SlideShare uma empresa Scribd logo
1 de 65
Uma Visão Atual sobre Business Intelligence
Conceitos Essenciais sobre CRM
Data Warehouse: A Memória da Empresa
Data Mining: A Inteligência da Empresa
Soluções Analíticas On-line
Análises Supervisionadas e Não-Supervisionadas
Análise Exploratória de Dados
Análises com Machine Learning e Neural Networks
Técnicas de Estimação, Segmentação e Predição
Aplicações e Cases de Sucesso
Bibliografia
Conteúdo
Entrevista de Peter
Drucker – o mais
respeitado pensador
dos negócios –
concedida à Rádio
Pública Nacional e
publicada pela
Revista Exame em
15 de Fevereiro de
2006.
Crescimento e Longevidade da Empresa Familiar
Objetivo
• Analisar o preparo das empresas familiares
brasileiras para se obter ou manter o sucesso.
• Avaliar como a família controladora preocupa-se
com a realização de objetivos financeiros –
como, por exemplo, a valorização do negócio –
e com a de objetivos não financeiros – como a
manutenção de um relacionamento saudável
entre os vários membros da família.
• Descrever e avaliar a adoção de diversas
práticas associadas ao sucesso da empresa
familiar.
Novellino (2007, p. 13-17)
Uma Visão Atual sobre Business Inteligence
Clientes
Patrimônio
Produção
Crédito
Vendas
Business
Inteligence
Data
Mining
DataWarewouse
Marketing
Data Mart
Finanças
Data Mart
Logística
Data Mart
Nível
Operacional
• OLTP
• ERP
• Sistemas Legados
• Dados Externos
Nível
Warehouse
• Coleta
• Limpeza
• Organização
• Distribuição
Nível
Analítico
• Análise
• Consulta
• Relatório
Nível
Usuário
Diagnóstico
Idéias
Lucratividade
Ferramentas de Business Inteligence são ferramentas:
Uma Visão Atual sobre Business Inteligence
De Análise, Acessibilidade Interativa e
Manipulação de informações críticas
gerando conhecimento para o negócio
Que propiciam insights confiáveis a partir
das informações-chave da empresa, visando
identificar problemas e oportunidades
De apoio à decisão que é o uso explícito do
conhecimento.
CRM é uma abordagem empresarial
destinada a entender e influenciar o
comportamento dos clientes, por
meio de comunicações significativas
para melhorar as compras, a
retenção, a lealdade e a
lucratividade deles.
Metas estratégicas:
Ampliar mercados e identificar
prospects
Gerar conhecimento sobre a
carteira de clientes
Aumentar a lucratividade de uma
cadeia de valor
Cliente Certo
Oferta Certa
Canais Certos
Hora Certa
O relacionamento 1:1
A premissa atual é que custa menos
manter os clientes atuais do que obter
novos – na realidade, cinco vezes
menos. Isso requer conhecer e
estabelecer um relacionamento direto,
cliente a cliente.
Business Inteligence
Conceitos Essenciais sobre CRM
Estamos
afogados em
informação,
mas morrendo
de fome por
conhecimento
.
John Naisbett
“Em razão da globalização da
economia, o mercado começa a exigir que
alguns valores sejam resgatados. Para se
tornarem mais competitivas, algumas
empresas começam a diminuir a
produtividade dos recursos e a valorizar o
serviço ao cliente”
Resende (2005, p. 3)
“O relacionamento de empresas com seus clientes sofreu
mudanças drásticas nos últimos anos. Não há mais como garantir
um negócio com o cliente por longo tempo. Como resultado disso,
muitas companhias descobriram a necessidade de entender melhor
seus clientes e, rapidamente, responder aos seus desejos e
necessidades”
Benson, Smith & Thearling (1999, p. 4)
Conceitos Essenciais sobre CRM
Baixo
Alto
Alto
Definição dos
objetivos de
atendimento
aos Clientes
Campanhas de
segmentação e
gerenciamento
de Clientes
Ative e
desenvolva
os Clientes
lucrativos
Retenhas os
Clientes valiosos
Desenvolva e
transfira os
Clientes
lucrativos
Lealdade dos
Clientes
Referências
de Clientes
Consultor
de Clientes
Níveis de Foco no Cliente
RetornosobreoInvestimento-ROI
Swift (2000, p. 18)
Conceitos Essenciais sobre CRM
DW
Data Mining
Database MarketingAplicações
Analíticas
Avaliando a
eficiência da ação
Conhecendo o perfil dos
clientes e identificando
públicos para as ações
Refinando
os critérios
FontesdeDados(SistemasTransacionais)
Gerenciamento de Campanhas
Definindo a melhor
oferta para um
determinado público
Detalhando a
comunicação da oferta
Gerando a lista-alvo
Gerenciamento
de Contatos
Contatando o
público-alvo
Capturando as
respostas
Cliente
Conceitos Essenciais sobre CRM
Teixeira (2004)– Telemar
Base de Dados
Multidimensional
Base de Dados
Multirelacional
Data Marts
Data Warehouse
Sistema de
Gerenciamento de
Banco de Dados
Meta Dados
Dados
Data Warehouse: A Memória da Empresa
Dados
Externos e
Operacionais
Extração
Limpeza
Carregando
Plataforma de Gerenciamento
Plataforma de
Administração
Repositório
1
2
3
4
5
6
Relatório,
Consulta, EIS.
OLAP
Data Mining
Aplicações &
Ferramentas
Sistema de
Transferência
de Informação
Benson, Smith e Thearling ( 1999, p. 30)
Aplicação Prática
Entender o que já conhecemos
Solucionar o problema
Caracterizar a situação
Data Mining
Data Mining: A Inteligência da Empresa
O que já conhecemos determina o que podemos conhecer
O termo problema está associado à dificuldade em encontrar um caminho
apropriado, ou caminhos, de uma ação potencial; nunca existe uma só
maneira.
Uma descrição para isto é modelagem qualitativa; modelos são uma parte
que acompanha a vida humana em diversas circunstâncias.
Data mining é uma extensão recente de ferramentas de modelagem
quantitativa, matemática e estatística; Os modelos usados em Data Mining
são a estrutura do conhecimento humano.
Agora falamos sobre construção de modelos apropriados. Uma vez posto o
fundamento, a trama nos lança uma visão, na qual podemos determinar
quais questões são significantes; isto gera um mapa que apresenta e
interpreta toda a situação.
Uma loja de chocolates deseja conhecer melhor
seus consumidores, pois seria interessante
avaliar a existência de um núcleo de clientes
que justificaria o investimento em chocolates
finos, importados e mais caros, além dos
nacionais.
Podemos, a partir de dados de sistemas
internos e de pesquisa de mercado,
estabelecer relações matemáticas entre
informações, permitindo verificar
margens de lucros e previsões de
vendas para esses consumidores. As
pesquisas podem diminuir as incertezas
em torno da estratégia empreendida,
dos resultados e da situação mundial.
Data Mining: A Inteligência da Empresa
Público Alvo
Analistas de Mercado
Estratégia
e
Tática
Data Mining: A Inteligência da Empresa
Data Mining é freqüentemente, usado em negócios como uma
ferramenta tática. Claro que há muito valor no uso de Data Mining
como ferramenta de tática. No entanto, o núcleo de processos de
negócios toma lugar em nível estratégico e é o uso estratégico de
Data Mining que garante o maior retorno para uma companhia.
Conjunto de
atividades possíveis
e disponíveis em
uma circunstância
particular; cada
atividade conduz a
um resultado
potencial diferente.
Estratégia
Indica a ação
concreta que
empreende alguma
estratégia,
tentando
influenciar algum
evento de ordem
macro.
Tática
Soluções Analíticas On-Line
Muito do esforço humano no curso da história
tem sido destinado a descobrir padrões úteis
para, então, construir modelos aplicáveis em
diversos problemas. Data mining é
simplesmente a última linha de ferramentas
para detectar padrões significativos e,
conseqüentemente, melhorar o controle do
mundo. Em um nível fundamental, isto é nada
mais e nada menos que a busca automática
de padrões em banco de dados.
Pyle (2003, p. 4)
Pré-processamento
Extração
de Padrões
Pós-
processamento
Identificação
do Problema
Utilização do
Conhecimento
Soluções Analíticas On-Line
Benefícios das Soluções Analíticas Avançadas
Estratégicos
Tático
Melhoria contínua na capacidade de tomada de decisão
Otimizações em Relacionamentos e Operações empresariais
Ferramentas mais poderosas para o staff do conhecimento
Análise Multidimensional,
Otimização de performance em processos,
Análise em cenários What-if ,
Interfaces intuitivas para usuário
Funcional
Vendas
Marketing
Finanças
RH
Operação
TI
Comportamento do cliente, Análise da equipe
comercial, Análise de vendas cruzadas
Participação de mercado, Efetividade de Campanhas,
Ciclo de Produtos e Serviços
Performance negocial, Relatórios consolidados,
Planejamento e Orçamento
Avaliação de Performance, Análise de
compensações, Planejamento e Otimização
Planejamento de Produção, Processo, Controle de
Qualidade, Eficiência operacional
Integração Business & E-Business, ...
Análises Supervisionada e Não-Supervisionada
SupervisionadasNão-Supervisionadas
Algumas Técnicas
de Mining
Mercado
Telecom Financeiro Varejo Seguros
Entender e reconhecer o próximo passo do clientes.
Classificar diferentes grupos de clientes, produtos ou
serviços por regras definidas pela ordem de
importância das características estudadas.
Propensão a aquisição / churn de produtos, serviços,
clientes.
Predizer a quantidade de vendas por produtos,
clientes novos, cancelamentos, etc.
Inferir sobre o tempo de vida útil do cliente e do valor
do cliente (Life Time Value)
Entender o perfil de cada cliente (Segmentação
Mercadológica e Comportamental)
Entender dos principais fatores discriminantes entre
grupos de clientes.
Regressão Logística
Redes Neurais (RBF)
Árvore de Decisão
Análise Discriminante
Análise de Sobrevivência
Análise de Cluster
(K-Means, SOM)
Árvore de Classificação
Análise de Associação
Análise de Séries Temporais
CPqD – Centro de Pesquisas e Desenvolvimentos em Telecomunicações ( 2003)
Astarefas:oquefazer?
Tarefas e Técnicas
As técnicas: como fazer?
Análises com Machine Learning e Neural Network
Especificação
do Problema
nnmnnn
m
yxxxT
yxxxT
yxxxT
YXXX





