SLIDE 4

Prévia do material em texto

WBA0799_v1.0
Gestão de desempenho com 
ênfase em data mining e 
resultados de alta performance
Objetivos e metas para o alto 
desempenho - Conhecendo o 
método OKR
O que é a mineração de dados (data mining)
Bloco 1
Lucas Leivas
Objetivos 
• Compreender o que é mineração de dados (data 
mining).
• Conhecer os processos de mineração e análise de 
dados.
• Explorar ferramentas que contribuem para o 
alinhamento de desempenho.
O que é a mineração de dados (data mining)
• É o processo que as empresas usam para 
transformar dados brutos em informações 
úteis. 
• A mineração de dados extrai informações de 
conjuntos de dados e os compara para ajudar 
a empresa a tomar decisões.
• Serve para automatizar processos de 
aprendizagem de máquina (machine learning) 
e análise de dados (data analysis).
O que é a mineração de dados (data mining)
Por que implementar a mineração de dados?
• As empresas precisam realizar a análise de 
grandes volumes de dados para poder 
tomar decisões. 
• A mineração de dados é uma solução para 
que as empresas possam extrair 
conhecimento com base em regras, padrões 
e restrições dos dados da Big Data. 
O que é a mineração de dados (data mining)
Principais aplicações:
• Análise de mercado (marketing, relação entre 
clientes, análise e segmentação de mercado e 
análise cruzada de dados).
• Análise de risco (previsão, controle de 
qualidade, análise competitiva, análise de 
seguros).
• Detecção de fraudes.
• Pesquisa e bioinformática.
• Mineração de texto (web, e-mail, documentos 
XML, HTML).
O que é a mineração de dados (data mining)
Exemplo de aplicações – Análise de mercado: 
• Transações de cartão de crédito e estudos de 
comportamento são fontes de dados para análise.
• No marketing, a empresa pode identificar modelos de 
clientes que compartilham as mesmas características 
(interesses, hábitos de compras etc).
• Análise cruzada de dados faz associações e 
correlações entre vendas de produtos em diferentes 
canais. 
O que é a mineração de dados (data mining)
Exemplo de aplicações – Análise de risco:
• Para o planejamento orçamentário, as empresas 
realizam análise e predição de fluxo de caixa e 
análises contingenciais para provisão de bens.
• Para planejar recursos, as organizações buscam 
resumos temporais e comparam os valores gastos.
• Monitorar concorrentes e direções de mercado, bem 
como agrupar clientes em classes, são essenciais para 
gerar a competição de mercado. 
O que é a mineração de dados (data mining)
Exemplo de aplicações – Detecção de fraudes:
• Usada em serviços de saúde, cartões de crédito, 
telecomunicações, entre outros, são analisados os 
dados históricos para construir modelos de 
comportamento fraudulento. 
• Empresas de seguro de automóveis detectam grupos 
que são potenciais coletores de sinistros.
• Instituições financeiras detectam transações suspeitas 
de dinheiro, que podem revelar lavagem de dinheiro.
O que é a mineração de dados (data mining)
Exemplo de outras aplicações:
• Esportes: estatísticas de desempenho de equipes são 
analisadas em diversos esportes. 
• Bioinformática: descoberta de padrões estruturais e 
análise de redes genéticas e vias de proteínas.
• Internet web: algoritmos para de mineração de dados 
são usados para extrair informação de logs e 
direcionar e customizar produtos para serem 
acessados por determinados usuários. 
Equipes e liderança de alta 
performance
O processo de mineração e análise de dados
Bloco 2
Lucas Leivas
O processo de mineração e análise de dados
Figura 1 – Gráfico: processo de mineração de dados
Fonte: elaborada pelo autor.
Dados selecionados.
Dados pré-
processados.
Dados transformados.
Regras e padrões.
Conhecimento.
1 – Seleção.
2 – Pré-processamento 
(limpeza/enriquecimento).
3 – Transformação.
