03 - A Ciência de Dados

1. Knime para Ciência de Dados

1.1. Porque o Knime?

1.1.1. todas as principais técnicas de ciência de dados e aprendizado de máquina baseados em programação visual.

1.1.2. software de código aberto

1.1.3. É gratuito

1.2. Plataforma

1.2.1. Low Code

1.2.1.1. NODEs

1.2.1.1.1. substitui uma ou mais linhas de script

1.2.1.2. Fluxo

1.2.1.2.1. substitui um script

1.2.1.3. Tudo Gráfico - Sem Codificação

1.2.1.4. arrastar e soltar

1.3. Aprendizado

1.3.1. muito fácil de usar

1.3.2. Pode ser usado por pessoas sem conhecimento em programação

1.3.3. liberando tempo e recursos preciosos para investigações mais importantes.

1.4. Comunidade

1.4.1. KNIME Hub

1.4.2. Compartilhar seus Fluxos

1.4.3. fazer o download de fluxos de outros usuários do KNIME

2. Prática Knime

2.1. Instalando o Knime

2.2. Explorando a ferramenta

2.3. Criando o primeiro fluxo

3. A Análise de Dados

3.1. O que é Análise de Dados?

3.1.1. "Os dados são o novo petróleo"

3.1.1.1. Os dados estão sendo usados para promover verdadeiras mudanças nos mais variados segmentos

3.1.1.2. Atualmente é impossível gerir uma empresa ou contribuir para a gestão sem algum tipo de análise de dados

3.1.1.3. Análise de dados é uma ferramenta poderosa para guiar estratégias

3.1.2. Conceito

3.1.2.1. Análise de dados é o processo de aplicação de técnicas estatísticas e lógicas para avaliar informações obtidas a partir de determinados processos.

3.1.2.2. Data Driven

3.1.2.2.1. Quando a empresa baseia a tomada de decisão e o planejamento estratégico na coleta e na análise de informações – e não em intuições ou simples experiências.

3.1.2.2.2. Vantagens

3.2. Benefícios da Análise de Dados

3.2.1. Antecipação de necessidades e trabalho proativo

3.2.1.1. Chega de trabalho reativo!

3.2.1.2. Com uma boa gestão e análise de dados, é possível trabalhar de forma preditiva

3.2.1.3. personalização e efetividade no atendimento

3.2.1.4. entender as particularidades de cada processo

3.2.2. Criação de estratégias de serviços e produtos mais efetivas

3.2.2.1. informações do mercado e a comparação entre resultados a nível global

3.2.2.2. identificação de tendências

3.2.2.3. impulsionar as estratégias

3.2.3. Redução de riscos

3.2.3.1. Risco é qualquer situação que pode afetar a capacidade de atingir objetivos.

3.2.3.2. Com a ajuda de dados eficientes e recursos de análise, as empresas conseguem projetar resultados e avaliar os riscos de investir em estratégias e ferramentas

