mba em gestão de empreendimentos...
TRANSCRIPT
MBA em Gestão de Empreendimentos Turísticos
MBA em Gestão de Empreendimentos Turísticos
Gestão do Conhecimento e Tecnologia da Informação Gestão do Conhecimento – evolução conceitual. Níveis de maturidade da organização. Conhecimento tácito e explícito. Tecnologia da Informação no Turismo. Sistemas especialistas na indústria do Turismo. Principais Sistemas: Sistemas de agenciamento e sistemas de reservas (transportes e hospedagem); Sistema de Informações Gerenciais; Mapeamento e modelagem de processos; Princípios do e-Business e do E-commerce. Alavancagem de negócios na internet; Gestão da tecnologia da Informação: Sistemas de gestão: ERP, Soluções de SCM – Supply Chain Management, Soluções de CRM –Customer Relationship Management e Soluções de Portais Corporativos; Gerenciamento de projetos tecnológicos e Gestão do Conhecimento.
Prof. Martius V. Rodriguez y Rodriguez, DSc – [email protected]
© Martius V. Rodriguez y Rodriguez, DSc 03 - 4
20% - T
80% - I
70% - T
18% - I
10% - T
2 % - I
(Pyle, 1999)
Seleçãodos dadosde basede dados
operacionais
Limpeza econsistêncados dados
Enriquecimentodos dados
Codificação
Relatórios
Soluçõese
Alternativas
Soluçõese
Alternativas
Data mining- Cluster- Segmentação- Predição
T - TEMPO DISPENDIDOI - IMPORTÂNCIA PARA O SUCESSO
Problemaa ser
resolvido
O PROCESSO
UTILIZADO
© Martius V. Rodriguez y Rodriguez, DSc 03 - 5
PERGUNTAS QUE PODERÃO SER RESPONDIDAS
PERGUNTAS QUE PODERÃO SER RESPONDIDAS
o VENDAS
o Identificar padrões de comportamento dos consumidores.
o Encontrar características dos consumidores de acordo com a região demográfica.
o Prever quais consumidores serão atingidos nas campanhas de marketing.
o Prever demandas em função das características dos clientes, personalizando o atendimento.
o FINANÇAS o Detectar padrões de fraudes.
o Identificar os consumidores que estão tendendo a mudar para a concorrência.
o Identificar regras de estocagem a partir dos dados do mercado.
o Encontrar outras correlações escondidas nas bases de dados.
© Martius V. Rodriguez y Rodriguez, DSc 03 - 6
o TRANSPORTE
o Determinar a distribuição dos horários entre os vários caminhos.
o Analisar padrões de sobrecarga.
o SEGUROS E PLANOS DE SAÚDE o Determinar quais procedimentos médicos são requisitados ao mesmo
tempo.
o Prever quais consumidores comprarão novas apólices.
o Identificar comportamentos fraudulentos.
o MEDICINA
o Caracterizar o comportamento dos pacientes para prever novas consultas.
o Identificar terapias de sucessos para diferentes doenças
PERGUNTAS QUE PODERÃO SER RESPONDIDAS
PERGUNTAS QUE PODERÃO SER RESPONDIDAS
© Martius V. Rodriguez y Rodriguez, DSc 03 - 7
DadoDado InformaInformaççãoão ConhecimentoConhecimento
BANCODE
DADOS
ANÁLISE ERECUPERAÇÃO
DE DADOSSQL, OLAP
DATA MININGKnowledge
Management
DADO - INFORMAÇÃOCONHECIMENTO
DADO - INFORMAÇÃOCONHECIMENTO
© Martius V. Rodriguez y Rodriguez, DSc 03 - 8
MICHAEL POLANYI e LUDWIG WITTGENSTEIN - FIALHO, 1998
CONHECIMENTO HUMANO É : tácito, orientado para a ação, baseado em regras, individual e em constante mutação.
