Business Inteligência e Análises

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
Business
Inteligence
Data
Mining
DataWarewouse
Marketing
Data Mart
Finanças
Data Mart
Logística
Data Mart
Nível
Operacional
• OLTP
• ERP
• Sistemas Legados
• Dados Externos
Nível
Warehouse
• Coleta
• Limpeza
• Organização
• Distribuição
Nível
Analítico
• Análise
• Consulta
• Relatório
Nível
Usuário
Diagnóstico
Idéias
Lucratividade

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
prospects
Gerar conhecimento sobre a
carteira de clientes
Aumentar a lucratividade de uma
cadeia de valor
Cliente Certo
Oferta Certa
Canais Certos
Hora Certa
O relacionamento 1:1
A 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
conhecimento
.
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
RetornosobreoInvestimento-ROI
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
FontesdeDados(SistemasTransacionais)
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
Teixeira (2004)– Telemar

Base de Dados
Multidimensional
Base de Dados
Multirelacional
Data Marts
Data Warehouse
Sistema de
Gerenciamento de
Banco de Dados
Meta Dados
Dados
Data Warehouse: A Memória da Empresa
Dados
Externos e
Operacionais
Extração
Limpeza
Carregando
Plataforma de Gerenciamento
Plataforma de
Administração
Repositório
1
2
3
4
5
6
Relatório,
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.
Estratégia
Indica 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
Extração
de Padrões
Pós-
processamento
Identificação
do Problema
Utilização do
Conhecimento

Soluções Analíticas On-Line

Benefícios das Soluções Analíticas Avançadas
Estratégicos
Tático
Melhoria contínua na capacidade de tomada de decisão
Otimizações em Relacionamentos e Operações empresariais
Ferramentas 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 cruzadas
Participação de mercado, Efetividade de Campanhas,
Ciclo de Produtos e Serviços
Performance negocial, Relatórios consolidados,
Planejamento e Orçamento
Avaliação 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
SupervisionadasNão-Supervisionadas
Algumas Técnicas
de Mining
Mercado
Telecom 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)

Astarefas:oquefazer?
Tarefas e Técnicas
As técnicas: como fazer?

Análises com Machine Learning e Neural Network
Especificação
do Problema
nnmnnn
m
yxxxT
yxxxT
yxxxT
YXXX





21
22322212
11312111
21
Aprendizado
de Máquina
Classificador
Dados
Brutos
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)

Árvore de Classificação para Concessão de Crédito
1
2 3
4 5
6 7
Credito<=593,89
Fundos<=11694,
Credito<=546,84
385 115
369 16
9 7
Aprovado
Aprovado Reprovado
Aprovado Aprovado
Aprovado Reprovado
Reprovado
Aprovado
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

Web graph
Node size: Relative support of each item
Line thickness: Relative joint support of two items
Color darkness of line: Relative lift of two items
0,000 1,163
Pizza
Seafood
DOM_SEDN
DOM_SPRTGender==Male
Hamburger
EXT_SPRT
Other
Mexican
EXT_SEDN
Sandw iches
Chinese
Chicken

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.

JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN196
MAY19
SEP196
0
100
200
300
400
500
600
700
Variável Original
Rede Neural
Análise de Previsão de Reservas de Passagens Aéreas

Transações
Bancárias
Registros
de Compras
Perfil de Uso
da Internet
Informações
de Satélite
Rotas de
Transporte
Medidas
de Produção
Informações
Integradas
Códigos de
Barra
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 Churn
Telefonia 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
Clientesperdidospornovosclientes
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: r
receita 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

Vejamos 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

Tree 1 graph for TMM5
Num. of non-terminal nodes: 10, Num. of terminal nodes: 11
ID=1 N=36
Mu=67,027778
Var=4368,527006
ID=2 N=24
Mu=24,416667
Var=456,576389
ID=4 N=21
Mu=17,142857
Var=91,265306
ID=6 N=15
Mu=11,866667
Var=13,182222
ID=8 N=11
Mu=10,000000
Var=3,636364
ID=11 N=7
Mu=11,285714
Var=1,061224
ID=7 N=6
Mu=30,333333
Var=42,888889
ID=3 N=12
Mu=152,250000
Var=1298,187500
ID=17 N=8
Mu=173,625000
Var=510,234375
ID=18 N=7
Mu=166,571429
Var=185,102041
ID=10 N=4
Mu=7,750000
Var=0,187500
ID=12 N=3
Mu=12,333333
Var=0,222222
ID=13 N=4
Mu=10,500000
Var=0,250000
ID=9 N=4
Mu=17,000000
Var=3,500000
ID=14 N=5
Mu=27,800000
Var=12,960000
ID=15 N=1
Mu=43,000000
Var=0,000000
ID=5 N=3
Mu=75,333333
Var=50,888889
ID=16 N=4
Mu=109,500000
Var=132,750000
ID=20 N=2
Mu=147,500000
Var=2,250000
ID=21 N=5
Mu=174,200000
Var=54,560000
ID=19 N=1
Mu=223,000000
Var=0,000000
TMI
<= 66,500000 > 66,500000
MAT
<= 65,000000 > 65,000000
TMI
<= 17,500000 > 17,500000
TMI
<= 10,500000 > 10,500000
TMI
<= 7,500000 > 7,500000
N_M
<= 86,850000 > 86,850000
TMI
<= 29,000000 > 29,000000
TMI
<= 86,000000 > 86,000000
TMI
<= 124,500000 > 124,500000
TMI
<= 101,000000 > 101,000000

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 Mercado
Segmentação

“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

PrincipaisVariáveisdeSegmentação
GeográficaDemográficaPsicográficaComportamental
Região
Porte de cidade ou região metropolitana
Densidade
Área
Idade, Tamanho e Ciclo de vida da família
Sexo e Renda
Ocupação e Grau de Instrução
Religião, Nacionalidade, Classe Social
Estilo de Vida
Personalidade
Valores
Cultura
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 usuário
Índice de utilização e Status de fidelidade
Estágio de prontidão
Atitude em relação ao produto

Executamos 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

2D Plot of Row and Column Coordinates; Dimension: 1 x 2
Input Table (Rows x Columns): 9 x 4
Standardization: Row and column profiles
Americano:Pequeno
Americano:Médio
Americano:GrandeJaponês:Pequeno
Japonês:Médio
Japonês:Grande
Europeu:Pequeno
Europeu:Médio
Europeu:Grande
Solteiro com Filhos
Casado com Filhos
Solteiro
Casado
-0,4 -0,3 -0,2 -0,1 0,0 0,1 0,2 0,3 0,4 0,5 0,6
Dimension 1; Eigenvalue: ,04844 (67,74% of Inertia)
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
Dimension2;Eige
Row.Coords
Col.Coords

Text Mining
Busca de Padrão de
Comportamento de
Usuários na Internet

Gramática
Radical
Origem
Extração de
Conhecimento
Sumarização
Categorização
Clustering
Tarefas de mineração
de textos
Extração
Recuperação
da Informação
Preparação dos Dados
Ebecken, 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 Selection
Do 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 Mining
Credit 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 da
InadimplênciaR$ 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.

Facebook.com/iminersolutions
twitter.com/iminersolutions
iminer@iminer.com.br
+55 11 3996 4226

Business Inteligência e Análises

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to Business Inteligência e Análises

Similar to Business Inteligência e Análises (20)

More from Josias Oliveira

More from Josias Oliveira (6)

Business Inteligência e Análises