SlideShare uma empresa Scribd logo
1 de 30
PROJETO FINAL
MBA & Pós Graduação –
Big Data
Junho / 2016
GRUPO 02 – G2
Alexandre Silva (asilva@gmail.com)
Andressa Lima (andressali4@gmail.com)
Cesar Almiñana (cesar.cavini@gmail.com)
Edileusa Prado (edileusa.estefani@gmail.com)
Diogo Góes (diogogoes@gmail.com)
1 CONSIDERAÇÕES FINAIS
Agenda
PROPOSTA2
ESTRATÉGIA3
ORÇAMENTO5
BENEFÍCIOS AO NEGÓCIO4
1 BACKGROUND
6
Background
❑ G2 Consulting é uma empresa especializada em soluções de Big Data
que atua no mercado há mais de 5 anos, com profissionais altamente
qualificados. Oferecemos nossa expertise de tecnologia, combinada
com negócios para grandes companhias.
Quem somos...
Por quê G2 Consulting?
Background
G2
AGREGA
MAIS
VALOR
NEGÓCIO DOS
➢ CLIENTES
Agilidade
Para obter valor dos seus dados
Analítico
Métodos e técnicas para
segmentação, predição,
classificação
Avançado
Tecnologias e metodologias de
ponta para obter resultados e
produtos inovadores!
EFICIÊNCIA
•Disponibilidade
•Escalabilidade
•Performance
PROCESSAMENTO
•Stream / Real Time
•Batch
Por quê Big Data?
Background
Concept
Por quê Big Data?
Qual a questão?
O que
aconteceu?
O que queremos?
Background
Concept
Investimentos em Big Data
Background
Concept
CASE
Background
Criado graças à
análise de
BIG DATA
Analisando as preferências dos
assinantes, o Netflix sabe que seu
conteúdo original terá audiência
Concept
CASE
Background
Concept
Dados demográficos
Exemplo de análise
Exemplo de análise
Análise de sentimento
Exemplo de análise
Análise de adjetivos
Como a empresa está no mercado?
Rentabilidade
Identificamos oportunidades para proporcionar um
serviço diferenciado e novos produtos
Maior Rentabilidade
Sistema Recomendação
Consultoria Produção
Perfis do Usuário
Como alavancar os negócios?
• Perfis de Usuário – entendimento do público para auxiliar na
criação de novos produtos e personalização de conteúdo;
• Consultoria de Produção – ranking e classificação de atores
visando recomendações para futuras produções;
• Sistema de Recomendação – realizar recomendações
considerando preferencias pessoais do usuário.
• Utilizar 100% na Nuvem da Amazon AWS.
Proposta
Perfis do Usuário
Estratégia
• Definir grupos de usuários;
• Neste caso, optamos por definir
3 grupos utilizando as
características de cada usuário,
bem como seus filmes
assistidos e classificações;
• kMeans;
• Esperamos ter 3 grupos bem
definidos para saber o grau de
importância de cada usuário
para a Empresa, e evitar churn.
Consultoria de Produção
Estratégia
• Casting inteligente e objetivo,
levando em conta opinião de
usuários, a fim de determinar as
melhores escolhas para cada tipo
e/ou produção específica;
• Base de dados usuários e suas
classificações + webcrawling
IMDb;
• Aumento da probabilidade de
retorno expressivo em relação à
produções próprias;
• Possibilidade de venda de
informações à outras produtoras;
Sistema de Recomendação
Estratégia
• Sistema de
recomendação de filmes,
discriminando
preferências pessoais de
cada usuário utilizando o
algoritmo KNN;
• Utilizaremos as bases de
dados usuários e suas
classificações;
• Aumento do grau de
satisfação e fidelidade
dos usuários ativos;
Fluxo de Processos
Estratégia
