Escolar Documentos
Profissional Documentos
Cultura Documentos
• Escalas Likert
• Faixa de renda
• Nacionalidade
• Estado civil
• Escolaridade
• Tipo de solo
• Vacinado ou não
• Tipos de comorbidades
Tipos de variáveis
• Quantitativas: exemplos
• Idade
• Renda (em R$)
• Quantidade de filhos
• Altura da pessoa (em cm)
• Peso (em kg)
• Retorno de ações na bolsa
• Temperatura do ambiente
• Lucro/prejuízo da empresa
Estatísticas Descritivas
1. Tabela de frequências
• Quantidade de ocorrências por categoria
• Qualitativas
• De forma direta, apresenta a quantidade de ocorrências para cada categoria
• Quantitativas
• Variável discreta: a análise assemelha-se ao caso da variável qualitativa, ou seja, mostra
a quantidade de ocorrências para cada valor discreto da variável
• Variável contínua: é necessária uma categorização inicial por classes ou faixas para, em
seguida, apresentar a quantidade de ocorrências em cada categoria gerada
1. Tabela de frequências
• Elaborando uma tabela de frequências
• Exemplo: Foram coletados dados sobre o país de origem de 300 pessoas que
estavam em uma palestra. A tabela de frequências para a variável “país de
origem” está disponível na planilha de suporte na aba Tabela de Frequências.
2. Medidas de posição
• Média
• Mediana
• Moda
• Percentis
• Quartis
• Decis
2. Medidas de posição
• Média
• É média aritmética simples para a variável, ou seja, é a soma dos valores (Xi)
contidos na variável dividido pela quantidade total de observações (n)
σ𝒏
𝒊=𝟏 𝑿𝒊
ഥ =
•𝑿
𝒏
2. Medidas de posição
• Mediana
𝑿𝒏 + 𝑿 𝒏
𝟐 +𝟏
𝟐
, 𝒔𝒆 𝒏 𝒇𝒐𝒓 𝒑𝒂𝒓
• 𝑴𝒅 𝑿 = ൞ 𝟐
𝑿 𝒏+𝟏 , 𝒔𝒆 𝒏 𝒇𝒐𝒓 𝒊𝒎𝒑𝒂𝒓
𝟐
2. Medidas de posição
• Moda
• É o valor que aparece com maior frequência nas observações de uma variável
• É possível que não exista a moda de uma variável (especialmente, se for uma
variável contínua)
• 14º Percentil
• 42º Percentil
• 60º Percentil ...
𝑷𝒊
• 𝑷𝒐𝒔 𝑷𝒊 = 𝒏−𝟏 . +𝟏
𝟏𝟎𝟎
2. Medidas de posição
• Quartis
• 𝑨 = 𝑿𝒎á𝒙 − 𝑿𝒎í𝒏
σ𝒏 ഥ
𝒊=𝟏(𝑿𝒊 − 𝑿)²
• 𝑺𝟐 =
𝒏−𝟏
• 𝑺= 𝑺²
3. Medidas de dispersão
• Erro padrão
𝑺
• 𝑺𝑿ഥ =
𝒏
• Pode ser utilizada para realizar comparações entre amostras, por exemplo
𝑺
• 𝑪𝑽 = ഥ
. 𝟏𝟎𝟎
𝑿
4. Medidas de forma
• Assimetria e Curtose
𝒏𝟐 . 𝑴𝟑 σ𝒏 ഥ
𝒊=𝟏(𝑿𝒊 − 𝑿)³
• 𝒈𝟏 = em que 𝑴𝟑 =
𝒏−𝟏 . 𝒏−𝟐 .𝑺𝟑 𝒏
4. Medidas de forma
• Assimetria e Curtose
𝒏𝟐 . 𝒏+𝟏 . 𝑴𝟒 (𝒏−𝟏)𝟐 σ𝒏 ഥ 𝟒
𝒊=𝟏(𝑿𝒊 − 𝑿)
• 𝒈𝟐 = −𝟑. em que 𝑴𝟒 =
𝒏−𝟏 . 𝒏−𝟐 . 𝒏−𝟑 .𝑺𝟒 𝒏−𝟐 .(𝒏−𝟑) 𝒏
4. Medidas de forma
• Assimetria e Curtose
• Assimetria
• g1 = 0 indica curva simétrica
• g1 > 0 indica curva assimétrica positiva (à direita)
• g1 < 0 indica curva assimétrica negativa (à esquerda)
• Curtose
• g2 = 0 indica curva com distribuição normal
• g2 > 0 indica curva com distribuição alongada
• g2 < 0 indica curva com distribuição achatada
Posição, dispersão e forma
• Aplicação conjunta das medidas
• O banco de dados com as 100 observações de preço está na planilha suporte na aba
Descritivas – Quantitativa.
5. Relação entre variáveis
• Medidas de análises bivariadas
• Muitas vezes, o interesse pode estar na relação entre duas variáveis. Nestes
casos, antes, é importante conhecer o tipo de variável:
• Variáveis qualitativas: análise da associação pelo teste qui-quadrado (χ2)
σ 𝑳𝟏 . σ 𝑪𝟏
• 𝒇𝒓𝒆𝒒. 𝒂𝒃𝒔𝒐𝒍𝒖𝒕𝒂 𝒆𝒔𝒑𝒆𝒓𝒂𝒅𝒂𝟏𝟏 =
𝑵
(𝒓𝒆𝒔í𝒅𝒖𝒐)²
• 𝝌² =
(𝒇𝒓𝒆𝒒. 𝒂𝒃𝒔𝒐𝒍𝒖𝒕𝒂 𝒆𝒔𝒑𝒆𝒓𝒂𝒅𝒂)
• Exemplo: Um estudo foi realizado com 200 pessoas com o intuito de analisar
o comportamento conjunto da variável “operadora de plano de saúde” com a
variável “nível de satisfação” do consumidor. O objetivo é analisar se existe a
associação estatisticamente significativa entre tais variáveis. (Fonte: Fávero e
Belfiore, 2017, Cap. 8)
σ𝒏 ഥ ഥ
𝒊=𝟏 𝑿𝒊 − 𝑿 . (𝒀𝒊 − 𝒀)
• 𝒄𝒐𝒗(𝑿, 𝒀) =
𝒏−𝟏
𝜌𝑋𝑌 = -1 (perfeita negativa)
𝜌𝑋𝑌 = 0 (sem correlação)
𝒄𝒐𝒗(𝑿,𝒀)
• 𝝆𝑿𝒀 = , sendo que 𝝆𝑿𝒀 varia entre -1 e 1 𝜌𝑋𝑌 = 1 (perfeita positiva)
𝑺𝑿 . 𝑺𝒀
5. Relação entre variáveis
• Coeficiente de correlação de Pearson
• Uniforme
• Bernoulli
• Binomial
• Binomial negativa
• Poisson
Variáveis discretas
• Distribuição uniforme discreta
𝟏
• 𝑷 𝑿 = 𝒙𝒊 =
𝒏
• P(X=1) = 1/6
• P(X=2) = 1/6
• P(X=3) = 1/6
• P(X=4) = 1/6
• P(X=5) = 1/6
• P(X=6) = 1/6
Variáveis discretas
• Distribuição de Bernoulli
• 𝑷 𝑿 = 𝒙 = 𝒑𝒙 . (𝟏 − 𝒑)𝟏−𝒙 Logística
binária!
Variáveis discretas
• Distribuição de Bernoulli
𝒏 𝒏 𝒏! Logística
• 𝑷 𝑿=𝒌 = 𝒌
. 𝒑𝒌 . (𝟏 − 𝒑)𝒏−𝒌 em que 𝒌
= multinomial!
𝒌! 𝒏−𝒌 !
Variáveis discretas
• Distribuição binomial
• A planilha para auxílio está na planilha de suporte na aba Distribuição Binomial Negativa
Variáveis discretas
• Distribuição Poisson
𝒆−𝝀 . 𝝀𝒌
• 𝑷 𝑿=𝒌 =
𝒌!
(𝒙 − 𝝁)²
𝟏 −
•𝒇 𝒙 = .𝒆 𝟐 . 𝝈²
𝝈 . 𝟐𝝅
Variáveis contínuas
• Distribuição normal
• A transformação pelo Z-score faz com que a variável passe a ter média = 0 e
desvio padrão = 1 e não altera a distribuição original
(𝑿− 𝝁)
• 𝒁=
𝝈
• Por outro lado, a distribuição t de Student tem caudas mais longas e isso
permite valores mais extremos
• Erro tipo II: não rejeitar a hipótese nula (H0) quando ela é falsa
• A estatística do teste é:
ഥ − 𝝁𝟎
𝑿
• 𝒁=
𝝈Τ 𝒏
ഥ − 𝝁𝟎
𝑿
• 𝑻=
𝑺Τ 𝒏
• Estatística do teste:
𝒓
• 𝒕=
(𝟏−𝒓²)
(𝒏−𝟐)
• A estatística do teste é:
𝒌 (𝑶𝒊 − 𝑬𝒊 )𝟐
• 𝝌𝟐 = σ𝒊=𝟏
𝑬 𝒊
• Os dados tabulados estão na planilha de suporte na aba Teste Qui² Uma Amostra.
Testes de hipóteses
• Teste F para comparação de variâncias
• A estatística do teste é:
𝑺𝟐𝒎𝒂𝒊𝒐𝒓
• 𝑭=
𝑺𝟐𝒎𝒆𝒏𝒐𝒓
• Exemplo: Uma empresa de logística está analisando qual entre duas rotas
oferece a melhor previsibilidade para o horário de entrega ao seu maior
cliente. Foram coletados dados sobre o tempo de entrega durante 35 dias
para cada rota. O diretor de logística deseja testar a hipótese que a rota B tem
maior variabilidade no tempo de entrega, comparativamente à rota A.
