verificaÇÃo de aceitabilidade do produto no ......2016/01/25 · clientes através da pesquisa de...

Vol.7,n.1,pp.05-11 (Out - Dez 2015) Journal of Exact Sciences - JES

JES (ISSN online: 2358-0348) Openly accessible at http://www.mastereditora.com.br/jes

VERIFICAÇÃO DE ACEITABILIDADE DO PRODUTONO MERCADO POR MEIO DE TÉCNICAS DESENTIMENT ANALISYS E OPINION MAINING

VERIFICATION OF PRODUCT ACCEPTABILITY OF THE MARKET BY TECHNICAL OFSENTIMENT ANALISYS AND OPINION MAINING

LUIZ HENRIQUE DIAS AFONSO1*, FILIPE ROSEIRO CÔGO2

1. Graduado em Engenharia de controle e automação. Especialista em gestão de projetos, pela Unicesumar, docente da Faculdade deEngenharia e Inovação Técnico Profissional – FEITEP; 2. Mestre em Ciência da Computação, docente da Universidade Federal doParaná.

* Rua Ciprestes, 145, Maringá, Paraná, Brasil, CEP 87023-640. [email protected]

Recebido em 05/09/2015. Aceito para publicação em 10/11/2015

RESUMOEste trabalho tem como objetivo utilizar as técnicas da áreade inteligência artificial e ciência da computação como Sen-timent analysis e Opinion mining para a mineração de opi-niões sobre marcas de cosméticos. Tais opiniões, em suagrande maioria, são postadas em blogs, fóruns e redes soci-ais na internet. O intuito é obter informações, analisá-las einterpretá-las, para que de maneira efetiva possam ser uti-lizadas a fim de melhorar a seleção do produto a ser dispo-nibilizado em prateleiras ao consumidor, servir como apoioem futuras pesquisas e desenvolvimentos de novos produtos,de acordo com as opiniões manifestadas. Para validação deresultados foi utilizado o software desenvolvido na univer-sidade de Waikato, Nova Zelândia, chamado Weka(Waikato Environment for Knowledge Analysis) com oobjetivo de agregar algoritmos provenientes de diferentesabordagens/paradigmas na subárea da inteligência artifici-al dedicada ao estudo da aprendizagem por parte de má-quinas fazendo o processamento, análise, interpretação econtagem das palavras que mais foram encontradas emtextos, resenhas e comentários em páginas, blogs e redessociais da web. Desse modo, procurou-se identificar e ana-lisar conceitos sobre marcas de cosméticos e seus produtosmais procurados no mercado pelo consumidor. Neste caso opúblico-alvo é o público feminino e o produto mais especi-ficamente é o esmalte de unha.

PALAVRAS-CHAVE: Análise de sentimentos, Mineraçãode opinião.

ABSTRACTThis paper aims to use the techniques in the area of artificialintelligence and computer science as Sentiment analysis anddata mining Opinion for mining of views on cosmetic brands.

Such opinions, for the most part, are posted on blogs, forumsand social networking sites. The aim is to obtain information,analyze them and interpret them so effectively can be used toimprove the selection of the product being made available onshelves to consumers, serve as support for future research anddevelopment of new products, according to the views ex-pressed. For results validation we used the software developedat the University of Waikato, New Zealand, called Weka (Wai-kato Environment for Knowledge Analysis) in order to addalgorithms from different approaches / paradigms in the sub-field of artificial intelligence dedicated to the part by learningstudy machines doing the processing, analysis, interpretationand count the words that were most commonly found in texts,reviews and comments on pages, blogs and social networks ofthe web. Thus, we tried to identify and analyze concepts ofcosmetic brands and their most sought after products in theconsumer market. In this case the target audience is the femaleaudience and the product specifically is the nail polish.

KEYWORDS: Sentiment analysis, opinion mining.

1. INTRODUÇÃOA competitividade entre empresas no ramo de

cosméticos vem aumentando a cada dia, assim como onível de exigência dos seus clientes. Empresas desseramo, principalmente as de grande porte, têm investidofortemente em pesquisas para obterem melhorias edesenvolverem “o produto perfeito”, para assimconquistar o seu principal consumidor, o públicofeminino. A cada semana são lançados uma quantidadegrande de novos produtos e para se obter uma vantagemcompetitiva e atrair mais consumidores é necessária umaseleção de quais produtos serão representados ouvendidos por comerciantes, de acordo com as opiniões e

Afonso & Côgo / Journal of Exact Sciences V.7,n.1.pp.05-11 (Out - Dez 2015)


gosto de seus consumidores.

