4. Fatores Críticos de Sucesso
• Ferramenta importante em ambientes em
sérias transformações.
• Permite às empresas focalizarem
estrategicamente focalizarem suas ações e
monitorarem as tendências e os sinais de
mudança do ambiente social e produtivo em
que atuam.
5. Fatores Críticos de Sucesso
• O método dos fatores críticos de sucesso
tem por objetivo geral identificar as
características, condições ou variáveis que
devem ser devidamente monitoradas pela
organização para que ela fique bem
posicionada em seu ambiente de competição.
6. O que são Fatores Críticos de Sucesso?
• Variáveis cujo gerenciamento poderá afetar
significativamente a posição competitiva de uma
empresa.
• São aquelas poucas áreas, para qualquer negócio,
nas quais os resultados, se satisfatórios, irão assegurar
um desempenho competitivo e de sucesso para a
organização.
• São aquelas características, condições ou variáveis
que, quando devidamente gerenciadas, podem ter um
impacto significativo sobre o sucesso de uma empresa.
7. Características dos fatores críticos de sucesso
Natureza hierárquica
Alguns se relacionam ao ramo de
negócio como um todo, outros são
específicos de uma empresa, outros
se referem à determinadas unidades
de negócios da
empresa/organização.
8. Características dos fatores críticos de sucesso
•Arborescência
– Um fator crítico de sucesso pode ser
desdobrado em diversas ramificações,
segundo a sua importância.
– O desdobramento dos fatores críticos
em árvores de pertinência permite
reconhecer a importância relativa de cada
ramificação da árvores e identificar melhor
as necessidades de informação por
processo-chave, por área funcional,
projeto ou indivíduo.
9. Características dos fatores críticos de sucesso
• Caráter dinâmico
– Em função das freqüentes mudanças no
ambiente de atuação das organizações,
estas deverão rever sistematicamente o
conjunto de fatores críticos que
monitoram e administram.
10. Cinco níveis para identificar os fatores críticos
de sucesso
1. Indústria ou ramo de negócio
2. Estratégia e comportamento competitivo
3. Fatores-chave do ambiente externo
4. Fatores temporais
5. Posição gerencial
11. Exemplos de fatores críticos de sucesso
Indústria automobilística
1. Estilo do veículo
2. Economia de combustível
3. Atendimento à legislação ambiental
4. Rede de distribuição eficiente
5. Rígido controle sobre os custos de produção
12. Exemplos de fatores críticos de sucesso
Área de informática
1. Capacidade de inovação
2. Qualidade nas vendas e na literatura do
usuário
3. Facilidade de uso dos produtos
13. Exemplos de fatores críticos de sucesso
Indústria de alimentos
1. Eficácia na propaganda
2. Eficácia na distribuição dos produtos
3. Capacidade de inovação de produtos
14. Exemplos de fatores críticos de sucesso
Empresas de treinamento
1. Instrutores de competência
2. Qualidade e tamanho da mala direta
3. Identificação de temas atuais e relevantes
4. Imagem reconhecida no mercado
15. Exemplos de fatores críticos de sucesso
Empresas de alta tecnologia
1. Capacidade gerencial para atuar em
ambiente competitivo.
2. Capacidade de inovação
3. Marketing tecnológico.
4. Integração com a comunidade científica e
tecnológica.
16. Descrição do método
Primeira etapa
1. Entrevistas individuais com os executivos para relacionar
os objetivos da empresa e discutir os fatores críticos de
sucesso com cada um.
2. Verificar as inter-relações entre os fatores críticos de
sucesso e os objetivos relacionados.
3. Os resultados da matriz permite combinar, eliminar ou até
mesmo identificar novos fatores críticos.
17. Descrição do método
Segunda etapa
1. Análise dos resultados de todas as entrevistas e
formulação de um proposta consolidada
• Nesta etapa os executivos voltam a discutir sobre os fatores
críticos de sucesso, quando buscam consenso.
18. Descrição do método
Oito técnicas para identificação dos FCS
1. Análise ambiental
2. Análise da estrutura da indústria (5 forças de Porter)
3. Consulta a especialistas (indústria/negócio)
4. Análise da concorrência
5. Análise da empresa líder no segmento industrial
6. Avaliação da empresa
7. Fatores temporais/intuitivos (específicos da empresa)
8. Análise dos dados da base PIMS (Profit Impact of Market
Strategy).
