Este documento resume os serviços de uma consultoria especializada em Big Data, análises preditivas e tomadas de decisão através de machine learning, com mais de 300 colaboradores e 100 empresas atendidas em mais de 50 projetos de BI, DW e Big Data. A empresa oferece soluções como análises avançadas de clientes, detecção de fraudes e perfis de risco.

2. SomosumaconsultoriadeBig Data,
, análisespreditivase tomadas
dedecisões atravésdemachine learning.
EMPRESA DEAL GROUP
1 3 A N O S D E AT U A Ç Ã O
+300
Colaboradores
+100
Empresas
Atendidas
+50
Projetos de
BI, DW e Big Data
+1.000
Pessoas
Treinadas

3. 2012 Nossoprimeirocontatofoiem
2012emumEventodo TDWI,
ondefalarammuitosobreofuturo
dos dados,Bigdatae Hadoop.
2014 Em2014assinamosaparceria
comaHortonworks.
1º InstrutorCertificadoHemisfério
Sul
2015 Em2015iniciamostreinamentose projetos.
São6projetosde Bigdata,+100alunostreinados
3especificamentesobreamontagemdeDataLakes.

5. CLIENTESe COMERCIAL
 Comparaçãode ClientesAtuaisx
Prospects
 Capturade ProspectsCruzamentode
Dadosde Mercadocom DadosInternos.
Ex.: CrescimentodaIndustria,Dadosde
Concorrentes
ANÁLISESAVANÇADAS
 Detecçãode Rentabilidade
 Curva deProdutosx Perfis
 Cestade ProdutosIdeal
 Rentabilidadeaplicadaporcarteira,
produtoouserviço
SEGURANÇA
 Detecçãode Fraudes
 Tentativasnãoautorizadas
 PerfilFraudador
 Operaçõescom Risco

6. Casos de sucesso – Mercado Financeiro
O projeto foi rescrito do zero, iniciando uma nova plataforma de BI
Em 2012 – havia aproximadamente 20 usuários, com a nova estrutura de
DW implementada, este ano, a Cecred tem atualmente mais de 1000
usuários.
O projeto inclui desde os dados operacionais até dados do planejamento
estratégico, metas e acompanhamento gerencial.
A Cetip está centralizando seus dados em uma plataforma única e
corporativa, baseada em Hadoop
No Scotiabank, estamos atuando no desenvolvimento do processo de
cargas de dados, revisão de arquitetura do Data Warehouse e
direcionamentos para equipe interna.

7. Casos de sucesso – Mercado Financeiro
No Deutsche Bank, participamos de projetos internos, como :
• Midas – sistema de middleoffice com calculo de MTM, P&L, Risco,
para unificação de todas operações do banco.
• Controladoria – geração de dados para controladora e despesas
• Base de Dados Operacional
• Outros Projetos Menores de Integração de dados e análises pontuais
No Citibank atuamos em processos da Tesouraria, desenho de base de
operações, cargas de dados diários, relatórios para áreas estratégicas do
banco, implantação de um processo de ODS – Operational Data Store
Na Cooperforte fizemos uma avaliação de informações e um desenho de
projeto que seria o mais aplicável a necessidade deles.
Entrevistamos todas as áreas e geramos um projeto de arquitetura e
negócios.

8. Casos de sucesso – Dados Financeiros
Relatórios Gerenciais – resultavam em média de 14 a 20 horas
para a conciliação de informações, após o desenvolvimento do
sistema de inteligência, reduzimos a entrega dos relatórios
gerenciais para 1 hora.
Processo de Integração de Dados Financeiros entre os diversos
Sistemas Internos.
Geração de Paineis Realtime para dados de TEDs e outras
informações online para Tesouraria e Piloto SPB

9. Características Comuns no Mercado Financeiro
iferente de outras empresas e indústrias, normalmente possuem diversos sistemas
rigem de dados.
s sistemas origem possuem estruturas de dados totalmente diferentes, exigindo um
sforço adicional de integração.
lém dos dados técnicos, os sistemas também possuem conceitos diferentes de
rodutos, centros de resultado, cadastros e outros dados, exigindo uma atividade
onstante de qualidade de dados.
erramentas de 3ª geração ( Tableau, SpotFire e Qlik ) tem uma certa dificuldade de
ntegrar dados sem um processo formal de Data Warehousing.
ecessidade comum de reprocessamentos de dados.
rocessamento parcial da informação de um único sistema.

10. Algoritmo – Perfil de Consumidor x Prospects
Método utilizado para classificação dos
clientes (Random Forest) – N Arvores de
decisão
DESAFIO : Identificar o perfil e
correlações clientes que usaram
determinados produtos em seu período
histórico.

11. Resultados do Algoritmo – Similaridade – Seguro de Vida
O Algoritmo retorna a similaridade dos prospects
em relação aos clientes que possuem o produto
em estudo ( Seguro de Vida ).
Ex.: o id 11030066 tem 86,39% de similaridade
comparando a um cliente que possui seguro de
vida.
Nesse caso específico, direcionamos o comercial
a abordar os clientes com mais
correlação/similaridade

12. Algoritmo de Cluster de Uso por Canais
Nesse algoritmo agrupamos pelo
comportamento dos clientes em relação ao uso
dos canais de atendimento :
• Caixa Presencial
• Caixa Eletrônico ( Auto Atendimento )
• Internet
• Mobileretorna a similaridade dos prospects
em relação aos clientes que possuem o
produto em estudo ( Seguro de Vida ).
O objetivo foi entender o comportamento de
utilização para direcionar para Canais mais
efetivos e de menor custo.

13. Algoritmo de Cluster de Uso por Canais – Visão Painel

14. OBRIGADO!
MarcoGarcia
AvenidaPaulista,171- 7andar- JardimPaulista
(11) 98779-0500
mgarcia@cetax.com.br