inteligência analítica aplicada a negócios
TRANSCRIPT
Uma Visão Atual sobre Business Intelligence
Conceitos Essenciais sobre CRM
Data Warehouse: A Memória da Empresa
Data Mining: A Inteligência da Empresa
Soluções Analíticas On-line
Análises Supervisionadas e Não-Supervisionadas
Análise Exploratória de Dados
Análises com Machine Learning e Neural Networks
Técnicas de Estimação, Segmentação e Predição
Aplicações e Cases de Sucesso
Bibliografia
Conteúdo
Entrevista de Peter Drucker – o mais
respeitado pensador dos negócios –
concedida à Rádio Pública Nacional e
publicada pela Revista Exame em 15 de Fevereiro de
2006.
Crescimento e Longevidade da Empresa Familiar
Objetivo• Analisar o preparo das empresas familiares
brasileiras para se obter ou manter o sucesso.• Avaliar como a família controladora preocupa-se
com a realização de objetivos financeiros – como, por exemplo, a valorização do negócio – e com a de objetivos não financeiros – como a manutenção de um relacionamento saudável entre os vários membros da família.
• Descrever e avaliar a adoção de diversas práticas associadas ao sucesso da empresa familiar.
Novellino (2007, p. 13-17)
Uma Visão Atual sobre Business Inteligence
Clientes
Patrimônio
Produção
Crédito
Vendas
BusinessInteligence
Data Mining
Data
War
ewou
se
MarketingData Mart
FinançasData Mart
LogísticaData Mart
Nível Operacional
• OLTP• ERP• Sistemas Legados• Dados Externos
Nível Warehouse
• Coleta• Limpeza• Organização• Distribuição
Nível Analítico
• Análise• Consulta• Relatório
NívelUsuárioDiagnósticoIdéiasLucratividade
Ferramentas de Business Inteligence são ferramentas:
Uma Visão Atual sobre Business Inteligence
De Análise, Acessibilidade Interativa e Manipulação de informações críticas gerando conhecimento para o negócio
Que propiciam insights confiáveis a partir das informações-chave da empresa, visando identificar problemas e oportunidades
De apoio à decisão que é o uso explícito do conhecimento.
CRM é uma abordagem empresarial destinada a entender e influenciar o
comportamento dos clientes, por meio de comunicações significativas
para melhorar as compras, a retenção, a lealdade e a
lucratividade deles.
Metas estratégicas:Ampliar mercados e identificar prospectsGerar conhecimento sobre a carteira de clientesAumentar a lucratividade de uma cadeia de valor
Cliente CertoOferta Certa
Canais CertosHora Certa
O relacionamento 1:1A premissa atual é que custa menos
manter os clientes atuais do que obter novos – na realidade, cinco vezes
menos. Isso requer conhecer e estabelecer um relacionamento direto,
cliente a cliente.
Business Inteligence
Conceitos Essenciais sobre CRM
Estamos afogados em informação,
mas morrendo de
fome por conheciment
o.John Naisbett
“Em razão da globalização da economia, o mercado começa a exigir que alguns valores sejam resgatados. Para se tornarem mais competitivas, algumas empresas começam a diminuir a produtividade dos recursos e a valorizar o serviço ao cliente”
Resende (2005, p. 3)
“O relacionamento de empresas com seus clientes sofreu mudanças drásticas nos últimos anos. Não há mais como garantir um negócio com o cliente por longo tempo. Como resultado disso, muitas companhias descobriram a necessidade de entender melhor seus clientes e, rapidamente, responder aos seus desejos e necessidades”
Benson, Smith & Thearling (1999, p. 4)
Conceitos Essenciais sobre CRM
Baixo
Alto
Alto
Definição dos objetivos de atendimento aos Clientes
Campanhas de segmentação e gerenciamento de Clientes
Ative e desenvolva os Clientes lucrativos
Retenhas os Clientes valiosos
Desenvolva e transfira os Clientes lucrativos
Lealdade dos Clientes
Referências de Clientes
Consultor de Clientes
Níveis de Foco no Cliente
Reto
rno
sobr
e o
Inve
stim
ento
- RO
I
Swift (2000, p. 18)
Conceitos Essenciais sobre CRM
DW
Data Mining
Database MarketingAplicações Analíticas
Avaliando a eficiência da ação
Conhecendo o perfil dos clientes e identificando públicos para as ações
Refinando os critérios
Font
es d
e Da
dos
(Sist
emas
Tra
nsac
iona
is)
Gerenciamento de Campanhas
Definindo a melhor oferta para um determinado público
Detalhando a comunicação da oferta
Gerando a lista-alvo
Gerenciamento de Contatos
Contatando o público-alvo
Capturando as respostas
Cliente
Execução / Acompanhamento
da Campanha
Análi
se do
Reto
rno
Dese
nho
da
Cam
panh
a
Conceitos Essenciais sobre CRM
Segmentação Definição da Oferta
Teixeira (2004)– Telemar
Base de DadosMultidimensional
Base de DadosMultirelacional
Data Marts
Data Warehouse
Sistema deGerenciamento deBanco de Dados
Meta DadosD
ados
Data Warehouse: A Memória da Empresa
DadosExternos e Operacionais
Extração
Limpeza
Carregando
Plataforma de Gerenciamento
Plataforma de Administração Repositório
1
2
3
45
6Relatório,
Consulta, EIS.
