N1 - Análise Preditiva

Prévia do material em texto

Nome: Gabriele Ribeiro da Silva 
Atividade N1 – Estudo de Caso: Análise Preditiva 
Título: A agricultura baseada em Internet das Coisas 
No estudo de caso em questão, foi apresentada uma circunstância na qual o cliente expressa o 
desejo de obter um orçamento abrangendo uma solução de implantação de sistemas 
automatizados. Essa solução tem o propósito de auxiliar na gestão de territórios, tempo e 
recursos, proporcionando uma visualização aprimorada dos eventos ocorridos no campo, a fim 
de facilitar a tomada de decisões de forma mais eficiente e ágil. 
Uma alternativa viável consiste em empregar técnicas de análise preditiva, em conjunto com 
dispositivos inteligentes que compõem a Internet das Coisas (IoT), com o objetivo de antecipar, 
projetar ou prever situações. Essa abordagem centraliza-se em algoritmos computacionais, 
eliminando a necessidade de interação humana. Portanto, para realizar a análise preditiva e 
compreender o contexto do cliente, procederemos sequencialmente às fases de coleta de dados, 
pré-processamento, análise cluster e definição da tomada de decisão. 
Na etapa inicial de Coleta de Dados, serão identificados os fatores críticos para a tomada de 
decisão no campo por meio de estudos e entrevistas com o cliente. Além disso, será feita a 
identificação de sistemas inteligentes capazes de atender a essas demandas. Exemplos de 
dispositivos IoT incluem sensores de solo, estações meteorológicas, drones agrícolas, 
dispositivos de monitoramento de gado, sistemas de irrigação inteligente e dispositivos de 
rastreamento de produção. Como resultado dessa fase, serão obtidos equipamentos 
promissores utilizados na agricultura, que permitem a coleta de dados relevantes e adequados 
às necessidades dos clientes. Esses dados podem incluir informações sobre a umidade do solo, 
temperatura, níveis de nutrientes, condições climáticas, dentre outras. 
Após a coleta de dados, será necessário realizar o pré-processamento dos dados IoT. Isso pode 
envolver a limpeza dos dados, tratamento de valores ausentes ou inconsistentes e normalização 
dos dados para garantir que estejam prontos para a análise. Portanto, levaremos em 
consideração os objetivos da análise apresentados pelo cliente, podendo ser necessário 
selecionar as variáveis mais relevantes para o agrupamento. Nem todas as variáveis coletadas 
pelos dispositivos IoT podem ser importantes para o processo de agrupamento, então é preciso 
fazer uma seleção criteriosa. 
 
Aplicação da análise de cluster: Com os dados pré-processados e as variáveis selecionadas, é 
possível aplicar técnicas de análise de cluster, como o algoritmo k-means ou o algoritmo de 
agrupamento hierárquico. Esses algoritmos identificarão padrões e agrupamentos nos dados, 
permitindo uma compreensão mais profunda das características e comportamentos dos 
diferentes elementos agrícolas, como culturas, solos, climas, entre outros. 
 
Interpretação dos resultados: Uma vez que os agrupamentos tenham sido identificados, é 
possível interpretar os resultados e extrair insights relevantes para a agricultura. Por exemplo, 
pode-se identificar grupos de culturas com necessidades semelhantes de irrigação ou detectar 
padrões climáticos que afetam diferentes áreas agrícolas. 
 
Tomada de decisão e ação: Com base nos insights obtidos, os agricultores podem tomar decisões 
mais embasadas e eficazes. Eles podem ajustar o manejo das culturas, otimizar o uso de recursos, 
tomar medidas preventivas contra doenças ou pragas e implementar práticas agrícolas mais 
sustentáveis.