Buscar
Minha Conta

Atendimento(21) 2262-3111 / (21) 2262-3111

Inteligência Analítica - Mineração de Dados e Descoberta de Conhecimento Inteligência Analítica - Mineração

VITRINE Os TOP de vendas !!

Por: R$ 65,00

Preço a vista: R$ 65,00

+-
Comprar
Opções de Parcelamento:
  • à vista R$ 65,00
Outras formas de pagamento

Quem viu este produto , comprou

Quem viu este produto , também se interessou

  • Descrição
    Inteligência Analítica - Mineração de Dados e Descoberta de Conhecimento

    Muito do que será discutido aqui está relacionado com a disciplina de inteligência competitiva, e será apresentada neste livro basicamente em cinco diferentes grandes módulos. A primeira parte do livro é uma introdução sobre o ciclo relacionado com a transformação dos dados em inteligência. A primeira parte desse ciclo se refere à extração de dados transacionais, associados aos processos operacionais da empresa. A segunda parte do livro apresenta um ambiente associado com a geração de dados, proveniente normalmente dos sistemas transacionais que suportam a operação das empresas.em relação à vida. A terceira parte apresenta os mecanismos de transformação dos dados transacionais, associados com as operações das empresas, em informação relevante para o processo decisório. A quarta parte do livro aborda os ambientes de construção de modelos analíticos, de reconhecimento de padrões e de previsão. A quinta parte trata de um processo complexo e de extrema dificuldade na maioria das empresas que é a utilização efetiva do conhecimento gerado. A sexta e última parte do livro caracteriza o processo de gestão do conhecimento, uma maneira pela qual todo o conhecimento gerado pelos processos de mineração de dados pode ser utilizado de forma a criar na empresa o senso de experiência.
  • Sobre o Autor
  • Especificação

    Características

    Tipo de LivroLivro Físico

    Especificações

    Sobre o AutorCarlos André Reis Pinheiro
    Carlos André Reis Pinheiro é Pós-Doutor em Probabilística pelo Instituto de Matemática Pura e Aplicada (IMPA) com pesquisa na área de modelos baseados em algoritmos genéticos para otimização. É Doutor em Sistemas Computacionais pela Coordenação de Pós-Graduação em Engenharia da Universidade Federal do Rio de Janeiro (COPPE/UFRJ) com tese focada na combinação de modelos baseados em Mapas Auto-Ajustáveis de Kohonen (SOM) e Redes Neurais Artificiais (RNA) para prevenção de inadimplência. Recebeu o grau de Mestre em Ciências da Computação pela Universidade Federal Fluminense (UFF) com uma dissertação voltada para a construção de bibliotecas virtuais baseadas em ambientes de Web Warehousing. Possui ainda pós-graduações em Master in Object Technology e Análise de Sistemas, ambas pelo Instituto Brasileiro de Pesquisa em Informática (IBPI).
    Formado em Ciência da Computação pela Faculdade Carioca e Matemática pela Universidade Federal Fluminense, Carlos André atua como professor de Pós-Graduação da Fundação Getúlio Vargas (FGV-DF), no MBA em Administração Estratégica de Sistemas de Informação, da Universidade Católica de Brasília (UCB), no MBA em Data Warehouse, e da UPIS, no MBA em Inteligência Competitiva. É autor dos livros Web Warehousing – Extração e Gerenciamento de Dados na Internet (Axcel Books, 2003), Aplicações de Banco de Dados em Delphi (IBPI Press, 2000) e Como Usar o Correio Eletrônico na Internet (IBPI Press, 1996).
    O professor Carlos André possui diversos trabalhos publicados nas áreas de data warehouse, banco de dados não convencionais e data mining em importantes congressos e jornais internacionais, como o SIGKDD Explorations Special Issue on Successful Real-World Data Mining Applications e o IEEE Data Mining Case Studies, TeleStrategies 2007 (EUA), IBM Information On Demand 2007 (EUA), M2007 – Data Mining Conference (EUA), SAS Global Forum 2007 (EUA), M2006 – Mining Conference (USA), Fórum Internacional de Fraude (2005, Inglaterra), International Conference on Data Mining (ICDM’2005 – EUA), M2005 – Mining Conference (EUA), Data Mining 2004 (Espanha), Data Mining 2003 (Brasil), International Conference on Data Mining (ICDM’1998 – Brasil), V Congresso de Inteligência Competitiva 2007 (RJ), IDG Best Practices 2007 (SP), 1º Workshop Internacional de Inteligência Competitiva 2006 (DF), GUSAS 2006 (SP), IV Congresso de Inteligência Competitiva 2006 (RJ), GUSAS 2005 (SP), Developers Meeting 2004 (SC), Fenasoft 2003 (SP), dentre outros. Foi articulista da revista Developers Magazine, tendo publicado diversos de artigos na área de Business Intelligence. Foi revisor do IJCNN’2007 – International Join Conference on Neural Networks, do IEEE Computational Intelligence Society/International Neural Network Society.
    Foi gerente de Desenho de Aplicações da Brasil Telecom, responsável pela concepção de novos projetos corporativos e pelo roadmap de evolução tecnológica para sistemas de suporte à operação e ao negócio. Atualmente, é responsável pela prospecção de aplicações de Business Intelligence e Gestão Empresarial na Diretoria Adjunta de Tecnologia e Arquitetura. Foi Coordenador de Projetos de TI relacionados a Data Mining, Garantia da Receita, Antifraude, Avaliação de Crédito, e Data Quality. Anteriormente, foi coordenador técnico do Data Warehouse Corporativo da Brasil Telecom. Trabalhou ainda na Embratel como coordenador técnico do Database Marketing/Data Warehouse, no Grupo Libra, com aplicações analíticas e sistemas especialistas de informação, e no IBPI Software, no desenvolvimento de ferramentas CASE para análise e projeto de sistemas
    Informações Técnicas Sumário
    Índice

