Big data analytics nos negócios

Prévia do material em texto

Big data analytics nos negócios
Apresentação
A mineração de dados é um princípio importante da data science, em que acontece o envolvimento 
de tecnologia da informação para, de forma automatizada, realizar o tratamento de dados por meio 
de avaliações de padrões. Assim, é importante conhecer todo o processo para estruturar projetos 
de mineração de dados, assim como as suas tarefas, para que o processo de encontrar padrões, a 
partir de dados definidos em um conjunto de subtarefas, seja mais concreto.
Os resultados melhorados de um negócio não dependem apenas do volume dos dados que uma 
empresa apresenta, mas também sobre a forma como essas informações serão utilizadas. No 
campo dos negócios, o processo de análise de dados vem beneficiando os aspectos de identificação 
de fenômenos reais, que são analisados por meio desse grande conjunto de dados para melhorar 
suas estratégias e seus processos.
Nesta Unidade de Aprendizagem, você vai aprender a aplicação do big data analytics nos negócios, 
a partir da análise de tarefas de mineração de dados utilizados em casos reais e realizados a partir 
da tomada de decisão para a escolha dos melhores processos e sua aplicação nas organizações.
Bons estudos.
Ao final desta Unidade de Aprendizagem, você deve apresentar os seguintes aprendizados:
Relacionar casos reais e técnicas de mineração de dados.•
Aplicar a tomada de decisão baseada em dados.•
Identificar processos de implantação de analytics dentro do cenário empresarial.•
Desafio
Toda empresa precisa reunir fatores que contribuam para alinhar as necessidades dos clientes às 
suas previsões de vendas como, por exemplo, organizar a loja de forma que os consumidores não 
se frustrem por não encontrarem o que desejam; buscar manter os estoques organizados para as 
vendas futuras; organizar os vendedores para melhorarem as formas de vendas; entre outras 
situações.
Quando são organizados os produtos em uma loja, é preciso levar em consideração alguns 
parâmetros, como: a capacidade de produção; a distribuição da indústria que o produz; se aquele 
produto tem material de divulgação e marketing próprio; o melhor mês para expor o item; entre 
outros.
Nesse sentido, acompanhe a seguinte situação:
 
Diante desse panorama, você, como analista da informação responsável pela implementação desse 
novo sistema, precisa responder as questões a seguir.
a) Além das informações sobre as vendas dos últimos 5 anos, quais outras podem ser utilizadas e, 
assim, melhorar a análise dos dados que dará origem ao sistema de previsão?
b) Quais são os tipos de técnicas de mineração podem ser usados para realizar o sistema de 
previsão de venda?
Infográfico
Para analisar os dados de uma organização, é necessário realizar a mineração de dados que, por 
meio de um conjunto de técnicas automáticas, vai explorar grandes quantidades de dados para, 
assim, descobrir novos padrões e novas relações que possam existir entre esses dados e que não 
são possíveis de descobrir manualmente. Muitas técnicas podem ser utilizadas para realizar esse 
processo de mineração.
Neste Infográfico, acompanhe as fases de mineração de dados por meio do modelo CRISP-DM, 
compreendendo como cada uma das seis etapas é estruturada para gerar bons resultados de 
análise para as organizações.
Aponte a câmera para o 
código e acesse o link do 
conteúdo ou clique no 
código para acessar.
https://statics-marketplace.plataforma.grupoa.education/sagah/ca252cf4-5871-48ac-8566-d65d07bd97fc/6fb2d167-62c7-4651-a494-005b7f2cd825.jpg
Conteúdo do Livro
Dados são gerados a cada momento, especialmente no tempo tecnológico, em que o aumento de 
vendas on-line cresceu — consequentemente, a quantidade de dados enviados para as redes 
também. Tudo isso gera uma grande quantidade de dados, que precisam ser tratados dentro das 
empresas para que tomadas de decisões assertivas sejam realizadas.
