Entenda como uma boa Análise de Dados pode te ajudar a resolver qualquer problema

Transcript

1. Entenda como uma boa Análise de Dados pode te ajudar a resolver qualquer problema <DevFSA>
2. Olá! { “name”: “Eduardo Daltro”, “where”: “Sistemas de Informação (UNIFACS)”, “what”: “Análise de Dados” }
4. “The Big Three” Aplicações Habilidades Data Science - Mecanismos de busca (ex: Google, Yahoo) - Anúncios digitais (ex: Google/Facebook ADS) - Sistemas de recomendação (ex: Netflix, Youtube) - Python, R, SAS - Machine learning - Matemática ... Big Data - Serviços financeiros (ex: bancos, seguradoras) - Comunicações (ex: call centers) - Varejo (ex: Walmart) - Hadoop, Hive, Spark - SQL / NoSQL - Negócios ... Data Analytics - Área médica (ex: hospitais) - Viagens (ex: agências de turismo) - Games - Gerenciamento de energia (ex: concessionárias) - Python, R, SAS - Visualização de dados - Negócios ... Fonte: https://www.simplilearn.com/data-science-vs-big-data-vs-data-analytics-article
5. Case: - DJ Patil criou a equipe de data science do LinkedIn (e o próprio termo!); - Patil e equipe conseguiram aperfeiçoar os algoritmos e aumentar largamente o número de usuários da rede social; - LinkedIn possibilita segmentar anúncios com precisão cirurgica. DJ Patil
6. Case: - App para monitorar: - Frequência de batimentos cardíacos; - Velocidade; - Quantidade de passos dados; - Distância percorrida, etc.; - Integração com as redes sociais para estimular “competição” entre os usuários; - Multiplicação exponencial dos dados, utilizados para compreender melhor seu público e criar novos produtos.
7. Case: Oakland Athletics - Menor folha salarial da Liga Americana de baseball profissional de 2002; - Troca da “experiência intuitiva” dos olheiros pelas habilidades de um analista; - Após alguns ajustes, o time obtém 20 vitórias consecutivas (maior da história); - Time faz campanha a nível de gigantes, como os Yankees (de orçamento > 3x); - Outros times copiaram a estratégia, como o Red Sox, que ganhou um mundial.
9. 5 Perguntas Essenciais 1. Objetivo? Resolver problemas e encontrar oportunidades com base em dados; 2. Onde? Qualquer modelo de negócio que armazene dados (inclusive manualmente); 3. Por que? Reduzir custos, captar mais clientes, identificar desvios, etc.; 4. O que? Sair do cenário abstrato para a tomada de decisão; 5. Como? Entenda o cenário → aplique as técnicas → torne a solução visualizável.
10. Case Oakland Athletics: #1 Entendimento 1. Principais variáveis: Termos? Estrutura de time? Formato das competições? 2. Missão, visão e valores: Quem é o Oakland Athletics? 3. Clima organizacional: Tranquilo ou hostil? Quem são as pessoas? 4. Situação financeira: No verde ou no vermelho? Orçamento do ano? 5. Fluxo geral: Organograma? Processos? Parcerias? * Dica: nos passos 1 e 5, solicitar o principal relatório gerencial; no passo 4, o DRE; para o 2 e 3, é comunicação e feeling, respectivamente.
11. [OFF] Caso não compreenda um relatório gerencial, analise-o feito um exame, compare: Valores Existentes VS Valores de Referência/metas (que podem estar no DRE).
12. Case Oakland Athletics: #2 Resolução 1. Problemas e oportunidades: estar atento(a) ao ambiente interno e externo; 2. Modelo mental: exemplo, “dos 3, quem é o arremessador mais eficaz?”; 3. Modelo formal: elaborar fluxograma e estrutura simples de registros; 4. Codificação e matemática: Python ou Java? MySQL ou Mongo? Estatística? 5. Visualização: gráfico ou tabela? Excel, BI ou web?
13. Case Oakland Athletics: #3 Visualização - Pareto O Princípio de Pareto (80/20) afirma que, para muitos eventos, aproximadamente 80% dos efeitos vêm de 20% das causas.
14. Case Oakland Athletics: #3 Visualização - Radar Arremessador A Lançamento Velocidade Energia Força Movimentação Lançamento Velocidade Energia Força Movimentação Lançamento Velocidade Energia Força Movimentação Arremessador B Arremessador C
15. Resumo Técnico - Linguagem: Python ou R? Python, mais robustez e bibliotecas afins; - Armazenamento: SQL ou NoSQL? Depende da estrutura dos dados; - Matemática: Estatística. Talvez também probabilidade e combinatória; - Visualização: - Modelos: Gráficos (KPIs, dashboards), tabelas e infográficos; - Ferramentas: Excel, Google Data Studio, PowerBI, Tableau, D3.js, etc. * Machine learning, deep learning, data mining, Hadoop...
16. Algumas Práticas 1. Registre todos os dados e insights, lá na frente você pode (e vai) precisar; 2. Passe mais tempo arquitetando a solução do que codificando; PS: Mas não pense eternamente, senão vai ficar igual a esse cara: 3. Analisar dados ≠ “jogar dados”: antes de criar a solução entenda a real necessidade; 4. Domine as principais técnicas de codificação e visualização; 5. Sobre comunicação: linguagem simples e auto-interpretável.
17. Fim >>> print(“Obrigado! Dúvidas?”) daltroedu