    PARTE I: INTRODUÇÃO 29
    1. INTRODUÇÃO AO CICLO DE INTELIGÊNCIA COMPETITIVA 31
    1.1. Dados 32
    1.2. Informação 33
    1.3. Conhecimento 34
    1.4. Inteligência 36
    1.5. Experiência 39
    PARTE II: DADOS 43
    2. SISTEMAS TRANSACIONAIS 45
    2.1. Gerenciamento do Relacionamento com o Cliente 45
    2.1.1 Visão e estratégia de CRM 47
    2.1.2 O ciclo de negócio de CRM 48
    2.1.2.1 Compreensão & Diferenciação 49
    2.1.2.2 Customização & Personalização 50
    2.1.2.3 Interação & Entrega 51
    2.1.2.4 Aquisição & Retenção 52
    2.1.3 Funcionalidades de CRM 52
    2.1.3.1 Apoio para atividades de marketing 53
    2.1.3.2 Suporte e serviços ao cliente 53
    2.1.3.3 Gerenciamento de ordem de serviço 54
    2.1.3.4 Gerência do contato do cliente, retenção e aplicações da lealdade 54
    2.1.3.5 Serviço de cliente e aplicações da definição do problema do cliente 55
    2.1.3.6 Serviço de qualidade ao cliente e gerenciamento de aplicações por nível de serviço 55
    2.1.3.7 Auto-atendimento 55
    2.1.3.8 Gerenciamento de vendas 56
    2.2. Programa de Gerenciamento do Relacionamento com os Clientes 56
    2.3. Ferramentas de Suporte Tecnológico 57
    2.4. Mapa de Aplicações 58
    PARTE III: INFORMAÇÃO 65
    3. SISTEMAS DE SUPORTE À DECISÃO 67
    3.1. Data Warehouse 67
    3.1.1 Fundamentos de um Data Warehouse 67
    3.1.2 OLTP - On Line Transaction Processing 68
    3.1.2.1 Controle do processo 68
    3.1.2.2 Grande volume de pequenas transações realizado diariamente 68
    3.1.2.3 O foco é na transação 69
    3.1.2.4 Um registro por transação 69
    3.1.2.5 Consistência microscópica dos dados 69
    3.1.2.6 Escopo temporal é momentâneo 69
    3.1.2.7 Consultas pré-concebidas 69
    3.1.2.8 Ambiente estático 70
    3.1.3 OLAP - On Line Analitycal Processing 70
    3.1.3.1 Não controla o processo 70
    3.1.3.2 Pequeno volume de grandes transações realizado diariamente 70
    3.1.3.3 Foco é no conjunto dos dados 70
    3.1.3.4 Milhares de registros por transação 71
    3.1.3.5 Não há consistência, apenas consulta 71
    3.1.3.6 Escopo temporal é histórico 71
    3.1.3.7 Consultas ad-hoc 71
    3.1.3.8 Ambiente dinâmico 71
    3.1.4 Data Warehousing 72
    3.1.4.1 OLAP 72
    3.1.5 Arquitetura de informações de um Data Warehouse 74
    3.1.6 Modelagem Multidimensional 77
    3.1.6.1 Modelo dimensional versus modelo relacional 77
    3.1.6.2 Componentes do modelo dimensional 78
    3.1.6.3 Tipos de modelos 79
    3.1.6.4 Tipos de dimensões 80
    Slowly Change Dimensions 80
    Rapidly Change Small Dimensions 80
    Large Dimensions 80
    Rapidly Change Monster dimensions 81
    3.1.6.5 Arquitetura de negócios 81
    3.1.7 Qualidade do Data Warehouse 82
    3.1.7.1 Objetivos 83
    3.1.7.2 Indicadores de sucesso 85
    3.1.7.3 Qualidade dos dados 86
    4. ARQUITETURA TECNOLÓGICA PARA AMBIENTES ANALÍTICOS 89
    4.1. Arquitetura de Informações 89
    4.2. Camada de Apresentação de Dados 91
    4.3. Camada de Repositório de Dados 93
    4.4. Camada de Integração de Dados 97
    4.5. Portal de Pesquisas de Informações de BI 101
    4.6. Centro de Competência de Business Intelligence 102
    PARTE IV: CONHECIMENTO 107
    5. DESCOBERTA DE CONHECIMENTO 109
    5.1. Mineração de Dados 109
    5.2. Tendências Tecnológicas para Ambientes de Mineração de Dados 114
    5.3. Metodologia de Desenvolvimento de Modelos de Data Mining 115
    5.4. Modelos de Classificação 117
    5.4.1 Características principais da modelagem preditiva 117
    5.4.2 Variável de freqüência e estimação de pesos 118
    5.4.3 Decisões 118
    5.4.4 Generalização 120
    5.5. Modelos de Agrupamento 122
    6. TÉCNICAS DE MINERAÇÃO DE DADOS 127