19. Descrição do método
Análise ambiental
Permite identificar as forças econômicas, políticas e
sociais que estão impactando ou irão impactar o
desempenho do segmento industrial ou da empresa.
Trata-se de uma análise em nível macro.
Esta técnica pode ser especialmente útil para análise de
empresas, cuja sobrevivência esteja fora do controle do
ambiente competitivo em que atuam.
20. Descrição do método
Análise da estrutura da indústria
Baseia-se no modelo de Porter para analisar a estrutura da
indústria ou ramo de negócio segundo cinco forçar
competitivas:
- ameaça de novos entrantes
- ameaça de produtos substitutos
- intensidade de competição ou padrão de concorrência
- poder de barganha dos clientes
- poder de barganha dos fornecedores
21. Descrição do método
Análise da estrutura da indústria
Quatro dimensões de monitoração das questões do ramo de
negócios no macroambiente
- concorrencial
- comercial (clientes e fornecedores)
- tecnológica (estado-da-arte da tecnologia)
- do macroambiente (aspectos legais, políticos, culturais
e do meio ambienteque impactam diretamente o negócio)
23. 23
POR QUE PRATICAR “BENCHMARKING”
VOCÊ SABE COMO ESTÁ SEU DESEMPENHO
QUANDO COMPARADO COM O DOS OUTROS?
VOCÊ QUER SAIR DA “CEGUEIRA EMPRESARIAL”
E ENTENDER AS PERSPECTIVAS DE SEU NEGÓCIO?
VOCÊ PODE ESTAR TENDO MUITO SUCESSO, MAS
VOCÊ TEM CERTEZA QUE NÃO PODERIA SER
MELHOR?
24. 24
É UM PROCESSO QUE NOS AJUDA A AVALIAR
ONDE ESTAMOS EM RELAÇÃO AOS OUTROS E A
MELHORAR.
É UM MEIO PARA IDENTIFICAR AS MELHORES
PRÁTICAS DO MERCADO, ESTEJAM ONDE
ESTIVEREM, E DE IMPLEMENTAR AS MUDANÇAS
CERTAS EM NOSSA EMPRESA, NOS LOCAIS
AONDE AQUELAS PRÁTICAS SÃO OU PODEM SER
UTILIZADAS.
É UM PROCESSO REPETITIVO DE MELHORIA
CONTÍNUA QUE MANTÉM A EMPRESA
COMPETITIVA.
O QUE É “BENCHMARKING”?
25. 25
É UM PROCESSO DE MEDIÇÃO SISTEMÁTICA E DE
COMPARAÇÃO CONTÍNUA DAS ESTRATÉGIAS, DOS
PRODUTOS, DOS PROCESSOS E DOS RESULTADOS
DE UMA ORGANIZAÇÃO COM AS MELHORES
EMPRESAS DO MUNDO,PARA OBTER INFORMAÇÕES
QUE INDICARÃO PARA A ORGANIZAÇÃO QUAIS
AÇÕES DEVE IMPLEMENTAR PARA MELHORAR SEU
DESEMPENHO TORNANDO-SE MAIS COMPETITIVA.
O QUE É “BENCHMARKING”?
27. 27
FAZER “BENCHMARKING” DO QUE?
1. BENCHMARKING DE NOSSOS PRODUTOS –
ENGENHARIA REVERSA
2. BENCHMARKING COMPETITIVO DE NOSSAS
ESTRATÉGIAS COM AS DOS CONCORRENTES
3. BENCHMARKING DE UM PROCESSO ESPECÍFICO
4. BENCHMARKING DE UMA FUNÇÃO
5. BENCHMARKING DE NOSSOS RESULTADOS
6. BENCHMARKING GLOBAL EM RELAÇÃO AOS
REFERENCIAIS INTERNACIONAIS
28. 28
COM QUEM FAZER “BENCHMARKING”?
