Resolução do Caso N1 - Inteligência Analítica

Prévia do material em texto

Anhembi Morumbi 
 
 
Flávia Larissa Ferreira dos Santos 
 
 
 
 
 
Caso do Restaurante - Inteligência Analítica 
 
 
 
 
 
 
 
 
 
 
São Paulo 
2023 
2 
 
 
 
SUMÁRIO 
 
Caso do Restaurante - Inteligência Analítica .......................................................................................... 1 
INTRODUÇÃO .......................................................................................................................................... 3 
1. Mineração de dados ........................................................................................................................ 3 
2. Naive Bayes ..................................................................................................................................... 3 
CONCLUSÃO ............................................................................................................................................ 5 
REFERÊNCIAS ........................................................................................................................................... 5 
 
 
 
 
 
 
 
 
 
 
 
 
 
3 
 
INTRODUÇÃO 
Este trabalho tem a finalidade de ajudar um restaurante a entender tendências e obter 
informações dos seus dados para a tomada de decisões de negócios táticas e 
estratégicas. Para atender melhor aos seus clientes o proprietário quer oferecer a eles 
opções de pratos sempre frescos, além de evitar desperdício de alimentos. 
Para entender melhor as suas possibilidades o proprietário fez um estudo durante 14° 
dias de qual prato foi vendido a cada dia, entre os pratos que se destacam são os de 
feijoada e de filé à parmegiana, além de se relacionar com as condições climáticas 
como: previsão, temperatura, humidade e vento. 
Por meio da inteligência analítica e com base nos dados históricos das variáveis 
apresentadas e saber qual será o prato do 15° dia, mas para que a previsibilidade dos 
resultados seja mais assertiva é necessário manter as anotações na tabela para que 
as probabilidades do prato sejam mais elevadas. 
1. Mineração de dados 
De acordo com Castro e Ferrari 2016, a mineração de dados é o principal fundamento 
da inteligência analítica para a leitura de dados, permitindo que os usuários visualizem 
dados de diversos ângulos, categorizem e sintetizem os relacionamentos 
identificados. O objetivo final da mineração de dados é a previsão e a descoberta. O 
processo procura padrões consistentes e relacionamentos sistemáticos entre 
variáveis e, em seguida, valida as descobertas ao aplicar os padrões a novos 
subconjuntos de dados. 
A mineração de dados é o processo de analisar dados de diferentes fontes e 
resumi-los em informações relevantes, as quais podem ser usadas para 
ajudar a aumentar a receita e diminuir os custos. Seu principal objetivo é 
encontrar correlações ou padrões entre dezenas de campos em grandes 
bancos de dados. (BRAGA, 2005) 
2. Naive Bayes 
Naive Bayes é um algoritmo que gera uma tabela de probabilidades a partir de uma 
técnica de classificação de dados. É usado para o machine learning, mas a técnica é 
famosa no meio acadêmico da estatística. Seu racional é baseado nos estudos de 
4 
 
Thomas Bayes e “naive” significa ingênuo, uma referência a linha de análise do 
algoritmo para as características da base de dados em questão. (Gusmão,2022). 
Para saber qual tendência de prato para o próximo dia analisamos a tabela abaixo: 
 
O cálculo do valor de cada variável para os dias em que foi vendido mais feijoada: 
(SOL | FEIJOADA) = 2/9 ou 22% 
(FRIO | FEIJOADA) = 3/9 ou 33% 
(UMIDADE NORMAL | FEIJOADA) = 6/9 ou 66% 
(VENTO SI M | FEIJOADA) = 3/9 ou 33% 
(FEIJOADA 14) = 9/14 ou 64% 
(FEIJOADA 15) = X 
Em seguida, para identificar o valor de X, multipliquei cada variável pelo número de 
feijoadas vendidas/número de dias, ou seja: (2/9 * 3/9 * 6/9 * 3/9) * (9/14) = 0,0105. 
Foi realizado o mesmo cálculo para o filé à parmegiana, ou seja. 
(SOL | FILÉ À PARMEGIA NA) = 3/5 ou 60% 
(FRIO | FILÉ A PARMEGIANA) = 1/5 ou 20% 
(UMIDADE NORMAL | FILÉ A PARMEGIANA) = 1/5 ou 20% 
(VENTO SI M | FILE A PARMEGIANA) = 3/5 ou 60% 
(FILÉ A PA RMEGIANA 14) = 5/14 ou 35% 
(FILÉ A PA RMEGIANA 15) = X 
5 
 
Em seguida, para se identificar o valor de X, multipliquei cada variável pelo número 
de filé à parmegiana vendidas/número de dias, ou seja: (3/5 * 1/5 * 1/5 * 3/5) * (5/14) 
=0,0051. 
 
CONCLUSÃO 
Concluo que após o uso do algoritmo de Naive Bayes, a tendência de prato para o 
próximo dia (15º dia), é que a probabilidade que a feijoada seja mais vendida do que 
o filé à parmegiana. Visto que para a feijoada chegamos no valor de (0,0105) e para 
o filé à parmegiana chegamos no valor de (0,0051). 
 
 
REFERÊNCIAS 
 
BRAGA, L. Introdução à mineração de dados. 2ª Edição. Rio de Janeiro: e-papers. 
2005. 
CASTRO, L.; FERRARI, D. Introdução à Mineração de Dados: conceitos básicos, 
algoritmos e aplicações. Saraiva, 2016. 
O que é Naive Bayes e como funciona esse algoritmo de classificação / Disponível 
em: https://rockcontent.com/br/blog/naive-bayes/ / Acesso em: 14/05/2023 as 22:00h.