Como uma extens\u00e3o natural das exig\u00eancias da era da informa\u00e7\u00e3o, o seu desenvolvimento como ferramenta expandiu-se nos \u00faltimos anos. Proliferou fora das empresas, abrindo campos como a extra\u00e7\u00e3o de dados cient\u00edficos para fins de investiga\u00e7\u00e3o. Vejamos o que ela oferece.<\/p>\r\n\r\n\r\n\r\n
Extra\u00e7\u00e3o de dados para an\u00e1lise de neg\u00f3cios<\/h2>\r\n\r\n\r\n\r\n
Os processos de extra\u00e7\u00e3o de dados podem ser muito \u00fateis para uma s\u00e9rie de actividades empresariais diferentes. No entanto, \u00e9 necess\u00e1rio compreender primeiro que a prospe\u00e7\u00e3o de dados, enquanto conceito, inclui v\u00e1rias t\u00e9cnicas. Apresentamos de seguida algumas das principais categorias e a forma como as empresas as implementam.<\/p>\r\n\r\n\r\n\r\n
- \r\n
- Classifica\u00e7\u00e3o<\/strong>: Como o nome sugere, este \u00e9 o processo de pegar nos dados e atribuir-lhes categorias distintas para utiliza\u00e7\u00e3o posterior. Por exemplo, um retalhista de moda pode classificar os seus produtos<\/a> em camisas, t-shirts, roupa interior, etc. Isto ajuda-os a saber mais sobre cada comprador.<\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n
- \r\n
- Agrupamento<\/strong>: O agrupamento \u00e9 semelhante \u00e0 t\u00e9cnica anterior, mas as categorias s\u00e3o mais gerais. As lojas de retalho podem agrupar os seus dados em roupa de homem e de mulher, por exemplo. Segue-se a an\u00e1lise de factores e de clusters.<\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n
- \r\n
- Regras de associa\u00e7\u00e3o<\/strong>: padr\u00f5es de rastreio baseados em vari\u00e1veis ligadas. No caso dos supermercados, seria como se algu\u00e9m comprasse dois produtos alimentares que combinam, por exemplo, macarr\u00e3o e queijo. A loja saber\u00e1 o que fazer com estes artigos, coloc\u00e1-los mais perto, p\u00f4-los \u00e0 venda em conjunto, etc.<\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n
- \r\n
- An\u00e1lise de regress\u00e3o<\/strong>Esta carater\u00edstica ajuda na an\u00e1lise estat\u00edstica e nas pr\u00e1ticas de extra\u00e7\u00e3o de dados, identificando vari\u00e1veis que ocorrem em conjunto. Ajuda a identificar probabilidades, determinando as rela\u00e7\u00f5es entre duas vari\u00e1veis. Exemplo: se houver um aumento da procura do bem A, ent\u00e3o haver\u00e1 um aumento da procura do bem B.<\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n
- \r\n
- Dete\u00e7\u00e3o de anomalias ou outliers<\/strong>: Este analisa o conjunto de dados estranho entre a norma. N\u00e3o basta identificar uma tend\u00eancia, \u00e9 preciso tamb\u00e9m investigar a m\u00e9dia da maioria das tend\u00eancias. Estuda os casos an\u00f3malos e compreende a sua causa. Por exemplo, regista-se um aumento maci\u00e7o de homens a comprar doces normalmente comprados por mulheres. Podemos deduzir erradamente que se trata de uma tend\u00eancia permanente ou reconhecer que estamos em fevereiro e que o Dia dos Namorados est\u00e1 \u00e0 porta.<\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n
Extra\u00e7\u00e3o de dados vs. an\u00e1lise de dados<\/h2>\r\n\r\n\r\n
\r\n![\"Imagem](\"https:\/\/promoguy.nl\/wp-content\/uploads\/2021\/10\/Data-mining-1-700x700.png\")