1. COMPETIDORES DIRETOS
2. EMPRESAS DE OUTROS SETORES
3. ASSOCIAÇÕES DE CLASSE
4. FORNECEDORES E CLIENTES
5. EMPRESAS CLASSE MUNDIAL (PNQ, ETC)
6. GRUPOS DE BENCHMARKING
29. 29
1. UNIFORMIZAMOS A AÇÃO DENTRO DA EMPRESA
2. GANHAMOS TEMPO E CLAREZA, FACILITAMOS A
COMPREENSÃO DE TODOS
3. MELHORAMOS A COMUNICAÇÃO, ANTES, DURANTE
E DEPOIS
4. IDENTIFICAMOS OS INDICADORES ADEQUADOS
5. SIMPLIFICAMOS O TREINAMENTO
6. CONSTATAMOS SE SOMOS CAPAZES DE FAZER
BENCHMARKING
OLHANDO PARA O PRÓPRIO UMBIGO
30. 30
AS PRÁTICAS DE BENCHMARKING
NAS GANHADORAS DO PNQ
PRÊMIO NACIONAL DA QUALIDADE
31. 31
AS EMPRESAS PREMIADAS COM O PNQ
CONSIDERADAS “CLASSE MUNDIAL”
• 2002 – GERDAU AFP
• 2002 – POLITENO
• 2002 – STA CASA
PORTO ALEGRE
• 2001 – BAHIA SUL
CELULOSE
• 2000 – SERASA
• 1999 – CETREL
• 1999 – CATERPILLAR
• 1998 – SIEMENS
• 1997 – WEG
• 1997 – COPESUL
• 1997 – CITIBANK
(CORPORATE)
• 1996 – ALCOA POÇOS
CALDAS
• 1995 – SERASA
• 1994 – CITIBANK
(CONSUMER)
• 1993 – XEROX
• 1992 – IBM SUMARÉ
32. 32
OUTPUT, RESULTADOS
FATORES DE SUCESSO
N
Ó
S
E
L
E
S
PROCESSOS, PRÁTICAS,
MÉTODOS
ANÁLISE
1.
BENCHMARKING
DE QUE?
2. QUEM/QUAL
É O MELHOR?
3. COMO NÓS
FAZEMOS?
4. COMO ELES
FAZEM?
COLETA DE
DADOS
O PROCESSO DE BENCHMARKING DA XEROX
FONTE: RELATÓRIO DE
GESTÃO PNQ DA XEROX
33. 33
1. IDENTIFIQUE O QUE SERÁ OBJETO DE BENCHMARKING EM ALINHAMENTO
COM AS NECESSIDADES DO NEGÓCIO.
2. DECIDA QUEM SERÃO SEUS PARCEIROS E CONQUISTE COMPROMETIMENTO
3. DECIDA QUAL SERÁ SEU TIME DE TRABALHO
4. TREINE SUA EQUIPE E SEUS PARCEIROS, SE NECESSÁRIO
5. IDENTIFIQUE AS INFORMAÇÕES NECESSÁRIAS, OS MÉTODOS DE COLETA,
PROCESSAMENTO, DIVULGAÇÃO E USO PARA A MELHORIA
6. TESTE SEU PROCESSO (FLUXOGRAMA, INDICADORES, RESULTADOS)
7. COLETE AS INFORMAÇÕES DOS PARCEIROS E DE BENCHMARKS
8. FAÇA UMA ANÁLISE COMPARATIVA E IDENTIFIQUE AS MELHORES PRÁTICAS
9. IMPLEMENTE AS MUDANÇAS PARA MELHOR E REINICIE AS MEDIÇÕES
10. AVALIE SEU PROCESSO DE FAZER BENCHMARKING, MELHORE E
RECOMECE.
BENCHMARKING EM 10 GRANDES PASSOS
34. 34
CÓDIGO BRASILEIRO DE ÉTICA E CONDUTA
PARA A PRÁTICA DO BENCHMARKING
1. PRINCÍPIOS DA LEGALIDADE
2. PRINCÍPIOS DO INTERCÂMBIO
3. PRINCÍPIOS DA CONFIDENCIALIDADE
4. PRINCÍPIOS DO USO
5. PRINCÍPIOS DO CONTATO EM BENCHMARKING
6. PRINCÍPIOS DO CONTATO COM TERCEIROS
7. PRINCÍPIOS DA PREPARAÇÃO
8. PRINCÍPIOS DO PLENO CUMPRIMENTO
9. PRINCÍPIOS DO ENTENDIMENTO E AÇÃO
10. PRINCÍPIOS DO RELACIONAMENTO
37. 37
A execução da estratégia
“ Menos de 10% das estratégias
efetivamente formuladas são
efetivamente executadas”
Fonte: Fortune
38. 38
O Balanced Scorecard como uma
estratégia para ação
Balanced
Scorecard
Comunicação e Integrando
Comunicação e educação
Definindo Objetivos
Integrando a premiação à
medidas de performance
Clarificar e Traduzir
Visão e a Estratégia
Clarificando a visão
Obtendo o consenso
Feedback da Estratégia e Aprendizagem
Compartilhando a Visão
Provendo Informações sobre a estratégia
Facilitando o processo de revisão da
estratégia
Planejamento e Objetivos
Alinhando iniciativas
estratégicas
Alocando os recursos
Estabelecendo prazos
39. 39
BSC: Uma ferramenta de gestão da performance empresarial
EPM envolve as medições e análises dos Indicadores
Chaves de Performance (KPIs) para planejar e gerenciar
os processos de negócio e a estratégia da empresa.
