Aula 02 Metodos Quantitativos Tipos de Variaveis e Dados

Métodos Quantitativos em Processos Decisórios AULA 02 Tipos de Variáveis Profa Anna Célia Affonso dos Santos Dados o novo petróleo do mundo Ref httpsbakertillybrcombrdadosnovopetroleo Big Data 5 empresas na frente da concorrência 1 Target Maior assertividade das ofertas após criar perfis de comprador baseandose em suas compras e dados demográficos 2 American Express Análise de dados e Machine Learning para detectar fraudas no cartão Os algoritmos através dos dados aprendem o padrão de consumo de cada usuário Sempre que há algum tipo de transação que foge do usual o usuário e a empresa são notificados Resultado economia de milhões 3 Shell Redução dos seus custos de operação após análise das ondas sísmicas de baixa frequência abaixo da superfície da Terra indicando por área o tamanho provável dos recursos de petróleo e gás 4 Amazon Através de Machine Learning e do armazenamento em cloud computing eles aprendem como cada consumidor se comporta viabilizando ofertas mais personalizadas para cada pessoa Resultado cliente satisfeito empresa vendendo mais 5 Delta Airlines Rastreamento das bagagens resolve uma das maiores dores dos passageiros quando viajam bagagem extraviada DADOS O NOVO PETRÓLEO Dado é um ativo das empresas O desafio hoje não é obter os dados mas transformálos em valor OBTER OS DADOS ARMAZENAR E PROTEGER OS DADOS ANALISAR OS DADOS UTILIZAR OS DADOS NAS DECISÕES DE NEGÓCIO O ciclo de vida dos Dados Fontes de Dados Preparação de Dados Repositório de Dados Análise de Dados Transformação Tratamento Data Warehouse Data Lake Business Rules Acesso As fontes de dados da empresa e mercado viabilizam o conhecimento dos Processos e Clientes Forma de Pagamento Cliente SKU Loja Atendimento Vendas Dados Cadastrais Dados Transacionais Dados de Interação Dados de Comportamento Dados Externos Dados de Pesquisa Dados Analíticos Atividades para disponibilização dos dados Onde achar os dados necessários Aquisição de Dados Como extrair os dados de sua origem Fonte de Dados Como integrar dados provenientes de diversas fontes Integração de Dados O que os dados significam Descrição e Entendimento Como avaliar a qualidade dos dados Consistência dos Dados Como limpar os dados Como estruturar e expressar dados em variáveis Como lidar com dados faltantes ou incompletos Todos os dados possuem a mesma importância Como filtrar os dados evitando os não desejados anomalias Como lidar com dados temporais Como reduzir a quantidade de dados Como criar novos dados a partir dos dados obtidos PREPARAÇÃO DOS DADOS TRATAMENTO DOS DADOS Armazenamento em objetos de dados Objetos de dados são conjuntos de dados com significado e utilidade para gerar informações sobre algo Objetos de dados representam entidades eventos ou fatos de interesse para uma organização Entidades Pessoas produtos materiais bens organismos etc Eventos Vendas compras transações etc Quando armazenados em um Banco de Dados Relacional os objetos de dados são normalmente referidos como registros ou linhas Armazenamento em objetos de dados Um Atributo representa uma característica aspecto ou dimensão de um Objeto de Dado Atributos descrevendo o Objeto de Dado PESSOA podem incluir por exemplo CPF identificação Nome Endereço Sexo Data de Nascimento Nome da Mãe Estado Civil Educação etc Quando armazenados em um Banco de Dados os Atributos ou Dados são usualmente referidos como Colunas ou Campos Data warehouse é um depósito de dados digitais que serve para armazenar informações detalhadas relativamente a uma empresa Um Data mart é uma subdivisão ou subconjunto de um data warehouse Os data marts são como pequenas fatias de data warehouse que armazenam subconjuntos de dados Normalmente o data mart é direcionado para uma linha de negócios ou equipe Consolidação dos objetos em Repositório de dados Características das ferramentas para análise dos dados Medição Medidas de desempenho e de benchmarking Análise Análise de dados e descoberta de características do negócio Visualização Criação de painéis dinâmicos e visualizações Integração Mecanismos para interoperar com outras ferramentas para troca de dados e de resultados analíticos Conhecimento Gerenciamento do conhecimento do negócio Ferramentas de análise transformam dados em Inteligência Gerenciadores de Dados Bancos de Dados Relacionais SQL Bancos de Dados Não Relacionais NoSQL Arquivos de dados nãoestruturados Infraestrutura para Big Data Hadoop Software Aplicativo Linguagem R Phython IBM SPSS SAS Microsoft Excel