3.2.4. Melhor experiência do cliente

3.2.4.1. Estratégias devem ser sempre focadas em atender às principais demandas dos clientes

3.2.4.2. A analise de dados cria uma base de conhecimento pautada na mensuração de resultados

3.2.4.3. Podemos então aplicar métricas e indicadores para acompanhar a evolução do serviço

3.2.4.4. E tambem consultar o desempenho de estratégias semelhantes aplicadas em contextos diversos

3.3. Tipos de Análise de Dados

3.3.1. Análise descritiva

3.3.1.1. O que aconteceu?

3.3.1.2. Análise de dados baseado em fatos

3.3.1.3. Feita a partir de resultados obtidos

3.3.1.4. Para guiar a construção de estratégias que orientam a condução do negócio

3.3.1.5. Exemplos

3.3.1.5.1. Relatórios

3.3.1.5.2. Segmentação e controle de clientes

3.3.1.5.3. Análises de negócio - BI

3.3.1.5.4. Aplicação de métricas

3.3.1.5.5. Avaliação de resultados

3.3.2. Análise diagnóstica

3.3.2.1. Por que isso aconteceu?

3.3.2.2. Concentrada em algo que já aconteceu.

3.3.2.2.1. Como a análise descritiva

3.3.2.3. Tem, como objetivo, encontrar relações de causa e efeito para destrinchar um acontecimento

3.3.2.3.1. analisar o impacto e alcance de uma ação tomada

3.3.2.4. Baseada em probabilidades

3.3.2.5. Um pouco menos difundida, mas nem por isso menos útil

3.3.2.6. Exemplos

3.3.2.6.1. testes A/B

3.3.2.6.2. testes de hipótese

3.3.2.6.3. método científico

3.3.3. Análise preditiva

3.3.3.1. O que acontecerá?

3.3.3.2. O mais popular dos tipos de análise de dados

3.3.3.3. Faz a previsão de cenários futuros com base na análise de padrões revelados pela base de dados

3.3.3.3.1. O objetivo da análise preditiva é determinar uma tendência, correlação, causa ou probabilidade

3.3.3.3.2. o que deve acontecer SE determinadas condições se cumprirem

3.3.3.4. Baseada em dados estatísticos e históricos

3.3.3.5. Exemplos

3.3.3.5.1. Detectar fraude

3.3.3.5.2. Otimizar campanhas de marketing

3.3.3.5.3. Melhorar operações

3.3.3.5.4. Reduzir o risco

3.3.4. Análise prescritiva

3.3.4.1. O que fazer quando acontecer?

3.3.4.2. É o próximo passo após os resultados da avaliação preditiva

3.3.4.2.1. uma prescrição é uma recomendação a algo potencialmente previsto

3.3.4.2.2. Serve para direcionando dos esforços para obter o melhor resultado a partir das possibilidades.

3.3.4.3. Constantemente mutável

3.3.4.4. Usa Inteligência Artificial

3.3.4.4.1. Machine Learning

3.3.4.4.2. Deep Learning

3.3.5. Resumo

3.3.5.1. O Bi tradicional normalmente utiliza somente as análises descritiva e diagnostica

3.3.5.2. Com a grande quantidade de dados sendo gerados

3.3.5.3. com a capacidade de processamento cada vez maior disponível

3.3.5.4. Os conceitos tradicionais foram expandidos

3.3.5.5. Isso deu origem a Ciência de Dados

4. Ciência de Dados

4.1. O que é a Ciência de Dados

4.1.1. “Decisões baseadas em emoções não são decisões. São instintos.”

4.1.2. Conceitos

4.1.2.1. A Ciência de Dados é o termo usado para definir a extração de insights de dados que são coletados de várias fontes.

4.1.2.1.1. Ciência de Dados é o processo para extrair informações valiosas a partir de dados

4.1.2.2. Ciência de Dados ajuda a analisar e interpretar grandes quantidades de dados.

4.1.2.3. Usando todas as técnicas e ferramentas disponíveis

4.1.3. A Ciência de dados é multidisciplinar.

4.1.3.1. Ferramentas e Métodos Automatizados

4.1.3.1.1. Computação

4.1.3.2. Analise de enormes quantidades de dados

4.1.3.2.1. Estatística

4.1.3.3. Extração de conhecimento

4.1.3.3.1. Negócio

4.1.4. A Ciência de dados é abrangente

4.1.4.1. A Ciência de Dados está ajudando a criar novos ramos da ciência e influenciando áreas das ciências sociais e humanas

4.1.4.2. A análise de dados estará presente em todas as áreas de conhecimento

4.1.5. Objetivos

4.1.5.1. extrair e interpretar os dados de forma eficaz e apresentá-los em uma linguagem simples e não técnica para os usuários finais e tomadores de decisão.

4.1.5.2. A palavra-chave em ciência de Dados, não é DADOS e sim CIÊNCIA.

4.2. Ciência de Dados e o BI - Business Intelligence.

4.2.1. BI e a ciência de dados tem muita coisa em comum

4.2.2. mas a sua abordagem, tecnologia e função diferem de diversas maneiras.

4.2.3. BI X Ciência de Dados

4.2.3.1. BI

4.2.3.1.1. O objetivo do BI é converter dados brutos em insights de negócio,

4.2.3.1.2. Que os líderes empresariais e gestores possam usar para tomar decisões.

4.2.3.2. Ciência de Dados

4.2.3.2.1. também converte dados brutos em insights de negócio

4.2.3.2.2. mas aplica

4.2.4. BI X IA

4.2.4.1. BI

4.2.4.1.1. Definição:

4.2.4.1.2. Foco:

4.2.4.1.3. Ferramentas Comuns:

4.2.4.1.4. Data Visualization:

4.2.4.1.5. Benefícios:

4.2.4.2. IA

4.2.4.2.1. Foco:.

4.2.4.2.2. Aplicações Amplas:

4.2.4.2.3. Modelos de Linguagem Grande (LLMs) e IA Generativa: