yellow and orange abstract art

Mineração de Dados

O que é e qual sua importância?

Mineração de dados (em inglês, data mining) é o processo de encontrar anomalias, padrões e correlações em grandes conjuntos de dados para prever resultados. Ao empregar uma ampla variedade de técnicas, você pode usar essa informação para aumentar a renda, cortar custos, melhorar o relacionamento com os clientes, reduzir riscos e mais.

Mineração de dados: história e avanços recentes

O processo de minerar dados para descobrir conexões escondidas e prever tendências futuras tem uma longa história. Por vezes chamado de "descoberta de conhecimento em bancos de dados", o termo "mineração" só foi cunhado nos anos 1990. Sua base compreende três disciplinas científicas entrelaçadas: estatística (o estudo numérico das relações entre dados), inteligência artificial (inteligência exibida por softwares e/ou máquinas, que se assemelha à humana) e machine learning (algoritmos que podem aprender com dados para realizar previsões). A tecnologia de mineração de dados continua evoluindo para acompanhar o potencial ilimitado do big data e a computação de baixo custo.

Na última década, os avanços no poder de processamento e na velocidade nos permitiram ir de práticas manuais, tediosas e lentas para análises de dados rápidas, fáceis e automatizadas. Quanto mais complexos forem os conjuntos de dados coletados, mais potencial haverá para deles extrair insights relevantes. Varejistas, bancos, fabricantes, operadoras de telecomunicações, seguradoras etc, estão usando a mineração de dados para descobrir relações entre tudo — desde preços, promoções e demografias até como a economia, o risco, a concorrência e as mídias sociais estão afetando seus modelos de negócio, receitas, operações e relacionamentos com os clientes.

 

 

Dataing Mining Foundation Blocks

Qual a importância da mineração de dados?

Você viu que os números são impressionantes — o volume de dados produzidos está dobrando a cada dois anos. Somente os dados não-estruturados compõem 90% do universo digital. Porém, mais informação não significa necessariamente mais conhecimento.

A mineração de dados permite que você:

  • Separe todos os ruídos caóticos e repetitivos em seus dados;
  • Entenda o que é relevante para, então, fazer um bom uso dessa informação para avaliar os resultados possíveis;
  • Acelere o ritmo de tomadas de decisões bem-informadas.

 

Leia mais sobre técnicas de mineração de dados em Mineração de Dados de A a Z, um ralatório que mostra como as organizações podem usar análises preditivas e mineração de dados para obter novos inisghts de seus dados.

Mineração de dados no mundo atual

A mineração de dados é um dos fundamentos da análise de dados, que ajuda você a desenvolver modelos que podem descobrir conexões em milhões ou bilhões de registros. Saiba como a mineração de dados está transformando o mundo em que vivemos:

White Paper

Desmistificando a mineração de dados em operações de petróleo e gás

Descubra como a mineração de dados, a modelagem preditiva e a análise em tempo real são usadas nas operações de petróleo e gás.

Leia o relatório

Book

A intersecção entre big data e mineração de dados

A expert em mineração de dados Jared Dean escreveu um livro sobre a tecnologia, no qual ele explica como maximizar seu programa de analytics usando computação de alto desempenho e análise avançada.

Leia um trecho

gartner-logo

Quadrante Má¡gico para Plataformas de Ciência de Dados

O Gartner nomeia o SAS como Líder no Quadrante Mágico de Plataformas de Ciência de Dados e a "principal fornecedora do mercado de ciência de dados, em termos de receita total e número de clientes pagantes".

Leia o report

White Paper

Mineração de Dados de A à Z

Este paper cobre o que você precisa saber sobre mineração de dados, incluindo uma visão geral introdutória, as aplicações comuns em diferentes indústrias, um mergulho profundo no processo de mineração de dados e soluções de data mining da SAS.

Baixe agora

Data Mining Enterprise Miner

 

Softwares de Mineração de Dados

Os softwares de mineração de dados do SAS usam alogitmos avançados, projetados para ajudá-lo a resolver seus maiores desafios.

Leia mais sobre os softwares de mineração de dados do SAS

Quem usa?

A mineração de dados está no centro da análise de dados em várias indústrias e disciplinas.

Comunicações

Em um mercado sobrecarregado, no qual a concorrência é grande, as respostas muitas vezes estão nos dados de seus consumidores. Empresas de multimídia e telecomunicações podem usar modelos analíticos para dar sentido a milhões de dados de consumidores, prever seu comportamento e oferecer campanhas altamente segmentadas e relevantes.

Seguros

Com know-how analítico, as seguradoras podem resolver problemas complexos envolvendo fraude, conformidade, gestão de risco e atritos com clientes. As empresas têm usado técnicas de mineração de dados para avaliar os produtos de maneira mais eficaz em todas as linhas de negócio e encontrar novas maneiras de oferecer produtos competitivos à sua base de clientes.