OLAP
Data Mining
Aplicações & Ferramentas
Sistema de Transferência de Informação
Benson, Smith e Thearling ( 1999, p. 30)
Aplicação Prática
Entender o que já conhecemos
Solucionar o problema
Caracterizar a situação
Data Mining
Data Mining: A Inteligência da Empresa
O que já conhecemos determina o que podemos conhecer
O termo problema está associado à dificuldade em encontrar um caminho apropriado, ou caminhos, de uma ação potencial; nunca existe uma só maneira.
Uma descrição para isto é modelagem qualitativa; modelos são uma parte que acompanha a vida humana em diversas circunstâncias.
Data mining é uma extensão recente de ferramentas de modelagem quantitativa, matemática e estatística; Os modelos usados em Data Mining são a estrutura do conhecimento humano.
Agora falamos sobre construção de modelos apropriados. Uma vez posto o fundamento, a trama nos lança uma visão, na qual podemos determinar quais questões são significantes; isto gera um mapa que apresenta e interpreta toda a situação.
Uma loja de chocolates deseja conhecer melhor seus consumidores, pois seria interessante
avaliar a existência de um núcleo de clientes que justificaria o investimento em chocolates
finos, importados e mais caros, além dos nacionais.
Podemos, a partir de dados de sistemas internos e de pesquisa de mercado, estabelecer relações matemáticas entre informações, permitindo verificar margens de lucros e previsões de vendas para esses consumidores. As pesquisas podem diminuir as incertezas em torno da estratégia empreendida, dos resultados e da situação mundial.
Data Mining: A Inteligência da Empresa
Público Alvo
Analistas de Mercado
Estratégia e
Tática
Data Mining: A Inteligência da Empresa
Data Mining é freqüentemente, usado em negócios como uma ferramenta tática. Claro que há muito valor no uso de Data Mining como ferramenta de tática. No entanto, o núcleo de processos de negócios toma lugar em nível estratégico e é o uso estratégico de Data Mining que garante o maior retorno para uma companhia.
Conjunto de atividades possíveis e disponíveis em uma circunstância particular; cada atividade conduz a um resultado potencial diferente.
EstratégiaIndica a ação concreta que empreende alguma estratégia, tentando influenciar algum evento de ordem macro.
Tática
Soluções Analíticas On-Line
Muito do esforço humano no curso da história tem sido destinado a descobrir padrões úteis para, então, construir modelos aplicáveis em
diversos problemas. Data mining é simplesmente a última linha de ferramentas
para detectar padrões significativos e, conseqüentemente, melhorar o controle do
mundo. Em um nível fundamental, isto é nada mais e nada menos que a busca automática
de padrões em banco de dados.
