SlideShare uma empresa Scribd logo
1 de 131
Baixar para ler offline
Aumentando a taxa de qualificação
do Processo de Vendas através do
Predictive Lead Scoring
Thiago Gouveia Rocha
O que vem na sua
cabeça ao pensar
em machine
learning?
Machine
Learning
Machine
Learning
Revolucionário
Machine
Learning porém,
Complexo
Revolucionário
E no Google?
Buzzword
Teoria Prática
Teoria Prática
Teoria Prática
Teoria Prática
E se houvesse um
jeito rápido de
colocar esses
aprendizados em
prática?
Você já imaginou
poder impactar algo
em 10% com a
primeira versão do
algoritmo feito em 1
mês?
Tecnologia
democratizada
Competições e
comunidade
Falsa autoridade
em ML
Azure
Machine Learning
Tecnologia
democratizada
Competições e
comunidade
Falsa autoridade
em ML
Azure
Machine Learning
Tecnologia
democratizada
Competições e
comunidade
Falsa autoridade
em ML
Azure
Machine Learning
CUIDADO
Posts
Teoria Prática
Teoria PráticaProcesso
Aumentar a eficiência
de vendas com o
Predictive Lead
Scoring
Problema
Passo a PassoProblema
Resultados
AtingidosPasso a PassoProblema
Era uma vez na…
0
20
40
60
80
0
12500
25000
37500
50000
01/2014 04/2014 07/2014 10/2014 01/2015 04/2015 07/2015 10/2015 01/2016 04/2016 07/2016
Leads Vendedores
Como devemos
qualificar os leads?
Para entregar as
melhores oportunidades
para o time de vendas
Lead Scoring
Lead Scoring
Lead Scoring
Sistema robusto
Lead Scoring
Sistema robusto
Sem erros
Lead Scoring
Sistema robusto
Sem erros
100% preciso
Lead Scoring
Lead Scoring
Pontuação definida há 2 anos
Lead Scoring
Pontuação definida há 2 anos
Melhorias incrementais
Lead Scoring
Pontuação definida há 2 anos
Melhorias incrementais
Funciona? Funciona, mas
podemos ser melhores
PrediCtive
lead Scoring
Predictive Lead Scoring - PLS
Lead
Predictive Lead Scoring - PLS
Lead
Classificador
Predictive Lead Scoring - PLS
Lead
Classificador Não Qualificado
Predictive Lead Scoring - PLS
Lead
Classificador
Base histórica de
dados
Não Qualificado
Predictive Lead Scoring - PLS
Lead
ClassificadorQualificado
Base histórica de
dados
Não Qualificado
Predictive Lead Scoring - PLS
Lead
ClassificadorQualificado
Envia para
vendas
Base histórica de
dados
Não Qualificado
Predictive Lead Scoring - PLS
Lead
ClassificadorQualificado
Envia para
vendas
Base histórica de
dados
Não Qualificado
Predictive Lead Scoring - PLS
Predictive Lead Scoring - PLS
Não precisa definir os pesos
Predictive Lead Scoring - PLS
Não precisa definir os pesos
Aprendizado contínuo acompanhando as
mudanças do mercado
Predictive Lead Scoring - PLS
Não precisa definir os pesos
Aprendizado contínuo acompanhando as
mudanças do mercado
Não precisa definir manualmente as variáveis
Mas…
Nem tudo são flores
1 2 3 4 5
Reunir
informações
de várias fontes
de dados
Limpe os dados
aumentando a
sua qualidade
Análise do dataset
Definição das
métricas de
avaliação
Construção dos
modelos
Seleção do melhor
algoritmo
Aplicação em
tempo real
Monitoramento e
extração de insight
do modelo
Framework
1 2 3 4 5
Reunir
informações
de várias fontes
de dados
Limpe os dados
aumentando a
sua qualidade
Análise do dataset
Definição das
métricas de
avaliação
Construção dos
modelos
Seleção do melhor
algoritmo
Aplicação em
tempo real
Monitoramento e
extração de insight
do modelo
Framework
Passo 1
Reunir informações de várias fontes de dados
Passo 1
Reunir informações de várias fontes de dados
Quais são os dados
necessários para o
seu problema?
Passo 1
Reunir informações de várias fontes de dados
Quais são os dados
necessários para o
seu problema?
Onde você pode
encontrá-los da forma
mais confiável?
Passo 1
Reunir informações de várias fontes de dados
