Agregando valor ao negócio com Data Mining: uma ferramenta de apoio a decisão

Transcrição

1 Agregando valor ao negócio com Data Mining: uma ferramenta de apoio a decisão Adding value to the business with Data Mining: a tool to support the Decision Sandra Santos Leodoro 1 Victor Felipe Martins Catulino 2 Rodrigo Vitorino Moravia 3 Fabrício Pires Vasconcellos 4 Resumo: As organizações vêm adotando ferramentas que auxiliem na tomada de decisão. O Data Mining pode ser uma dessas ferramentas, pois tem como objetivo descobrir informações que agregam valor ao negócio, buscando em massa de dados padrões que levam a descoberta de conhecimento, gerando insumos aos gestores, resultando em minimização de desperdício, obtenção de lucro e base para tomada de decisão. Este artigo tem como objetivo demonstrar o uso do Data Mining como uma ferramenta estratégica de descoberta de informações que agregam valor ao negócio, apresentando assim o processo de mineração, o funcionamento do algoritmo árvore de decisão, e exemplos de empresas que aplicaram o Data Mining e os resultados obtidos. Palavras-chave: Mineração de dados. Descoberta do Conhecimento. Árvore de decisão. Algoritmos. Abstract: Organizations are adopting tools that assist in decision making. Data mining can be one of these tools, it aims to discover information that adds value to the business, seeking mass data patterns that lead to knowledge discovery, generating inputs to managers, resulting in minimization of waste, making a profit and base for decision making. This article aims to demonstrate the use of data mining as a strategic tool for discovering information that add value to the business, thus presenting the mining process, the operation of the decision tree algorithm, and examples of companies that have implemented the Data Mining and the obtained results. Keywords: Data mining. Discovery Knowledge. Decision tree. Algorithms. 1 Graduanda do curso Bacharelado em Sistemas de Informação pela Faculdade Infórium de Tecnologia. santleodoro@gmail.com. 2 Graduando do curso Bacharelado em Sistemas de Informação pela Faculdade Infórium de Tecnologia. Lipelino829@gmail.com. 3 Especialista em Gestão da Informação pelo Instituto de Educação Continuada da Pontifícia Universidade Católica de Minas Gerais. Professor da Faculdade Infórium de Tecnologia. rodrigo.moravia@gmail.com. 4 Professor da Faculdade Infórium de Tecnologia. Mestre em Sistemas de Informação e Gestão do conhecimento fabriciopv@gmail.com

2 1 INTRODUÇÃO Este artigo tem como tema a utilização do Data Mining (DM) como uma ferramenta de apoio à tomada de decisão. Assim, delimitou-se este trabalho a uma análise do DM, para demonstrar as fases, eficiência, os benefícios da ferramenta, na geração de informações úteis que agregam valor ao negócio gerando insumos de apoio à tomada de decisão. O objetivo geral é apresentar a mineração de dados na descoberta de conhecimento e o resultado que essa ferramenta pode trazer. São objetivos específicos identificar as fases de processamento; demonstrar as técnicas do DM; expor alguns resultados do uso da tecnologia. No contexto deste objetivo busca-se responder se: os dados armazenados em um banco de dados interferem na tomada de decisão da gestão e na estratégia da organização? Justifica-se esta pesquisa tendo em vista que é possível através do resultado do processo DM obter informações que podem ser usadas como base para a tomada de decisão. (CARDOSO, 2008) Quanto a metodologia trata-se de uma pesquisa do tipo exploratória baseada na técnica de análise bibliográfica, onde buscou-se reunir uma base teórica para explicitar o objeto de pesquisa. 2 ABORDAGEM TEÓRICA SOBRE O DATA MINING Para se manterem competitivas no mercado, as organizações precisam ter acesso às informações, geralmente "escondidas" entre os dados de seus sistemas, bem como ter meios de utilizá-las no processo de tomada de decisões (MARTINHAGO, 2005, p.9). Para tanto necessitam de técnicas e ferramentas de análise de dados automatizadas.