    6.1. Analogia com Sistemas de Diagnóstico 127
    6.2. Incorporando o Data Mining nos Processos de Negócios 132
    6.3. Árvores de Decisão 133
    6.3.1 O algoritmo de árvores de decisão 135
    6.3.2 Previsores de alta cardinalidade 135
    6.3.3 Conclusão 137
    6.4. Redes Neurais 138
    6.4.1 Aplicações de redes neurais 139
    6.4.1.1 Agrupamento 139
    6.4.1.2 Extração 140
    6.4.2 O algoritmo de redes neurais 140
    6.4.2.1 Aprendizado 141
    6.4.2.2 Preparação dos dados 141
    6.4.2.3 Treinamento 143
    6.4.3 Explicação da rede neural 143
    6.4.4 Conclusão 144
    6.5. Algoritmos Genéticos 145
    6.5.1 Principais conceitos 146
    6.5.2 Operações básicas 147
    6.5.2.1 Inicialização 147
    6.5.2.2 Cálculo da aptidão 147
    6.5.2.3 Seleção 147
    6.5.2.4 Cruzamento 148
    6.5.2.5 Mutação 148
    6.5.2.6 Escolha dos parâmetros do Algoritmo Genético 148
    6.5.3 Aplicações 148
    6.5.4 Conclusões sobre Algoritmos Genéticos 149
    7. PREPARAÇÃO DOS DADOS 151
    7.1. Geração das Amostras de Dados 151
    7.2. Transformação das Variáveis para a Modelagem Analítica 155
    7.3. Refinamento da Base de Amostra 157
    7.4. Criação da Base de Amostra 158
    8. CONSTRUÇÃO DE MODELOS DE AGRUPAMENTO 165
    8.1. Mapas Auto-Ajustáveis de Kohonen 165
    9. ANÁLISE DE MODELOS DE AGRUPAMENTO 177
    10. CONSTRUÇÃO DE MODELOS DE PREDIÇÃO 191
    11. UTILIZAÇÃO CONJUNTA DE MODELOS DE AGRUPAMENTO E PREDIÇÃO 207
    11.1. Modelo de Segmentação Comportamental 208
    11.2. Modelos de Classificação com Base em Amostras Estratificadas 212
    12. ANÁLISE DOS MODELOS DE PREDIÇÃO 219
    PARTE V: INTELIGÊNCIA 225
    13. APLICAÇÕES DO CONHECIMENTO 227
    13.1. Ciclo de Vida da Receita 227
    13.1.1 Ganhos financeiros por meio dos modelos de inadimplência 229
    13.1.2 Ganhos financeiros por meio dos modelos de cobrança 237
    13.1.3 Ganhos financeiros por meio dos modelos de fraude 238
    13.2. Ciclo de Vida do Cliente 242
    13.2.1 Marketing Direcionado 242
    13.2.2 Segmentação comportamental 246
    13.3. Otimização de Gestão de Campanhas 249
    13.3.1 Otimização de campanhas 251
    13.4. Monitoramento de Desempenho 252
    13.4.1 Monitoramento de desempenho de produtos 252
    13.4.2 Monitoramento de desempenho de interações de clientes 253
    13.5. Alinhamento da Descoberta de Conhecimento com os Objetivos de Negócio 253
    13.5.1 Expansão dos modelos de Data Mining 254
    13.5.2 Gerenciamento e otimização de modelos de data mining 255
    13.6. Processo Produtivo 257
    13.6.1 Líder de projeto 261
    13.6.2 Analista de negócios 261
    13.6.3 Analista de mining 261
    13.6.4 Analista de ETL 262
    13.6.5 Processo produtivo de mineração de dados 262
    13.6.6 Fluxo contínuo de mineração de dados e descoberta de conhecimento 264
    PARTE VI: EXPERIÊNCIA 267
    14. PERSISTÊNCIA DO CONHECIMENTO 269
    14.1. Gestão do Conhecimento 269
    14.1.1 Introdução à Gestão do Conhecimento 269
    14.1.2 Fundamentos da Gestão do Conhecimento 270
    14.1.3 Princípios da Gestão do Conhecimento 271
    14.1.4 Sistemas de Gestão do Conhecimento 272
    14.1.5 Aplicações da Gestão do Conhecimento - Knowledge Warehouse 273
    14.1.6 Modelos de Text Mining 277
    14.2. Web Farming 279
    14.2.1 Colhendo as informações 280
    14.2.2 Refinando as informações 281
    14.2.2.1 Descoberta da informação 282
    14.2.2.2 Aquisição da informação 282
    14.2.2.3 Estruturação da informação 282
    14.2.2.4 Disseminação da informação 282
    14.2.3 Estágios do Web Farming 283
    14.2.3.1 Objetivos de negócio 284
    14.2.3.2 Homologação e infra-estrutura 284
    14.2.3.3 Exploração do Web Farming 284