39parâmetros
Passo 1
Reunir informações de várias fontes de dados
Lead
Passo 1
Reunir informações de várias fontes de dados
Lead Converte
Passo 1
Reunir informações de várias fontes de dados
Lead Converte
Passo 1
Reunir informações de várias fontes de dados
Lead Converte Web Scraping
Passo 1
Reunir informações de várias fontes de dados
Lead Converte Mongo DBWeb Scraping
Passo 1
Reunir informações de várias fontes de dados
Lead Converte Mongo DBWeb Scraping
Exporta como CSV
1 2 3 4 5
Reunir
informações
de várias fontes
de dados
Limpe os dados
aumentando a
sua qualidade
Análise do dataset
Definição das
métricas de
avaliação
Construção dos
modelos
Seleção do melhor
algoritmo
Aplicação em
tempo real
Monitoramento e
extração de insight
do modelo
Framework
Garbage in
Garbage in, garbage out
Passo 2
Limpe e transforme os dados aumentando a sua qualidade
Passo 2
• Categorização de campos vazios
Limpe e transforme os dados aumentando a sua qualidade
Passo 2
• Categorização de campos vazios
• Imputação da média para campos numéricos vazios
Limpe e transforme os dados aumentando a sua qualidade
Passo 2
• Categorização de campos vazios
• Imputação da média para campos numéricos vazios
• Padronização de campos. Exemplo: Edu e Educação
Limpe e transforme os dados aumentando a sua qualidade
Passo 2
• Categorização de campos vazios
• Imputação da média para campos numéricos vazios
• Padronização de campos. Exemplo: Edu e Educação
• Eliminação de linhas com campos incoerentes.
Limpe e transforme os dados aumentando a sua qualidade
Dados transformados
de acordo com a sua
hipótese geram mais
valor
Passo 2
Limpe e transforme os dados aumentando a sua qualidade
Passo 2
• Contar e segmentar conversões por estágio do funil
Limpe e transforme os dados aumentando a sua qualidade
Passo 2
• Contar e segmentar conversões por estágio do funil
• Contar e segmentar visitas por estágio do funil
Limpe e transforme os dados aumentando a sua qualidade
Passo 2
• Contar e segmentar conversões por estágio do funil
• Contar e segmentar visitas por estágio do funil
• Contar ferramentas do site
Limpe e transforme os dados aumentando a sua qualidade
Passo 2
• Contar e segmentar conversões por estágio do funil
• Contar e segmentar visitas por estágio do funil
• Contar ferramentas do site
• Contar elementos de SEO
Limpe e transforme os dados aumentando a sua qualidade
1 2 3 4 5
Reunir
informações
de várias fontes
de dados
Limpe os dados
aumentando a
sua qualidade
Análise do dataset
Definição das
métricas de
avaliação
Construção dos
modelos
Seleção do melhor
algoritmo
Aplicação em
tempo real
Monitoramento e
extração de insight
do modelo
Framework
Gráficos, Gráficos e mais gráficos
Passo 3
Análise do dataset
Passo 3
Análise do dataset
Campos com altas taxas de
"None"
60% 16%
24% Sim
Não
None
Produz conteúdo?
Passo 3
Análise do dataset
Campos com altas taxas de
"None"
Classes desbalanceadas
60% 16%
24% Sim
Não
None
Produz conteúdo?
91%
9%
Qualificado
Não Qualificado
Por que lidar com classes desbalanceadas?
Passo 3 - Análises dos dados e definições de métricas de avaliação
91%
9%
Qualificado
Não Qualificado
Modelo prevê todos como
não qualificados
Accuracy alta (±91%)
Péssima predição
Por que balancear as classes?
Passo 3 - Análises dos dados e definições de métricas de avaliação
Undersampling
Oversampling
SMOTE
Por que balancear as classes?
Passo 3 - Análises dos dados e definições de métricas de avaliação
Undersampling
Oversampling
SMOTE
12métodos de sampling testados
Por que balancear as classes?
Passo 3 - Análises dos dados e definições de métricas de avaliação