3 Neste contexto, segundo Elmasri e Navathe (2005), há a descoberta de conhecimento em bancos de dados chamada de Knowledge Discovery in Databases, abreviada de KDD, é um processo que se fundamenta em 3 áreas:

4 I - Data Warehouse (DW): oferece os dados com a visão histórica adequada tanto à extração de conhecimento quanto à apresentação de resultados. II - Data Mining (DM): agrupa os dados, otimiza classificações, estimativas e previsões, faz associações e extrai o conhecimento implícito nos dados (regras do negócio). III - On-Line Analytical Processing (OLAP) / Mining (OLAM): Ambientes de consulta que apresentam os resultados tanto das consultas diretas ao DW quanto das respostas da mineração dos dados contidos no mesmo. Ainda sobre o KDD, ele possui fases que devem ser executas para que resulte na descoberta do conhecimento e podem ser compreendidas como: a) Seleção: Neto (2012), descreve como sendo também chamada de amostragem de dados, uma etapa de agrupamento dos dados, que define quais serão os dados a serem minerados, os quais podem ser selecionados de diversas fontes como: banco de dados relacional, arquivos de textos legados, dentro outros; b) Pré-processamento: o momento que os dados passam por uma adequação. Neto (2 012), apresenta como sendo o momento onde os dados são organizados, as inconsistências são tratadas e ao final do processo devem possuir o formato correto e não apresentar duplicidade, entre outras características; c) Transformação: é a etapa de armazenamento dos dados, de forma a facilitar o uso das técnicas de DM. Esta fase transforma dados brutos em dados transformados para a aplicação da técnica inteligente e depende de algoritmos utilizados na fase de DM (NETO, 2012); d) Mineração de Dados DM: é a fase que Neto (2012) declara ser conhecida como algoritmo de aprendizagem. É a principal atividade do conhecimento aplicando, para este fim, técnicas inteligentes de extração do conhecimento. Nesta fase são aplicados algoritmos mineradores, como por exemplo: redes neurais, árvores de decisão, análise de clustering, dentre outros;

5 e) Avaliação: descrita por Neto (2012) como sendo a fase de interpretação e avaliação. Consiste em interpretar os dados gerados e verificar se possuem alguma validade para o problema proposto, pois nessa fase são validados todos os resultados obtidos na mineração. A figura 1 demonstra essas fases e como elas se integram. Figura 1 - Fases do processo KDD (Fonte: Fayyad et al., 1996a) Fonte: Adaptado de: Fayyad et al., 1996 Este artigo tem foco na etapa II do KDD, o DM. quadro 1 apresenta a definição de DM sob a visão de alguns autores. Mas antes de tudo no Quadro 1 - Definições de Data Mining. Autor: Elmasri e Navathe, (2005, p.624) Martinhago (2005, p.45) Definição: Como o nome indica, data mining se refere à mineração ou a descoberta de novas informações em função de padrões ou regras em grandes quantidades de dados. Para ser útil, na prática, a data mining precisa ser realizada eficientemente em grandes arquivos e bancos de dados. Atualmente ela não possui uma boa integração com os sistemas gerenciadores de bancos de dados. [...]considerada como o núcleo do processo de descoberta de conhecimento em banco de dados, consiste na efetiva aplicação da técnica de Mineração de Dados através do algoritmo

6 Jorge, (2007, p.8) Cardoso (2008, p.497) Gonçalves (2011, p.4) Neto, (2012, p.11) Viana (2013, p.45) Fonte: elaboração do autor escolhido sobre os dados a serem analisados com o objetivo de localizar padrões. Procura de padrões úteis em grandes quantidades de dados Data mining, ou mineração de dados, é uma técnica que faz parte de uma das etapas da descoberta de conhecimento em banco de dados. Ela é capaz de revelar, automaticamente, o conhecimento que está implícito em grandes quantidades de informações armazenadas nos bancos de dados de uma organização. Essa técnica pode fazer, entre outras, uma análise antecipada dos eventos, possibilitando prever tendências e comportamentos futuros, permitindo aos gestores a tomada de decisões baseada em fatos e não em suposições. Processo realizado através de estratégias automatizadas que tem por objetivo a descoberta de conhecimento valioso em grandes bases de dados. Também conhecido como algoritmo de aprendizagem, esta fase aplica a técnica inteligente para extração do conhecimento. Na fase seguinte, é aplicado o algoritmo minerador, como por exemplo: redes neurais, árvores de decisão, análise de clustering, dentre outros Data mining, ou mineração de dados trata-se do processo de análise de dados utilizando se de técnicas para exploração, de forma a descobrir novos padrões e relações interessantes podendo representar informações de grande relevância. Devido ao grande montante de dados esses padrões dificilmente seriam descobertos com métodos mais tradicionais como consultas a base de dados ou relatórios.

