O Diagnostico Empresarial

Mineração de dados

Mineração de dados, ou data mining, é o processo de encontrar padrões e correlações em grandes conjuntos de dados, (Data set), para prever resultados e padrões.

Através de uma variedade de técnicas correlacionas a inteligência artificial, você é capaz de criar parâmetros para entender o comportamento do consumidor, identificar afinidades entre as escolhas de produtos e serviços, prever hábitos de compras, analisar comportamentos habituais para detectar fraudes, entre diversas outras vantagens.

Atualmente, a mineração permite até prever tendências futuras de mercado, com base em históricos passados, ativando assim interesse de diversos segmentos.

A base da mineração, compreende três grandes disciplinas cientificas entrelaçadas, estatística (o estudo numérico das relações entre dados), inteligência artificial (inteligência exibida por softwares e/ou máquinas, que se assemelha à humana) e machine learning (algoritmos que podem aprender com dados para realizar previsões).

A tecnologia continua em crescente evolução, para acompanhar o potencial ilimitado dos big date, uma vez que quanto mais dados, maior a possibilidade de relação e aprendizado.

Varejistas, bancos, fabricantes, operadoras de telecomunicações, seguradoras etc, estão usando a mineração de dados para descobrir relações entre tudo — desde preços, promoções e demografias até como a economia, o risco, a concorrência e as mídias sociais estão afetando seus modelos de negócio, receitas, operações e relacionamentos com os clientes.

Como funciona

É impossível falar de Data Mining, sem fazer relação com aprendizagem computacional (Machine-leraning)

Através de processos de aprendizagem, é realizada a construção de regras baseadas na observação dos dados. Examinados exemplos e seus resultados e aprendendo com a reprodução de novos casos.

Existe três formas de realizar esse processo.

Aprendizagem indutiva: Analisa os dados para encontrar padrões, agrupando objetos similares e formulando regras.

Aprendizagem supervisionada: Aprende baseado em exemplos (“isso é um carro”, possui x características, irá agrupar características parecidas)

Aprendizagem não supervisionada: Aprende realizando observações e descobertas por conta própria. Reconhecendo padrões.

[pic 1]

Para transformar o banco cru, em informações uteis, é necessário passar por algumas etapas antes,

● Seleção

Ela seleciona ou segmenta os dados de acordo com critérios definidos.

Montando conjuntos de treino e de teste.

● Pré-processamento

Estágio de limpeza de dados (Data Set >>> Data Science)

Aqui as informações julgadas desnecessárias são removidas e são padronizados os dados, para prosseguir em formatos conscientes.

● Transformação

Transforma os dados em formatos utilizáveis, convertendo valores literais em números.

● Data Mining

Aqui entra nosso até então, muito comentado Data Mining

É onde ocorre a verdadeira extração dos padrões de comportamento dos dados.