Métodos AUC Score Cohen-kappa Score Precision_Major_Class Recall_Minor_Class
Unbalanced 0.511263 0.038569 0.934226 0.027964
Balanced Weight 0.780849 0.242023 0.980285 0.782438
Random Undersampling 0.841801 0.306438 0.989591 0.883110
Near Miss 0.742753 0.170340 0.978577 0.788031
Near Miss 2 0.709199 0.336492 0.962023 0.492729
Near Miss 3 0.548458 0.136276 0.939038 0.115772
Tomek Link 0.513311 0.044363 0.934489 0.034116
Random Oversampler 0.735945 0.308761 0.967347 0.583893
SMOTE 0.736143 0.315119 0.967204 0.579978
SMOTE + Tomek 0.739171 0.308891 0.967939 0.592841
SMOTE + ENN 0.773241 0.275659 0.976135 0.719239
Easy Ensemble 0.823634 0.259754 0.989409 0.887025
Balance Cascade 0.786406 0.182570 0.990412 0.911074
Por que balancear as classes?
Passo 3 - Análises dos dados e definições de métricas de avaliação
Métodos AUC Score Cohen-kappa Score Precision_Major_Class Recall_Minor_Class
Unbalanced 0.511263 0.038569 0.934226 0.027964
Balanced Weight 0.780849 0.242023 0.980285 0.782438
Random Undersampling 0.841801 0.306438 0.989591 0.883110
Near Miss 0.742753 0.170340 0.978577 0.788031
Near Miss 2 0.709199 0.336492 0.962023 0.492729
Near Miss 3 0.548458 0.136276 0.939038 0.115772
Tomek Link 0.513311 0.044363 0.934489 0.034116
Random Oversampler 0.735945 0.308761 0.967347 0.583893
SMOTE 0.736143 0.315119 0.967204 0.579978
SMOTE + Tomek 0.739171 0.308891 0.967939 0.592841
SMOTE + ENN 0.773241 0.275659 0.976135 0.719239
Easy Ensemble 0.823634 0.259754 0.989409 0.887025
Balance Cascade 0.786406 0.182570 0.990412 0.911074
1 2 3 4 5
Reunir
informações
de várias fontes
de dados
Limpe os dados
aumentando a
sua qualidade
Análise do dataset
Definição das
métricas de
avaliação
Construção dos
modelos
Seleção do melhor
algoritmo
Aplicação em
tempo real
Monitoramento e
extração de insight
do modelo
Framework
Escolha das features
Passo 4 - Escolha das features e seleção do melhor modelo
Leads
Escolha das features
Passo 4 - Escolha das features e seleção do melhor modelo
Leads
Encoding e
Normalização
Escolha das features
Passo 4 - Escolha das features e seleção do melhor modelo
Leads Amostragem
Encoding e
Normalização
Escolha das features
Stratified KFold
Passo 4 - Escolha das features e seleção do melhor modelo
Leads SplitAmostragem
Encoding e
Normalização
Escolha das features
Stratified KFold
Passo 4 - Escolha das features e seleção do melhor modelo
Leads SplitAmostragem
Encoding e
Normalização
Algoritmo em
árvore
Random Forest
Escolha das features
Stratified KFold
Passo 4 - Escolha das features e seleção do melhor modelo
Leads SplitAmostragem
Encoding e
Normalização
Algoritmo em
árvore
Random Forest
Fit
Escolha das features
Stratified KFold
Passo 4 - Escolha das features e seleção do melhor modelo
Leads SplitAmostragem
Encoding e
Normalização
Algoritmo em
árvore
Random Forest
Fitfeatures_importances
Escolha das features
39features
Ranking Features Importância
1 Conversões Total 0.23134
2 Segmento 0.21748
3 Número de Funcionários 0.18724
4 Status site 0.17363
5 Visitas Total 0.14728
6 Cargo 0.14010
7 Dia da conversão 0.13869
8 Outras conversões 0.08237
9 Estágio funil 0.04726
10 Campanha de entrada 0.03125
Passo 4 - Escolha das features e seleção do melhor modelo
Escolha das features
Passo 4 - Escolha das features e seleção do melhor modelo
Dados limpos e
transformados
Amostragem do
dataset
Seleção das
features
Seleção do
modelo
Escolha das features
Passo 4 - Escolha das features e seleção do melhor modelo
Dados limpos e
transformados
Amostragem do
dataset
Seleção das
features
Seleção do
modelo
Escolha das features
Passo 4 - Escolha das features e seleção do melhor modelo
