histÓrico e desafioscge/acervo/palestrarscarpeljul18.pdf8. hp's "perfect storm" of...

ANALYTICS:

HISTÓRICO E DESAFIOS

Professor: Rodrigo A. Scarpel

[email protected]

www.mec.ita.br/~rodrigo

DADOS

INFORMAÇÃO

CONHECIMENTO

INTELIGÊNCIA

mailto:[email protected]

http://www.mec.ita.br/~rodrigo

Rodrigo A. Scarpel

• Graduação: Engenharia de Produção - UFSCar (1997)

• Mestrado: ITA – Produção (1999-2000)

• Doutorado: ITA – Produção (2003-2006)

• Professor Visitante: University of Nottingham (2012-2013)

• ESPM (2001-2005)

• Banco Itaú S.A. (2002-2003)

• SAS Institute Brasil (2003 - 2005)

• ITA (2005 – Atual)

2

Apresentação:

Agenda:

3

Modelagem e Simulação

Revolução dos Serviços (final anos 80) → Dilúvio de dados

Processo de KDD (1996)

BI e BA

Alguns eventos

Analytics → Data Science

Perspectivas e desafios

Questões para reflexão

Modelagem e Simulação:

Modelos de decisão

(Operations research / Management Science):

• Ferramentas quantitativas para:

• Previsão (séries temporais)

• Otimização

• Simulação (eventos discretos, Monte Carlo)

• Análise de decisão

• Reconhecimento de padrões

• Métodos estatísticos multivariados

• Métodos econométricos

• ...

4

Modelagem e Simulação: ilustração

A lei psicológica fundamental é que os homens

estão dispostos, como regra e em média, a

aumentar o seu consumo quando sua renda

aumenta, mas não em proporção igual ao

aumento dessa renda (Keynes, 1936*)

*Keynes, J.M. The General Theory of Employment, Interest and Money, 1936.

Função consumo (das famílias) keynesiana:

Y = 0+ 1X, 0< 1<1

em que

Y: Despesas com consumo,

X: Renda disponível

0: Consumo autônomo (mínimo)

1: PMC (propensão marginal em consumir)

5

Modelagem e Simulação: ilustração

RESUMO DOS RESULTADOS

Estatística de regressão

R múltiplo 0,999202873

R-Quadrado 0,998406381

R-quadrado ajustado 0,998283795

Erro padrão 20,28525346

Observações 15

ANOVA

gl SQ MQ F F de significação

Regressão 1 3351406,528 3351406,528 8144,53388 1,42044E-19

Resíduo 13 5349,389603 411,4915079

Total 14 3356755,917

Coeficientes Erro padrão Stat t valor-P 95% inferiores 95% superiores

Interseção -184,0779952 46,26198481 -3,97903367 0,001572999 -284,0209179 -84,13507253

PIB (Bilhões US$1992) 0,706408053 0,00782749 90,24707131 1,42044E-19 0,689497793 0,723318314

Modelo:

Y = 0+ 1X, 0< 1<1

Resultado:

Y = -184,08+ 0,706 X,

0,689 < 1< 0,723 (95%)

M = 1/(1-PMC) = 3,333

^

Multiplicador de renda (M):

M = 1/(1-PMC)

6

A Terceira Revolução Industrial:

A Revolução dos Serviços (1980 a ?):

• Microinformática

• Tecnologia da informação

• Softwares

• Telecomunicações

• Setor financeiro

• Grandes varejistas

• Educação e ensino

• Internet (década de 90)

7

Um dilúvio de dados:

Sistemas

de

Informação

Transações

Reclamações

Mensagens

(e-mails,…)

Call

Centers

CRM

Artigos

eletrônicos

Outros…

8

Fonte: FAYYAD, U., PIATETSKY-

SHAPIRO, G., SMYTH, P. From

data mining to knowledge

discovery: An overview. In:

Advances in Knowledge Discovery

and Data Mining, AAAI Press / The

MIT Press, MIT, Cambridge,

Massachusetts, 1996, p.1-34.

O processo de KDD:

9

Mineração de dados:

10

11

Objetivo: Transformar dados em conhecimento

Business Inteligence:

Dados Informação Conhecimento

BI

BA

Dados Informação Conhecimento Inteligência

Métodos Descritivos

Métodos

Preditivos

Métodos Prescritivos

13

Processo analítico: insolvência de empresas


-Análise de liquidez: capacidade de satisfazer suas obrigações de curto prazo. O índice selecionado foi o de liquidez corrente (LC)

-Análise de atividade/de eficiência: mede a eficiência da empresa na utilização dos seus ativos. Selecionou-se o giro do ativo total (GA).

-Análise de endividamento: indica o montante de recursos de terceiros que está sendo usado, na tentativa de gerar lucros. O índice selecionado foi o de endividamento geral (EG)

-Análise de lucratividade: para que o índice da análise de lucratividade fosse independente do da análise de endividamento, optou-se pela utilização do ROA AJIR.

Dados de balanço:

• Faturamento

• Ativo circulante

• Passivo circulante

• Ativo total

• Passivo de longo prazo

• LAJIR

Fonte: SCARPEL, R. A.; MILIONI, Armando Zeferino . Utilização conjunta de modelagem econométrica e otimização em decisões de concessão de crédito. Pesquisa

Operacional (Impresso), v. 22, n.1, p. 61-72, 2002.