𝒔 𝒔 𝒔 𝒔
• 𝑰𝑪 = (ഥ
𝒙−𝒁. ഥ+𝒁.
, 𝒙 ) ou ഥ−𝒕.
𝑰𝑪 = 𝒙 ഥ+𝒕.
, 𝒙
𝒏 𝒏 𝒏 𝒏
• Por exemplo, antes pode ser feito um teste F para comparação das variâncias
(𝑿𝟏 −𝑿𝟐 )
• 𝑻= 𝑺²𝟏 𝑺²𝟐
+
𝒏𝟏 𝒏𝟐
𝑺²𝟏 𝑺²𝟐
+
𝒏 𝟏 𝒏𝟐
²
• Os graus de liberdade são 𝒗 = 𝑺²𝟏൘ 𝑺²𝟐൘
𝒏𝟏 ² 𝒏𝟐 ²
(𝒏𝟏 −𝟏)
+ (𝒏 −𝟏)
𝟐
Testes de hipóteses
• Teste t para comparação de médias em
duas amostras independentes
(𝑿𝟏 −𝑿𝟐 )
• 𝑻= 𝟏 𝟏
𝑺𝒑 . 𝒏 +𝒏
𝟏 𝟐
𝒏𝟏 −𝟏 .𝑺²𝟏 + 𝒏𝟐 −𝟏 .𝑺²𝟐
• Em que 𝑺𝒑 = e os graus de liberdade são n1+n2-2
𝒏𝟏 +𝒏𝟐 −𝟐
Testes de hipóteses
• Teste t para comparação de médias em
duas amostras independentes
Fávero, Luiz Paulo; Belfiore, Patrícia. (2017). Manual de análise de dados: estatística
e modelagem multivariada com Excel®, SPSS® e Stata®. Rio de Janeiro: Elsevier
Estruturas de Bancos de Dados,
Tipos de Variáveis e Escalas de
Mensuração
Conjunto de técnicas de programação voltadas à
coleta, ao tratamento, à manipulação, à organização,
à análise, à extração de informação e à apresentação
Data Science de dados, na forma de relatórios ou gráficos, visando
subsidiar o processo de tomada de decisão.
O que são algoritmos?
Algoritmos – um conceito:
Técnicas de machine learning assentadas com Técnicas de machine learning assentadas com
algoritmos não supervisionados (unsupervised algoritmos supervisionados (supervised learning)
learning) não possuem capacidade de inferência. possuem capacidade de inferência. Dedicam-se,
Dedicam-se, portanto, a uma análise portanto, a uma análise confirmatória, preditiva,
exploratória, diagnóstica, de dado fenômeno de dado fenômeno estudado. Exemplos comuns:
estudado. Exemplos comuns: Análise de Clusters, Regressões Lineares, Regressões Logísticas,
Análise Fatorial de Componentes Principais, Árvores de Decisão, Random Forests, Redes
Análises de Correspondências Simples e Neurais, etc.
Múltiplas, etc.
Como escolher os algoritmos?
Passo 1: Algoritmos Não Supervisionados
ou Algoritmos Supervisionados?
Regra geral, as bases de dados são estruturadas da seguinte maneira: variáveis em colunas e observações
em linhas.
Colunas: variáveis
Linhas: observações
A definição incorreta das escalas de mensuração das variáveis da base de dados é um dos principais erros
na aplicação das técnicas de machine learning. Tal erro é irreparável, implicando no reinício de todo o
processo de modelagem, em razão dos vieses criados (e.g.: a ponderação arbitrária).
Variáveis podem ser entendidas como uma característica de dada amostra ou população, que pode ser medida, ou
contada ou categorizada.
São bons exemplos introdutórios, a altura e/ou o peso das pessoas, suas faixas de renda, a cor e/ou o modelo de
carros que dirigem.
Os indivíduos de uma dada amostra ou população, não necessariamente, precisam ser pessoas em seu sentido
físico. Podem ser objetos, distritos, municípios, organizações, grupos, células, moléculas, astros, etc. Dessa forma,
as características dos indivíduos mencionados, seriam consideradas suas variáveis.
Para o curso, estabeleceremos a escala de mensuração das variáveis em duas: i) variáveis qualitativas; e ii) variáveis
quantitativas.
Variáveis Qualitativas
ar c Linkedin
M
Introdução à Linguagem R
Por Que Aprender uma
Linguagem de Programação?
▪ Aprender a programar é muito importante quando desejamos entender os
dados! Mais: é importante para que possamos interpretar esses dados; para
que possamos transformá-los em informação!
▪Se você trabalha ou deseja trabalhar com dados, programar é uma skill de
extrema relevância.
Há autores que definem os objetos do R como sendo uma variável. Para o curso, entenderemos que
variáveis correspondem a características de uma dada amostra ou população.
▪ Objetos são maneiras simples de se acessar algo que foi salvo na memória da máquina. Pode ser um valor,
uma palavra, uma ou mais variáveis, uma URL, uma base de dados amostral ou populacional, uma lista de
coisas distintas contendo informações e tamanhos distintos, um gráfico, um mapa, uma imagem, um novo
comando, etc. No R TUDO é um objeto! Cada um desses objetos possui uma classe!
▪ Funções correspondem a ações, a ordens direcionadas à máquina;
▪ Argumentos correspondem a um refinamento ou um melhor direcionamento das ações ou ordens
propostas pelas funções.
Criando um Objeto no R
▪ Há duas formas de se criar um objeto na linguagem R:
▪ Utilizando-se o símbolo =; ou
▪ Utilizando-se o símbolo <- chamado operador de atribuição (prefira essa forma, reservando o símbolo
= para as atribuições de valor dos argumentos das funções ou para operações matemáticas). O sinal de
atribuição pode ser rapidamente declarado ao se pressionar conjuntamente as teclas ‘Alt’ e ‘-’.
s u s
t
tail() Visualizar as últimas observações de uma base de dados
str()
o A Observar a estrutura de uma base de dados
length()
c el Observar o comprimento de um vetor ou de uma lista de dados
dim()
ar Descobrir as dimensões de um objeto
nrow() M Contar o número de linhas de uma base de dados
ncol() Contar o número de colunas de uma base de dados
rm() Remover um objeto do ambiente de trabalho
install.packages() Instalar pacotes
library() Carregar pacotes
Utilizando funções no R
Para utilizar uma função no R, devemos conhecer sua forma funcional, isto é, devemos, em regra, declarar
os argumentos inerentes a ela. Exemplo de utilização da função round():
Argumentos da função
▪ A instalação de um pacote não basta para sua utilização. Assim, a cada nova seção aberta do
RStudio, devemos chamá-los da seguinte maneira:
ou
mtcars[“nova_variável"] <- NA
▪De maneira mais precisa, também se pode extrair valores do dataset com o operador [ , ]:
basededados[ , ]
Declaração de Declaração de
qual linha se qual coluna se
quer acessar quer acessar
Funções if, else e
ifelse:
if(teste lógico){
caso a resposta do teste lógico seja TRUE, faça isso
} else {
caso a resposta do teste lógico seja FALSE, faça essa outra coisa
}
ifelse(teste lógico,
yes = caso a resposta do teste lógico seja TRUE, faça isso,
no = caso a resposta do teste lógico seja FALSE, faça essa outra coisa)
Funções for, while e
repeat
y <- 10
for(i in 1:5){
print(y + i) Para cada i (poderia ser qualquer
} símbolo ou palavra), presente na
sequência de 1 a 5, imprima o valor
da soma entre y e i
Funções for, while e
repeat
z <- 0
repeat{
Repita os passos a seguir:
print(w)
w <- w + 2 - Imprima o valor de w;
if(w > 18) break() - Atualize o valor de w, acrescendo-
o em duas unidades;
}
- Se w passar a ser maior do que
18, pare tudo.
Visualização de Dados com o
ggplot2
▪ A sintaxe mais básica do pacote ggplot2, para a criação de um gráfico a partir de um data
frame, é a seguinte:
ar c Linkedin
M
INTRODUÇÃO AO SOFTWARE R E
INTRODUÇÃO AO MACHINE
LEARNING
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Introdução ao Machine Learning
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Machine learning
• Definição
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Banco de dados
• Definição e composição
• Em muitos casos, o banco de dados contém uma amostra, que nada mais é do
que um subconjunto extraído da população
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Variáveis qualitativas
• Características principais
• Não é possível calcular outras medidas de resumo como média ou desvio padrão para
variáveis qualitativas
• Discretas: possuem conjunto finito e numerável de valores, em geral, são obtidas a partir
de dados de contagem (0, 1, 2, 3, 4, 5...)
• Contínuas: assumem valores pertencentes ao intervalo de números reais
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Variáveis e técnicas
• Como identificar a técnica adequada
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Variáveis e técnicas
• Como identificar a técnica adequada
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Classificação de algoritmos
Hierarchical
Classification Trees GLM
Clustering
Modelos Logísticos
Boosting ANACOR e MCA
Binários e Multinomiais
SUPERVISIONADOS
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Classificação de algoritmos
VARIÁVEIS QUANTITATIVAS
Hierarchical
Classification Trees GLM
Clustering
Modelos Logísticos
Boosting ANACOR e MCA
Binários e Multinomiais
VARIÁVEIS QUALITATIVAS
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Classificação de algoritmos
Hierarchical
Classification Trees GLM
Clustering
Modelos Logísticos
Boosting ANACOR e MCA
Binários e Multinomiais
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Referências
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
5 1
0 9 8-
73 .