21
22322212
11312111
21
Aprendizado
de Máquina
Classificador
Dados
Brutos
Avaliação
Especialista
Variável Dependente
(Classe)
Variável Independente
(Atributos)
Conhecimento do domínio Conhecimento do domínio
Monard e Baranauskas (2005, p. 92)
Máquina de Aprendizagem é uma área de Inteligência Artificial cujo objetivo é
o desenvolvimento de técnicas computacionais sobre o aprendizado bem
como a construção de sistemas capazes de adquirir conhecimento de forma
automática. A decisão é tomada baseada em experiências acumuladas por
meio da solução bem-sucedida de problemas anteriores.
Monard e Baranauskas (2005, p. 89)
Análises com Machine Learning e Neural Network
Árvore de Classificação para Concessão de Crédito
1
2 3
4 5
6 7
Credito<=593,89
Fundos<=11694,
Credito<=546,84
385 115
369 16
9 7
Aprovado
Aprovado Reprovado
Aprovado Aprovado
Aprovado Reprovado
Reprovado
Aprovado
Imagine a situação em que desejamos entender como uma
decisão de concessão de crédito é tomada sobre a
observação de concessões feitas no passado. O gráfico acima
foi gerado a partir de 500 registros de concessões de uma
empresa.
Concessão
de
Crédito
Análises com Machine Learning e Neural Network
Web graph
Node size: Relative support of each item
Line thickness: Relative joint support of two items
Color darkness of line: Relative lift of two items
0,000 1,163
Pizza
Seafood
DOM_SEDN
DOM_SPRTGender==Male
Hamburger
EXT_SPRT
Other
Mexican
EXT_SEDN
Sandw iches
Chinese
Chicken
Redes Neurais Artificiais são capazes de resolver,
basicamente, problemas de aproximação, predição,
classificação, categorização e otimização.
Aplicações conhecidas de Redes Neurais como
reconhecimento de caracteres, reconhecimento de voz,
predição de séries temporais, modelagem de processos,
controle, entre outras, são na verdade novas formas de
apresentação destas classes de problemas.
Análises com Machine Learning e Neural Network
JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN195
MAY19
SEP195
JAN196
MAY19
SEP196
0
100
200
300
400
500
600
700
Variável Original
Rede Neural
Análises com Machine Learning e Neural Network
Análise de Previsão de Reservas de Passagens Aéreas
Aplicações e Cases de Sucesso
Transações
Bancárias
Registros
de Compras
Perfil de Uso
da Internet
Informações
de Satélite
Rotas de
Transporte
Medidas
de Produção
Informações
Integradas
Códigos de
Barra
A coleta de dados tem atingido
grandes proporções: a cada 20
meses a quantidade de informações
no mundo dobra. E a questão agora
é: Quanto de conhecimento novo
temos obtido? O novo conhecimento
ou KDD – Knowledge Discovery in
Databases – visa otimizar e
automatizar o processo de descrição
das tendências e dos padrões
contidos neste processo,
potencialmente úteis e interpretáveis.
Análise de Churn
Telefonia Celular
Aplicações e Cases de Sucesso
Aplicações e Cases de Sucesso
Enquanto empresas como as de Cartão de Crédito,
esforçam-se para manter taxas de Churn de clientes em
0,4% ao mês, as companhias de telefonia celular chegam a
pouco mais que 2,2% ao mês, em média, no mundo. Isso
significa que 27% da carteira de clientes é perdida
anualmente na renovação de contratos.
Uma companhia de pesquisa em Análise de Churn/Attrition, a
J. D. Power and Associates, estima que 90% de usuários de
celulares mudaram de operadora nos últimos 5 anos.
Perder um cliente gera grande despesa, visto que o custo
para adquirir novos clientes envolve trabalho de vendas,
marketing, publicidade e comissões. E muitos desses novos
clientes são menos lucrativos que os que foram perdidos.
Razão de CHURN por novos clientes
0%
10%
20%
30%
40%
50%
60%
70%
80%
1 2 3 4 5 6 7 8 9 10
Período de tempo
Clientesperdidospornovosclientes
Amadurecimento do mercado de TELCO
Dados reais de uma
empresa de
telecomunicações
Norte Americana.
Aplicações e Cases de Sucesso
Curto prazo:
Identificar os prováveis “churners ” dos
próximos dias e abordá-los via
Telemarketing
Médio prazo:
Capacitar usuários para utilização e
interpretação dos modelos de Data Mining
para análise de CHURN.
Longo prazo:
Incorporar os modelos de Data Mining à
solução integrada de CRM.
Aplicações e Cases de Sucesso
Retorno do Investimento
Instante t:
número de clientes: nt
receita média por cliente: r
receita total: Rt = nt * r
Instante t + 1:
número de novos clientes: nn
número de “churners”: nc
receita total: Rt +1 = (nt + nn – nc) * r
Aplicações e Cases de Sucesso
Suponha que o número de novos clientes seja
duas vezes maior do que o número de “churners”, ou
seja:
nn = 2 * nc
Então, a receita total no instante t + 1 será
Rt + 1 = (nt + nn – nc) * r = (nt + 0,5 * nn) * r (1)
Suponha que, com a implementação de Data
Mining, consigamos reduzir em 30% o número de
“churners”. Então,
Rt + 1 = (nt + 0,65 * nn) * r (2)
Aplicações e Cases de Sucesso
Suponha uma empresa de telecomunicações com as
seguintes características com respeito à telefonia móvel, sistema
pós-pago:
nt = 500.000 r = R$ 50,00 nn = 5.000 t = 1 mês
Então, Rt = nt * r = R$ 25.000.000,00.
volta
Ganho de receita em 1 mês:
R$ 37.500,00
Ganho de receita em 12 meses:
R$ 450.000,00
Aplicando (1):
Rt +1 = R$ 25.125.000,00
Aplicando (2):
Rt +1 = R$ 25.162.500,00
Aplicações e Cases de Sucesso
Aplicações e Cases de Sucesso
Vejamos um estudo de caso sobre este tema.
Coletamos
dados de 260 mil
usuários da
Companhia
TelCom S.A.
O objetivo é encontrar um
modelo que prediga os
possíveis Churners com os
dados fornecidos do mês de
Agosto/2005 e aplicar o
modelo encontrado no mês
de Setembro/2005.
O modelo utilizado é um algoritmo de
Data Mining, CART – Classification
and Regression Trees –, a técnica
executa uma mineração diretamente
dentro da base de dados relacional
Informação
Demográfica
Dados do
Cliente
Call Center
Serviço de
Atendimento ao Cliente
Base de Dados para Análise
Aplicações e Cases de Sucesso
Tree 1 graph for TMM5
Num. of non-terminal nodes: 10, Num. of terminal nodes: 11
ID=1 N=36
Mu=67,027778
Var=4368,527006
ID=2 N=24
Mu=24,416667
Var=456,576389
ID=4 N=21
Mu=17,142857
Var=91,265306
ID=6 N=15
Mu=11,866667
Var=13,182222
ID=8 N=11
Mu=10,000000
Var=3,636364
ID=11 N=7
Mu=11,285714
Var=1,061224
ID=7 N=6
Mu=30,333333
Var=42,888889
ID=3 N=12
Mu=152,250000
Var=1298,187500
ID=17 N=8
Mu=173,625000
Var=510,234375
ID=18 N=7
Mu=166,571429
Var=185,102041
ID=10 N=4
Mu=7,750000
Var=0,187500
ID=12 N=3
Mu=12,333333
Var=0,222222
ID=13 N=4
Mu=10,500000
Var=0,250000
ID=9 N=4
Mu=17,000000
Var=3,500000
ID=14 N=5
Mu=27,800000
Var=12,960000
ID=15 N=1
Mu=43,000000
Var=0,000000
ID=5 N=3
Mu=75,333333
Var=50,888889
ID=16 N=4
Mu=109,500000
Var=132,750000
ID=20 N=2
Mu=147,500000
Var=2,250000
ID=21 N=5
Mu=174,200000
Var=54,560000
ID=19 N=1
Mu=223,000000
Var=0,000000
TMI
<= 66,500000 > 66,500000
MAT
<= 65,000000 > 65,000000
TMI
<= 17,500000 > 17,500000
TMI
<= 10,500000 > 10,500000
TMI
<= 7,500000 > 7,500000
N_M
<= 86,850000 > 86,850000
TMI
<= 29,000000 > 29,000000
TMI
<= 86,000000 > 86,000000
TMI
<= 124,500000 > 124,500000
TMI
<= 101,000000 > 101,000000
Aplicações e Cases de Sucesso
Resultados:
O modelo de Árvore de Decisão identificou 21 segmentos dentro dos 260 mil
clientes.
No segmento 10, por exemplo, foi identificado para o mês de Agosto 1161
clientes pertinentes a esse segmento, destes houve uma taxa de Churn de
cerca de 84%, as características dos clientes que pertenciam ao segmento 10
eram:
Contrato tipo Meus Minutos;
Duração do serviço é menor que 23 meses;
Duração do serviço de Roaming é por tempo maior que 9 meses;
O assinante contratou uma das 13 tarifas;
Ao aplicar o modelo encontrado para o mês de Setembro (com cerca de 280
mil clientes), o segmento 10 alcançou o número de 403 clientes.
Aplicações e Cases de Sucesso
Segmento
Propensão
de Churn
Base do
Segmento
Volume de
Churn
Base
Acumulada
Churn
Acumulado
Percentual
Acumulado
de Churn
Percentual
Acumulado
de Base
10 83,72 403 337 403 337 1,2 0,1
1 64,78 360 233 763 571 2,0 0,3
13 60,66 4249 2.577 5.012 3.148 11,1 1,8
4 53,61 227 122 5.239 3.270 11,6 1,9
18 50,22 7502 3.768 12.741 7.037 24,9 4,5
21 44,08 1840 811 14.581 7.848 27,7 5,2
16 32,15 649 209 15.230 8.057 28,5 5,4
13 28,54 1705 487 16.935 8.544 30,2 6,0
17 27,08 572 155 17.507 8.698 30,8 6,2
20 26,60 1696 451 19.203 9.150 32,3 6,8
19 26,04 5369 1.398 24.572 10.548 37,3 8,7
9 25,56 2955 755 27.527 11.303 40,0 9,8
8 21,11 2125 449 29.652 11.752 41,5 10,5
2 20,36 964 196 30.616 11.948 42,2 10,9
Aplicações e Cases de Sucesso
Um esforço foi desempenhado sobre um grupo que
representa os 5,2% acumulado dos dados originais que,
equivalentemente, correspondia a 27,7% de possíveis Churners.