Pyle (2003, p. 4)
Pré-processamento
Extraçãode Padrões
Pós-processamento
Identificaçãodo Problema
Utilização doConhecimento
Soluções Analíticas On-Line
Benefícios das Soluções Analíticas Avançadas
Estratégicos
Tático
Melhoria contínua na capacidade de tomada de decisãoOtimizações em Relacionamentos e Operações empresariaisFerramentas mais poderosas para o staff do conhecimento
Análise Multidimensional,Otimização de performance em processos,Análise em cenários What-if ,Interfaces intuitivas para usuário
Funcional
Vendas
Marketing
Finanças
RH
Operação
TI
Comportamento do cliente, Análise da equipe comercial, Análise de vendas cruzadasParticipação de mercado, Efetividade de Campanhas, Ciclo de Produtos e ServiçosPerformance negocial, Relatórios consolidados, Planejamento e OrçamentoAvaliação de Performance, Análise de compensações, Planejamento e Otimização
Planejamento de Produção, Processo, Controle de Qualidade, Eficiência operacional
Integração Business & E-Business, ...
Análises Supervisionada e Não-Supervisionada
Supe
rvis
iona
das
Não-
Supe
rvis
iona
das
Algumas Técnicasde Mining
MercadoTelecom Financeiro Varejo Seguros
Entender e reconhecer o próximo passo do clientes.
Classificar diferentes grupos de clientes, produtos ou serviços por regras definidas pela ordem de importância das características estudadas.
Propensão a aquisição / churn de produtos, serviços, clientes.
Predizer a quantidade de vendas por produtos, clientes novos, cancelamentos, etc.
Inferir sobre o tempo de vida útil do cliente e do valor do cliente (Life Time Value)
Entender o perfil de cada cliente (Segmentação Mercadológica e Comportamental)
Entender dos principais fatores discriminantes entre grupos de clientes.
Regressão Logística
Redes Neurais (RBF)
Árvore de Decisão
Análise Discriminante
Análise de Sobrevivência
Análise de Cluster (K-Means, SOM)
Árvore de Classificação
Análise de Associação
Análise de Séries Temporais
CPqD – Centro de Pesquisas e Desenvolvimentos em Telecomunicações ( 2003)
As ta
refa
s: o
que
faze
r?
Tarefas e TécnicasAs técnicas: como fazer?
Análises com Machine Learning e Neural Network
Especificaçãodo Problema
nnmnnn
m
yxxxT
yxxxTyxxxTYXXX
21
22322212
11312111
21
Aprendizadode Máquina
Classificador
DadosBrutos
Avaliação
Especialista
Variável Dependente(Classe)
Variável Independente(Atributos)
Conhecimento do domínio Conhecimento do domínio
Monard e Baranauskas (2005, p. 92)
Máquina de Aprendizagem é uma área de Inteligência Artificial cujo objetivo é o desenvolvimento de técnicas computacionais sobre o aprendizado bem como a construção de sistemas capazes de adquirir conhecimento de forma automática. A decisão é tomada baseada em experiências acumuladas por meio da solução bem-sucedida de problemas anteriores.
Monard e Baranauskas (2005, p. 89)
Análises com Machine Learning e Neural NetworkÁrvo re de Cla ss ificação pa ra Concessão d e Cré d ito
1
2 3
4 5
6 7
Credito<=593,89
Fundos <=11694,
Credito<=546,84
385 115
369 16
9 7
Apr ovado
Aprovado Re provado
Aprovado Apr ovado
Aprovado Re provado
Re prova doAprova do
Imagine a situação em que desejamos entender como uma decisão de concessão de crédito é tomada sobre a observação de concessões feitas no passado. O gráfico acima foi gerado a partir de 500 registros de concessões de uma empresa.
Concessão de
Crédito
Análises com Machine Learning e Neural Network
W eb graphNode s iz e: Relative s upport of eac h item
Line thic kness : Relative joint s upport of two item sColor dark ness of line: Relative lift of two item s
0,000 1,163
Piz z a
Seaf ood
DOM_SEDN
DOM_SPRTGender==Male
Hamburger
EXT_SPRT
Other
Mex ic an
EXT_SEDN Sandw ic hes
Chines e
Chic ken
Redes Neurais Artificiais são capazes de resolver, basicamente, problemas de aproximação, predição, classificação, categorização e otimização.
Aplicações conhecidas de Redes Neurais como reconhecimento de caracteres, reconhecimento de voz, predição de séries temporais, modelagem de processos, controle, entre outras, são na verdade novas formas de apresentação destas classes de problemas.
