Modelagem de Decisão e Analytics
•Transferir como PPTX, PDF•
0 gostou•39 visualizações
O documento discute como associar projetos analíticos às motivações de negócios através da modelagem de decisões. Ele descreve como a complexidade e excesso de informação afetam as empresas e a importância de entender e reter clientes. A modelagem de decisões pode ajudar a identificar decisões cruciais, medir seu impacto, e documentar a lógica por trás delas para melhorar a efetividade dos processos de tomada de decisão.
Recomendados
Recomendados
Mais conteúdo relacionado
Semelhante a Modelagem de Decisão e Analytics
Semelhante a Modelagem de Decisão e Analytics (20)
Último
Último (20)
Modelagem de Decisão e Analytics
- 1. Modelagem de Decisão e Analytics Como associar projetos analíticos com as motivações do negócio? 1
- 2. Contexto Atual dos Negócios – Complexidade, Rapidez, Excesso de Informação 2
- 3. Identificar, adquirir e manter os Clientes é fundamental 3
- 4. do relacionamento com os Clientes do refinamento das interações com o Cliente do entendimento das características, hábitos e comportamentos dos Clientes da segmentação e atuação precisa para atingir os Clientes de forma eficaz do uso cada vez mais “profissional” dos dados e informações coletadas de forma integrada e conectada com as necessidades reais do negócio As Empresas cada vez mais reconhecem o valor: 4
- 5. Coleta massiva de dados através de múltiplos pontos de contato se torna padrão Marqueteiros tomam o controle dos dados que eles gerenciam Mídia social se torna um fornecedor inestimável de dados e informação Marketing de permissão se torna a norma Marketing programático acaba com a era das generalizações Marketing e Big Data Analytics 5 Fonte: ©2013 GIGYA
- 6. Diagrama de Processos CRISP-DM 6
- 7. Entendendo o Negócio Preocupação • Como aumentar a receita deste produto? Direcionador • Melhorar a efetividade das campanhas de marketing Ação • Estabelecer critérios mais efetivos de elegibilidade de clientes Decisão • Determinar elegibilidade do cliente para a campanha Avaliação • Avaliar o resultado de receita da campanha 7
- 8. Entendendo o Negócio Preocupação • Como aumentar a receita deste produto? Direcionador • Melhorar a efetividade das campanhas de marketing Ação • Estabelecer critérios mais efetivos de elegibilidade de clientes Decisão • Determinar elegibilidade do cliente para a campanha Avaliação • Avaliar o resultado de receita da campanha 8 Qual a lógica que governa esta decisão?
- 9. • Decisão a ser tomada • Resultados esperados da decisão • Condições a serem avaliadas • Dados necessários para a tomada de decisão (incluindo dados analíticos) Descreve as relações entre os elementos de uma decisão: Lógica de Decisão Condições Informações Conclusão 9
- 10. •Que decisões impactam o resultado do negócio? •Como medir este impacto? Identificação •Questão e Respostas •Contexto de Negócio •Contexto Organizacional •Contexto de Aplicação Descrição •Dados de entrada •Análises •Outros conhecimentos •Decisões relacionadas Requisitos •O Modelo de Decisão - TDMModelagem •Lições aprendidas •Gestão do conhecimentoDocumentação Como Modelar Decisões? 10
- 11. Condições (informações) levam a conclusões Lógica declarativa Relacionamento inferencial Princípios que garantem a coerência e precisão do modelo Como Modelar Decisões? 11 O Modelo de Decisão-TDM
- 12. Notação do Modelo de Decisão Símbolo de Decisão Família de Regra Nome da Decisão Tipo de Fato de Conclusão Tipos de Fato de Condição 12
- 13. Notação do Modelo de Decisão Tabela de Família de Regra Símbolo de Decisão Família de Regra Nome da Decisão Tipo de Fato de Conclusão Tipos de Fato de Condição 13
- 14. Notação do Modelo de Decisão Símbolo de Decisão Família de Regra Nome da Decisão Tipo de Fato de Conclusão Tipos de Fato de Condição Família de Regra de Apoio Associação Inferencial 14
- 15. Notação do Modelo de Decisão Quando o modelo está completo? Qual o tamanho dos modelos? 15
- 16. Não existe limite para o tamanho ou complexidade dos modelos TDM 16
- 17. As Decisões (e os modelos) pertencem ao pessoal de negócios Deve incentivar o pensamento criativo Deve permitir a compreensão compartilhada da lógica do negócio Deve ser independente de tecnologia Deve incentivar a melhoria contínua do processo decisório Os dados (informações) possuem definição precisa Conceitos Básicos da Modelagem de Decisão 17
- 18. Comparar múltiplos projetos para priorização Orientar o desenvolvimento de uma forma que é acessível pelo negócio, pela TI e pelos times analíticos Reusar o conhecimento adquirido entre projetos e times de análise Avaliar as fontes de informação em termos de custo e de impacto para o negócio Simular resultados com base em dados estimativos Separar a lógica dos processos e das fontes de dados Modelos de Decisão permitem: 18
- 19. Redução do tempo para captura da lógica Redução do retrabalho devido a erros de lógica Redução do custo pelo reuso da lógica entre projetos Melhoria do resultado pelo melhor entendimento dos objetivos do projeto Absorção, gerenciamento e compartilhamento de conhecimento Independência de tecnologia e metodologia de execução da lógica da decisão Ganhos obtidos com a modelagem de decisão: 19
- 20. PERGUNTAS? 20
Notas do Editor
- CRISP (CRoss-Industry Standard Process for Data Mining) Uma iniciativa iniciada nos anos 1990-2000 para estabelecer um padrão de metodologia e processos para dataminig Business Understanding This initial phase focuses on understanding the project objectives and requirements from a business perspective, and then converting this knowledge into a data mining problem definition, and a preliminary plan designed to achieve the objectives. Data Understanding The data understanding phase starts with an initial data collection and proceeds with activities in order to get familiar with the data, to identify data quality problems, to discover first insights into the data, or to detect interesting subsets to form hypotheses for hidden information. Data Preparation The data preparation phase covers all activities to construct the final dataset (data that will be fed into the modeling tool(s)) from the initial raw data. Data preparation tasks are likely to be performed multiple times, and not in any prescribed order. Tasks include table, record, and attribute selection as well as transformation and cleaning of data for modeling tools. Modeling In this phase, various modeling techniques are selected and applied, and their parameters are calibrated to optimal values. Typically, there are several techniques for the same data mining problem type. Some techniques have specific requirements on the form of data. Therefore, stepping back to the data preparation phase is often needed. Evaluation At this stage in the project you have built a model (or models) that appear to have high quality, from a data analysis perspective. Before proceeding to final deployment of the model, it is important to more thoroughly evaluate the model, and review the steps executed to construct the model, to be certain it properly achieves the business objectives. A key objective is to determine if there is some important business issue that has not been sufficiently considered. At the end of this phase, a decision on the use of the data mining results should be reached. Deployment Creation of the model is generally not the end of the project. Even if the purpose of the model is to increase knowledge of the data, the knowledge gained will need to be organized and presented in a way that the customer can use it. Depending on the requirements, the deployment phase can be as simple as generating a report or as complex as implementing a repeatable data mining process. In many cases it will be the customer, not the data analyst, who will carry out the deployment steps. Even if the analyst deploys the model it is important for the customer to understand up front the actions which will need to be carried out in order to actually make use of the created models.