Microsoft Power BI Tableau E muitas outras O que é Business Intelligence Business Intelligence é um termo cunhado pelo Gartner Group em 1992 e que o define como Um conjunto de conceitos métodos e recursos tecnológicos que habilitam a obtenção e distribuição de informações geradas a partir de dados operacionais históricos e externos visando proporcionar subsídios para a tomada de decisões gerenciais e estratégicas Business Intelligence e Business Analytics BUSINESS ANALYTICS BA BUSINESS INTELLIGENCE BI Soluções usadas para construir modelos de análise e simulações para criar cenários entender realidades e prever estados futuros BA é proativo altamente técnico e foco no futuro para Prever tendências Descobrir padrões Prescrever ações para melhores resultados Métodos usados Coleta de dados e multimidia Modelos Descritivos Simulação e otimização Análises quantitativas e estatísticas Benefícios Melhorar a qualidade de decisões 82 Melhorar o planejamento e previsões 76 Ter dados consistentes em toda a empresa 73 Aprimorar a velocidade simplicidade e facilidade de uso 68 Abaixar os custos e aumentar a eficácia operacional 67 Identificar oportunidades de negócios 69 Otimizar ou usar precificação dinâmica 65 Medir a produtividade 63 Otimizar vendas e gastos de marketing 62 Prever comportamento de consumidores 61 Um termo guardachuva que se refere a uma variedade de softwares usados para analisar dados brutos de uma empresa BI é reativo produz relatórios e foco nos dados passados e atuais Garantir entendimento de desempenho Informar a tomada de decisão Identificar problemas de negócio Métodos usados Automação de monitoramento Gestão de desempenho Processamento analítico online OLAP Relatórios KPIs métricas Benefícios httpshbspharvardeduinspiringminds18businessvideosyourefreetouseinclass httpshbrorgvideo2386816175001businessanalyticsdefined Como evoluir na análise de dados Análise Descritiva Data Mining Business Intelligence Data Visualization Dashboards Análise de Diagnóstico O que aconteceu no passado Análise Preditiva Análise Big Data O que pode acontecer no futuro Análise Prescritiva O que precisa ser feito O que aconteceu Porque aconteceu O que vai acontecer Como podemos fazer algo acontecer VALOR DIFICULDADE Fonte Garner EVOLUINDO AS CAPACIDADES ANALÍTICAS Information Portal Reports Dashboards OLAP Mobile BI Monitor Analytics Workbench SelfService Analytics Citizen Data Science Location Analytics Graph Analytics Explore Data Science Laboratory Predictive Modeling Simulation and Optimization Prescriptive Analytics Deep Learning Investigate Artificial Intelligence Hub Personal Digital Assistants VideoImage Analytics Chat Bots Face Recognition Learn Monitor Track Record Report KPI Metrics Governed Performance Reliable Centralized Static Consistent Dashboards Credible Information Distribution Tabular ETL Data Warehouse Development Metadata IT Explore Analyze Visualize Characterize Understand Discover Insights Agile Flexible Quick Filter Easy Business User Autonomy Data Mart Spreadsheet Dashboards Navigate Data Storytelling Investigate Predict Advanced Analytics Segment Behavior Pattern Prescribe Model Complex Comprehensive Business Algorithm IoT Real Time Streaming Data Statistics Data Scientist Lake Unstructured Data Learn Automate Autonomous Adaptive Classify Recognize Image Video Audio Text Chat Bot Natural Language Processing Data Scientist Business Fuzzy Data Pilot Future Cloud Complex Problem Use Case New Innovation INTELIGÊNCIA ARTIFICIAL Qualquer técnica que possibilita o computador imitar a inteligência humana Habilidade do sistema aprender e melhorar através dos dados Subconjunto do Aprendizado de máquina inspirado nas redes neurais Generative Pretraine Transformer Modelo autorregressivo usa a palavra predita como parte do texto para prever a próxima palavra Text Generation Model Texto 1 Texto 2 Texto 3 Texto 5 Texto 4 Texto 5 Texto 6 Texto 6 Texto 7 Texto 8 Texto 9 Texto 9 Rede neural artificial profunda e complexa Milhões de neurônios e bilhões de conexões Aprendeu coisas gerais a partir de grandes bases textuais DECISÃO Criar estratégias CONHECIMENTO Entender o comportamento do Cliente INFORMAÇÃO Analisar os dados DADOS Obter os dados corretos Porque os dados importam Dados refletem a Realidade Conhecimentos suportam as decisões DECISÃO Criar estratégias CONHECIMENTO Entendimento do negócio INFORMAÇÃO Métricas do negócio DADOS Transação de compra Transformando dados em conhecimento Valor da compra LocalLoja Quantidade de itens Preço dos