Visão Geral da Arquitetura
Estratégia
Por necessidade de estruturação de TI, será adotado uma solução em Nuvem da
Amazon AWS para Big Data, incluindo etapas de Ingestão de dados,
Persistência/Storage, Processamento/Análise até Visualização dos dados.
INGESTÃO PERSISTÊNCIA PROCESSAMENTO VISUALIZAÇÃO
DADOS INFORMAÇÃO
TEMPO
Visão Geral da Arquitetura
Estratégia
PROCESSAMENTO
ANÁLISE
VISUALIZAÇÃO
Oracle
Drill
JDBC
PERSISTÊNCIA
STORAGE
Dados de
Arquivos
Flume/
Kafka
Drill JDBC
INGESTÃO
Dados
Transacionais
Talend
JDBC
Benefícios ao Negócio
Um dos benefícios do Sistema de Recomendação é poder usufruir das notas avaliadas pelos
usuários e com isto obter informações, tais como a média dos filmes mais bem classificados,
na opinião do público respondente e poder fazer campanhas de marketing mais direcionadas
a estes filmes, filmes com tipo semelhantes e atores destes filmes.
Benefícios ao Negócio
Com campanhas de marketing mais bem direcionadas, além de atrair de forma
eficiente o público alvo, é possível obter mais economia no investimento de
gastos com publicidade, por direcionar melhor o uso deste recurso, obtido pelo
conhecimento através das recomendações dos clientes.
Benefícios ao Negócio
As recomendações obtidas pelos Sistemas de Recomendação, por si podem ser
usadas para atrair o público com dúvida de que filme assistir, pois quando há alto
índice de recomendação para um determinado filme, isto despertar o interesse nos
clientes indecisos, podendo aumentar a visualização de filmes e consequente
receita.
Benefícios ao Negócio
Filmes com classificação entre 3,5 a 5 e distribuídos pelas profissões dos votantes.
Um exemplo para se fazer campanha de Marketing direcionada por profissão, que
podem ser um dos perfis do usuário a ser considerado.
Orçamento
Orçamento
Pessoal Salário / Mês Condição
Analista de BI R$ 6.000,00
Analista com experiência em
Tableau
Analista de Negócios R$ 7.500,00 Um Analista de Negócios
Engenheiro de Dados R$ 11.500,00
Analista de Análise de Dados R$ 20.000,00
Dois analistas Sr. com formação
estatística
Total mão de obra / mês R$ 45.000,00
Total mão de obra com impostos (/b) R$ 78.750,00
Fontes:
Exame.com – Salários na área de IT
Love Mondays
Conselho Regional de Estatística
Sumário de Custos R$ / Mês
Implementação projeto (/a + /b) R$ 92.290,00
Hosting (após a execução) R$ 270.00
Aprovação do
Escopo
Definição do
Escopo
Montagem do
ambiente
Coleta dos
dados
Processament
o
Hadoop
Entrega dos
Resultados
1 2 3 4 5 60 7
Implementação
Time Line do Projeto
dd text title
Add text title
Add text title
Implementação
Considerações
● Projeto “taylor made” para o cliente
● Utilização do modelo montado em classe (12 semanas)
● Disponibilidade dos resultados
● Rápido retorno para o cliente
Referências
• http://www.tableau.com
• http://www.i-scoop.eu/internet-of-things/
• Amazon AWS
• Exame.com – Salários na área de IT
• Love Mondays
• Conselho Regional de Estatística
Considerações Finais
Considerações Finais
Projeto Final - GRUPO 02
❏ Alexandre Silva (asilva@gmail.com)
❏ Andressa Lima (andressali4@gmail.com)
❏ Cesar Almiñana (cesar.cavini@gmail.com)
❏ Edileusa Prado (edileusa.estefani@gmail.com)
❏ Diogo Góes (diogogoes@gmail.com)