Uma campanha em dois canais de comunicação foi
direcionada para estes clientes que atenderam com um retorno de
21% de renovação de contratos.
Esse resultado perdurou por 2 meses e, no seguinte, o
número de respondentes das campanhas empregadas decresceu e
um novo modelo foi adaptado.
Note que para o segmento 10, no mês de Agosto, tinha
um total de 1161 clientes, mas no mês de Setembro, eram apenas
403. Isso mostra que a indicação de um cliente em um determinado
grupo muda rapidamente, logo o modelo tem uma vida curta.
Pesquisa de Mercado
Segmentação
Aplicações e Cases de Sucesso
Aplicações e Cases de Sucesso
“A Hallmark tem um cartão para todo tipo de pessoa e toda ocasião. A líder no
mercado de cartões divide rigorosamente o mercado consumidor a fim de
identificar segmentos e nichos para novos produtos e linhas de produtos. Seus
profissionais de marketing segmentam por raça, religião, ocasião, idade,
nacionalidade, sensibilidade ao preço e outras variáveis.”
“Por exemplo, a marca Hallmark
Em Español dispõe de mais de
mil cartões elaborados para
hispno-americanos; a marca
Tree of Live é voltada para
norte-americanos de origem
judaica; a marca Fresh Ink é
direcionada para mulheres entre
18 e 39 anos, e a marca Warn
Wishes – cujos cartões custam
99 centavos de dólar –
concentra-se nos compradores
sensíveis ao preço.”
Kotler (2005, p. 182)
Aplicações e Cases de Sucesso
O marketing direcionado envolve três atividades:
Segmentação de Mercado
Identificação de Mercado
Posicionamento de Mercado
Aplicações e Cases de Sucesso
PrincipaisVariáveisdeSegmentação
GeográficaDemográficaPsicográficaComportamental
Região
Porte de cidade ou região metropolitana
Densidade
Área
Idade, Tamanho e Ciclo de vida da família
Sexo e Renda
Ocupação e Grau de Instrução
Religião, Nacionalidade, Classe Social
Estilo de Vida
Personalidade
Valores
Cultura
O objetivo básico
da segmentação
é concentrar
esforços de
marketing em
determinados
alvos, que a
empresa entende
como favoráveis
para serem
explorados
comercialmente,
em decorrência
de sua
capacidade de
satisfazer a
demanda dos
focos, de
maneira mais
adequada.
Ocasiões, Benefícios e Status de usuário
Índice de utilização e Status de fidelidade
Estágio de prontidão
Atitude em relação ao produto
Aplicações e Cases de Sucesso
Executamos uma pesquisa para avaliar como o cliente, sob certas
condições, escolhe um tipo de carro entre aqueles de origem:
Americana
Européia
Japonesa
Com tamanhos: Pequeno, Média e Grande; e tipo: Familiar, Esporte e
de Trabalho. Avaliamos questões simples em relação aos clientes, tais
como:
Casa: Própria ou Alugada;
Sexo: Masculino e Feminino;
Renda: 1 Renda ou 2 Rendas por família;
Estado Civil: Solteiro com filhos, Casado com filhos,
Solteiro e Casado
Aplicações e Cases de Sucesso
Aplicações e Cases de Sucesso
2D Plot of Row and Column Coordinates; Dimension: 1 x 2
Input Table (Rows x Columns): 9 x 4
Standardization: Row and column profiles
Americano:Pequeno
Americano:Médio
Americano:GrandeJaponês:Pequeno
Japonês:Médio
Japonês:Grande
Europeu:Pequeno
Europeu:Médio
Europeu:Grande
Solteiro com Filhos
Casado com Filhos
Solteiro
Casado
-0,4 -0,3 -0,2 -0,1 0,0 0,1 0,2 0,3 0,4 0,5 0,6
Dimension 1; Eigenvalue: ,04844 (67,74% of Inertia)
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
Dimension2;Eige
Row.Coords
Col.Coords
Aplicações e Cases de Sucesso
Text Mining
Busca de Padrão de
Comportamento de
Usuários na Internet
Aplicações e Cases de Sucesso
Aplicações e Cases de Sucesso
Gramática
Radical
Origem
Extração de
Conhecimento
Sumarização
Categorização
Clustering
Tarefas de mineração
de textos
Extração
Recuperação
da Informação
Preparação dos Dados
Ebecken, Lopes e Costa (2005, p. 339)
Mineração de Textos é um conjunto de técnicas e processos que
descobrem conhecimento inovador nos textos. Ela está sendo empregada
atualmente em projetos de diversas áreas, incluindo a operações internas
do mundo dos negócios.
Extraindo “reviews” do website www.carreview.com
Não Estruturados
Estruturados
Aplicações e Cases de Sucesso
Passo 1 – Extração de Palavras
Extração de palavras dos textos
Refinar o processo de “filtragem” do texto
• Parsing, Stubbing, Stemming, etc. (Algorítimos)
Aplicações e Cases de Sucesso
Passo 2 – Transformação de Palavras
Transformamos contagens de
palavras em índices que reflitam
a importância relativa das
palavras.
Várias aplicações disponíveis
no STATISTICA Text Miner:
Inversão de freqüência de
documentos, freqüência Log ,
freqüência Binária, etc.
Aplicações e Cases de Sucesso
Passo 3 – Indexar Semântica Latente
Número Total de palavras
extraídas foram em torno de
300.
Redução da dimensionalidade
global da matriz de entrada
(número de entradas de
documentos X número de
palavras extraídas).
Identificar dimensões “ocultas”
ou “subjacentes” (ou
significâncias) descritas ou
discutidas pelos documentos
de entrada.
Singular Value Decomposition
Aplicações e Cases de Sucesso
Mapa Perceptual – Espaço Semântico
Aplicações e Cases de Sucesso
Esta ferramenta
identifica
automaticamente as
melhores preditoras
para a palavra
“Transmission”.
Pode-se notar que
carzz é uma das
palavras mais
proximamente
“Transmission”
nestes documentos.
Feature Selection
Do Text Mining para o Data Mining
Aplicações e Cases de Sucesso
Interactive Trees
Aplicações e Cases de Sucesso
Siga a “trilha” desta Árvore de
Decisão para identificar as
palavras que discriminam entre
diferentes tipos de carros.
Gráfico de Interação: Car Type × Negative connotation words
Aplicações e Cases de Sucesso
Data Mining
Credit Scoring
Aplicações e Cases de Sucesso
Objetivo:
Fornecer subsídios para melhoria no controle de
concessão de crédito por meio de modelos
matemáticos de previsão de risco de
inadimplência e credit score.
Aplicações e Cases de Sucesso
Potencialidades:
• Avaliação do risco de concessão de crédito.
• Identificação de nichos de mercado
preferenciais para concessão de crédito.
• Informações para campanhas direcionadas de
recuperação de crédito.
• Informações para campanhas de prevenção à
inadimplência.
Aplicações e Cases de Sucesso
Desempenho do modelo matemático
Calcula a probabilidade de uma operação de crédito entrar em
inadimplência através de tratamento estatístico das informações
contidas no histórico da base de dados.
Probabilidade de
inadimplência0 100%
A probabilidade é obtida por meio de uma
equação com coeficientes aplicados às
variáveis que explicam a inadimplência.
Os coeficientes são calculados através de
procedimentos de inferência estatística.
Aplicações e Cases de Sucesso
0 100%
alto riscobaixo risco
ponto de
cortenichos
preferenciais
Escala de risco de inadimplência (Probabilidade)
fácil
recuperação
difícil
recuperação
Aplicações e Cases de Sucesso
Aplicações e Cases de Sucesso
Mas o ponto crítico é
quando o banco
empresta para
alguém que tem
grande chance de
não pagar. O banco
tem uma lista de 252
inadimplentes, dos
quais 196 (78%)
foram identificadas
pelo modelo.
Dentre as 1000
operações
envolvendo valores
no total de
R$ 10.827.831,00,
260 contrastes foram
identificados pelo
modelo, cuja soma
em moeda é de
R$ 3.113.403,00
Aplicações e Cases de Sucesso
Resultado
R$ 704.801,30
Valor total da
inadimplência
identificado
pelo modelo
Valor total da
InadimplênciaR$ 3.171.605,25
R$ 2.466.804,98
Aplicações e Cases de Sucesso
Bibliografia
Swift, R. CRM, customer relationship management: o revolucionário marketing de
relacionamentos com o cliente. Rio de Janeiro: Campus, 2001.
Rezende, S. O. (Coord.). Sistemas Inteligentes: Fundamentos e Aplicações. Barueri-SP:
Manole, 2005.
Monard, M.C. & Baranauskas, J. A. Conceitos sobre Aprendizado de Máquina. In: Rezende,
S. O. (Coord.). Sistemas Inteligentes: Fundamentos e Aplicações, Barueri: Manole, 2005. p.
81-104.
Novellino, A..Crescimento e Longevidade da Empresa Familiar, São Paulo, 2007. Trabalho
disponível no site: www.prosperarebrasil.com.br .
Ebecken, N. F. F., Lopes, M. C. S. & Costa, M. C. Mineração de Textos. In: Rezende, S. O.
(Coord.). Sistemas Inteligentes: Fundamentos e Aplicações, Barueri: Manole, 2005. p. 337-
372.
Pyle, D. Business Modeling and Data Mining. San Francisco: Morgan Kaufmann Publishers,
2003.
Berry, M. J. A. & Linoff, G. S. Data Mining Techniques. Indianapolis, Indiana: Wiley
Publishing, 2004.
Kotler, P. Marketing essencial: conceitos, estratégias e casos. São Paulo: Prentice Hall,
2005.
Berson, A., Smith, S. & Thearling, K. Building Data Mining Applications for CRM.
Facebook.com/iminersolutions
twitter.com/iminersolutions
iminer@iminer.com.br
+55 11 3996 4226

Mais conteúdo relacionado

Mais procurados

Inteligência Analítica
Inteligência AnalíticaInteligência Analítica
Inteligência AnalíticaCesar Patiño
 
Bsc 2012 ti_definitivo
Bsc 2012 ti_definitivoBsc 2012 ti_definitivo
Bsc 2012 ti_definitivosenac_rr
 
Apresentação Artigo IC_Dez2016
Apresentação Artigo IC_Dez2016Apresentação Artigo IC_Dez2016
Apresentação Artigo IC_Dez2016Clara Franco
 
Wiseminer Data Preparation & Smart Analytics - 2016 02
Wiseminer Data Preparation & Smart Analytics - 2016 02Wiseminer Data Preparation & Smart Analytics - 2016 02
Wiseminer Data Preparation & Smart Analytics - 2016 02Leonardo Couto
 
Inteligencia de Mercado e Gestão de mudanças Como transformar oportunidades e...
Inteligencia de Mercado e Gestão de mudanças Como transformar oportunidades e...Inteligencia de Mercado e Gestão de mudanças Como transformar oportunidades e...
Inteligencia de Mercado e Gestão de mudanças Como transformar oportunidades e...Artur Tavares
 
Boletim CVM Marketing de Rede
Boletim CVM Marketing de RedeBoletim CVM Marketing de Rede
Boletim CVM Marketing de RedeVinicius Mendes
 
Inteligência de Mercado Para Gestores
Inteligência de Mercado Para GestoresInteligência de Mercado Para Gestores
Inteligência de Mercado Para GestoresCristiano Andrade
 
Apresentação Floripa tech day 240819
Apresentação Floripa tech day 240819Apresentação Floripa tech day 240819
Apresentação Floripa tech day 240819Luana da Silva
 
Estudo de caso seguradora - diagnostico
Estudo de caso   seguradora - diagnosticoEstudo de caso   seguradora - diagnostico
Estudo de caso seguradora - diagnosticozeusi9iuto
 
Palestra - Vendas para StartUps (2017) - Fabricio Magayevski
Palestra - Vendas para StartUps (2017) - Fabricio MagayevskiPalestra - Vendas para StartUps (2017) - Fabricio Magayevski
Palestra - Vendas para StartUps (2017) - Fabricio MagayevskiFabricio Magayevski
 
Rca mudanças no ambiente de negócios.funções de nível c20131117
Rca  mudanças no ambiente de negócios.funções de nível c20131117Rca  mudanças no ambiente de negócios.funções de nível c20131117
Rca mudanças no ambiente de negócios.funções de nível c20131117Adriano Rosanelli
 
Ebook 001 movere consultoria - final
Ebook 001   movere consultoria - finalEbook 001   movere consultoria - final
Ebook 001 movere consultoria - finalFlavia Muraro
 
Sérgio J. - Estudo de caso seguradora - plano - solução
Sérgio J. - Estudo de caso   seguradora - plano - soluçãoSérgio J. - Estudo de caso   seguradora - plano - solução
Sérgio J. - Estudo de caso seguradora - plano - soluçãozeusi9iuto
 
Ic 2008 Desafios E Solucoes
Ic 2008 Desafios E SolucoesIc 2008 Desafios E Solucoes
Ic 2008 Desafios E SolucoesManuel Forjaz
 
Information and Knowledge Management 3/10
Information and Knowledge Management 3/10Information and Knowledge Management 3/10
Information and Knowledge Management 3/10Joao Cunha
 
Plano de Negócios - Semana Feminina de Gestão Empreendedora
Plano de Negócios - Semana Feminina de Gestão EmpreendedoraPlano de Negócios - Semana Feminina de Gestão Empreendedora
Plano de Negócios - Semana Feminina de Gestão EmpreendedoraAna Manssour
 

Mais procurados (20)

Inteligência Analítica
Inteligência AnalíticaInteligência Analítica
Inteligência Analítica
 
Bsc 2012 ti_definitivo
Bsc 2012 ti_definitivoBsc 2012 ti_definitivo
Bsc 2012 ti_definitivo
 
Parte 4
Parte 4Parte 4
Parte 4
 
Apresentação Artigo IC_Dez2016
Apresentação Artigo IC_Dez2016Apresentação Artigo IC_Dez2016
Apresentação Artigo IC_Dez2016
 
Wiseminer Data Preparation & Smart Analytics - 2016 02
Wiseminer Data Preparation & Smart Analytics - 2016 02Wiseminer Data Preparation & Smart Analytics - 2016 02
Wiseminer Data Preparation & Smart Analytics - 2016 02
 
Inteligencia de Mercado e Gestão de mudanças Como transformar oportunidades e...
Inteligencia de Mercado e Gestão de mudanças Como transformar oportunidades e...Inteligencia de Mercado e Gestão de mudanças Como transformar oportunidades e...
Inteligencia de Mercado e Gestão de mudanças Como transformar oportunidades e...
 
Boletim CVM Marketing de Rede
Boletim CVM Marketing de RedeBoletim CVM Marketing de Rede
Boletim CVM Marketing de Rede
 
Inteligência de Mercado Para Gestores
Inteligência de Mercado Para GestoresInteligência de Mercado Para Gestores
Inteligência de Mercado Para Gestores
 
Apresentação Floripa tech day 240819
Apresentação Floripa tech day 240819Apresentação Floripa tech day 240819
Apresentação Floripa tech day 240819
 
Estudo de caso seguradora - diagnostico
Estudo de caso   seguradora - diagnosticoEstudo de caso   seguradora - diagnostico
Estudo de caso seguradora - diagnostico
 
Ebook cs
Ebook csEbook cs
Ebook cs
 
Palestra - Vendas para StartUps (2017) - Fabricio Magayevski
Palestra - Vendas para StartUps (2017) - Fabricio MagayevskiPalestra - Vendas para StartUps (2017) - Fabricio Magayevski
Palestra - Vendas para StartUps (2017) - Fabricio Magayevski
 
Rca mudanças no ambiente de negócios.funções de nível c20131117
Rca  mudanças no ambiente de negócios.funções de nível c20131117Rca  mudanças no ambiente de negócios.funções de nível c20131117
Rca mudanças no ambiente de negócios.funções de nível c20131117
 
Ebook 001 movere consultoria - final
Ebook 001   movere consultoria - finalEbook 001   movere consultoria - final
Ebook 001 movere consultoria - final
 
Inteligencia Competitiva
Inteligencia CompetitivaInteligencia Competitiva
Inteligencia Competitiva
 
Sérgio J. - Estudo de caso seguradora - plano - solução
Sérgio J. - Estudo de caso   seguradora - plano - soluçãoSérgio J. - Estudo de caso   seguradora - plano - solução
Sérgio J. - Estudo de caso seguradora - plano - solução
 
Ic 2008 Desafios E Solucoes
Ic 2008 Desafios E SolucoesIc 2008 Desafios E Solucoes
Ic 2008 Desafios E Solucoes
 
Information and Knowledge Management 3/10
Information and Knowledge Management 3/10Information and Knowledge Management 3/10
Information and Knowledge Management 3/10
 
Planejamento Estratégico
Planejamento EstratégicoPlanejamento Estratégico
Planejamento Estratégico
 
Plano de Negócios - Semana Feminina de Gestão Empreendedora
Plano de Negócios - Semana Feminina de Gestão EmpreendedoraPlano de Negócios - Semana Feminina de Gestão Empreendedora
Plano de Negócios - Semana Feminina de Gestão Empreendedora
 