produtos DataHora Horário de pico Vendas por dia mês ano Ticket médio Faixa de gasto por loja por período Comparativo de lojas Como alocar as vendedoras na loja As vendas estão crescendo Este efeito é sazonal Como definir valor das promoções Quais as lojas com melhor e pior performance DECISÃO Criar estratégias CONHECIMENTO Entendimento do negócio INFORMAÇÃO Métricas do negócio DADOS Cadastro de compra Transformando dados em conhecimento Identificador cliente CPF Endereço Dados de contato Sexo Idade Renda Ticket médio do cliente Frequência de compras por cliente Gasto médio do cliente Concentração de gasto por região Vendas por perfil demográfico Como definir metas de gasto por cliente Onde devo abrir minha próxima loja Como adequar minha oferta ao perfil do cliente Quais os melhores clientes da empresa Uso de Dados na definição de produtos 2018 Smirnoff Ice Ref Eleonora Diniz httpswwwyoutubecomwatchv4lpteyxudi8 Uma imagem contendo garrafa placa ao ar livre texto Descrição gerada automaticamente Diferentes origens do dado Tipo de dados Exemplos Utilidade Dados sobre processos de negócio Estoques e cadeia de fornecimento Vendas Faturamento Recursos humanos Gerenciar e otimizar as operações de negócios reduzir riscos elaborar relatórios externos Dados sobre produtos ou serviços Pesquisas Dados externos Dados sobre mapas Dados sobre empresas Dados sobre clima Cumprir a proposta de valor central dos produtos ou serviços da empresa Dados sobre os clientes Compras Comportamento e interações Comentários e revisões Demografia Resposta em pesquisa Oferecer uma visão completa do cliente e permitir interações mais relevantes e valiosas Ref Transformação Digital David Rogers 2019 Dados externos para criação de vantagem competitiva Empresa de conteúdo Dados estratégicos 13 da economia dos Estados Unidos é influenciada por variações no clima Previsão de alta e baixa nas vendas Ajustes nas verbas de publicidade e investimentos em mídias sociais Setores atendidos Supermercados Lojas de roupa Seguros Carro Farmácia medicamentos para alergia gripe Automotiva pneus para neve Alimentação Critérios para definir método de análise 1 Número de variáveis a serem analisadas ao mesmo tempo 2 Interesse da análise Descrição ou inferência 3 Nível de mensuração das variáveis de interesse 1 2 3 Como definir a técnica adequada de análise INÍCIO Quantas variáveis são analisadas simultaneamente Análise univariada Análise bivariada Análise multivariada Média Desvio Padrão Mediana Desvio quartílico Moda Frequência absoluta Coef Corr Linear Regressão Simples UMA DUAS MAIS DE DUAS Regressão Múltipla Regressão Logística Análise Discriminante outras 1 A segunda língua da organização O Vocabulário da Informação UTILIZAÇÃO DO DADO V I A O Modelo VIA Gartner Análises Quais métodos analíticos são aplicados para o os dados Informação Quais dados e fontes estão envolvidas Valor Qual a questão ou problema de negócio que quero responder Como irá trazer valor para o negócio 2 Variáveis e mensuração 3 Não métricas ou Qualitativas Nominal Ordinal Métricas ou Quantitativas Intervalar Razão Classifica as unidades em classes ou categorias As categorias se diferenciam apenas pelo nome Classifica as unidades em classes ou categorias estabelecendo uma relação de ordem entre as unidades das diferentes categorias Possui uma unidade de medida constante A origem ou ponto zero é arbitrário Possui uma unidade de medida constante A origem ou ponto zero expressa ausência de quantidade Escala Nominal Não atribuir o mesmo número a diferentes objetos ou números diferentes ao mesmo objeto Ex Sexo País Marcas 1 Masculino 2 Feminino Estatísticas possíveis Frequência Moda ERRO Calcular a média da amostra Escala Ordinal Manter a numeração crescente ou decrescente Ex Classe sócioeconômica 1 5 Classe A 2 4 Classe B 3 3 Classe C 4 2 Classe D 5 1 Classe E Estatísticas possíveis Frequência Moda Mediana Quartis Renda Familiar R Frequências Código Acima de R 1576000 10 5 De R 788000 a R 1576000 18 4 De R 315200 a R 788000 24 3 De R 157600 a R 315200 36 2 Até R 157600 12 1 Escala Intervalar Zero é arbitrário e não expressa ausência de quantidade Ex Temperatura medida em graus Celsius C ou Farenheit ºF É possível determinar que um objeto é mais quente que o outro mas não que o objeto com 30C está duas vezes mais quente que o outro com 15C Estatísticas possíveis Frequência Moda Mediana Quartis Média DesvioPadrão Escala Razão Zero absoluto Ex Idade Renda Número de caixas automáticos espaço físico peso etc Estatísticas possíveis