7 Conforme Neto (2012), é possível extrair informações relevantes como padrões, associações, mudanças, anomalias e estruturas em grande quantidade de dados armazenados em banco de dados, depósito de dados ou outros repositórios de informação. A figura 2 é uma abstração para exemplificar que é possível transformar massas de dados em informações valiosas. Figura 2 - Um pequeno diamante de informação é extraído a partir de uma verdadeira montanha de dados! DADOS DADOS DADOS DADOS DADOS Fonte: Adaptado de: Gonçalves e Corrêa, 2011 Sob a perspectiva de Faria (2014), explicita-se alguns termos utilizados na seguinte citação Extração de conhecimento em Base de Dados é o processo de identificação de padrões válidos, novos, potencialmente úteis e compreensíveis embutidos nos dados. (REZENDE, 2003, p.309): a) Dados: um repositório de dados do domínio da aplicação alvo que serão analisados; b) Padrões: denotam alguma abstração de um subconjunto dos dados em alguma linguagem descritiva de conceitos; c) Processo: uma atividade que envolve diversas etapas; d) Válidos: padrões descobertos que devem possuir algum grau de certeza (validade); e) Novos: padrões encontrados que devem fornecer novidades sobre os dados. f) Úteis: padrões descobertos devem ser utilizáveis e compreensíveis, onde os usuários devem entender os padrões descobertos e poder analisá-los mais a fundo; g) Conhecimento: relacionado a medidas de utilidade, originalidade e compreensão do domínio aplicado (resultado final).

8 Antes de gerenciar o conhecimento, é necessário entender o que são dados, informações e conhecimento. Cardoso e Machado (2008), conceituam esses termos conforme descrito abaixo: Dados são fatos, imagens ou sons que podem ou não ser úteis ou pertinentes para uma atividade particular. São abstrações formais quantificadas, que podem ser armazenadas e processadas por computador. Informações são dados contextualizados, com forma e conteúdo apropriados para um uso particular. São abstrações informais (não podem ser formalizadas segundo uma teoria matemática ou lógica) que representam, por meio de palavras, sons ou imagens, algum significado para alguém. Conhecimento é uma combinação de instintos, ideias, informações, regras e procedimentos que guiam ações e decisões; tem embutido em si valores como sabedoria e insights. É a inteligência obtida pela experiência. Como exemplo, pode-se citar a experiência que um funcionário possui por ter trabalhado em determinadas atividades numa organização por muito tempo. (CARDOSO e MACHADO, 2008, p.5). DM tem como objetivo, através de mineração de dados processados gerar informações úteis que forneçam insumos para a tomada de decisão da gestão, agregando assim conhecimento a organização. 3 TÉCNICAS DE MINERAÇÃO DE DADOS E ALGORITMOS DA FASE Conforme Guimarães (2010), dados brutos são inúteis e se faz necessário a utilização de técnicas que extraiam informações desses dados. A mineração de dados baseia-se na utilização de algoritmos capazes de vasculhar grandes bases de dados de modo eficiente e revelar padrões interessantes, escondidos dentro da montanha de dados. (GONÇALVES, 2011, p.5) Mendes (2011), apresenta dois modelos aplicados em DM, os quais são utilizados para extração de conhecimento: a) O modelo preditivo: que são métodos capazes de prever valores futuros ou desconhecidos por meio de algumas variáveis, antecipar o

9 comportamento ou valor futuro baseado no conhecimento passado. Métodos do modelo preditivo: classificação, regressão e detecção de desvios. b) O modelo descritivo: são métodos capazes de descobrir padrões interpretáveis que descrevam conjuntos de dados, para encontrar um padrão que consiga explicar os resultados e os valores obtidos. Métodos do modelo descritivo: agrupamento ou clustering, descoberta de regras de associação, descoberta de padrões sequenciais. Muniz (2008) faz uma breve descrição sobre as técnicas que são aplicadas aos métodos e modelos aplicados ao DM: a) Previsão: é um determinado item e um respectivo modelo. É a capacidade de deduzir um valor para um atributo específico do item; b) Regressão: um conjunto de itens; é a análise da dependência entre os valores de atributos e, automaticamente, produzir um modelo que possa prever valores de atributos para novos itens; c) Classificação: é um conjunto de classes pré-definidas, podem determinar qual classe um novo item pertence; d) Agrupamento: um conjunto de itens que determina um conjunto de classes, nos quais os itens são agrupados de acordo com suas características; e) Associação: um conjunto de itens e a identificação dos relacionamentos existentes entre os atributos destes itens. Existem regras na mineração, descritas conforme Muniz (2008), são elas: a) Regras de associação: técnicas que estabelecem uma correlação estatística entre certos itens de dados em um conjunto de dados. Um exemplo dessa regra pode ser que 90% dos consumidores de chocolate, também consomem pílulas de emagrecimento. Esse percentual, 90%, é chamado de confiança da regra, chocolate => pílulas é o número de ocorrências deste conjunto de itens na mesma

