A análise de dados pode ajudar as instituições de previdência social a melhorar sua eficácia e eficiência administrativa, permitindo-lhes compreender o passado, explicar a causa dos eventos, antecipar o que pode acontecer e sugerir algumas ações a serem tomadas. As instituições podem aplicar a análise de dados em uma ampla diversidade de áreas, como saúde, detecção e prevenção de erros, evasão e fraude, política social proativa e desenho de programas, projeções atuariais, melhoria da prestação de serviços, entre outras.

A análise de dados é baseada principalmente em dados da instituição e potencialmente externos, que, após a preparação, são analisados ​​para derivar insights usando várias abordagens analíticas, em particular:

• Análise descritiva, que tenta responder “o que aconteceu”. Fornece uma compreensão das transações passadas que ocorreram na organização;
• Análise de diagnóstico, que tenta responder à pergunta "por que ou como isso aconteceu". Envolve uma compreensão do relacionamento entre conjuntos de dados relacionáveis ​​e identificação de transações específicas, juntamente com seu comportamento e razões subjacentes;
• Análise preditiva, que tenta prever "O que, quando, onde acontecerá" com base em dados passados. Técnicas de previsão podem ser usadas para prever, até certo ponto, o resultado futuro de uma atividade;
• Análise prescritiva, que permite “prescrever” uma série de ações possíveis como entradas, de modo que as saídas no futuro possam ser direcionadas para os resultados ou soluções desejados. Na análise prescritiva, vários cenários futuros podem ser identificados com base em diferentes intervenções de entrada.

Por sua vez, a análise de big data aproveita volumes muito grandes de dados, geralmente além das transações das instituições. Big data é caracterizado pelos “4 Vs”: Volume, Variedade, Velocidade e Veracidade. Por exemplo, uma fonte potencial de big data poderia ser dispositivos médicos domésticos monitorando os sinais vitais dos pacientes. A análise de big data requer uma revisão das técnicas de análise de dados de maneiras fundamentais em todos os estágios, desde a aquisição e armazenamento de dados até a transformação e interpretação de dados e, em particular, a tarefa de coletar e analisar dados, que está no centro do pipeline de análise de big data .

Com relação ao suporte à tomada de decisão por meio do Machine Learning, os principais tipos de técnicas são:

• Aprendizado indutivo no qual modelos são construídos a partir da generalização de exemplos;
• Aprendizado dedutivo no qual a dedução é aplicada para obter generalizações de um exemplo resolvido e de sua explicação;
• O aprendizado genético no qual os algoritmos são inspirados na teoria da evolução é aplicado para encontrar uma descrição geral de grupos de exemplos;
• Aprendizagem conexionista na qual a generalização é realizada pelos mecanismos de adaptação de redes neurais artificiais.

Os principais objetivos da seção são apoiar as instituições de seguridade social na aplicação da análise de dados e na adoção de tecnologias emergentes.

Estas directrizes destinam-se principalmente a orientar a unidade de TIC sobre a implementação e fornecimento de ferramentas e serviços de habilitação adequados às áreas de negócio. Visam também orientar a gestão da instituição na aplicação de tecnologias de ponta e emergentes. Além disso, essas diretrizes podem significar que as equipes de desenvolvimento técnico e operacional terão que adaptar suas habilidades e ajudarão a identificar novos requisitos de habilidades.