Mineração de Dados - Aula 15 - Professores...

49
Mineração de Dados - Aula 15 Prof a Janniele Aparecida Soares Araujo CSI462 – Sistemas de Apoio à Decisão

Transcript of Mineração de Dados - Aula 15 - Professores...

Page 1: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

Mineração de Dados - Aula 15

Profa Janniele Aparecida Soares Araujo

CSI462 – Sistemas de Apoio à Decisão

Page 2: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

2

Mineração de Dados

● Qual o maior desafio as empresas enfrentam hoje em dia?● Manter uma carteira de clientes lucrativos.● O que você precisa saber fazer é:

● Mediante conhecimento adquirido sobre seus clientes, ser capaz de interpretar seus objetivos, expectativas e desejos.

● A empresa que conhece seus clientes vai servi-los ainda melhor!

Page 3: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

3

Mineração de Dados

● Exemplo● O dono de uma loja de vinhos é expert na área: reconhece o tipo de uva

que o vinho é feito, seu sabor, idade, processo de fabricação, etc● Este senhor precisa mais do que isso pra garantir a lealdade dos seus

clientes● Precisa conhecê-los! Saber que tipo de vinho o cliente gosta, sua

capacidade financeira…

● Conhecer o produto é obrigação, o que faz a diferença é o tratamento diferenciado dado aos clientes!

Page 4: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

4

Mineração de Dados

● Contextualizando...● Organizações estão eficientes nos processos de captura, organização e

armazenagem de grandes volumes de dados● Porém... não usam adequadamente esses dados para transformá-los em

conhecimento que os auxiliarão na execução das suas atividades● Qual empresa consegue responder: “quanto faturamento podemos

esperar de cada cliente no próximo ano”?

● É necessário: PROJEÇÃO DE NEGÓCIO.

Page 5: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

5

Mineração de Dados

● Vinhos...● O dono da loja de

vinhos... aprende pela observação das preferências, suas conversas, o valor das compras, etc.

● E ele possui memória e capacidade de aprendizado (considerando poucos clientes)!

● E nas grandes empresas???

Page 6: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

6

Mineração de Dados

● Capacidade analítica● É preciso ter capacidade analítica para identificação de padrões e

predição em dados da organização que não possua a tendenciosidade e a limitação de uma análise baseada meramente na intuição humana.

● Para isso: Mineração de Dados.

Page 7: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

7

Mineração de Dados

● DW – a memoria da empresa!● A memória do proprietário é substituída pelo DW.● A capacidade de aprendizado é substituída por técnicas de IA e

estatística – DM.

Page 8: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

8

Mineração de Dados

● Alimentando o DW● Pense em uma simples compra pelo telefone

● Número do telefone● Duração da chamada● Número do cartão de crédito● Endereço de entrega● Produto em si● E outros como: nível sociocultural, preferências, hobbies, etc.

Page 9: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

9

Mineração de Dados

● Obtendo dados● O que pensa a empresa centrada no cliente?

● Toda interação com o cliente é uma oportunidade de obter dados e aprender sobre o cliente!

● Tá OK! Mas obter dados não significa aprender...

Page 10: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

10

Mineração de Dados

● DM – a inteligência da empresa!● Meu DW está completo (“lindo”)... mas não sei o que fazer com esse

monte de dados!● O que fazer?!

Page 11: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

11

Mineração de Dados

● DM – a inteligência da empresa!● Vou minerar meus dados!● Ou seja, vou usar métodos de análise estatística e inteligência

artificial sobres esses dados.● Assim vou descobrir relação entre produtos, classificar consumidores,

prever vendas, localizar áreas geográficas potencialmente lucrativas, etc...

Page 12: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

12

Mineração de Dados

● Conceito● Processo de descoberta automática de informações úteis em grandes

repositórios de dados.● Faz parte do processo de descoberta de conhecimento em bancos de

dados (KDD). Processo de conversão de dados brutos em informações úteis..

Page 13: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

13

Mineração de Dados

● Vantagens● Melhor interação entre empresa e cliente: “como sou especial...”● Aumento de vendas● Dirige estratégias de marketing● Pode ser aplicado a qualquer massa de dados: medicina, economia,

geologia...

Page 14: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

14

Mineração de Dados

● Aplicações● Negócio

● Detecção de perfis de clientes.● Vendas direcionadas.● Detecção de fraudes.● Prever o valor de ações.