Atualmente empresas buscam opinião de seusclientes através da pesquisa de campo, ou seja, coleta dedados referente aos mesmos e à análise e interpretaçãodos dados obtidos. O problema da pesquisa e que talprocedimento exige tempo e um custo elevado.

Os objetivos gerais desta pesquisa é agilizar acapitação das informações e reduzir tempo e custo dessacapitação. Os objetivos específicos são utilizar técnicasde inteligência artificial como Sentiment analysis eOpinion maining para fazer uma varredura online, filtrare capitar palavras chaves para obter opiniões do públicosobre produtos cosméticos, no caso desta pesquisa oesmalte.

Sentiment analysis ou análise de sentimento, a qualse refere ao processamento de linguagem natural,linguística computacional e análise de texto paraidentificar e extrair informações subjetivas em matériasprimas 1.

Harrison (1998 apud Santos, 2008) 2 define DataMining como um processo de exploração e análise deuma grande massa de dados fazendo uso de meiosautomáticos ou semi automáticos, objetivando adescoberta de padrões e regras significativas.

Com o aumento da popularidade da web e facilidadede acesso, se tornou mais comum usuários expressaremsuas opiniões ou postar comentários sobre pessoas, or-ganizações ou produtos em blogs, sites, redes sociais,entre outros, por exemplo, quando uma pessoa pretendecomprar um laptop ou celular de uma determinada marca,ela visita páginas da web em busca de informações eopiniões daqueles que já compraram o produto a fim derealizarem uma avaliação e então decidir se irá compraro produto ou não.

Desta forma, com o crescimento de informações naweb, se torna cada vez mais necessário o uso de ferra-mentas eficientes e eficazes para mineração de conheci-mentos úteis da web.

O presente artigo propõe uma análise de opiniãobaseada na frequência de palavras, ou seja, a análise dovalor morfológico das palavras, dentre elas a detecção deadjetivos, que geralmente são palavras que por si sóapresentam um caráter positivo ou negativo 3 paraselecionar produtos que agradam mais o consumidor eassim representar e vender produtos cosméticos quemais agradão as pessoas que fazem uso do mesmo. Umasolução aparentemente simples, porém, muito eficientecomparado ao trabalho de ler grandes documentos dis-persos na web.

Existem várias ferramentas para se utilizar na buscade informações, neste trabalho optou-se pela utilização dogoogle por ser uma ferramenta popular e conceituado porpesquisadores. O Passo seguinte foi utilizar o software

Weka para mineração de opiniões e exposição dos resul-tados.

SENTIMENT ANALYSIS

Sentiment analysis é um problema de categorizaçãode texto no qual se deseja detectar opiniões favoráveis edesfavoráveis com relação a um determinado tópico 4.

Segundo Oguri (2006) 4, nos últimos anos o inte-resse da comunidade por Sentiment analysis, onde osdocumentos são classificados pelo sentimento, conota-ção e opinião, vem crescendo. A tarefa básica na análisede sentimento é classificar a polaridade de um texto sea opinião expressa é positiva, negativa, ou neutra, alémda classificação do sentimento com, por exemplo, raiva,triste e feliz.

Uma aplicação de Sentiment analysis é na parte ini-cial do ciclo de vida de um produto, onde se deseja mo-nitorar qual a vontade e a necessidade do consumidor, oque vem sendo publicado na web a respeito do lança-mento de um determinado produto, quais as opiniõespositivas e negativas do público sobre este produto ouaté mesmo como a imagem da empresa vem evoluindoao longo dos tempos 5.

Tradicionalmente, os setores de marketing realizampesquisa de mercado com este propósito. Embora pes-quisa de mercado seja uma área bastante madura equando bem elaboradas gerem boas estimativas, tendema ser muito custosas principalmente quando se trata degrandes volumes de dados. Com a explosão de informa-ções disponíveis na Web num ambiente onde todos ten-dem a ser geradores de conteúdo e expressarem opiniõessobre os mais variados assuntos, aplicações que conso-lidam opiniões e geram estatísticas relevantes passam ater um valor significativo 4.

B. Pang. et al. 2002 (apud OGURI, 2006) 4 Uma dasprincipais abordagens aplicadas a análise de sentimentoconsiste em modelar documentos com palavras selecio-nadas e aplicar métodos estatísticos que utilizam a fre-quência das palavras para treinar classificadores.