Dados limpos e
transformados
Amostragem do
dataset
Seleção das
features
Seleção do
modelo
Escolha das features
Passo 4 - Escolha das features e seleção do melhor modelo
Dados limpos e
transformados
Amostragem do
dataset
Seleção das
features
Seleção do
modelo
Escolha das features
Passo 4 - Escolha das features e seleção do melhor modelo
Dados limpos e
transformados
Amostragem do
dataset
Seleção das
features
Seleção do
modelo
Escolha das features
• 10 classificadores
Set de Modelos
Set de Parâmetros
Para cada
modelo
GridSearchCV
Fit Predict
Evaluate
Escolha das features
• 10 classificadores
• Dificuldade de selecionar
os parâmetros
Set de Modelos
Set de Parâmetros
Para cada
modelo
GridSearchCV
Fit Predict
Evaluate
Escolha das features
• 10 classificadores
• Dificuldade de selecionar
os parâmetros
• GridSearch - Solução para
tunar hyper-parameters
Set de Modelos
Set de Parâmetros
Para cada
modelo
GridSearchCV
Fit Predict
Evaluate
Escolha das features
• 10 classificadores
• Dificuldade de selecionar
os parâmetros
• GridSearch - Solução para
tunar hyper-parameters
• Matriz de confusão e AUC
Score
Set de Modelos
Set de Parâmetros
Para cada
modelo
GridSearchCV
Fit Predict
Evaluate
Escolha das features
Passo 4 - Escolha das features e seleção do melhor modelo
Métodos AUC Score Falso Negativo Normalizado Vendas não qualificadas
Logistic Regression 0,778945 0,1185 40
Gradient Boosting 0,859085 0,0956 1
MLP 0,820460 0,1135 7
Random Forest 0,847450 0,1124 1
Blagging 0,835600 0,1208 5
Adaboost 0,838322 0,1180 8
KNN 0,793297 0,1565 12
Decision Tree 0,785576 0,2147 15
Gaussian NB 0,636143 0,2534 64
SVM 0,548720 0,2945 98
Escolha das features
Passo 4 - Escolha das features e seleção do melhor modelo
Métodos AUC Score Falso Negativo Normalizado Vendas não qualificadas
Logistic Regression 0,778945 0,1185 40
Gradient Boosting 0,859085 0,0956 1
MLP 0,820460 0,1135 7
Random Forest 0,847450 0,1124 1
Blagging 0,835600 0,1208 5
Adaboost 0,838322 0,1180 8
KNN 0,793297 0,1565 12
Decision Tree 0,785576 0,2147 15
Gaussian NB 0,636143 0,2534 64
SVM 0,548720 0,2945 98
1 2 3 4 5
Reunir
informações
de várias fontes
de dados
Limpe os dados
aumentando a
sua qualidade
Análise do dataset
Definição das
métricas de
avaliação
Construção dos
modelos
Seleção do melhor
algoritmo
Aplicação em
tempo real
Monitoramento e
extração de insight
do modelo
Framework
Treino é treino,
Jogo é jogo
Desenvolvimento do App
Passo 5 - Rollout do modelo escolhido
Tecnologias Utilizadas
Desenvolvimento do App
Passo 5 - Rollout do modelo escolhido
Tecnologias Utilizadas
Desenvolvimento do App
Passo 5 - Rollout do modelo escolhido
Tecnologias Utilizadas
Pickle
Resultados Alcançados
Lead
scoring
Predictive
Lead scoring
Resultados Alcançados
Lead Scoring
Predictive
Lead Scoring
Resultados Alcançados
Lead Scoring
Predictive
Lead Scoring
Resultados Alcançados
Lead Scoring
Predictive
Lead Scoring
Previu 87% dos SALs
Resultados Alcançados
Lead Scoring
Predictive
Lead Scoring
Previu 87% dos SALs
Qualificou mais 23% que o Lead
Scoring não qualificou
Enviando a mesma
quantidade de
pessoas para vendas
10%mais leads qualificados
Enviando a mesma
quantidade de
pessoas para vendas
PLS gerou
1mês de
desenvolvimento
10%mais leads
qualificados
1mês de
desenvolvimento
10%mais leads
qualificados
1mês de
desenvolvimento
44xde ROI
Como você pode
impactar usando
Machine Learning
em 1 mês?
Dicas bibliográficas
http://bit.ly/tdc-rd http://bit.ly/tdc-rd3http://bit.ly/tdc-rd2
Natalie Hockham
Thiago Gouveia Rocha
thiago.rocha@resultadosdigitais.com.br
linkedin.com/in/thiago-gouveia-rocha
PrediCtive
lead Scoring

