book

Análise empresarial moderna

by Deanne Larson

March 2025

Intermediate to advanced

470 pages

14h 6m

Portuguese (Portugal, Brazil)

O'Reilly Media, Inc.

Read now

Unlock full access

Quem deve ler este livroPorque escrevi este livroComo navegar neste livroConvenções utilizadas neste livroUtilizar exemplos de códigoAprendizagem em linha da O'ReillyComo contactar-nosAgradecimentos
Qual é o papel de um analista de negócios?CompetênciasResponsabilidadesTipos de analistasPorque é que um analista de negócios precisa de saber análise?Explosão de dadosContexto empresarialAnalíticaAnalista de negócios que contribui para o valor da análiseProblemas de negócio resolvidos pela análiseColaboração com outras equipasConjuntos de competências utilizadas na análisePython e RCiclo de vida do projeto de análiseResumo
Compreensão do negócioDeterminar os objectivos comerciaisAvalia a situaçãoDetermina os objetivosEstabelece uma abordagem e um planoAvaliação de ferramentas e técnicasExploração e preparação de dadosAvalia o conteúdo e a qualidade dos dadosSelecionar e limpar dadosConstrói e integra dadosProduzir um conjunto de dados para o desenvolvimento de modelosModelação e avaliaçãoSelecionar a técnica de análiseConstrói e avalia o modeloImplantaçãoAvalia o desempenho do modeloDetermina os intervalos de avaliaçãoOperações do modeloModelos de monitorizaçãoA vida de um modeloReciclagemResumo
Opções de instalação e configuração do R e do PythonPorquê aprender R e Python?Aprende as duas coisas ao mesmo tempo, em vez de uma de cada vezPrós e contras de diferentes estratégias de aprendizagemInstalação RInstalação do PythonScripting em R e PythonScripting da linguagem RScripting em linguagem PythonConceitos orientados para objectosEstrutura da OOPPrincípios de OOPTipos de dados em R e PythonTipos de dados do REstruturas RTipos de dados PythonEstruturas de dados PythonInteração com bases de dados relacionaisPorquê bases de dados relacionais?R Ligação a bases de dados relacionaisExemplos de R e bases de dados relacionaisSQLiteLigação Python a Bases de Dados RelacionaisExemplos de Python e bases de dados relacionaisResumo
Exemplos de projectos analíticosChurn de telecomunicaçõesTestes A/BCampanhas de marketingPrevisão financeiraDiagnóstico de cuidados de saúdeComeçando com a declaração do problemaChegar ao problema analíticoClassificaçãoRegressãoO que é que queremos medir?Abordagens de análiseEDAAprendizagem não supervisionadaAnálise estatística para regressãoAnálise para classificaçãoPapel do teste de hipótesesVisualização na análiseVisualização em R e Python para apoiar a EDAVisualização de regressãoVisualização da classificaçãoResumo
Qualidade dos dadosCaraterísticas da qualidade dos dadosPerfil de dadosAgrupamento e aprendizagem não supervisionadaObjetivo da aprendizagem não supervisionadaExemplo do impacto do agrupamento na aprendizagem supervisionadaAgrupamento K-MeansClusterização hierárquicaOutros métodos não supervisionados utilizados na EDAIdentificação de valores atípicosValores atípicos na regressãoExcedentes na classificaçãoPreparação de dados para modelaçãoAmostragemFormação e testesTransformação de dadosManipulação de dadosSeleção e redução de caraterísticasSeleção de caraterísticasTécnicas de redução de caraterísticasResumo
Etapas de modelaçãoSeleção e treino de modelosAvaliação do modeloOtimização de modelosImplementação do modeloMonitorização e manutenção do modeloSelecionar o algoritmo certoRegressãoCasos de utilização comunsEquação de regressão linearRegressão linear no RRegressão Linear em PythonCaso de uso de regressão linearOutros tipos de regressãoDesafios dos modelos de regressãoOutros algoritmos de regressãoÁrvores de decisão para regressãoAvaliação de regressão linearClassificaçãoCasos de utilização comunsAlgoritmos de classificaçãoClassificação em RClassificação em PythonCaso de uso de classificação: Churn de telecomunicaçõesAvaliação da classificaçãoAvaliação de casos de uso de classificaçãoResumo
AlgoritmosCritérios do algoritmoTipo de problemaModelos interpretáveisPrecisão da previsãoVelocidade de treinoVelocidade de previsãoAfinação de hiperparâmetrosTrabalhar com um pequeno conjunto de dadosTrabalhar com um grande conjunto de dadosFuncionalidade InteraçãoCaraterísticas dos dadosExemplo: Selecionando o Algoritmo CertoEscolher o algoritmo certo para prever as vendasAvaliação dos critériosDecisão e aplicaçãoResumo
Visão geral das operações do modeloProcessos de operações modeloPontuação do modeloPontuação de modelos em R: Usando Shiny Apps para Pontuação em Tempo RealPontuação de modelos em Python: Implementando Modelos com StreamlitMonitorização de modelosPrincipais métricas e indicadores para a monitorização do desempenho do modeloTécnicas de monitorização automatizada de modelosReciclagem de modelosDesencadeamento de eventos para reciclagem de modelosTécnicas de reciclagem automatizada de modelosImplementação em R: Usando cron Jobs para retreinamento programadoImplementação em Python: Aproveitando ferramentas como o Airflow para a gestão do fluxo de trabalhoGeração de relatóriosConteúdo e estrutura dos relatórios finaisTécnicas para a criação automática de relatóriosImplementação em R: Gerando relatórios com R Markdown e knitrImplementação em Python: Criando relatórios com Jupyter Notebooks e nbconvertControlo de versões e reprodutibilidade de modelosPráticas de colaboração e documentaçãoCasos de utilização do ModelOpsPrevisão de vendas a retalho: Automatização da pontuação e monitorizaçãoDeteção de fraudes: Retreinamento de modelos dinâmicos e relatóriosPrevisão da rotatividade de clientes: Retreinamento programado do modelo e geração do relatório finalIntegração com sistemas e infra-estruturas existentesDireção futura dos MLOpsResumo
Visualização avançada com R ShinyO que é o R Shiny?Principais caraterísticas e capacidades do R ShinyConfigurar o teu ambienteCriar a tua primeira aplicação ShinyDesenvolvimento avançado de IUExemplo: Criação de um painel para monitorizar as vendas em tempo realAprende a visualizar em PythonVisão geral da visualização em PythonBibliotecas comuns: Matplotlib, Seaborn, Plotly e DashMatplotlib: Fundamentos da Visualização em PythonPersonalizar gráficos com estilos e coresGráficos estatísticos: Gráficos de dispersão, mapas de calor, gráficos de violinoGráficos interactivos com o PlotlyPlotagem 3D com Matplotlib e PlotlyVisualização de dados geoespaciaisCriação de Dashboards: Usa o Plotly DashEstudo de caso: Usando Python para um projeto de visualização avançadaEscolhe entre R Shiny e Python VisualizationResumo