10 transação. Alguns algoritmos que utilizam esta técnica são: Apriori 5, AprioriTid 6, entre outros. b) Raciocínio baseado em memória: segundo Muniz (2008), esse é um algoritmo que usa experiência passada, acumulando casos e tentando descobrir por analogia soluções para outros problemas. Os principais algoritmos representantes dessa técnica são: BIRCH 7, CLARANS 8, CLIQUE 9 e K-MEANS 10. c) Algoritmos genéticos: definido por Muniz (2008) como sendo algoritmos que incorporam uma solução potencial para um problema específico, numa estrutura semelhante a de um cromossomo, e aplicam operadores de seleção e cross-over a essas estruturas, de forma a preservar informações críticas relativas à solução do problema. d) Redes neurais: Muniz (2008) afirma ser uma classe especial de sistemas modelados análogos ao funcionamento do cérebro humano, formadas de neurônios artificiais conectados de maneira similar aos neurônios do cérebro humano. e) Árvores de Decisão: são representações gráficas conforme Muniz (2008), onde os nós representam amostras e as folhas representam categorias. 4 ÁRVORE DE DECISÃO Um dos objetivos desse artigo é demonstrar as técnicas do DM, foi escolhido então o algoritmo de árvore de decisão, que Muniz (2008), declara ser um dos modelos mais utilizados. Segundo Amorim (2006), árvore de decisão representa um tipo de algoritmo de aprendizado de máquina que utiliza uma abordagem dividirpara-conquistar, ou seja, representar resultados de mineração de dados em forma de área, parecido com uma árvore. 5 Algoritmo que busca por itens frequentes em banco de dados que ocorrem simultaneamente em transações de banco de dados. 6 Algoritmo similar ao Apriori mas com a diferença que acessa a base de dados uma única vez. 7 BIRCH - Balanced Iterative Reducing and Clustering Using Hierarchies: Algoritmo de análise de agrupamento. 8 CLARANS - Clustering Large Applications based on RANdomized Search: algoritmo baseado em busca de grafo. 9 CLIQUE - Clustering In Quest: baseado em grade e em densidade, particiona o conjunto de dados em subespaços (grade de células) para encontrar agrupamentos suficientemente densos.

11 10 K-MEANS ou K-Médias: Algoritmo de técnica iterativa para particionar um conjunto de dados em grupos separados, onde o valor K deve ser pré-determinado.

12 Conforme Muniz (2 008), uma árvore de decisão designa uma classe numérica (ou saída) para uma entrada padrão, filtrando-se a amostra através dos testes na árvore. Cada teste possui reciprocamente resultados exclusivos e exaustivos. Pichiliani (2006) descreve quatro passos básicos do funcionamento da árvore de decisão: Passo 1) Geração do nó raiz: cada classe do conjunto de treinamento possui sua probabilidade calculada, criar um nó raiz contendo as probabilidades de cada classe, já que ainda não há nenhum nó criado. Passo 2) Encontrar nós a serem divididos: nesse passo é necessário encontrar nós da árvore que ainda podem ser divididos para a geração de novos nós. Basta obter nós que não são folhas, ou seja, nós que ainda não possuem divisões, cuja distribuição das probabilidades não classifique a amostra totalmente. Classificar a amostra totalmente quer dizer que o nó não deve possuir alguma classe que tenha 100% de probabilidade de classificar a amostra no seu nó. Se não houver mais nenhum nó que possa ser dividido o algoritmo termina. Passo 3) Divisão do nó: para cada nó do conjunto de nós que podem ser divididos deve-se escolher um atributo que melhor classifica os dados. Esta escolha deve excluir todos os atributos que ainda não foram utilizados no caminho que começa deste nó raiz até o nó a ser dividido. Além de considerar os atributos que já foram utilizados, também deve-se analisar a quantidade de nós não folhas escolhendo o atributo que mais gera nós folha e que menos gera nós que podem ser divididos. Em alguns casos, o nó não pode ser dividido devido às restrições, o que faz com que este nó não seja armazenado no conjunto de nós a serem divididos. Passo 4) Criação do nó: Com o atributo escolhido, basta criar e desenhar o nó e as suas ramificações de acordo com todos os possíveis valores de atributo. A criação de ramificações gera novos nos que devem ser analisados em seguida. O algoritmo volta então ao passo 2. Algoritmos conhecidos do tipo árvore de decisão, conforme Muniz (2008), são: CART 11, CHAID 12, C5.0 13, ID3 14, entre outros. 11 CART - Classification and Regression Trees: algoritmo de indução de árvore de decisão. 12 CHAID - Chi- Squared Automatic Detection: método estatístico para segmentação, ou crescimento de uma Árvore.