Mais conteúdo relacionado

Semelhante a Projeto final v2 - Módulo Gerencial - Sistema de Recomendação

[GetNinjas] Business Intelligence Workshop @ Google Campus SP
[GetNinjas] Business Intelligence Workshop @ Google Campus SP[GetNinjas] Business Intelligence Workshop @ Google Campus SP
[GetNinjas] Business Intelligence Workshop @ Google Campus SPBernardo Srulzon
 
Estruturando time, dados e processos para tomar decisões de produto mais inte...
Estruturando time, dados e processos para tomar decisões de produto mais inte...Estruturando time, dados e processos para tomar decisões de produto mais inte...
Estruturando time, dados e processos para tomar decisões de produto mais inte...Product Camp Brasil
 
TDC2016SP - Do clique ao cliente: Google Analytics, Data Warehousing e BI apl...
TDC2016SP - Do clique ao cliente: Google Analytics, Data Warehousing e BI apl...TDC2016SP - Do clique ao cliente: Google Analytics, Data Warehousing e BI apl...
TDC2016SP - Do clique ao cliente: Google Analytics, Data Warehousing e BI apl...tdc-globalcode
 
Destrave o poder do conhecimento através dos dados com Wiseminer
Destrave o poder do conhecimento através dos dados com WiseminerDestrave o poder do conhecimento através dos dados com Wiseminer
Destrave o poder do conhecimento através dos dados com WiseminerLeonardo Couto
 
Palestra sobre Métricas para Performance
Palestra sobre Métricas para PerformancePalestra sobre Métricas para Performance
Palestra sobre Métricas para PerformanceRicardo T. Dias
 
Governança de Dados-Uma abordagem via Canvas MGD_v02
Governança de Dados-Uma abordagem via Canvas MGD_v02Governança de Dados-Uma abordagem via Canvas MGD_v02
Governança de Dados-Uma abordagem via Canvas MGD_v02Carlos Barbieri
 
Métricas - Maratona Digital
Métricas - Maratona DigitalMétricas - Maratona Digital
Métricas - Maratona DigitalMaratona Digital
 
Gd canvas v01_slideshare_parte03
Gd canvas v01_slideshare_parte03Gd canvas v01_slideshare_parte03
Gd canvas v01_slideshare_parte03Carlos Barbieri
 
Apresentação Wiseminer Analytics
Apresentação Wiseminer AnalyticsApresentação Wiseminer Analytics
Apresentação Wiseminer AnalyticsLeonardo Couto
 
Wiseminer Self-Service Data Analytics
Wiseminer Self-Service Data AnalyticsWiseminer Self-Service Data Analytics
Wiseminer Self-Service Data AnalyticsLeonardo Couto
 
Palestra sobre a Metodologia para Apoio à Decisão, Gerência e Implantação de ...
Palestra sobre a Metodologia para Apoio à Decisão, Gerência e Implantação de ...Palestra sobre a Metodologia para Apoio à Decisão, Gerência e Implantação de ...
Palestra sobre a Metodologia para Apoio à Decisão, Gerência e Implantação de ...GrupoMENTHOR
 
Planejamento e gestão de indicadores para projetos digitais - Workshop 12th C...
Planejamento e gestão de indicadores para projetos digitais - Workshop 12th C...Planejamento e gestão de indicadores para projetos digitais - Workshop 12th C...
Planejamento e gestão de indicadores para projetos digitais - Workshop 12th C...TECSI FEA USP
 
Workshop 12th CONTECSI: Planejamento e gestão de indicadores para projetos di...
Workshop 12th CONTECSI: Planejamento e gestão de indicadores para projetos di...Workshop 12th CONTECSI: Planejamento e gestão de indicadores para projetos di...
Workshop 12th CONTECSI: Planejamento e gestão de indicadores para projetos di...Sthefan Berwanger
 
TDC POA 2017 - Case AGCO
TDC POA 2017 - Case AGCOTDC POA 2017 - Case AGCO
TDC POA 2017 - Case AGCOJoao Gutheil
 
Web Anaytics passo a passo - Maratona Digital
Web Anaytics passo a passo - Maratona Digital Web Anaytics passo a passo - Maratona Digital
Web Anaytics passo a passo - Maratona Digital Maratona Digital
 
Apresentação infinity acies
Apresentação infinity   aciesApresentação infinity   acies
Apresentação infinity aciesALEstrategico
 
