Mic bh - data mining
Transferir como PPTX, PDF0 gostou852 visualizações
O documento discute mineração de dados, definindo-a como a aplicação de algoritmos para extrair padrões e informações relevantes dos dados. Apresenta exemplos de uso em marketing, finanças, telecomunicações e medicina. Explica três algoritmos implementados no Microsoft Data Mining: regras de associação, clustering e árvore de decisão.
Mic bh - data mining
- 1. Microsoft Innovation Center Mineração de Dados (Data Mining) André Montevecchi andre@montevecchi.com.br
- 2. Introdução Objetivo BI e Mineração de Dados Aplicações Exemplos e Cases Algoritmos para Mineração de Dados
- 3. O que é Knowledge Discovery in Databases (KDD)? “Processo não-trivial de identificação de padrões válidos, novos, potencialmente úteis e finalmente compreensíveis a partir dos dados” (Usama Fayyad)
- 5. O que é Mineração de dados? “Mineração de dados é a aplicação de algoritmos específicos para extrair padrões e informações relevantes dos dados.” (Usama Fayyad) Data Mining é um passo do processo de KDD. A mineração de dados (MD) surge para essa finalidade e pode ser aplicada tanto para a pesquisa científica como para impulsionar a lucratividade da empresa.
- 6. Porque utilizar Data Mining? Dados crescem nas empresas Identificar tendências e oportunidades escondidas Competitividade
- 7. Business Intelligence (BI), ou Inteligência de negócios, busca acessar, analisar, prever, relatar e compartilhar as informações necessárias para alcançar os objetivos de sua empresa. Mineração de Dados busca conhecimento novo e útil acerca do seu meio ambiente. Ex.: Lanchonete informatizada (Batata-frita e cachorro-quente)
- 8. Marketing: Traçar perfil de clientes Identificar produto de maior potencial de compra Gerar padrões de comportamento de consumidores por regiões Finanças: Detectar padrões de fraudes no uso de cartões de crédito Identificar clientes que estão tendendo a mudar de administradora de cartão de crédito Identificar regras de estoque a partir dos dados do mercado
- 9. Telecomunicações: Medicina: Identificar fraudes em ligações telefônicas, principalmente em celulares Prever quais pacientes têm maior probabilidade de contrair uma determinada doença Agricultura: Identificar as áreas mais propícias a um bom cultivo de determinado vegetal
- 10. Exemplo Clássico: Wal-Mart Fraldas Cerveja ???
- 11. ABS-CBN Interactive (ABSi) Empresa de entretenimento nas Filipinas Objetivo: Solução: Vender ring tones e outros conteúdos para celulares Descobrir quais produtos oferecer para determinados consumidores Utilização de data mining do SQL SERVER 2005 para determinar recomendação de produtos Resultado: Melhores recomendações de produtos para seus clientes Dobrou a taxa de resposta de campanhas de marketing
- 12. Clalit Health Services Plano de saúde com 3.7 milhões de associados (60% da população de Israel) Objetivo: Solução: Identificar quais associados mais se beneficiarão de programas de prevenção de doenças Utilização base sócio-demográfica e registros médicos para identificar os associados com maior probabilidade de desenvolverem problemas de saúde Uma vez identificados, são encaminhados a programas de prevenção Resultado: Melhora da qualidade de vida Redução de custos
- 13. DM da Microsoft possui 9 algoritmos implementados Facilidade de uso Ambiente familiar Possibilidade de usar o EXCEL! DM – Parte do SQL SERVER sem custos adicionais Demo EXCEL!
- 14. Microsoft Regras de associação Microsoft Clustering Microsoft Árvore de Decisão
- 15. Encontrar dependência entre atributos
- 16. Aplicações: Recomendação Projeto de Catálogos Mala direta de Marketing direcionado Planejamento de promoções e vendas
- 17. Identificar automaticamente grupos de afinidades.
- 18. Aplicações: Marketing: identificar grupos de clientes distintos Agricultura: identificação de áreas de uso de terra Finanças: Identificar transações suspeitas (Outliers)
- 19. Analisa características e determina a classe mais provável.
- 20. Aplicações: Identificar as características dos clientes antigos que possam indicar se há chance deles realizarem compras futuramente. Classificar clientes em potencial, clientes leais e clientes problemáticos. Análise de crédito.