UNIVERSIDADE ANHEMBI MORUMBI

EDMILSON ORLANDO DE OLIVEIRA

Título: Análise Preditiva para Prever o Prato a Ser Vendido em um

Restaurante com Base nas Condições Climáticas

São Paulo
2023
Introdução:
A utilização da análise preditiva e da inteligência analítica tem se mostrado cada vez mais
importante para auxiliar nas tomadas de decisão em diversos setores, incluindo o ramo da
gastronomia. No caso apresentado, um restaurante busca prever o prato a ser vendido no
décimo quinto dia, levando em consideração as condições climáticas. Nesta dissertação,
discutiremos a aplicação da mineração de dados e do algoritmo de classificação de Naïve
Bayes para resolver esse problema.

Desenvolvimento:
a) A indicação de que, utilizando a mineração de dados no cruzamento dos dados do
proprietário do restaurante, será possível obter o prato a ser vendido em uma situação x
não catalogada:

A mineração de dados é uma técnica que permite extrair informações valiosas e padrões
ocultos em grandes conjuntos de dados. No contexto do restaurante, o proprietário reuniu
dados históricos referentes às vendas dos pratos e também registrou a situação climática
em cada dia. Com base nesses dados, é possível aplicar técnicas de mineração para
identificar correlações entre as condições climáticas e as preferências dos clientes em
relação aos pratos.

Ao cruzar os dados históricos do restaurante com as condições climáticas, o proprietário

pode identificar padrões que indicam a preferência dos clientes por um prato específico
em determinadas condições. Por exemplo, pode-se observar que em dias chuvosos com
temperatura mais baixa, há uma maior preferência pelo prato de feijoada, enquanto em
dias ensolarados com temperatura mais alta, o prato de parmegiana é mais popular. Com
base nessas informações, é possível fazer previsões para situações não catalogadas,
como o décimo quinto dia, utilizando as condições climáticas previstas.

b) Explicação de como o algoritmo de classificação de Naïve Bayes pode resolver o

problema:

O algoritmo de classificação de Naïve Bayes é uma técnica de aprendizado de máquina

supervisionado amplamente utilizada para classificar dados em categorias ou classes. Ele
se baseia no teorema de Bayes e assume independência condicional entre os atributos.

No caso em questão, o algoritmo de classificação de Naïve Bayes pode ser aplicado para
prever o prato a ser vendido no décimo quinto dia com base nas condições climáticas. O
conjunto de dados históricos do restaurante será dividido em um conjunto de treinamento
e um conjunto de teste. O conjunto de treinamento será utilizado para treinar o algoritmo,
enquanto o conjunto de teste será usado para avaliar a precisão da previsão.

As variáveis independentes no algoritmo de Naïve Bayes seriam as condições climáticas,

como clima, temperatura, umidade e presença de vento, e a variável dependente seria o
prato vendido. Com base nos dados históricos, o algoritmo aprenderá a probabilidade de
cada prato ser escolhido em diferentes condições climáticas. Essas probabilidades serão
utilizadas para fazer a previsão do prato a ser vendido no décimo quinto dia, considerando
as condições climáticas previstas para essa data.

Conclusão:
A aplicação da análise preditiva e do algoritmo de classificação de Naïve Bayes permite
ao proprietário do restaurante prever o prato a ser vendido no décimo quinto dia com base
nas condições climáticas. Ao utilizar técnicas de mineração de dados e explorar os
padrões existentes nos dados históricos, é possível identificar correlações entre as
condições climáticas e as preferências dos clientes. O algoritmo de Naïve Bayes, por sua
vez, permite fazer a classificação e previsão com base nessas correlações. Essa
abordagem auxilia o restaurante a oferecer pratos frescos, evitando desperdício de
alimentos e melhorando a experiência dos clientes.
Podemos concluir para um cenário aplicado ao 15º dia sol/moderado/normal/sim

Aplicando o teorema de Naïve Bayes, podemos calcular a probabilidade de cada prato para o décimo quinto dia para o cenário acima:
P(vender=parmegiana | previsao=sol, temperatura=moderado, humidade=normal, vento=sim) =
P(previsao=sol | vender=parmegiana) * P(temperatura=moderado | vender=parmegiana) *
P(humidade=normal | vender=parmegiana) * P(vento=sim | vender=parmegiana) * P(vender=parmegiana)
= 0.333 * 0.25 * 0.167 * 0.167 * 0.429 = 0.0017

P(vender=feijoada | previsao=sol, temperatura=moderado, humidade=normal, vento=sim) =

P(previsao=sol | vender=feijoada) * P(temperatura=moderado | vender=feijoada) *
P(humidade=normal | vender=feijoada) * P(vento=sim | vender=feijoada) * P(vender=feijoada)
= 0.375 * 0.25 * 0.25 * 0.25 * 0.571 = 0.019

Portanto, de acordo com o algoritmo de Naïve Bayes, a previsão para o valor da coluna
"vender" no décimo quinto dia seria "feijoada" com uma probabilidade de
aproximadamente 0.019.

Com tudo vale ressaltar que precisão das previsões pode variar dependendo da qualidade
e representatividade dos dados de treinamento.
REFERÊNCIAS BIBLIOGRÁFICAS:
Sakurai, G. (2021). Classificação Naïve Bayes. Disponível em:
https://www.sakurai.dev.br/classificacao-naive-bayes/. Acesso em: 14 Maio 2023.
Repositório UNESC. Disponível em: http://repositorio.unesc.net/handle/1/8150. Acesso
em: Acesso em: 15 Maio 2023.
Microsoft. Algoritmo Naïve Bayes da Microsoft. Disponível em:
https://learn.microsoft.com/pt-br/analysis-services/data-mining/microsoft-naive-bayes-
algorithm?view=asallproducts-allversions. Acesso em: 16 Maio 2023.