13 13 Algoritmo utilizado para resolver tarefa de classificação em mineração de dados. 14 ID3 - Iterative Dichotomizer 3: processo de indução de árvore de decisão, recursivo.

14 O exemplo de algoritmo de árvore de decisão que se apresenta nesta seção foi extraído de Pichiliani 15 (2006), adaptado com o intuito demonstrar os resultados da mineração dessa técnica e expor como é gerado o conhecimento através do DM. No exemplo de Pichialini (2006), tem-se como análise um sistema de contas a receber de um clube esportivo que envia para o banco no início de cada mês um boleto contendo a mensalidade do clube a ser paga pelos associados. O banco então envia pelo correio a fatura para os clientes e espera os recebimentos. No final do mês, o banco retorna para o sistema do clube quais clientes pagaram o boleto, quais não pagaram e quais clientes pagaram com o atraso, dentre outras informações. Com o objetivo de diminuir a quantidade de clientes que pagam o boleto com atraso, foi feita uma mineração de dados na base de associados para identificar o perfil de quem paga com atraso o boleto. Um pré-processamento dos dados separou as informações dos clientes em alguns atributos, sendo essa a fase de seleção dos dados, que podem ser visualizados na tabela da figura 3. Para este exemplo, 14 registros foram utilizados. Figura 3 Dados dos associados de um clube esportivo. Pichialini (2006) Fonte: Pichiliani, 2006

15 15 Teve-se Pichialini como referência para expor o algoritmo de árvore de decisão tendo-se em vista a simplicidade com que o autor descreveu o funcionamento dessa técnica, facilitando a compreensão do funcionamento da mesma.

16 forma: As colunas apresentadas na tabela da figura 3 são descritas da seguinte a) Idade: atributo que identifica a idade do associado, com indicação da faixa de idade; b) Salário: atributo que identifica o salário do associado, classificado em Alto, Médio e Baixo; c) Superior completo: atributo que indica se o associado possui ensino superior ou não. Descrito pelos valores Sim e Não. d) Dependentes: atributo que indica se o associado possui dependentes que utilizam o clube com a sua carteirinha. Possui os valores Sim e Não. e) Atrasou: apresenta se o cliente atrasou no pagamento, descrito também pelos valores sim e não. Para facilitar a visualização do conjunto de cliente que atrasaram o pagamento foram marcados em vermelho e os clientes que não atrasaram foram marcados em azul. Para facilitar a explicação, Pichialini (2006) utilizou o software Decision Tree Learning Applet, onde geraram as figuras presentes neste artigo. Como o algoritmo é bem extenso somente os cálculos do primeiro nível da árvore serão apresentados. O primeiro passo é gerar o nó raiz da árvore. Primeiro deve-se calcular a probabilidade para cada um dos valores do atributo de classificação, que no exemplo é o atributo atrasou. As probabilidades do nó raiz são: Probabilidade de atrasou=não: 5/14 = 0,36 e Probabilidade de atrasou=sim: 9/14 = 0,64. O nó raiz da árvore se apresenta conforme figura 4.

