O BI como ato de criação

infomev_cursos sas_treinamento sas

Por Alessandro Lemes da Silva

O que BI tem a ver com criatividade ?

Estou aqui considerando que BI é um processo que procura por causas (de problemas ou boas práticas). Por exemplo, não basta saber qual o produto mais vendido, queremos saber por que ele é o mais vendido, para replicar as boas práticas para outros produtos. Não basta saber que uma loja não vende tão bem quantas as outras, queremos saber por que para eliminar ou minimizar as causas do fracasso.

Hoje em dia, BI é muito confundido com apresentar informações em dashboards. Mas para que as decisões sejam apoiadas adequadamente, precisamos saber que informações devem ser apresentadas nos dashboards. E muitas vezes este é um processo feito em parceria entre o Analista de BI e o usuário/cliente (aquele que toma a decisão e precisa de informações).

O processo de BI é, de certa forma, semelhante a um músico procurando uma nota que faça a conexão entre 2 partes de uma música, um investigador policial procurando o autor de um crime, um mecânico investigando a causa de um defeito em uma máquina, um pintor procurando um meio de expressar suas ideias mentais e surpreender aqueles que olham sua obra.

Mas para que o momento Eureka ocorra, algumas coisas devem acontecer antes. O insight da solução não vem por acaso, como Koestler e Johnson descrevem em tantos exemplos nos seus livros. (Koestler: “a sorte favorece a mente preparada”; Johnson: “a sorte favorece a mente conectada”).

Arquimedes só viu a solução porque tinha estudado ardentemente o problema que lhe havia sido imposto, porque estava estudando outros temas e conseguiu conectá-los.

Segundo Koestler e Johnson, 2 elementos principais são necessários (entre outros):

a) Maturação de ideias

Koestler fala em ripeness. Steven Johnson fala em palpite lento (slow hunch).

Isto significa muito estudo. Coletar muitas informações, propor teorias (hipóteses), testar a teoria com exemplos reais e refazer o processo muitas vezes. Tim Berners-Lee maturou a ideia da WWW por mais de 10 anos. E perseverou. Christianson (2012) inclusive apresenta uma cópia do manuscrito original, onde o orientador de Tim escreve a mão: “vago mas excitante …”.

b) Junção de contextos diferentes

Koestler fala em bissociação de matrizes (bisociation of matrices); Johnson, em colisão de ideias (collision of hunches).

Koestler descreve como passar repentinamente de um plano (assunto) para outro (como Arquimedes), conectando as partes e gerando uma solução nova. Johnson diz que é preciso completar nossas teorias com as ideias de outros.

É preciso também ter conhecimentos generalizados, além dos especializados. Darwin foi influenciado pelo trabalho do economista Thomas Malthus sobre o crescimento da população, a falta de alimento e a possível morte de pessoas por causa desta disparidade. E Darwin iniciou sua jornada de estudos investigando pedras (na área de

geologia). Steve Jobs revolucionou as interfaces homem-computador, criando telas encantadoras. Boa parte deste sucesso se deve a seus estudos de caligrafia, que o ajudaram a criar as fontes de textos.

E-book – Gerenciamento de Dados

6

Gerenciar informação significa suportar melhores decisões de negócio, apoiar os processos e novas oportunidades de análises nas empresas. Confira este e-book, produzido pelo SAS em parceria com a Information Management. Ele explora os processos essenciais do gerenciamento de dados, incluindo a gestão de dados mestre (MDM ou Master Data Management), governança de dados, qualidade de dados, integração de dados e federação de dados (data governance, data quality, data integration e data federation).

Confira: http://www.sas.com/pt_br/whitepapers/data-management-what-you-need-to-know-107331.html

Fonte: SAS

Machine Learning: O que é?

1

Uma área da Ciência da Computação, criada a partir de pesquisas relacionadas à Inteligência Artificial, a Machine Learning torna-se cada vez mais essencial para os negócios. O uso crescente de seus métodos está totalmente relacionado ao forte crescimento computacional. Se no passado as pessoas tentavam resolver fórmulas complexas quase que manualmente, hoje emprega-se a tecnologia para automatizar a construção de modelos analíticos que usam algoritmos para aprender a partir de dados de forma interativa. Ou seja, a ideia é que estes algoritmos sejam quase que autossuficientes com a menor intervenção humana possível.

Significa que, com os dados corretos, as tecnologias certas, e as análises adequadas, é possível produzir de forma rápida modelos que podem analisar uma grande quantidade de dados, independentemente de sua complexidade e entregar resultados em menos tempo, mais precisos e com a mínima intervenção humana. O resultado? Previsões de alto valor que podem orientar as melhores decisões.

As aplicações para Machine Learning são inúmeras, como: detecção de fraude; recomendações online de ofertas; anúncios publicitários em tempo real na web e em mobile; análise de sentimentos baseada em fontes textuais de redes sociais; credit scoring; previsão de falhas em equipamentos; novos modelos de precificação; detecção de invasão em redes; análise de padrões de escrita; entre outras.

Fonte: SAS.com

Curiosidade – O nascimento de um modelo preditivo

1

Um modelo preditivo é o resultado da combinação de dados e matemática, onde o aprendizado pode ser transformado na criação de uma função de mapeamento entre um conjunto de campos de dados de entrada e uma resposta ou variável de destino.

Para desenvolver um modelo preditivo, primeiro, é preciso montar o conjunto de dados que será utilizado para o treinamento. Para isso, um conjunto de campos de entrada que representa um cliente, por exemplo, é reunido a um registro. Esse registro pode conter recursos, como idade, gênero, CEP, número de itens adquiridos nos últimos seis meses e número de itens retornados, combinados a uma variável de destino que pode ser utilizada para informar se o cliente migrou ou não para o concorrente no passado. O registro de um cliente pode ser matematicamente descrito como um vetor em um espaço de recurso multidimensional, já que diversos recursos estão sendo utilizados para definir o objeto do tipo de cliente. Quando todos os registros de cliente estiverem reunidos, eles se tornam um conjunto de dados que pode conter milhões de registros.

As técnicas de modelagem preditiva permitem o desenvolvimento de modelos preditivos precisos, contanto que existam dados suficientes e que a qualidade dos dados não seja uma preocupação. Dados inválidos geram modelos inválidos, independentemente da qualidade da técnica preditiva. Como diz o ditado, entra lixo, sai lixo.

Fonte: IBM