Semelhante a Business Inteligência e Análises

Business Analytics: empresas competitivas são orientadas por dados
Business Analytics: empresas competitivas são orientadas por dadosBusiness Analytics: empresas competitivas são orientadas por dados
Business Analytics: empresas competitivas são orientadas por dadosMJV Technology & Innovation Brasil
 
Construindo o seu Database Marketing - youDb
Construindo o seu Database Marketing - youDbConstruindo o seu Database Marketing - youDb
Construindo o seu Database Marketing - youDbyouDb
 
Artigo tgs - oficial 2011
  Artigo tgs - oficial 2011  Artigo tgs - oficial 2011
Artigo tgs - oficial 2011afranio47
 
Web analytics-uma-visao-brasileira-2
Web analytics-uma-visao-brasileira-2Web analytics-uma-visao-brasileira-2
Web analytics-uma-visao-brasileira-2Pedro Quintanilha
 
e-Book Web Analytics - Uma Visão Brasileira II
e-Book Web Analytics - Uma Visão Brasileira IIe-Book Web Analytics - Uma Visão Brasileira II
e-Book Web Analytics - Uma Visão Brasileira IIGerson Ribeiro
 
Web Analytics - Uma Visão Brasileira II
Web Analytics - Uma Visão Brasileira IIWeb Analytics - Uma Visão Brasileira II
Web Analytics - Uma Visão Brasileira IIPoliana Lopes
 
Painel Inde sistemas-de-gestão-empresarial-2011-06-21
Painel Inde sistemas-de-gestão-empresarial-2011-06-21Painel Inde sistemas-de-gestão-empresarial-2011-06-21
Painel Inde sistemas-de-gestão-empresarial-2011-06-21Claudio Seixas
 
Web Analytics - Uma Visão Brasileira 2
Web Analytics - Uma Visão Brasileira 2Web Analytics - Uma Visão Brasileira 2
Web Analytics - Uma Visão Brasileira 2Marcelo Azeredo
 
Metricas que importam-Um Guia Pratico para estudantes de marketing.pdf
Metricas que importam-Um Guia Pratico para estudantes de marketing.pdfMetricas que importam-Um Guia Pratico para estudantes de marketing.pdf
Metricas que importam-Um Guia Pratico para estudantes de marketing.pdfJosé Eduardo Elbl
 
Artigo: Inteligência Competitiva e os Sistemas de Informação - Daniela Teixei...
Artigo: Inteligência Competitiva e os Sistemas de Informação - Daniela Teixei...Artigo: Inteligência Competitiva e os Sistemas de Informação - Daniela Teixei...
Artigo: Inteligência Competitiva e os Sistemas de Informação - Daniela Teixei...REVIE Inteligencia Empresarial
 
BI - Business Inteligence
BI - Business InteligenceBI - Business Inteligence
BI - Business InteligenceAna Paula Aires
 
Web Analytics - Uma visão Brasileira - Volume 2
Web Analytics - Uma visão Brasileira - Volume 2Web Analytics - Uma visão Brasileira - Volume 2
Web Analytics - Uma visão Brasileira - Volume 2Guga Alves
 
Wa Uma VisãO Brasileira Ii
Wa   Uma VisãO Brasileira IiWa   Uma VisãO Brasileira Ii
Wa Uma VisãO Brasileira IiRuy Carneiro
 
e-Book Web Analytics - 2º edição
e-Book Web Analytics - 2º ediçãoe-Book Web Analytics - 2º edição
e-Book Web Analytics - 2º ediçãogrnribeiro
 
e-Book Web Analytics Uma Visão Brasileira - 2a. edição
e-Book Web Analytics Uma Visão Brasileira - 2a. ediçãoe-Book Web Analytics Uma Visão Brasileira - 2a. edição
e-Book Web Analytics Uma Visão Brasileira - 2a. ediçãoLeonardo Naressi
 

Semelhante a Business Inteligência e Análises (20)

Ferramentas de SIG
Ferramentas de SIGFerramentas de SIG
Ferramentas de SIG
 
Business Analytics: empresas competitivas são orientadas por dados
Business Analytics: empresas competitivas são orientadas por dadosBusiness Analytics: empresas competitivas são orientadas por dados
Business Analytics: empresas competitivas são orientadas por dados
 
Construindo o seu Database Marketing - youDb
Construindo o seu Database Marketing - youDbConstruindo o seu Database Marketing - youDb
Construindo o seu Database Marketing - youDb
 
Artigo tgs - oficial 2011
  Artigo tgs - oficial 2011  Artigo tgs - oficial 2011
Artigo tgs - oficial 2011
 
Web analytics-uma-visao-brasileira-2
Web analytics-uma-visao-brasileira-2Web analytics-uma-visao-brasileira-2
Web analytics-uma-visao-brasileira-2
 
e-Book Web Analytics - Uma Visão Brasileira II
e-Book Web Analytics - Uma Visão Brasileira IIe-Book Web Analytics - Uma Visão Brasileira II
e-Book Web Analytics - Uma Visão Brasileira II
 
Web Analytics - Uma Visão Brasileira II
Web Analytics - Uma Visão Brasileira IIWeb Analytics - Uma Visão Brasileira II
Web Analytics - Uma Visão Brasileira II
 
Painel Inde sistemas-de-gestão-empresarial-2011-06-21
Painel Inde sistemas-de-gestão-empresarial-2011-06-21Painel Inde sistemas-de-gestão-empresarial-2011-06-21
Painel Inde sistemas-de-gestão-empresarial-2011-06-21
 
Web Analytics (SEO) - Uma Visão Brasileira
Web Analytics (SEO) - Uma Visão BrasileiraWeb Analytics (SEO) - Uma Visão Brasileira
Web Analytics (SEO) - Uma Visão Brasileira
 
Web Analytics - Uma Visão Brasileira 2
Web Analytics - Uma Visão Brasileira 2Web Analytics - Uma Visão Brasileira 2
Web Analytics - Uma Visão Brasileira 2
 
Webanalytics uma visao_brasileira_2
Webanalytics uma visao_brasileira_2Webanalytics uma visao_brasileira_2
Webanalytics uma visao_brasileira_2
 
Web Analytics: uma visão brasileira 2
Web Analytics: uma visão brasileira 2Web Analytics: uma visão brasileira 2
Web Analytics: uma visão brasileira 2
 
Metricas que importam-Um Guia Pratico para estudantes de marketing.pdf
Metricas que importam-Um Guia Pratico para estudantes de marketing.pdfMetricas que importam-Um Guia Pratico para estudantes de marketing.pdf
Metricas que importam-Um Guia Pratico para estudantes de marketing.pdf
 
Artigo: Inteligência Competitiva e os Sistemas de Informação - Daniela Teixei...
Artigo: Inteligência Competitiva e os Sistemas de Informação - Daniela Teixei...Artigo: Inteligência Competitiva e os Sistemas de Informação - Daniela Teixei...
Artigo: Inteligência Competitiva e os Sistemas de Informação - Daniela Teixei...
 
BI - Business Inteligence
BI - Business InteligenceBI - Business Inteligence
BI - Business Inteligence
 
Web Analytics - Uma visão Brasileira - Volume 2
Web Analytics - Uma visão Brasileira - Volume 2Web Analytics - Uma visão Brasileira - Volume 2
Web Analytics - Uma visão Brasileira - Volume 2
 
Wa Uma VisãO Brasileira Ii
Wa   Uma VisãO Brasileira IiWa   Uma VisãO Brasileira Ii
Wa Uma VisãO Brasileira Ii
 
e-Book Web Analytics - 2º edição
e-Book Web Analytics - 2º ediçãoe-Book Web Analytics - 2º edição
e-Book Web Analytics - 2º edição
 
e-Book Web Analytics Uma Visão Brasileira - 2a. edição
e-Book Web Analytics Uma Visão Brasileira - 2a. ediçãoe-Book Web Analytics Uma Visão Brasileira - 2a. edição
e-Book Web Analytics Uma Visão Brasileira - 2a. edição
 
Dimensões da inovação
Dimensões da inovaçãoDimensões da inovação
Dimensões da inovação
 

Mais de Josias Oliveira

Palestra Cobisa-2019 - Desenvolvendo Cultura Analítica e Machine Learning
Palestra Cobisa-2019 - Desenvolvendo Cultura Analítica e Machine LearningPalestra Cobisa-2019 - Desenvolvendo Cultura Analítica e Machine Learning
Palestra Cobisa-2019 - Desenvolvendo Cultura Analítica e Machine LearningJosias Oliveira
 
Aplicação de text mining
Aplicação de text miningAplicação de text mining
Aplicação de text miningJosias Oliveira
 
Pesquisa empresa familiar
Pesquisa empresa familiarPesquisa empresa familiar
Pesquisa empresa familiarJosias Oliveira
 

Mais de Josias Oliveira (6)

Palestra Cobisa-2019 - Desenvolvendo Cultura Analítica e Machine Learning
Palestra Cobisa-2019 - Desenvolvendo Cultura Analítica e Machine LearningPalestra Cobisa-2019 - Desenvolvendo Cultura Analítica e Machine Learning
Palestra Cobisa-2019 - Desenvolvendo Cultura Analítica e Machine Learning
 
SCRUM Analytics
SCRUM AnalyticsSCRUM Analytics
SCRUM Analytics
 
Our Business One
Our Business OneOur Business One
Our Business One
 
Aplicação de text mining
Aplicação de text miningAplicação de text mining
Aplicação de text mining
 
Pesquisa empresa familiar
Pesquisa empresa familiarPesquisa empresa familiar
Pesquisa empresa familiar
 