4 – Mineração.
5 – Interpretação.
O processo de mineração e análise de dados
Etapas do processo: 
• Seleção de dados: selecionar ou segmentar dados 
de acordo com critérios definidos, cria a base de 
dados alvo. Exemplo: todas as pessoas são 
proprietárias de casas é um subconjunto de dados 
determinados. 
• Pré-processamento: estágio de limpeza dos dados, 
as informações irrelevantes são removidas. 
Reconfigurações de dados para assegurar formatos 
consistentes (identificação). Exemplo: sexo F ou M; 
sexo M ou H. 
O processo de mineração e análise de dados
Etapas do processo: 
• Transformação: contemplar propriedades 
importantes e dimensões. Os dados em formatos 
utilizáveis, disponibilizar os dados de maneira 
usável e navegável. Exemplo: todas as pessoas 
são proprietárias de casas é um subconjunto de 
dados determinados. 
• Mineração: a extração dos padrões de interesse e 
comportamento dos dados. Pode-se escolher as 
formas de sumarização, classificação, associação 
e clustering.
O processo de mineração e análise de dados
Etapas do processo: 
• Interpretação e avaliação (apresentação do 
conhecimento): passa pelos processos de 
visualização, transformação, remoção de 
padrões redundantes etc. Identificados os 
padrões pelo sistema, estes são interpretados 
em conhecimentos, que darão suporte à 
tomada de decisões humanas. 
O processo de mineração e análise de dados
Técnicas e tarefas de mineração de dados:
• As técnicas em mineração de dados estendem-se a 
qualquer teoria que possa fundamentar a 
implementação de método de data mining. 
• Tarefas são tipos de mineração de dados com um 
propósito particular. Os algoritmos são divididos 
pelas tarefas, levando em consideração o objetivo 
da implementação, ou seja, os algoritmos de uma 
mesma tarefa possuem a mesma finalidade.
O processo de mineração e análise de dados
Figura 2 – Técnicas e tarefas de mineração de dados
TÉCNICA DESCRIÇÃO TAREFAS EXEMPLOS
Arvore de decisão. Baseada em estágio de decisão (nós) e na separação
de classes e subconjuntos, organiza os dados de 
forma hierárquica.
Classificação; predição. CART; CHAID; C5.0.
Redes neurais. Modelos inspirados na fisiologia do cérebro, nos
quais o conhecimento é fruto do mapa de conexões
neurais e do peso dessas conexões. 
Classificação; 
agrupamento; predição.
Perceptron, Rede MLP, 
Redes de Kohonen, 
Rede BAM, Redes ART, 
Redes PNN etc.
Raciocínio baseado
em casos.
Baseado no método do vizinho mais próximo, 
combina e compara atributos para estabelecer
hierarquia de semelhança. 
Classificação; 
agrupamento.
BIRCH, CLARANS 
CLIQUE.
Algoritmos
genéticos.
Métos gerais de busca e otimização, inspirados na
teoria da evolução, em que cada nova geração, 
soluções melhores tem mais chances de ter
descendentes. 
Classificação; 
agrupamento.
Algoritmo genético
simples, Genitor, GA-
nuggets.
Conjunto Fuzzy. Oferece uma grande vantagem para classificar dados 
com um alto nivel de abstração. 
Classificação; 
agrupamento.
K-means, FCMdd.
Regras de indução. Processo para obter uma hipótese a partir de dados e 
fatos já existentes. 
Classificação; predição. CART, CHAID.
Regras de 
associação.
Estabelece uma correlação estatística entre atributos
de dados e conjunto de dados.
Associação. Apriori, AprioriTid, AIS, 
SETM.
Fonte: elaborada pelo autor.
Tarefas em mineração de dados
O processo de mineração e análise de dados
Tipos de informações obtidas: 
• Associações: em um supermercado, isso pode significar que 
muitos clientes que compram um item específico também 
podem comprar um segundo item relacionado.