Frequência Moda Mediana Quartis Média DesvioPadrão Classificação com relação ao número de categorias Variável Categórica Qualitativas Dicotômica ou Binária Dummy Policotômica Variável Métricas Quantitativas Discreta Contínua Assume duas categorias 1 característica está presente 0 característica não está presente Assume mais do que duas categorias Conjunto finito e enumerável contagem Intervalo de números reais Dicas sobre variáveis categóricas Variáveis categóricas devem ter alternativas ABRANGENTES tem alternativas para todos os respondentes e MUTUAMENTE EXCLUDENTES apenas uma resposta é adequada Exemplo Idade Faixa etária Time que torce Tipos de variáveis Variável qualitativa Escala categórica Nominal Dicotômica ou Policotômica Ordinal Variável quantitativa Escala numérica ou escalar Escala Discreta ou contínua Quadro resumo das variáveis CLASSIFICAÇÃO DE UMA VARIÁVEL Variáveis são Objetos de Estudo VARIÁVEL Conjunto de Resultados de um fenômeno QUALITATIVA ou CATEGÓRICA Expressa por Atributos NOMINAL não existe uma ordem Estado Civil Nacionalidade Tipos de Carros ORDINAL existe uma ordem Conceitos regular bom ótimo Níveis de Satisfação QUANTITATIVA Possui uma Estrutura Numérica DISCRETA números inteiros Idade Quantidade de carros em um estacionamento Número de livros de Matemática em uma Biblioteca CONTÍNUA escala numérica Renda Familiar Comprimento de um Parafuso Tempo para tomar banho Altura Instalação de Software jamovi Stats Open Now Universidade Presbiteriana Mackenzie Primeiro acesso httpscloudjamoviorg ou Realizar o download do Jamovi em wwwjamoviorg Criar usuário e senha Abertura de arquivo Para abrir o conjunto de dados no jamovi online Salve o conjunto de dados no seu computador arquivo no Moodle Atividades Físicas Se estiver zipado zip descompacte o arquivo cliquedireito extrair tudo extrair Clique nas 3 linhas no canto superior esquerdo Clique em Abrir Este dispositivo Localize a pasta e o arquivo a ser aberto Clique em Abrir Esperar abrir Pronto para uso 1 2 3 4 5 6 1 Abertura de arquivo Abrir Biblioteca de Dados 2 3 Novo Abrir Biblioteca de Dados Este dispositivo Guardar como Exportar Recente learning statistics with jamovi R data sets Big 5 Dolan Oort Stoel Wicherts 2009 Uma boa base de dados correlacionais Crescimento de Dentes Uma base de dados pouco inspirada para ANOVA Bugs Ryan Wilde Crist 2013 Uma base de dados para ANOVA de medições repetidas Base de Dados Iris de Anderson A base de dados iris do R Universidade Presbiteriana Mackenzie Abertura de arquivo Abrir 4 Gradu Mack aula 3 Pesquisar aula3 Organizar Nova pasta Nome Status Data de mo Acesso rápido atividadesfisicassav 05012009 Área de Traba Documentos Downloads Imagens aula3 aula4 EltonGean 1902 Nome atividadesfisicassav Abrir Cancelar Arquivos personalizados omx Universidade Presbiteriana Mackenzie Identificando as variáveis Abra o software Jamovi Abra o conjunto de dados Atividades Físicas Navegue nas abas de Variáveis Dados Análises Em Variáveis selecione Editar para detalhes da variável Gerando estatísticas básicas Em Análises Exploração escolha Análises Descritivas Para as variáveis categóricas GENERO e FUMO Marque a Tabela de Frequência Escolha a métrica Moda Gerando estatísticas básicas Para as variáveis categóricas CONDIÇÃO e PRÁTICA Marque a Tabela de Frequência Escolha a métrica Moda Coloque a variável gênero no Bloco Separar por e observe o relatório Gerando estatísticas básicas Para as variáveis escalares IDADE ALTURA PESO NOTA SALÁRIO gere as estatísticas Média Mediana Moda DesvioPadrão Mínimo Máximo Verifique os valores das métricas por gênero Praticando Abra o arquivo lazersav Verifique quais os tipos das variáveis e calcule as estatísticas básicas apropriadas Atividade para nota Abra o arquivo vestibularIESsav Utilizando o Jamovi responda as perguntas do próximo slide Grave sua resposta no questionário da aula 4 Atividade para nota Questionário da Aula 3 a Quantas variáveis formam a base de dados b Quantas são as variáveis com mensuração escalar numérica c Quantas são as variáveis com mensuração nominal d Quantas são as variáveis com mensuração ordinal e Quantos são os códigos possíveis para a variável Curso em segunda opção f O que o código 5 quer dizer em Curso de segunda opção g Quantos são os códigos possíveis para a variável Turno da segunda opção h O que o código 2 quer dizer em Turno de segunda opção i Qual o menor valor da variável pontos j Qual o maior valor da variável pontos Universidade Presbiteriana Mackenzie Obrigada annasantosmackenziebr