Business Analytics GSTEPBusiness Analytics GSTEP

Business Analytics

Business Analytics

Business Intelligence-elements_GSTEPBusiness Intelligence-elements_GSTEP

Em Business Analytics, analítica e o data science (ou ciência dos dados) representam um campo interdisciplinar de processos e sistemas, capazes de extrair insights e conhecimento de diferentes formatos de dados.

Essa extração de insights dos dados é cada vez mais importante para complementar a analítica descritiva, representada pelos projetos tradicionais de Business Intelligence.

Na área de Business Analytics , através dos insights escondidos nos dados, conseguimos prever acontecimentos e consequentemente, agir atempadamente.

Que padrões estão escondidos nos dados da minha organização?

Como se agrupam os meus clientes?

Que tipo de perfis têm os meus clientes?

Como posso classificar novos dados e exemplos em função dos já classificados no passado?

Qual o nível de risco de um novo cliente?

O que posso fazer para potenciar a utilização dos meus dados?

Que conhecimento consigo extrair dos meus dados?

Business Intelligence bg_GSTEPBusiness Intelligence-circle_GSTEPGstep-business-intelligence-elemento1

Knowledge Discovery

Predictive Analytics

Predictive Modeling

Classificadores

Regressão

Ensemble

Ferramentas

linha1-business-intelligence_GSTEPlinha1-business-intelligence_GSTEPlinha1-business-intelligence_GSTEPlinha1-business-intelligence_GSTEPlinha2-business-intelligence_GSTEPlinha2-business-intelligence_GSTEPlinha2-business-intelligence_GSTEP

Soluções Business Analytics

Capacidade de identificar padrões escondidos nos dados.

Tipicamente agrupando os dados ou através de associações, conseguimos descobrir comportamentos nos dados que nos permitem caracterizá-los.

Algumas abordagens típicas são:

  • Clustering
  • Association rules
  • Visualization
  • Text mining

Predictive Analytics abrange um conjunto variado de técnicas estatísticas de modelação preditiva, machine learning e data mining, que analisam factos históricos e em função dos mesmos conseguem prever situações futuras.

Com recurso à modelação preditiva podemos aprender em função de critérios de decisão, permitindo-nos consequentemente classificar novos exemplos que até então eram desconhecidos.

No campo da modelação preditiva temos essencialmente dois tipos de abordagem de previsão:

– se aquilo que pretendermos prever for caracterizado de forma contínua temos um problema de Estimation (regressão)

– se aquilo que pretendermos prever for categórico, temos um problema de Classification (classificação).

A forma de funcionamento passa por fornecermos ao modelo um conjunto de dados de exemplo, previamente classificados com as suas respostas, de forma a conseguirmos criar um classificador.

Uma vez desenvolvida essa componente, podemos dizer que o nosso modelo está “treinado”.

Consequentemente podemos dar-lhe como input, novos exemplos não classificados, para que este tente classificá-los corretamente.

Para que seja possível classificar corretamente dados de input, é necessário escolher um classificador à medida do problema e dos dados disponíveis.

Para isto existe um conjunto relativamente alargado de classificadores, alguns mais académicos que outros, que devem ser conjugados de forma a obter-se o melhor resultado possível:

  • Naïve Bayes
  • Instance Based
  • Decision Trees
  • Neural Networks

Em muitas situações existe a necessidade de que o outcome que estamos a tentar atingir se expresse de uma forma contínua e não categórica, como um preço, valor ou idade.

Para esses casos não podemos utilizar classificadores que apenas operam sobre classes de valores e necessitamos de utilizar abordagens diferentes como:

  • Linear Regression
  • Support Vector Machines

De forma a conseguir-se uma boa prestação dos classificadores, existe um conjunto de abordagens capazes de utilizar diferentes classificadores, permitindo a criação de um sistema de votação de forma a obter melhor performance.

Alguns dos métodos utilizados são:

  • MajorityVoting
  • Bagging
  • RandomForests
  • Stacking

Para que seja possível utilizar a capacidade destes algoritmos, existem ferramentas que permitem aplicá-los sobre os dados e gerar resultados em função disso.

É frequente a utilização de linguagens de programação como Python e R, que através das suas API, proporcionam a possibilidade de utilizar estes algoritmos e aplicá-los sobre os dados, com ótimos resultados de performance.

Descubra a solução Business Analytics ideal para a sua organização
Top