• Análise de regressão: o supermercado pode ser capaz de 
projetar preços baseados na disponibilidade, demanda do 
consumidor e sua competição. 
• Classificação: um supermercado pode usar a classificação para 
agrupar os tipos de mantimentos que os clientes estão
comprando, como produtos, carne, itens de padaria etc. 
• Agrupamento (clustering): no exemplo do supermercado, um 
grupo de agrupamento simples pode ser itens alimentícios e 
não alimentícios, em vez de classes específicas.
O processo de mineração e análise de dados
Tipos de informações obtidas: 
• Predição:é usado para descobrir a relação
entre variáveis independentes e dependentes. 
• Detecção de anomalias/ outlier: no 
supermercado, se a maioria dos compradores 
for do sexo feminino, mas, em uma semana de 
fevereiro, for em sua maioria homens, você vai 
querer investigar esse outlier e entender o que 
está por trás dele.
Equipes e liderança de alta 
performance
A mineração de dados para o alinhamento 
de desempenho
Bloco 3
Lucas Leivas
A mineração de dados para o alinhamento de 
desempenho
Figura 3 – Business Intelligence e data mining
Fonte: elaborada pelo autor.
BUSINESS
INTELLIGENCE
DATA 
MINING
A mineração de dados para o alinhamento de 
desempenho
Figura 4 – Business Intelligence
Fonte: elaborada pelo autor.
BUSINESS 
INTELLIGENCE
FACILITA O 
ACESSO E 
COMPARTILHA
MENTO DE 
INFORMAÇÕES.
POSSIBILITA 
ANÁLISE EM 
TEMPO REAL, 
COM 
NAVEGAÇÃO 
RÁPIDA.
AJUDA A 
IDENTIFICAR 
RESÍDUOS NO 
SISTEMA.
REDUZ O RISCO 
DE GARGALOS.
AJUDA A 
EMPRESA A 
CONHECER SEU 
NEGÓCIO.
MELHORA O 
PROCESSO DE 
TOMADA DE 
DECISÕES.
A mineração de dados para o alinhamento de desempenho
• Todos os dados podem ser analisados 
e minerados, usando ferramentas e 
técnicas especiais para gerar padrões e 
inteligência que refletem como o 
negócio está funcionando. 
• Essas ideias podem, então, ser 
realimentadas no negócio para que 
possa evoluir e se tornar mais eficaz e 
eficiente no atendimento às 
necessidades do cliente, em um clico 
contínuo. 
A mineração de dados para o alinhamento de desempenho
Vantagens do BI:
• Melhora as negociações e vendas.
• É possível descobrir prováveis inadimplentes.
• As decisões são baseadas em fatos.
• Aumenta a conversão do visitante em um site.
• Melhora a satisfação do cliente e cria campanhas 
promocionais direcionadas.
• Ajuda a otimizar o layout de lojas 
departamentais após julgar detalhes/ hábitos de 
compra do cliente.
A mineração de dados para o alinhamento de desempenho
Desvantagens do BI:
• Os custos de configuração inicial são muito altos.
• Implementação de Business Intelligence feita de 
maneira errada.
• Leva muito tempo e dinheiro.
• Custos de manutenção significativos (geralmente, 
cotados como 15% dos custos de compra e 
implementação).
• Problemas de privacidade com dados.
• Problemas de segurança com o uso incorreto de 
dados / informações imprecisas etc.
A mineração de dados para o alinhamento de desempenho
Principais ferramentas de Business Intelligence, que 
também oferecem mineração de dados:
• SAP ERP.
• Excel.
• Hadoop.
• IBM Cognos.
• Quadro.
• Microstrategy.
• Salesforce.
Teoria em Prática
Bloco 4
Lucas Leivas
Reflita sobre a seguinte situação
Uma rede de lojas de departamentos escolheu três 
categorias de produtos para executar a mineração de 
dados e melhorar suas vendas: vestuário feminino, 
acessórios femininos e calçados. O objetivo da rede era 
fazer um melhor direcionamento à clientela quando 
fosse enviar catálogos e ofertas.
