![\"Minera\u00e7\u00e3o](\"https:\/\/dhg1h5j42swfq.cloudfront.net\/2021\/05\/11111019\/image-255.png\")
Ol\u00e1, Estrategista. Tudo bem com voc\u00eas?<\/p>\n\n\n\n
A \u00e1rea policial<\/strong> est\u00e1 bombando nesse ano de 2021. S\u00e3o dezenas de concursos, com alguns oferecendo mais de 1000 vagas, como \u00e9 o caso do concurso da Pol\u00edcia Federal.<\/span><\/strong><\/p>\n\n\n\n A disciplina com o maior n\u00famero de quest\u00f5es para esse certame \u00e9 Tecnologia da Informa\u00e7\u00e3o<\/strong>. Desse modo, estamos trazendo neste artigo um estudo sobre a Minera\u00e7\u00e3o de Dados<\/span><\/strong>, tamb\u00e9m conhecida como Data Mining<\/span><\/strong>, t\u00f3pico bastante relevante para a prova da PF.<\/p>\n\n\n\n Assim, iremos abordar os seguintes t\u00f3picos neste artigo:<\/p>\n\n\n\n A Minera\u00e7\u00e3o de Dados,<\/strong> ou Data Mining<\/strong>, em ingl\u00eas, \u00e9 considerada como o processo de encontrar padr\u00f5es e correla\u00e7\u00f5es \u00fateis<\/span><\/strong> em uma grande quantidade de dados<\/strong>.<\/p>\n\n\n\n Atrav\u00e9s de t\u00e9cnicas de intelig\u00eancia artificial, aprendizado de m\u00e1quina, matem\u00e1tica, estat\u00edstica, entre outras, \u00e9 poss\u00edvel analisar grandes volumes de dados, de modo a prever resultados futuros<\/strong> por meio do descobrimento de padr\u00f5es<\/strong> anteriormente desconhecidos.<\/strong><\/p>\n\n\n\n Desse modo, \u00e9 poss\u00edvel que uma empresa possa melhorar seus resultados em decorr\u00eancia da utiliza\u00e7\u00e3o do Data Mining, por meio de corte de custos, aumento da lucratividade, melhora no relacionamento com os clientes, otimiza\u00e7\u00e3o de procedimentos, entre outras vantagens, <\/p>\n\n\n\n Muitos modelos <\/strong>foram desenvolvidos com o intuito de realizar uma minera\u00e7\u00e3o de dados bem sucedida, sendo que um dos principais \u00e9 o CRISP DM<\/span><\/strong> (Cross Industry Standard Process for Data Mining – Processo Padr\u00e3o Inter-Ind\u00fastrias para Minera\u00e7\u00e3o de Dados).<\/p>\n\n\n\n Esse \u00e9 um modelo n\u00e3o propriet\u00e1rio<\/span><\/span><\/strong>, o qual divide a minera\u00e7\u00e3o de dados em seis etapas<\/span><\/strong>:<\/p>\n\n\n\n Entendimento do Neg\u00f3cio<\/span><\/strong>: essa fase procura entender <\/strong>e compreender quais s\u00e3o os objetivos <\/strong>de neg\u00f3cio, bem como as necessidades <\/strong>e expectativas <\/strong>que a empresa est\u00e1 procurando alcan\u00e7ar atrav\u00e9s da minera\u00e7\u00e3o de dados. Com essas informa\u00e7\u00f5es em m\u00e3os, a prepara\u00e7\u00e3o \u00e9 iniciada, especificando os respons\u00e1veis pelas coletas e an\u00e1lises dos dados, definindo o or\u00e7amento a ser utilizado, entre outras a\u00e7\u00f5es para iniciar a busca pelo conhecimento.<\/p>\n\n\n\n Entendimento de Dados:<\/span><\/strong> a partir desse momento, os dados brutos <\/strong>come\u00e7am a ser identificados, atrav\u00e9s da coleta inicial,<\/strong> entendendo os pontos fortes e fracos, bem como as limita\u00e7\u00f5es do conjunto de dados, analisando a qualidade <\/strong>e o volume <\/strong>das informa\u00e7\u00f5es que foram coletadas, etc.