Gamification e Big Data

589 views

Published on

Palestra para a turma de formandos da faculdade Anhanguera de Sorocaba sobre Big Data e Gamificação.

Nela falamos de alguns exemplos de como táticas de Gamificação podem ser usadas para aumentar a quantidade e a qualidade de informações captadas sobre os usuários e como isso ajuda em análises de Big Data.

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
589
On SlideShare
0
From Embeds
0
Number of Embeds
12
Actions
Shares
0
Downloads
13
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Gamification e Big Data

  1. 1. Gamification e Big Data Apoio:
  2. 2. age of data • • • • • Pesquisa Cientifica (LHC, Genética, Meteorologia) Mercado Financeiro Cultura (Literatura,Jornais, Netflix) Processos industriais … e a internet! ! Alguns números: LHC: 70 TB/dia de dados NYSE: 1 TB/dia de trading data Facebook: 1.5 bilhão de likes em marcas por mês Apontador: 50 milhões de pageviews por mês Maplink: 1.8 bilhões de coordenadas processadas por mês :

  3. 3. hum? • O usuário realiza ações em um site. • Ações podem indicar preferências • Entender ações dos usuários aumenta o grau de informação sobre ele. • Customização e experiência do usuário.
  4. 4. Smartphones + = GAMIFICATION Social Media + Big Data
  5. 5. GAME ≠ GAMIFICATION GAME
  6. 6. Games Gamification
  7. 7. Gamification • 70% Global 2000 em 2015! • Crescimento de 11x em 2013! ! ! • Engajamento! • Marketing Games
  8. 8. competitividade premios diversão achievements status desafio
  9. 9. então quais as vantagens? • novas/melhores informações sobre os usuários • maior tempo de uso •
  10. 10. porque nunca foi feito? • preço do cpu • preço do GB • custo inicial
  11. 11. o que mudou? Processamento: • Baixa do preço do Teraflop • Criação do MapReduce Armazenamento: • Baixa do preço do MB • Invenção do NoSQL
  12. 12. BIG Data • Volume de dados gigante • Dados indicam informações sobre os usuários • Faz tempo que existe uma avalanche de dados, que eram em geral sumarizados. • Hoje existem ferramentas que permitem armazenar e processar esses dados em sua forma bruta.
  13. 13. como trabalhamos até hoje • Dados são armazenados de maneira estruturada • Uma pequena parcela dos dados são armazenados !
  14. 14. Fonte: Maplink -
  15. 15. Worker Dados Principal Worker Saída Worker 11 de 21
  16. 16. Exemplo Map Reduce “Estou na Campus Party” “O campus da USP é no Butanta” “Campus Party esse mês” Estou na Campus Party 1 1 1 1 Estou 1 na 1 Campus 1,2,3 Campus Party esse mês Party esse Mes O campus da USP é no Butanta 2 2 2 2 1,2 2 2 o da USP e 3 3 3 3 3 3 3 3 3 3 3 no 3 butanta 3 10 de 21
  17. 17. Vantagens do Map Reduce • Facilmente escalável (embarrassingly parallel) a milhares de TB. • Baixo custo de escalabilidade: clusters com milhares de nós, commodity servers • Facil correção de problemas on the fly. 12 de 21
  18. 18. Desvantagens do Map Reduce • Programação de baixo nível de abstração. • Nem todo algorítmo pode ser escrito como uma única tarefa de MapReduce. • Representação de algorítimos matemáticos complexos depende de diversas tarefas de Map e Reduce. 13 de 21
  19. 19. furacão francis • Furacão Francis Classificar quais itens serão mais vendidos e determinar a quantidade que devo estocar • O que eu quero saber? Compras relizadas em ultimos furacões Época do ano e o que foi vendido Quanto eles gastam? Dos meus clientes, quais ficarão? (classificação) ! ! !
  20. 20. precificação do cartão de crédito • Operadora de cartão Minimizar probabilidade de default dos clientes Ou ainda: quanto risco quero correr com a carteira de clientes • O que posso usar? Histórico de pagamentos O que usuários parecidos com esse fizeram (clustering) ! !
  21. 21. estimativa de trânsito • Medidas de trânsito Veiculos enviam informação a cada instante. • O que eu quer saber? Estado da via (classificação) Tipo de veículos (clustering) Como eles dirigem? (clustering) Velocidade da via (regressão) ! ! 19 de 21
  22. 22. SOBRE O ROTEIRIZADOR o que recebemos <Route><Category>1</Category><DateTime>0001-01-01T00:00:00</ DateTime><Destination xmlns:a="http://schemas.datacontract.org/ 2004/07/SwissKnife.Spatial"><a:Lat>-8.150483</a:Lat><a:Lng>-35.420284</ a:Lng></Destination><Origin xmlns:a="http://schemas.datacontract.org/ 2004/07/SwissKnife.Spatial"><a:Lat>-8.149973</a:Lat><a:Lng>-35.41825</ a:Lng></Origin>
  23. 23. SOBRE O ROTEIRIZADOR o padrão da marginal pinheiros
  24. 24. sr david steps, dono da loja virtual velhogeek: “Que item devo recomendar ao meu usuário? Devo dar um desconto? Que valor de desconto eu posso dar?” • O que conheço do usuário? Compras efetuadas no passado Dados de Navegação (user agent, produtos visualizados no passado, ...) Descontos efetuados no passado Dados pessoais (idade, sexo, ...) Que produto o usuário está visualizando agora • O que quero saber? Que produto recomendar? Que desconto oferecer? !
  25. 25. Pid   descrição categoria preço 1 Notebook  Pear Informatica  R$3000.00   2 Notebook  HAL Informatica  R$2000.00   3 Celular  Pear  youPhone Telefonia  R$1800.00   4 Celular  Blue  Robot Telefonia  R$1600.00   5 Celular  youClone  com  8  chips Telefonia  R$800.00   6 Celular  EscritórioFone  for  Businessmen Telefonia  R$1000.00   7 Tênis  Mike Roupas  e  Acessórios  R$300.00   8 Tênis  Rei Roupas  e  Acessórios  R$150.00   9 Fone  de  Ouvido  youPhone  original Acessórios  de  Informática  R$90.00   10 Mouse  CheapJunk  Systems Acessórios  de  Informática  R$5.00   11 Mouse  MacroHard  sem  fio Acessórios  de  Informática  R$90.00   12 CD:  Boy  Band  do  Ano  "Live  Acustico" Música  R$25.00   13 CD:  Cool  Jazz  Collection   Música  R$25.00   14 Fraldas  Pimpolho  -­‐  200  unidades Bebê  R$50.00   15 Carrinho  de  Bebê   Bebê  R$150.00   16 Cerveja  -­‐  6  pack Alimentos  R$12.00  
  26. 26. live demo!
  27. 27. O MODELO statístico brigado! Teorema de Bayes: É possível estimar as probabilidades a partir dos dados de transações passadas se fizermos algumas hipóteses estatísticas. Caio C. Gomes Diretor Big Data e Inovação caio.gomes@apontador.com Exemplo - hipótese de naïve Bayes - features afetam independentemente a probabilidade da compra ser realizada. 21 de 21

×