No capítulo Big data analytics nos negócios, base teórica desta Unidade de Aprendizagem, veja 
como utilizar as técnicas de mineração de dados para a tomada de decisão, identificando os 
modelos e métodos que vão ser implementados para gerar os melhores resultados e lucros para as 
empresas. Por fim, acompanhe como aplicar corretamente essas análises realizadas por meio da 
mineração de dados.
ANALYTICS PARA 
BIG DATA
OBJETIVOS DE APRENDIZAGEM
 > Relacionar casos reais e técnicas de mineração de dados.
 > Aplicar a tomada de decisão baseada em dados.
 > Identificar processos de implantação de analytics dentro do cenário 
empresarial.
Introdução
A transformação digital e os avanços da tecnologia têm feito o big data analytics 
se tornar uma das grandes tecnologias para o mundo dos negócios, pois usa 
o tratamento dos dados para gerar vários benefícios às organizações, melho-
rando as estratégias e os processos, que irão, consequentemente, aumentar 
as vendas e os lucros. 
O big data analytics é utilizado para gerenciar um grande volume de dados, 
que, sendo capturados de diferentes formas, servirão para auxiliar no processo 
de tomada de decisão das organizações. Por meio dessas análises serão des-
cobertos padrões para obter insights para os negócios. 
Neste capítulo, você vai estudar a análise de dados a partir das técnicas 
de mineração aplicadas a práticas da realidade das organizações. Veremos, 
também, como identificar os processos de implantação de analytics para 
melhorar os processos de negócios. 
Big data analytics 
nos negócios
Myllena Silva de Freitas Morais
Técnicas de mineração e tomada de decisão 
baseada nos negócios
A mineração de dados é um processo importante dentro do estudo da data 
science, no qual existem estágios em que poderão ser aplicadas tecnologias 
da informação, avaliação de padrões por meio de dados e descoberta automa-
tizada. Algumas vezes, esse processo envolve a criatividade, o conhecimento 
de negócios e um bom papel do analista.
Para Provost e Fawcett (2016), a mineração de dados é uma arte, ou seja, 
permite um processo que poderá contribuir com o aumento da probabilidade 
de que um recurso seja bem-sucedido. O conceito da mineração de dados é 
fundamental para pensar sobre data science. 
A mineração de dados consiste em um processo analítico que tem como 
função principal explorar grandes quantidade de dados, com o objetivo de bus-
car padrões consistentes e/ou relacionamentos sistemáticos entre variáveis, 
para assim validá-los e aplicar aos padrões detectados novos subconjuntos 
de dados (DEVMEDIA, 2015).
Para tanto, se faz importante conhecer todo o processo de estruturação 
da mineração de dados, para que se aproxime da análise sistemática e não 
haja perda de esforços. Uma vez que a mineração de dados busca encontrar 
padrões de dados a partir de conjuntos de subtarefas, é importante também 
saber estruturar os conceitos de data science (PROVOST; FAWCETT, 2016).
De acordo com Provost e Fawcett (2016, documento on-line): 
Nos negócios, cada problema de tomada de decisão orientada em dados é ex-
clusivo, composto por sua própria combinação de metas, desejos, limitações e 
até mesmo personalidades. Contudo, como acontece com boa parte da engenha-
ria, há conjuntos de tarefas comuns que permeiam os problemas de negócios. 
Em colaboração com os investidores da empresa, os cientistas de dados decompõem 
um problema de negócios em subtarefas. As soluções para as subtarefas podem, 
então, ser compostas para resolver o problema geral. Algumas dessas subtarefas 
são exclusivas do problema de negócios em particular, mas outras são tarefas 
comuns de mineração de dados.
Os projetos de análises de negócios poderão, por meio de uma variável 
específica, descrever de forma clara um indivíduo ou várias variáveis, como, 
por exemplo: ao saber quais clientes deixaram a empresa após contratos 
vencidos, a análise poderá relacionar outras variáveis que poderão surgir e 
implicar a saída do cliente no futuro (PROVOST; FAWCETT, 2016).
Big data analytics nos negócios2
Vejamos, a seguir, como se utilizam os conceitosfundamentais da mi-
neração de dados e suas tarefas que irão propor tomadas de decisão nos 
negócios, segundo Provost e Fawcett (2016). 