17 Figura 4 - Nó raiz da árvore de decisão Pichialini (2006) Fonte: Pichiliani, 2006 Os valores são seguidos da contagem para este nó e da sua probabilidade, que é apresentada numericamente e por uma barra. Este nó ainda não tem um atributo e por isso é um nó que pode ser dividido. O próximo passo é escolher atributos para os nós que podem ser divididos. Como só há nó será analisado todos os atributos para verificar aquele que melhor classifica os dados. Para o atributo idade: a) Valor <=30, probabilidade de atrasou=não: 3/14 = 0,214 e probabilidade de atrasou=sim: 2/14 = 0,143; b) Valor , probabilidade de atrasou=não: 0/14 = 0 e probabilidade de atrasou=sim: 4/14 = 0,286. Este valor gera um nó folha, pois todos os registros que tem o valor são da classe atrasou=sim; c) Valor >40, probabilidade de atrasou=não: 2/14 = 0,143 e probabilidade de atrasou=sim: 3/14 = 0,214. Para o atributo salário: a) Valor alto, probabilidade de atrasou=não: 2/14 = 0,143 e probabilidade de atrasou=sim: 2/14 = 0,143. b) Valor médio, probabilidade de atrasou=não: 2/14 = 0,143 e probabilidade de atrasou=sim: 4/14 = 0,286. c) Valor baixo, probabilidade de atrasou=não: 1/14 = 0,071 e probabilidade de atrasou=sim: 3/14 = 0,214. Para o atributo superior completo:

18 a) Valor não, probabilidade de atrasou=não: 4/14 = 0,286 e probabilidade de atrasou=sim: 3/14 = 0,214. b) Valor sim, probabilidade de atrasou=não: 6/14 = 0,428 e probabilidade de atrasou=sim: 1/14 = 0,071. Para o atributo dependentes: a) Valor não, probabilidade de atrasou=não: 2/14 = 0,143 e probabilidade de atrasou=sim: 5/14 = 0,357. b) Valor sim, probabilidade de atrasou=não: 3/14 = 0,214 e probabilidade de atrasou=sim: 4/14 = 0,286. Pode ser visto que somente o atributo idade gerou um nó folha e por isso ele deve ser escolhido como atributo de divisão do primeiro nó. Após escolher este atributo deve-se calcular as probabilidades dos novos nós gerados pela ramificação deste nó. Deste modo o primeiro nível da árvore de decisão ficará como a figura 5. Figura 5- Primeiro nível da árvore de decisão Pichialini (2006) Fonte: Pichiliani, 2006 O algoritmo volta para o passo de escolha de nós a serem considerados para a divisão. Neste ponto, a árvore tem dois nós que podem ser divididos, que estão marcados em azul na figura 6. O nó folha gerado pela divisão do valor do atributo idade não pode mais ser divido conforme figura 6 marcado em verde. Seguindo o algoritmo deve-se calcular as probabilidades dos atributos salário, superior completo e dependentes para cada um dos nós em azul e depois gerar outros nós e assim sucessivamente até não restar mais nós a serem divididos. O resultado

19 final do algoritmo de árvores de decisão aplicado aos dados do conjunto de teste é apresentado na figura 6. Figura 6- Árvore de decisão final para o conjunto de testes de exemplo Pichialini (2006) Fonte: Pichiliani, 2006 A Árvore de Decisão mostrada na figura 6 possui nós folha (em verde e azul) que classificam os valores das classes de acordo com seus atributos. O atributo salário não foi utilizado, pois o algoritmo não considerou este atributo como relevante para a classificação. Desta maneira fica um pouco mais fácil para extrair as regras de classificação do tipo se então da nossa árvore: a) Se idade= <=30 e superior completo = não então a amostra é classificada como atrasa=não. b) Se idade = <=30 e superior completo = sim então a amostra é classificada como atrasa=sim. c) Se idade = então a amostra é classificada como atrasa=sim. d) Se idade >=40 e dependentes = não então a amostra é classificada como atrasa=sim. e) Se idade >=40 e dependentes = sim então a amostra é classificada como atrasa=não.