5 .2
a 31
i d
Introdução oao shSoftware R
i Y
u sh
At s
el o
ar c
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Software R e RStudio
• Apresentação
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Indicações
• Leituras para desenvolvimento no R
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
AULA INAUGURAL:
O CATALISADOR EM UM
MUNDO DE DADOS
Maira Roversi
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados, é do professor.
Proibida a reprodução total ou parcial, sem
autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 2
Fonte: Brasscom
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
3
Distribuição dos Empregos de TI
Fonte: Brasscom
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 4
Remuneração em TI
Fonte: Brasscom
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 5
Principais Geradores de Empregos de TI
em 5 anos
Fonte: Brasscom
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 6
Desafios
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 7
Déficit de mão de obra
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 8
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
9
Diversidade
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 10
Diversidade
51% 49%
População Nacional
Dados: Brasscom
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 11
Diversidade
49% 44%
51%
56%
Dados: Brasscom
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 12
Diversidade
24%
49% 44%
51%
56%
76%
Dados: Brasscom
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 13
Oportunidades
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 14
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
15
Perspectiva de Investimento 2022-2025
(R$ bilhões)
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor. Fonte: Brasscom
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 16
Tendências
Fonte: Brasscom
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 17
Ciência de Dados
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
20
Empresa regida por dados
(Data-driven organization)
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
21
Tornar-se Data-Driven
requer um foco organizacional
na mudança cultural…
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
22
Tornar-se Data-Driven
requer um foco organizacional
na mudança cultural…
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
24
Passos que contribuem
para uma cultura data-driven
1. A cultura de dados começa no topo
2. Atenção e cuidado na escolha das métricas
3. Nao isole os cientistas de dados
4. Corrija problemas básicos de acesso a dados rapidamente
5. Quantifique a incerteza
6. Faça provas de conceito simples e robustas
7. Ofereça treinamento especializado no momento certo
8. Use análises para ajudar os funcionários, não apenas os clientes
9. Esteja disposto a trocar, eventualmente, flexibilidade por consistência
10.Adquira o hábito de explicar as escolhas analíticas
Fonte: HBR data-driven culture
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
25
Impacto dos dados bem gerenciados
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
26
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 27
DBA Engenheiro de ML Esp em Marketing Digital
Analista de Dados Esp em Qualidade de Dados Esp Inteligencia Artificial Analista de Negócio
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 28
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 29
Para tomar as melhores decisões,
primeiro nós precisamos…
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 30
Para tomar as melhores decisões,
primeiro nós precisamos…
… fazer as
perguntas corretas!!
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 31
5 1
0 9 8-
73 .
5 .2
Intervaloida 31
osh
i Y
u sh
At s
el o
ar c
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
32
Para tomar as melhores decisões,
primeiro nós precisamos…
… fazer as
perguntas corretas!!
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 33
Maturidade
Perguntas dos Dados
Corretas
Interlocutores
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
34
Modelos de Maturidade dos Dados
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 35
Modelos de Maturidade dos Dados
Estágio Descritivo Estágio Preditivo Estágio Prescritivo
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 36
Modelos de Maturidade dos Dados
Estágio Descritivo Estágio Preditivo Estágio Prescritivo
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 37
Modelos de Maturidade dos Dados
Estágio Descritivo Estágio Preditivo Estágio Prescritivo
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 38
Modelos de Maturidade dos Dados
Estágio Descritivo Estágio Preditivo Estágio Prescritivo
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 39
Exemplo de Perguntas para
Redução de Evasão
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 40
Banco de Perguntas
Por que nos preocupamos com esse problema e quais são os resultados com os quais nos preocupamos?
Quais são as ações que podemos tomar para alcançar esses resultados?
Qual é o conjunto de dados ideal que precisamos para ter uma imagem granular de nossas ações e sua relação com os
resultados?
Qual é a incerteza subjacente e como faríamos para tomar essa decisão sem incerteza?
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 41
Maturidade
Perguntas dos Dados
Corretas
Interlocutores
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
42
Interlocutores
BDM
Business Decision Makers
Tomadores de decisão de negócio
CEO, COO, CMO, CFO, CHRO, CXO
Responsabilidades: Objetivos:
- Impulsionar mudança para uma cultura orientada - Tomar decisões de negócio baseadas em dados
por dados - Resolver problemas de negócio envolvendo dados
- Ser dono da função - Adotar insights rápidos e acionáveis a partir dos dados
- Usar dados para tomar decisões melhores, mais - Criar vantagem competitiva com tecnologias inovadoras
rápidas e mais embasadas
Responsabilidades: Objetivos:
- Liderar a transformação de TI - Inovação rápida de forma econômica
- Construir e manter um sistema de dados que produza um - Centralizacao das compras de TI e do gerenciamento de TI
vasto volume de dados - Garantir que os novos sitemas se integrem com os
- Rodar o processo de compras e gerenciar os vendors ambientes antigos
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
44
Interlocutores
CDO
Chief Data Office
Executivos: Chief Data Officer, Chief Analytics Officer (CAO)
Responsabilidades: Objetivos:
- Impulsionar a transformação digital e cultural em torno de dados - Centralizar dados e reduzir os custos
- Centralizar os dados e melhorar a acessibilidade dos dados operacionais de trabalhar com dados
- Utilizar os dados para dirigir os imperativos de negócio - Pessoas, Processos e Tecnologias em
- Melhorar governança, segurança e compliance torno de dados
- Governança de dados
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
45
Interlocutores
Business
DevOps e Sponsor
Segurança “Eu tenho 3 estratégias críticas CDO
para executar este ano”
“Como eu evito um desvio de segurança ?”
“Como eu entrego valor com meus
dados?”
Engenheiro
de Dados Cientista de
“Eu preciso criar pipeline de dados”
Dados
“Eu preciso encontrar dados para
rodar meus experimentos
Data
LOB User
Steward Analista de
“Como eu tenho visibilidade se meu “Como eu encontro quem Negócio
negócio está caminhando bem ou criou este dado?”
não? “Eu preciso dessa análise
em 20 minutos”
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
46
Características de um caso de uso atraente
Ser Ser
Relevante Viável
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
47
Casos de uso comuns de Dados/ ML
Melhorar a experiência
Otimizar o negócio Acelerar Inovação
do cliente
Personalização Contact Mídia Busca Processamento Detecção Análise de Modernização Próxima geração
Center Inteligente Inteligente de documento de métricas de de ML de devops
Inteligente Inteligente fraudes negócio
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
48
Casos de uso de Dados/ Machine Learning
nos diversos setores da economia
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
49
Casos de uso de Dados/ Machine Learning
5 1
0 9 8-
73 .
5 .2
a 31
h i d
s
i Yo
u sh
At s
l o Mídia e
c e
M ar Entretenimento
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
50
WB Games:
A Arte do Data-Driven
Storytelling
https://www.youtube.com/watch?v=irpuUQWAIyU
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
51
Casos de uso de Dados/ Machine Learning
5 1
0 9 8-
73 .
5 .2
a 31
h i d
s
i Yo
u sh
At s Industrial e
el o
ar c Manufatura
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
52
“Quando nossos cientistas de materiais
lideram novas pesquisas, eles precisam de
acesso às informações relevantes de
pesquisas anteriores – informações que
estão enterradas nas muitas patentes que
mantemos em nossa enorme base de
conhecimento. Kendra permite que nossos
cientistas encontrem as informações de que
precisam ao lidar com consultas de
linguagem natural com rapidez e precisão”
David Frazee
Diretor Técnico, Corporate Research Systems Lab, 3M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
53
Casos de uso de Dados/ Machine Learning
5 1
0 9 8-
73 .
5 .2
a 31
h i d
s
i Yo
u sh
At s
l o Saúde
c e
M ar
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
54
O Contador de Vidas de Laura já registra
12 mil vidas salvas com ajuda da tecnologia todos os dias
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
55
Casos de uso de Dados/ Machine Learning
5 1
0 9 8-
73 .
5 .2
a 31
h i d
s
i Yo
u sh
At s Varejo
el o
ar c
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
56
“Nós usamos ML para melhorar a
experiência do cliente e do
restaurante. Nós pudemos criar
recomendação de pratos
personalizados. Em logística, o time
de delivery encurtou sua distância
de viagem em 15%, graças a
otimização de rotas”
Sandor Caetano
Chief Data Scientist, iFood
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
MORE INFO: CASE STUDY 57
“Clientes estão recebendo as
pizzas de maneira mais rápida,
quente e fresca em função da
solução de pedidos preditivos“
Michael Gillespie
Chief Digital and Technology Officer,
Domino’s Pizza Enterprises Limited
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
FONTE: CASE STUDY 58
https://www.youtube.com/watch?v=8nKPC-WmLjU
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Fonte: Caso de uso Amazon
59
Intervalo
60
O catalizador em um mundo de dados
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 61
O catalizador em um mundo de dados
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 62
O catalizador em um mundo de dados
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 63
Talentos
Distribuição de Talentos
# Pessoas
Habilidades Físicas
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 64
Talentos
Distribuição de Talentos
# Pessoas
Habilidades Intelectuais
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 65
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
66
Se você não consegue
explicar de forma
simples, você não
entendeu bem o
suficiente!
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 67
Obrigada!
