• CRISP-DM = Cross-Industry Standard Process for Data Mining.

CRISP-DM como estrutura orientadora

• Metodologia testada e aprovada para organizar projetos de dados.

• Ciclo iterativo que começa com compreensão do negócio, não com código.

• Pontos de verificação claros para avaliar progresso e alinhar expectativas.

• IBM Corporation (2023)

Determinar objetivos de negócios: Identificar problemas como “Reduzir a evasão de clientes em 15%” ou “Aumentar vendas cruzadas em lojas físicas”.

Avaliar a situação: Mapear os dados disponíveis, pessoas e ferramentas necessárias, avaliar orçamento e prazo, e identificar restrições operacionais.

Definir objetivos de mineração de dados: Traduzir “Aumentar vendas” em “Criar modelo que identifique clientes com maior propensão à compra de produtos complementares”.

Produzir plano de projeto: Desenvolver cronograma realista com responsáveis, recursos e entregas para cada fase do projeto analítico.

Coletar dados iniciais: Extrair dados de vendas do ERP, histórico de interações de CRM ou pesquisas de satisfação de clientes.

Descrever dados: Documentar volume (ex: 50.000 registros), período (últimos 12 meses), formatos e variáveis disponíveis (categóricas/numéricas).

Explorar dados: Analisar distribuições de vendas por região, correlações entre idade e valor de compra, ou sazonalidade em séries temporais.

Verificar qualidade dos dados: Identificar problemas como registros duplicados, valores extremos em preços ou campos incompletos em cadastros.

Selecionar dados: Filtrar apenas clientes ativos nos últimos 6 meses ou selecionar variáveis relevantes para o problema de negócio.

Limpar dados: Corrigir CEPs incorretos, padronizar nomes de produtos ou remover transações duplicadas no sistema.

Construir dados: Criar indicadores como “tempo desde última compra”, “ticket médio” ou categorizar clientes por faixa de valor.

Integrar e formatar dados: Unificar dados de vendas online e offline ou converter datas para formato padronizado adequado para análise.

Selecionar técnicas de modelagem: Escolher segmentação (K-means) para perfis de clientes ou regressão logística para prever cancelamentos.

Gerar design de teste: Dividir dados em 70% para treino e 30% p ara teste, garantindo representação de todos os segmentos de clientes.

Construir modelos: Ajustar parâmetros do algoritmo, como número de clusters ou variáveis preditoras, baseado nos dados preparados.

Avaliar modelos tecnicamente: Analisar métricas como precisão (87%), recall (76%) ou coeficiente de silhueta para modelos de segmentação.

Avaliar resultados de negócio: Determinar se o modelo realmente ajuda a reduzir custos de aquisição de clientes ou aumentar conversão.

Revisar processo: Verificar se todas as etapas foram executadas corretamente e se alguma análise adicional seria relevante.

Determinar próximos passos: Decidir entre implementar o modelo em produção, refinar análises ou explorar novas oportunidades identificadas.

Planejar implementação: Definir como integrar previsões do modelo ao sistema de gestão ou aos processos de tomada de decisão.

Monitorar e manter: Estabelecer KPIs para acompanhar eficácia do modelo e cronograma para retreinamento com novos dados.

Produzir relatório final: Criar dashboard para gestores ou documento executivo destacando principais descobertas e recomendações.

Revisar projeto: Documentar aprendizados, como “dados de mídia social melhoraram previsões em 12%” para referência em projetos futuros.

• Analytics representa um espectro contínuo de técnicas que evoluem em complexidade e valor estratégico: da compreensão do passado (descritiva) à otimização do futuro (prescritiva).

• Cada tipo de análise responde a uma pergunta fundamental de negócios, utilizando métodos progressivamente mais sofisticados.

• As organizações geralmente avançam nesta jornada analítica de forma sequencial, construindo capacidades em cada estágio antes de progredir para o próximo.

• A maturidade analítica de uma empresa pode ser avaliada pelo equilíbrio e profundidade de implementação destes quatro tipos de análise em seus processos decisórios.

• Objetivo: Sumarizar dados históricos para identificar padrões e tendências.

• Técnicas: Estatísticas descritivas, visualizações, dashboards.

• Complexidade: ★☆☆☆

Exemplos em Administração:

• Relatório de vendas por canal (físico vs. e-commerce) durante períodos promocionais como Black Friday.

• Dashboard de monitoramento de indicadores operacionais em tempo real via Power BI.

• Análise de segmentação de clientes por região e comportamento de compra no varejo.

• Objetivo: Investigar causas e relações entre variáveis.

• Técnicas: Correlação, drill-down (detalhamento), segmentação, análise de fatores.

• Complexidade: ★★☆☆

Exemplos em Administração:

• Análise dos fatores que influenciaram a queda nas vendas após reajuste de preços.

• Investigação das causas de aumento no turnover em unidades específicas do negócio.

• Identificação dos elementos que mais impactam a satisfação do cliente em redes de supermercados brasileiras.

• Objetivo: Prever tendências futuras e comportamentos com base em dados históricos.

• Técnicas: Regressão, séries temporais, machine learning, classificação.

• Complexidade: ★★★☆

Exemplos em Administração:

• Previsão de demanda para produtos sazonais considerando fatores como feriados nacionais.

• Modelo de propensão à inadimplência para empresas de crédito como fintechs brasileiras.

• Previsão de giro de estoque para otimizar compras no setor de varejo farmacêutico.

• Objetivo: Recomendar ações otimizadas com base em análises anteriores.

• Técnicas: Otimização, simulação, algoritmos de decisão, sistemas de recomendação.

• Complexidade: ★★★★

Exemplos em Administração:

• Otimização de mix de produtos por loja baseada em características regionais e perfil do consumidor.

• Sistema de recomendação personalizada para clientes de e-commerce baseado em histórico e tendências.

• Definição automática de rotas logísticas considerando restrições urbanas específicas de grandes cidades brasileiras.