Mais conteúdo relacionado

Semelhante a Aumentando a taxa de qualificação do Processo de Vendas através do Predictive Lead Scoring

Gerenciamento de Produtos: métricas
Gerenciamento de Produtos: métricasGerenciamento de Produtos: métricas
Gerenciamento de Produtos: métricasProduct Camp Brasil
 
People analytics - O RH Data Driven
People analytics - O RH Data DrivenPeople analytics - O RH Data Driven
People analytics - O RH Data DrivenMarcelo Furtado
 
TDC2016SP - SparkMLlib Machine Learning na Prática
TDC2016SP -  SparkMLlib Machine Learning na PráticaTDC2016SP -  SparkMLlib Machine Learning na Prática
TDC2016SP - SparkMLlib Machine Learning na Práticatdc-globalcode
 
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
 
Design da Vida Algorítmica - DCEX 2017
Design da Vida Algorítmica - DCEX 2017Design da Vida Algorítmica - DCEX 2017
Design da Vida Algorítmica - DCEX 2017Adelino Mont'Alverne
 
"Desaprendizado de maquina" - Desmistificando machine learning na sua realidade
"Desaprendizado de maquina" - Desmistificando machine learning na sua realidade"Desaprendizado de maquina" - Desmistificando machine learning na sua realidade
"Desaprendizado de maquina" - Desmistificando machine learning na sua realidadeCarlos Augusto Oeiras
 
[TDC2016] Apache SparkMLlib: Machine Learning na Prática
[TDC2016] Apache SparkMLlib:  Machine Learning na Prática[TDC2016] Apache SparkMLlib:  Machine Learning na Prática
[TDC2016] Apache SparkMLlib: Machine Learning na PráticaEiti Kimura
 
Oficina de métricas para e-commerce
Oficina de métricas para e-commerceOficina de métricas para e-commerce
Oficina de métricas para e-commerceAlvaro Vasques
 
TDC2016SP - Trilha Data Science
TDC2016SP - Trilha Data ScienceTDC2016SP - Trilha Data Science
TDC2016SP - Trilha Data Sciencetdc-globalcode
 
Palestra sobre Métricas para Performance
Palestra sobre Métricas para PerformancePalestra sobre Métricas para Performance
Palestra sobre Métricas para PerformanceRicardo T. Dias
 
CURSOS_LISTA2022-v2.pdf
CURSOS_LISTA2022-v2.pdfCURSOS_LISTA2022-v2.pdf
CURSOS_LISTA2022-v2.pdflarcioFelix
 
TDC 2015 - Conceitos e Práticas no Desenvolvimento de Sistemas Preditivos
TDC 2015 - Conceitos e Práticas no Desenvolvimento de Sistemas PreditivosTDC 2015 - Conceitos e Práticas no Desenvolvimento de Sistemas Preditivos
TDC 2015 - Conceitos e Práticas no Desenvolvimento de Sistemas PreditivosWagner Luiz Cambruzzi
 
Curso de Google anaytics Avancado
Curso de Google anaytics AvancadoCurso de Google anaytics Avancado
Curso de Google anaytics Avancadoaluni_ead
 
Como incorporar processos de CRO para evoluir seu produto
Como incorporar processos de CRO para evoluir seu produtoComo incorporar processos de CRO para evoluir seu produto
Como incorporar processos de CRO para evoluir seu produtoRafael Auday
 
TDC 2015 Big Data - Modelos Preditivos
TDC 2015 Big Data - Modelos PreditivosTDC 2015 Big Data - Modelos Preditivos
TDC 2015 Big Data - Modelos PreditivosRodrigo Moraes
 
Melhore seu conhecimento sobre analise de dados com a versao mais recente do ...
Melhore seu conhecimento sobre analise de dados com a versao mais recente do ...Melhore seu conhecimento sobre analise de dados com a versao mais recente do ...
Melhore seu conhecimento sobre analise de dados com a versao mais recente do ...Minitab, LLC
 
Gestão pela Excelência em Resultados
Gestão pela Excelência em Resultados Gestão pela Excelência em Resultados
Gestão pela Excelência em Resultados Marcos Abreu
 
