Contexto das mudanças que criaram o movimento “big data”. Aplicações em vários verticais (Governo, Marketing, Saúde, Telecom, Financeiro, etc.). Aspectos práticos em projetos de big data. Fundamentos: qualidade, integração, governança de dados. Avaliação da maturidade da empresa. Formação de profissionais nesta área.
Big Data, Analytics, Aplicações, Aspectos Práticos e o Cientista de Dados
1.
(c) 2014 UWS -- Não Distribuir 1
Big Data Analytics
Dan S. Reznik
Upper West Soluções
15-Jan-2015
2.
1.Introdução a “big data”
2.Aplicações
3.Aspectos práticos em projetos
4.Cientista de Dados
5.Engajamento do Cliente
(c) 2014 UWS -- Não Distribuir 2
Plano
13. Dificuldades em consolidar dados
Dados errôneos / não preenchidos
Não há informação suficiente
Há informação demais
Recursos humanos
Problemas com BI
14.
Valor a partir da Integração
(c) 2014 UWS -- Não Distribuir 14
VALOR
19. Não quero mais trabalho
Não quero que você tenha meus dados
Não quero que você veja os furos com meus dados
(c) 2014 UWS -- Não Distribuir 19
Integração: os 3 “nãos”
21.
Acompanhamento do clickstream, mídias sociais
(Facebook/Twitter) e tradicionais para:
Obter visão do comportamento do cliente, preferências,
percepção de produtos.
Avaliar a resposta a campanhas, promoções, em termos
de engajamento e ROI.
Identificar “entusiastas da marca” e engajá-los na
divulgação de produtos e promoção de mais vendas
Oferecer recomendações relevantes e descontos eficazes.
Otimização de assortment & layout de lojas físicas
Marketing
(Varejo, E-Commerce)
(c) 2014 UWS -- Não Distribuir 21
22.
Coleta de sensores em equipamentos/veículos,
para predizer o momento da manutenção ou
reparo. Reparo antes do tempo desperdiça
dinheiro; reparo tardio acarreta parada custosa.
Mídias Sociais e Chats: detectar problemas e
reclamações pós-venda para ativar garantia e evitar
má percepção pelos consumidores
Industrial / Manufaturados
(c) 2014 UWS -- Não Distribuir 22
23. Minerar dados de interação com clientes para
segmentá-los de acordo com nível de risco e pré-
disposição ao consumo de certos produto.
Criação de ofertas personalizadas, relevantes, e
sofisticadas.
Decidir quais sinistros podem ser aprovados
imediatamente e quais necessitam revisão
humana.
Monitorar Caixas Eletrônicos para identificar
anomalias / fraude
Financeiro / Seguros
(c) 2014 UWS -- Não Distribuir 23
24. Análise de dados clínicos e exames para
identificar pacientes com probabilidade de
readmissão após uma alta. Neste casos o hospital
pode intervir, evitando custos.
Análise de trajetórias de vários
pacientes/doenças/médicos/exames, a fim de
identificar o caminho mais efetivo a ser trilhado
(Golden Path)
Análise de histórico de atendimentos/exames
para identificação de fraude ou ineficiências.
Saúde & Planos
(c) 2014 UWS -- Não Distribuir 24
25. Monitoramento e suporte ao SAC: melhoria do
atendimento, identificação e solução rápida
Redução de Churn: análise do uso, perfil do cliente,
comportamento digital (canais de marketing e
mídias sociais) para entrega de ofertas e descontos,
evitando o “churn” e aumentando receita
Monitoramento da rede: identificação de problemas
gargalos, planejamento de capacidade, otimização de
investimentos em clientes mais lucrativos.
Operadoras / Telecom
(c) 2014 UWS -- Não Distribuir 25
26. Disponibilização de dados federais, estaduais,
municipais para promover o desenvolvimento
de aplicativos visando o bem comum.
Unificação de registros do cidadão para
desenvolvimento de políticas públicas e
otimização dos serviços, além da redução de
burocracia
Estruturação de milhões de processos e laudos
de texto em gráficos para gerar economias e
identificar fraude
Governo
(c) 2014 UWS -- Não Distribuir 26
27. Como análise de dados pode ser útil para sua
empresa
Aumento de receita
Diminuição de custos
Diminuição de riscos
Problemas de Preparo de Dados
Qualidade
Dispersão / Acesso
Documentação, Especificação
Exercício
(c) 2014 UWS -- Não Distribuir 27
29. Busca Semântica de Laudos
(c) 2014 UWS -- Não Distribuir 29
Motor de Recomendação
Detecção de Fraude
Integração de Dados do Cidadão
Otimização de Marketing Digital
31.
