mesma coisa."
Quando alguém começa sua carreira em desenvolvimento de software, principalmente no universo do IBM Mainframe, costuma imaginar que seu trabalho será apenas escrever programas COBOL, criar JCLs, consultar DB2 ou desenvolver transações CICS.
E durante algum tempo isso realmente acontece.
Mas, conforme você evolui, percebe uma verdade importante:
Programadores não desenvolvem apenas software. Desenvolvem conhecimento.
Toda aplicação corporativa existe por um motivo: gerar, armazenar ou consumir dados.
E é justamente aí que entram dois conceitos que aparecem cada vez mais em entrevistas, projetos modernos e iniciativas de Inteligência Artificial:
Data Mining
Data Analytics
Muita gente acredita que são sinônimos.
Não são.
Na verdade, um complementa o outro.
Hoje vamos tomar mais um café e entender essa diferença de uma maneira que faça sentido para um desenvolvedor iniciante, principalmente para quem pretende trabalhar com sistemas corporativos de grande porte.
O tesouro escondido dentro do banco de dados
Imagine que você trabalha em um grande banco.
Todos os dias são registrados:
25 milhões de transações
8 milhões de PIX
4 milhões de compras no cartão
900 mil empréstimos simulados
milhares de acessos ao Internet Banking
Agora imagine isso acontecendo durante vinte anos.
Estamos falando de bilhões de registros.
Você conseguiria abrir uma planilha com tudo isso?
Nem o Excel teria coragem.
Então surge uma pergunta.
Como descobrir informações úteis dentro dessa montanha de dados?
É exatamente essa pergunta que deu origem ao Data Mining.
O que é Data Mining?
A tradução literal seria algo como:
Mineração de Dados.
O nome não foi escolhido por acaso.
Imagine um garimpeiro.
Ele não está interessado em toda a terra da mina.
Ele quer encontrar ouro.
Para isso precisa cavar toneladas de pedras.
O Data Mining faz exatamente isso.
Ele "escava" enormes bases de dados procurando algo valioso.
Pode ser:
padrões
tendências
correlações
comportamentos
anomalias
oportunidades
riscos
O objetivo não é produzir relatórios bonitos.
O objetivo é descobrir conhecimento escondido.
Data não é informação
Essa é uma das primeiras lições da Ciência de Dados.
Imagine esta sequência.
235
842
129
842
235
991
São apenas números.
Agora imagine que você descubra que representam códigos de produtos vendidos.
Ainda assim são apenas dados.
Agora descubra que:
842 vende três vezes mais nas sextas-feiras;
235 sempre é comprado junto com 991;
clientes que compram 129 têm alta chance de cancelar o serviço em até 90 dias.
Agora sim existe informação.
E foi o Data Mining que encontrou isso.
Data Analytics entra em cena
Suponha que o Data Mining encontrou o seguinte padrão:
Clientes entre 20 e 30 anos cancelam o serviço três vezes mais que os demais.
Excelente descoberta.
Mas...
E agora?
O que fazer com essa informação?
É aqui que entra o Data Analytics.
Analytics responde perguntas como:
Isso representa quanto de prejuízo?
Qual campanha devemos lançar?
Vale a pena oferecer desconto?
Quanto vamos economizar?
Qual decisão deve ser tomada?
Perceba a diferença.
Data Mining encontra.
Data Analytics interpreta.
Uma analogia simples
Imagine um arqueólogo.
Ele encontra uma antiga espada enterrada.
Esse trabalho é o Data Mining.
Agora entra um historiador.
Ele analisa a espada.
Descobre:
Esse é o Data Analytics.
A grande confusão
Uma das frases da imagem diz que:
Data Mining é apenas parte do Data Analytics.
Na prática, isso está correto.
Analytics é muito mais amplo.
Ele envolve:
Estatística
Business Intelligence
Dashboards
KPIs
Visualização
Inteligência Artificial
Machine Learning
Forecast
Otimização
Data Mining
Ou seja:
Data Analytics
│
├── Estatística
├── BI
├── Dashboards
├── Visualização
├── IA
├── Machine Learning
└── Data Mining
Mining é uma ferramenta.
Analytics é a estratégia.
Onde entra o Machine Learning?
Outra dúvida bastante comum.
Machine Learning não substitui Data Mining.
Na verdade, ele fornece muitos dos algoritmos utilizados durante a mineração.