Análises com Machine Learning e Neural Network
JAN 1950
MAY 1950
SEP 1950JAN
1951M
AY 1951SEP 1951JAN
1952M
AY 1952SEP 1952JAN
1953M
AY 1953SEP 1953JAN
1954M
AY 1954SEP 1954JAN
1955M
AY 1955SEP 1955JAN
1956M
AY 1956SEP 1956JAN
1957M
AY 1957SEP 1957JAN
1958M
AY 1958SEP 1958JAN
1959M
AY 1959SEP 1959JAN
1960M
AY 1960SEP 1960
0
100
200
300
400
500
600
700
V ariáv e l Orig inal Re d e Ne ural
Análises com Machine Learning e Neural Network
Análise de Previsão de Reservas de Passagens Aéreas
Aplicações e Cases de Sucesso
Transações Bancárias
Registrosde Compras
Perfil de Usoda Internet
Informaçõesde Satélite
Rotas deTransporte
Medidasde Produção
InformaçõesIntegradas
Códigos deBarra
A coleta de dados tem atingido grandes proporções: a cada 20
meses a quantidade de informações no mundo dobra. E a questão agora é: Quanto de conhecimento novo
temos obtido? O novo conhecimento ou KDD – Knowledge Discovery in
Databases – visa otimizar e automatizar o processo de descrição
das tendências e dos padrões contidos neste processo,
potencialmente úteis e interpretáveis.
Análise de ChurnTelefonia Celular
Aplicações e Cases de Sucesso
Aplicações e Cases de Sucesso
Enquanto empresas como as de Cartão de Crédito, esforçam-se para manter taxas de Churn de clientes em 0,4% ao mês, as companhias de telefonia celular chegam a pouco mais que 2,2% ao mês, em média, no mundo. Isso significa que 27% da carteira de clientes é perdida anualmente na renovação de contratos.
Uma companhia de pesquisa em Análise de Churn/Attrition, a J. D. Power and Associates, estima que 90% de usuários de celulares mudaram de operadora nos últimos 5 anos.
Perder um cliente gera grande despesa, visto que o custo para adquirir novos clientes envolve trabalho de vendas, marketing, publicidade e comissões. E muitos desses novos clientes são menos lucrativos que os que foram perdidos.
Razão de CHURN por novos clientes
0%
10%
20%
30%
40%
50%
60%
70%
80%
1 2 3 4 5 6 7 8 9 10
Período de tempo
Clie
ntes
per
dido
s po
r nov
os c
lient
es
Amadurecimento do mercado de TELCO
Dados reais de uma empresa de telecomunicações Norte Americana.
Aplicações e Cases de Sucesso
Curto prazo:
Identificar os prováveis “churners ” dos próximos dias e abordá-los via Telemarketing
Médio prazo:
Capacitar usuários para utilização e interpretação dos modelos de Data Mining para análise de CHURN.
Longo prazo:
Incorporar os modelos de Data Mining à solução integrada de CRM.
Aplicações e Cases de Sucesso
Retorno do Investimento
Instante t:
número de clientes: nt
receita média por cliente: rreceita total: Rt = nt * r
Instante t + 1:
número de novos clientes: nn
número de “churners”: nc
receita total: Rt +1 = (nt + nn – nc) * r
Aplicações e Cases de Sucesso
Suponha que o número de novos clientes seja duas vezes maior do que o número de “churners”, ou seja:
nn = 2 * nc
Então, a receita total no instante t + 1 será
Rt + 1 = (nt + nn – nc) * r = (nt + 0,5 * nn) * r (1)Suponha que, com a implementação de Data
Mining, consigamos reduzir em 30% o número de “churners”. Então,
Rt + 1 = (nt + 0,65 * nn) * r (2)
Aplicações e Cases de Sucesso
Suponha uma empresa de telecomunicações com as seguintes características com respeito à telefonia móvel, sistema pós-pago:
nt = 500.000 r = R$ 50,00 nn = 5.000 t = 1 mês
Então, Rt = nt * r = R$ 25.000.000,00.
volta
Ganho de receita em 1 mês:
R$ 37.500,00
Ganho de receita em 12 meses:
R$ 450.000,00
Aplicando (1):
Rt +1 = R$ 25.125.000,00
Aplicando (2):
Rt +1 = R$ 25.162.500,00
Aplicações e Cases de Sucesso
Aplicações e Cases de SucessoVejamos um estudo de caso sobre este tema.
