big data, analytics, aplicações, aspectos práticos e o cientista de dados
TRANSCRIPT
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
Oportunidade por Vertical
(c) 2014 UWS -- Não Distribuir 7
Big Data: valor em potencial
Faci
lidad
e d
e c
aptu
rad
e d
ado
s
Dificuldades em consolidar dados
Dados errôneos / não preenchidos
Não há informação suficiente
Há informação demais
Recursos humanos
Problemas com BI
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”
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
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
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
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
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
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
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
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
Mobile
EmailMarketing
Web
Peixe Urbano
Motor de Recomendação
Ofertas do Dia
Demografia ComprasClicks
Exemplo de Recomendação
PorcãoSpa 12 sessõesBalanceamentoÁlbum de fotosSushiArvorismoBúziosEscova Marroquina
Reordenação
userID: 1234Compras: 10* Automotivo: 5* Estética: 3* Gastronomia: 2
BalanceamentoSpa 12 sessõesEscova MarroquinaPorcãoSushiÁlbum de fotosArvorismoBúzios
Mistura de Experts
Expert emdemografia
Expert empreferencias,
ratings, marcas, social networks
Expert emhistórico de
comprasS
w2
w1
w3
Ofertasdo dia
Ofertasordenadas
por relevância
Logs
Semi-Estruturado
Estruturado
BancoParalelo
DeteccaoAnomalias
alarmes
ATM
ATM
ATM
(c) 2014 UWS -- Não Distribuir 40
Solução
(c) 2014 UWS -- Não Distribuir 42
Busca Semântica emLaudos de Radiologia
2,5 M de laudos de radiologia
Indexador GUI
Ontologia
(c) 2014 UWS -- Não Distribuir 48
Pirâmide de Maslow
- Qualidade- Integração- Governança
• 360 Cust. View• Anti-Fraud• Anti Churn
ESTRATÉGIA, ROI+
Maturidade
(c) 2014 UWS -- Não Distribuir 49
Ambiente HeterogêneoProcessos InformaisDados Caóticos
Ambiente IntegradoProcessos controladosDados Coerentes
SimplificaçãoEncurtar tempo de EntregaRedução de Custos
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
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 TrabalhoSoluções em Healthcare
(c) 2014 UWS -- Não Distribuir 54
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
Proficiência em Matemática, Estatística (Correlações),
Mineração de Dados, Analítica Preditiva (baseadaem 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
Cientista de Dados
• Gerente de Projetos• Estatístico• Especialista no Negócio• Arquiteto de Dados• Desenvolvedor de Software
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
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-servicedo 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