Por exemplo:
Árvores de decisão
Redes neurais
Random Forest
K-Means
Regressão
SVM
Todos podem ser utilizados para descobrir padrões.
As quatro grandes perguntas da análise de dados
Existe um modelo bastante conhecido.
1. O que aconteceu?
Análise Descritiva.
Exemplo.
"As vendas caíram 15%."
2. Por que aconteceu?
Análise Diagnóstica.
"O concorrente lançou uma promoção."
3. O que vai acontecer?
Análise Preditiva.
"Existe 82% de chance de queda nas vendas no próximo trimestre."
4. O que devemos fazer?
Análise Prescritiva.
"Aumentar o investimento em marketing digital na região Sudeste."
Perceba como o Analytics evolui da observação para a ação.
Um exemplo usando COBOL
Imagine um programa COBOL responsável por registrar pagamentos.
Todos os dias ele grava milhões de registros.
Durante cinco anos ele acumulou:
CLIENTE
VALOR
DATA
HORA
AGÊNCIA
CANAL
TIPO DE PAGAMENTO
Agora imagine um cientista de dados analisando tudo isso.
O Data Mining descobre que:
clientes acima de 65 anos utilizam mais caixas eletrônicos;
pagamentos acima de determinado valor aumentam nas sextas-feiras;
determinadas agências apresentam comportamento incomum.
Nenhum programador escreveu essas regras.
Os algoritmos descobriram.
Agora entra o Analytics
O Analytics recebe essas descobertas.
Calcula:
impacto financeiro;
risco;
ROI;
custo operacional.
Depois responde:
Vale abrir mais caixas eletrônicos?
Vale reforçar a equipe?
Vale oferecer novos produtos?
É por isso que Analytics está diretamente ligado ao negócio.
E no IBM Mainframe?
Muitos iniciantes imaginam que Mainframe apenas executa programas COBOL.
Nada poderia estar mais distante da realidade.
Todos os dias um IBM Z produz uma quantidade gigantesca de informações.
Exemplos.
SMF Records.
RMF.
JES2.
JES3.
SDSF.
RACF.
DB2.
IMS.
MQ.
OMEGAMON.
CICS.
z/OSMF.
Cada componente registra milhares de eventos.
Isso significa milhões de linhas diariamente.
Um Sysprog também faz Analytics
Imagine analisar os registros SMF.
O Data Mining pode descobrir:
Jobs que sempre falham juntos.
Crescimento gradual do consumo de CPU.
Programas responsáveis por gargalos.
Horários de pico.
Tendências de utilização do DASD.
Perfis suspeitos de acesso RACF.
Depois entra o Analytics.
Ele responde.
Devemos comprar mais processadores?
Precisamos aumentar memória?
Vale reorganizar o DB2?
Precisamos alterar políticas do WLM?
Ou seja.
Até mesmo um Administrador Mainframe trabalha com Analytics sem perceber.
Curiosidade
Você sabia que grandes bancos analisam bilhões de registros diariamente usando dados originados no próprio Mainframe?
Isso acontece porque o IBM Z continua sendo responsável por boa parte das transações financeiras do planeta.
Não é exagero dizer que boa parte do dinheiro movimentado diariamente passa por algum sistema que gera dados para análises.
O ciclo completo
Visualmente seria algo assim.
Aplicações
↓
COBOL
↓
CICS
↓
DB2
↓
Dados
↓
ETL
↓
Data Warehouse
↓
Data Mining
↓
Machine Learning
↓
Data Analytics
↓
Dashboards
↓
Decisões
↓
Novas Estratégias
Perceba.
Tudo começa com um bom software.
O futuro: IA + Analytics
Nos últimos anos surgiu um novo personagem.
A Inteligência Artificial Generativa.
Agora imagine o seguinte diálogo.
"ChatGPT, quais foram os cinco produtos com maior crescimento no último trimestre?"
A IA consulta o banco de dados.
Executa SQL.
Analisa gráficos.
Cruza informações.
Explica os resultados.
Sugere decisões.
Esse é o conceito de Augmented Analytics, em que a IA acelera a interpretação dos dados, permitindo que analistas e gestores se concentrem nas decisões de maior impacto.
Dicas para um Programador Júnior
Se você está começando, não tente aprender tudo ao mesmo tempo. Construa uma base sólida.