Coletamos dados de 260 mil
usuários da Companhia TelCom S.A.
O objetivo é encontrar um modelo que prediga os
possíveis Churners com os dados fornecidos do mês de
Agosto/2005 e aplicar o modelo encontrado no mês
de Setembro/2005.
O modelo utilizado é um algoritmo de Data Mining, CART – Classification and Regression Trees –, a técnica
executa uma mineração diretamente dentro da base de dados relacional
Informação Demográfica
Dados do Cliente
Call Center
Serviço de Atendimento ao Cliente
Base de Dados para Análise
Aplicações e Cases de SucessoTree 1 graph for TM M 5
Num . of non-term inal nodes : 10, Num . of term inal nodes : 11
ID = 1 N =3 6
Mu = 6 7 ,0 2 7 7 7 8
Va r =4 3 6 8 ,5 2 7 0 0 6
ID = 2 N =2 4
M u = 2 4 ,4 1 6 6 6 7
Va r =4 5 6 ,5 7 6 3 8 9
ID = 4 N = 2 1
M u =1 7 ,1 4 2 8 5 7
Va r =9 1 ,2 6 5 3 0 6
ID = 6 N = 1 5
M u = 1 1 ,8 6 6 6 6 7
Va r =1 3 ,1 8 2 2 2 2
ID = 8 N = 1 1
M u = 1 0 ,0 0 0 0 0 0
Va r =3 ,6 3 6 3 6 4
ID = 1 1 N =7
M u =1 1 ,2 8 5 7 1 4
Va r =1 ,0 6 1 2 2 4
ID = 7 N =6
M u =3 0 ,3 3 3 3 3 3
Va r =4 2 ,8 8 8 8 8 9
ID = 3 N = 1 2
M u = 1 5 2 ,2 5 0 0 0 0
Va r =1 2 9 8 ,1 8 7 5 0 0
ID =1 7 N =8
M u =1 7 3 ,6 2 5 0 0 0
Va r =5 1 0 ,2 3 4 3 7 5
ID = 1 8 N =7
M u = 1 6 6 ,5 7 1 4 2 9
Va r =1 8 5 ,1 0 2 0 4 1
ID = 1 0 N = 4
M u = 7 ,7 5 0 0 0 0
Va r =0 ,1 8 7 5 0 0
ID = 1 2 N =3
M u =1 2 ,3 3 3 3 3 3
Va r =0 ,2 2 2 2 2 2
ID = 1 3 N =4
M u =1 0 ,5 0 0 0 0 0
Va r =0 ,2 5 0 0 0 0
ID =9 N = 4
M u =1 7 ,0 0 0 0 0 0
Va r =3 ,5 0 0 0 0 0
ID =1 4 N = 5
Mu = 2 7 ,8 0 0 0 0 0
Va r =1 2 ,9 6 0 0 0 0
ID = 1 5 N = 1
M u =4 3 ,0 0 0 0 0 0
Va r =0 ,0 0 0 0 0 0
ID = 5 N = 3
M u =7 5 ,3 3 3 3 3 3
Va r =5 0 ,8 8 8 8 8 9
ID = 1 6 N = 4
M u = 1 0 9 ,5 0 0 0 0 0
Va r =1 3 2 ,7 5 0 0 0 0
ID = 2 0 N =2
M u = 1 4 7 ,5 0 0 0 0 0
Va r =2 ,2 5 0 0 0 0
ID = 2 1 N = 5
M u = 1 7 4 ,2 0 0 0 0 0
Va r =5 4 ,5 6 0 0 0 0
ID =1 9 N =1
M u = 2 2 3 ,0 0 0 0 0 0
Va r =0 ,0 0 0 0 0 0
TM I
<= 6 6 ,5 0 0 0 0 0 > 6 6 ,5 0 0 0 0 0
MAT
<= 6 5 ,0 0 0 0 0 0 > 6 5 ,0 0 0 0 0 0
TM I
< = 1 7 ,5 0 0 0 0 0 > 1 7 ,5 0 0 0 0 0
TM I
< = 1 0 ,5 0 0 0 0 0 > 1 0 ,5 0 0 0 0 0
TMI
< = 7 ,5 0 0 0 0 0 > 7 ,5 0 0 0 0 0
N _ M
<= 8 6 ,8 5 0 0 0 0 > 8 6 ,8 5 0 0 0 0
TM I
<= 2 9 ,0 0 0 0 0 0 > 2 9 ,0 0 0 0 0 0
TM I
<= 8 6 ,0 0 0 0 0 0 > 8 6 ,0 0 0 0 0 0
TM I
<= 1 2 4 ,5 0 0 0 0 0 > 1 2 4 ,5 0 0 0 0 0
TM I
<= 1 0 1 ,0 0 0 0 0 0 > 1 0 1 ,0 0 0 0 0 0
Aplicações e Cases de Sucesso
Resultados:
O modelo de Árvore de Decisão identificou 21 segmentos dentro dos 260 mil clientes.