Gestão pela Excelência em Resultados
Gestão pela Excelência em ResultadosGestão pela Excelência em Resultados
Gestão pela Excelência em ResultadosMarcos Abreu
 

Semelhante a Aumentando a taxa de qualificação do Processo de Vendas através do Predictive Lead Scoring (20)

Gerenciamento de Produtos: métricas
Gerenciamento de Produtos: métricasGerenciamento de Produtos: métricas
Gerenciamento de Produtos: métricas
 
People analytics - O RH Data Driven
People analytics - O RH Data DrivenPeople analytics - O RH Data Driven
People analytics - O RH Data Driven
 
Questionário 1
Questionário 1Questionário 1
Questionário 1
 
TDC2016SP - SparkMLlib Machine Learning na Prática
TDC2016SP -  SparkMLlib Machine Learning na PráticaTDC2016SP -  SparkMLlib Machine Learning na Prática
TDC2016SP - SparkMLlib Machine Learning na Prática
 
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
 
Design da Vida Algorítmica - DCEX 2017
Design da Vida Algorítmica - DCEX 2017Design da Vida Algorítmica - DCEX 2017
Design da Vida Algorítmica - DCEX 2017
 
"Desaprendizado de maquina" - Desmistificando machine learning na sua realidade
"Desaprendizado de maquina" - Desmistificando machine learning na sua realidade"Desaprendizado de maquina" - Desmistificando machine learning na sua realidade
"Desaprendizado de maquina" - Desmistificando machine learning na sua realidade
 
[TDC2016] Apache SparkMLlib: Machine Learning na Prática
[TDC2016] Apache SparkMLlib:  Machine Learning na Prática[TDC2016] Apache SparkMLlib:  Machine Learning na Prática
[TDC2016] Apache SparkMLlib: Machine Learning na Prática
 
Curso DVR
Curso DVRCurso DVR
Curso DVR
 
Oficina de métricas para e-commerce
Oficina de métricas para e-commerceOficina de métricas para e-commerce
Oficina de métricas para e-commerce
 
TDC2016SP - Trilha Data Science
TDC2016SP - Trilha Data ScienceTDC2016SP - Trilha Data Science
TDC2016SP - Trilha Data Science
 
Palestra sobre Métricas para Performance
Palestra sobre Métricas para PerformancePalestra sobre Métricas para Performance
Palestra sobre Métricas para Performance
 
CURSOS_LISTA2022-v2.pdf
CURSOS_LISTA2022-v2.pdfCURSOS_LISTA2022-v2.pdf
CURSOS_LISTA2022-v2.pdf
 
TDC 2015 - Conceitos e Práticas no Desenvolvimento de Sistemas Preditivos
TDC 2015 - Conceitos e Práticas no Desenvolvimento de Sistemas PreditivosTDC 2015 - Conceitos e Práticas no Desenvolvimento de Sistemas Preditivos
TDC 2015 - Conceitos e Práticas no Desenvolvimento de Sistemas Preditivos
 
Curso de Google anaytics Avancado
Curso de Google anaytics AvancadoCurso de Google anaytics Avancado
Curso de Google anaytics Avancado
 
Como incorporar processos de CRO para evoluir seu produto
Como incorporar processos de CRO para evoluir seu produtoComo incorporar processos de CRO para evoluir seu produto
Como incorporar processos de CRO para evoluir seu produto
 
TDC 2015 Big Data - Modelos Preditivos
TDC 2015 Big Data - Modelos PreditivosTDC 2015 Big Data - Modelos Preditivos
TDC 2015 Big Data - Modelos Preditivos
 
Melhore seu conhecimento sobre analise de dados com a versao mais recente do ...
Melhore seu conhecimento sobre analise de dados com a versao mais recente do ...Melhore seu conhecimento sobre analise de dados com a versao mais recente do ...
Melhore seu conhecimento sobre analise de dados com a versao mais recente do ...
 