1. Na tarefa de classificar e estimar a probabilidade de classe, existe 
a tentativa de prever, para cada indivíduo de uma população, a que 
conjunto de classes ele pertence. De forma geral, as classes são mu-
tuamente exclusivas. Vejamos um exemplo que se aplica essa tarefa. 
Uma empresa de telemarketing precisa saber quais, dentre o seu 
público de clientes, são sensíveis a responder a uma oferta. Nesse 
tipo de exemplo, poderiam ser nomeadas duas classes: “vai responder” e “não vai 
responder”. Na mineração de dados, a tarefa de classificação serve para produzir 
um modelo que analisa o novo indivíduo e determina a sua classe de pertença.
Na tarefa de classificação é possível, por meio da tarefa de estimar a 
probabilidade da classe, prever, a partir de uma análise de cada cliente, qual 
resposta seria dada pelo cliente à oferta. Nesse caso, quando se aplica o mo-
delo de pontuação ao indivíduo, uma pontuação representará a probabilidade 
de o indivíduo pertencer a cada classe. 
2. A tarefa de regressão tenta, para cada indivíduo, estimar ou prever o 
valor numérico de alguma variável. Pegando o exemplo anterior, veja 
como essa tarefa se aplica.
Agora a empresa precisa coletar os dados sobre quando um de-
terminado cliente usará um serviço. Nesse caso, precisa-se prever 
quando acontecerá o uso do serviço. Pode-se, nesse caso, gerar um modelo 
que vai analisar o comportamento de outros indivíduos semelhantes no que se 
refere à sua população e ao histórico de uso. Um procedimento de regressão 
produz um modelo que, a partir do indivíduo, vai calcular o valor da variável 
para aquele cliente. 
Big data analytics nos negócios 3
Existe relação entre a tarefa de regressão e a classificação, porém a 
classificação prevê se algo irá acontecer, e, no caso da regressão, se prevê 
quando algo vai acontecer, sendo assim, as duas são diferentes. 
3. A combinação por similaridade tenta identificar semelhança entre os 
indivíduos tendo como base os dados que já se tem sobre eles. Esse 
tipo de tarefa pode ser usado para encontrar entidades semelhantes. 
Esse método é um dos mais populares para as empresas recomenda-
rem seus produtos. Com ele, é possível encontrar semelhança entre 
as pessoas e assim gerar dados sobre seus gostos e suas compras. 
Na mineração de dados, em atividades como classificação e regressão, 
a combinação por similaridade é uma das bases de soluções.
A IBM, uma das maiores empresas de tecnologia, está interessada 
em encontrar empresas semelhantes aos seus melhores clientes 
comerciais, para, dessa forma, concentrar sua força de vendas nas melhores 
oportunidades. Para isso, eles usam a combinação por similaridade com base 
nos dados “firmográficos”, que servem para descrever as características das 
empresas.
4. Com o agrupamento, se busca reunir indivíduos de uma população 
por meio de sua similaridade, mas sem nenhum propósito específico. 
Suponha que a empresa de telemarketing precisa saber a quais 
grupos, entre naturais e segmentos, seus clientes pertencem. 
Em casos assim, aplicar a tarefa do agrupamento poderá ser útil para explorar 
de forma preliminar o domínio e identificar os grupos naturais existentes, pois, 
a partir deles, poderão surgir outras abordagens e tarefas de mineração de 
dados. Outro exemplo seria analisar os produtos que a empresa deve oferecer ou 
desenvolver para os seus clientes com base no processo de tomada de decisão. 
Big data analytics nos negócios4
5. O agrupamento de co-ocorrência (poderão ser encontradas literaturas 
com mineração de conjunto de itens frequentes, descoberta da regra 
de associação e análise de portfólio de ações) tenta encontrar asso-
ciações entre entidades com base em transações que as envolvem. 
O agrupamento analisa as semelhanças que existem entre os objetos 
tendo como base os seus atributos; já no agrupamento de co-ocorrência 
se considera a similaridade dos objetos, tendo como base as suas 
aparições conjuntas nas transações. O resultado do agrupamento por 
co-ocorrência descreve itens que ocorrem juntos. 