20 Além de permitir a classificação de uma amostra desconhecida, a árvore gerada pode permitir a classificação sem a necessidade da análise de todos os atributos. Na árvore da figura 6 pôde ser classificado imediatamente como atrasa=sim uma amostra possuir o valor para o atributo idade. Outra vantagem do algoritmo que gera a árvore de decisão é permitir análises que filtram algum valor de um atributo. Pode-se fazer as seguintes afirmações sobre a árvore da figura 6: mais da metade dos associados que possuem mais de quarenta anos possuem dependentes e os associados que tem idade menor ou igual a trinta anos, menos da metade desses possui ensino superior completo. Deve-se considerar alguns detalhes antes do uso do algoritmo de árvores de decisão. O algoritmo trabalha bem com valores discretos, pois caso contrário a árvore pode se tornar imensa e de difícil compreensão, afirma Pichialini (2006). Também é preciso dizer que em alguns casos os nós folhas não apresentam sempre um valor correto e nestes casos deve-se classificar de acordo com a classe que apresenta maior probabilidade. Outro detalhe, conforme Pichialini (2006), é que para muitos atributos com muitos valores o algoritmo pode levar algum tempo para montar a árvore, pois é necessária uma grande quantidade de cálculos de probabilidade além de armazenamento temporário de valores. 5 DM COMO ESTRATÉGIA PARA A TOMADA DE DECISÃO Pode ser visto no exemplo de Pichialini (2006), através do processo de árvore de decisão foi possível obter acesso a informações uteis para a tomada de decisão. Há organizações que adotaram o DM em seus processos e conseguiram ir muito bem, conforme exemplos reais descritos a seguir, onde demonstraram que o uso de DM revelou resultados satisfatórios e interessantes para a tomada de decisão. Berry (1 997 apud Gonçalves, 2011) cita um caso talvez conhecido por muitos, o caso das fraldas e cervejas onde a mineração do banco de dados de uma grande loja de departamentos dos Estados Unidos, revelou que grande parte dos

21 consumidores que faziam compras a noite, costumavam adquirir dois produtos, fraldas e cerveja.

22 Para entendimento do processo do DM e explanação das propriedades da descoberta do conhecimento Gonçalves (2011) detalha alguns termos como: validade, inesperabilidade, interpretabilidade, novidade e utilidade relacionados ao caso das Fraldas e cervejas. Descrito como sendo uma regra interessante e válida, já que possuía expressividade estatística, segundo Gonçalves (2 011), uma porcentagem considerável das compras realizadas continha os produtos fraldas e cerveja, onde foi encontrada uma informação nova, uma associação inesperada, pois analistas imaginavam que cerveja estivesse associada apenas a produtos como salgados, carne para churrasco e outras bebidas alcóolicas, mas nunca relacionada a produtos de higiene infantil. Gonçalves (2011) ressalta ainda que a regra era interpretável, pois pode ser entendida por analistas, que sugeria que os casais jovens se preparavam para o fim-de-semana estocando fraldas para os bebês e cerveja para o papai. A utilidade da regra descoberta, propiciou aos gerentes da loja de departamentos tomar ações capazes de aumentar as vendas de cerveja. Ex.: os produtos foram colocados em prateleiras próximas. Quando foi minerada, a regra apresentou todas as propriedades capazes e caracterizá-la como interessante para os analistas da loja de departamentos. Conforme afirma GSI (1998) a Wal-Mart 16 aplicou essa regra e obteve como resultado o crescimento de 30% de consumo com redefinição de lay-out baseada na conexão de hipóteses desenvolvidas pela mineração de dados, no que diz respeito a disposição de fraldas e cervejas. Gurovitz (1997) afirma que outra rede varejista descobriu que a venda de colírios aumentava na véspera dos feriados. Não foi revelado o porquê, mas após constatar isso, passou a preparar seus estoques e promoções do produto com base nesse cenário. 16 Rede de supermercados de atuação internacional fundado em 1962 nos EUA.

23 Gurovitz (1997) também declara que o banco Itaú 17, costumava enviar mais de 1 milhão de malas diretas, para todos os correntistas. No máximo 2% deles respondiam às promoções. O banco tem armazenado toda a movimentação financeira de seus 3 milhões de clientes nos últimos 18 meses. A análise desses dados permitiu que cartas fossem enviadas apenas a quem o perfil possuía a maior chance de responder. A taxa de retorno subiu para 30% e a conta do correio foi reduzida a um quinto. Os casos demonstrados, são exemplos de aplicações bem sucedidas de mineração de dados, mas é um ponto de cuidado, pois infere-se que uma análise realizada erroneamente pode gerar informações falsas e o que poderia ser um retorno de lucro pode vir a se tornar um grande prejuízo. 6 CONCLUSÃO Para compreensão do tema de estudo, buscou-se inicialmente rever a base conceitual, teórica sobre esta questão. Assim, a fundamentação teórica selecionada para a pesquisa permitiu verificar que o DM, é uma ferramenta estratégica, onde pode-se observar a relevância do seu uso na aplicação de suas técnicas com finalidade de descobrir informações essenciais que geram insumos para a tomada de decisão. Desta forma, destaca-se que através do resultado do processo do DM podem ser tratados perfis de consumidores, descobrir desperdícios, investimentos perdidos, prever investimentos, prever lucro, entre outras opções, que se levadas em consideração poderão aumentar de maneira considerável a receita de uma organização. Apesar de se considerar o DM uma ferramenta de auxílio à tomada de decisão, os softwares para MD são ainda dispendiosos. Isto leva a afirmar que uma análise antes da aplicação dessa tecnologia, em uma organização, deva-se levantar a real necessidade de seu uso, avaliando-se o seu custo benefício. 17 Banco brasileiro, fundado em 1943 com sede em São Paulo.