EPM: ENTERPRISE PERFORMANCE MANAGEMENT
40. 40
Por quê o negócio precisa de um Balanced
Scorecard ?
Por que não continuar usando só as medidas financeiras?
Um exemplo:
Larry Brady, Presidente da FMC:
“Como uma empresa altamente diversificada, … a medição do retorno
do capital investido (ROCE) foi muito importante para nós. No final de cada
ano nós premiávamos os diretores das unidades que atingiam as metas
financeiras.Nós fizemos isso nos últimos 20 anos com sucesso. Mas estava
ficando pouco claro para nós onde crescer e como se preparar para o futuro.
Nós tínhamos um alto retorno do investimento mas pouco potencial para
continuar crescendo. E os nossos relatórios financeiros não eram claros
sobre os progressos de nossa estratégia de médio e longo prazo.”
41. 41
BSC – Balanced Scorecard
O nome deste processo deriva de uma nova visão “balanced” de
métricas de performance. Formaliza o processo de mensuração
permitindo os gerentes de toda a organização trabalhar com os
mesmos objetivos e processos.
Adoção de indicadores da futura performance, segmentadas em
quatro categorias: Financeira, Clientes, Processos, Aprendizagem e
Crescimento.
42. 42
BSC – Balanced Scorecard
Cinco medidas financeiras, como taxa de utilização dos ativos, vendas
por funcionário e retorno do capital empregado (ROCE);
Cinco medidas sobre clientes, como satisfação, participação no cliente
e taxa de retenção;
Oito a dez medidas internas, % de vendas de novos produtos;
introdução novos produtos vs. concorrência e “time to market” da nova
geração de produtos; e
Cinco medidas para crescimento e aprendizagem, como Satisfação de
funcionários, % de saída de pessoas-chave e, % de processos
realizados excepcionalmente.
43. 43
Aumento e mix
de receitas
• Ferramentas: EVA, ABC, Dupont
Melhoria dos custos
e produtividade
Incremento na
utilização dos ativos
Benefícios
esperados
Perspectiva Financeira
Redução dos riscos:
liquidez, crédito
e concentração
44. 44
• Receita operacional
• Retorno sobre o capital empregado, Retorno sobre os ativos
• Valor agregado econômico (lucro operacional pós-tributação
menos custo de capital)
• Crescimento de vendas, Crescimento de receita
• Percentual de receita decorrente de novos produtos e
serviços
• Lucratividade por produto / serviço / cliente
• Receita por funcionário
• Despesas de vendas, gerais e administrativas como
percentual do total de custos ou receitas.
Indicadores vinculados à área financeira
45. 45
Participação de
mercado
• Ferramentas: Segmentação mercado, segmentação clientes, pesquisas e matriz
produtos x clientes,
Captação de novos
clientes, retenção
e satisfação
Rentabilidade
proporcionada
pelos clientes
Benefícios
esperados
Perspectiva Cliente
Ambiente:
análise dos
competidores
46. 46
Índice de Reclamações dos clientes
Grau de insatisfação dos clientes com a empresa
Duração do relacionamento com os clientes
Atividades de consultoria ao cliente
Crosselling
Chamadas a clientes
Contatos eletrônicos com o cliente
Novas vendas
Duração média do relacionamento sobre a vida média do
produto
Indicadores vinculados ao Cliente
47. 47
% de fornecedores com certificação ISO
Vendas geradas por parceiros
% de novos produtos desenvolvidos com parceiros
Avaliar mix da base de clientes e sua composição
Quedas de preço
Esforço de venda em novos clientes
Satisfação da rede de distribuição
Canal de distribuição, produtividade e qualidade
Compromissos não cumpridos
Taxa de queixas dos Cliente
Indicadores vinculados ao Cliente
48. 48
Análise da inter-
relação com
departamentos
• Ferramentas: Análise de processos, racionalização, automação, pesquisa de
qualidade
Processo de identifi-
cação necessidades
dos clientes e servi-
ços pós vendas
Processo de
inovação e novos
produtos
Benefícios
esperados
Processo
de
operações
Perspectiva Processos Internos
49. 49
Desvio do tempo de entrega.