Em uma rede de supermercados, busca-se identificar quais produtos 
são sempre comprados juntos. Na análise das compras dos clientes, 
percebeu-se que a carne moída é sempre comprada junto do ketchup de forma 
mais frequente do que o comum. Esse tipo de análise poderá criar novas campa-
nhas de promoção ou modificar a forma como os produtos são organizados nas 
prateleiras. Esse tipo de co-ocorrência de produtos em compras é um exemplo 
de agrupamento conhecido também como análise de portfólio de ações. 
6. O perfilamento busca caracterizar o comportamento padrão de um in-
divíduo, grupo ou população. Esse comportamento poderá ser descrito 
de forma geral, para uma população inteira, ou ao nível de pequenos 
grupos ou mesmo indivíduos.
Um exemplo claro poderia ser a seguinte pergunta: “Qual é o tipo de 
celular que um determinado grupo de cliente usa?”. Em casos assim, 
descrever o comportamento não é simples, podendo ser traçado o perfil de uso 
do celular, com uma descrição completa sobre todas as suas descrições: uso 
dia e noite, uso nacional e internacional, conteúdos, uso de rede, dentre outros. 
Esse tipo de atividade é bastante usado para estabelecer o comportamento 
em relação a fraudes de sistemas de computadores ou em cartões de cré-
dito. Quando se tem um perfil de compras de uma pessoa por meio de cartão, 
é possível determinar se houve ou não uma compra fora do perfil. Em casos 
assim, poderá ser usado o grau de pontuação para acionar se houver disparidade. 
Big data analytics nos negócios 5
7. A previsão de vínculo busca prever quais ligações existem entre itens 
de dados, podendo sugerir que um vínculo deveria existir, e, se possível, 
estimar sua força.
Duas pessoas têm, em suas redes sociais, 10 amigos em comum. Será 
que essas 10 pessoas teriam interesse de serem amigos? Utilizar a 
tarefa de previsão de vínculo poderia estimar qual a força de essas pessoas 
terem um vínculo de fato. Outro exemplo seria a recomendação de séries e 
filmes para clientes, que poderia ser feita a partir de uma análise entre filmes 
já assistidos ou classificados por eles. Podem ser previstos vínculos que não 
existiram entre os clientes e os filmes, mas que serviriam para prever vínculos 
que poderiam existir e se tornar fortes. 
8. A tarefa de redução de dados busca substituir um conjunto de dados 
grandes por um conjunto menor, focando nas informações mais impor-
tantes do conjunto maior. Dessa forma, será mais fácil tratar o conjunto 
menor de dados, e este poderá demonstrar melhor as informações. 
Um grande conjunto de dados sobre preferências de filmes dos 
consumidores poderá ser reduzido a um conjunto de dados ca-
paz de revelar os gostos do cliente mais evidentes na visualização de dados, 
o que poderia ser feito por preferências de gênero. Geralmente, a redução de 
dados envolverá a perda de informação, gerando o equilíbrio para uma melhor 
compreensão. 
9. A modelagem causal busca ajudar na compreensão dos acontecimentos 
ou ações que causam influências em outras pessoas. As técnicas de 
modelagem causal incluirão aquelas que envolvem um investimento 
substancial em dados, como, por exemplo, os experimentos rando-
mizados controlados, assim como métodos sofisticados para obter 
conclusões causais a partir de dados observacionais. 
Big data analytics nos negócios6
Um exemplo seria usar uma modelagem preditiva que denunciaria os 
anúncios para consumidores e observaria o que os consumidores-
-alvo comprariam em uma taxa ainda maior após terem se tornado um alvo. 
Podemos considerar que isso aconteceu porque houve influência dos anúncios 
aos consumidores para comprar ou porque os modelos preditivos simplesmente 
fizeram um trabalho bom ao identificar quais seriam os consumidores que teriam 
comprado de qualquer forma. 