24 Diante do exposto, pode-se afirmar que a pergunta de pesquisa do estudo foi respondida e os objetivos alcançados. Novas pesquisas necessitam ser empreendidas com o intuito de demonstrar a implantação do DM em uma organização real para se verificar os resultados obtidos. REFERÊNCIAS AMORIM, Thiago. Conceitos, técnicas, ferramentas e aplicações de Mineração de Dados para gerar conhecimento a partir de bases de dados. Pernambuco, Disponível em: < Acesso em: 09 nov BERRY, Michael. J. A.; LINOFF, Gordon S. Data Mining Techniques for Marketing, Sales and Customer Support. Wiley Computer Publishing, CARDOSO, Olinda Nogueira Paes & MACHADO, Rosa Teresa Moreira. Gestão do conhecimento usando data mining: estudo de caso na Universidade Federal de Lavras. Revista de Administração Pública do Rio de Janeiro, v.42, n.3, Mai./Jun CARLOS, Hênio; MOTA, Lessa; COSTA, Mariana Caroline; BARBOSA, Marcela Mayara; PEREIRA, Nilton Rodrigues. Data Mining. Montes Claros: SlideShare, Disponível em: < Acesso em: 09 nov ELMASRI, Ramez E.; NAVATHE, Shamkant B. Sistemas de Banco de Dados. 4ª Ed. São Paulo: Addison Wesley, FARIA, Fabio Augusto. Descobrindo Conhecimento no Mundo Real. Campinas, SP: unicamp, Disponível em: < Acesso em: 18 out FAYYAD, U. M.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From Data Mining to Knowledge Discovery in Databases. Artificial Intelligence Magazine, v. 17, n. 3, p , 1996a. Disponível em: < Acesso em: 09 nov GONÇALVES, Eduardo Corrêa. Data Mining com a Ferramenta Weka. Rio de Janeiro, RJ: Escola Nacional de Ciências e Estatística (IBGE/ENCE), Disponível em: < Weka.pdf> Acesso em: 09 nov. 2014

25 GSI - Grupo de Sistemas Inteligentes Mineração de Dados Disponível em: < Acesso em: 09 nov GUIMARÃES, Alaine; POZO, Aurora. Mineração de Dados. Curitiba, PR: UFPR, Disponível em: < Acesso em: 09 nov GUROVITZ, Helio. O que cerveja tem a ver com fraldas? Revista Exame Abril, Disponível em: < Acesso em: 09 nov JORGE, Alípio. Introdução ao Data Mining: Introdução e conceitos exemplos, relação com outras áreas. Ceará: Doutorado em Informática MAP I, MARTINHAGO, Sergio. Descoberta do conhecimento sobre o processo seletivo da UFPT. Curitiba, PR: ppgmne, Disponível em: < Acesso em: 04 out MENDES, Luciana. Data Mining Estudo de Técnicas e Aplicações na Área Bancária. São Paulo, SP: FATEC SP, Disponível em: < Acesso em: 08 nov MUNIZ, Vander Emiro. Data Mining: conceitos e casos de uso na área da saúde Disponível em: < Acesso em: 08 Nov NETO, Rosalvo Ferreira de Oliveira. Descoberta de Conhecimento em Bancos de Dados - KDD. Petrolina, PE: univasf, Disponível em: < FON_IA_PROCESSO_KDD.pdf> Acesso em: 18 out PICHILIANI, Mauro. Data Mining na Prática: Árvores de Decisão. IMASTER, Disponível em: < Acesso em: 08 set REZENDE, Solange Oliveira. Sistemas Inteligentes - Fundamentos e Aplicações. 1ª Ed. São Paulo: Manole, VIANA, Roger Pauer Rocha. Data Mining: Auxiliando na Tomada de Decisões Estratégicas nas Empresas Disponível em: < Acesso em: 06 abr. 2014