INFORMAÇÃOCONHECIMENTO
ÉÉ A CAPACIDADE DE AGIRA CAPACIDADE DE AGIR
EXPLEXPLÍÍCITOCITOEXTERIORIZADOEXTERIORIZADO
TÁCITOINTERIORIZADOREGRAS
10 9 bits
10 2 bits
A DEFINIÇÃO DE CONHECIMENTOA DEFINIÇÃO DE CONHECIMENTO
MICHAEL POLANYI e LUDWIG WITTGENSTEIN
CONHECIMENTO
EVENTOS
DADOS
INFORMAÇÃO
© Martius V. Rodriguez y Rodriguez, DSc 03 - 9
MOTIVAÇÃO PARA O KDDMOTIVAÇÃO PARA O KDD
EVOLUÇÃO DOS SISTEMAS ESPECIALISTASEVOLUÇÃO DAS TÉCNICAS DE KDD EM BDEVOLUÇÃO DAS BDFACILIDADE DE INTEGRAÇÃO DE DADOSAUMENTO DO FLUXO DE INFORMAÇÕES
© Martius V. Rodriguez y Rodriguez, DSc 03 - 10
Produção de 2.000.000 Terabytes por ano (2 Exabyte)Aproximadamente 250 MB por pessoa no planeta.US$ 10,00 por GB armazenado em 2000US$ 1,00 por GB armazenado em 20055 EXABYTES = TODAS AS PALAVRAS JÁ FALADAS PELOS SERES HUMANOS = 5.000.000.000 GB1 GB = Um caminhão cheio de papel100 MB = 1 metro de livros organizados em uma prateleira1 bilhão de PCs no mundo – jun2008 – Gartner2 bilhões de PCs no mundo – até 2014 - Gartner
ESTATÍSTICAVISUALIZADORESBANCO DE DADOS
REDES NEURONAISSISTEMAS ESPECIALISTAS
INFRAESTRUTURA DE HW/SW
MOTIVAÇÃO PARA O USO DO KDDA EXPLOSÃO DAS INFORMAÇÕES
MOTIVAÇÃO PARA O USO DO KDDA EXPLOSÃO DAS INFORMAÇÕES
LESK, Michael, How much information is there in the world – ref. 1999
© Martius V. Rodriguez y Rodriguez, DSc 03 - 11
ERP, CRM, SCM, B2B, B2E, B2CERP, CRM, SCM, B2B, B2E, B2C
o GRANDE VOLUME DE DADOS DE CLIENTES, COMPETIDORES, PROCESSOS, EMPREGADOS E PROJETOS ARMAZENADOS EM BASES DE DADOS.
o FACILIDADE DE INTEGRAR BASES DE DADOS:
o GRANDE VOLUME DE DADOS DE CLIENTES, COMPETIDORES, PROCESSOS, EMPREGADOS E PROJETOS ARMAZENADOS EM BASES DE DADOS.
o FACILIDADE DE INTEGRAR BASES DE DADOS:
MOTIVAÇÃO KDDMOTIVAÇÃO KDD
ÁRVORES DE DECISÃOREDES NEURAISALGORÍTMOS GENÉTICOSLÓGICA FUZZYREGRAS DE ASSOCIAÇÃO...
ÁRVORES DE DECISÃOREDES NEURAISALGORÍTMOS GENÉTICOSLÓGICA FUZZYREGRAS DE ASSOCIAÇÃO...
CLUSTERIZAÇÃO
CLASSIFICAÇÃOPREDIÇÃOSUMARIZAÇÃO...
CLUSTERIZAÇÃO
CLASSIFICAÇÃOPREDIÇÃOSUMARIZAÇÃO...MÉTODOSMÉTODOS TAREFASTAREFAS
o OS ALGORÍTMOS DE DATAMINING PODEM ENCONTRAR CLUSTERS E PADRÕES DE COMPORTAMENTOS EM CONJUNTO DE DADOS.
o NOVAS TÉCNICAS COMO: ÁRVORES DE DECISÃO, REDES NEURAIS, ALGORITMOS GENÉTICOS...
o OS ALGORÍTMOS DE DATAMINING PODEM ENCONTRAR CLUSTERS E PADRÕES DE COMPORTAMENTOS EM CONJUNTO DE DADOS.
o NOVAS TÉCNICAS COMO: ÁRVORES DE DECISÃO, REDES NEURAIS, ALGORITMOS GENÉTICOS...