<\/p>\n\n\n\n Prepara\u00e7\u00e3o dos Dados: <\/span><\/strong>essa fase tamb\u00e9m \u00e9 chamada de pr\u00e9-processamento<\/span><\/strong>, pois os dados <\/strong>brutos identificados na etapa antecedente come\u00e7am a ser selecionados <\/strong>para a an\u00e1lise final, de modo a definir como eles ser\u00e3o utilizados para realizar a modelagem em si. \u00c9 realizada a limpeza <\/strong>dos dados, retirando algumas inconsist\u00eancias; s\u00e3o definidos os formatos <\/strong>e outras quest\u00f5es t\u00e9cnicas para a an\u00e1lise; h\u00e1 a inclus\u00e3o de novas ferramentas<\/strong> de modelagem, entre outras a\u00e7\u00f5es. Essa fase \u00e9 a que consome a maior parte do tempo <\/strong>do modelo CRISP DM.<\/p>\n\n\n\n Modelagem<\/span><\/strong>: com os dados a serem analisados totalmente prontos, s\u00e3o aplicadas as t\u00e9cnicas<\/strong> espec\u00edficas de Data Mining, de acordo com os objetivos tra\u00e7ados na primeira fase. Diferentes t\u00e9cnicas podem ser utilizadas, a depender das necessidades estabelecidas, como a t\u00e9cnica de associa\u00e7\u00e3o, agrupamento, classifica\u00e7\u00e3o, entre outras.<\/p>\n\n\n\n Avalia\u00e7\u00e3o<\/span><\/strong>: esta fase \u00e9 muito importante, pois ela avalia <\/strong>se os resultados gerados na modelagem realizada na etapa anterior condizem com as expectativas <\/strong>e com os objetivos <\/strong>tra\u00e7ados pela empresa na primeira etapa. Assim, como resultado desta fase, \u00e9 decidido se o modelo est\u00e1 pronto para ser implementado ou se novas mudan\u00e7as s\u00e3o necess\u00e1rias, podendo haver a revis\u00e3o de etapas anteriores.<\/p>\n\n\n\n Implanta\u00e7\u00e3o<\/span><\/strong>: ap\u00f3s a finaliza\u00e7\u00e3o das etapas anteriores, \u00e9 realizada a apresenta\u00e7\u00e3o <\/strong>do modelo pronto ao cliente, atrav\u00e9s de relat\u00f3rios de resultados, por exemplo. Desse modo, o cliente j\u00e1 poder\u00e1 iniciar a sua utiliza\u00e7\u00e3o, na pr\u00e1tica, de todo o trabalho que foi realizado, com o intuito de alcan\u00e7ar os seus objetivos negociais. <\/p>\n\n\n\n Esse \u00e9 o principal tema<\/strong> da Minera\u00e7\u00e3o de Dados, sendo muito importante para a prova da PF. Estas t\u00e9cnicas<\/span><\/strong> s\u00e3o as a\u00e7\u00f5es utilizadas para encontrar os padr\u00f5es<\/strong> em um grande volume de dados. Estes padr\u00f5es podem ser explicativos<\/strong>, de modo a descrever as rela\u00e7\u00f5es entre segmentos de dados, ou preditivos<\/strong>, os quais podem prever valores futuros baseados em dados anteriores.<\/p>\n\n\n\n Iremos tratar neste artigo as tr\u00eas principais t\u00e9cnicas mais cobradas em concursos: classifica\u00e7\u00e3o, agrupamento (ou clusteriza\u00e7\u00e3o) e associa\u00e7\u00e3o.<\/strong><\/p>\n\n\n\n Tamb\u00e9m chamada de Aprendizado Supervisionado<\/span><\/strong>, esta t\u00e9cnica \u00e9 utilizada para realizar a predi\u00e7\u00e3o <\/strong>de informa\u00e7\u00f5es com base em um conjunto de classes pr\u00e9-definidas<\/span><\/strong>. Em outras palavras, a classifica\u00e7\u00e3o utiliza dados hist\u00f3ricos e classes previamente definidas para descobrir um modelo que possa prever como ser\u00e1 o comportamento dessas classes posteriormente.