Etiqueta: visualeditor |
|||
| Linha 10: | Linha 10: | ||
=== Tipos de informação obtidos com a Mineração de Dados === | === Tipos de informação obtidos com a Mineração de Dados === | ||
* '''Associações''': Determinando quais produtos são mais prováveis de serem vendidos juntos, gerando recomendações''':''' São ocorrências ligadas a um único evento. Por exemplo:um estudos de modelos de compra em supermercados pode revelar que, na compra de salgadinhos de milho, compra-se também um refrigerante tipo cola em 65% das vezes: mas, quando há uma promoção, o refrigerante é comprado em 85% das vezes.Com essas informações, os gerentes podem tomar decisões mais acertadas pois aprenderam a respeito da rentabilidade de uma promoção. | * '''Associações''': Determinando quais produtos são mais prováveis de serem vendidos juntos, gerando recomendações''':''' São ocorrências ligadas a um único evento. Por exemplo:um estudos de modelos de compra em supermercados pode revelar que, na compra de salgadinhos de milho, compra-se também um refrigerante tipo cola em 65% das vezes: mas, quando há uma promoção, o refrigerante é comprado em 85% das vezes.Com essas informações, os gerentes podem tomar decisões mais acertadas pois aprenderam a respeito da rentabilidade de uma promoção. | ||
* '''Sequências:''' Na sequência os eventos estão ligados ao longo do tempo. Pode-se descobrir, por exemplo, que quando se compra uma casa, em 65% as vezes se adquire uma nova geladeira no período de duas semanas; e que em 45% das vezes, um fogão também é comprado um mês após a compra da residência. | * '''Sequências:''' Na sequência os eventos estão ligados ao longo do tempo. Pode-se descobrir, por exemplo, que quando se compra uma casa, em 65% as vezes se adquire uma nova geladeira no período de duas semanas; e que em 45% das vezes, um fogão também é comprado um mês após a compra da residência. | ||
* '''Classificação:''' Reconhece modelos que descrevem o grupo ao qual o item pertence por meio do exame dos itens já classificados e pela inferência de um conjunto de regras. Exemplo: empresas de operadoras de cartões de crédito e companhias telefônicas preocupam-se com a perda de clientes regulares, a classificação pode ajudar a descobrir as características de clientes que provavelmente virão abandona-las e oferecer um modelo para ajudar os gerentes a prever quem são, de modo que se elabore antecipadamente campanhas especiais para reter esses clientes. | * '''Classificação:''' Reconhece modelos que descrevem o grupo ao qual o item pertence por meio do exame dos itens já classificados e pela inferência de um conjunto de regras. Exemplo: empresas de operadoras de cartões de crédito e companhias telefônicas preocupam-se com a perda de clientes regulares, a classificação pode ajudar a descobrir as características de clientes que provavelmente virão abandona-las e oferecer um modelo para ajudar os gerentes a prever quem são, de modo que se elabore antecipadamente campanhas especiais para reter esses clientes. | ||
* '''Aglomeração:''' Funciona de maneira semelhante a classificação quando ainda não foram definidos grupos. Uma ferramenta de data mining descobrirá diferentes agrupamentos dentro da massa de dados. Por exemplo ao encontrar grupos de afinidades para cartões bancários ou ao dividir o banco de dados em categorias de clientes com base na demografia e em investimentos pessoais. | * '''Aglomeração:''' Funciona de maneira semelhante a classificação quando ainda não foram definidos grupos. Uma ferramenta de data mining descobrirá diferentes agrupamentos dentro da massa de dados. Por exemplo ao encontrar grupos de afinidades para cartões bancários ou ao dividir o banco de dados em categorias de clientes com base na demografia e em investimentos pessoais. | ||
* '''Prognóstico:''' Embora todas essas aplicações envolvam previsões, os prognósticos as utilizam de modo diferente. Partem de uma série de valores existentes para prever quais serão os outros valores. Por exemplo um prognóstico pode descobrir padrões nos dados que ajudam os gerentes a estimar o valor futuro de variáveis com números de vendas. | * '''Prognóstico:''' Embora todas essas aplicações envolvam previsões, os prognósticos as utilizam de modo diferente. Partem de uma série de valores existentes para prever quais serão os outros valores. Por exemplo um prognóstico pode descobrir padrões nos dados que ajudam os gerentes a estimar o valor futuro de variáveis com números de vendas. | ||
Edição das 19h39min de 7 de setembro de 2016
Conceito
Mineração de Dados é um processo de procura, devido ao grande volume de informações que um banco de dados possui, a realização da análise desses dados por seres humanos é inviável sem o auxílio de ferramentas computacionais apropriadas, o profissional que trabalhar em Mineração de Dados minera então dados de relevância, que tenham correlações entre outros dados, utiliza-se várias técnicas da estatística, recuperação de informação, inteligência artificial e reconhecimento de padrões.