Educação

Com visualizações de dados unificadas sobre o progresso dos alunos, os educadores podem prever o desempenho deles antes mesmo de entrarem na sala de aula – além de desenvolver estratégias de intervenção para mantê-los no caminho certo. A mineração de dados ajuda educadores a acessar dados dos alunos, prever conquistas e identificar quem precisa de uma atenção extra.

Manufatura

Alinhar planos de fornecimento com previsões de demandas é essencial, assim como detectar problemas cedo, garantir a qualidade e investir no valor da marca. Os fabricantes podem prever o desgaste dos ativos de produção e antecipar a necessidade de manutenção, o que pode maximizar o tempo de atividade e manter a linha de produção dentro do cronograma.

Bancos

Algoritmos automatizados ajudam os bancos a entender sua base de clientes, bem como as bilhões de transações no centro do sistema financeiro. A mineração de dados ajuda as empresas do setor a obter uma visão melhor dos riscos de mercado, detectar fraudes mais rapidamente, gerenciar obrigações de conformidade normativa e obter retornos ideais em seus investimentos de marketing.

Varejo

Grandes bancos de dados contêm insights escondidos que podem ajudá-lo a melhorar o relacionamento com os clientes, otimizar campanhas de marketing e prever vendas. Por meio de modelos de dados mais precisos, as empresas varejistas podem oferecer campanhas mais direcionadas - e encontrar a oferta que causa maior impacto no cliente.

Quando [a mineração de dados e] análises preditivas são feitas do jeito certo, as análises não são um meio para prever um fim; em vez disso, as previsões desejadas tornam-se um meio para obter insights e descobertas analíticas. Fazemos um trabalho melhor em analisar o que realmente precisamos e prever o que realmente queremos.

Michael Schrage em Predictive Analytics in Practice , um Harvard Business Review Insight Center Report

Como funciona?

A mineração de dados, enquanto disciplina composta, compreende uma variedade de métodos ou técnicas usadas em diferentes capacidades analíticas que abordam uma gama de necessidades organizacionais, fazem diferentes tipos de perguntas e usam diferentes níveis de entradas ou regras para chegar a uma decisão.

Modelagem descritiva: revela semelhanças compartilhadas ou agrupamentos em dados históricos para determinar as razões por trás do sucesso ou do fracasso, como a categorização de clientes por preferências de produtos ou emoções. Essas técnicas incluem:

Clustering
Agrupa registros semelhantes.
Detecção de anomalias
Identifica valores discrepantes multidimensionais.
Regras de associação
Detecta relações entre os registros.
Análises do componente principal
Detecta relações entre as variáveis.
Grupos de afinidade
Agrupa pessoas com interesses comuns ou objetivos semelhantes (ex., pessoas que compram X podem comprar Y e, possivelmente, Z).

 

Modelagem preditiva: vai mais fundo na hora de classificar eventos futuros ou estimar resultados desconhecidos — por exemplo, usando escoragem de crédito para determinar a probabilidade de um indivíduo quitar um empréstimo. A modelagem preditiva também ajuda na descoberta de insights para situações como churn de clientes, engajamento em campanhas ou padrões de crédito. Essas técnicas incluem:

Regressão
Uma medida da força da relação entre uma variável dependente e uma série de variáveis independentes.
Redes neurais
Programas de computadores que detectam padrões, fazem previsões e aprendem disso.
Árvores de decisão
Diagramas na forma de árvores em que cada galho representa uma ocorrência provável.
Máquinas de vetores de suporte
Modelos de aprendizagem supervisionada com seus algoritmos de aprendizagem associados.


Modelagem prescritiva:
 com o aumento no volume de dados não-estruturados a partir da web, campos de comentários, livros, e-mail, PDFs e outras fontes textuais, a adoção de mineração de texto como uma disciplina relacionada à mineração de dados também cresceu significativamente. Você precisa ser capaz de analisar, filtrar e transformar dados não-estruturados com sucesso para incluí-los em modelos preditivos e, então, melhorar a precisão de previsões.

No fim, você não deve olhar para a mineração de dados como uma entidade separada e única, porque o pré-processamento (preparação de dados e exploração de dados) e o pós-processamento (validação de modelos, escoragem, monitoramento de performance de modelos) são igualmente essenciais. A modelagem prescritiva olha para variáveis internas e externas, além de restrições, para recomendar um ou mais cursos de ação — por exemplo, determinar a melhor oferta de marketing a ser enviada para cada consumidor. Essas técnicas incluem:

Análises preditivas e suas regras
Desenvolve regras do tipo se/então a partir de padrões e prevê resultados.
Otimização de marketing
Simula, em tempo real, o mix de mídia mais vantajoso para alcançar o maior ROI possível.

Back to Top