No segmento 10, por exemplo, foi identificado para o mês de Agosto 1161 clientes pertinentes a esse segmento, destes houve uma taxa de Churn de cerca de 84%, as características dos clientes que pertenciam ao segmento 10 eram:
Contrato tipo Meus Minutos;
Duração do serviço é menor que 23 meses;
Duração do serviço de Roaming é por tempo maior que 9 meses;
O assinante contratou uma das 13 tarifas;
Ao aplicar o modelo encontrado para o mês de Setembro (com cerca de 280 mil clientes), o segmento 10 alcançou o número de 403 clientes.
Aplicações e Cases de Sucesso
Segmento Propensão de Churn
Base do Segmento
Volume de Churn
Base Acumulada
Churn Acumulado
Percentual Acumulado de Churn
Percentual Acumulado
de Base
10 83,72 403 337 403 337 1,2 0,1
1 64,78 360 233 763 571 2,0 0,3
13 60,66 4249 2.577 5.012 3.148 11,1 1,8
4 53,61 227 122 5.239 3.270 11,6 1,9
18 50,22 7502 3.768 12.741 7.037 24,9 4,5
21 44,08 1840 811 14.581 7.848 27,7 5,2
16 32,15 649 209 15.230 8.057 28,5 5,4
13 28,54 1705 487 16.935 8.544 30,2 6,0
17 27,08 572 155 17.507 8.698 30,8 6,2
20 26,60 1696 451 19.203 9.150 32,3 6,8
19 26,04 5369 1.398 24.572 10.548 37,3 8,7
9 25,56 2955 755 27.527 11.303 40,0 9,8
8 21,11 2125 449 29.652 11.752 41,5 10,5
2 20,36 964 196 30.616 11.948 42,2 10,9
Aplicações e Cases de Sucesso
Um esforço foi desempenhado sobre um grupo que representa os 5,2% acumulado dos dados originais que, equivalentemente, correspondia a 27,7% de possíveis Churners.
Uma campanha em dois canais de comunicação foi direcionada para estes clientes que atenderam com um retorno de 21% de renovação de contratos.
Esse resultado perdurou por 2 meses e, no seguinte, o número de respondentes das campanhas empregadas decresceu e um novo modelo foi adaptado.
Note que para o segmento 10, no mês de Agosto, tinha um total de 1161 clientes, mas no mês de Setembro, eram apenas 403. Isso mostra que a indicação de um cliente em um determinado grupo muda rapidamente, logo o modelo tem uma vida curta.
Pesquisa de MercadoSegmentação
Aplicações e Cases de Sucesso
Aplicações e Cases de Sucesso“A Hallmark tem um cartão para todo tipo de pessoa e toda ocasião. A líder no mercado de cartões divide rigorosamente o mercado consumidor a fim de identificar segmentos e nichos para novos produtos e linhas de produtos. Seus profissionais de marketing segmentam por raça, religião, ocasião, idade, nacionalidade, sensibilidade ao preço e outras variáveis.”
“Por exemplo, a marca Hallmark Em Español dispõe de mais de mil cartões elaborados para hispno-americanos; a marca Tree of Live é voltada para norte-americanos de origem judaica; a marca Fresh Ink é direcionada para mulheres entre 18 e 39 anos, e a marca Warn Wishes – cujos cartões custam 99 centavos de dólar – concentra-se nos compradores sensíveis ao preço.”