Gestão pela Excelência em Resultados
Gestão pela Excelência em Resultados Gestão pela Excelência em Resultados
Gestão pela Excelência em Resultados
 
Gestão pela Excelência em Resultados
Gestão pela Excelência em ResultadosGestão pela Excelência em Resultados
Gestão pela Excelência em Resultados
 

Mais de Thiago Rocha

7 lições sobre Data Analytics que as principais empresas do Vale do Silício e...
7 lições sobre Data Analytics que as principais empresas do Vale do Silício e...7 lições sobre Data Analytics que as principais empresas do Vale do Silício e...
7 lições sobre Data Analytics que as principais empresas do Vale do Silício e...Thiago Rocha
 
Criptomoeda 101 - Bitcoin: Moeda ou Valor Mobiliário?
Criptomoeda 101 - Bitcoin: Moeda ou Valor Mobiliário? Criptomoeda 101 - Bitcoin: Moeda ou Valor Mobiliário?
Criptomoeda 101 - Bitcoin: Moeda ou Valor Mobiliário? Thiago Rocha
 
Estratégia competitiva
Estratégia competitiva Estratégia competitiva
Estratégia competitiva Thiago Rocha
 
Automação residencial
Automação residencialAutomação residencial
Automação residencialThiago Rocha
 
Radio Frequency Identification
Radio Frequency IdentificationRadio Frequency Identification
Radio Frequency IdentificationThiago Rocha
 

Mais de Thiago Rocha (8)

7 lições sobre Data Analytics que as principais empresas do Vale do Silício e...
7 lições sobre Data Analytics que as principais empresas do Vale do Silício e...7 lições sobre Data Analytics que as principais empresas do Vale do Silício e...
7 lições sobre Data Analytics que as principais empresas do Vale do Silício e...
 
Criptomoeda 101 - Bitcoin: Moeda ou Valor Mobiliário?
Criptomoeda 101 - Bitcoin: Moeda ou Valor Mobiliário? Criptomoeda 101 - Bitcoin: Moeda ou Valor Mobiliário?
Criptomoeda 101 - Bitcoin: Moeda ou Valor Mobiliário?
 
Estratégia competitiva
Estratégia competitiva Estratégia competitiva
Estratégia competitiva
 
Cloud Computing
Cloud ComputingCloud Computing
Cloud Computing
 
Automação residencial
Automação residencialAutomação residencial
Automação residencial
 
China
ChinaChina
China
 
Radio Frequency Identification
Radio Frequency IdentificationRadio Frequency Identification
Radio Frequency Identification
 
Kinect
KinectKinect
Kinect
 

Último

ATIVIDADE 1 - GESTÃO DE PESSOAS E DESENVOLVIMENTO DE EQUIPES - 52_2024.docx
ATIVIDADE 1 - GESTÃO DE PESSOAS E DESENVOLVIMENTO DE EQUIPES - 52_2024.docxATIVIDADE 1 - GESTÃO DE PESSOAS E DESENVOLVIMENTO DE EQUIPES - 52_2024.docx
ATIVIDADE 1 - GESTÃO DE PESSOAS E DESENVOLVIMENTO DE EQUIPES - 52_2024.docx2m Assessoria
 
Entrevistas, artigos, livros & citações de Paulo Pagliusi
Entrevistas, artigos, livros & citações de Paulo PagliusiEntrevistas, artigos, livros & citações de Paulo Pagliusi
Entrevistas, artigos, livros & citações de Paulo PagliusiPaulo Pagliusi, PhD, CISM
 
ATIVIDADE 1 - CUSTOS DE PRODUÇÃO - 52_2024.docx
ATIVIDADE 1 - CUSTOS DE PRODUÇÃO - 52_2024.docxATIVIDADE 1 - CUSTOS DE PRODUÇÃO - 52_2024.docx
ATIVIDADE 1 - CUSTOS DE PRODUÇÃO - 52_2024.docx2m Assessoria
 
[ServiceNow] Upgrade de versão - 2ª edição (Revisada, atualizada e ampliada)
[ServiceNow] Upgrade de versão - 2ª edição (Revisada, atualizada e ampliada)[ServiceNow] Upgrade de versão - 2ª edição (Revisada, atualizada e ampliada)
[ServiceNow] Upgrade de versão - 2ª edição (Revisada, atualizada e ampliada)Alessandro Almeida
 
Palestras sobre Cibersegurança em Eventos - Paulo Pagliusi
Palestras sobre Cibersegurança em Eventos - Paulo PagliusiPalestras sobre Cibersegurança em Eventos - Paulo Pagliusi
Palestras sobre Cibersegurança em Eventos - Paulo PagliusiPaulo Pagliusi, PhD, CISM
 