0,596 0,425

0,430 0,576

14





ROA GA EG

15

1

jijX.j

e1

1

Zie1

1X.FZiFPi

j

ijj





10,99.ROAi3,69.EGi-3,31.GAi0,19-EXP1

1 Pi

Estatística do modelo

0,534

L(*) -19,314

Observações 60

Coeficientes Erro padrão Z valor-P

Interseção 0,190 1,163 0,16 0,87

GA 3,312 1,208 2,74 0,006

EG -3,687 1,688 -2,18 0,029

ROA AJIR 10,997 3,671 3,00 0,003

Método Preditivo: Regressão Logística

16





10,99.ROAi3,69.EGi-3,31.GAi0,19-EXP1

1 Pi

• EMPRESA: TECTOY S.A.

0,00

0,25

0,50

0,75

1,00

95 96 97 98

EXERCÍCIO

Pi

• SETORES: SERVIÇOS DE COMUNICAÇÃO

-Segmento muito favorecido dos anos de 1995, 1996 e 1997: esforço despendido pelo

governo federal valorização do seu patrimônio antes da sua privatização

-Final de 1995: reestruturação tarifária ( 62% na receita)

-1996: crescimento de 50% nos investimentos (expansão dos serviços:11,9%/100%)

-Nível de endividamento: permaneceu constante (participação dos recursos próprios

financiando a formação de capital das empresas do setor)

-1997: continuação do processo de reestruturação do setor

ÍNDICE

1995

1996

1997

GA

0,225

0,309

0,342

EG

0,238

0,246

0,238

ROA

0,021

0,082

0,107

Pi

0,573

0,769

0,835

17

di pi

Ii.CpdIi.Cdp Min

pi,VcIi.MPi

di,VcIi.MPi

10,99.ROAi3,69.EGi-3,31.GAi0,19-EXP1

1 Pi





em que:

Cdp é o custo de inadimplência (erro de classificação dp)

Cpd é o custo de oportunidade (erro classificação pd)

Pi é a probabilidade de insolvência prevista

Vc é o valor de corte para classificação

p é o conjunto de empresas solventes

d é o conjunto de empresas insolventes

I é uma variável binária (=0 se a classificação está correta e 1, caso contrário)

i = 12% ao mês

i = 12% ao ano

Método Prescritivo: Otimização da concessão de crédito

18

Custódia

Instituições Financeiras

Rede de Atendimento (ATM) Instituições

Financeiras

Custódia

Rede de

Atendimento

Processo analítico: reposição de numerário

Efetuar a previsão de demanda de numerário nos terminais de auto

atendimento (ATM): localização, dia-da-semana, eventos, …

Determinar níveis mínimos e máximos de estoque de numerário nos TA

Modelos Preditivos

(Conhecimento)

Efetuar o agendamento de viagens entre as custódias e os TA

Definir datas e quantias a serem entregues pelas Instituições Financeiras às

custódias

Modelos

Prescritivos

(Inteligência) 19

DW failure rates range between 50% and 70% and

range as high as 90% for the insurance industry

(Conning and Co. em 2002)

Alguns eventos (início dos anos 2000):

20

Fonte: https://www.gartner.com/newsroom/id/492112

1. Vodafone: The long arm of the law (CRM)

2. Washington community college system: When third parties flop

3. Woolworth's Australia: The death of institutional memory

4. Target Canada: Garbage in, garbage out

5. PG&E: When "sample" data isn't

6. Definitely not a sweet experience for Hershey´s

7. Just do it: Fix our supply chain system!

8. HP's "perfect storm" of ERP problems

9. A new type of freshman hazing

10. Waste Management trashes its "fake" ERP software

11. The curious case of Oracle Fusion Applications

12. Oracle, SAP and a little company named TomorrowNow

13. Shareholder pressure halts SAP ERP rollout

14. ERP + SaaS = Software success or bad idea?

15. A legendary "moon" on the high seas

Fonte: https://www.cio.com/article/2429865/enterprise-resource-planning/enterprise-resource-planning-10-famous-erp-disasters-dustups-and-disappointments.html

Alguns eventos (fracassos ERP):

Sistema de mensuração

do resultado econômico e

financeiro (SIREF)

No Brasil:

Alguns eventos (fracassos BI e BA):

(integração dos dados)

(qualidade dos dados)

(“propriedade” dos dados)

(cultural - carreira)

(grandes consultorias)

(mais do mesmo)

(incertezas nos resultados) 22

Analytics Data Science:

23

Fonte: https://obamawhitehouse.archives.gov/blog/2012/03/29/big-data-big-deal

Alguns eventos (Big Data Initiative):

24

Fonte: http://ritholtz.com/2016/09/162347/ 25

Perspectivas e desafios:

Dilúvio de dados Universo de dados

Fonte: http://www.infomoney.com.br/negocios/grandes-empresas/noticia/7468287/dona-das-casas-bahia-ponto-frio-reduz-numeros-executivos-reestrutura


26

30


1. Qualidade dos dados (dirty data) / data silos (integração)

2. Dados demais, estratégia de menos / Lack of a plan (roadmap) /

Focusing on Big Data rathar than the Right Data (mais do mesmo)

3. Acesso limitado aos dados / Fear and fiefdom

4. The Old School Mindset (“talent management”: acquisition, engagement,

development, performance management ) / The Big Bang Approach

(grandes concultorias) / Expecting Certainty

Fracassos dos projeto de BI e BA (anos 2000) – Questões já resolvidas?

OBRIGADO

Rodrigo A. Scarpel

[email protected]

http: www.mec.ita.br/~rodrigo

histÓrico e desafioscge/acervo/palestrarscarpeljul18.pdf8. hp's "perfect storm" of...

Documents