OPINION MINING

Dado um conjunto de documentos de textos avalia-tivos que contem opiniões, sobre um objeto, a mineraçãode opinião tem como objetivo extrair atributos e com-ponentes do objeto que foi comentado em cada docu-mento para determinar se se os comentários são positi-vos negativos ou neutros. Informações textuais no mun-do podem ser classificadas em duas categorias principais,fatos e opiniões. Os fatos são informações objetivas so-bre as entidades e eventos em todo o mundo. Opiniõessão informações subjetivas que refletem o sentimentodas pessoas ou percepções sobre as entidades e eventos6.



As técnicas de mineração de dados da Web surgi-ram das técnicas de data mining. A mineração de dadosteve início nos anos 80 quando os profissionais da áreacomeçaram a se preocupar com o crescente armazena-mento dos dados inutilizados nos computadores das em-presas. Mineração de dados é um conceito que se asse-melha ao termo inglês KDD (Knowledge discovery inDatabase), ou seja, descoberta de conhecimento nosbancos de dados 7.

A acirrada competitividade entre as empresas, fazcom que passem a direcionar seus produtos e serviços apúblicos específicos. A descoberta dos perfis destesclientes e suas preferencias pode ser obtida através doprocesso de mineração 2. As principais tarefas demineração são:

Classificação: É a tarefa de mineração mais usadapor se parecer muito com a compreenção que o serhumano tem do ambiente no qual esta inserido 2.

Esta tarefa consiste em categorizar objetos de acordocom suas caracteristicas e agrupá-los em conjunto declasses prédefinidas, por este motivo pode serconsiderada como preditiva. Ela faz uso de resultadosdiscrétos e sua principal técnica é a árvore declassificação 8.

Estimativa / previsão: Com base nos valores devariáveis conhecidas, a estimativa tem a função deestipular valores de variáveis desconhecidas. Faz uso devalores contínuos e também é considerada uma tarefapreditiva já que existem informações definidasanteriormente que servirão de base para aplicação datarefa. Por exemplo pode estimar as chances de choveravaliando um conjunto de diagnósticos comotemperatura, umidade, se está ventando e condições dotempo como nublabo, ensolarado ou chuvoso 9.

Associação / Descrição: O processo de mineraçãopode também, ter a função de descrever a maneira comodeterminados dados foram produzidos a fim de aumentaro conhecimento das pessoas. Uma boa descrição gerauma boa explicação 9.

Segmentação: Esta tarefa consiste em agruparelementos de uma população heterogênea em pequenosgrupos mais homogêneos. Em contradição a tarefa declassificação, na segmentação não se faz necessário aexistencia de classes prédefinidas. Nada precisa ser ditoao sistema, o próprio algoritimo descobre os objetossemelhantes e faz o agrupamento, sem ter a necessidadeda interação do usuário. Como exemplo, pode-se citar acarteira de clientes de uma grande loja, onde analisandocada cliente, é possivel agrupa-los de acordo com seushábitos de consumo e usar esta informação em umaoutra tarefa de mineração 9.

2. MATERIAL E MÉTODOSNeste artigo foi utilizado a pesquisa de campo, que

procede a observação de fatos e fenômenos da mesmamaneira com que ocorrem na realidade, a coleta de dadose análise e interpretação desses dados 10.

Existe também a determinação da coleta de dadosmais apropriadas a natureza do tema 10. Foram usadossites especializados em cosméticos, blogs especializadose redes sociais.

O presente artigo tem por objetivo demonstrar apli-cações das técnicas de Sentiment analysis e Opinion mi-ning com o objetivo de agilizar a pesquisa de mercado eselecionar os principais produtos de cosméticos a seremvendidos ou representados, para exemplificar foram es-colhidos esmaltes de unha. Assim o trabalho concentrasseem 3 etapas; a busca de informações, mineração dosdados e validação dos resultados obtidos através da buscade informações e da mineração das opiniões.

Com o auxílio desta ferramenta foram lidas 125 re-senhas sobre esmaltes em vários blogs da internet. Estenúmero de resenhas lidas foi baseado na norma NBR5426, planos de amostragem e procedimentos na inspeçãopor atributos.