Fayyad, 1996
© Martius V. Rodriguez y Rodriguez, DSc
Grau de Instrução
Nível Médio Nível Superior
CLASSIFICAÇÃO E PREDIÇÃOCLASSIFICAÇÃO E PREDIÇÃO
© Martius V. Rodriguez y Rodriguez, DSc 03 - 14
Renda
Alta RendaBaixa Renda
CLASSIFICAÇÃO E PREDIÇÃOCLASSIFICAÇÃO E PREDIÇÃO
© Martius V. Rodriguez y Rodriguez, DSc 03 - 15
Alta RendaAlta RendaAlta RendaAlta RendaBaixa RendaBaixa RendaBaixa RendaBaixa Renda
““““Grau de InstruGrau de InstruGrau de InstruGrau de Instruççççãoãoãoão””””
RESPOSTARESPOSTARESPOSTARESPOSTA
NNNNíííível Superiorvel Superiorvel Superiorvel Superior NNNNíííível Mvel Mvel Mvel Méééédiodiodiodio
““““RendaRendaRendaRenda””””
CLASSIFICAÇÃO E PREDIÇÃOCLASSIFICAÇÃO E PREDIÇÃO
© Martius V. Rodriguez y Rodriguez, DSc 03 - 16
Tempo
Valor do Negócio
Query & reporting
Quantos clientes nós perdemos?
Em quais cidades eles moram?
OLAP
Data mining
Quais tipos de clientes possuem risco de deixar a empresa?
Real-time distribution
O que devo oferecer ao meu cliente hoje?
Como alinhar a empresa em torno do cliente?
Como integrar as descobertas a cada interação do cliente?
Medição Predição
Ambiente Analítico
MOTIVAÇÃO KDDMOTIVAÇÃO KDD
© Martius V. Rodriguez y Rodriguez, DSc 03 - 17
CONHECENDO O CLIENTE E SUA HISTÓRIA
CONHECENDO O CLIENTE E SUA HISTÓRIA
Data Mart 1
Vendas
Data Mart 2
Marketing
Data Mart 3
Logística
Data Warehouse
Data Mining
© Martius V. Rodriguez y Rodriguez, DSc 03 - 18
ONDE APLICAR O DATA MINING?ONDE APLICAR O DATA MINING?
Passado Previsão Descobrimento
ANÁLISE&
RELATÓRIOS(OLAP)
MODELAGEMESTATÍSTICA
DATA MININGMINERAÇÃO
DOCONHECIMENTO
© Martius V. Rodriguez y Rodriguez, DSc 03 - 19
DESCOBRIMENTO DO CONHECIMENTO
DESCOBRIMENTO DO CONHECIMENTO
+ SIMPLES
+ DIFÍCIL E INCERTO
OLTP – TRANSAÇÕES
SQL - QUERIES
TÉCNICAS ESTATÍSTICAS(ELEMENTARES)
OLAP – ANALISES
DATA MINING
© Martius V. Rodriguez y Rodriguez, DSc 03 - 20
SHALLOW DATA - SQL
MULTI-DIMENSIONAL DATA - OLAP
HIDDEN DATA - KDD
DEEP DATA - CLUES
HIDDEN & DEEP KNOWLEDGEHIDDEN & DEEP KNOWLEDGE
© Martius V. Rodriguez y Rodriguez, DSc 03 - 21
PROCESSOS TRANSACIONAISPROCESSOS TRANSACIONAIS
Quantos clientes existem por filial?
Quantos clientes por tipo de produto existem?
Quantos clientes por tipo de produto e por região por filial?