Vagas na
Maira’s Linkedin Amazon Brasil
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98 68
Perguntas
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
69
METODOLOGIAS ÁGEIS
Prof. Gino Terentim
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados, é do professor.
Proibida a reprodução total ou parcial, sem
autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor. 2
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PROJETOS PROMOVEM MAS, O QUE DEFINIMOS
COMO MUDANÇA?
MUDANÇAS
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PROBLEMAS E SOLUÇÕES
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PASSADO CONHECIDOS
5 1
0 9 8-
73 .
5 .2
a 31
PRESENTE
h i d
CONHECÍVEIS
s
i Yo
u sh
At s
el o
ar c
FUTURO M INCOGNOSCÍVEIS
5
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PASSADO ORDENADOS
5 1
0 9 8-
73 .
5 .2
a 31
PRESENTE
h i d
COMPLEXOS
s
i Yo
u sh
At s
el o
ar c
FUTURO M CAÓTICOS
6
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
…MAS QUAL A FORMA DE OBTER CONHECIMENTO
PARA RESOLVER UM PROBLEMA?
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PDCA E DCAP!
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PDCA E DCAP!
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PDCA E DCAP!
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Empírico x Adaptativo
5 1
PREDITIVO
0 9 8-
3
7 do .
Escopo fixo. Os requisitos são
5 .2
detalhados no começo
projeto.
3 1
i d a
sh
i Yo
ESCOPO
u sh
At s
el o
ar c QUALIDADE
M Incertezas serão
acomodadas aqui: no prazo,
PRAZO CUSTO nos custos ou em ambos
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Empírico x Adaptativo
5 1
8-
ADAPTATIVO OU EMPÍRICO
. 0 9
PRAZO 5.2
73
Tolerância zero é criada
parar prazo e custos.
CUSTO
3 1
i d a
sh
i Yo
u sh QUALIDADE
At s
el o
ar c ESCOPO As incertezas serão
M acomodadas no escopo. O
escopo precisará ser flexível.
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
LEAN STARTUP
5 1
0 9 8-
73 .
5 .2
a 31
h i d
s
Yo
Medir
sh i
t s u Aprender
o A
c el
M ar
Construir
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
5 1
0 9 8-
73 .
4 5 .2 5
1 3
a 31
h i d
s
i Yo
u sh
At s
elo
ar c
M
2 6
1
5 PORQUÊS
POR QUÊ?
POR QUÊ?
POR QUÊ?
POR QUÊ?
POR QUÊ?
DECLARAÇÃO CAUSA
DO PROBLEMA RAIZ
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PRODUCT->MARKET FIT
t s u
el oA
ar c
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Framework Cynefin
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
5 1
0 9 8-
73 .
5 .2
31
a
h i d
s
CONFUSO
i Yo
u sh
At s
el o
ar c
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
5 1
0 9 8-
73 .
5 .2
31
a
h i d
s
CONFUSO
i Yo
u sh
At s
el o
ar c
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
5 1
0 9 8-
73 .
5 .2
31
a
h i d
s
CONFUSO
i Yo
u sh
At s
el o
ar c
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
5 1
0 9 8-
73 .
5 .2
31
a
h i d
s
CONFUSO
i Yo
u sh
At s
el o
ar c
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
5 1
0 9 8-
73 .
5 .2
31
a
h i d
s
CONFUSO
i Yo
u sh
At s
el o
ar c
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
… MAS QUAL A FORMA DE OBTER
CONHECIMENTO PARA TOMARMOS UMA DECISÃO?
5 1
0 9 8-
73 .
Conhecimento
5 .2
a 31
h i d
s
Yo
A posteriori
A priori
ou empírico
sh i
t s u
o A
c el
Algo é conhecidora posteriori Algo é conhecido a priori quando é
M a
quando é conhecido através da conhecido independentemente da
experiência (sensorial ou experiência e através do pensamento
introspectiva), da experimentação. apenas, da razão, dedução e
reminiscência.
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
DETERMINÍSTICO
EMPÍRICO 8- 5 1
. 0 9
.2 73
31 5
i d a
sh
CONFUSO
i Yo
u sh
At s
l
SOBREVIVÊ
e o
ar c
M NCIA
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
SUGESTÃO DE ATIVIDADE
Escolham um dos problemas apresentados. Em seguida, UTILIZEM
o método CAF (consider all factors) para gerar decisões.
PRODUCT->MARKET FIT
O MERCADOPRODUCT->MARKET
ESTÁ RESPONDENDO
FIT AO
PRODUTO COM ENTUSIASMO E A DIFUSÃO
ESTÁ AUMENTANDO?
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
5
4 6
3 PRODUCT->MARKET FIT 7
2 8
1 9
5
4 6
PRODUCT->MARKET FIT
3 SCRUM
7
2 8
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
10
7
PROBLEM->SOLUTION FIT SCALE
6
4
PRODUCT->MARKET FIT
0
Exploração do Geração de Protótipo MVP Versão Beta Versão Versão Final Consolidação Escala
Problema Ideias Candidata no Mercado
1 2 3 4 5 6 7 8 9
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
OS 4 ESTÁGIOS
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
OS 4 ESTÁGIOS
LEAN, E
DESIGN PROCESSOS
ABORDAGENS
THINKING E ENXUTOS, 6 SIGMA E
ÁGEIS,
ABORDAGENS COM A CONTROLE DE
VOLTADAS À
DE FINALIDADE QUALIDADE
ENTREGA
DESCOBERTA DE RIGOROSO
(DELIVERY)
(DISCOVERY) MELHORAR A
EFICIÊNCIA
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
OS 4 ESTÁGIOS
LEAN, E
DESIGN PROCESSOS 6 SIGMA E
ABORDAGENS
THINKING E ENXUTOS, CONTROLE DE
ÁGEIS,
ABORDAGENS COM A QUALIDADE
VOLTADAS À
DE FINALIDADE RIGOROSO
ENTREGA
DESCOBERTA DE BUSCANDO
(DELIVERY)
(DISCOVERY) MELHORAR A ESCALAR
EFICIÊNCIA
1 2 3 4 5 6 7 8 9
OS 4 ESTÁGIOS
LEAN, E
DESIGN PROCESSOS
ABORDAGENS
THINKING E ENXUTOS, 6 SIGMA E
ÁGEIS,
ABORDAGENS COM A CONTROLE DE
VOLTADAS À
DE FINALIDADE QUALIDADE
ENTREGA
DESCOBERTA DE RIGOROSO
(DELIVERY)
(DISCOVERY) MELHORAR A
ADAPTATIVO
EFICIÊNCIA
1 2 3 4 5 6 7 8 9
OS 4 ESTÁGIOS
LEAN, E
DESIGN
ABORDAGENS
PREDITIVO
PROCESSOS
THINKING E ENXUTOS, 6 SIGMA E
ÁGEIS,
ABORDAGENS COM A CONTROLE DE
VOLTADAS À
DE FINALIDADE QUALIDADE
ENTREGA
DESCOBERTA DE RIGOROSO
(DELIVERY)
(DISCOVERY) MELHORAR A
EFICIÊNCIA
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
OS 4 ESTÁGIOS
LEAN, E
DESIGN PROCESSOS
ABORDAGENS
THINKING E ENXUTOS, 6 SIGMA E
ÁGEIS,
ABORDAGENS COM A CONTROLE DE
VOLTADASHÍBRIDO
À
DE FINALIDADE QUALIDADE
ENTREGA
DESCOBERTA DE RIGOROSO
(DELIVERY)
(DISCOVERY) MELHORAR A
EFICIÊNCIA
1 2 3 4 5 6 7 8 9
PROJECT MANAGEMENT READINESS LEVEL
SEGUNDO ABISMO: VALIDAR O PRODUTO À LUZ DO PROCESSO: MORREM POR ESCALAR PROCESSOS RUINS.
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
10
7
PROBLEM->SOLUTION FIT SCALE
6
4 PRODUCT->MARKET FIT
0
Exploração do Geração de Protótipo MVP Versão Beta Versão Versão Final Consolidação Padronização
Problema Ideias Candidata no Mercado
1 2 3 4 5 6 7 8 9
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
10
1
2
9
3
4
8
5
6
7
PROBLEM->SOLUTION FIT 7 SCALE
8
6
9
5
9
4 PRODUCT->MARKET FIT 8
7
6
3
5
4
2
3
2
1
1
0
P&D, Mapa do Design Thinking Prototipagem, Lean Startup Scrum Agile GP GP - Híbrido Lean Thinking 6 Sigma
Problema Storyboarding
1 2 3 4 5 6 7 8 9
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
O CONTEXTO DETERMINA A ABORDAGEM
PROJETO X
1 2 3 4 5 6 7 8 9
LEAN, AGILE E SCRUM
Lean - 5 1
0 9 8
Proveniente do Lean manufacturing, Toyota
7 3 .
5 .2
Agile a 31
h i d
s
i Yo Um conjunto de valores e princípios
u sh
At s
el o
c
SCRUM
M ar Um Framework, assim como outros
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
OS 4 P’s DO “JEITO TOYOTA”
Problem Solving
Process
Philosophy
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
UM SISTEMA RUIM VENCERÁ UMA BOA PESSOA, SEMPRE.