Estudo de mercado
Estudo de mercadoEstudo de mercado
Estudo de mercado
 

Business Inteligência e Análises

  • 1.
  • 2. Uma Visão Atual sobre Business Intelligence Conceitos Essenciais sobre CRM Data Warehouse: A Memória da Empresa Data Mining: A Inteligência da Empresa Soluções Analíticas On-line Análises Supervisionadas e Não-Supervisionadas Análise Exploratória de Dados Análises com Machine Learning e Neural Networks Técnicas de Estimação, Segmentação e Predição Aplicações e Cases de Sucesso Bibliografia Conteúdo
  • 3. Entrevista de Peter Drucker – o mais respeitado pensador dos negócios – concedida à Rádio Pública Nacional e publicada pela Revista Exame em 15 de Fevereiro de 2006.
  • 4. Crescimento e Longevidade da Empresa Familiar Objetivo • Analisar o preparo das empresas familiares brasileiras para se obter ou manter o sucesso. • Avaliar como a família controladora preocupa-se com a realização de objetivos financeiros – como, por exemplo, a valorização do negócio – e com a de objetivos não financeiros – como a manutenção de um relacionamento saudável entre os vários membros da família. • Descrever e avaliar a adoção de diversas práticas associadas ao sucesso da empresa familiar. Novellino (2007, p. 13-17)
  • 5. Uma Visão Atual sobre Business Inteligence Clientes Patrimônio Produção Crédito Vendas Business Inteligence Data Mining DataWarewouse Marketing Data Mart Finanças Data Mart Logística Data Mart Nível Operacional • OLTP • ERP • Sistemas Legados • Dados Externos Nível Warehouse • Coleta • Limpeza • Organização • Distribuição Nível Analítico • Análise • Consulta • Relatório Nível Usuário Diagnóstico Idéias Lucratividade
  • 6. Ferramentas de Business Inteligence são ferramentas: Uma Visão Atual sobre Business Inteligence De Análise, Acessibilidade Interativa e Manipulação de informações críticas gerando conhecimento para o negócio Que propiciam insights confiáveis a partir das informações-chave da empresa, visando identificar problemas e oportunidades De apoio à decisão que é o uso explícito do conhecimento.
  • 7. CRM é uma abordagem empresarial destinada a entender e influenciar o comportamento dos clientes, por meio de comunicações significativas para melhorar as compras, a retenção, a lealdade e a lucratividade deles. Metas estratégicas: Ampliar mercados e identificar prospects Gerar conhecimento sobre a carteira de clientes Aumentar a lucratividade de uma cadeia de valor Cliente Certo Oferta Certa Canais Certos Hora Certa O relacionamento 1:1 A premissa atual é que custa menos manter os clientes atuais do que obter novos – na realidade, cinco vezes menos. Isso requer conhecer e estabelecer um relacionamento direto, cliente a cliente. Business Inteligence Conceitos Essenciais sobre CRM
  • 8. Estamos afogados em informação, mas morrendo de fome por conhecimento . John Naisbett “Em razão da globalização da economia, o mercado começa a exigir que alguns valores sejam resgatados. Para se tornarem mais competitivas, algumas empresas começam a diminuir a produtividade dos recursos e a valorizar o serviço ao cliente” Resende (2005, p. 3) “O relacionamento de empresas com seus clientes sofreu mudanças drásticas nos últimos anos. Não há mais como garantir um negócio com o cliente por longo tempo. Como resultado disso, muitas companhias descobriram a necessidade de entender melhor seus clientes e, rapidamente, responder aos seus desejos e necessidades” Benson, Smith & Thearling (1999, p. 4) Conceitos Essenciais sobre CRM
  • 9. Baixo Alto Alto Definição dos objetivos de atendimento aos Clientes Campanhas de segmentação e gerenciamento de Clientes Ative e desenvolva os Clientes lucrativos Retenhas os Clientes valiosos Desenvolva e transfira os Clientes lucrativos Lealdade dos Clientes Referências de Clientes Consultor de Clientes Níveis de Foco no Cliente RetornosobreoInvestimento-ROI Swift (2000, p. 18) Conceitos Essenciais sobre CRM
  • 10. DW Data Mining Database MarketingAplicações Analíticas Avaliando a eficiência da ação Conhecendo o perfil dos clientes e identificando públicos para as ações Refinando os critérios FontesdeDados(SistemasTransacionais) Gerenciamento de Campanhas Definindo a melhor oferta para um determinado público Detalhando a comunicação da oferta Gerando a lista-alvo Gerenciamento de Contatos Contatando o público-alvo Capturando as respostas Cliente Conceitos Essenciais sobre CRM Teixeira (2004)– Telemar
  • 11. Base de Dados Multidimensional Base de Dados Multirelacional Data Marts Data Warehouse Sistema de Gerenciamento de Banco de Dados Meta Dados Dados Data Warehouse: A Memória da Empresa Dados Externos e Operacionais Extração Limpeza Carregando Plataforma de Gerenciamento Plataforma de Administração Repositório 1 2 3 4 5 6 Relatório, Consulta, EIS. OLAP Data Mining Aplicações & Ferramentas Sistema de Transferência de Informação Benson, Smith e Thearling ( 1999, p. 30)
  • 12. Aplicação Prática Entender o que já conhecemos Solucionar o problema Caracterizar a situação Data Mining Data Mining: A Inteligência da Empresa O que já conhecemos determina o que podemos conhecer O termo problema está associado à dificuldade em encontrar um caminho apropriado, ou caminhos, de uma ação potencial; nunca existe uma só maneira. Uma descrição para isto é modelagem qualitativa; modelos são uma parte que acompanha a vida humana em diversas circunstâncias. Data mining é uma extensão recente de ferramentas de modelagem quantitativa, matemática e estatística; Os modelos usados em Data Mining são a estrutura do conhecimento humano. Agora falamos sobre construção de modelos apropriados. Uma vez posto o fundamento, a trama nos lança uma visão, na qual podemos determinar quais questões são significantes; isto gera um mapa que apresenta e interpreta toda a situação.
  • 13. Uma loja de chocolates deseja conhecer melhor seus consumidores, pois seria interessante avaliar a existência de um núcleo de clientes que justificaria o investimento em chocolates finos, importados e mais caros, além dos nacionais. Podemos, a partir de dados de sistemas internos e de pesquisa de mercado, estabelecer relações matemáticas entre informações, permitindo verificar margens de lucros e previsões de vendas para esses consumidores. As pesquisas podem diminuir as incertezas em torno da estratégia empreendida, dos resultados e da situação mundial. Data Mining: A Inteligência da Empresa Público Alvo Analistas de Mercado
  • 14. Estratégia e Tática Data Mining: A Inteligência da Empresa Data Mining é freqüentemente, usado em negócios como uma ferramenta tática. Claro que há muito valor no uso de Data Mining como ferramenta de tática. No entanto, o núcleo de processos de negócios toma lugar em nível estratégico e é o uso estratégico de Data Mining que garante o maior retorno para uma companhia. Conjunto de atividades possíveis e disponíveis em uma circunstância particular; cada atividade conduz a um resultado potencial diferente. Estratégia Indica a ação concreta que empreende alguma estratégia, tentando influenciar algum evento de ordem macro. Tática
  • 15. Soluções Analíticas On-Line Muito do esforço humano no curso da história tem sido destinado a descobrir padrões úteis para, então, construir modelos aplicáveis em diversos problemas. Data mining é simplesmente a última linha de ferramentas para detectar padrões significativos e, conseqüentemente, melhorar o controle do mundo. Em um nível fundamental, isto é nada mais e nada menos que a busca automática de padrões em banco de dados. Pyle (2003, p. 4) Pré-processamento Extração de Padrões Pós- processamento Identificação do Problema Utilização do Conhecimento
  • 17. Benefícios das Soluções Analíticas Avançadas Estratégicos Tático Melhoria contínua na capacidade de tomada de decisão Otimizações em Relacionamentos e Operações empresariais Ferramentas mais poderosas para o staff do conhecimento Análise Multidimensional, Otimização de performance em processos, Análise em cenários What-if , Interfaces intuitivas para usuário Funcional Vendas Marketing Finanças RH Operação TI Comportamento do cliente, Análise da equipe comercial, Análise de vendas cruzadas Participação de mercado, Efetividade de Campanhas, Ciclo de Produtos e Serviços Performance negocial, Relatórios consolidados, Planejamento e Orçamento Avaliação de Performance, Análise de compensações, Planejamento e Otimização Planejamento de Produção, Processo, Controle de Qualidade, Eficiência operacional Integração Business & E-Business, ...