● Ciência e engenharia● Detectar cancer em pacientes● Identificar doenças de coração● Identificar digitais● Processamento de linguagem natural

Page 15: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

15

Mineração de Dados

● Porque o data mining emplacou?● Volume de dados disponível atualmente é enorme

● precisa de grande massa de dados para calibrar seus algoritmos e extrair conclusões confiáveis

● Dados estão sendo organizados● permite que dados de diversas fontes sejam organizados e padronizados.

● Recursos computacionais potentes● precisa de muito recurso para operar seus algoritmos sobre grandes quantidades de

dados

● Competição empresarial exige técnicas mais modernas de decisão

Page 16: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

16

Mineração de Dados

● Mas antes do DM, o KDD - Knowledge Discovery in Databases● Descoberta do conhecimento em bancos de dados● Data mining é apenas uma das fases do KDD● O KDD é o processo geral de conversão de dados brutos em

informações úteis.

Page 17: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

17

KDD

● Criando o Conhecimento● KDD é utilizado na criação do conhecimento explícito!

Page 18: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

18

KDD

● O Processo KDD

Page 19: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

19

O processo KDD

● Seleção● Impacto significativo na

qualidade do resultado final

● Escolhe o conjunto de dados que vai fazer a parte da análise

● Complexo! Dados podem vir de diversas fontes, em diverso formatos

Page 20: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

20

O processo KDD

● Pré-processamento● Parte crucial do processo● A qualidade dos dados

vai determinar a eficiência dos algoritmos de mineração

● Eliminem dados redundantes e não consistes, recuperem dados incompletos, erros de digitação

Page 21: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

21

O processo KDD

● Pré-processamento● Amostragem

● Consiste em selecionar um subconjunto dos dados de entrada para derivar o modelo. (Aleatoriamente)

● Há a perda de precisão, uma vez que não se usa o conjunto completo de dados

● O conjunto de dados pode ser demasiadamente grande e a perda de precisão insignificante

Page 22: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

22

O processo KDD

● Pré-processamento● Normalização

● Consiste em colocar os atributos em uma mesma escala, de modo que possuam o mesmo ‘peso’ na derivação do modelo

● Menor valor assumira 0 e o maior assumirá 1, os demais figurarão proporcionalmente no intervalo [0, 1]

● A transformação de atributos discretos em contínuos e vice-versa também faz parte da normalização

Page 23: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

23

O processo KDD

● Pré-processamento● Normalização

● Renda mensal: 900 0 / 6000 1≈ 0 / 6000 ≈ 1 ≈ 0 / 6000 ≈ 1● Casa própria: não 0 / sim 1≈ 0 / 6000 ≈ 1 ≈ 0 / 6000 ≈ 1● Dependentes: 0 0 / 4 1≈ 0 / 6000 ≈ 1 ≈ 0 / 6000 ≈ 1

Page 24: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

24

O processo KDD

● Transformação● Antecede a fase do Data Mining● Dados estão relacionados, limpos

e preprocessados, agora temos que armazená-los e formatá-los adequadamente para que os algoritmos possam ser aplicados

● DW – repositório único!● Nesta fase são tratados os dados

derivados, obtidos através da combinação de outros (idade, valor final, etc.)

Page 25: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

25

O processo KDD

● Mineração● “Data Mining é a exploração e

análise, de forma automática ou semiautomática, de grandes bases de dados com o objetivo de descobrir padrões e regras. O objetivo do processo de mineração é fornecer às corporações informações que as possibilitem montar melhores estratégias de marketing, vendas, suporte, melhorando assim os seus negócios.”

Page 26: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

26

O processo KDD

● Interpretação● Estatísticos, pesquisadores de IA e

DBA usam técnicas diferentes para interpretar e avaliar os resultados obtidos com a mineração para chegar a um mesmo fim: o conhecimento!