Optou-se pela escolha do ramo de cosméticos, maisespecificamente por esmaltes, pois a ramo de cosméticovem crescendo muito nos últimos anos e a cada semananovos produtos são lançados no mercado, tais produtossão avaliados por blogueiras e depois são atribuídas notasde 1 a 5 estrelas. Como a gama de produtos é muitogrande, representantes e empresário que trabalham nesteramo tem tido muitas dificuldades em selecionar produtospara venderem que agradem seus clientes.

Figura 1. Arquivo no formato ARFF. Fonte: Dados do autor, 2015.



Figura 2. Arquivo no formato ARFF. Fonte: Dados do autor, 2015.

Tendo as opiniões organizadas, o passo seguinte éextrair das resenhas lidas elementos textuais, ou seja,palavras–chave que podem ser palavras ou pequenasexpressões consideradas importantes para caracterizar oproduto em estudo. Palavras-chave são termos que ex-pressam sentimentos positivos ou negativos capazes dequalificar em produto ou objeto em análise 11.

Estes termos são definidos pelas avaliadoras do pro-duto, no caso as blogueiras, como são conhecidas.

Após a seleção das palavras-chave o próximo passoé preparar os dados para o processamento, ou seja, gerarum arquivo na extensão do software utilizado para mi-neração de opiniões. Neste caso optou-se pelo Weka.

O Weka é um software que possui diversas imple-mentações de algoritmos de aprendizagem de máquinasde diferentes paradigmas, além de algoritmos para pre-paração de dados e validação dos resultados. O ambientefoi desenvolvido na Universidade de Waikato na novaZelândia, sendo todo escrito em Java e de código abertodisponível para uso, consulta e adequações por parte deseus usuários 12.

O Weka possui umformato de arquivo deentrada próprio “ARFF”(atribute relato file for-ma), basicamente divididoem duas partes: a primeiraé composta por um cabe-çalho que contém umalista de todos os atributose seus tipos e a segundaparte consiste das instân-cias que serão utilizadas.Para transformar os dadosextraídos das resenhaspara este tipo de arquivoos passos a seguir devemser executados 2:1. Abrir um arquivocomo texto simples esalvar com extensãoARFF;2. Rotular o conteúdodo arquivo para que aferramenta saiba o quesignifica cada campo:

@relation – Usadopara rotular o conjunto dedados

@attribute – usadopara rotular atributos

@data usado paraidentificar os dados.

A ferramenta Weka éformada por um conjunto de pacotes: atribute selection,classifiers, clustering, association rules e estimators.Cada pacote é formado por vários algoritmos que pos-suem funções específicas de acordo com as tarefas demineração de dados citadas no capitulo 2.2 deste trabalho9.

Segundo (GUEDES, 2010 11 e (SANTOS, 2008)9 quefizeram uma aplicação semelhante de mineração, nestetrabalho foi utilizado o algoritmo de classificação J48,pois para este tipo de estudo e o algoritmo mais indicado.

Tendo com dificuldade de representantes e empresá-rios do ramo de cosméticos, selecionar produtos quepossam atrair mais consumidores para seus negócios,foram retirados atributos que apareceram com mais fre-quência nas resenhas lidas em blogs de beleza e cosmé-ticos sobre esmaltes, produto escolhido para exemplificaro uso da mineração por ser um dos produtos de cosmé-ticos mais vendidos, e as palavras que mais apareceramforam as seguintes em ordem de mais importantes:

Marca: Segundo observado nas resenhas e dito ementrevista feita com proprietárias de blogs e representantede produtos de beleza, é o primeiro item a ser observado



pelo consumidor, dividida em conhecida, pouco conhe-cida, e não conhecida.

Beleza: referente à cor do esmalte dividida em lindo,bonito e horrível.

Cobertura: referente à transparência da cor do esmaltedivida em cobre perfeitamente e não cobre bem.

Duração: indica o tempo que o produto dura na unhadas clientes como ótima duração e dura pouco.

Secagem: referente ao tempo que o produto demora asecar este atributo foi divido em rápida, moderada e lenta.

Preço: referente ao custo do produto, elevado, barato.Retirada: este atributo indica qual a facilidade de se

retirar o produto da unha, dividido em ruim e fácil.Estrelas: este atributo e referente à nota dada ao pro-

duto pelas avaliadoras, sendo em uma escala de 1, comoruim, a 5, como ótimo.

O próximo passo foi criar um arquivo na extensãoARFF, formato de arquivo reconhecido pelo softwareWeka.

