Metodos Quantitativos em Processos Decisorios - Apresentacao da Disciplina e Cronograma

Métodos Quantitativos em Processos Decisórios AULA 01 Apresentação da Disciplina Profa Anna Célia Affonso dos Santos Minha jornada Ciência da Computação IMEUSP Graduação Analista e Gerente IBM e Oracle Experiência TécnicaMktg Administração com foco em Marketing FEAUSP Mestrado Liderança de áreas de análise e dados Credicard Itaú Dotz Porto Seguro Experiência BIAnalytics Administração de empresas com foco em métodos quantitativos FEAUSP Doutoranda Consultora na OtimizaBI Gradução no Mackenzie Pósgraduação na ESPM e Saint Paul Consultora Professora Conhecendo a turma Por favor responda o questionário utilizando o link abaixo httpsformsgledifizmGqmsULEJEw9 Como utilizar os dados para apoiar as decisões empresariais Importância do Big Data Escolha de técnicas estatísticas uni bi e multivariadas Teste de hipóteses Análises Preditivas Regressão Simples e Múltipla Trilha da disciplina Dados e decisões de negócio Transformação Digital Big Data Business Intelligence Evolução Analítica Análise Descritiva Estatística Básica Preparação do dado Padronização Outliers Teste de Hipóteses Distribuição Normal Teste tstudent Quiquadrado Análises Multivariadas ANOVA Correlação Regressão Exercícios práticos Projetos de aplicação Cronograma do curso Ferramentas Bibliografia básica FÁVERO Luiz Paulo Et al Análise de Dados Modelagem multivariada para tomada de decisões Rio de Janeiro Elsevier 2009 HAIR Jr Joseph F et al Análise Multivariada de Dados 6ª ed Porto Alegre Bookman 2009 ANDERSON R A SWEENEY D J WILLIAMS TA CAMM JD COCHRAN JJ Estatística Aplicada a administração e economia Edição completa 8ª ed São Paulo Cengage Learning 2021 Critério de Avaliação Nota 1 Prova Intermediária N1 Peso 30 06092024 Prova N1 Peso 50 24092024 Média dos Exercícios Peso 20 23092024 Nota 2 Prova Intermediária N2 Peso 30 29102024 Prova N2 Peso 50 26112024 Média dos Exercícios Peso 20 18112024 Prova Substitutiva Substitui avaliação não realizada ou nota de trabalho zerada apenas Data 0206122024 Prova Final Somente para alunos que não atingiram 60 na Nota Intermediária Data 0913122024 Critério de Avaliação CRITÉRIO DESCRIÇÃO PESO 1 NOTA 1 A Prova intermediária B Prova C Exercícios 50 2 NOTA 2 F Prova Intermediária G Prova HExercícios 50 100 NI1A30 B50 C20 D00 E00 100 NI2F30 G50 H20 I00 J00 100 MINI150NI250 10 Partic MF MI PF 2 Prova substitutiva é para repor uma nota perdida não existe substitutiva para melhorar a média A prova final é para os alunos que não atingiram nota intermediária 60 Atividades consideram exercícios individuais sobre os tópicos do curso Matéria até a data da Prova Prova INDIVIDUAL Acordos Presença Somente com aluno presente em sala de aula Não há abono de falta a não ser nos termos previstos pela legislação Não há presença para quem não assistir aula TOLERÂNCIA 20 minutos Faltas Faltas podem reprovar independente da Média Final Problemas previstosimprevistos limite de 25 de faltas Problemas com falta podem ser resolvidos com a professora até 7 dias após a aula Dúvidas e Comunicação com a professora Utilizar plataforma Moodle preferencial Identificar disciplina e turma Atenção na chamada A responsabilidade pela presença é sua Quais técnicas podemos utilizar para analisar os dados da empresa Acesse wwwmenticom Código 7452 7002 Ou utilize o link httpswwwmenticomalkakbodszbz Aprenda a transformar os dados em informação útil Por Paulo Bastos 3 de fevereiro 2022 Publicado em Transformação Digital 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 A evolução do Big Data NASCIMENTO 1880 Censo Americano 50 milhões de pessoas 7 anos para ser concluído ADOLESCÊNCIA 1950 Big Science Programas espaciais Previsão do tempo Pesquisas Médicas 1890 Censo Americano Hollerity Tabulating System 6 semanas A evolução do Big Data JUVENTUDE 1970 Big Business ERP Data Base Data Warehouse ebanking ecommerce egovernment ebusiness MATURIDADE 2000 Big People Big Things Big Data Internet 20 Social Networks Sensores Gera um crescimento exponencial das informações Categorias de dados Dados Estruturados Dados planejados e organizados dentro de estruturas e processos de coleta armazenamento e utilização prédefinidos normalmente gerenciados por ferramentas de bancos de dados corporativos Dados Não Estruturados Dados contidos em textos imagens vídeos áudios produzidos livremente não planejados e não organizados normalmente contidos em comunicações ou registros pessoais dispersos Dados Semi Estruturados Dados que contém características das duas categorias anteriores modernamente gerenciados por ferramentas denominadas Data Lake que utilizam metadados para organizar os dados estruturados e nãoestruturados A explosão de dados é essencialmente dos dados não estruturados Através de novas tecnologias os dados não estruturados são transformados em dados analíticos e carregados em Data Lakes Dados não estruturados representam mais de 80 dos dados coletados pelas organizações Estrutura Rígida Projetada previamente Representação homogênea Cada campo tem um formato bem definido Dados de um mesmo registro possuem relação entre eles EX XML Estrutura Flexível Representação heterogênea Cada campo de dados tem uma estrutura mas não existe uma imposição de formato O esquema é criado com a definição interna dos arquivos EX TEXTOS IMAGENS VÍDEOS ÁUDIOS REDES SOCIAIS Sem Estrutura ou com estrutura mínima de arquivo Mais de 80 dos dados gerados no mundo é deste tipo EX BANCO DE DADOS ESTRUTURADOS SEMI ESTRUTURADOS NÃO ESTRUTURADOS Categorias de dados x Armazenamento O que é Big Data Big data is highvolume highvelocity and highvariety information assets that demand costeffective innovative forms of information processing for enhanced insight and decision making Gartner IT Big Data é definido como o uso de quantidades massivas de dados para suportar diferentes tipos de processos de tomadas de decisão Davenport 2014 Goes 2014 Dados e Análises são chave para a Aceleração Digital Viabilizam Diferenciação Competitiva Inovação Automação e processos eficientes Novos modelos de negócio Transformação digital redefinindo os processos empresariais Processo no qual as tecnologias digitais criam rupturas Tecnologias são utilizadas para melhorar a efetividade das empresas A tecnologia digital é capaz de ativamente criar e moldar o mundo físico Chatbot Internet of Things Inteligência Artificial Apps Plataformas Big Data Reconhecimento Facial 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 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 ANOVA Regressão Múltipla Análise Fatorial Teste de Hipótese Uma hipótese estatística é uma suposição sobre determinado parâmetro da população como média desviopadrão coeficiente de correlação etc Um teste de hipótese é um procedimento para decisão sobre a veracidade ou falsidade de determinada hipótese Universidade Presbiteriana Mackenzie Obrigada annasantosmackenziebr