<\/p>\n\n\n\n Vamos exemplificar. Uma empresa de vendas pode utilizar o hist\u00f3rico de pagamentos que ela possui dos seus clientes para classific\u00e1-los em grupos de adimpl\u00eancia e inadimpl\u00eancia<\/strong>, definindo quais s\u00e3o considerados maus e bons pagadores.<\/strong><\/p>\n\n\n\n O agrupamento, tamb\u00e9m chamado de clusteriza\u00e7\u00e3o<\/span><\/strong> ou an\u00e1lise de clusters<\/strong>, \u00e9 uma t\u00e9cnica de Data Mining utilizada para classificar elementos e eventos em determinadas classes, chamadas de clusters. Desse modo, ao analisar essas classes, padr\u00f5es \u00fateis de conhecimento podem ser descobertos.<\/p>\n\n\n\n Os elementos dentro de cada classe s\u00e3o semelhantes entre si, por\u00e9m, s\u00e3o diferentes quando comparados a itens de outras classes.<\/p>\n\n\n\n Um ponto que o diferencia da \u201cClassifica\u00e7\u00e3o\u201d \u00e9 que as classes do “Agrupamento” n\u00e3o s\u00e3o pr\u00e9-definidas<\/span><\/strong>. Por exemplo, em um hospital, os pacientes de Covid-19 podem ser divididos de acordo com os sintomas apresentados n\u00e3o definidos previamente. Assim, podem ser encontrados padr\u00f5es similares entre os integrantes de uma mesma classe de sintomas.<\/p>\n\n\n\n PARA FIXAR:<\/span><\/strong><\/p>\n\n\n\n Classifica\u00e7\u00e3o<\/span><\/strong>: utiliza classes definidas<\/span><\/strong>.<\/p>\n\n\n\n Agrupamento<\/span><\/strong>: utiliza classes n\u00e3o definidas<\/span><\/strong>.<\/p>\n\n\n\n Por fim, analisaremos a \u00faltima t\u00e9cnica de minera\u00e7\u00e3o de dados deste artigo para o concurso da PF, a associa\u00e7\u00e3o.<\/p>\n\n\n\n A associa\u00e7\u00e3o utiliza algumas regras <\/strong>para desvendar relacionamentos entre vari\u00e1veis, <\/strong>inclusive em situa\u00e7\u00f5es em que elas, aparentemente, n\u00e3o possuem nenhuma rela\u00e7\u00e3o. Esta t\u00e9cnica \u00e9 muito utilizada em ambientes de vendas<\/strong>, de modo a descobrir os h\u00e1bitos de consumo dos diferentes segmentos de clientes, bem como identificar rela\u00e7\u00f5es entre a comercializa\u00e7\u00e3o de diferentes produtos, com o intuito de maximizar as negocia\u00e7\u00f5es das suas mercadorias. Por este motivo, esse modelo tamb\u00e9m \u00e9 chamado de An\u00e1lise de Cesta de Compras<\/span><\/strong>.<\/p>\n\n\n\n Por exemplo, j\u00e1 foi identificado uma inusitada rela\u00e7\u00e3o entre as vendas de atum e pasta de dente. Isso acontece pois quando as pessoas comem atum, eles possuem uma tend\u00eancia maior em escovar os dentes logo ap\u00f3s a refei\u00e7\u00e3o.<\/p>\n\n\n\n A an\u00e1lise tamb\u00e9m pode ser realizada entre produtos mais \u00f3bvios, em que os clientes que procuram por macarr\u00e3o muito provavelmente ir\u00e3o tamb\u00e9m comprar molho de tomate ou creme de leite e batata palha.<\/p>\n\n\n\n Duas medidas<\/strong> muito utilizadas na descoberta desses padr\u00f5es s\u00e3o o Suporte e a Confian\u00e7a.<\/strong><\/p>\n\n\n\n O suporte <\/span><\/strong>\u00e9 a fra\u00e7\u00e3o das transa\u00e7\u00f5es totais que cont\u00e9m os itens analisados. Ou seja, caso sejam dois elementos analisados, ser\u00e1 a porcentagem de transa\u00e7\u00f5es que inclui tanto A quanto B.