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
ELIMINAR DESPERDÍCIOS
DESPERDÍCIO
VARIAÇÃO
SOBRECARGA
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
OS SETE DESPERDÍCIOS DO LEAN
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
DESPERDÍCIOS EM PROCESSOS ORGANIZACIONAIS
1. INFORMAÇÕES INÚTEIS
2. ESPERA POR DECISÕES, REPOSTAS, ASSINATURAS, ETC...
3. PROCESSO DE DELEGAÇÃO INEXISTENTE OU DEFICIENTE
4. CONTROLES REDUNDANTES E DESNECESSÁRIOS
5. HORAS-EXTRAS
6. MÉTRICAS INDIVIDUAIS GERANDO SUBOTIMIZAÇÃO
7. SISTEMAS DE AVALIAÇÃO CALCADOS EM QUANTIDADES
8. PROJETOS E PROCESSOS DUPLICADOS
9. RETRABALHOS, FALTA DE INFORMAÇÕES E INFORMAÇÕES AMBÍGUAS
10. FALTA DE EQUILÍBRIO DO TRABALHO (LONGOS PERÍODOS DE OCIOSIDADE E LONGOS PERÍODOS DE
SUPERALOCAÇÃO
11. INTERRUPÇÕES CONSTANTES
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
VAMOS TESTAR?
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Dinâmica multitarefa – Aguarde o sinal para
começar!
Aqui escrevemos números múltiplos de 4
Trabalharemos de
forma alternada
(primeiro em cima e
depois embaixo.
As consoantes do alfabeto
Teremos 2 minutos
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Dinâmica multitarefa – Aguarde o sinal para
começar!
Aqui escrevemos números múltiplos de 4
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
A CIÊNCIA MULTITAREFA
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PERDAS CAUSADAS PELA MULTITAREFA
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
LEAN e AGILE
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
DEPOIS:
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Um grupo de desenvolvedores de software percebeu que a forma de resolver
problemas e desenvolver produtos precisava ser diferente e, juntos, criaram o
Manifesto Ágil
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Indivíduos e Software Colaboração com o Responder a
Interações Funcionando Cliente Mudanças
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Indivíduos e Software Colaboração com o Responder a
Interações Funcionando Cliente Mudanças
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Indivíduos e Software Colaboração com o Responder a
Interações Funcionando Cliente Mudanças
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Indivíduos e Software Colaboração com o Responder a
Interações Funcionando Cliente Mudanças
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
ÁGIL = ADAPTATIVO 5 1
0 9 8-
73 .
5 .2
a 31
h i d
s
i Yo
u sh
At s
el o
ar c
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
O SCRUM
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
TRANSPARÊNCIA
INSPEÇÃO
ADAPTAÇÃO
PILARES DO SCRUM
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor. GERENCIAMENTO DE PROJETOS
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
SCR PAPEIS, EVENTOS E ARTEFATOS
UM
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
SCRUM Papéis
Representa o interesse dos clientes, assegura que as entregas adicionem
valor e que o backlog esteja sempre priorizado, atualizado e que reflita
Product Owner aquilo que é mais importante para os usuários, clientes e para a empresa.
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor. GERENCIAMENTO DE PROJETOS
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Conceitos do SCRUM
sprint
Um evento que contém todos os outros eventos do SCRUM.
Uma SPRINT representa um período de 30 dias (ou menos).
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor. GERENCIAMENTO DE PROJETOS
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
SCR
UM Sprint - x
Até 30 dias
1º 2º 3º 4º 5º 6º 7º 8º 9º 10º
Planejamento – Sprint X
Sprint X
Revisão
Retrospectiva
Reunião diária Reunião diária Reunião diária Reunião diária Reunião diária Reunião diária Reunião diária Reunião diária
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor. GERENCIAMENTO DE PROJETOS
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
CONCEITOS DO SCRUM
Backlog do Produto Alta Histórias
• Criado a partir da Visão do Produto
A
• Geralmente composto por Histórias de Usuário
B
(User Stories)
C
• É uma lista ordenada de tudo aquilo que é
Prioridade
necessário para criar o produto. D
Baixa
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
BACKLOG E NÍVEL DE ENTENDIMENTO
FRAMEWORK SCRUM
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Framework SCRUM
5 1
0 9 8-
73 .
5 .2
a 31
h i d
s
i Yo
u sh
At s
el o
ar c
M Backlog do Produto
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Framework SCRUM
5 1
0 9 8-
73 .
5 .2
a 31
h i d
s
i Yo
u sh
At s
el o
ar c
M Backlog do Produto
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Framework SCRUM
Backlog do Produto
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Framework SCRUM
Backlog do Produto
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Conceitos do SCRUM
DAILY SCRUM
O objetivo do Daily Scrum é inspecionar o progresso em
direção à Meta da Sprint e adaptar o Sprint Backlog
conforme necessário, ajustando o próximo trabalho
planejado.
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor. GERENCIAMENTO DE PROJETOS
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Framework SCRUM
Backlog do Produto
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Framework SCRUM
Backlog do Produto
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
GINO TERENTIM
linkedin.com/in/ginoterentim
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
METODOLOGIAS ÁGEIS
Prof. Gino Terentim
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados, é do professor.
Proibida a reprodução total ou parcial, sem
autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor. 2
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PROJETOS PROMOVEM MUDANÇAS MAS, O QUE DEFINIMOS
COMO MUDANÇA?
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PROBLEMAS E SOLUÇÕES
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PASSADO CONHECIDOS
5 1
0 9 8-
73 .
5 .2
31
aCONHECÍVEIS
PRESENTE
h i d
s
i Yo
u sh
At s
el o
ar c
FUTURO M INCOGNOSCÍVEIS
5
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PASSADO ORDENADOS
5 1
0 9 8-
73 .
5 .2
31
aCOMPLEXOS
PRESENTE
h i d
s
i Yo
u sh
At s
el o
ar c
FUTURO M CAÓTICOS
6
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
…MAS QUAL A FORMA DE OBTER CONHECIMENTO PARA RESOLVER UM PROBLEMA?
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PDCA E DCAP!
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PDCA E DCAP!
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PDCA E DCAP!
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Empírico xAdaptativo
PREDITIVO 5 1
0 9 8-
detalhados no começo 7
3
Escopo fixo. Os requisitossão .
5 .2 do projeto.
3 1
i d a
osh
i Y
ESCOPO
s u sh
t
eloA
ar c QUALIDADE
a 31
h i d
s
i Yo
u sh
QUALIDADE
At s
elo
ar c ESCOPO As incertezas serão acomodadas no
POR QUÊ?
POR QUÊ?
POR QUÊ?
POR QUÊ?
POR QUÊ?
DECLARAÇÃO DO CAUSA
PROBLEMA RAIZ
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PRODUCT->MARKET FIT
s u s
t
el oA
ar c
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Framework Cynefin
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
5 1
0 9 8-
73 .
5 .2
a 31
h i d
CONFUSO
s
i Yo
u sh
At s
el o
ar c
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
5 1
0 9 8-
73 .
5 .2
a 31
h i d
CONFUSO
s
i Yo
u sh
At s
el o
ar c
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
5 1
0 9 8-
73 .
5 .2
a 31
h i d
CONFUSO
s
i Yo
u sh
At s
el o
ar c
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
5 1
0 9 8-
73 .
5 .2
a 31
h i d
CONFUSO
s
i Yo
u sh
At s
el o
ar c
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
5 1
0 9 8-
73 .
5 .2
a 31
h i d
CONFUSO
s
i Yo
u sh
At s
el o
ar c
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
… MAS QUAL A FORMA DE OBTER CONHECIMENTO PARA TOMARMOS UMA DECISÃO?
5 1
0 9 8-
73 .
Conhecimento
5 .2
a 31
h i d
A posteriori s
i Yo Apriori
ou empírico
u sh
At s
el o
r c
Algo é conhecido a posteriori
a quando é Algo é conhecido a priori quando é conhecido
independentemente da experiência e através do
M
conhecido através da experiência (sensorial ou
introspectiva), da experimentação. pensamento apenas, da razão, dedução e
reminiscência.
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
EMPÍRICO 5 1
8-
DETERMINÍSTICO
. 0 9
.2 73
31 5
i d a
sh
CONFUSO
i Yo
u sh
At s
el o
c
aSOBREVIVÊNCIA
r
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
SUGESTÃO DE ATIVIDADE
Escolham um dos problemas apresentados. Em seguida, UTILIZEM
o método CAF (consider all factors) para gerar decisões.
PRODUCT->MARKET FIT
O MERCADOPRODUCT->MARKET
ESTÁ RESPONDENDO
FIT AO
PRODUTO COM ENTUSIASMO E A DIFUSÃO
ESTÁ AUMENTANDO?
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
5
4 6
3 PRODUCT->MARKET FIT 7
2 8
1 9
5
4 6
PRODUCT->MARKET FIT
3 SCRUM
7
2 8
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
10
7
PROBLEM->SOLUTION FIT SCALE
6
4
PRODUCT->MARKET FIT
0
Exploração do Geração de Protótipo MVP Versão Beta Versão Versão Final Consolidação Escala
Problema Ideias Candidata no Mercado
1 2 3 4 5 6 7 8 9
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
OS 4 ESTÁGIOS
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
OS 4 ESTÁGIOS
LEAN, E PROCESSOS
DESIGN THINKING E ABORDAGENS ÁGEIS, 6 SIGMA E
ENXUTOS, COM A
ABORDAGENS DE VOLTADAS À CONTROLE DE
FINALIDADE DE
DESCOBERTA ENTREGA QUALIDADE
MELHORAR A
(DISCOVERY) (DELIVERY) RIGOROSO
EFICIÊNCIA
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
OS 4 ESTÁGIOS
1 2 3 4 5 6 7 8 9
OS 4 ESTÁGIOS
LEAN, E PROCESSOS
DESIGN THINKING E ABORDAGENS ÁGEIS, 6 SIGMA E
ENXUTOS, COM A
ABORDAGENS DE VOLTADAS À CONTROLE DE
FINALIDADE DE
DESCOBERTA ENTREGA QUALIDADE
MELHORAR A
(DISCOVERY) (DELIVERY) RIGOROSO
EFICIÊNCIA
ADAPTATIVO
1 2 3 4 5 6 7 8 9
4
OS ESTÁGIOS
PREDITIVO
LEAN, E PROCESSOS
DESIGN THINKING E ABORDAGENS ÁGEIS, 6 SIGMA E
ENXUTOS, COM A
ABORDAGENS DE VOLTADAS À CONTROLE DE
FINALIDADE DE
DESCOBERTA ENTREGA QUALIDADE
MELHORAR A
(DISCOVERY) (DELIVERY) RIGOROSO
EFICIÊNCIA
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
OS 4 ESTÁGIOS
LEAN, E PROCESSOS
DESIGN THINKING E ABORDAGENS ÁGEIS, 6 SIGMA E
ENXUTOS, COM A
ABORDAGENS DE VOLTADAS À CONTROLE DE
DESCOBERTA ENTREGA
HÍBRIDO
FINALIDADE DE
QUALIDADE
MELHORAR A
(DISCOVERY) (DELIVERY) RIGOROSO
EFICIÊNCIA
1 2 3 4 5 6 7 8 9
PROJECT MANAGEMENT READINESS LEVEL
SEGUNDO ABISMO: VALIDAR O PRODUTO À LUZ DO PROCESSO: MORREM POR ESCALAR PROCESSOS RUINS.
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
10
7
PROBLEM->SOLUTION FIT SCALE
6
4 PRODUCT->MARKET FIT
0
Exploração do Geração de Protótipo MVP Versão Beta Versão Versão Final Consolidação Padronização
Problema Ideias Candidata no Mercado
1 2 3 4 5 6 7 8 9
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
10
1
2
9
3
4
8
5
6
7
PROBLEM->SOLUTION FIT 7 SCALE
8
6
9
5
9
4 PRODUCT->MARKET FIT 8
7
6
3
5
4
2
3
2
1
1
0
P&D, Mapa do Design Thinking Prototipagem, Lean Startup Scrum Agile GP GP - Híbrido Lean Thinking 6 Sigma
Problema Storyboarding
1 2 3 4 5 6 7 8 9
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
O CONTEXTO DETERMINA A ABORDAGEM
PROJETO X
1 2 3 4 5 6 7 8 9
PAREI
AQUI!!!!
LEAN, AGILE E SCRUM
Lean - 5 1
0 9 8
Proveniente do Lean manufacturing, Toyota
7 3 .
5 .2
Agile a 31
h i d
s
i Yo Um conjunto de valores e princípios
u sh
At s
el o
c
SCRUM
M ar Um Framework, assim como outros
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
OS 4 P’s DO “JEITO TOYOTA”
Problem Solving
Process
Philosophy
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
UM SISTEMA RUIM VENCERÁ UMA BOA PESSOA, SEMPRE.
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
ELIMINAR DESPERDÍCIOS
DESPERDÍCIO
VARIAÇÃO
SOBRECARGA
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
OS SETE DESPERDÍCIOS DO LEAN
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
DESPERDÍCIOS EM PROCESSOS ORGANIZACIONAIS
1. INFORMAÇÕES INÚTEIS
2. ESPERA POR DECISÕES, REPOSTAS, ASSINATURAS, ETC...
3. PROCESSO DE DELEGAÇÃO INEXISTENTE OU DEFICIENTE
4. CONTROLES REDUNDANTES E DESNECESSÁRIOS
5. HORAS-EXTRAS
6. MÉTRICAS INDIVIDUAIS GERANDO SUBOTIMIZAÇÃO
7. SISTEMAS DE AVALIAÇÃO CALCADOS EM QUANTIDADES
8. PROJETOS E PROCESSOS DUPLICADOS
9. RETRABALHOS, FALTA DE INFORMAÇÕES E INFORMAÇÕES AMBÍGUAS
10. FALTA DE EQUILÍBRIO DO TRABALHO (LONGOS PERÍODOS DE OCIOSIDADE E LONGOS PERÍODOS DE
SUPERALOCAÇÃO
11. INTERRUPÇÕES CONSTANTES
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
A CIÊNCIA MULTITAREFA
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
VAMOS TESTAR?
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Dinâmica multitarefa – Aguarde o sinal para
começar!
Aqui escrevemos números múltiplos de 4
Trabalharemos de
forma alternada
(primeiro em cima e
depois embaixo.
As consoantes do alfabeto
Teremos 2 minutos
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Dinâmica multitarefa – Aguarde o sinal para
começar!
Aqui escrevemos números múltiplos de 4
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
PERDAS CAUSADAS PELA MULTITAREFA
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
LEAN e AGILE
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
DEPOIS:
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Um grupo de desenvolvedores de software percebeu que a forma de resolver
problemas e desenvolver produtos precisava ser diferente e, juntos, criaram o
Manifesto Ágil
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Indivíduos e Software Colaboração com o Responder a
Interações Funcionando Cliente Mudanças
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Indivíduos e Software Colaboração com o Responder a
Interações Funcionando Cliente Mudanças
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Indivíduos e Software Colaboração com o Responder a
Interações Funcionando Cliente Mudanças
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Indivíduos e Software Colaboração com o Responder a
Interações Funcionando Cliente Mudanças
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
ÁGIL = ADAPTATIVO 5 1
0 9 8-
73 .
5 .2
a 31
h i d
s
i Yo
u sh
At s
el o
ar c
M
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
CONCEITOS DO AGILE
Planning Onion
Visão Antes deiniciar o projeto
Roadmap
Oplano que desenvolveremospara alcançara Visão
Release
Oque validarmoscom o usuáriopor meio de um lançamento(release)
Sprint
Como, incrementalmente, construiremosnosso lançamento
Visão do produto
Visão
• Aborda os problemas principais que o produto
Roadmap desejaresolver
• Éaconselhável, mas não é um pré- requisito, que
Release sejaelaboradaantes doiníciodoprojeto
• É a Visão do Produto que trará os insumos
necessários para criar e manter o Backlog do
Sprint Produto
Daily
Visão
Roadmap
Release
Sprint
Daily
A
• Criado a partir da Visão do Produto
B
• É uma lista ordenada de tudo aquilo que é
C
necessário para criar o produto.
Prioridade
D
• O que estiver fora desta lista não será feito.
E
• O Backlog do Produto contém requisitos de
F
negócio, não funcionais, melhorias,
G
correções, testes de arquitetura, etc.
H
Baixa
BACKLOG E NÍVEL DE ENTENDIMENTO
Planejamento da Sprint
Alt a Histórias
A
Sprint B
P r i or i da de
E
F
Daily
G
Baixa
O é D e se jáv e l
W seO N’riaT l eHgAValE: te r, ma s, não
f are m o s ag o ra.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Sprint Planning
5 1
Incrememento
0 9 8-
de produto
73 .
5 .2
a 31
h i d
Meta dosprint
o s
O planejamento é realizado de baixo para cima, enquanto a
i Y é realizada de cima para baixo.
sh
execução
t s u
Meta derelease
eloA
ar c
M
Visão doproduto
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
TRANSPARÊNCIA
INSPEÇÃO
ADAPTAÇÃO
PILARES DO SCRUM
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor. GERENCIAMENTO DE PROJETOS
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
SCR PAPEIS, EVENTOS E ARTEFATOS
UM
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
SCRUM Papéis
Representa o interesse dos clientes, assegura que as entregas adicionem
valor e que o backlog esteja sempre priorizado, atualizado e que reflita
Product Owner aquilo que é mais importante para os usuários, clientes e para a empresa.
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor. GERENCIAMENTO DE PROJETOS
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Conceitos do SCRUM
sprint
Um evento que contém todos os outros eventos do SCRUM.
Uma SPRINT representa um período de 30 dias (ou menos).
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor. GERENCIAMENTO DE PROJETOS
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
SCR
UM Sprint - x
Até 30 dias
1º 2º 3º 4º 5º 6º 7º 8º 9º 10º
Planejamento – Sprint X
Sprint X
Revisão
Retrospectiva
Reunião diária Reunião diária Reunião diária Reunião diária Reunião diária Reunião diária Reunião diária Reunião diária
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor. GERENCIAMENTO DE PROJETOS
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
FRAMEWORK SCRUM
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Framework SCRUM
5 1
0 9 8-
73 .
5 .2
a 31
h i d
s
i Yo
u sh
At s
el o
ar c
M Backlog do Produto
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Framework SCRUM
5 1
0 9 8-
73 .
5 .2
a 31
h i d
s
i Yo
u sh
At s
el o
ar c
M Backlog do Produto
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Framework SCRUM
Backlog do Produto
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Framework SCRUM
Backlog do Produto
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Conceitos do SCRUM
DAILY SCRUM
O objetivo do Daily Scrum é inspecionar o progresso em
direção à Meta da Sprint e adaptar o Sprint Backlog
conforme necessário, ajustando o próximo trabalho
planejado.
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor. GERENCIAMENTO DE PROJETOS
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Framework SCRUM
Backlog do Produto
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
Framework SCRUM
Backlog do Produto
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
GINO TERENTIM
linkedin.com/in/ginoterentim
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem autorização. Lei nº 9610/98
BUSINESS INTELLIGENCE E
DATA VISUALIZATION
Prof. Helder Prado Santos
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados, é do professor.
Proibida a reprodução total ou parcial, sem
autorização. Lei nº 9610/98
2
O que é Business Intelligence?
Negócio
Dados
Conversa diretamente com as necessidades do negócio
Informação
Objetivo de
negócio
3
Como apresentar uma informação?
Conhecer os
CONCEITO:
dados
Aplicar
análises
Apresentar a
informação 87%
4
Informação vs storytelling
Tickets em dezembro:
• 177 tickets recebidos
• 140 tickets processados
Convence?
vs
5
Como escolher a apresentação?
Conhecer os
Primeiro: Conheça sua variável (dado)
dados
Definir o
objetivo
Variáveis
Organizar os
dados
Aplicar
análises
Qualitativa Quantitativa
Apresentar a
informação
6
Variáveis e seus tipos
Variáveis Qualitativas: Representam atributos que
podem ser divididas em dois grupos:
Ordinal
Nominal
Grande
Castanho Médio
Pequeno
Verde Azul Tamanho de camiseta
Cor dos
olhos Futebol Ordinal
Superior
Vôlei Basquete
Médio
Fundamental
Esporte Escolaridade
Nominal
7
Variáveis e seus tipos
Variáveis Quantitativas: Representam atributos que
podem ser divididas em dois grupos:
Discretas: Contínuas:
• Número de filhos (1 filho) • Peso (88,6 kg)
• Quantidade de acidentes (2 acidentes) • Faturamento (R$ 12.599,90)
• Número de tickets abertos (20 tickets abertos) • Despesa (R$ 304,40)
• Quantidade de peças vendidas (14 peças • Altura (1,82 cm)
vendidas)
8
Gráficos adequados a cada tipo de variável
Gráfico de linha
Fonte: https://seaborn.pydata.org/examples/grouped_barplot.html
9
Gráficos adequados a cada tipo de variável
Gráfico de coluna e linha com eixo secundário
10
Gráficos adequados a cada tipo de variável
Histograma
Gráfico de dispersão
Visualização de categoria
Fonte: https://seaborn.pydata.org/generated/seaborn.scatterplot.html?highlight=scatter#seaborn.scatterplot
11
Softwares de business intelligence no mercado
Muitos outros...
12
Projeto de business inteligence (BI)
Negócio
Dados Objetivos:
42 campeonatos da Europa
55.000+ jogos de várias temporadas
400+ clubes dessas competições
Dados 20.000+ jogadores desses clubes
300.000+ valores de mercado dos jogadores ao longo do tempo
1.000.000+ aparições desses jogadores nos jogos dos campeonatos
14
Projeto de business inteligence (BI)
Paleta de cores da empresa:
Enriquece o branding da marca em diversos aspectos, tornando-se uma estratégia ligada ao design e ao marketing.
15
Quais decisões eu posso tomar com essas
informações?
Análise: Sou técnico de um time e vejo que a média de gols do meu
adversário é 2.8. Exemplo real:
16
Conhecendo os dados
Conhecer os
dados
Definir o
objetivo
Campeonatos Clubes
Organizar os
dados
Aplicar
análises Jogos Jogadores
Apresentar a
informação
Aparições de Valores de
Compartilhar
jogadores jogadores
17
Organizar os dados
Conhecer os
dados
Definir o
objetivo
Apresentar a
informação
Compartilhar
18
Organizar os dados
Conhecer os
dados
Definir o
objetivo
19
Organizar os dados
Conhecer os
dados
Definir o
objetivo
Apresentar a
informação
Compartilhar
20
Organizar os dados
Conhecer os
dados
Definir o
objetivo
Conectar as Ajustar e Estabelecer
Organizar os
fontes de padronizar relações entre
dados dados tipos dos dados as tabelas
Aplicar
análises Editor Power Query dentro do Power BI
21
Organizar os dados
Conhecer os
dados
Definir o
objetivo
Único
22
Organizar os dados
Conhecer os
dados
Definir o
objetivo
Organizar os
dados Publicar Compartilhar
Aplicar
análises
Tipo de publicação:
Apresentar a • Site ou portal
informação
• Web (público)
• Sharepoint Online
Compartilhar • Outras opções para desenvolvedor
23
Organizar os dados
Conhecer os
dados
Definir o
objetivo
Organizar os
dados Publicar Compartilhar
Aplicar
análises
Tipo de compartilhamento:
Apresentar a • Público
informação
• Restrito
Compartilhar
24
Prof. Helder Prado Santos
https://www.linkedin.com/in/helderprado/
BUSINESS INTELLIGENCE E
DATA VISUALIZATION II
Prof. Helder Prado Santos
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos
didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem
autorização. Lei nº 9610/98
Agenda
- REVISÃO
- EXERCÍCIOS
- CONTINUAR PROJETO BI
- ATIVIDADE DINÂMICA
3
Organizar os dados
Conhecer os
dados
Definir o
objetivo
Organizar os
dados Publicar Compartilhar
Aplicar
análises
Tipo de publicação:
Apresentar a • Site ou portal
informação
• Web (público)
• Sharepoint Online
Compartilhar • Outras opções para desenvolvedor
4
Organizar os dados
Conhecer os
dados
Definir o
objetivo
Organizar os
dados Publicar Compartilhar
Aplicar
análises
Tipo de compartilhamento:
Apresentar a • Público
informação
• Restrito
Compartilhar
5
PROF. HELDER PRADO SANTOS
https://www.linkedin.com/in/helderprado/
6
ENGENHARIA DE
DADOS I
Prof. Dr. Jeronymo Marcondes
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados, é do professor.
3
ETL
4
Requisitos em grandes
empresas
5
Nosso objetivo
6
Dados
• Dados x Informação.
7
SGBD
Exemplo: MySQL.
8
Estruturas de Dados
9
Fonte: https://www.astera.com/pt/tipo/blog/dados-semiestruturados-e-n%C3%A3o-estruturados-estruturados/
10
Semiestruturados – Semelhantes aos Não estruturados ou NoSQL - não
Estruturados - são os dados que
dados estruturados, mas não possuem um formato específico, são
detêm formatos bem definidos,
obedientes na totalidade quanto à os dados coletados na sua forma
como os extraídos de planilhas ou
forma. Nesta linha estão os registros original, como um texto, um vídeo,
bancos de dados relacionais no
de linguagens baseadas em HTML e um fragmento de e-mail, um log de
formato SQL.
XML. sistema ou ainda uma mera foto.
11
Dados Estruturados
12
Dados Semiestruturados
13
Dados Não Estruturados
14
SGBD Relacional
15
Modelo de dados
16
Tipos de dados
17
Modelo de dados
18
Níveis de Abstração
Modelo conceitual
• Mais alto nível.
• Mais próximo da realidade do negócio.
• Descreve os relacionamentos entre as
entidades presentes em um banco de dados.
19
20
Definições ERD
• Entidade: Algo que pode ser definido e que pode ter dados armazenados
sobre ele — como uma pessoa, um objeto, conceito ou evento. Pense em
entidades como substantivos. Exemplos: um cliente, estudante, carro ou
produto.
21
Definições ERD
22
Definições ERD
23
Exemplo ERD
24
Níveis de Abstração
Modelo Lógico
• Como efetivamente os dados estarão dispostos em
tabelas no banco de dados.
• Leva em conta limitações do banco e SGBD.
• Define chaves primárias, estrangeiras e restrições de
integridade.
25
Esquema Lógico
26
Níveis de Abstração
Modelo Físico
• Implementação própria dita. Como inserir os
dados e criar tabelas e todo o esquema.
• Mais baixo nível.
• Como serão armazenados os dados.
• Métodos de restauração, backup.
27
Query
Entra SQL.
28
SQL
• DML – data manipulation language.
• Universalmente aceita.
29
Introdução ao
SQL
30
SQL
• Structured Query Language.
• Origem – IBM.
• Linguagem declarativa.
31
Aspectos Importantes
DML – manipulação de dados.
Gerenciamento de transações.
Segurança.
32
Forma básica de uma query
FROM lista-origem
WHERE qualificação
33
Tabela: Alunos
34
Componentes
35
Exemplo 1
FROM Alunos
36
Observações
37
Lista- origem e Alias
• Alias é o “apelido”. Muito usado em SQL.
FROM Alunos A
38
Qualificação
39
40
Operadores de Comparação
Operador Significado
= Igual a
> (Maior que) Maior que
< (Menor que) Menor que
>= (Maior ou igual a) Maior ou igual a
<= (Menor ou igual a) Menor que ou igual a
<> (Diferente de) É diferente de
41
Exemplo 2
42
Mais de uma cláusula
43
Exemplo 3
CPF NOME NOTA IDADE
XX JOÃO 10 20
YY PEDRO 7 30
SELECT *
FROM Alunos
WHERE Nota > 6 AND Idade > 25
44
Exemplo 4
CPF NOME NOTA IDADE
XX JOÃO 10 20
YY PEDRO 7 30
SELECT *
FROM Alunos
WHERE Nota > 9 OR Idade > 25
45
Diagrama de Venn
46
Caso de linhas repetidas
PIS NOME
xxx Pedro
xxx Pedro
• Problema na hora de seleção quando ocorrem linhas com alguma
coluna de valores repetidos.
• Uso do DISTINCT.