Dados semiestruturados (JSON)Utilizar Python para dados JSONUtilizar o R para dados JSONDados das redes sociaisTipos de dados das redes sociaisUtilizar Python para a análise de dados de redes sociaisUtilizar o R para analisar dados de redes sociaisDados de imagemProcessamento de imagens em PythonProcessamento de imagens em RDados de vídeoUtilizar Python para dados de vídeoUtilizar o R para dados de vídeoResumo
O que é o valor comercial da análise?Impacto estratégicoEficiência operacionalSatisfação e lealdade do clienteMétricas e KPIs para medir o valor comercialMétricas financeirasMétricas operacionaisMétricas de clientesAlinhar as métricas com os objetivos e metas organizacionaisAproveitar as métricas para demonstrar o valorMétricas e KPIs na práticaExemplos de casos empresariais de valor para a análiseEtapa 1: Definição do problema e estabelecimento de resultados mensuráveisPasso 2: Identificar métricas para medir o sucesso e o fracassoEtapa 3: Implementação de soluções analíticasEtapa 4: Medição e demonstração do valorEtapa 5: Relatórios e melhoria contínuaIA e IA generativa na análise de negóciosIntrodução à IA generativaAplicações no design de produtosAplicações na criação de conteúdosAplicações em MarketingMelhorar a experiência do clienteMelhorar a eficiência operacionalPerspectivas e desafios futurosCasos de utilização da IA e da IA generativa na análise de negóciosCaso de utilização 1: Insights e recomendações de clientes com base em IACaso de utilização 2: IA generativa na criação de conteúdosCaso de utilização 3: Otimização da cadeia de fornecimento com base em IACaso de utilização 4: Melhorar a tomada de decisões com a IACaso de utilização 5: IA na análise dos cuidados de saúdeCaso de utilização 6: IA generativa para experiências de cliente personalizadasCaso de utilização 7: IA na análise de retalhoAbordar as inconsistências factuais e a colaboração entre humanos e IAPerspectivas futurasDesafios e consideraçõesDesafios de integração e escalabilidade na implementação de soluções de IAAtenuar os preconceitos e garantir a equidade nas decisões baseadas em IADesafios técnicos e organizacionais na implementação da IAConsiderações sobre custos e recursosInvestimentos em IA à prova de futuroResumo

Overview

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: translation-feedback@oreilly.com

Obter valor comercial da análise é um processo difícil. Transformar dados em informação requer um analista de negócios que seja adepto de várias tecnologias, incluindo bases de dados, ferramentas de programação e ferramentas analíticas comerciais. Este guia prático mostra aos programadores que compreendem os conceitos de análise como desenvolver as competências necessárias para obter valor comercial.

A autora Deanne Larson, profissional e académica da ciência dos dados, ajuda-te a fazer a ponte entre o mundo técnico e o mundo empresarial para satisfazeres estes requisitos. Concentrar-te-ás no desenvolvimento destas competências com R e Python, utilizando exemplos do mundo real. Aprenderás também a tirar partido de metodologias para uma entrega bem sucedida. A metodologia de aprendizagem combinada com ferramentas de código aberto é fundamental para forneceres análises e valores empresariais bem sucedidos.

Este livro mostra-te como:

Aplicar metodologias de análise empresarial para obter resultados de sucesso
Limpa e transforma dados usando R e Python
Utiliza o R e o Python para concluir a análise exploratória de dados
Cria modelos preditivos para resolver problemas empresariais em R e Python
Utiliza Python, R e ferramentas de análise empresarial para lidar com grandes volumes de dados
Compromete o código no GitHub para colaborar com engenheiros de dados e cientistas de dados
Mede o sucesso da análise empresarial