ATIVIDADE 1 - CÁLCULO DIFERENCIAL E INTEGRAL II - 52_2024.docx
ATIVIDADE 1 - CÁLCULO DIFERENCIAL E INTEGRAL II - 52_2024.docxATIVIDADE 1 - CÁLCULO DIFERENCIAL E INTEGRAL II - 52_2024.docx
ATIVIDADE 1 - CÁLCULO DIFERENCIAL E INTEGRAL II - 52_2024.docx2m Assessoria
 
EAD Curso - CIÊNCIA DE DADOS NA INDÚSTTRIA
EAD Curso - CIÊNCIA DE DADOS NA INDÚSTTRIAEAD Curso - CIÊNCIA DE DADOS NA INDÚSTTRIA
EAD Curso - CIÊNCIA DE DADOS NA INDÚSTTRIAMarcio Venturelli
 
COI CENTRO DE OPERAÇÕES INDUSTRIAIS NAS USINAS
COI CENTRO DE OPERAÇÕES INDUSTRIAIS NAS USINASCOI CENTRO DE OPERAÇÕES INDUSTRIAIS NAS USINAS
COI CENTRO DE OPERAÇÕES INDUSTRIAIS NAS USINASMarcio Venturelli
 

Último (8)

ATIVIDADE 1 - GESTÃO DE PESSOAS E DESENVOLVIMENTO DE EQUIPES - 52_2024.docx
ATIVIDADE 1 - GESTÃO DE PESSOAS E DESENVOLVIMENTO DE EQUIPES - 52_2024.docxATIVIDADE 1 - GESTÃO DE PESSOAS E DESENVOLVIMENTO DE EQUIPES - 52_2024.docx
ATIVIDADE 1 - GESTÃO DE PESSOAS E DESENVOLVIMENTO DE EQUIPES - 52_2024.docx
 
Entrevistas, artigos, livros & citações de Paulo Pagliusi
Entrevistas, artigos, livros & citações de Paulo PagliusiEntrevistas, artigos, livros & citações de Paulo Pagliusi
Entrevistas, artigos, livros & citações de Paulo Pagliusi
 
ATIVIDADE 1 - CUSTOS DE PRODUÇÃO - 52_2024.docx
ATIVIDADE 1 - CUSTOS DE PRODUÇÃO - 52_2024.docxATIVIDADE 1 - CUSTOS DE PRODUÇÃO - 52_2024.docx
ATIVIDADE 1 - CUSTOS DE PRODUÇÃO - 52_2024.docx
 
[ServiceNow] Upgrade de versão - 2ª edição (Revisada, atualizada e ampliada)
[ServiceNow] Upgrade de versão - 2ª edição (Revisada, atualizada e ampliada)[ServiceNow] Upgrade de versão - 2ª edição (Revisada, atualizada e ampliada)
[ServiceNow] Upgrade de versão - 2ª edição (Revisada, atualizada e ampliada)
 
Palestras sobre Cibersegurança em Eventos - Paulo Pagliusi
Palestras sobre Cibersegurança em Eventos - Paulo PagliusiPalestras sobre Cibersegurança em Eventos - Paulo Pagliusi
Palestras sobre Cibersegurança em Eventos - Paulo Pagliusi
 
ATIVIDADE 1 - CÁLCULO DIFERENCIAL E INTEGRAL II - 52_2024.docx
ATIVIDADE 1 - CÁLCULO DIFERENCIAL E INTEGRAL II - 52_2024.docxATIVIDADE 1 - CÁLCULO DIFERENCIAL E INTEGRAL II - 52_2024.docx
ATIVIDADE 1 - CÁLCULO DIFERENCIAL E INTEGRAL II - 52_2024.docx
 
EAD Curso - CIÊNCIA DE DADOS NA INDÚSTTRIA
EAD Curso - CIÊNCIA DE DADOS NA INDÚSTTRIAEAD Curso - CIÊNCIA DE DADOS NA INDÚSTTRIA
EAD Curso - CIÊNCIA DE DADOS NA INDÚSTTRIA
 
COI CENTRO DE OPERAÇÕES INDUSTRIAIS NAS USINAS
COI CENTRO DE OPERAÇÕES INDUSTRIAIS NAS USINASCOI CENTRO DE OPERAÇÕES INDUSTRIAIS NAS USINAS
COI CENTRO DE OPERAÇÕES INDUSTRIAIS NAS USINAS
 

Aumentando a taxa de qualificação do Processo de Vendas através do Predictive Lead Scoring