Kotler (2005, p. 182)
Aplicações e Cases de Sucesso
O marketing direcionado envolve três atividades:
Segmentação de Mercado
Identificação de Mercado
Posicionamento de Mercado
Aplicações e Cases de Sucesso
Prin
cipai
s Va
riáve
is de
Seg
men
taçã
o
Geog
ráfic
aDe
mog
ráfic
aPs
icog
ráfic
aCo
mpo
rtam
enta
l
RegiãoPorte de cidade ou região metropolitanaDensidadeÁrea
Idade, Tamanho e Ciclo de vida da famíliaSexo e RendaOcupação e Grau de InstruçãoReligião, Nacionalidade, Classe Social
Estilo de VidaPersonalidadeValoresCultura
O objetivo básico da segmentação
é concentrar esforços de
marketing em determinados
alvos, que a empresa entende como favoráveis
para serem explorados
comercialmente, em decorrência
de sua capacidade de
satisfazer a demanda dos
focos, de maneira mais adequada.
Ocasiões, Benefícios e Status de usuárioÍndice de utilização e Status de fidelidadeEstágio de prontidãoAtitude em relação ao produto
Aplicações e Cases de SucessoExecutamos uma pesquisa para avaliar como o cliente, sob certas condições, escolhe um tipo de carro entre aqueles de origem:
Americana
Européia
Japonesa
Com tamanhos: Pequeno, Média e Grande; e tipo: Familiar, Esporte e de Trabalho. Avaliamos questões simples em relação aos clientes, tais como:
Casa: Própria ou Alugada;
Sexo: Masculino e Feminino;
Renda: 1 Renda ou 2 Rendas por família;
Estado Civil: Solteiro com filhos, Casado com filhos, Solteiro e Casado
Aplicações e Cases de Sucesso
Aplicações e Cases de Sucesso2D P lot of Row and Colum n Coordinates ; D im ens ion: 1 x 2
Input Table (Rows x Colum ns ): 9 x 4S tandardiz ation: Row and c olum n profiles
Am eric ano:Pequeno
Am eric ano:M édio
Am eric ano:GrandeJ aponês :Pequeno
J aponês :M édio
J aponês :G rande
Europeu:Pequeno
Europeu:M édioEuropeu:Grande
Solteiro c om F ilhos
C as ado c om F ilhos
Solteiro
C as ado
-0,4 -0,3 -0,2 -0,1 0,0 0,1 0,2 0,3 0,4 0,5 0,6
Dim ens ion 1; E igenvalue: ,04844 (67,74% of Inert ia)
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
Dim
ension 2; Eigenvalue: ,01668 (23,33%
of Inertia)
Row.Coords Col.Coords
Aplicações e Cases de Sucesso
Text MiningBusca de Padrão de Comportamento de
Usuários na Internet
Aplicações e Cases de Sucesso
Aplicações e Cases de SucessoGramática
Radical
Origem
Extração deConhecimento
SumarizaçãoCategorizaçãoClustering
Tarefas de mineraçãode textos
Extração
Recuperaçãoda Informação
Preparação dos DadosEbecken, Lopes e Costa (2005, p. 339)
Mineração de Textos é um conjunto de técnicas e processos que descobrem conhecimento inovador nos textos. Ela está sendo empregada atualmente em projetos de diversas áreas, incluindo a operações internas
do mundo dos negócios.
Extraindo “reviews” do website www.carreview.com
Não Estruturados
Estruturados
Aplicações e Cases de Sucesso
Passo 1 – Extração de Palavras
Extração de palavras dos textos
Refinar o processo de “filtragem” do texto
• Parsing, Stubbing, Stemming, etc. (Algorítimos)
Aplicações e Cases de Sucesso
Passo 2 – Transformação de Palavras
Transformamos contagens de palavras em índices que reflitam a importância relativa das palavras.
Várias aplicações disponíveis no STATISTICA Text Miner:
Inversão de freqüência de documentos, freqüência Log , freqüência Binária, etc.
Aplicações e Cases de Sucesso
Passo 3 – Indexar Semântica Latente
Número Total de palavras extraídas foram em torno de 300.
Redução da dimensionalidade global da matriz de entrada (número de entradas de documentos X número de palavras extraídas).