A partir deste formato o arquivo ficou pronto para serimportado pelo software Weka.

APLICAÇÃO DO ALGORITIMO J48

O J48 constrói uma árvore de decisão. A forma deconstrução é uma abordagem Top-down, em que o atri-buto mais significativo, ou seja, o mais generalizado,quando comparado a outros atributos do conjunto, éconsiderado raiz da árvore. Na sequência da construção, opróximo nó da árvore será o segundo atributo mais sig-nificativo, e assim, sucessivamente até gerar o nó folha,que representa o atributo alvo da instancia 13.

Neste trabalho as principais métricas analisadasforam precision, recall e f-measure e o pacote utilizadoserá classifiers, pois sãoas principais métricaspara a valiar osresultados neste tipo deaplicação 14.

Para um melhorentendimento, énecessário explicaralguns conceitos.Suponha a existencia deduas classes, a classe +(positivo) e a classe –(negativo). A forma declassificar objetos dentreessas duas classes sãoquatro : Verdadeiro positivo

( VP ): Número deobjetos que foram classificados como sendo da classe + eque realmente pertencem à classe +;

Falso negativo ( FN ): Número de objetos que foramclassificados como sendo da classe – e que pertencem àclasse +; Falso positivo ( FP ): Número de objetos que foram

classificados como sendo da classe + e que pertencem aclasse - ; Verdadeiro negativo ( VN ): Número de objetos que

foram classificados como sendo da classe - e querealmente pertencem à classe -.

A métrica precision representa a relação de objetospositivos que foram identificados como positivo:

A métrica recall representa a quantiade de objetospositivos que foram identificados corretamente:

As métricas precision e recall podem ser resumidapela medida F-Measure, que pode ser calculada daseguinte forma:

3. RESULTADOS E DISCUSSÃOGerando um arquivo na extenção ARFF através do

weka, contendo somente os registros equivalentes aoclassfy, obtiva-se os seguintes resultados:

Figura 3. Arquivo ARFF obtido pelo software Weka no campo pre-process. Fonte: Dados do autor.



Figura 4. Relatório gerado pelo processamento do algoritmo J48.Fonte: Dados do autor, 2015.

Observe, na classificação que, por exemplo, para aclasse 5 estrelas a precisão foi de 85,70%, com recall de92,30% e F-Measure de 88,90%.

A matriz de confusão contém informações importan-tes para o entendimento do resultado dado pelo algoritmoJ48, como a quantidade de instâncias classificadas cor-retamente, a quantidade de instâncias classificadas erro-neamente e a quantidade de instancias que o algoritmoacredita ser de um tipo, como por exemplo, 3 estrelas e naverdade foram classificados como 4 estrelas.

Figura 5. Matriz de confusão. Fonte: Dados do autor

É possível observar na primeira linha, por exemplo,que 4 instâncias foram classificadas corretamente como 1estrela e uma instância foi classificada de maneira in-correta como 2 estrelas, e assim sucessivamente nas ou-tras linhas da matriz de confusão.

Para saber como chegar ao resultado de instânciasclassificadas corretamente e erroneamente basta analisara imagem abaixo, no qual a somatória dos valores mar-cados em azul fazem parte dos valores classificados cor-retamente e os outros valores marcados em vermelhos nasoutras diagonais, representam que foram classificados deforma incorreta.

Figura 6. Valores classificados corretamente e erroneamente na matrizde confusão. Fonte: Dados do autor, 2015.

Observando a figura acima obteve-se os seguintes resul-

tados: Instâncias classificadas

corretamente: 77 Instâncias classificadas

erroneamente: 29.

Figura 7. Resultados. Fonte: Dados do autor, 2015.

A figura acima apresenta os casos classificadoscorretamente e incorretamente assim como as suasrespectivas porcentagens. Kappa statistic é uma me-dida corrigida de acordo entre as classificações e asclasses verdadeiras.

Observa se, por exemplo, que no atributo “retirada”quando igual a “ruim” a arvore gera o seguinte resul-tado: (3.0 / 1.0) que pode ser interpretado como: (3.0)que são as instâncias classificadas corretamente e (1.0)as instâncias classificadas de maneira incorreta.