Wiseminer Data Blending, Data Preparation & Analytics
Wiseminer Data Blending, Data Preparation & AnalyticsWiseminer Data Blending, Data Preparation & Analytics
Wiseminer Data Blending, Data Preparation & AnalyticsLeonardo Couto
 

Semelhante a Projeto final v2 - Módulo Gerencial - Sistema de Recomendação (20)

[GetNinjas] Business Intelligence Workshop @ Google Campus SP
[GetNinjas] Business Intelligence Workshop @ Google Campus SP[GetNinjas] Business Intelligence Workshop @ Google Campus SP
[GetNinjas] Business Intelligence Workshop @ Google Campus SP
 
Estruturando time, dados e processos para tomar decisões de produto mais inte...
Estruturando time, dados e processos para tomar decisões de produto mais inte...Estruturando time, dados e processos para tomar decisões de produto mais inte...
Estruturando time, dados e processos para tomar decisões de produto mais inte...
 
TDC2016SP - Do clique ao cliente: Google Analytics, Data Warehousing e BI apl...
TDC2016SP - Do clique ao cliente: Google Analytics, Data Warehousing e BI apl...TDC2016SP - Do clique ao cliente: Google Analytics, Data Warehousing e BI apl...
TDC2016SP - Do clique ao cliente: Google Analytics, Data Warehousing e BI apl...
 
Inteligência de Negócios e Software Livre
Inteligência de Negócios e Software LivreInteligência de Negócios e Software Livre
Inteligência de Negócios e Software Livre
 
Destrave o poder do conhecimento através dos dados com Wiseminer
Destrave o poder do conhecimento através dos dados com WiseminerDestrave o poder do conhecimento através dos dados com Wiseminer
Destrave o poder do conhecimento através dos dados com Wiseminer
 
Palestra sobre Métricas para Performance
Palestra sobre Métricas para PerformancePalestra sobre Métricas para Performance
Palestra sobre Métricas para Performance
 
Governança de Dados-Uma abordagem via Canvas MGD_v02
Governança de Dados-Uma abordagem via Canvas MGD_v02Governança de Dados-Uma abordagem via Canvas MGD_v02
Governança de Dados-Uma abordagem via Canvas MGD_v02
 
Métricas - Maratona Digital
Métricas - Maratona DigitalMétricas - Maratona Digital
Métricas - Maratona Digital
 
Gd canvas v01_slideshare_parte03
Gd canvas v01_slideshare_parte03Gd canvas v01_slideshare_parte03
Gd canvas v01_slideshare_parte03
 
Orçamento Empresarial
Orçamento EmpresarialOrçamento Empresarial
Orçamento Empresarial
 
Apresentação Wiseminer Analytics
Apresentação Wiseminer AnalyticsApresentação Wiseminer Analytics
Apresentação Wiseminer Analytics
 
Wiseminer Self-Service Data Analytics
Wiseminer Self-Service Data AnalyticsWiseminer Self-Service Data Analytics
Wiseminer Self-Service Data Analytics
 
Palestra sobre a Metodologia para Apoio à Decisão, Gerência e Implantação de ...
Palestra sobre a Metodologia para Apoio à Decisão, Gerência e Implantação de ...Palestra sobre a Metodologia para Apoio à Decisão, Gerência e Implantação de ...
Palestra sobre a Metodologia para Apoio à Decisão, Gerência e Implantação de ...
 
Planejamento e gestão de indicadores para projetos digitais - Workshop 12th C...
Planejamento e gestão de indicadores para projetos digitais - Workshop 12th C...Planejamento e gestão de indicadores para projetos digitais - Workshop 12th C...
Planejamento e gestão de indicadores para projetos digitais - Workshop 12th C...
 
Workshop 12th CONTECSI: Planejamento e gestão de indicadores para projetos di...
Workshop 12th CONTECSI: Planejamento e gestão de indicadores para projetos di...Workshop 12th CONTECSI: Planejamento e gestão de indicadores para projetos di...
Workshop 12th CONTECSI: Planejamento e gestão de indicadores para projetos di...
 
