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.

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

3. 
Big Data
(c) 2014 UWS -- Não Distribuir 3

4. 
Big Data
(c) 2013 UWS -- Não Distribuir 4

5. (milhões de Tb)

6. 
Big Data: Projetos Ativos
(c) 2014 UWS -- Não Distribuir 6

7. 
Oportunidade por Vertical
(c) 2014 UWS -- Não Distribuir 7
Big Data: valor em potencial
Facilidadedecapturadedados

8. 
Business Intelligence
(c) 2014 UWS -- Não Distribuir 8
Dados Insights Ações

9. 
BI vs Big Data
(c) 2014 UWS -- Não Distribuir 9

10. 
Do DW para o BD
(c) 2014 UWS -- Não Distribuir 10
Multi-structured

11. 
Típos de Analítica
(c) 2014 UWS -- Não Distribuir 11

12. 
Aumentar Receita
Diminuir Custos
Gerenciar Riscos
Fontes de ROI
(c) 2014 UWS -- Não Distribuir 12

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

15. 
Rapidez e Valor
(c) 2014 UWS -- Não Distribuir 15

16. 
Silos de dados

17. 
Centrismo no Cliente

18. 
Integração

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”

20. 
Aplicações
por Vertical
(c) 2014 UWS -- Não Distribuir 20

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

28. 
Exemplos de Projetos
www.upperwestsolucoes.com
(c) 2014 UWS -- Não Distribuir 28

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

30. 
Mobile
Email
Marketing
Web
Peixe Urbano
Motor de
Recomendação
Ofertas do
Dia
Demografia ComprasClicks

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

33. Subject
personalizado
Titulo
personalizado
Preview pane
atraente
Ofertas
ordenadas
por relevância

34. 
Gazeus Games:
Otimização de Marketing
(c) 2014 UWS -- Não Distribuir 34

35. 
(c) 2014 UWS -- Não Distribuir 35
Base Integrada do Cidadão
SEPLAG-MG

36. 
(c) 2014 UWS -- Não Distribuir 36
Vinculação de Registros

37. 
(c) 2014 UWS -- Não Distribuir 37
Arquitetura do Sistema

38. 
(c) 2014 UWS -- Não Distribuir 38
Assalto a Caixas Eletrônicos

39. 
(c) 2014 UWS -- Não Distribuir 39
Localização dos Eventos

40. Logs
Semi-
Estruturado
Estruturado
Banco
Paralelo
Deteccao
Anomalias
alarmes
ATM
ATM
ATM
(c) 2014 UWS -- Não Distribuir 40
Solução

41. 
(c) 2014 UWS -- Não Distribuir 41
Detecção de Anomalias

42. 
(c) 2014 UWS -- Não Distribuir 42
Busca Semântica em
Laudos de Radiologia
2,5 M de laudos
de radiologia
Indexador GUI
Ontologia

43. 
(c) 2014 UWS -- Não Distribuir 43
Ontologia de Termos Médicos

44. (c) 2014 UWS -- Não Distribuir 44

45. 
Aspectos Práticos
em Projetos
(c) 2014 UWS -- Não Distribuir 45

46. 
Ecossistema de Dados

47. 
Fluxo de Trabalho

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

50. 
Barreiras

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

52. 
O Cientista de Dados
(c) 2014 UWS -- Não Distribuir 52

53. 
Análise de Dados

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

57. 
Ciência de Dados
(c) 2014 UWS -- Não Distribuir 57

58. 
Cientista de Dados
• Gerente de Projetos
• Estatístico
• Especialista no Negócio
• Arquiteto de Dados
• Desenvolvedor de Software

59. 
Engajamento do Cliente
(c) 2014 UWS -- Não Distribuir 59

60. 
Retenção do Cliente

61. 
A jornada do cliente

63. 
Retenção tem valor exponencial

64. 
4 P’s => SIVA
Produto
Promoção
Preço
Praça
Solução
Informação
Valor
Acesso

66. 
Centrar em Produto vs Cliente
(c) 2014 UWS -- Não Distribuir 66

67. 
Cliente = Quebra Cabeça

68. 
Dados Comportamentais

69. 
Dados Psicográficos

70. 
Máquina Correlacional

71. 
Investimentos vs Vendas

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

76. 
(c) 2014 UWS -- Não Distribuir 76
Obrigado!
Dan S. Reznik
dan@upperwestsolucoes.com