Baixe o app para aproveitar ainda mais
Prévia do material em texto
O restaurante em questão, possui basicamente dois pratos principais que são servidos diariamente: feijoada e filé à parmegiana. Visando a agilidade, eles optam por deixarem esses pratos pré-prontos, e por isso há muitas sobras, o que gera desperdício. Então, saber as tendências (previsão) de vendas facilitaria o pré-preparo e ajudaria a mitigar os desperdícios e despesas, ou seja, quais variáveis estão envolvidas nisso - clima,temperatura,vento e outras - levando em consideração que cada um desses dois pratos tem suas particularidades. Visando a resolução do problema, o dono do restaurante reuniu os dados observados durante 14 dias numa planilha, ou seja, basicamente, ele utilizou uma técnica de aprendizado supervisionado e fez um processo de classificação dos elementos, conforme Regras de Associação é possível chegar a relações interessantes entre esses dados, o que levará ao resultado final, que é encontrar uma forma de “adivinhar” qual será o prato mais vendido do dia seguinte, diminuindo os desperdícios e potencializando os lucros como consequência. Utilizando o algoritmo de Navy Baye, cujos conceitos se baseiam em fazer uma previsão de acordo com os dados obtidos durante o treinamento, conforme a tabela que reúne os dados observados pelo proprietário durante os 14 dias, será possível classificar que o prato mais vendido no 15º dia, cuja previsão é de sol, temperatura fria, umidade normal e muito vento. Com o algoritmo de Naive Bayes pode-se encontrar uma probabilidade multiplicando a probabilidade “anterior” pela probabilidade “seguinte” (BECKER, 2019). Aplicando ao contexto do restaurante, podemos chegar ao resultado de diversas formas, uma delas é aplicando em python, com a implementação da biblioteca sklearn (http://scikit-learn.org/). A Sklearn disponibiliza o Naive Bayes de 3 formas: (i) Gaussian; (ii) Multinomial; (iii) Bernoulli. Cada aplicação depende do problema que será resolvido. http://scikit-learn.org/
Compartilhar