<\/figure>\r\n<\/div>\r\n\r\n\r\nEmbora a extra\u00e7\u00e3o de dados seja utilizada na an\u00e1lise de dados, estes termos n\u00e3o s\u00e3o permut\u00e1veis. A extra\u00e7\u00e3o de dados \u00e9 uma etapa anterior a esta. Trata-se de utilizar uma estrutura para tornar os dados utiliz\u00e1veis. \u00c9 o processo de pegar em grandes quantidades de pontos brutos de dados e dar-lhes uma estrutura. A an\u00e1lise de dados tem regras e padr\u00f5es que segue, enquanto a extra\u00e7\u00e3o n\u00e3o tem (inicialmente) essas regras ou padr\u00f5es pr\u00e9-existentes.<\/p>\r\n\r\n\r\n\r\n
Tomemos como exemplo a extra\u00e7\u00e3o de dados de redes sociais versus a an\u00e1lise de dados de redes sociais. No primeiro caso, a recolha de dados \u00e9 efectuada em massa. Os dados s\u00e3o frequentemente armazenados ou recuperados a partir de opera\u00e7\u00f5es avan\u00e7adas de armazenamento de dados.<\/p>\r\n\r\n\r\n\r\n
Intelig\u00eancia empresarial e an\u00e1lise preditiva<\/h2>\r\n\r\n\r\n\r\n
Embora a an\u00e1lise preditiva da Web esteja na moda atualmente, as empresas podem superar estes esfor\u00e7os com a explora\u00e7\u00e3o mineira. Por exemplo, uma empresa pode criar melhores em linha<\/a> an\u00e1lise de dados de retalho atrav\u00e9s da consulta de cat\u00e1logos de informa\u00e7\u00f5es de compras de uma variedade de lojas. Estas informa\u00e7\u00f5es podem ser categorizadas para criar um conjunto de dados preditivos para segmenta\u00e7\u00e3o em linha e cliente<\/a> para efeitos de segmenta\u00e7\u00e3o.<\/p>\r\n\r\n\r\n\r\n
A utiliza\u00e7\u00e3o da an\u00e1lise de dados preditiva para a aquisi\u00e7\u00e3o de clientes n\u00e3o \u00e9 novidade. Institui\u00e7\u00f5es como a Universidade de Sydney t\u00eam vindo a utiliz\u00e1-los para uma s\u00e9rie de fins. T\u00eam ajudado nos processos de inscri\u00e7\u00e3o e at\u00e9 na identifica\u00e7\u00e3o de estudantes com grandes probabilidades de dotar a escola. Por outro lado, uma an\u00e1lise pode utilizar investiga\u00e7\u00e3o pr\u00e9-categorizada a partir de Google<\/a> ou Facebook<\/a> ou an\u00e1lise da p\u00e1gina.<\/p>\r\n\r\n\r\n\r\n
Algumas das carater\u00edsticas da extra\u00e7\u00e3o de dados que a distinguem da an\u00e1lise s\u00e3o<\/p>\r\n\r\n\r\n\r\n
- \r\n
- Grandes quantidades de dados n\u00e3o categorizados.<\/li>\r\n\r\n\r\n\r\n
- As estruturas de dados s\u00e3o t\u00e3o complexas que n\u00e3o \u00e9 poss\u00edvel efetuar uma an\u00e1lise estat\u00edstica convencional<\/li>\r\n\r\n\r\n\r\n
- Os dados s\u00e3o frequentemente ruidosos e incompletos.<\/li>\r\n\r\n\r\n\r\n
- As an\u00e1lises de extra\u00e7\u00e3o de dados s\u00e3o preditivas ou descritivas.<\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n
Exemplos de extra\u00e7\u00e3o de dados nas empresas<\/h2>\r\n\r\n\r\n
\r\n![\"Extra\u00e7\u00e3o](\"https:\/\/promoguy.nl\/wp-content\/uploads\/2021\/10\/stock-1863880_1920-700x467.jpg\")
<\/figure>\r\n<\/div>\r\n\r\n\r\nExistem muitos aplica\u00e7\u00f5es<\/a> destes processos. As t\u00e9cnicas de data mining e de segmenta\u00e7\u00e3o s\u00e3o utilizadas h\u00e1 muito tempo por dezenas de empresas. H\u00e1 estudos que descrevem as suas aplica\u00e7\u00f5es para marketing multi-segmento e retalho<\/a>. Do mesmo modo, as informa\u00e7\u00f5es de grandes volumes de dados sobre os clientes baseiam-se frequentemente em muitos dos m\u00e9todos aqui enumerados. Empresas como a Cambridge Analytica utilizaram-nos para campanhas eleitorais controversas.<\/p>\r\n\r\n\r\n\r\n