Tempos dos Ciclos / Processo
Tempo médio de resposta
Chamadas interrompidas
Tempo médio para solução de problemas
Capacidade total de produção sobre a capacidade interna
utilizada
Produtividade real vs projetada
Custo da Qualidade sobre custo total
Utilização da capacidade de produção
Indicadores vinculados ao Processo
50. 50
Investimento em TI (sistemas e automação) sobre vendas
Custo do Capital
Taxa de não-conformidade
% do tempo investido em padronizar as operações
Número de pagamentos automatizados
Disponibilidade de sistemas para gestão comercial
Número de informações estratégicas não confiáveis
Indicadores vinculados ao Processo
51. 51
Avaliação da
capacidade
dos funcionários
• Ferramentas: Inventário de competências, gap analisys, treinamento, valores
organização, cultura organizacional, estrutura
Capacidade dos
Sistemas de
Informação
Motivação e
alinhamento com
as estratégias
Benefícios
esperados
Empowerment
Perspectiva Aprendizagem e Crescimento
52. 52
Vendas geradas por novos clientes sobre o total das vendas
% das vendas geradas por novos produtos
Orçamento de Pesquisa e Desenvolvimento
Taxa de êxito de projetos de desenvolvimento de novos
produtos
Grau de customização de produtos
Número de horas em desenvolvimento de TI
Funcionários com Graduação
Índice de Motivação
Índice de Liderança
Indicadores vinculados a Crescimento e Aprendizagem
53. 53
Promoções Internas
Níveis de Aprovação de Gastos
Numero de Funcionários
Número de funcionários temporários sobre o total
Índice de medição de sistemas de apoio a decisão
Índice de Empowerment
Numero de dias de treinamento
Clima Organizacional
Investimento em criatividade e aprendizagem
Disponibilidade de Informações
Indicadores vinculados a Crescimento e Aprendizagem
55. 55
Construindo o BSC: respondendo as quatro
perguntas chave
Visão
e
Estratégia
“Para ter
sucesso
financeiro, qual
a nossa imagem
para os nossos
acionistas?”
“Para satisfazer
nossos acionistas
e clientes,que
processos
faremos
melhor?”
“Para cumprir
nossa visão, qual
a nossa imagem
para os nossos
clientes?”
“Para cumprir
nossa visão,
quais as
competências
necessárias?”
56. Descoberta de Conhecimento
em Bases de Dados
e Mineração de Dados
Eduardo Massao Arakaki
(ema@di.ufpe.br)
Marcela Fontes Lima Guerra
(mflg@di.ufpe.br)
57. Roteiro
Motivação
Exemplo preliminar
Conceitos básicos
Processo de kdd
Métodos de mineração de dados
Técnicas
Exemplos
Referências
58. Motivação
A informatização dos meios produtivos
permitiu a geração de grandes volumes de
dados:
– Transações eletrônicas;
– Novos equipamentos científicos e industriais
para observação e controle;
– Dispositivos de armazenamento em massa;
Aproveitamento da informação permite
ganho de competitividade: “conhecimento
é poder (e poder = $$!)”
Motivação
59. Motivação
Os recursos de análise de dados
tradicionais são inviáveis para
acompanhar esta evolução
“Morrendo de sede por conhecimento
em um oceano de dados”
Motivação
60. Motivação
Solução:
– ferramentas de automatização das tarefas
repetitivas e sistemática de análise de dados
– ferramentas de auxílio para as tarefas
cognitivas da análise
– integração das ferramentas em sistemas
apoiando o processo completo de descoberta
de conhecimento para tomada de decisão
Motivação
61. Exemplo Preliminar
Um problema do mundo dos negócios:
entender o perfil dos clientes
– desenvolvimento de novos produtos;
– controle de estoque em postos de
distribuição;
– propaganda mal direcionada gera maiores
gastos e desestimula o possível interessado a
procurar as ofertas adequadas;
Quais são meus clientes típicos?
Exemplo
62. Descoberta de Conhecimento
em Bancos de Dados (KDD)
“O processo não trivial de extração de
informações implícitas, anteriormente
desconhecidas, e potencialmente úteis de
uma fonte de dados”;
“Torture os dados até eles confessarem”;
O que é um padrão interessante ?
