O documento apresenta a palestra de Alcides Carlos de Araújo sobre desafios diários em Data Science. A palestra inclui três casos de uso de Data Science em diferentes setores e discute conceitos, atores e o ciclo de Data Science.

1. DATA SCIENCE:
desafios diários

2. Nome: Alcides Carlos de Araújo
Email: alcides.carlos@gmail.com.br
Cientista de dados, Professor e Pesquisador. Atuação em projetos de Data
Science e Machine Learning em diversos setores como Telecomunicações,
Clipping, Financeiro e Marketing Digital.
Cientista de dados na Datakron
Professor Analytics na FIAP
Doutorado na área de Métodos Quantitativos pela FEA/USP
https://www.linkedin.com/in/alcides-araújo/

3. Agenda
• Data Science: conceito, atores e ciclo
• Case 1: Otimização de Broadcast
• Case 2: Sentimento de Notícias
• Case 3: Data Science no Cartola FC

4. O Data Science

5. Os atores

6. O ciclo DS
Data Science
Problema e
objetivos
Define e
coleta os
dados
Coleta dos
dados
Define e
testa
hipóteses
Mensura
efetividade
Apresenta
resultados
• Conhecimento
de Negócios
• Ferramentas de
Big Data
• Ferramentas de
ML

7. Case 1 – Otimização de Broadcast:
O desafio dos zeros
• Desafio: Reduzir a quantidade de envio
de mensagens de estímulo mantendo a
mesma taxa de retorno.
• Proposta: Identificar o comportamento
ou características dos usuários mais
propensos a responder o estímulo

8. Case 1 – Otimização de Broadcast:
O desafio dos zeros
• Desafio de dados: Quantidade excessiva
de tentativas que gera outra quantidade
gigantesca de fracassos.
• Proposta: Identificar algoritmo de
Machine Learning que melhor separasse
os 10% de sucesso contra os 90% de
tentativas fracassadas.

9. Case 1 – Otimização de Broadcast:
O desafio dos zeros
• Resultado:
Antes
797.681
sms enviados
1.755
Conversões
0,49%
conversões
Depois
429.427
sms enviados
1.503
Conversões
1,15%
conversões
Redução de
368.254
sms indesejados enviados

10. Case 2 – Sentimento de notícias:
O desafio dos textos
• Desafio de negócio: Gerar um
classificador de notícias em tempo real.
• Proposta: Desenvolver um algoritmo de
ML que iria “ler” a notícia e classificá-la
em “positiva”, “neutra” ou “negativa”.

11. Case 2 – Sentimento de notícias:
O desafio dos textos
• Desafio de dados:
• Categorizar as palavras
• Ajustar sinônimos
• Gerar dicionário de palavras
• Treinar algoritmo

12. Case 2 – Sentimento de notícias:
O desafio dos textos• Resultado:

13. Case 3 - Data Science no Cartola
• Motivação:
• Inúmeras estatísticas monitoradas durante
uma partida.
• Será possível que um robô ou inteligência
artificial possa realizar este trabalho?
• O Databol acredita na utilização de modernos
métodos estatísticos e computacionais para
geração de insights, um “olheiro” ou
“conselheiro”.

14. Case 3 - Data Science no Cartola
• O Cartola FC:
• Objetivo é
maximizar a
pontuação

15. Case 3 - Data Science no Cartola

16. Case 3 - Data Science no Cartola
• Propostas:
• Elaborar ferramenta para comparar os
desempenhos dos clubes.
• Elaborar ferramenta para comparar o
desempenho esperado dos jogadores
• Elaborar ferramenta para auto-
avaliação do cartoleiro

17. Nome: Alcides Carlos de Araújo
Email: alcides.carlos@gmail.com.br
Cientista de dados, Professor e Pesquisador. Atuação em projetos de Data
Science e Machine Learning em diversos setores como Telecomunicações,
Clipping, Financeiro e Marketing Digital.
Cientista de dados na Datakron
Professor Analytics na FIAP
Doutorado na área de Métodos Quantitativos pela FEA/USP
https://www.linkedin.com/in/alcides-araújo/
Obrigado!