Este conceito de Mineração de Dados então é utilizado em vários segmentos da indústria e órgãos governamentais para trazer vários tipos de informação dependendo a partir de qual banco de dados está se fazendo a Mineração de Dados, utilizando este conceito é possível e praticamente um requisito obrigatório para melhorar a gestão de um negócio, obtendo conhecimento através dos dados retornados através da mineração.
Não confunda Mineração de Dados com Business Intelligence (BI), eles são dois patamares distintos de atuação. O BI busca subsidiar a empresa com conhecimento novo e útil acerca do seu meio ambiente e funciona no plano estratégico. A Mineração de Dados visa obter a partir dos dados operativos brutos, informação útil para subsidiar a tomada de decisão nos escalões médios e altos da empresa e funciona no plano tático.
Para compreender a importância da Mineração de Dados, há muita informação disponível pela internet e banco de dados mas isto não quer dizer necessariamente mais conhecimento, é preciso entender o que é relevante e, então, fazer bom uso dessa informação de acordo com alguns tipos de dados, ela deve ser estruturada de maneira lógica e inteligente, segue alguns tipos de informações que se é possível obter:
Tipos de informação obtidos com a Mineração de Dados
- Associações: Determinando quais produtos são mais prováveis de serem vendidos juntos, gerando recomendações: São ocorrências ligadas a um único evento. Por exemplo:um estudos de modelos de compra em supermercados pode revelar que, na compra de salgadinhos de milho, compra-se também um refrigerante tipo cola em 65% das vezes: mas, quando há uma promoção, o refrigerante é comprado em 85% das vezes.Com essas informações, os gerentes podem tomar decisões mais acertadas pois aprenderam a respeito da rentabilidade de uma promoção.
- Sequências: Na sequência os eventos estão ligados ao longo do tempo. Pode-se descobrir, por exemplo, que quando se compra uma casa, em 65% as vezes se adquire uma nova geladeira no período de duas semanas; e que em 45% das vezes, um fogão também é comprado um mês após a compra da residência.
- Classificação: Reconhece modelos que descrevem o grupo ao qual o item pertence por meio do exame dos itens já classificados e pela inferência de um conjunto de regras. Exemplo: empresas de operadoras de cartões de crédito e companhias telefônicas preocupam-se com a perda de clientes regulares, a classificação pode ajudar a descobrir as características de clientes que provavelmente virão abandona-las e oferecer um modelo para ajudar os gerentes a prever quem são, de modo que se elabore antecipadamente campanhas especiais para reter esses clientes.
- Aglomeração: Funciona de maneira semelhante a classificação quando ainda não foram definidos grupos. Uma ferramenta de data mining descobrirá diferentes agrupamentos dentro da massa de dados. Por exemplo ao encontrar grupos de afinidades para cartões bancários ou ao dividir o banco de dados em categorias de clientes com base na demografia e em investimentos pessoais.
- Prognóstico: Embora todas essas aplicações envolvam previsões, os prognósticos as utilizam de modo diferente. Partem de uma série de valores existentes para prever quais serão os outros valores. Por exemplo um prognóstico pode descobrir padrões nos dados que ajudam os gerentes a estimar o valor futuro de variáveis com números de vendas.
Exemplo
Suponhamos que em um supermercado acontece a seguinte situação:
A maioria dos clientes que adquiriram pão e leite desnatado também adquiriram manteiga ou margarina.
Só é possível descobrir a incidência destes casos apenas com uma Mineração de Dados, com isso foi possível então constatar um padrão de compras entre a maior parte dos clientes e com esta informação o supermercado pode tomar ações para atender mais este tipo de demanda colocando mais a disposição nas prateleiras do supermercado certos produtos que tem um padrão de compras para incentivar ainda mais este hábito.