TDC POA 2017 - Case AGCO
TDC POA 2017 - Case AGCOTDC POA 2017 - Case AGCO
TDC POA 2017 - Case AGCO
 
Web Anaytics passo a passo - Maratona Digital
Web Anaytics passo a passo - Maratona Digital Web Anaytics passo a passo - Maratona Digital
Web Anaytics passo a passo - Maratona Digital
 
Apresentação infinity acies
Apresentação infinity   aciesApresentação infinity   acies
Apresentação infinity acies
 
Wiseminer Data Blending, Data Preparation & Analytics
Wiseminer Data Blending, Data Preparation & AnalyticsWiseminer Data Blending, Data Preparation & Analytics
Wiseminer Data Blending, Data Preparation & Analytics
 
WAW-RJ: Apresentação de Ruy Carneiro sobre o GA Premium
WAW-RJ: Apresentação de Ruy Carneiro sobre o GA PremiumWAW-RJ: Apresentação de Ruy Carneiro sobre o GA Premium
WAW-RJ: Apresentação de Ruy Carneiro sobre o GA Premium
 

Projeto final v2 - Módulo Gerencial - Sistema de Recomendação

  • 1. PROJETO FINAL MBA & Pós Graduação – Big Data Junho / 2016 GRUPO 02 – G2 Alexandre Silva (asilva@gmail.com) Andressa Lima (andressali4@gmail.com) Cesar Almiñana (cesar.cavini@gmail.com) Edileusa Prado (edileusa.estefani@gmail.com) Diogo Góes (diogogoes@gmail.com)
  • 3. Background ❑ G2 Consulting é uma empresa especializada em soluções de Big Data que atua no mercado há mais de 5 anos, com profissionais altamente qualificados. Oferecemos nossa expertise de tecnologia, combinada com negócios para grandes companhias. Quem somos...
  • 4. Por quê G2 Consulting? Background G2 AGREGA MAIS VALOR NEGÓCIO DOS ➢ CLIENTES Agilidade Para obter valor dos seus dados Analítico Métodos e técnicas para segmentação, predição, classificação Avançado Tecnologias e metodologias de ponta para obter resultados e produtos inovadores!
  • 6. Concept Por quê Big Data? Qual a questão? O que aconteceu? O que queremos? Background
  • 8. Concept CASE Background Criado graças à análise de BIG DATA Analisando as preferências dos assinantes, o Netflix sabe que seu conteúdo original terá audiência
  • 13. Como a empresa está no mercado?
  • 14. Rentabilidade Identificamos oportunidades para proporcionar um serviço diferenciado e novos produtos Maior Rentabilidade Sistema Recomendação Consultoria Produção Perfis do Usuário Como alavancar os negócios? • Perfis de Usuário – entendimento do público para auxiliar na criação de novos produtos e personalização de conteúdo; • Consultoria de Produção – ranking e classificação de atores visando recomendações para futuras produções; • Sistema de Recomendação – realizar recomendações considerando preferencias pessoais do usuário. • Utilizar 100% na Nuvem da Amazon AWS. Proposta
  • 15. Perfis do Usuário Estratégia • Definir grupos de usuários; • Neste caso, optamos por definir 3 grupos utilizando as características de cada usuário, bem como seus filmes assistidos e classificações; • kMeans; • Esperamos ter 3 grupos bem definidos para saber o grau de importância de cada usuário para a Empresa, e evitar churn.
  • 16. Consultoria de Produção Estratégia • Casting inteligente e objetivo, levando em conta opinião de usuários, a fim de determinar as melhores escolhas para cada tipo e/ou produção específica; • Base de dados usuários e suas classificações + webcrawling IMDb; • Aumento da probabilidade de retorno expressivo em relação à produções próprias; • Possibilidade de venda de informações à outras produtoras;