    14.2.3.4 Armazenamento da informação 284
    14.3. Web Mining 285
    14.3.1 Mineração da estrutura da Web 285
    14.3.2 Introdução – Web Bags 286
    14.3.3 Mineração do Conteúdo da Web 287
    14.3.4 Mineração do uso da Web 289
    ANEXO I: POSICIONAMENTO DE TECNOLOGIAS E FORNECEDORES DE BUSINESS INTELLIGENCE 291
    15. AMBIENTE DE INTELIGÊNCIA DE NEGÓCIOS 293
    15.1. Ambiente Tecnológico 294
    15.1.1 Hype Cycle 294
    15.1.2 Magic Quadrant 297
    15.2. Descrição das Tecnologias Apresentadas no Hype Cycle 299
    15.2.1 Entity Resolution and Analysis 299
    15.2.2 Customer Relationship Performance Management 299
    15.2.3 Integrated Business Planning 300
    15.2.4 Produtct Performance Management 300
    15.2.5 Closed-Loop Performance Management 301
    15.2.6 Open-Source Business Intelligence Tools 301
    15.2.7 SaaS - Business Intelligence 301
    15.2.8 SOA-Based Analytic Applications 302
    15.2.9 In-Memory Analytics 302
    15.2.10 Master Data Management 302
    15.2.11 Real-time Best Next Action 303
    15.2.12 Search Capabilities for Business Intelligence 303
    15.2.13 Business Activity Monitoring 304
    15.2.14 Profitability Modeling and Optimization 304
    15.2.15 Interactive Visualization 304
    15.2.16 CPM Suites 305
    15.2.17 Business Application Data Warehouses 305
    15.2.18 Excel as a Business Intelligence/CPM Front End 305
    15.2.19 Real-time Data Integration 306
    15.2.20 Dashboards/Scorecards 306
    15.2.21 Web Analytics 306
    15.2.22 Data Mining Workbenches 307
    15.2.23 Data Quality Tools 307
    15.2.24 Planing, Budgeting and Forecasting 307
    15.2.25 Business Intelligence Platforms 307
    16. POSICIONAMENTO DE FORNECEDORES 309
    16.1. Ferramentas de Business Intelligence 309
    16.1.1 Business Objects 309
    16.1.2 Cognos 310
    16.1.3 Hyperion Solutions 310
    16.1.4 Oracle 311
    16.1.5 SAS 311
    16.2. Ferramentas de COM 311
    16.2.1 Hyperion Solutions 312
    16.2.2 Cognos 312
    16.3. Ferramentas de Integração de Dados 313
    16.3.1 IBM 313
    16.3.2 Informatica 314
    16.3.3 SAS Institute 314
    16.4. Ferramentas de Data Mining 314
    16.4.1 SAS 315
    16.4.2 SPSS 315
    16.5. Ferramentas de Data Quality 315
    16.5.1 DataFlux 316
    16.5.2 IBM 316
    16.5.3 Business Objects 316
    16.5.4 Informatica 317
    16.6. Ferramentas de Gerenciador de Campanhas 317
    16.6.1 SAS 318
    16.6.2 Única 318
    16.7. Bancos de dados (DBMS – DataBase Management Systems) 319
    16.7.1 IBM DB2 319
    16.7.2 Teradata 320
    16.7.3 Oracle 320
    16.8. Servidores de Banco de Dados 321
    16.8.1 Teradata 322
    16.8.2 IBM System p5 322
    16.8.3 HP Integrity 323
    ANEXO II: TUTORIAL SOBRE REDES NEURAIS ARTIFICIAIS 325
    17. REDES NEURAIS ARTIFICIAIS 327
    17.1. Introdução as Redes Neurais Artificiais 327
    17.2. Redes Neurais Artificiais Multi-Camadas 331
    17.2.1 Histórico das redes neurais artificiais 331
    17.2.2 O Perceptron 332
    17.2.3 O Perceptron múltiplas camadas 334
    17.2.4 Backpropagation 336
    17.2.5 Topologia da rede 338
    17.2.5.1 Número de camadas 339
    17.2.5.2 Número de nós de entrada e saída 340
    17.2.5.3 Número de nós da camada escondida 343
    17.2.5.4 Função de transferência 344
    17.3. Treinamento da Rede 345
    17.3.1 Algoritmos de aprendizado 345
    17.3.2 Decisão de parada do treinamento 347
    17.4. Interpretação dos Modelos 348
    17.4.1 Medidas da habilidade de predição 349
    17.4.2 Objetos afastados do modelo 349
    17.5. Pontos Fortes e Fracos das Redes Neurais 351
    17.6. Mapas Auto-Ajustáveis 352
    17.6.1 Vetores de Quantização 352
    17.6.2 Mapas auto-ajustáveis de Kohonen 353