Poderíamos detalharbem mais cada uma dessas tarefas, embora não seja 
possível aqui, mas, juntas, elas formam a base de todos os tipos de tarefas. 
É preciso saber identificar quais tipos de tarefa se encaixarão para resolver 
seu problema de análise dos dados. 
Modelos de análise de negócios
Para realizar a análise de negócios, é preciso envolver várias tecnologias que 
permitirão as análises de dados; sendo assim, é importante saber definir as 
técnicas de mineração de dados e realizar sua escolha a partir dos objetivos 
dessa técnica, seus benefícios e do papel desempenhado. 
Vejamos, agora, métodos (ou técnicas) que, de uma forma geral, são di-
vididos em preditivo (supervisionado) ou descritivo (não supervisionado). 
Durante o processo de mineração, existem diversas técnicas, que, após serem 
testadas e combinadas, podem ser escolhidas para melhor refinamento dos 
dados (HAN; KAMBER, 2006). 
 � Associações: a regra de associação consiste em identificar quais itens 
mais frequentemente são consumidos por um determinado conjunto 
de dados e, assim, serão obtidos os resultados, como, por exemplo: 
SE compra leite e pão, TAMBÉM compra manteiga. 
 ■ Mineração de itens frequentes: existem duas etapas que formam esse 
método; a primeira etapa cria um conjunto de itens frequentes, que 
respeita um valor mínimo de frequência para os itens. Na segunda 
etapa, as regras de associação serão geradas pela mineração desse 
conjunto. Para cada regra produzida, deve-se gerar resultados váli-
dos que darão confiança para medir o percentual de registros que 
atenderão à regra; o conceito de suporte vai indicar o percentual 
Big data analytics nos negócios 7
de registros que se encaixam nessa regra. Consideramos uma regra 
forte quando ela atende minimante ao suporte e à confiança. 
 � Classificações: quanto aos métodos de aprendizado, as técnicas de 
classificação poderão ser supervisionadas e não supervisionadas. 
Esse tipo de método deve ser utilizado para prever os valores de va-
riáveis para cada tipo de categoria. Um exemplo para esse método 
seria classificar os clientes de um banco, definindo-os como especiais 
ou de risco. O modelo criado poderá identificar A categoria a qual um 
registro pertence. 
 ■ Árvores de decisão: é um método de classificação que faz uso de 
fluxograma no formato de árvore, demonstrado por cada nó (não 
folha), para indicar um teste feito em cima de um valor. Cada ligação 
entre os nós representará os valores possíveis para o teste do nó 
superior, e as folhas indicarão a classe (categoria) a qual cada re-
gistro pertence. Logo após a árvore de decisão ser criada, é preciso 
classificar um novo registro, seguindo o fluxo na árvore, começando 
pelo nó da raiz até chegar à folha, como demonstrado na Figura 1.
Figura 1. Exemplo de uma árvore de decisão.
Fonte: Árvore... ([2020], documento on-line). 
Big data analytics nos negócios8
 ■ Redes neurais (neural networks): simula o comportamento dos 
neurônios. Uma rede neural pode ser considerada um conjunto de 
unidades de entrada e saída conectadas por camadas intermediárias 
em que cada ligação tem um peso associado. Durante o processo de 
aprendizado, a rede ajusta esses pesos para conseguir classificar 
corretamente um objeto.
 � Predições numéricas: os métodos de predição têm como objetivo 
descobrir um possível valor futuro que uma variável poderá ter. As 
predições numéricas preveem valores para variáveis contínuas. No 
caso de predição de variáveis discretas, poderão ser aplicadas as 
técnicas de classificação. Sir Frances Galton (1822 à 1911) desenvolveu 
os métodos mais conhecidos para predição numérica, as regressões:
 ■ regressão linear — acontece quando a relação entre as variáveis 
preditoras e a resposta segue um comportamento linear, sendo pos-
sível criar um modelo em que o valor de y é uma função linear de x;
 ■ regressão não linear — a relação entre as variáveis preditoras e a 
resposta não segue um comportamento linear. 
 � Agrupamento: as técnicas de agrupamento são não supervisionadas. 
