RNA na avaliação de atributo de valor percebido

Transcript

1. RNA na avaliação de atributo de valor percebido Sistemas para Internet, Ciências Exatas e da Terra 31 de outubro de 2019.
2. Autores Rodrigo Antônio Menezes Maria Morgão Fernando Henrique Lermen Filipe Ribeiro Márcia Elisa Soares Echeveste Vera Lúcia Milani Martins
3. Introdução Conjoint Analysis (CA) Análise Conjunta É uma das técnicas que identifica, de modo indireto, as tendências de escolha por um determinado produto, de acordo com atributos que são valorados pelo consumidor (Breidert et al., 2006; Crawford e Di Benedetto, 2014)
4. Introdução Rede Neural Artificial (RNA) “Uma rede neural é um processador maciçamente e paralelamente distribuído, constituído de unidades de processamento simples, que têm a propensão natural de armazenar conhecimento experimental e torná-lo disponível para o uso. Ela se assemelha ao cérebro em dois aspectos:
5. 1. O conhecimento é adquirido pela rede a partir de seu ambiente através de um processo de aprendizagem. 2. Forças de conexão entre neurônios, conhecidas como pesos sinápticos, são utilizadas para armazenar o conhecimento adquirido.” (Haykin, 2001)
6. Objetivo Encontrar o modelo mais adequado de redes neurais que integre análise conjunta, em especial utilizando sistemas de classificação que sejam facilmente aplicáveis para projetos de inovação com foco nos produtos desenvolvidos por startups. O modelo proposto será aplicado ao desenvolvimento de um produto inovador para secagem e armazenagem de grãos proposto por uma startup.
7. Metodologia Trabalhar os resultados de análise conjunta estruturada como uma composição de análise conjunta baseada em escolha, de modo que facilite o aprendizado da rede neural proposta.
8. Metodologia 135 respondentes 4 blocos com possibilidade de escolha entre 16 produtos 4 atributos para cada bloco
9. Figura 01: Recorte da base de dados CSV. Fonte: próprio autor, 2019.
10. Figura 02: Implementação da rede neural em Python. Fonte: próprio autor, 2019.
11. Figura 03: Implementação da rede neural em Python. Fonte: próprio autor, 2019.
12. Figura 04: Implementação da rede neural em Python. Fonte: próprio autor, 2019.
13. Metodologia MultiLayer Perceptron (MLP) Saída Softmax Proporção de aprendizado 70/30 Treinamento Adam, ao invés do SGD
14. Resultados Figura 05: Sugestão de produtos baseado em RNA. Fonte: próprio autor, 2019.
15. Trabalhos Futuros Será desenvolvido um sistema web onde o usuário poderá selecionar os atributos dos produtos, e como resultado será retornado a sugestão dos produtos que devem ser utilizados.
16. Principais Referências Green, P. E. & Srinivasan, V. Conjoint Analysis in Consumer Research: Issues and Outlook. J. Consum. Res. 5, 103–123 (1978). GREEN, P.E., RAO, V.R. Conjoint Measurement for Data Quantifying Judgmental. Journal of Marketing Research. v. 8, pp. 355–363, 1971. GREEN, P.E., SRINIVASAN, V. Conjoint Analysis in Marketing: New with Developments for and Practice. Journal of Marketing. v. 54, pp. 3–19, 1990. Hair, J., Anderson, R. & Babin, B. Multivariate Data Analysis. 7, (2009). ORME, B. K. Menu-based choice modeling using traditional tools. In: Sawtooth Software Conference Proceedings, Sequim, WA, 2010. Haykin, Simon. Redes Neurais - Princípios e Práticas. Bookman: Porto Alegre, 2001 Zhang, Y. et al. Results in Physics Prediction of phosphate concentrate grade based on artificial neural network modeling. Results Phys. 11, 625–628 (2018).
17. Obrigado!