Dado, Informação,

Conhecimento e
Ferramentas
Ferramentas II
Engenharia de Produção - PUC Minas
Empresas data-driven

 Nos últimos anos, empresas têm tomado decisões cada

vez mais orientadas a dados (data-driven).

 Estes dados são coletados de forma cada vez mais

frequente devido ao aumento da quantidade de
sensores (smartphones e máquinas) e à diminuição do
custo de armazenamento dos dados gerados (nuvens).
Empresas data-driven

 Dados são agrupados e processados por diferentes

ferramentas matemáticas e estatísticas que auxiliam o
Engenheiro de Produção a buscar uma melhoria
substancial da qualidade dos produtos e um aumento da
produtividade.

 Elas se baseiam na análise de dados, que devem ser

confiáveis.
Dado
 Elemento bruto, sem um significado isolado e sem uma
maior elaboração.

 Gerados de forma automática ou manual.

 Ex: valores numéricos, texto em uma célula de planilha,

pixels de imagens, sons isolados.
Informação

 Dados organizados e processados por meio de alguma

ferramenta, com um significado subjacente.

 Ex: planilha de folha de pagamento com a junção de

valores numéricos e de texto, cálculo da média salarial
da empresa ou planilha com total de vendas realizadas.
Conhecimento
 Informação interpretada por indivíduos.

 Uma tomada de decisões assertiva passa pela interpretação da

informação gerada dentro das empresas.

 Ex: estudo de reavaliação do plano de carreira da empresa

realizado pela área de RH, estudo sobre como diminuir o
churn rate (taxa de abandono) na base de clientes de um
aplicativo.
Dado, Informação e
Conhecimento

Dado Informação Conhecimento

Ferramentas

 Transformam o dado em informação e facilitam a

transformação da informação em conhecimento.

 Análises exploratórias:
 Gráficos, tabelas, listas, médias, variabilidade;

 Análises preditivas:
 Ferramentas estatísticas de previsão;
 Aprendizado de máquinas (machine learning);
Exemplo: setor de aplicativos
de mobilidade urbana

 Local de partida.
 Local de destino.
 Nome do motorista.
 Nome do passageiro.
Dados  E-mail cadastrado.
 Marca do carro.
 Placa do carro.
 Número do cartão.
 Avaliação da viagem.
Exemplo: setor de aplicativos
de mobilidade urbana

 Tempo estimado de chegada.

 Valor estimado da viagem.
 Histórico de viagens de um passageiro.
 Gastos totais em um mês de um
Informação passageiro.
 Score calculado de um passageiro e de
um motorista.
 Remuneração total de um motorista
em determinado mês.
 Total de demanda e oferta em uma
região.
Exemplo: setor de aplicativos
de mobilidade urbana

 Entendimento dos padrões de

deslocamento e de gastos dos
passageiros.
 Interpretação pelo motorista do
melhor horário e local para se
Conhecimento trabalhar.
 Decisão sobre a melhor política de
incentivos com cupons de desconto
para aumentar oferta e demanda em
determinada cidade.
 Análise da melhor estruturação de um
programa de fidelidade.
Exemplo: setor de aplicativos
de mobilidade urbana

 Listagens de viagens realizadas,

concatenando dados relevantes.
 Cálculo da nota do passageiro e do
motorista pela média das últimas
500 viagens.
Ferramentas  Análise de clusters (agrupamentos)
de perfis de passageiros e motoristas
para otimização de estratégias.
 Machine learning para previsão de
demanda nas próximas horas.
Dúvidas?