Apresentação do case da GVDASA no FIC 2015 - Fórum de Internet Corporativa com o tema BIG DATA - Dos dados à ação, o futuro do Marketing.

1. Os desafios do GVwise ao entregar predição e
promover proação

2. Sobre mim
Wagner Luiz Cambruzzi
Mestre em Computação Aplicada na UNISINOS
 Inteligência Artificial
 Aprendizado de Máquinas
 Mineração de Dados
Gerente de Projetos na GVDASA

4. Nossos produtos

5. Case

6. Um case de

7. Será?

8. http://www.businessinsider.com.au/infographic-what-happens-online-in-60-seconds-2015-5

9. http://sci2s.ugr.es/BigData

10. http://www.ibmbigdatahub.com/sites/default/files/infographic_file/4-Vs-of-big-data.jpg

11. http://newsbizblog.blogspot.com.br/2013/11/big-data-four-vs.html

12. http://dataconomy.com/seven-vs-big-data/
Volume
Variety
Velocity
Value
Variability
Veracity
Visualization

13. https://www.mapr.com/blog/top-10-big-data-challenges-%E2%80%93-serious-look-10-big-data-v%E2%80%99s#.VhRKQHpVhBc
1. Volume
2. Variety
3. Velocity
4. Veracity
5. Validity
6. Value
7. Variability
8. Venue
9. Vocabulary
10.Vagueness

14. https://www.linkedin.com/pulse/lets-replace-vs-big-data-single-d-mathias-golombek
Digitalization

15. “Big data is like teenage sex:
everyone talks about it,
nobody really knows how to do it,
everyone thinks everyone else is doing it,
so everyone claims they are doing it...”
Dan Ariely – 6 de janeiro de 2013
https://www.facebook.com/dan.ariely/posts/904383595868

18. Como extrair valor?
ValorAnálise
Dados
centralizados
Dados BrutosProblema

19. Principais tipos de análises
https://duncan3ross.wordpress.com/tag/predictive-analytics/

20. Cenário

21. Problema
• ~40% dos alunos de IES públicas não completam o curso
(Agência Senado, 2014)
• ~30% dos alunos de IES privadas não completam o curso
(Agência Senado, 2014)
• Evasão de cursos totalmente EaD ~19% (CENSO ABED, 2013)
• Evasão de cursos semipresenciais ~15% (CENSO ABED, 2013)
• As perdas financeiras podem chegar a R$ 9 bilhões
(NOGUEIRA, 2011)

22. Tem dados?
Eventos
Professores e
Tutores
AdministrativoCoordenações
2. Instituição de Ensino
Ambiente Virtual
de Aprendizagem
3. Dados
Atendimento
1. Estudantes

23. Como extrair valor?

24. 1 - Mapeamento de
indicadores
2 - Geração e validação de
padrões
3 - Predição e emissão de
alertas
4 - Avaliação e realização
de ações

25. 1 - Mapeamento de
indicadores
2 - Geração e validação de
padrões
3 - Predição e emissão de
alertas
4 - Avaliação e realização
de ações
1 – Mapeamento de indicadores
AVEA, ERP, CRM, ...
Indicadores
Exploração dos dados

26. 1 - Mapeamento de
indicadores
2 - Geração e validação de
padrões
3 - Predição e emissão de
alertas
4 - Avaliação e realização
de ações

27. 1 - Mapeamento de
indicadores
2 - Geração e validação de
padrões
3 - Predição e emissão de
alertas
4 - Avaliação e realização
de ações

28. 1 - Mapeamento de
indicadores
2 - Geração e validação de
padrões
3 - Predição e emissão de
alertas
4 - Avaliação e realização
de ações
2 - Geração e validação de padrões
Definição de perfis
Indicadores de estudantes
(histórico)
Aprovados
Reprovados
Evadidos
Identificação dos grupos deinteresse
Mineração dedados e
identificação depadrões

29. 1 - Mapeamento de
indicadores
2 - Geração e validação de
padrões
3 - Predição e emissão de
alertas
4 - Avaliação e realização
de ações

30. 1 - Mapeamento de
indicadores
2 - Geração e validação de
padrões
3 - Predição e emissão de
alertas
4 - Avaliação e realização
de ações

31. 1 - Mapeamento de
indicadores
2 - Geração e validação de
padrões
3 - Predição e emissão de
alertas
4 - Avaliação e realização
de ações
3 - Predição e emissão de alertas
Módulo de
encaminhamentos
Estudantes classificados conforme o
risco
Classificação ou prediçãoIndicadores de estudantes
(atuais)
Central de Atendimento
Ações automáticas
Equipe de Retenção

32. 1 - Mapeamento de
indicadores
2 - Geração e validação de
padrões
3 - Predição e emissão de
alertas
4 - Avaliação e realização
de ações

33. 1 - Mapeamento de
indicadores
2 - Geração e validação de
padrões
3 - Predição e emissão de
alertas
4 - Avaliação e realização
de ações

34. 1 - Mapeamento de
indicadores
2 - Geração e validação de
padrões
3 - Predição e emissão de
alertas
4 - Avaliação e realização
de ações
4 - Avaliação e realização de ações
Analise dos estudantes em
risco Realização deações
Aumento da Permanência
Gerência do Processo

35. 1 - Mapeamento de
indicadores
2 - Geração e validação de
padrões
3 - Predição e emissão de
alertas
4 - Avaliação e realização
de ações

36. 1 - Mapeamento de
indicadores
2 - Geração e validação de
padrões
3 - Predição e emissão de
alertas
4 - Avaliação e realização
de ações

37. 1 - Mapeamento de
indicadores
2 - Geração e validação de
padrões
3 - Predição e emissão de
alertas
4 - Avaliação e realização
de ações

38. 1 - Mapeamento de
indicadores
2 - Geração e validação de
padrões
3 - Predição e emissão de
alertas
4 - Avaliação e realização
de ações

39. Como entregar?

40. • Interface de acompanhamento de uma turma

45. Resultados

46. Estudo de caso
• Todas as turmas dos cursos EaD de uma IES
• LOGs históricos: ~ 130 milhões
• LOGs diários: ~ 225 mil
• Disciplinas bimestrais (9 semanas)

47. Resultados de Predição
25,0%
35,0%
45,0%
55,0%
65,0%
75,0%
85,0%
95,0%
Aula 2 Aula 3 Aula 4 Aula 5 Aula 6 Aula 7 Aula 8
Predição Insucesso
Geral Insucesso Sucesso

48. Resultados de Reversão
0,0%
10,0%
20,0%
30,0%
40,0%
50,0%
60,0%
70,0%
80,0%
Evasão Aprovação
Comparativo
Sem GVwise Com GVwise
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
Retenção Aprovação
19,6%
7,4%
Ganho

49. Enxergamos o valor que
está nos nossos dados?

50. Obrigado!
Wagner Luiz Cambruzzi
wcambruzzi@gvdasa.com.br
br.linkedin.com/in/wlcambruzzi