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.