Page 27: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

27

Caracterizando o KDD

● Validade● A descoberta de padrões deve ser válida em novos dados com algum grau

de certeza ou probabilidade

● Novidade● Os padrões são novos, ou seja, ainda não foram detectados por nenhuma

abordagem

● Utilidade potencial● Os padrões devem poder ser utilizados para a tomada de decisões úteis,

medidas por alguma função

● Assimiláveis● Um dos objetivos é tornar os padrões assimiláveis ao conhecimento humano

Page 28: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

28

Voltando ao DM

● Essa técnica pode fazer, entre outras, uma análise antecipada dos eventos, possibilitando prever tendências e comportamentos futuros, permitindo aos gestores a tomada de decisões baseada em fatos e não em suposições

Page 29: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

29

Mineração de Dados

● Localizando padrões● Padrões são unidades de informação que se repetem● A tarefa de localizar padrões não é privilégio só da mineração de

dados. (Cérebro)● Vamos tentar obter alguma expressão genérica para a seguinte

sequência:

”ABCXYABCZKABDKCABCTUABEWLABCWO”

Page 30: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

30

Mineração de Dados

● Localizando padrões● Sequência original: ABCXYABCZKABDKCABCTUABEWLABCWO● Passo 1: Observe atentamente essa sequência de letras e tente

encontrar alguma coisa relevante.

Page 31: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

31

Mineração de Dados

● Localizando padrões● Sequência original: ABCXYABCZKABDKCABCTUABEWLABCWO● Passo 1: Observe atentamente essa sequência de letras e tente

encontrar alguma coisa relevante.● ”AB”

Page 32: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

32

Mineração de Dados

● Localizando padrões● Sequência original: ABCXYABCZKABDKCABCTUABEWLABCWO● Passo 1: Observe atentamente essa sequência de letras e tente

encontrar alguma coisa relevante.● ”AB”● ”ABC

Page 33: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

33

Mineração de Dados

● Localizando padrões● Sequência original: ABCXYABCZKABDKCABCTUABEWLABCWO● Passo 2: Após determinarmos as sequências ”ABC”e ”AB”, verificamos

que elas segmentam o padrão original em diversas unidades independentes.

Page 34: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

34

Mineração de Dados

● Localizando padrões● Sequência original: ABCXYABCZKABDKCABCTUABEWLABCWO● Passo 2: Após determinarmos as sequências ”ABC”e ”AB”, verificamos

que elas segmentam o padrão original em diversas unidades independentes.● ”ABCXY”

Page 35: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

35

Mineração de Dados

● Localizando padrões● Sequência original: ABCXYABCZKABDKCABCTUABEWLABCWO● Passo 2: Após determinarmos as sequências ”ABC”e ”AB”, verificamos

que elas segmentam o padrão original em diversas unidades independentes.● ”ABCXY”● ”ABCZK”

Page 36: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

36

Mineração de Dados

● Localizando padrões● Sequência original: ABCXYABCZKABDKCABCTUABEWLABCWO● Passo 2: Após determinarmos as sequências ”ABC”e ”AB”, verificamos

que elas segmentam o padrão original em diversas unidades independentes.● ”ABCXY”● ”ABCZK”● ”ABDKC”

Page 37: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

37

Mineração de Dados

● Localizando padrões● Sequência original: ABCXYABCZKABDKCABCTUABEWLABCWO● Passo 2: Após determinarmos as sequências ”ABC”e ”AB”, verificamos

que elas segmentam o padrão original em diversas unidades independentes.● ”ABCXY”● ”ABCZK”● ”ABDKC”● ”ABCTU”

Page 38: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

38

Mineração de Dados

● Localizando padrões● Sequência original: ABCXYABCZKABDKCABCTUABEWLABCWO● Passo 2: Após determinarmos as sequências ”ABC”e ”AB”, verificamos

que elas segmentam o padrão original em diversas unidades independentes.● ”ABCXY”● ”ABCZK”● ”ABDKC”● ”ABCTU”● ”ABEWL”

Page 39: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

39

Mineração de Dados

● Localizando padrões● Sequência original: ABCXYABCZKABDKCABCTUABEWLABCWO● Passo 2: Após determinarmos as sequências ”ABC”e ”AB”, verificamos

que elas segmentam o padrão original em diversas unidades independentes.● ”ABCXY”● ”ABCZK”● ”ABDKC”● ”ABCTU”● ”ABEWL”● ”ABCWO”

Page 40: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

40

Mineração de Dados

● Localizando padrões● Sequência original: ABCXYABCZKABDKCABCTUABEWLABCWO● Passo 3: fazem-se agora induções, que geram algumas

representações genéricas dessas unidades

Page 41: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

41

Mineração de Dados

● Localizando padrões● Sequência original: ABCXYABCZKABDKCABCTUABEWLABCWO● Passo 3: fazem-se agora induções, que geram algumas

representações genéricas dessas unidades● ”ABC??”● ”ABD??”● ”ABE??”● ”AB???”