Conceitos
63. KDD x Data Mining
Mineração de dados é o passo do
processo de KDD que produz um conjunto
de padrões sob um custo computacional
aceitável;
KDD utiliza algoritmos de data mining para
extrair padrões classificados como
“conhecimento”. Incorpora também tarefas
como escolha do algoritmo adequado,
processamento e amostragem de dados e
interpretação de resultados;
Conceitos
64. Etapas do Processo
Seleção
Pré-processamento
Transformação
Data mining (aprendizagem)
Interpretação e Avaliação
Processo
65. Processo mínimo de
descoberta do conhecimento
Compreensão do domínio e dos objetivos da tarefa;
Criação do conjunto de dados envolvendo as variáveis
necessárias;
Processo
66. 66
Seleção de Dados
Selecionar ou segmentar dados de acordo
com critérios definidos:
• Ex.: Todas as pessoas que são
proprietárias de carros é um subconjunto
de dados determinado.
Processo
67. Processo mínimo
Operações como identificação de ruídos,
outliers, como tratar falta de dados em alguns
campos, etc.
Processo
68. 68
Pré-Processamento
Estágio de limpeza dos dados, onde
informações julgadas desnecessárias são
removidas.
Reconfiguração dos dados para assegurar
formatos consistentes (identificação)
– Ex. : sexo = “F” ou “M”
sexo = “M” ou “H”
Processo
70. 70
Transformação
Transformam-se os dados em formatos
utilizáveis. Esta depende da técnica data
mining usada.
Disponibilizar os dados de maneira usável e
navegável.
Processo
71. Processo mínimo
Escolha e execução do algoritmo de aprendizagem de
acordo com a tarefa a ser cumprida
Processo
72. 72
Data Mining
É a verdadeira extração dos padrões de
comportamento dos dados (exemplos)
Processo
73. Processo mínimo
Interpretação dos resultados, com
possível retorno aos passos anteriores;
Processo
Consolidação: incorporação e documentação do
conhecimento e comunicação aos interessados;
74. 74
Interpretação e Avaliação
Identificado os padrões pelo sistema,
estes são interpretados em
conhecimentos, os quais darão suporte a
tomada de decisões humanas
Processo
75. Métodos de mineração de
dados
Métodos de mineração de dados
normalmente são extensões ou
combinações de uns poucos métodos
fundamentais;
Porém, não é viável a criação de um único
método universal: cada algoritmo possui
sua própria tendência indutiva;
Métodos
76. Tarefas básicas
Previsão
– Cálculo de variáveis de interesse a partir dos
valores de um conjunto de variáveis de
explicação;
– É comumente visada em aprendizado de
máquina/estatística;
– Exemplos: classificação e regressão;
Métodos
77. Tarefas básicas
Descrição
– Reportar relações entre as variáveis do
modelo de forma simétrica;
– À princípio, está mais relacionada ao
processo de KDD;
– Exemplos: agrupamento, sumarização
(incluindo sumário de textos), dependências,
análise de desvio;
Métodos
78. Exemplo de previsão (I)
Um hiperplano paralelo de
separação: pode ser
interpretado diretamente
como uma regra:
– se a renda é menor que t,
então o crédito não deve ser
liberado
Exemplo:
– árvores de decisão;
– indução de regras
renda
débito
x
x
x
x
x
x
x
o
o
o
o
o
o
o
o
o
t
sem
crédito
o
o: exemplo aceito
x: exemplo recusado
Análise de crédito
Métodos
79. Exemplo de previsão (II)
Hiperplano oblíquo: melhor
separação:
Exemplos:
– regressão linear;
– perceptron;
Análise de crédito
renda
débito
x
x
x
x
x
x
x
o
o
o
o
o
o
o
o
o
t
sem
crédito
o
o: exemplo aceito
x: exemplo recusado
Métodos
80. Exemplo de previsão (III)
Superfície não linear:
melhor poder de
classificação, pior
interpretação;
Exemplos:
– perceptrons
multicamadas;
– regressão não-linear;
Análise de crédito
renda
débito
x
x
x
x
x
x
x
o
o
o
o
o
o
o
o
o
t
sem
crédito
o
o: exemplo aceito
x: exemplo recusado
Métodos
81. Exemplo de previsão (IV)
Métodos baseado em
exemplos;