A rede possui três bases de dados: dados pessoais dos 
clientes para fins de crediário; dados sobre produtos 
em estoque (preços e descrições); e dados sobre as 
compras executadas.
Uma empresa de data warehouse foi contratada para 
unir os três bancos de dados e permitir a análise de 
conhecimento do negócio. 
Reflita sobre a seguinte situação
Pergunta: quais técnicas e tarefas de mineração 
de dados, a empresa de data warehouse utilizou 
para agregar dados sobre os clientes que realizam 
compras de produtos das três categorias? 
Resolução
Redes neurais para a análise de agrupamentos: a segmentação 
de mercados nada mais é do que uma análise de 
agrupamentos.
grupo 1 grupo 2
idade 45 30
renda 55k/ano 40k/ano
casadas 60% 35%
solteiras 40% 65%
casa própria 55% 20%
Gasto vest. 500/ano 200/ano
Gasto acess. 250/ano 90/ano
Gasto calçados 300/ano 500/ano
Figura 5 – Resolução
Fonte: elaborada pelo autor.
Resolução
Com base nesses resultados, a 
empresa decidiu dividir sua mala 
direta em grupos com diferentes 
ofertas: em artigos de vestuário para o 
primeiro grupo, onde os dados 
mostraram maior volume de compras; 
em artigos de calçados para o segundo 
grupo, onde o interesse de volume de 
compras foi maior. Para cada um 
desses grupos, a loja oferecerá os 
acessórios como uma estratégia de 
venda casada. 
Dica do (a) Professor (a)
Bloco 5
Lucas Leivas
Dica do (a) Professor (a)
Figura 6 – O dilema das redes
Fonte: https://encrypted-
tbn0.gstatic.com/images?q=tbn:ANd9GcS3ayaMVoNYJlcUz6M
PsxFiPbJQIx1ktOCHIw&usqp=CAU. Acesso em: 6 abril 2021.
Referências
BERRY, M. A.; LINOFF, G. S. Mastering Data 
Mining: the art and science of customer
relationship management. Industrial 
Management & Data Systems, v. 100, n. 5, p. 
245-246. 
MOXTON, B. Defining data mining. DBMS Data 
warehouse supplement, 2004.
PRIMAK, F. V. da S. Decisões com B.I. (Business 
Intelligence). Rio de Janeiro: Ciência Moderna 
Ltda., 2008.
Bons estudos!
	Gestão de desempenho com ênfase em data mining e resultados de alta performance
	Objetivos e metas para o alto desempenho - Conhecendo o método OKR
	Objetivos 
	O que é a mineração de dados (data mining)
	O que é a mineração de dados (data mining)
	O que é a mineração de dados (data mining)
	O que é a mineração de dados (data mining)
	O que é a mineração de dados (data mining)
	O que é a mineração de dados (data mining)
	O que é a mineração de dados (data mining)
	Equipes e liderança de alta performance
	O processo de mineração e análise de dados
	O processo de mineração e análise de dados
	O processo de mineração e análise de dados
	O processo de mineração e análise de dados
	O processo de mineração e análise de dados
	O processo de mineração e análise de dados
	O processo de mineração e análise de dados
	O processo de mineração e análise de dados
	Equipes e liderança de alta performance
	A mineração de dados para o alinhamento de desempenho
	A mineração de dados para o alinhamento de desempenho
	A mineração de dados para o alinhamento de desempenho
	A mineração de dados para o alinhamento de desempenho
	A mineração de dados para o alinhamento de desempenho
	A mineração de dados para o alinhamento de desempenho
	Teoria em Prática
	Reflita sobre a seguinte situação
	Reflita sobre a seguinte situação
	Resolução
	Resolução
	Dica do (a) Professor (a)
	Dicas do (a) Professor (a)
	Referências
	Bons estudos!