Nas últimas décadas as organizações estão dando cada vez mais importância aos dados, devido as vantagens competitivas que podem proporcionar para quem conseguir extrair informações desses dados.
Para o matemático e cientista de dados Clive Hobert Humby “os dados são o novo petróleo”, essa declaração reflete a realidade de como os dados tem se tornado o ouro para empresas de todos os seguimentos.
As empresas também passaram a investir mais em TI (Tecnologia da Informação), foi constatado pelo relatório anual do uso de TI feito pela FGV (Fundação Getúlio Vargas), que grandes e médias empresas estão alocando 8,7% do faturamento líquido em investimentos em TI.
É notável também o uso de mineração de dados (data mining) e sua importância para as organizações, pois tem ajudado a encontrar padrões que agregam valor nas estratégias de negócios de empresas de diversos setores (TOTVS, 2022).
O que é Mineração de Dados?
A mineração de dados surgiu da necessidade de análise automatizada de dados, haja vista que as bases de dados se tornaram gigantescas e os métodos convencionais de análises de dados não eram mais viáveis.
Data mining está fortemente relacionado ao processo de descoberta de conhecimentos em bases de dados – KDD (Knowledge Discovery in Data Bases) sendo uma das etapas do processo KDD, a mineração de dados recorre a aplicação de técnicas e algoritmos específicos a fim de descobrir padrões úteis em bancos de dados (Fayyad, Piatetsky e Smyth, 1996).
Outra definição de mineração de dados por Hand, Mannila e Smyth (2001) é que data mining é a análise de grandes bases de dados com o propósito de encontrar relacionamento entre esses dados, informações úteis e compreensíveis para o proprietário dos dados.
Principais Tarefas da Mineração de Dados
Através da mineração de dados é possível realizar determinadas tarefas que são de grande importância para obtenção de conhecimento em bases de dados, a seguir é listado as principais tarefas de data mining (Camilo e Silva, 2009).
Descrição: Essa tarefa pretende mostrar padrões encontrados nos dados bem como as tendências, a descrição pode apresentar uma interpretação possível dos padrões extraídos mediante a aplicação dos algoritmos e técnicas de mineração de dados.
Classificação: Analisa um registro e identifica relacionamentos com outras classes, um exemplo disso é quando um serviço de streaming de filmes e séries faz uma sugestão de qual filme é mais indicado para o seu perfil com base no seu histórico.
Predição: A tarefa de predição consiste em analisar dados propostos e prever uma situação futura com base nos padrões apresentados, podemos usar como exemplo a tendência de preço de um determinado produto com base em dados anteriores.
Agrupamento (Clustering): Consiste em analisar e separar dados com valores semelhantes agrupando-os, sendo útil para obter padrões do tipo: “lotes de um determinado produto apresentaram problemas depois de 3 meses de uso”, geralmente essa tarefa é usada em conjunto com outras tarefas.
Associação: Essa tarefa é muito valiosa para o comércio e varejo, tendo obtido ótimos resultados, ela consiste em identificar relacionamentos entre dados do tipo: “Maioria dos clientes que compraram queijo também levaram pão”.
Empresas que Utilizam Mineração de Dados
Muitas organizações perceberam que o investimento em tecnologias poderia fazer a diferença no sucesso dos negócios, desde então a mineração de dados tem sido aplicada em diversos segmentos.
Netflix: Constantemente citada como exemplo de sucesso no uso de ciência de dados, a Netflix investiu alto para otimizar seus algoritmos de indicação de filmes e séries, fornecendo sugestões personalizadas aos seus usuários com base nas suas atividades dentro da plataforma (FREITAS, 2018).
TOTVS: Empresa líder no fornecimento de sistemas de gestão no Brasil (FGV, 2022) também investe e fornece serviços de mineração de dados para seus clientes, proporcionando extração de padrões que podem auxiliar na tomada de decisões nos negócios (TOTVS, 2022).
Facebook: Usa a ciência de dados para aprimorar a sugestão de amizades dentro da plataforma, conseguindo indicar amizades que possivelmente vão se dar bem com você. Isso é possível devido ao uso de algoritmos de mineração de dados que analisam seus contatos, cookies e o que você escreve, para então chegar nas informações necessárias para fazer a sugestão.
Tinder: A rede social também usa algoritmos de data mining para classificar usuários com maior probabilidade de Match, selecionando variáveis como interesses comuns, localidade e atividade dentro da rede (LEMOS, 2020).
Exemplos de Aplicações da Mineração de Dados
Varejo: Essa é uma das áreas onde a mineração de dados tem contribuído para o crescimento, pois dados sobre vendas, produtos e clientes quando submetidos a técnicas de data mining, apresentam informações que podem ser usadas para otimizar campanhas, marketing e promover ofertas direcionadas a um determinado perfil de cliente.
Educação: Nessa área a data mining pode ser útil para prever o progresso dos alunos, perceber quem está com maiores dificuldades em determinado assunto e sugerir planos de ensino adequados para o perfil de uma determinada classe.
Saúde: Existem diversos trabalhos na literatura apontando resultados do uso de mineração de dados na área da saúde, um exemplo disso é trabalho de Quevedo (2015) onde foi feito a aplicação da data mining para descobrir perfis de risco de câncer.
Considerações Finais
A descoberta de conhecimentos em bases de dados tem sido amplamente utilizada em médias e grandes empresas devido ao alto potencial competitivo que a extração de conhecimento útil pode trazer. É possível notar que as grandes organizações de hoje, foram as que mais investiram em ciência de dados no passado.
Referências
CAMILO, Oliveira; SILVA, Carlos. Mineração de dados: conceitos, tarefas, métodos e ferramentas. 2009.
FGV. Panorama do Uso de TI no Brasil. Disponível em <https://eaesp.fgv.br/sites/eaesp.fgv.br/files/u68/fgvcia_pesti_-_panorama_2022.docx> Acesso em 23 de Novembro de 2022.
FAYYAD, Usama; PIATETSKY, Gregory; SMYTH, Padharaic. From data mining to knowledge discovery in databases. 1996.
FREITAS, M. L. Netflix e o uso de ciência de dados para alcançar o sucesso. Disponível em < https://pt.linkedin.com/pulse/netflix-e-o-uso-da-ci%C3%AAncia-de-dados-para-alcan%C3%A7ar-lucas> Acesso em 23 de Novembro de 2022.
HAND, D.; MANNILA, H.; SMYTH, P. Principles of Data Mining. MIT Press, 2001.
LEMOS, Sandra. A Ciência de Dados no mercado: 7 casos de sucesso. Disponível em < https://insightlab.ufc.br/a-ciencia-de-dados-no-mercado-7-casos-de-sucesso> Acesso em 23 de Novembro de 2022.
QUEVEDO, V. M. Aplicação do Data Mining na Descoberta de Perfis de Risco de Câncer. 2015.
TOTVS. Mineração de Dados: O que é, importância e ferramentas. Disponível em < https://www.totvs.com/blog/negocios/mineracao-de-dados/> Acesso 23 de Novembro de 2022.