Exemplos:
– k-vizinhos mais
próximos;
– raciocínio baseado em
casos;
Análise de crédito
renda
débito
x
x
x
x
x
x
x
o
o
o
o
o
o
o
o
o
t
sem
crédito
o
o: exemplo aceito
x: exemplo recusado
Métodos
82. Exemplo de descrição (I)
Agrupamento
Exemplo:
– vector quantization;
renda
débito
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
t
+
+: exemplo
Análise de crédito
Métodos
83. Exemplo de descrição (II)
Regras de associação
– “98% dos consumidores que adquiriram
pneus e acessórios de automóveis também
se interessaram por serviços automotivos”;
– descoberta simétrica de relações, ao
contrário de métodos de classificação
qualquer atributo pode ser uma classe ou um
atributo de discriminação;
Métodos
84. 84
Exemplos
Áreas de aplicações potenciais:
– Vendas e Marketing
• Identificar padrões de comportamento de
consumidores
• Associar comportamentos à características
demográficas de consumidores
• Campanhas de marketing direto (mailing
campaigns)
• Identificar consumidores “leais”
Exemplos
85. 85
Exemplos
Áreas de aplicações potenciais:
–Bancos
• Identificar padrões de fraudes (cartões de
crédito)
• Identificar características de correntistas
• Mercado Financeiro ($$$)
Exemplos
86. 86
Exemplos
Áreas de aplicações potenciais
– Médica
• Comportamento de pacientes
• Identificar terapias de sucessos para diferentes
tratamentos
• Fraudes em planos de saúdes
• Comportamento de usuários de planos de saúde
Exemplos
87. 87
Introdução
Exemplo (1) - Fraldas e cervejas
– O que as cervejas tem a ver com as fraldas ?
– homens casados, entre 25 e 30 anos;
– compravam fraldas e/ou cervejas às sextas-
feiras à tarde no caminho do trabalho para
casa;
– Wal-Mart otimizou às gôndolas nos pontos de
vendas, colocando as fraldas ao lado das
cervejas;
– Resultado: o consumo cresceu 30% .
88. 88
Exemplos
Exemplo (2) - Lojas Brasileiras (Info 03/98)
– Aplicou 1 milhão de dólares em técnicas de
data mining
– Reduziu de 51000 produtos para 14000
produtos oferecidos em suas lojas.
– Exemplo de anomalias detectadas:
–Roupas de inverno e guarda chuvas encalhadas
no nordeste
–Batedeiras 110v a venda em SC onde a
corrente elétrica é 220v
Exemplos
89. 89
Exemplos
Exemplo (3) - Bank of America (Info
03/98)
– Selecionou entre seus 36 milhões de clientes
• Aqueles com menor risco de dar calotes
• Tinham filhos com idades entre 18 e 21 anos
• Resultado em três anos o banco lucrou 30
milhões de dólares com a carteira de
empréstimos.
Exemplos
90. 90
Exemplos
Empresas de software para Data
mining:
– SAS http://www.sas.com
– Information Havesting http://www.convex.com
– Red Brick http://www.redbrick.com
– Oracle http://www.oracle.com
– Sybase http://www.sybase.com
– Informix http://www.informix.com
– IBM http://www.ibm.com
Exemplos
91. 91
Conclusões
• Data mining é um processo que permite
compreender o comportamento dos dados.
• Data mining analisa os dados usando técnicas de
aprendizagem para encontrar padrões e
regulariedades nestes conjuntos de dados.
• É um problema pluridisciplinar, envolve Inteligência
Artificial, Estatística, Computação Gráfica, Banco de
Dados.
• Pode ser bem aplicado em diversas áreas de
negócios
Conclusões
92. 92
Referências
– Fayyad et al. (1996). Advances in knowledge discovery and
data mining, AAAI Press/MIT Press.
– Holsheimer, M. & Siebes, A.P.J.M. Data Mining: The Search
for Knowledge in Databases, 1994.
– http://www-pcc.qub.ac.uk/tec/courses/datamining
– http://www.rio.com.br/~extended
– http://www.datamining.com
– http://www.santafe.edu/~kurt
– http://www.datamation.com
– http://www-dse.doc.ic.ac.uk/~kd
– http://www.cs.bham.ac.uk/~anp
– http://www.dbms.com
– http://www.infolink.com.br/~mpolito/mining/mining.html
– http://www.lci.ufrj.br/~labbd/semins/grupo1 Referências