  • 17. Sistema de Recomendação Estratégia • Sistema de recomendação de filmes, discriminando preferências pessoais de cada usuário utilizando o algoritmo KNN; • Utilizaremos as bases de dados usuários e suas classificações; • Aumento do grau de satisfação e fidelidade dos usuários ativos;
  • 19. Visão Geral da Arquitetura Estratégia Por necessidade de estruturação de TI, será adotado uma solução em Nuvem da Amazon AWS para Big Data, incluindo etapas de Ingestão de dados, Persistência/Storage, Processamento/Análise até Visualização dos dados. INGESTÃO PERSISTÊNCIA PROCESSAMENTO VISUALIZAÇÃO DADOS INFORMAÇÃO TEMPO
  • 20. Visão Geral da Arquitetura Estratégia PROCESSAMENTO ANÁLISE VISUALIZAÇÃO Oracle Drill JDBC PERSISTÊNCIA STORAGE Dados de Arquivos Flume/ Kafka Drill JDBC INGESTÃO Dados Transacionais Talend JDBC
  • 21. Benefícios ao Negócio Um dos benefícios do Sistema de Recomendação é poder usufruir das notas avaliadas pelos usuários e com isto obter informações, tais como a média dos filmes mais bem classificados, na opinião do público respondente e poder fazer campanhas de marketing mais direcionadas a estes filmes, filmes com tipo semelhantes e atores destes filmes.
  • 22. Benefícios ao Negócio Com campanhas de marketing mais bem direcionadas, além de atrair de forma eficiente o público alvo, é possível obter mais economia no investimento de gastos com publicidade, por direcionar melhor o uso deste recurso, obtido pelo conhecimento através das recomendações dos clientes.
  • 23. Benefícios ao Negócio As recomendações obtidas pelos Sistemas de Recomendação, por si podem ser usadas para atrair o público com dúvida de que filme assistir, pois quando há alto índice de recomendação para um determinado filme, isto despertar o interesse nos clientes indecisos, podendo aumentar a visualização de filmes e consequente receita.
  • 24. Benefícios ao Negócio Filmes com classificação entre 3,5 a 5 e distribuídos pelas profissões dos votantes. Um exemplo para se fazer campanha de Marketing direcionada por profissão, que podem ser um dos perfis do usuário a ser considerado.
  • 26. Orçamento Pessoal Salário / Mês Condição Analista de BI R$ 6.000,00 Analista com experiência em Tableau Analista de Negócios R$ 7.500,00 Um Analista de Negócios Engenheiro de Dados R$ 11.500,00 Analista de Análise de Dados R$ 20.000,00 Dois analistas Sr. com formação estatística Total mão de obra / mês R$ 45.000,00 Total mão de obra com impostos (/b) R$ 78.750,00 Fontes: Exame.com – Salários na área de IT Love Mondays Conselho Regional de Estatística Sumário de Custos R$ / Mês Implementação projeto (/a + /b) R$ 92.290,00 Hosting (após a execução) R$ 270.00
  • 27. Aprovação do Escopo Definição do Escopo Montagem do ambiente Coleta dos dados Processament o Hadoop Entrega dos Resultados 1 2 3 4 5 60 7 Implementação Time Line do Projeto
  • 28. dd text title Add text title Add text title Implementação Considerações ● Projeto “taylor made” para o cliente ● Utilização do modelo montado em classe (12 semanas) ● Disponibilidade dos resultados ● Rápido retorno para o cliente
  • 29. Referências • http://www.tableau.com • http://www.i-scoop.eu/internet-of-things/ • Amazon AWS • Exame.com – Salários na área de IT • Love Mondays • Conselho Regional de Estatística Considerações Finais
  • 30. Considerações Finais Projeto Final - GRUPO 02 ❏ Alexandre Silva (asilva@gmail.com) ❏ Andressa Lima (andressali4@gmail.com) ❏ Cesar Almiñana (cesar.cavini@gmail.com) ❏ Edileusa Prado (edileusa.estefani@gmail.com) ❏ Diogo Góes (diogogoes@gmail.com)