  • 18. Análises Supervisionada e Não-Supervisionada SupervisionadasNão-Supervisionadas Algumas Técnicas de Mining Mercado Telecom Financeiro Varejo Seguros Entender e reconhecer o próximo passo do clientes. Classificar diferentes grupos de clientes, produtos ou serviços por regras definidas pela ordem de importância das características estudadas. Propensão a aquisição / churn de produtos, serviços, clientes. Predizer a quantidade de vendas por produtos, clientes novos, cancelamentos, etc. Inferir sobre o tempo de vida útil do cliente e do valor do cliente (Life Time Value) Entender o perfil de cada cliente (Segmentação Mercadológica e Comportamental) Entender dos principais fatores discriminantes entre grupos de clientes. Regressão Logística Redes Neurais (RBF) Árvore de Decisão Análise Discriminante Análise de Sobrevivência Análise de Cluster (K-Means, SOM) Árvore de Classificação Análise de Associação Análise de Séries Temporais CPqD – Centro de Pesquisas e Desenvolvimentos em Telecomunicações ( 2003)
  • 20. Análises com Machine Learning e Neural Network Especificação do Problema nnmnnn m yxxxT yxxxT yxxxT YXXX      21 22322212 11312111 21 Aprendizado de Máquina Classificador Dados Brutos Avaliação Especialista Variável Dependente (Classe) Variável Independente (Atributos) Conhecimento do domínio Conhecimento do domínio Monard e Baranauskas (2005, p. 92) Máquina de Aprendizagem é uma área de Inteligência Artificial cujo objetivo é o desenvolvimento de técnicas computacionais sobre o aprendizado bem como a construção de sistemas capazes de adquirir conhecimento de forma automática. A decisão é tomada baseada em experiências acumuladas por meio da solução bem-sucedida de problemas anteriores. Monard e Baranauskas (2005, p. 89)
  • 21. Análises com Machine Learning e Neural Network Árvore de Classificação para Concessão de Crédito 1 2 3 4 5 6 7 Credito<=593,89 Fundos<=11694, Credito<=546,84 385 115 369 16 9 7 Aprovado Aprovado Reprovado Aprovado Aprovado Aprovado Reprovado Reprovado Aprovado Imagine a situação em que desejamos entender como uma decisão de concessão de crédito é tomada sobre a observação de concessões feitas no passado. O gráfico acima foi gerado a partir de 500 registros de concessões de uma empresa. Concessão de Crédito
  • 22. Análises com Machine Learning e Neural Network Web graph Node size: Relative support of each item Line thickness: Relative joint support of two items Color darkness of line: Relative lift of two items 0,000 1,163 Pizza Seafood DOM_SEDN DOM_SPRTGender==Male Hamburger EXT_SPRT Other Mexican EXT_SEDN Sandw iches Chinese Chicken
  • 23. Redes Neurais Artificiais são capazes de resolver, basicamente, problemas de aproximação, predição, classificação, categorização e otimização. Aplicações conhecidas de Redes Neurais como reconhecimento de caracteres, reconhecimento de voz, predição de séries temporais, modelagem de processos, controle, entre outras, são na verdade novas formas de apresentação destas classes de problemas. Análises com Machine Learning e Neural Network
  • 25. Aplicações e Cases de Sucesso Transações Bancárias Registros de Compras Perfil de Uso da Internet Informações de Satélite Rotas de Transporte Medidas de Produção Informações Integradas Códigos de Barra A coleta de dados tem atingido grandes proporções: a cada 20 meses a quantidade de informações no mundo dobra. E a questão agora é: Quanto de conhecimento novo temos obtido? O novo conhecimento ou KDD – Knowledge Discovery in Databases – visa otimizar e automatizar o processo de descrição das tendências e dos padrões contidos neste processo, potencialmente úteis e interpretáveis.
  • 26. Análise de Churn Telefonia Celular Aplicações e Cases de Sucesso
  • 27. Aplicações e Cases de Sucesso Enquanto empresas como as de Cartão de Crédito, esforçam-se para manter taxas de Churn de clientes em 0,4% ao mês, as companhias de telefonia celular chegam a pouco mais que 2,2% ao mês, em média, no mundo. Isso significa que 27% da carteira de clientes é perdida anualmente na renovação de contratos. Uma companhia de pesquisa em Análise de Churn/Attrition, a J. D. Power and Associates, estima que 90% de usuários de celulares mudaram de operadora nos últimos 5 anos. Perder um cliente gera grande despesa, visto que o custo para adquirir novos clientes envolve trabalho de vendas, marketing, publicidade e comissões. E muitos desses novos clientes são menos lucrativos que os que foram perdidos.
  • 28. Razão de CHURN por novos clientes 0% 10% 20% 30% 40% 50% 60% 70% 80% 1 2 3 4 5 6 7 8 9 10 Período de tempo Clientesperdidospornovosclientes Amadurecimento do mercado de TELCO Dados reais de uma empresa de telecomunicações Norte Americana. Aplicações e Cases de Sucesso
  • 29. Curto prazo: Identificar os prováveis “churners ” dos próximos dias e abordá-los via Telemarketing Médio prazo: Capacitar usuários para utilização e interpretação dos modelos de Data Mining para análise de CHURN. Longo prazo: Incorporar os modelos de Data Mining à solução integrada de CRM. Aplicações e Cases de Sucesso
  • 30. Retorno do Investimento Instante t: número de clientes: nt receita média por cliente: r receita total: Rt = nt * r Instante t + 1: número de novos clientes: nn número de “churners”: nc receita total: Rt +1 = (nt + nn – nc) * r Aplicações e Cases de Sucesso
  • 31. Suponha que o número de novos clientes seja duas vezes maior do que o número de “churners”, ou seja: nn = 2 * nc Então, a receita total no instante t + 1 será Rt + 1 = (nt + nn – nc) * r = (nt + 0,5 * nn) * r (1) Suponha que, com a implementação de Data Mining, consigamos reduzir em 30% o número de “churners”. Então, Rt + 1 = (nt + 0,65 * nn) * r (2) Aplicações e Cases de Sucesso
  • 32. Suponha uma empresa de telecomunicações com as seguintes características com respeito à telefonia móvel, sistema pós-pago: nt = 500.000 r = R$ 50,00 nn = 5.000 t = 1 mês Então, Rt = nt * r = R$ 25.000.000,00. volta Ganho de receita em 1 mês: R$ 37.500,00 Ganho de receita em 12 meses: R$ 450.000,00 Aplicando (1): Rt +1 = R$ 25.125.000,00 Aplicando (2): Rt +1 = R$ 25.162.500,00 Aplicações e Cases de Sucesso
  • 33. Aplicações e Cases de Sucesso Vejamos um estudo de caso sobre este tema. Coletamos dados de 260 mil usuários da Companhia TelCom S.A. O objetivo é encontrar um modelo que prediga os possíveis Churners com os dados fornecidos do mês de Agosto/2005 e aplicar o modelo encontrado no mês de Setembro/2005. O modelo utilizado é um algoritmo de Data Mining, CART – Classification and Regression Trees –, a técnica executa uma mineração diretamente dentro da base de dados relacional Informação Demográfica Dados do Cliente Call Center Serviço de Atendimento ao Cliente Base de Dados para Análise
  • 34. Aplicações e Cases de Sucesso Tree 1 graph for TMM5 Num. of non-terminal nodes: 10, Num. of terminal nodes: 11 ID=1 N=36 Mu=67,027778 Var=4368,527006 ID=2 N=24 Mu=24,416667 Var=456,576389 ID=4 N=21 Mu=17,142857 Var=91,265306 ID=6 N=15 Mu=11,866667 Var=13,182222 ID=8 N=11 Mu=10,000000 Var=3,636364 ID=11 N=7 Mu=11,285714 Var=1,061224 ID=7 N=6 Mu=30,333333 Var=42,888889 ID=3 N=12 Mu=152,250000 Var=1298,187500 ID=17 N=8 Mu=173,625000 Var=510,234375 ID=18 N=7 Mu=166,571429 Var=185,102041 ID=10 N=4 Mu=7,750000 Var=0,187500 ID=12 N=3 Mu=12,333333 Var=0,222222 ID=13 N=4 Mu=10,500000 Var=0,250000 ID=9 N=4 Mu=17,000000 Var=3,500000 ID=14 N=5 Mu=27,800000 Var=12,960000 ID=15 N=1 Mu=43,000000 Var=0,000000 ID=5 N=3 Mu=75,333333 Var=50,888889 ID=16 N=4 Mu=109,500000 Var=132,750000 ID=20 N=2 Mu=147,500000 Var=2,250000 ID=21 N=5 Mu=174,200000 Var=54,560000 ID=19 N=1 Mu=223,000000 Var=0,000000 TMI <= 66,500000 > 66,500000 MAT <= 65,000000 > 65,000000 TMI <= 17,500000 > 17,500000 TMI <= 10,500000 > 10,500000 TMI <= 7,500000 > 7,500000 N_M <= 86,850000 > 86,850000 TMI <= 29,000000 > 29,000000 TMI <= 86,000000 > 86,000000 TMI <= 124,500000 > 124,500000 TMI <= 101,000000 > 101,000000
  • 35. Aplicações e Cases de Sucesso Resultados: O modelo de Árvore de Decisão identificou 21 segmentos dentro dos 260 mil clientes. No segmento 10, por exemplo, foi identificado para o mês de Agosto 1161 clientes pertinentes a esse segmento, destes houve uma taxa de Churn de cerca de 84%, as características dos clientes que pertenciam ao segmento 10 eram: Contrato tipo Meus Minutos; Duração do serviço é menor que 23 meses; Duração do serviço de Roaming é por tempo maior que 9 meses; O assinante contratou uma das 13 tarifas; Ao aplicar o modelo encontrado para o mês de Setembro (com cerca de 280 mil clientes), o segmento 10 alcançou o número de 403 clientes.
  • 36. Aplicações e Cases de Sucesso Segmento Propensão de Churn Base do Segmento Volume de Churn Base Acumulada Churn Acumulado Percentual Acumulado de Churn Percentual Acumulado de Base 10 83,72 403 337 403 337 1,2 0,1 1 64,78 360 233 763 571 2,0 0,3 13 60,66 4249 2.577 5.012 3.148 11,1 1,8 4 53,61 227 122 5.239 3.270 11,6 1,9 18 50,22 7502 3.768 12.741 7.037 24,9 4,5 21 44,08 1840 811 14.581 7.848 27,7 5,2 16 32,15 649 209 15.230 8.057 28,5 5,4 13 28,54 1705 487 16.935 8.544 30,2 6,0 17 27,08 572 155 17.507 8.698 30,8 6,2 20 26,60 1696 451 19.203 9.150 32,3 6,8 19 26,04 5369 1.398 24.572 10.548 37,3 8,7 9 25,56 2955 755 27.527 11.303 40,0 9,8 8 21,11 2125 449 29.652 11.752 41,5 10,5 2 20,36 964 196 30.616 11.948 42,2 10,9