<\/strong><\/p>\n\n\n\n A confian\u00e7a <\/span><\/strong>\u00e9 a porcentagem de rela\u00e7\u00e3o entre os itens analisados. Ou seja, \u00e9 a frequ\u00eancia em que o item A aparece nas transa\u00e7\u00f5es que cont\u00eam B.<\/strong><\/p>\n\n\n\n Vamos ilustrar.<\/p>\n\n\n\n Suponha-se que sejam realizadas as seguintes compras abaixo por 10 clientes: <\/p>\n\n\n\n \u00c9 a porcentagem das compras que possuem hamb\u00farguer e p\u00e3o, simultaneamente.<\/p>\n\n\n\n Nesse caso, s\u00e3o apenas 3 compras (1, 8 e 9). Como temos um total de 10 compras, ent\u00e3o o suporte \u00e9 de 3\/10 = 30%<\/strong>.<\/p>\n\n\n\n \u00c9 a frequ\u00eancia que aparece o p\u00e3o nas compras em que est\u00e3o presentes o hamb\u00farguer.<\/p>\n\n\n\n A quantidade de compras em que o hamb\u00farguer est\u00e1 presente \u00e9 6 (1, 2, 5, 8, 9 e 10). Dessas 6 compras, aparece o p\u00e3o apenas em 3 (1, 8 e 9). Assim, a confian\u00e7a \u00e9 de 3\/6 = 50%<\/strong>.<\/p>\n\n\n\n Desse modo, essa descoberta de padr\u00f5es de associa\u00e7\u00e3o pode ser utilizada para tomadas de decis\u00f5es gerenciais.<\/p>\n\n\n\n Pessoal, chegamos ao fim deste estudo sobre a Minera\u00e7\u00e3o de Dados (Data Mining) da disciplina de Tecnologia da Informa\u00e7\u00e3o, para o concurso da Pol\u00edcia Federal (PF).<\/p>\n\n\n\n Procuramos realizar um resumo <\/strong>sobre as principais informa\u00e7\u00f5es <\/strong>deste t\u00f3pico, as quais possuem boas chances de serem cobradas na sua prova.<\/p>\n\n\n\n Veja este outro artigo O que priorizar nos seus estudos na reta final para a PF<\/a>. Ele \u00e9 uma importante an\u00e1lise sobre quais t\u00f3picos podem ser priorizados nesta reta final de estudos, mas sem deixar as demais de lado.<\/p>\n\n\n\n De modo a potencializar <\/strong>os seus estudos nesta reta final para o concurso da PF, com o material mais completo e com os melhores professores do mercado<\/strong>, acesse o site do Estrat\u00e9gia Concursos<\/strong> e confira os nossos cursos completos para a Pol\u00edcia Federal<\/a>.<\/p>\n\n\n\n Bons estudos e at\u00e9 a pr\u00f3xima!<\/p>\n\n\n\n Assinatura Anual Ilimitada*<\/strong><\/em><\/p>\n\n\n\n Prepare-se com o melhor material e com quem mais aprova em Concursos P\u00fablicos em todo o pa\u00eds. Assine agora a nossa Assinatura Anual e tenha acesso ilimitado* a todos os nossos cursos.<\/em><\/p>\n\n\n\n ASSINE AGORA<\/strong> \u2013 Assinatura Ilimitada<\/a><\/strong><\/p>\n\n\n\n Sistema de Quest\u00f5es<\/strong><\/em><\/strong><\/p>\n\n\n\n Estrat\u00e9gia Quest\u00f5es nasceu maior do que todos os concorrentes, com mais quest\u00f5es cadastradas e mais solu\u00e7\u00f5es por professores. Ent\u00e3o, confira e aproveite os descontos e b\u00f4nus imperd\u00edveis!<\/em><\/p>\n\n\n\n ASSINE AGORA \u2013 Sistema de Quest\u00f5es<\/a><\/strong><\/p>\n\n\n\n Fique por dentro dos concursos em aberto<\/em><\/strong><\/p>\n\n\n\nConceitos Iniciais<\/h2>\n\n\n\n
Modelo CRISP DM<\/h2>\n\n\n\n
T\u00e9cnicas de Data Mining<\/h2>\n\n\n\n
Classifica\u00e7\u00e3o<\/h3>\n\n\n\n
Agrupamento<\/h3>\n\n\n\n
Associa\u00e7\u00e3o<\/h3>\n\n\n\n
![\"Suporte](\"https:\/\/dhg1h5j42swfq.cloudfront.net\/2021\/05\/11110820\/image-253.png\")
Finalizando<\/h2>\n\n\n\n