Download Novos desafios em estudos de mercado: Knowledge

Novos desafios em estudos de mercado:
Knowledge Discovery e Data Mining
7º Congresso da APODEMO
Novembro de 2000
O sistema de informação de marketing
Managers
7º Congresso da APODEMO
Novembro de 2000
Marketing
environment
Sistema de suporte à decisão
Actividades
diárias
Interacção
on-line
Sistema
Operacional
Dados
Recentes
7º Congresso da APODEMO
Novembro de 2000
Query &
Reporting
Dados recolhidos
ao longo do tempo
OLAP
Data
Warehouse
Dados
históricos
Data
Mining
Dos dados ao conhecimento
We are drowning in information, but starving for knowledge
John Naisbett


A definição de descoberta de conhecimento em bases de dados
(KDD);
A evolução ao longo do tempo nesta área:
Conhecimento
Knowledge
Access
Data Mining
OLAP/ROLAP
Query & Data
Warehousing
Dados
7º Congresso da APODEMO
Novembro de 2000
Statistics
& Reporting
1970
1980
1990
2000
Data Mining?

A definição tradicional da estatística

A definição no contexto de KDD:
Data Mining is a process that uses a variety
of data analysis tools to discover patterns
and relationships in data that may be used
to make valid and accurate predictions.
Two Crows Corporation
7º Congresso da APODEMO
Novembro de 2000
O processo de Data Mining – Cross Industry
Standard Process for Data Mining (CRISP-DM)

Processo standard da indústria (SPSS,
Daimler-Chrysler e NCR)

Composto pelas seguintes fases:
Business
Understanding
7º Congresso da APODEMO
Novembro de 2000
Data
Understanding
Data
Preparation
Modeling
Evaluation
Deployment
Problemas e técnicas utilizadas em Data
Mining
 Segmentação de clientes
 Aquisição e retenção de clientes
 Detecção de fraude
 Controlo de qualidade
 Concessão de crédito
 Regressão
 Classificação
 Descrição
 Regressão linear
 Regressão logística
 Redes neuronais
 Árvores de decisão
 Técnicas de clustering
7º Congresso da APODEMO
Novembro de 2000
Redes Neuronais

É uma forma simplista de simular o funcionamento
do cérebro humano;

Todos os neurónios duma camada estão ligados a
todos os outros das camadas seguintes e a cada
ligação é atribuído um peso;

Input layer – variáveis utilizadas para fazer
previsões/classificações;

Hidden layer – combinações dos neurónios de
input;

Output layer – Variável que queremos prever ou
classificar (dados contínuos ou categóricos)

Dois modelos de redes neuronais:


MLP (Multi-Layer Perceptron)
RBF (Radial Basis Function)
7º Congresso da APODEMO
Novembro de 2000
Árvores de decisão

As árvores de decisão têm uma interpretação mais
simples pois representam regras

Além da previsão e classificação, podem ser
utilizadas para interpretar resultados de outros
modelos

Em cada nodo a pergunta é sempre: “Qual o teste
que melhor discrimina entre as categorias da
variável objectivo”

Não são necessariamente binárias

Vantagens sobre os modelos estatísticos
tradicionais

Os modelos de árvores de decisão:

CHAID

CART

C 5.0
7º Congresso da APODEMO
Novembro de 2000
Data Mining e os estudos de mercado

Podem as aplicações de data mining substituir
as metodologias tradicionais dos EM para
responder aos problemas?

Em que situações as duas metodologias são
complementares?

Exemplo: Retenção de clientes (assinaturas,
apólices de seguro, contas bancárias, etc)
7º Congresso da APODEMO
Novembro de 2000
Data Mining e os estudos de mercado
Retenção de clientes

É sabido que, em geral, o custo de aquisição de
novos clientes é superior à manutenção dos
actuais

Quais os clientes que vão para a concorrência?

Quais os clientes que não me interessa
conservar?

O que posso fazer para conservar os clientes que
me interessam?
7º Congresso da APODEMO
Novembro de 2000
Data Mining e os estudos de mercado
Retenção de clientes

Focus groups de ex-clientes por forma a:

Determinar causas relevantes – informação
qualitativa;

Identificar possíveis variáveis não disponíveis
para o passo seguinte;

Recolher dados via call-center;

Pós-validar os resultados obtidos através do
processo de data mining;
7º Congresso da APODEMO
Novembro de 2000
Data Mining e os estudos de mercado
Retenção de clientes

Segmentar a base de dados através de técnicas
de clustering;

Centralizar a atenção nos clusters relevantes
quer em termos de rentabilidade quer em
termos de validação de variáveis;

Prever, utilizando as técnicas mencionadas
(redes neuronais, etc), quais os clientes que
provavelmente irão sair e quais as variáveis
mais significativas.
7º Congresso da APODEMO
Novembro de 2000
Tópicos adicionais

Utilização de técnicas de data mining para substituição
de missing values;

Web Mining – as ferramentas de data mining podem
ser um poderoso auxiliar do e-business:

Segmentação dos consumidores on-line;

Associações entre as diversas páginas;

Personalização de conteúdos (exemplo: publicidade)
7º Congresso da APODEMO
Novembro de 2000
Bibliografia




Berry, M. J. e Linoff, G.: Data Mining Techniques (1997), John
Wiley & Sons
Bishop, C. M.: Neural Networks for Pattern Recognition
(1995), Oxford University Press.
Fayyad, U. M., Shapiro, G. P., Smyth P. E. e Uthurusamy R.:
Advances in Knowledge Discovery and Data Mining (1996),
AAAI Press/The MIT Press.
Quinlan, J. R.: C4.5 – Programs for Machine Learning (1993),
Morgan Kaufmann Publishers.
Internet
 www.sas.com



7º Congresso da APODEMO
Novembro de 2000
www.spss.com
www.kdnuggets.com
www.crisp-dm.org