  • 37. Aplicações e Cases de Sucesso Um esforço foi desempenhado sobre um grupo que representa os 5,2% acumulado dos dados originais que, equivalentemente, correspondia a 27,7% de possíveis Churners. Uma campanha em dois canais de comunicação foi direcionada para estes clientes que atenderam com um retorno de 21% de renovação de contratos. Esse resultado perdurou por 2 meses e, no seguinte, o número de respondentes das campanhas empregadas decresceu e um novo modelo foi adaptado. Note que para o segmento 10, no mês de Agosto, tinha um total de 1161 clientes, mas no mês de Setembro, eram apenas 403. Isso mostra que a indicação de um cliente em um determinado grupo muda rapidamente, logo o modelo tem uma vida curta.
  • 39. Aplicações e Cases de Sucesso “A Hallmark tem um cartão para todo tipo de pessoa e toda ocasião. A líder no mercado de cartões divide rigorosamente o mercado consumidor a fim de identificar segmentos e nichos para novos produtos e linhas de produtos. Seus profissionais de marketing segmentam por raça, religião, ocasião, idade, nacionalidade, sensibilidade ao preço e outras variáveis.” “Por exemplo, a marca Hallmark Em Español dispõe de mais de mil cartões elaborados para hispno-americanos; a marca Tree of Live é voltada para norte-americanos de origem judaica; a marca Fresh Ink é direcionada para mulheres entre 18 e 39 anos, e a marca Warn Wishes – cujos cartões custam 99 centavos de dólar – concentra-se nos compradores sensíveis ao preço.” Kotler (2005, p. 182)
  • 40. Aplicações e Cases de Sucesso O marketing direcionado envolve três atividades: Segmentação de Mercado Identificação de Mercado Posicionamento de Mercado
  • 41. Aplicações e Cases de Sucesso PrincipaisVariáveisdeSegmentação GeográficaDemográficaPsicográficaComportamental Região Porte de cidade ou região metropolitana Densidade Área Idade, Tamanho e Ciclo de vida da família Sexo e Renda Ocupação e Grau de Instrução Religião, Nacionalidade, Classe Social Estilo de Vida Personalidade Valores Cultura O objetivo básico da segmentação é concentrar esforços de marketing em determinados alvos, que a empresa entende como favoráveis para serem explorados comercialmente, em decorrência de sua capacidade de satisfazer a demanda dos focos, de maneira mais adequada. Ocasiões, Benefícios e Status de usuário Índice de utilização e Status de fidelidade Estágio de prontidão Atitude em relação ao produto
  • 42. Aplicações e Cases de Sucesso Executamos uma pesquisa para avaliar como o cliente, sob certas condições, escolhe um tipo de carro entre aqueles de origem: Americana Européia Japonesa Com tamanhos: Pequeno, Média e Grande; e tipo: Familiar, Esporte e de Trabalho. Avaliamos questões simples em relação aos clientes, tais como: Casa: Própria ou Alugada; Sexo: Masculino e Feminino; Renda: 1 Renda ou 2 Rendas por família; Estado Civil: Solteiro com filhos, Casado com filhos, Solteiro e Casado
  • 43. Aplicações e Cases de Sucesso
  • 44. Aplicações e Cases de Sucesso 2D Plot of Row and Column Coordinates; Dimension: 1 x 2 Input Table (Rows x Columns): 9 x 4 Standardization: Row and column profiles Americano:Pequeno Americano:Médio Americano:GrandeJaponês:Pequeno Japonês:Médio Japonês:Grande Europeu:Pequeno Europeu:Médio Europeu:Grande Solteiro com Filhos Casado com Filhos Solteiro Casado -0,4 -0,3 -0,2 -0,1 0,0 0,1 0,2 0,3 0,4 0,5 0,6 Dimension 1; Eigenvalue: ,04844 (67,74% of Inertia) -0,3 -0,2 -0,1 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 Dimension2;Eige Row.Coords Col.Coords
  • 45. Aplicações e Cases de Sucesso
  • 46. Text Mining Busca de Padrão de Comportamento de Usuários na Internet Aplicações e Cases de Sucesso
  • 47. Aplicações e Cases de Sucesso Gramática Radical Origem Extração de Conhecimento Sumarização Categorização Clustering Tarefas de mineração de textos Extração Recuperação da Informação Preparação dos Dados Ebecken, Lopes e Costa (2005, p. 339) Mineração de Textos é um conjunto de técnicas e processos que descobrem conhecimento inovador nos textos. Ela está sendo empregada atualmente em projetos de diversas áreas, incluindo a operações internas do mundo dos negócios.
  • 48. Extraindo “reviews” do website www.carreview.com Não Estruturados Estruturados Aplicações e Cases de Sucesso
  • 49. Passo 1 – Extração de Palavras Extração de palavras dos textos Refinar o processo de “filtragem” do texto • Parsing, Stubbing, Stemming, etc. (Algorítimos) Aplicações e Cases de Sucesso
  • 50. Passo 2 – Transformação de Palavras Transformamos contagens de palavras em índices que reflitam a importância relativa das palavras. Várias aplicações disponíveis no STATISTICA Text Miner: Inversão de freqüência de documentos, freqüência Log , freqüência Binária, etc. Aplicações e Cases de Sucesso
  • 51. Passo 3 – Indexar Semântica Latente Número Total de palavras extraídas foram em torno de 300. Redução da dimensionalidade global da matriz de entrada (número de entradas de documentos X número de palavras extraídas). Identificar dimensões “ocultas” ou “subjacentes” (ou significâncias) descritas ou discutidas pelos documentos de entrada. Singular Value Decomposition Aplicações e Cases de Sucesso
  • 52. Mapa Perceptual – Espaço Semântico Aplicações e Cases de Sucesso
  • 53. Esta ferramenta identifica automaticamente as melhores preditoras para a palavra “Transmission”. Pode-se notar que carzz é uma das palavras mais proximamente “Transmission” nestes documentos. Feature Selection Do Text Mining para o Data Mining Aplicações e Cases de Sucesso
  • 54. Interactive Trees Aplicações e Cases de Sucesso Siga a “trilha” desta Árvore de Decisão para identificar as palavras que discriminam entre diferentes tipos de carros.
  • 55. Gráfico de Interação: Car Type × Negative connotation words Aplicações e Cases de Sucesso
  • 57. Objetivo: Fornecer subsídios para melhoria no controle de concessão de crédito por meio de modelos matemáticos de previsão de risco de inadimplência e credit score. Aplicações e Cases de Sucesso
  • 58. Potencialidades: • Avaliação do risco de concessão de crédito. • Identificação de nichos de mercado preferenciais para concessão de crédito. • Informações para campanhas direcionadas de recuperação de crédito. • Informações para campanhas de prevenção à inadimplência. Aplicações e Cases de Sucesso
  • 59. Desempenho do modelo matemático Calcula a probabilidade de uma operação de crédito entrar em inadimplência através de tratamento estatístico das informações contidas no histórico da base de dados. Probabilidade de inadimplência0 100% A probabilidade é obtida por meio de uma equação com coeficientes aplicados às variáveis que explicam a inadimplência. Os coeficientes são calculados através de procedimentos de inferência estatística. Aplicações e Cases de Sucesso
  • 60. 0 100% alto riscobaixo risco ponto de cortenichos preferenciais Escala de risco de inadimplência (Probabilidade) fácil recuperação difícil recuperação Aplicações e Cases de Sucesso
  • 61. Aplicações e Cases de Sucesso
  • 62. Mas o ponto crítico é quando o banco empresta para alguém que tem grande chance de não pagar. O banco tem uma lista de 252 inadimplentes, dos quais 196 (78%) foram identificadas pelo modelo. Dentre as 1000 operações envolvendo valores no total de R$ 10.827.831,00, 260 contrastes foram identificados pelo modelo, cuja soma em moeda é de R$ 3.113.403,00 Aplicações e Cases de Sucesso
  • 63. Resultado R$ 704.801,30 Valor total da inadimplência identificado pelo modelo Valor total da InadimplênciaR$ 3.171.605,25 R$ 2.466.804,98 Aplicações e Cases de Sucesso
  • 64. Bibliografia Swift, R. CRM, customer relationship management: o revolucionário marketing de relacionamentos com o cliente. Rio de Janeiro: Campus, 2001. Rezende, S. O. (Coord.). Sistemas Inteligentes: Fundamentos e Aplicações. Barueri-SP: Manole, 2005. Monard, M.C. & Baranauskas, J. A. Conceitos sobre Aprendizado de Máquina. In: Rezende, S. O. (Coord.). Sistemas Inteligentes: Fundamentos e Aplicações, Barueri: Manole, 2005. p. 81-104. Novellino, A..Crescimento e Longevidade da Empresa Familiar, São Paulo, 2007. Trabalho disponível no site: www.prosperarebrasil.com.br . Ebecken, N. F. F., Lopes, M. C. S. & Costa, M. C. Mineração de Textos. In: Rezende, S. O. (Coord.). Sistemas Inteligentes: Fundamentos e Aplicações, Barueri: Manole, 2005. p. 337- 372. Pyle, D. Business Modeling and Data Mining. San Francisco: Morgan Kaufmann Publishers, 2003. Berry, M. J. A. & Linoff, G. S. Data Mining Techniques. Indianapolis, Indiana: Wiley Publishing, 2004. Kotler, P. Marketing essencial: conceitos, estratégias e casos. São Paulo: Prentice Hall, 2005. Berson, A., Smith, S. & Thearling, K. Building Data Mining Applications for CRM.