Inteligência Analítica - N1

Prévia do material em texto

O uso da Inteligência Analítica no mercado consumidor 
 
 A mineração de dados pode ser brevemente definida como um processo 
usado para extrair dados utilizáveis de um conjunto maior de quaisquer dados 
brutos. Implica em analisar padrões de dados em grandes lotes de dados usando 
um ou mais softwares. 
Como uma aplicação de mineração de dados, as empresas podem 
aprender mais sobre seus clientes e desenvolver estratégias mais eficazes 
relacionadas a várias funções de negócios e, por sua vez, aproveitar os recursos 
de uma maneira mais otimizada e perspicaz. Isso ajuda as empresas a estar 
mais perto de seus objetivos e a tomar melhores decisões. A mineração de 
dados envolve coleta e armazenamento eficazes de dados, bem como 
processamento de computador. Para segmentar os dados e avaliar a 
probabilidade de eventos futuros, a mineração de dados usa algoritmos 
matemáticos sofisticados. 
 Neste caso, foi coletado durante 14 dias dados referentes a venda de 
pratos e também a situação climática do dia. Com todos os dados reunidos, será 
feita uma análise para prever o prato a ser consumido no 15º dia utilizando o 
Teorema de Bayes, que fornece uma maneira baseada em princípios para 
calcular uma probabilidade condicional. 
 
 Previsão Temperatura Umidade Vento Vender 
1º dia Chuva Frio Normal Sim Parmegiana 
2º dia Chuva Moderado Alta Sim Parmegiana 
3º dia Sol Quente Alta Não Parmegiana 
4º dia Sol Quente Alta Sim Parmegiana 
5º dia Sol Moderado Alta Não Parmegiana 
6º dia Nublado Frio Normal Sim Feijoada 
7º dia Nublado Quente Alta Não Feijoada 
8º dia Nublado Quente Normal Não Feijoada 
9º dia Nublado Moderado Alta Sim Feijoada 
10º dia Chuva Frio Normal Não Feijoada 
11º dia Chuva Moderado Alta Não Feijoada 
12º dia Chuva Moderado Normal Não Feijoada 
13º dia Sol Frio Normal Não Feijoada 
14º dia Sol Moderado Normal Sim Feijoada 
15º dia Sol Frio Normal Sim 
 Utilizando o teorema de Bayes foram feitos os seguintes calculos: 
 
Probabilidade por parametro: 
P(sol | Feijoada) = 2/ 9 = 0,2222 
P(sol | Parmegiana) = 3/ 5 = 0,6 
 
P(frio | Feijoada) = 3/ 9 = 0,3333 
P(frio | Parmegiana) = 1/ 5 = 0,2 
 
P(normal | Feijoada) = 6/ 9 = 0,6667 
P(normal | Parmegiana) = 1/ 5 = 0,2 
 
P(vento | Feijoada) = 3/ 9 = 0,3333 
P(vento | Parmegiana) = 3/ 5 = 0,6 
 
Probabilidade simples 
P(feijoada) = 9 / 14 = 0,6429 
P(parmegiana) = 5 / 14 = 0,3517 
 
Comparativo - 15º Dia 
P (15 dia - feijoada) = 0,6429 x 0,2222 x 0,3333 x 0,6667 x 0,3333 = 0,0106 = 
1,06% 
P (15 dia - parmegiana) = 0,3517 x 0,6 x 0,2 x 0,2 x 0,6 = 0,0051 = 0,51% 
 
Com base nesses dados o prato com maior probabilidade de ser escolhido 
no 15º dia será a feijoada. O teorema de Bayes, portanto, fornece a probabilidade 
de um evento com base em novas informações que estão, ou podem estar 
relacionadas, a esse evento. Embora seja uma trivialidade matemática, o 
Teorema de Bayes é de grande valor no cálculo de probabilidades condicionais 
porque as probabilidades inversas são normalmente mais fáceis de determinar 
e menos subjetivas do que as probabilidades diretas. 
Referências Bibliográficas 
 
SILVA, F.A.R. Analytical Intelligence in Processes: Data Science for 
Business. Disponível em: 
<https://www.researchgate.net/publication/328268312_Analytical_Intelligence_i
n_Proces ses_Data_Science_for_Business>. Acessado em 15 de maio de 
2021. 
CETAX. Data Mining: O que é, conceito e definição. Disponível em: 
<https://www.cetax.com.br/blog/data-mining/>. Acessado em 15 de maio de 
2021. 
Coutinho, Thiago. Teorema de Bayes: saiba o que é e aprenda a utilizar. 
Disponível em: <https://www.voitto.com.br/blog/artigo/teorema-de-bayes>. 
Acessado em 15 de maio de 2021. 
Diferenças entre os testes paramétricos e os não paramétricos. Disponível 
em: <http://analise-estatistica.pt/2012/10/diferencas-entre-os-testes-
parametricos-e-os-naoparametricos.html>. Acessado em 15 de maio de 2021. 
Técnicas Não Paramétricas. Disponível em: 
http://www.portalaction.com.br/tecnicasnao-parametricas Acessado em 15 de 
maio de 2021.