Quantos clientes por tipo de produto, região, atendente, valor, ...?
OLTPOLTPOLTPOLTP
OLAPOLAPOLAPOLAP
consulta
relatório/consulta
relatório/consulta
arquivo
excel, access, ...excel, access, ...excel, access, ...excel, access, ...
© Martius V. Rodriguez y Rodriguez, DSc 03 - 22
AnalAnalAnalAnalííííticoticoticotico
HistHistHistHistóóóóricoricoricorico
DescobertaDescobertaDescobertaDescoberta
CorrelaCorrelaCorrelaCorrelaççççãoãoãoão
PrediPrediPrediPrediççççãoãoãoão
Data MiningData MiningData MiningData Mining
Data WarehouseData WarehouseData WarehouseData Warehouse
CapacidadesCapacidadesCapacidadesCapacidades
DO CONTROLE A ANÁLISEDO CONTROLE A ANÁLISE
© Martius V. Rodriguez y Rodriguez, DSc 03 - 24
ETLETLETLETLETLETLETLETL
IntegraIntegraIntegraIntegraççççãoãoãoãoSincronismoSincronismoSincronismoSincronismo
TransformaTransformaTransformaTransformaççççãoãoãoãoComposiComposiComposiComposiççççãoãoãoão
DATA WAREHOUSEDATA WAREHOUSE
FontesFontesFontesFontesData WarehouseData WarehouseData WarehouseData Warehouse
HistHistHistHistóóóórico pequenorico pequenorico pequenorico pequenoGranularidade altaGranularidade altaGranularidade altaGranularidade alta
Data MartsData MartsData MartsData Marts
HistHistHistHistóóóórico intermedirico intermedirico intermedirico intermediááááriorioriorioGranularidade intermediGranularidade intermediGranularidade intermediGranularidade intermediááááriariariariaAlta capacidade de relatAlta capacidade de relatAlta capacidade de relatAlta capacidade de relatóóóóriorioriorio
CONTEXTOSCONTEXTOSCONTEXTOSCONTEXTOSCONTEXTOSCONTEXTOSCONTEXTOSCONTEXTOSSeparaSeparaSeparaSeparaççççãoãoãoãoAgregaAgregaAgregaAgregaççççãoãoãoão
CubosCubosCubosCubos
VISÕESVISÕESVISÕESVISÕESVISÕESVISÕESVISÕESVISÕESSeparaSeparaSeparaSeparaççççãoãoãoãoAgregaAgregaAgregaAgregaççççãoãoãoão
HistHistHistHistóóóórico granderico granderico granderico grandeGranularidade baixaGranularidade baixaGranularidade baixaGranularidade baixa
Alta capacidade analAlta capacidade analAlta capacidade analAlta capacidade analííííticaticaticatica
AAAAççççãoãoãoão
ExecutivoExecutivoExecutivoExecutivo
© Martius V. Rodriguez y Rodriguez, DSc 03 - 25
• Quantidade de Cliente• Quantidade de Débito
Tempo• Ano• Semestre• Mês• Semana
Grupo• Código• Descrição
Segmento• Código• Descrição
Estrutura Organizacional• Código Regional• Descrição regional• Código Filial• Descrição Filial
“Em novembro de 2003, qual a quantidade de clientes em cada filial, agrupados porsegmento?”
MODELO MULTIDIMENSIONAL
MODELO MULTIDIMENSIONAL
© Martius V. Rodriguez y Rodriguez, DSc 03 - 28
DIRECIONAMENTO AO NEGÓCIODIRECIONAMENTO AO NEGÓCIO
Objetivos de Negócio
Objetivosdo
Data Mining
Resultadosde Negócio
Resultadosdo
Data Mining
O projeto de Data Mining deve estar direcionado aos objetivos deO projeto de Data Mining deve estar direcionado aos objetivos denegnegóócio!cio!