1. Aprenda SQL profundamente
Quase todo projeto de dados começa com consultas bem escritas. Saber fazer JOIN, GROUP BY, funções analíticas e otimizar consultas é uma habilidade valiosa.
2. Entenda modelagem de dados
Conheça tabelas normalizadas, chaves primárias, chaves estrangeiras e relacionamentos. Um bom modelo facilita qualquer análise.
3. Domine Excel e Power BI
Mesmo em grandes empresas, essas ferramentas são amplamente utilizadas para explorar dados e criar dashboards.
4. Aprenda Python
Bibliotecas como Pandas, NumPy, Matplotlib e Scikit-learn permitem manipular dados e criar modelos de forma eficiente.
5. Conheça estatística básica
Média, mediana, desvio padrão, correlação e distribuição são conceitos essenciais para interpretar resultados corretamente.
6. Desenvolva visão de negócio
Pergunte sempre: "Como essa análise ajuda a empresa?" A tecnologia existe para resolver problemas reais.
7. Se você é do Mainframe, explore os dados da plataforma
SMF, RMF, Db2, CICS e RACF são verdadeiras minas de informação. Aprender a interpretá-los pode diferenciá-lo no mercado.
Erros comuns dos iniciantes
❌ Acreditar que gráficos são Analytics. Um gráfico sem contexto não responde perguntas de negócio.
❌ Pensar que Machine Learning resolve qualquer problema. Um modelo treinado com dados ruins produzirá resultados ruins.
❌ Ignorar a qualidade dos dados. Dados duplicados, incompletos ou inconsistentes comprometem qualquer análise.
❌ Focar apenas na ferramenta. O mais importante é entender o problema, não apenas dominar uma linguagem ou software.
Easter Eggs Bellacosa Mainframe ☕
🥚 Easter Egg #1 – O Data Miner do século XXI
Se um garimpeiro usa uma peneira para separar ouro da areia, o cientista de dados usa algoritmos para separar conhecimento do ruído. Em ambos os casos, a matéria-prima é abundante, mas o valor está escondido.
🥚 Easter Egg #2 – O COBOL já fazia Analytics sem esse nome
Muitos sistemas COBOL geravam relatórios gerenciais, balanços e estatísticas décadas antes de "Data Analytics" virar um termo popular. A diferença é que hoje utilizamos ferramentas muito mais sofisticadas para explorar esses mesmos dados.
🥚 Easter Egg #3 – O Mainframe é uma fábrica de dados
Cada transação CICS, cada acesso ao Db2, cada Job JES2 e cada registro SMF conta uma parte da história da empresa. Quando unidos, esses eventos formam um dos ativos mais valiosos de qualquer organização.
🥚 Easter Egg #4 – O verdadeiro ouro não está no algoritmo
O algoritmo encontra padrões, mas quem transforma esses padrões em inovação é o ser humano. Conhecimento técnico e entendimento do negócio continuam sendo diferenciais insubstituíveis.
🥚 Easter Egg #5 – O café do Bellacosa
Se você chegou até aqui, já percebeu que programar vai muito além de escrever código. Todo sistema existe para apoiar decisões, e toda decisão de qualidade nasce de dados bem compreendidos. O café é apenas a desculpa para conversarmos sobre isso.
Conclusão
A principal lição deste café é simples: Data Mining e Data Analytics não disputam espaço; eles trabalham em conjunto. O primeiro explora grandes volumes de dados para revelar padrões, tendências e anomalias. O segundo interpreta essas descobertas, contextualiza os resultados e transforma conhecimento em ações estratégicas.
Para um programador júnior — seja em desenvolvimento web, ciência de dados ou IBM Mainframe — compreender essa diferença é um passo importante na evolução profissional. Afinal, cada programa COBOL, cada tabela Db2, cada API ou cada transação CICS produz dados que podem orientar decisões de negócio.
No fim das contas, o código é apenas o começo da jornada. O verdadeiro valor aparece quando esses dados são transformados em conhecimento, e esse conhecimento se converte em melhores produtos, processos mais eficientes e decisões mais inteligentes.
"Quem aprende apenas a programar constrói sistemas. Quem aprende a entender os dados constrói o futuro. No universo IBM Z, onde bilhões de transações acontecem silenciosamente todos os dias, cada registro pode esconder uma oportunidade esperando para ser descoberta." ☕