A partir de um conjunto de registros são gerados os agrupamentos, 
que vão conter registros semelhantes. Essas similaridades serão usa-
das para medidas de distâncias tradicionais. Podemos classificar os 
algoritmos de agrupamento nas categorias a seguir.
 ■ Métodos de particionamento (partitioning methods): dado um con-
junto D de dados com n registros, sendo k o número de agrupamentos 
desejados, os algoritmos de particionamento organizam os objetos 
em k agrupamentos, tal que ksistema de produção normalmente requer que 
o modelo seja recodificado para o ambiente de produção, geralmente para maior 
velocidade ou compatibilidade com um sistema existente. Isso pode resultar em 
despesas e investimentos substanciais. Em muitos casos, a equipe de data science 
é responsável pela produção de um protótipo de trabalho, junto com sua avaliação, 
que é passado para uma equipe de desenvolvimento. 
É possível que haja riscos quando acontece a transferências de dados 
inconsistentes ou errados de data science para o desenvolvimento. Dessa 
forma, é importante que os membros da equipe de desenvolvimento sejam 
envolvidos no início do projeto de data science. Eles podem começar como 
consultores, oferecendo uma visão crítica para a equipe de data science. 
Big data analytics nos negócios 11
O processo de implantação geralmente é realizado pelos engenheiros 
de data Science, que, por terem conhecimentos específicos do projeto, irão 
assumir responsabilidades a cada etapa. Existem casos nos quais os desenvol-
vedores irão assumir a propriedade e a liderança do produto. Na implantação 
final do projeto, é possível que haja envolvimento dos cientistas de dados, 
que poderão assumir o papel de consultores, pois existirão casos em que o 
processo precisa retornar para a fase de compreensão do negócio. 
O processo de mineração de dados produz uma grande quantidade de conhecimen-
to sobre o problema de negócios e as dificuldades de sua solução. Uma segunda 
iteração pode produzir uma solução melhorada. Apenas a experiência de pensar 
sobre o negócio, os dados e as metas de desempenho, muitas vezes, leva a novas 
ideias para melhorar o desempenho e até mesmo criar linhas novas de negócios 
ou novos empreendimentos (PROVOST; FAWCETT, 2016, documento on-line). 
O ciclo de implementação acontece independentemente de falhas que 
venham a existir, pois, na fase de avaliação, poderão ser reveladas infor-
mações sobre os dados, como se são bons ou suficientes para implantação, 
e se serão necessários ajustes ou a obtenção de novos dados. 
Referências 
ÁRVORE de tomada de decisão. In: WIKIPÉDIA, [2020]. Disponível em: https://commons.
wikimedia.org/wiki/File:%C3%81rvore_de_tomada_de_decis%C3%A3o.png. Acesso 
em: 15 out. 2021.
DEVMEDIA. Mineração de dados na prática: parte 1. 2015. Disponível em: https://www.
devmedia.com.br/mineracao-de-dados-na-pratica-parte-1/33299. Acesso em: 15 out. 
2021.
EVANS, R.; FISHER, D. Using decision tree induction to minimize process delays in the 
printing industry. In: KLOSGEN, W.; ZYTKOW, J. (ed.). Handbook of data mining and 
knowledge discovery. Oxford: Oxford University Press, 2002. p. 874-881. 
HAN, J; KAMBER, M. Data mining: concepts and techniques. Amsterdam: Elsevier, 2006.
PROVOST, F.; FAWCETT, T. Data science para negócios: o que você precisa saber sobre 
mineração de dados e pensamento analítico de dados. Rio de Janeiro: Alta books, 
2016. (E-pub).
Big data analytics nos negócios12
Leituras recomendadas
DOMINGUES, M. L. Mineração de dados utilizando aprendizado não-supervisionado: 
um estudo de caso para bancos de dados da saúde. 2003. 127 f. Dissertação (Mestre 
em Ciências da Computação) — Instituto de informática, Universidade Federal do Rio 
Grande do Sul, Porto Alegre, 2003.