© Martius V. Rodriguez y Rodriguez, DSc 03 - 29
MINERAÇÃO DOS DADOS
SISTEMÁTICA DE MINERAÇÃO DE DADOS
SISTEMÁTICA DE MINERAÇÃO DE DADOS
ORIENTADA PARA VERIFICAÇÃO
ORIENTADA PARA DESCOBERTA
SQLGERADORES DE SQL
•FERRAMENTAS DE CONSULTA•OLAP
DESCRIÇÃO
•VISUALIZAÇÃO•AGRUPAMENTO•ASSOCIAÇÃO•AVALIAÇÃO•SUMARIZAÇÃO
•ESTRUTURAS DE DECISÃO• REDES NEURAIS• REGRESSÃO ESTATÍSTICA
ESTRUTURAS DE DECISÃOCLASSIFICAÇÃO
PREDIÇÃO
© Martius V. Rodriguez y Rodriguez, DSc 03 - 30
KDD - DATA MININGKDD - DATA MINING
KDD - Knowledge Discovery in Databases:
É UMA EXTRAÇÃO NÃO TRIVIAL, A PARTIR DE UMA BASE DE DADOS, DE UM CONHECIMENTO IMPLÍCITO, PREVIAMENTE DESCONHECIDO E POTENCIALMENTE ÚTIL
Primeira Conferência Internacional sobre KDD Montreal - 1995 (Adriaans, 1998)
O CONHECIMENTO OBTIDO PELO PROCESSO DE KDD NÃO ESTARÁVISÍVEL SE UTILIZADA UMA LINGUAGEM DE BUSCA ESTRUTURADA -SQL (STRUCTURE QUERY LANGUAGE) OU SE ANALISADOS OS DADOS A PARTIR DE UMA FERRAMENTA OLAP - (ONLINE ANALYTICAL PROCESSING TOOL)
© Martius V. Rodriguez y Rodriguez, DSc 03 - 31
o HIDDEN KNOWLEDGE:
SÃO DADOS QUE PODEM SER FACILMENTE ENCONTRADOS A PARTIR DO USO DE FERRAMENTAS DE RECONHECIMENTO DE PADRÕES OU ALGORÍTMOS DE APRENDIZAGEM POR COMPUTADOR :: MACHINE-LEARNING
É UMA INFORMAÇÃO QUE ESTÁ ARMAZENADA EM BASE DE DADOS MAS QUE SÓ PODE SER LOCALIZADA POR MEIO DE “DICAS” OU “COLA” QUE DIGA ONDE DEVEMOS PROCURAR
HIDDEN & DEEP KNOWLEDGEHIDDEN & DEEP KNOWLEDGE
DEEP KNOWLEDGE:
(Adriaans, 1998)
© Martius V. Rodriguez y Rodriguez, DSc 03 - 32
FALTA DE INTEGRAÇÃO DOS DADOS
Diversas formas de armazenagem e inconsistência
entre elas
DATA MININGDIFICULDADES DE IMPLEMENTAR
DATA MININGDIFICULDADES DE IMPLEMENTAR
FALTA DE ATUALIZAÇÃO DOS DADOS
Dados perdidos ou incorretos
DISPUTA ENTRE DEPARTAMENTOS
Não cessão dos dados
FALTA DE UMA VISÃO DE LONGO PRAZO
O que queremos obter dos dados no futuro?
