INTELIGÊNCIA ANALÍTICA N1 Naye Bayes (feijoada)

Prévia do material em texto

Disciplina: INTELIGÊNCIA ANALÍTICA 
N1 maio/2021
 
Como a aplicação do algoritmo Naïve Bayes pode impactar positivamente no dia a dia de um restaurante
 
O clima, a temperatura, a umidade e a presença ou não de vento podem influenciar a decisão de um cliente escolher um determinado prato? Graças ao cálculo do algoritmo de Naïve Bayes e critérios de análise preditiva, você terá provas de que sim. Pode! E o dono do restaurante ao documentar essas quatro variáveis em uma planilha digital pode, com a ajuda de um analista de dados, prever qual prato terá mais saída em um determinado dia. Uma informação valiosa para planejar a compra dos ingredientes, organizar o fluxo de trabalho da cozinha e também orquestrar ações de comunicação e marketing nas redes sociais, app de pedidos de comida bem como disparos de mensagens em WhatsApp. 
 
Preconizar ações assertivas com base em dados é um dos pontos chaves da inteligência analítica.  Desse modo, conforme os conceitos sobre análise de dados, a N1 concentra-se no desafio de prever o prato a ser mais vendido no 15º dia, levando em conta as condições climáticas, em um restaurante que oferece feijoada e parmegiana.
 
O primeiro passo foi documentar os dados dos 14 dias anteriores (uma simples amostragem, conforme imagem abaixo) e em seguida iniciou-se um processo de mineração de dados. 
 
 
Imagem 1: amostragem (fonte: material de estudo FMU)
 
Cabe ressaltar que o termo mineração de dados (MD) foi criado em analogia ao processo de mineração em minas, uma vez que o analista de dados explora uma base de dados (mina) usando algoritmos (ferramentas), adequados para obter conhecimento (minerais preciosos)” . (Castro e Ferrari) 
 
Ferrari e Castro também ressaltam em suas obras que os dados são símbolos ou signos não estruturados e sem significado. Contudo, ao serem organizados sobretudo em tabelas que permitem sua organização, eles ganham valor e podem ser analisados. 
 
Com a etapa da mineração finalizada,  aplicou-se o algoritmo “Naive Bayes”, que é um classificador probabilístico baseado no “Teorema de Bayes”, o qual foi criado por Thomas Bayes (1701 - 1761). 
 
“O objetivo dos algoritmos de classificação é bastante simples: você prevê a classe de destino, analisando o conjunto de dados de treinamento. Esse é um dos conceitos mais importantes – se não o mais essencial – que você estuda quando aprende ciência de dados e inteligência analítica” .(Dias)
 
No caso, os classificadores Naïve Bayes assumem que o efeito do valor de um atributo em uma dada classe é independente dos valores dos outros atributos. Essa premissa, denominada independência condicional da classe (class conditional independence), tem como objetivo simplificar os cálculos e, por causa dela, o algoritmo é denominado naïve (ingênuo). (Castro e Ferrari) 
P(h/o) é a probabilidade da hipótese "h" dado a observação "o".
(probabilidade posterior)
P(h)é a probabilidade de hipótese "h" ser verdadeira 
(independentemente das variáveis observáveis ou a partir
 de um histórico). Ou simplesmente: probabilidade anterior
de "h"
P(o) é a probabilidade da observação "o" (probabilidade
de cada "coluna" ou fenômeno observado)
 Imagem 2: equação de naive bayers 
 Fonte: scienceprog
 
Diante disso, para identificar qual é o prato que provavelmente será o mais vendido realizei o seguinte cálculo:
 
P (dia de Sol | feijoada) = 0,22% ou  2/9 (coluna 1)
P (dia de Frio | feijoada) = 0,33%  ou 3/9 (coluna 2)
P (com umidade normal  | feijoada= 0,66%  ou 6/9   (coluna 3)
P (com vento | feijoada) = 0,33%  ou  3/9  (coluna 4)
 
P (feijoada | 14) = 0,64% ou  9/14 
P (feijoada no 15º dia) = X
 
Logo:
 
(0,22% * 0,33% * 0,66% * 0,33%) * 0,64% = 0,0102  (feijoada) 
Em seguida, foi feita a mesma tabulação para a amostra de parmegiana:
P (dia de sol | parmegiana) = 3/5 ou 0,6 (coluna 1)
P (dia de Frio | parmegiana) = 1/5 ou 0,2 (coluna 2)
P (com umidade normal | parmegiana) = 1/5 ou 0,2  (coluna 3 )
P (com vento | parmegiana) = 3/5 ou 0,6  (coluna 4)
 
P (parmegiana 14) = 5/14 ou 0,35
P (parmegiana no 15º dia) = X
Logo: 
(0,60 * 0,20 * 0,20 * 0,60) * 0,35 = 0,00504
(3/5 * 1/5 * 1/5 * 3/5) * (5/14) = 0,0051 (parmegiana)
 
 
 
 
Conforme a aplicação do algoritmo Naïve Bayes, a probabilidade de o prato mais vendido no 15º dia de ser feijoada é maior do que a probabilidade de o prato ser parmegiana. Isso porque o resultado do cálculo da feijoada  é 0,0102 e ele está mais próximo do referencial 1. 
 
Cabe ressaltar que classificadores bayesianos são indicadores estatísticos fundamentados no Teorema de Bayes. Eles também apresentam alta acurácia e velocidade sobretudo quando usados para predizer a probabilidade de pertinência de um objeto a determinada classe. 
Estudos ainda indicam que ele é um algoritmo simples de classificação e possui desempenho comparável a redes neurais artificiais e árvores de decisão.
Por isso, recomenda-se que o dono do restaurante continue a documentar esse fluxo de vendas atrelados às condições climáticas. O empresário também pode fazer outras análises, como as regras de associação com relação às bebidas que os clientes pedem junto com a feijoada ou com o prato Y. Ou seja, ele pode analisar que  (“se a feijoada teve mais saída, a bebida x também será comprada pelo cliente”).
Outra questão pertinente a ser pontuada: os analistas de dados também podem desenvolver um APP para atender aos donos de restaurantes, que tenham esse objetivo de análise com relação a saída de determinados pratos. No APP haveria os campos das variáveis a serem preenchidos. Tendo uma programação prévia da regra de Naïve Bayes, conforme a consistência da amostra, bastaria o dono do cliente apenas clicar no botão “resultado” para receber um relatório de probabilidades.
Enfim, há diversas possibilidades de aplicação de uma inteligência analítica em um projeto. Com isso, futuros projetos no mercado terão como princípio a análise prévia dos dados, antes das tomadas de decisões, evitando com isso achismos ou ações aleatórios, que podem gerar riscos ou prejuízos em novas incursões.
Referências Bibliográficas
AMARAL, F. Aprenda mineração de dados: teoria e prática. AltaBooks, 2016.
BECKER, Lauro / Algoritmo de Classificação Naive Bayes artigo disponível em https://www.organicadigital.com/blog/algoritmo-de-classificacao-naive-bayes/ Acesso em: 15 maio 2021
CASTRO, L.; FERRARI, D. Introdução à Mineração de Dados: conceitos básicos, algoritmos e aplicações. Saraiva, 2016.
GOMES,Pedro César Tebaldi/ Classificação com Naive Bayes, artigo
disponível em https://www.datageeks.com.br/naive-bayes/ Acesso em: 15 maio 2021
Simple explanation of Naive Bayes classifier artigo disponível em https://scienceprog.com/simple-explanation-of-naive-bayes-classifier/ Acesso em: 15 maio 2021