Exemplo de Recomendação
Porcão
Spa 12 sessões
Balanceamento
Álbum de fotos
Sushi
Arvorismo
Búzios
Escova Marroquina
Reordenação
userID: 1234
Compras: 10
* Automotivo: 5
* Estética: 3
* Gastronomia: 2
Balanceamento
Spa 12 sessões
Escova Marroquina
Porcão
Sushi
Álbum de fotos
Arvorismo
Búzios
32.
Mistura de Experts
Expert em
demografia
Expert em
preferencias,
ratings, marcas,
social networks
Expert em
histórico de
compras
S
w2
w1
w3
Ofertas
do dia
Ofertas
ordenadas
por
relevância
48.
(c) 2014 UWS -- Não Distribuir 48
Pirâmide de Maslow
- Qualidade
- Integração
- Governança
• 360 Cust. View
• Anti-Fraud
• Anti Churn
ESTRATÉGIA, ROI+
49.
Maturidade
(c) 2014 UWS -- Não Distribuir 49
Ambiente Heterogêneo
Processos Informais
Dados Caóticos
Ambiente Integrado
Processos controlados
Dados Coerentes
Simplificação
Encurtar tempo de Entrega
Redução de Custos
51. Pouca experiência / competitividade a partir de
dados
Mal qualificadas em profissionais de dados
Pulverização em Silos
Qualidade de dados totalmente não gerenciada
Dados reféns de TI – me tira daqui!
Problemas políticos
Fluxo de trabalho não instituído
Desconhecimento quanto ao processo de maturidade
(c) 2014 UWS -- Não Distribuir 51
Problemas a Serem Combatidos
54. Utilizando dados clinicos e operacionais, oferecer
soluções de
Saúde da população
Redesenho de fluxos de trabalho
Mobilidade do hospital para a residência
Experiência do Paciente
Novos modelos de negócio
Equipamento gerenciado
Parcerias publico-privadas
Educação e Treinamento
Oferta de Trabalho
Soluções em Healthcare
(c) 2014 UWS -- Não Distribuir 54
55. Data warehousing, modelagem “Star Schema” (data
mart), técnicas de visualização, desenho e
implantação de dashboards (BI);
SGBDs (Oracle, MS SQL Server, Postgre, etc.),
ferramentas de ETL, SQL, OLAP, arquiteturas de Big
Data (Hadoop);
Programação orientada a objeto, método ágil, Java,
.NET, JSON, HTML5;
Experiência em R, SAS, SPSS, Tableau, Qlikview,
Cognos, Microestrategy, Oracle BI;
Qualificações I - Requeridas
(c) 2014 UWS -- Não Distribuir 55
56. Proficiência em Matemática, Estatística (Correlações),
Mineração de Dados, Analítica Preditiva (baseada
em probabilidade e correlação); Machine learning,
Algoritmos de Mineração de Dados (Bayesiano,
Clustering, etc.);
Conhecimento profundo de Health Information
Exchange (HIE), padrões de interoperabilidade
(TISS, openehr, hl7, ihe profiles, DICOM, etc.),
classificação clínica (icd 10, snomed ct, loinc, sigtap,
TUSS, etc.)
Qualificações II -- Desejadas
(c) 2014 UWS -- Não Distribuir 56
73. O que conta na tomada de decisão do cliente?
A estratégia de marketing corresponde a expectativa
do cliente e/ou as metas do negócio?
Dados do cliente estão potencializados em todos
departamentos do negócio?
Quais clientes geram mais lucro? Vendas?
Quais ações estimulam a compra?
Quais mensagens ou promoções causam maior
resposta?
Quais compras futuras posso estimular por cliente?
Algumas Perguntas
74.
360 View: Geradores de Valor
Melhorar
interações
c/ cliente
Dar poder a quem
lida diretamente c/
cliente
Potencializar dados
e conhecimentos já
existentes
Criar interações
relevantes e
lucrativas
Melhorar a
análise de
dados
Viabilizar o uso de
informações de
várias fontes
Criar visão holística
do cliente
Melhorar
self-service
do cliente
Dar poder a clientes
para potencializar
seus dados
Gerar
recomendações e a
“’melhor próxima
ação”
Diminuir custos de
interação enquanto
fideliza-se o cliente
75.
76.
(c) 2014 UWS -- Não Distribuir 76
Obrigado!
Dan S. Reznik
dan@upperwestsolucoes.com