An\u00e1lise de clusters marketing<\/a> A segmenta\u00e7\u00e3o do mercado depende frequentemente deste tipo de dados e, sem a categoriza\u00e7\u00e3o que a prospe\u00e7\u00e3o proporciona, pode ser muito dif\u00edcil. Em conjunto, estes processos formam uma gama de pr\u00e1ticas avan\u00e7adas de segmenta\u00e7\u00e3o do mercado do lado do consumidor para encontrar mais compradores. Pode at\u00e9 ter capacidades preditivas em termos de an\u00e1lise de dados de aquisi\u00e7\u00e3o de clientes e descoberta<\/a> comportamentos desej\u00e1veis.<\/p>\r\n\r\n\r\n\r\n
Os procedimentos de extra\u00e7\u00e3o de dados tamb\u00e9m podem ajudar a dar forma a estat\u00edsticas n\u00e3o estruturadas a partir da recupera\u00e7\u00e3o r\u00e1pida de pontos de dados. A recolha de dados em tempo real pode colocar muitos n\u00fameros nas suas m\u00e3os. No entanto, dar sentido a uma parte desses dados pode aperfei\u00e7oar o processo \u00e0 medida que ele acontece.<\/p>\r\n\r\n\r\n\r\n
Na mesma linha, a cria\u00e7\u00e3o de clusters para os dados que recebe atrav\u00e9s das redes sociais pode ajud\u00e1-lo a rastrear mais dados semelhantes, se necess\u00e1rio, ou permitir an\u00e1lises preditivas. Isto pode ser prefer\u00edvel a receber dados aleat\u00f3rios se estiver \u00e0 procura de vari\u00e1veis, grupos-alvo ou comportamentos espec\u00edficos.<\/p>\r\n\r\n\r\n\r\n
- Dete\u00e7\u00e3o de anomalias ou outliers<\/strong>: Este analisa o conjunto de dados estranho entre a norma. N\u00e3o basta identificar uma tend\u00eancia, \u00e9 preciso tamb\u00e9m investigar a m\u00e9dia da maioria das tend\u00eancias. Estuda os casos an\u00f3malos e compreende a sua causa. Por exemplo, regista-se um aumento maci\u00e7o de homens a comprar doces normalmente comprados por mulheres. Podemos deduzir erradamente que se trata de uma tend\u00eancia permanente ou reconhecer que estamos em fevereiro e que o Dia dos Namorados est\u00e1 \u00e0 porta.<\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n
- An\u00e1lise de regress\u00e3o<\/strong>Esta carater\u00edstica ajuda na an\u00e1lise estat\u00edstica e nas pr\u00e1ticas de extra\u00e7\u00e3o de dados, identificando vari\u00e1veis que ocorrem em conjunto. Ajuda a identificar probabilidades, determinando as rela\u00e7\u00f5es entre duas vari\u00e1veis. Exemplo: se houver um aumento da procura do bem A, ent\u00e3o haver\u00e1 um aumento da procura do bem B.<\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n
- Regras de associa\u00e7\u00e3o<\/strong>: padr\u00f5es de rastreio baseados em vari\u00e1veis ligadas. No caso dos supermercados, seria como se algu\u00e9m comprasse dois produtos alimentares que combinam, por exemplo, macarr\u00e3o e queijo. A loja saber\u00e1 o que fazer com estes artigos, coloc\u00e1-los mais perto, p\u00f4-los \u00e0 venda em conjunto, etc.<\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n
- Agrupamento<\/strong>: O agrupamento \u00e9 semelhante \u00e0 t\u00e9cnica anterior, mas as categorias s\u00e3o mais gerais. As lojas de retalho podem agrupar os seus dados em roupa de homem e de mulher, por exemplo. Segue-se a an\u00e1lise de factores e de clusters.<\/li>\r\n<\/ul>\r\n\r\n\r\n\r\n
![\"Log\u00f3tipo](\"https:\/\/promoguy.nl\/wp-content\/uploads\/2021\/10\/visual_programming_01_scaled.png\")
\r\n