FRACA COOPERAÇÃO ENTRE AS ÁREAS DE TECNOLOGIA DE
INFORMAÇÃORestrições no acesso aos dados
PRIVACIDADE DOS DADOSPor questões legais alguns
dados não podem ser utilizados
CONECTIVIDADE E INTEROPERABILIDADE
DIFICULTADADificuldades de acesso as
redes internas
SIGNIFICADO DIFERENTESAdministração de dados falha
TEMPO DE ATUALIZAÇÃOOs dados são atualizados em
um tempo muito longo
© Martius V. Rodriguez y Rodriguez, DSc 03 - 33
DATA MININGÉ INTERDISCIPLINAR E UTILIZA AS DIVERSAS TECNOLOGIAS
DATA MININGÉ INTERDISCIPLINAR E UTILIZA AS DIVERSAS TECNOLOGIAS
Banco de
Dados
Redes
Neuronais
Sistemas
Especialistas
Estatística
KDDConhecimento
Tácito
ConhecimentoExplícito
Extração de novas regras
Explicito - Tácito
Tácito - Explicito
AÇÃOAÇÃO
Visualizadores
© Martius V. Rodriguez y Rodriguez, DSc 03 - 34
CARACTERÍSTICAS Aprendizagempor aproximação
(K-nearestneighbor)
Árvores dedecisão(Decisiontrees)
Regras deAssociação(Association
Rules)
RedesNeuronais(Neural
Networks)
Algorítmosgenéticos
(Algorítmosgenéticos)
QUALIDADE-DADOS DE ENTRADAHabilidade de manipular umagrande quantidade de registros
MÉDIA BOA BOA MÉDIA MÉDIA
Habilidade de manipular umagrande quantidade de atributos
MÉDIA BOA MÉDIA RUIM RUIM
Habilidade de manipular atributosnuméricos
BOA BOA RUIM BOA RUIM
Habilidade de manipular caracteres RUIM RUIM RUIM MÉDIA MÉDIA
QUALIDADE-DADOS DE SAÍDAHabilidade para aprender regrastransparentes
RUIM BOA BOA RUIM BOA
Habilidade para aprenderincrementalmente
RUIM RUIM BOA MÉDIA MÉDIA
Habilidade para estimar asignificância estatística dos dados
BOA BOA BOA RUIM RUIM
DESEMPENHO DE APRENDIZAGEMCarga de armazenagem dos dados BOA MÉDIA MÉDIA MÉDIA MÉDIACarga de CPU BOA MÉDIA MÉDIA RUIM RUIM
DESEMPENHO DA APLICAÇÃOCarga de armazenagem dos dados RUIM BOA BOA BOA BOACarga de CPU MÉDIA BOA BOA MÉDIA MÉDIA
TÉCNICAS DE KDD RECOMENDADASTÉCNICAS DE KDD RECOMENDADAS
(Adriaans, 1998)
© Martius V. Rodriguez y Rodriguez, DSc 03 - 35
Geradas + 50 árvores de
decisãodas quais 20
utilizadas
© Martius V. Rodriguez y Rodriguez, DSc 03 - 36
USO DE BASE DE DADOS: Facilidade na utilização de base de dados,
obtidas a partir da pesquisa de campo.
SIMPLICIDADE: A explicitação de regras de forma eficiente, o que
possibilitou a análise sob diversos pontos do objeto de análise.
CAPACIDADE DE INDUÇÃO: Além da simplicidade permitiu a indução
dos dados em função do grau de interesse desejado.
PRECISÃO: Obtenção dos dados dentro do grau de precisão necessário
para extração do conhecimento dos dados.
VERIFICAÇÃO DAS REGRAS OBTIDAS: Possibilidade de verificação
das regras. Utilizando 80% dos dados para obtenção e outros 20% para
validação.
MOTIVAÇÃO PARA USO DE ÁRVORES DE DECISÃO
MOTIVAÇÃO PARA USO DE ÁRVORES DE DECISÃO
© Martius V. Rodriguez y Rodriguez, DSc 03 - 37
o FACILIDADE DE ACESSO AOS DADOS
o INTERFACE AMIGÁVEL
o FACILIDADE DE INDUÇÃO
o PRECISÃO
o MASSA DE TESTES
o EXPLICITAÇÃO DAS REGRAS
MOTIVAÇÃO PARA USO DOXpertRule Miner
MOTIVAÇÃO PARA USO DOXpertRule Miner
© Martius V. Rodriguez y Rodriguez, DSc 03 - 40
Leaf #5 : (Custo_overhead_realizado >= 242124,4894948)
and (Hh_realizado_nm < 6494)
EXEMPLO DE REGRAEXEMPLO DE REGRA
REGRA 1.8#Se o Custo de Overhead Realizado for >= US$
242.124,48 eHH de nível médio realizado for < 6494 ePrioridade for alta.80,3% dos projetos são Concluídos e Implantados
ou em implantação19,7% dos projetos concluídos e não implantados ou
cancelados(do total de 25,5% dos 514 projetos analisados).