Page 42: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

42

Mineração de Dados

● Localizando padrões● No final desse processo toda a sequência original foi substituída por

regras genéricas indutivas, o que simplificou (reduziu) a informação original a algumas expressões simples

● O que fazer para extrair padrões de dados brutos.● Mais importante do que simplesmente obter essa redução de

informação, esse processo nos permite gerar formas de predizer futuras ocorrências de padrões.

Page 43: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

43

Mineração de Dados

● Localizando padrões● Imagine o exemplo prático em um comércio com as expressões

abstratas genéricas que obtivemos:● ’A’ representa ”aquisição de pão”● ’B’ representa ”aquisição de leite”● ’C’ é um indicador de que o leite adquirido é do tipo desnatado● ”AB”quer dizer, na prática, que toda vez que alguém comprou pão,

também comprou leite● Esta associação nos faz pensar em colocar ”leite”e ”pão”o mais próximos possível,

para facilitar a aquisição conjunta destes produtos

Page 44: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

44

Mineração de Dados

● Localizando padrões● ’X’ representa ”manteiga sem sal”● ’Z’ representa ”manteiga com sal”● ’T’ poderia significar ”margarina”● Através de uma indução orientada a atributos, poderia introduzir a

letra ’V’ para representar ”manteiga/margarina”● Essa perda de informação é fundamental na indução que permite o

aparecimento de padrões mais gerais● Basta codificar a sequência original substituindo a letra ’V’ em todos

os lugares devidos

”ABCVYABCVKABDKCABCVUABEWLABCVO”

Page 45: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

45

Mineração de Dados

● Localizando padrões● ”ABCVYABCVKABDKCABCVUABEWLABCVO”● Assim o DM irá extrair a expressão ”ABCV”, que irá revelar algo muito

interessante:● ”A maioria dos usuários que adquiriram pão e leite desnatado também adquiriram

manteiga ou margarina.”

Page 46: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

46

Tarefas de Mineração de Dados

● Classificação● Identificar potenciais inadimplentes.

● Agrupamento● Agrupar tipos de doenças semelhantes.

● Associação● Padrões de comportamento de clientes.

● Detecção de anomalias● Detecção de mensagens spam.

Page 47: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

47

Exemplo real – Vestibular PUC-RJ

● Utilizando as técnicas da mineração de dados, um programa de obtenção de conhecimento, depois de examinar milhares de alunos, forneceu a seguinte regra:● Se o candidato é do sexo feminino, trabalha e teve aprovação com boas

notas no vestibular, então ele não irá efetivar a matrícula.● Uma reflexão justifica a regra oferecida pelo programa: de acordo com os

costumes do Rio de Janeiro, uma mulher em idade de vestibular, se trabalha é porque precisa, e neste caso deve ter feito inscrição para ingressar na universidade pública gratuita. Se teve boas notas provavelmente foi aprovada na universidade pública onde efetivará matrícula.

● Claro que há exceções: pessoas que moram em frente a PUC, pessoas mais velhas, de alto poder aquisitivo e que voltaram a estudar por outras razões que ter uma profissão, etc.. mas a grande maioria obedece à regra anunciada

Page 48: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

48

Exemplo real – Estado Civil x Cargos de Servidores da SEFAZ-AM

● Com o uso de data mining foram verificadas correlações entre o estado civil e salários da Secretaria de Fazenda do Estado do Amazonas. Notava-se que cerca de 80% dos servidores de maior poder aquisitivo deste órgão eram divorciados, enquanto que em outras instituições, como por exemplo na Secretaria de Educação (composta em sua maioria por professores), a média de divorciados era inferior a 30%.

● Longe de parecer coincidência, os dados sugerem que servidores com maior poder aquisitivo se envolvam com relações extraconjugais, resultando geralmente em desfazimento do casamento.

Page 49: Mineração de Dados - Aula 15 - Professores UFOPprofessor.ufop.br/sites/default/files/janniele/files/aula15.pdfDetecção de perfis de clientes. Vendas direcionadas. Detecção de

49

Bibliografia

● Tecnologia e Projeto de Data Warehouse. Machado, F.N.R.. São Paulo, Erica, 2010.