Na figura 8 pode-se observar a árvore de decisãocriada pelo algoritmo:

4. CONCLUSÃOPor meio da aplicação das técnicas de Sentiment

analysis e Opinion mining, foi possível a resolução doproblema proposto para coleta e mineração de dados paraseleção de produtos a serem vendidos ou representados.Os resultados foram satisfatórios, apesar das limitações emelhorias a serem feitas. Dentre elas destaca-se a neces-sidade da implementação de um programa para coletar asinformações automaticamente de acordo com a necessi-dade do usuário, contribuindo para facilitar e agilizarpesquisas e o processo de analise de sentimentos.

Já na aplicação prática de mineração de dados os re-sultados também foram satisfatórios, já que o mesmoreduz custo de pesquisas de campo e traz informações demaneira que podem ser melhores visualizadas e inter-pretadas pelo usuário e assim analisar a melhor maneirade se tomar uma decisão na escolha de produtos a seremcolocados nas prateleiras agrando e atraindo mais con-sumidores para o negócio.

Portando, a aplicação das técnicas de Sentimentanalysis e Opinion mining, foi de grande aprendizadopara o aluno que até então tinha tais técnicas apenas como



conceito, podendo utilizar tais técnicas na aplicação deconceitos de marketing futuramente.

.Figura 8. Árvore de decisão. Fonte: Dados do autor, 2015.

REFERÊNCIAS

[01] Haaff M. Sentiment analysis hard but worth it, 2009.Disponível em:<http://www.customerthink.com/blog/sentiment_analysis_hard_but_worth_it>. Acesso em: 15 de junho de 2015.

[02] Frank E, Witten I. Data Mining Pratical MachineLearning Tools and Techniques. 2. ed. San Francisco:Elsevier. 2005.

[03] Ferreira, EBA. Análise de sentimento em redes sociaisutilizando infuência das palavras, 2010. Disponível em:<http://www.cin.ufpe.br/~tg/2010-2/ebaf.pdf>. Acessoem 24 de Julho de 2015

[04] Oguri P. Aprendizado de Máquina para o Problema deSentiment Classification. 2006. 54 f. Dissertação(Mestrado em informática) – Departamento deInformática, Pontifícia Universidade Católica do Rio deJaneiro, Rio de Janeiro.

[05] Lima W. Sentiment Analisys: a nova corrida do ouro dainformação digital, 2012. Disponivel em:<http://cio.com.br/opiniao/2012/04/05/sentiment-analysis-a-nova-corrida-do-ouro-da-informacao-digital/> Acessoem 09 de junho de 2015.

[06] Liu B. Web data mining: Exploring hiperlinks, Contents,and Use Data. 2. ed. Chicago: Springer, 2011.

[07] Amo S. Universidade Federal do Paraná. Disponível em:<http://inf.cp.utfpr.edu.br/ligia/papers/jai-cap5.pdf>.Acesso em 24 de Abril de 2015.

[08] Carvalho LA. Data mining - a mineraçãode dados nomarketing, medicina, economia, engenharia eAdministração. 1. ed. São Paulo: Érica. 2005.

[09] Santos DP. Mineração em notas fiscais de entrada deuma empresa calçadista. 2008. 83 f. Dissertação(Graduação em Ciência da Computação) – Instituto deciências exatas e tecnológicas, Centro UniversitárioFeevale.

[10] Fuzzi LP. Oque é a pesquisa de campo, 2010. Disponivelem:<http://profludfuzzimetodologia.blogspot.com.br/2010/03/o-que-e-pesquisa-de-campo.html>. Acesso em: 01 dejunho de 2015.

[11] Guedes R, Derkian A, Magalhães LH. Mineração deopiniões de usuário na busca de conhecimento.Faculdades integradas Vianna Junior. Juiz de Fora. 2010;1(edição especial):84-99.

[12] Souza VMA, Feltrim VD. Análise automática decoerência semântica em resumos acadêmicos escritos emportuguês, 2011. Disponivel em:<http://www.lbd.dcc.ufmg.br/colecoes/stil/2011/009.pdf> Acesso em 01 de Junho de 2015.

[13] Tavares C, Bozza D, Kono F. Descoberta doconhecimento aplicada a dados eleitorais. Gestão econhecimento. São Carlos. 2007; 5(1):54-94.

[14] Jabour I. Análise estrutural para classificação de páginasna Web, 2008. Disponivel em:<http://www.puc-rio.br/pibic/relatorio_resumo2008/relatorios/ctc/inf/inf_iamj.pdf>. Acesso em 09 de junho de2015.

verificaÇÃo de aceitabilidade do produto no ......2016/01/25 · clientes através da pesquisa de...

Documents