© Martius V. Rodriguez y Rodriguez, DSc 03 - 41
INTERESSABILIDADECOMPLETEZAPRECISÃOCOMPREENSIBILIDADE
CRITÉRIOS PARA OBTENÇÃO DAS REGRAS
CRITÉRIOS PARA OBTENÇÃO DAS REGRAS
(Nagai, 2000)
© Martius V. Rodriguez y Rodriguez, DSc 03 - 42
Interessabilidade: possuem uma lógica utilizável no entendimento do conhecimento relacionado àpriorização de projetos de tecnologia
Modelos de regras: interessam somente as regras que "casam" com os objetivos definidos inicialmente.
Cobertura de regras mínimas: Interessam o conjunto de regras que possam representar o objeto de estudo para o conjunto de dados analisado.
Acionabilidade de regras: as regras devem trazer vantagens quando utilizadas.
Inesperabilidade de regras: as regras interessam se possuem um fator de inesperabilidade.
CRITÉRIOS PARA OBTENÇÃO DAS REGRAS
CRITÉRIOS PARA OBTENÇÃO DAS REGRAS
(Nagai, 2000)
© Martius V. Rodriguez y Rodriguez, DSc 03 - 43
Completeza = # de exemplos cobertos / # total de exemplos.
Cobertura entre regras: as regras devem se complementar.
Precisão: possuem a precisão necessária para a imediata utilização das regras obtidas. Correspondem a diferença entre os valores reais e valores preditos pela regra.
Compreensibilidade: possuem um grau de complexidade inteligível ao ser humano. Sendo entendido que a complexidade de uma regra é medida pelo número de cláusulas que a mesma possuí associada ao total de regras, ou seja:
Complexidade = 0,6 * # de regras + 0,4* # de clausulas
CRITÉRIOS PARA OBTENÇÃO DAS REGRAS
CRITÉRIOS PARA OBTENÇÃO DAS REGRAS
(Nagai, 2000)
© Martius V. Rodriguez y Rodriguez, DSc 03 - 44
Camadas : entrada escondida saída
CARACTERÍSTICAS DOS CLIENTES
TÉCNICAS PARA SUPORTAR O PROCESSO ANALÍTICO
UTILIZAÇÃO DE REDES NEURONAIS
TÉCNICAS PARA SUPORTAR O PROCESSO ANALÍTICO
UTILIZAÇÃO DE REDES NEURONAIS
PRODUTOS/ SERVIÇOS
UTILIZADOS
NOVOCLIENTE
PROVÁVELSITUAÇÃO
FINAL
© Martius V. Rodriguez y Rodriguez, DSc 03 - 45
Automação de
Marketing
Gerência de
Supply Chain Sistemas
LegadosGerência de
Pedidos Produto
Atendimento
em Campo
Voz
URA, ACD
Conferência
Conferência
via Web
Fax
Cartas
Interação
Direta
Aplicações
Verticais
Automação
de Marketing
CRM Operacional CRM Analítico
CRM Colaborativo
ERP/ERM
Automação
de Atendim .
Automação
vendas
Sistema Móvel
de Vendas
Pro
cess
am
ento
em
“Loop Fech
ado”
Gerência deEstoques
Inte
raçã
o
Mobile
Fro
nt
Back
com
o c
liente
Off
ice
Off
ice
Off
ice
Clientes ProdutosAtividade
de Clientes
Data Warehouse
Gerência de
Campanhas
Gerência de
Categorias
de
Fonte: Apllication Delivery Strategies , META Group
CRMCRM