    Informações Técnicas

    Nº de páginas:414
    Origem:Nacional
    Editora:Editora Ciência Moderna
    Idioma:Português
    Edição:1
    Ano:2008
    ISBN:9788573937077
    Encadernação:Brochura
    Autor:Carlos André Reis Pinheiro
  • Informações

Avaliação técnica sobre o livro

Não encontrou seu produto? Deixe aqui sua Sugestão para novos produtos!

Enviar sugestão

Políticas

Informações

Atendimento

(21) 2262-3111

(21) 2262-3111

Pague com

Visa, mastercard, Diners, Boleto, American Express , VisaElectron, Discover , Elo , Maestro

Segurança e certificados

© 2015 Livraria Ciência Moderna Ltda - Avenida Rio Branco 156 – subsolo 126 – Centro – RJ – Cep:20040-003 | Cnpj :33.412.271/0001-03 | Inscrição Estadual: 85.853.198 *Os preços e condições de pagamento podem ser exclusivos para compras via internet , o que quer dizer que podem variar das lojas físicas. Vendas Sujeitas á analise e confirmação de dados.
VTEXOriginal Media

Olá! Seja Bem Vindo (a)!

Eu sou o Moderninho , o Mascote da Ciência Moderna Online!
Além de bonito, o novo site tem Minhas Dicas :) #ficaadica

A 1ª Dica é -> Deixe aqui seu contato para receber nossas
NOVIDADES, PROMOÇÕES E CUPONS DE DESCONTOS ;)

Navegue SEM Moderação!