Technologies to support decision

Posted by Mereo
at Monday June 3rd, 2013.

O Valor do Conhecimento

Temos hoje uma situação na qual as empresas se preocupam em registrar todas as informações possíveis, afim de monitorar o andamento da empresa, e utiliza-los para melhorar a eficiência dos processos produtivos e a eficácia da atuação da gestão sobre as áreas da empresa.

Entretanto, a tarefa de analisar esse volume de informações pode não ser simples. Enquanto o histórico de faturamento líquido da empresa ao longo dos anos representado em um gráfico permite uma análise qualitativa fácil e direta, outros registros não dispõem dessa facilidade, como por exemplo classificar o perfil de consumo dos seus clientes baseado em informações individuais como idade, gênero, preferências, etc.

Felizmente, ao longo dos anos muitas pesquisas foram realizadas e com isso foram propostos diversos recursos computacionais que auxiliam na análise dos dados, identificando padrões até mesmo onde eles aparentam não existir.

Desta forma, através desses recursos passou a ser possível agregar valor e retirar conclusões valiosas a partir de informações que anteriormente aparentavam ter pouco ou nenhum valor.

Mineração de Dados e Aprendizado de Máquina

A busca de padrões desconhecidos por meio de recursos computacionais é conhecido na literatura como mineração de dados. Tais tarefas são desempenhadas, muitas das vezes, através de técnicas de aprendizado de máquina.

Essas técnicas consistem em expor uma parcela dos dados a sistema que através de algoritmos buscam extrair e assimilar conhecimento desses dados, de modo que ao ser exposto a novos registros, o sistema responda uma informação coerente.

Hoje em dia dispomos de uma vasta gama de abordagens de aprendizado de máquina, incluindo abordagens clássicas, como por exemplo as {it Árvores de Classificação e Regressão } e {it Regra dos K Vizinhos Mais Próximos}, quanto técnicas mais sofisticadas como {it Redes Neurais Artificiais, Máquina de Vetores de Suporte, Algoritmo Genético} e {it Lógica Fuzzy (ou Nebulosa) }, dentre tantas outras.

Nesse contexto, destacamos aqui três dos principais problemas para os quais usualmente tais técnicas são aplicadas para busca de soluções: Previsão, Classificação e Modelagem.

Previsão

Podemos observar em muitas das nossas séries temporais fatores externos associados que influenciam no comportamento da série. Por exemplo, para uma empresa de promoção de eventos, a época do ano (natal, ano novo, carnaval, etc) é um fator determinante no faturamento.

Além desses fatores exógenos, muitas séries apresentam tendências relacionadas ao fato de que valores subsequentes dependem do seu histórico passado.

Dessa forma, é possível através de conjunto de dados projetar sistemas capazes de prever valores para nossas séries com alta acurácia para {it n} passos a frente .
Do ponto de vista gerencial, se bem empregada, tal ferramenta pode se tornar uma vantagem enorme para a empresa, pois possibilita considerar cenários futuros em seu planejamento estratégico.

Série temporal – mereo consulting
Série temporal – Mereo Consulting
Classificação

É comum termos o conhecimento prévio dos grupos aos quais desejamos classificar algo, e as vezes até mesmo os parâmetros que influenciam nesta classificação. Por exemplo, se desejamos classificar se um cliente é propenso a adquirir um produto, as classes seriam {it sim} e {it não}, e alguns fatores que influenciariam poderiam ser idade, gênero, país, renda, nível de instrução, etc.

Ainda que possamos saber que tais relações existam, é difícil compreender como elas se relacionam, portanto é feito uso das técnicas para buscar a melhor forma de separar o grupo de posse do conhecimento dos fatores.

Apenas para fins de ilustração, supomos para o nosso exemplo que os clientes propensos a comprar o produto são na maior parte das vezes homens entre 20 e 30 anos. Dessa forma, aplicando as Árvores de Decisão, o sistema generalizaria os exemplos e obteríamos uma estrutura semelhante a da Figura 2.

Modelagem

A modelagem consistente basicamente em mapear uma {it relação entrada-saída}. Muitos dos processos e sistemas presentes nas empresas respondem de acordo com as circunstâncias. Por exemplo, em uma indústria química, há processos onde resultado depende da temperatura, pressão, umidade, etc, portanto as propriedades do produto resultante dependerão dos estados desses parâmetros aos quais o sistema foi sujeito.

Exemplo de árvore de decisão
Exemplo de árvore de decisão
Conhecer essa relação entrada-saída é fundamental, tanto nos sistemas envolvidos nos processos produtivos quanto nos de nível gerencial. Portanto, muita das vezes o que se costuma fazer para sanar esse problema é adotar modelos simplificados que se aproximem da realidade.

Entretanto, vivemos rodeados de diversos sistemas dinâmicos não-lineares, comumente relacionados por vários parâmetros, onde tais simplificações são insuficientes para construir uma representação em modelo do sistema. Para esses casos, é justificável a utilização de abordagem através de aprendizado de máquina.

Autor Rafael Cruz, desenvolvedor na Mereo Consulting
Baixe este artigo em PDF, clique aqui.

Share

LinkedIn

Leave a Reply

Your email address will not be published. Required fields are marked *

Keep updated!

Get our news