NASCIMENTO, C. A. X. et al. Inovação nos negócios por meio da análise de big data 
international. Journal of Professional Business Review, v. 3, n. 1, p. 1-16, 2018. 
REZENDE, S. O. Mineração de dados. In: CONGRESSO DA SOCIEDADE BRASILEIRA DE COM-
PUTAÇÃO, 25., 2005, São Leopoldo. Anais [...]. São Leopoldo: Unisinos, 2005. p. 397-433. 
Os links para sites da web fornecidos neste capítulo foram todos 
testados, e seu funcionamento foi comprovado no momento da 
publicação do material. No entanto, a rede é extremamente dinâmica; suas 
páginas estão constantemente mudando de local e conteúdo. Assim, os edito-
res declaram não ter qualquer responsabilidade sobre qualidade, precisão ou 
integralidade das informações referidas em tais links.
Big data analytics nos negócios 13
Dica do Professor
A mineração de dados se constitui no processo de conhecimento de grandes quantidades de dados, 
podendo utilizar vários métodos e diversas técnicas para analisá-los. Dentro das tarefas de 
mineração de dados, existem os métodos conhecidos como "aprendizagem supervisionada" e 
"aprendizado não supervisionado", que vão contribuir com a melhor exploração dos dados.
Nesta Dica do Professor, compreenda como cada um desses métodos se apresenta, suas 
características e quais são os métodos utilizados em cada tarefa de mineração especificamente.
Aponte a câmera para o código e acesse o link do conteúdo ou clique no código para acessar.
https://fast.player.liquidplatform.com/pApiv2/embed/cee29914fad5b594d8f5918df1e801fd/eb106149e5308a1ffecb45e5dd1acec3
Exercícios
1) Uma rede de farmácias percebeu que com a aproximação do verão precisava organizar as 
suas prateleiras para as vendas de produtos utilizados nessa época. Porém, para aumentar a 
quantidade de vendas não apenas nesses produtos específicos, a empresa decidiu realizar 
uma análise em seus dados para saber como organizar melhor os seus itens para que possam 
ser adquiridos juntos.
Com base nesse contexto, assinale qual é a melhor tarefa de mineração de dados que pode 
ser aplicada para realizar a análise dos dados da rede de farmácias.
A) Classificação e estimativa de probabilidade.
B) Regressão. 
C) Combinação por similaridade. 
D) Agrupamento. 
E) Agrupamento de coocorrência.
2) Dentro da mineração de dados, deseja-se analisar os dados de uma organização a partir das 
características comportamentais de um determinado indivíduo ou comportamento de 
aplicações. Sendo assim, a melhor opção será aplicar a tarefa de _____________.
Marque a alternativa que completa corretamente a lacuna.
A) Modelagem casual. 
B) Regressão.
C) Redução de dados. 
D) Perfilamento. 
E) Agrupamento de coocorrência. 
No processo de mineração de dados, grande parte das teorias, dos algoritmos e dos métodos 
que são utilizados para fazer o tratamento de volumes de dados é proveniente do 
3) 
reconhecimento de padrões e aprendizado de máquina, como os métodos supervisionado e 
não supervisionado.
Sobre esses métodos, analise as afirmativas a seguir.
I. O aprendizado supervisionado requer algum tipo de supervisão do processo que passe 
informações sobre típicos de classe, em que dentro do processo de treinamento poderá 
identificar a classe de novos objetos.
II. No aprendizado não supervisionado, é preciso identificar como os objetos poderão ser 
agrupados em classes, baseando-se em atributos deles.
III. O aprendizado não supervisionado apresenta exemplos, e o número típico de classes é 
conhecido.
São corretas as afirmativas:
A) I e II.
B) II e III.
C) I e III.
D) III, apenas.
E) I, apenas.
4) Após realizar a mineração dos dados, é preciso implementá-los na empresa para que o 
investimento aplicado na mineração possa gerar lucros para o negócio. Existe a possibilidade 
de a implantação acontecer já durante a análise da mineração de dados sem 
necessariamente criar um modelo específico.
Sendo assim, assinale (V) para verdadeiro e (F) para falso nas afirmativas a seguir.