Identificar dimensões “ocultas” ou “subjacentes” (ou significâncias) descritas ou discutidas pelos documentos de entrada.
Singular Value Decomposition
Aplicações e Cases de Sucesso
Mapa Perceptual – Espaço Semântico
Aplicações e Cases de Sucesso
Esta ferramenta identifica automaticamente as melhores preditoras para a palavra “Transmission”. Pode-se notar que carzz é uma das palavras mais proximamente “Transmission” nestes documentos.
Feature SelectionDo Text Mining para o Data Mining
Aplicações e Cases de Sucesso
Interactive Trees
Aplicações e Cases de Sucesso
Siga a “trilha” desta Árvore de Decisão para identificar as
palavras que discriminam entre diferentes tipos de carros.
Gráfico de Interação: Car Type × Negative connotation words
Aplicações e Cases de Sucesso
Data MiningCredit Scoring
Aplicações e Cases de Sucesso
Objetivo:
Fornecer subsídios para melhoria no controle de concessão de crédito por meio de modelos matemáticos de previsão de risco de inadimplência e credit score.
Aplicações e Cases de Sucesso
Potencialidades:
• Avaliação do risco de concessão de crédito.• Identificação de nichos de mercado preferenciais
para concessão de crédito.
• Informações para campanhas direcionadas de recuperação de crédito.
• Informações para campanhas de prevenção à inadimplência.
Aplicações e Cases de Sucesso
Desempenho do modelo matemático
Calcula a probabilidade de uma operação de crédito entrar em inadimplência através de tratamento estatístico das informações contidas no histórico da base de dados.
Probabilidade de inadimplência0 100%
A probabilidade é obtida por meio de uma equação com coeficientes aplicados às variáveis que explicam a inadimplência.
Os coeficientes são calculados através de procedimentos de inferência estatística.
Aplicações e Cases de Sucesso
0 100%
alto riscobaixo risco
ponto de cortenichos
preferenciais
Escala de risco de inadimplência (Probabilidade)
fácil recuperação
difícil recuperação
Aplicações e Cases de Sucesso
Aplicações e Cases de Sucesso
Mas o ponto crítico é quando o banco empresta para
alguém que tem grande chance de
não pagar. O banco tem uma lista de 252 inadimplentes, dos
quais 196 (78%) foram identificadas
pelo modelo.
Dentre as 1000 operações
envolvendo valores no total de R$ 10.827.831,00,
260 contrastes foram identificados pelo
modelo, cuja soma em moeda é de R$
3.113.403,00
Aplicações e Cases de Sucesso
Resultado
R$ 704.801,30
Valor total da inadimplência identificado pelo modelo
Valor total daInadimplênciaR$ 3.171.605,25
R$ 2.466.804,98
Aplicações e Cases de Sucesso
Bibliografia
Swift, R. CRM, customer relationship management: o revolucionário marketing de relacionamentos com o cliente. Rio de Janeiro: Campus, 2001.Rezende, S. O. (Coord.). Sistemas Inteligentes: Fundamentos e Aplicações. Barueri-SP: Manole, 2005.Monard, M.C. & Baranauskas, J. A. Conceitos sobre Aprendizado de Máquina. In: Rezende, S. O. (Coord.). Sistemas Inteligentes: Fundamentos e Aplicações, Barueri: Manole, 2005. p. 81-104.Novellino, A..Crescimento e Longevidade da Empresa Familiar, São Paulo, 2007. Trabalho disponível no site: www.prosperarebrasil.com.br .Ebecken, N. F. F., Lopes, M. C. S. & Costa, M. C. Mineração de Textos. In: Rezende, S. O. (Coord.). Sistemas Inteligentes: Fundamentos e Aplicações, Barueri: Manole, 2005. p. 337-372.Pyle, D. Business Modeling and Data Mining. San Francisco: Morgan Kaufmann Publishers, 2003.Berry, M. J. A. & Linoff, G. S. Data Mining Techniques. Indianapolis, Indiana: Wiley Publishing, 2004.Kotler, P. Marketing essencial: conceitos, estratégias e casos. São Paulo: Prentice Hall, 2005.Berson, A., Smith, S. & Thearling, K. Building Data Mining Applications for CRM.
Facebook.com/iminersolutionstwitter.com/[email protected]+55 11 3996 4226