inteligência analítica aplicada a negócios

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


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)


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)


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


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


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.


Público Alvo

Analistas de Mercado

Estratégia e

Tática


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


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.


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


Análise de Previsão de Reservas de Passagens Aéreas


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



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.


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.


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


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)


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 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


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.


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


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“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)


O marketing direcionado envolve três atividades:

Segmentação de Mercado

Identificação de Mercado

Posicionamento de Mercado


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 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

Text MiningBusca de Padrão de Comportamento de

Usuários na Internet


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


Passo 1 – Extração de Palavras

Extração de palavras dos textos

Refinar o processo de “filtragem” do texto

• Parsing, Stubbing, Stemming, etc. (Algorítimos)


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.


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


Mapa Perceptual – Espaço Semântico


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


Interactive Trees


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


Data MiningCredit Scoring


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.


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.


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.


0 100%

alto riscobaixo risco

ponto de cortenichos

preferenciais

Escala de risco de inadimplência (Probabilidade)

fácil recuperação

difícil recuperação


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


Resultado

R$ 704.801,30

Valor total da inadimplência identificado pelo modelo

Valor total daInadimplênciaR$ 3.171.605,25

R$ 2.466.804,98


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.

http://www.prosperarebrasil.com.br/

Facebook.com/iminersolutionstwitter.com/[email protected]+55 11 3996 4226

inteligência analítica aplicada a negócios

Documents