( ) O cientista de dados precisa ficar atento para que os dados analisados não sejam 
desatualizados.
( ) Essa decisão poderá ser tomada para análises que precisem de decisões imediatas.
( ) Quando a modelagem apresenta grandes quantidades de tarefas, o cientista de dados 
precisa acompanhar o modelo por meio de correções para entregar uma operação segura.
Assinale a alternativa com a ordem correta.
A) V, V, F.
B) F, V, F.
C) F, F, V.
D) V, V, V.
E) V, F, V.
5) Uma empresa de fabricação de sapatos está organizando o lançamento de seu novo produto, 
porém precisa encontrar o melhor momento para realizá-lo e garantir que as vendas sejam 
bem-sucedidas. Pensando nisso, o setor de marketing decidiu contratar uma equipe de data 
science para realizaruma análise nos dados e determinar qual será a melhor data para lançar 
o seu produto.
Sendo assim, assinale qual é a tarefa de mineração de dados que pode ser aplicada pela 
equipe de data science.
A) Modelagem casual. 
B) Regressão. 
C) Agrupamento. 
D) Perfilamento. 
E) Redução dos dados. 
Na prática
Conhecer seus clientes deve sempre ser um dos grandes objetivos de uma organização. Cabe à 
empresa realizar esse conhecimento por vários níveis, que vão do tipo de produto que o cliente 
deseja até quais ofertas poderão causar interesse, mesmo que esse não seja o padrão de compras 
do cliente. Outros fatores que uma empresa precisa conhecer diz respeito ao perfil médio do 
consumidor: renda, sexo, idade, tipo de família, entre outros.
A partir disso, o negócio poderá se organizar para oferecer aos seus clientes ofertas com certo grau 
de certeza de sucesso. Dessa forma, o trabalho do mercado dirigido vai criar uma relação próxima 
com cada cliente e poder investir em classificações sucessivas de sua clientela.
Confira, Na Prática a seguir, como uma empresa de distribuição de materiais de construção aplicou 
o processo de mineração de dados para melhorar as suas vendas para clientes revendedores de 
seus produtos.
Aponte a câmera para o 
código e acesse o link do 
conteúdo ou clique no 
código para acessar.
https://statics-marketplace.plataforma.grupoa.education/sagah/caf979d1-351e-4ca8-b6f5-548856411f21/3e8ef301-5c89-40f6-89d2-9577834b3a07.jpg
Saiba mais
Para ampliar o seu conhecimento a respeito desse assunto, veja abaixo as sugestões do professor:
Dados podem ser determinantes para o crescimento de uma 
empresa. Você sabe usar?
A reportagem a seguir mostra a importância de as empresas desenvolverem análises dos dados dos 
seus clientes. Veja também como o big data analytics vem crescendo cada vez mais, tendo papel 
fundamental no crescimento das empresas, assim como na busca por novas soluções de mercado e 
investimentos.
Aponte a câmera para o código e acesse o link do conteúdo ou clique no código para acessar.
Inovação nos negócios por meio da análise de big data
No seguinte artigo, leia uma discussão, por meio de bibliografias, sobre os temas que estão 
relacionados com o big data, a plataforma de inovação e o big data analytics, assim como com a 
intenção de demonstrar o uso e a aplicação do big data nas empresas.
Aponte a câmera para o código e acesse o link do conteúdo ou clique no código para acessar.
O uso coorporativo do big data: uma revisão de literatura
O big data vem ganhando notoriedade por conta de oportunidades e desafios em torno de sua 
utilidade no apoio aos negócios. No artigo a seguir, veja um estudo que procura, com uma revisão 
sistemática da literatura, identificar como estão ligados o big data e o mundo corporativo.
https://exame.com/bussola/dados-podem-ser-determinantes-para-crescimento-da-empresa-voce-sabe-usar/
http://www.spell.org.br/documentos/download/50601
Aponte a câmera para o código e acesse o link do conteúdo ou clique no código para acessar.
https://periodicos.uninove.br/gep/article/view/9627/4372