Ciência de Dados na Prática Empresarial

Prévia do material em texto

Prova 5: Ciência de Dados na Prática Empresarial
Introdução
Esta prova avalia a aplicação de métodos de Ciência de Dados em contextos empresariais. As questões exploram a análise de dados para tomada de decisão, otimização de processos e estratégias baseadas em dados.
Questões
1. Em uma empresa, um modelo preditivo indicou uma taxa de churn (cancelamento de clientes) maior do que a esperada. Qual métrica seria mais relevante para avaliar a precisão desse modelo?
a) Erro médio absoluto (MAE).
b) Acurácia.
c) Recall.
d) Precisão.
e) F1-Score.
2. Um analista está avaliando o retorno de campanhas de marketing utilizando regressão linear. Qual variável deve ser considerada como dependente no modelo?
a) O orçamento investido em marketing.
b) O número de anúncios exibidos.
c) O retorno financeiro da campanha.
d) O número de pessoas impactadas pela campanha.
e) A quantidade de leads gerados.
3. Qual das técnicas abaixo seria mais apropriada para prever o volume de vendas de um produto em diferentes períodos?
a) Análise de regressão logística.
b) Séries temporais.
c) Algoritmo de clustering.
d) Árvores de decisão para classificação.
e) Teste de hipótese com ANOVA.
4. Uma empresa deseja identificar segmentos de clientes com comportamentos semelhantes para personalizar ofertas. Qual método seria mais indicado?
a) Regressão linear múltipla.
b) Redes neurais profundas.
c) Algoritmos de agrupamento como k-Means.
d) Testes de hipóteses.
e) Modelos de séries temporais.
5. Qual é a principal vantagem de usar visualizações de dados em painéis empresariais?
a) Reduzir o tempo de coleta de dados.
b) Garantir a precisão dos cálculos estatísticos.
c) Facilitar a interpretação de informações complexas.
d) Substituir análises estatísticas detalhadas.
e) Excluir outliers de forma automática.
6. O que significa o termo business intelligence (BI)?
a) A criação de modelos preditivos com aprendizado de máquina.
b) O uso de análise de dados para auxiliar na tomada de decisões estratégicas.
c) A análise estatística avançada de séries temporais.
d) A implantação de dashboards interativos com dados públicos.
e) O desenvolvimento de softwares para coleta de dados.
7. Qual métrica seria mais relevante para avaliar um modelo de recomendação de produtos para clientes?
a) F1-Score.
b) Recall.
c) Acurácia.
d) Métrica de erro quadrático médio.
e) Precisão.
8. Qual é o principal benefício de usar técnicas de aprendizado supervisionado em problemas empresariais?
a) Descobrir padrões ocultos sem rótulos nos dados.
b) Garantir alta performance em todos os tipos de dados.
c) Usar variáveis independentes para prever uma variável alvo específica.
d) Agrupar dados de forma eficiente.
e) Reduzir a dimensionalidade de dados complexos.
9. Qual das ferramentas abaixo é amplamente usada para construir modelos de Ciência de Dados em empresas?
a) Power BI.
b) Tableau.
c) Python com bibliotecas como pandas e scikit-learn.
d) Microsoft Excel.
e) SPSS.
10. Um modelo preditivo em uma empresa apresentou alta acurácia nos dados de treinamento, mas baixa performance nos dados de teste. Isso pode indicar:
a) Subajuste (underfitting).
b) Overfitting.
c) Baixa variância nos dados.
d) Dados sem correlação.
e) Erro de predição residual baixo.
Gabarito e Justificativas
1. e) O F1-Score equilibra precisão e recall, útil para avaliar desempenho em modelos com impacto de falsos positivos e negativos.
2. c) O retorno financeiro é a variável dependente, pois é o resultado a ser explicado.
3. b) Séries temporais são ideais para prever eventos em função do tempo, como volume de vendas.
4. c) Algoritmos de agrupamento, como k-Means, são usados para identificar segmentos de clientes.
5. c) Visualizações facilitam a interpretação de dados complexos em painéis empresariais.
6. b) Business Intelligence envolve análise de dados para decisões estratégicas.
7. b) Recall mede a capacidade do modelo de sugerir itens relevantes para os clientes.
8. c) Aprendizado supervisionado prevê variáveis específicas a partir de dados rotulados.
9. c) Python é amplamente utilizado para modelagem e análise de dados em empresas.
10. b) Alta performance nos dados de treinamento, mas baixa em teste, indica overfitting.