Baixe o app para aproveitar ainda mais
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!
Compartilhar