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.
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
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
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
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.