47
Agregação
48
COUNT
49
Exemplo 5
CPF NOME ESTADO
XXX JOÃO SP
YYY PEDRO SP
HHH MARIANA AL
JJJ FLAVIA RJ
SELECT COUNT(CPF)
FROM Alunos
50
Exemplo 6
CPF NOME ESTADO
XXX JOÃO SP
YYY PEDRO SP
HHH MARIANA AL
JJJ FLAVIA RJ
51
Exemplo 7
CPF NOME ESTADO
XXX JOÃO SP
YYY PEDRO SP
HHH MARIANA AL
JJJ FLAVIA RJ
52
SUM
53
Exemplo 8
CPF NOME ESTADO IDADE
XXX JOÃO SP 20
YYY PEDRO SP 30
HHH MARIANA AL 30
JJJ FLAVIA RJ 40
SELECT SUM(IDADE)
FROM Alunos
120
54
Exemplo 9
CPF NOME ESTADO IDADE
XXX JOÃO SP 20
YYY PEDRO SP 30
HHH MARIANA AL 30
JJJ FLAVIA RJ 40
55
AVERAGE (AVG)
56
Exemplo 9
CPF NOME ESTADO IDADE
XXX JOÃO SP 20
YYY PEDRO SP 30
HHH MARIANA AL 30
JJJ FLAVIA RJ 40
57
MIN e MAX
58
Exemplo 10
CPF NOME ESTADO IDADE
XXX JOÃO SP 20
YYY PEDRO SP 30
HHH MARIANA AL 30
JJJ FLAVIA RJ 40
59
Exemplo 11
CPF NOME ESTADO IDADE
XXX JOÃO SP 20
YYY PEDRO SP 30
HHH MARIANA AL 30
JJJ FLAVIA RJ 40
60
Introdução ao ETL
61
Estrutura de um ETL
62
Frameworks para ETL
63
Exemplo Pentaho
64
Create Table
66
ENGENHARIA DE
DADOS II
Prof. Dr. Jeronymo Marcondes
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados, é do professor.
Proibida a reprodução total ou parcial, sem
autorização. Lei nº 9610/98
2
Introdução
3
Perguntas
• Como unir as informações das tabelas?
4
Transações
• Execução no banco de dados.
• Conceito de lock.
5
Locking Protocol
• O lock irá garantir que o objeto consultado não possa ser acessado
por meio de outras transações.
6
Exemplo
7
Relacionamento
8
Restrições de Integridade
9
Exemplo
CPF Nome Curso
xxx João Ciência de Dados
yyy João Medicina
hhh Pedro Medicina
10
Chave Primária
13
Formas normais
• 2ª forma normal:
14
Restrições Gerais
15
Como lidar com modelos com mais de uma
tabela?
16
Restrições Estrangeiras
17
Chave Estrangeiras
18
19
Casos Específicos
20
Ideia de junção
Tabela 1 Tabela 2
CPF NOME CPF IDADE PIS
xxx ze das couves xxx 21 hhh
yyy maria das desgraças yyy 25 JJJ
Tabela Derivada
CPF NOME IDADE
xxx ze das couves 21
yyy maria das desgraças 25
21
ACID
• Atomicity, Consistency, Isolation, Durability
22
ACID
Tipos de relacionamento:
1) Um para um;
2) Muitos para um;
3) Muitos para muitos.
24
Um para um
25
Muitos para um
26
Muitos para Muitos
27
Operando com SQL
28
JOIN
• Especifica como será feita a junção entre duas tabelas. Por exemplo:
Id_cliente Pedido Id_cliente Nome Endereço
29
LEFT JOIN
30
LEFT JOIN
SELECT *
FROM pedidos
LEFT JOIN endereco
ON pedidos.Id_cliente = endereço.Id_cliente
31
Id_cliente Pedido Id_cliente Nome Endereço
xxx 1 xxx joao av joao
yyy 2 hhh pedro av pedro
32
NULL
• Até agora somente valores conhecidos.
• Se desconhecido = NULL.
33
Exemplo com NULL
SELECT *
FROM pedidos_e_endereço
Id_cliente Nome Endereço Pedido
WHERE nome IS NOT NULL xxx joao av joao 1
34
RIGHT JOIN
35
RIGHT JOIN
SELECT *
FROM pedidos
RIGHT JOIN endereco
ON pedidos.Id_cliente = endereço.Id_cliente
36
Id_cliente Pedido Id_cliente Nome Endereço
xxx 1 xxx joao av joao
yyy 2 hhh pedro av pedro
37
INNER JOIN
38
INNER JOIN
SELECT *
FROM pedidos
INNER JOIN endereco
ON pedidos.Id_cliente = endereço.Id_cliente
39
Id_cliente Pedido Id_cliente Nome Endereço
xxx 1 xxx joao av joao
yyy 2 hhh pedro av pedro
40
UNION ALL
SELECT lista-seleção
FROM lista-origem-1
UNION ALL
SELECT lista-seleção
FROM lista-origem-2
41
UNION ALL
SELECT Id_cliente
FROM pedidos
UNION ALL
SELECT Id_cliente
FROM endereco
42
Id_cliente Pedido Id_cliente Nome Endereço
xxx 1 xxx joao av joao
yyy 2 hhh pedro av pedro
Id_cliente
xxx
yyy
xxx
hhh
43
UNION
SELECT lista-seleção
FROM lista-origem-1
UNION
SELECT lista-seleção
FROM lista-origem-2
44
UNION
SELECT Id_cliente
FROM pedidos
UNION
SELECT Id_cliente
FROM endereco
45
Id_cliente Pedido Id_cliente Nome Endereço
xxx 1 xxx joao av joao
yyy 2 hhh pedro av pedro
Id_cliente
xxx
yyy
hhh
46
Nested Queries
• Resultado de query anterior pode ser utilizada na
atual
• Forma mais comum:
SELECT lista-seleção-derivada
FROM lista-origem
WHERE coluna IN
(
SELECT lista-seleção-original
FROM lista-origem
)
47
Nested Queries
48
Nested Queries
SELECT CPF, Nome, Endereco
FROM Consumidores
WHERE CPF IN
(
SELECT CPF
FROM Gastos
WHERE Valor > 500
)
49
ODBC e JDBC
• Java Database Connectivity – SUM
50
ODBC e JDBC
51
ODBC e JDBC
https://docs.oracle.com/
52
Exemplo no R Studio
53
ODBC e JDBC
• Ordem:
1. Seleciona origem de dados.
54
ODBC e JDBC
55
Discussão – futuro dos bancos de dados
56
Prof. Dr. Jeronymo Marcondes
https://www.linkedin.com/in/jeronymo-marcondes-585a26186
57
ENGENHARIA DE
DADOS III
Prof. Dr. Jeronymo Marcondes
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos
didáticos apresentados, é do professor.
Proibida a reprodução total ou parcial, sem
autorização. Lei nº 9610/98
ODBC e JDBC
3
Exemplo no R Studio
4
ODBC e JDBC
• Abordagem da aula:
1. Executar as querys e trazer para o R.
2. Utilizar o dplyr para realizar as operações dentro do database.
5
Pacote DBI
https://db.rstudio.com/r-packages/dbi/
6
DBI
7
DBI
Fonte: https://db.rstudio.com/getting-started/
8
DBI - estrutura
Install.packages("DBI")
library("DBI")
9
DBI - execução de consultas
10
DBI - execução de consultas
11
DBI - boas práticas
• Fechar conexão após uso
12
DPLYR
13
DPLYR
14
TIbble
• Hadley Wickham:
15
DPLYR
1. Select()
2. Arrange()
3. Filter()
4. Mutate()
5. Group_by()
6. Summarise()
16
DPLYR - estrutura básica
select(dataframe, campos_separados_por_virgula)
17
DPLYR - uso do pipe
• Ideia de sequencial
18
DPLYR - exemplo de select
https://dplyr.tidyverse.org/articles/dplyr.html
19
DPLYR - exemplo de select
https://dplyr.tidyverse.org/articles/dplyr.html
20
DPLYR - exemplo de filter
21
DPLYR - exemplo de filter
https://dplyr.tidyverse.org/articles/dplyr.html
22
DPLYR - exemplo de group_by e summarise
23
DPLYR - exemplo de group_by e summarise
5 1
0 9 8-
73 .
5 .2
a 31
h i d
s
i Yo
u sh
At s
e o
lhttps://dplyr.tidyverse.org/articles/dplyr.html
ar c
M
24
DPLYR - outros casos
• Foco da aula
25
Prof. Dr. Jeronymo Marcondes
https://www.linkedin.com/in/jeronymo-marcondes-585a26186
26
INTRODUÇÃO AO
JAVASCRIPT
2
Prof. Marcelo Sabadini
Pai do Israel e Giovana
TI/DEV a 20 anos
Guitarrista (entusiasta)
IBM, Accenture, Avanade
Foco em WEB
Cervejeiro
On premise
Cloud
Techlead
Baterista (entusiasta 🤷♂️)
Fraude (anti-fraude 😉)
Análise de Crédito
3
Prof. Alexandre Castro Junior
Pai de outra Giovanna (mas com 2N)
Bacharel em Ciências Navais
Pós Lato Sensu em Gestão Pública
Maker
Pós Lato Sensu em Ciência de dados
Cientista de dados na auditoria
Professor (BD, SQL, Python, JAVASCRIPT, git...)
Entusiasta de Linux
Fanboy da Marvel
4
Objetivo da disciplina
• O que é JavaScript
• Por que JavaScript
• JavaScript e Data Science
• Como fazer (instalações)
• Conhecendo a linguagem JavaScript
5
O que é JavaScript
6
O que é JavaScript
7
Por que JavaScript?
• Popularidade*
• Versatilidade
• Facilidade
• Multiplataforma
• Adaptabilidade
* https://pypl.github.io/PYPL.html
8
JavaScript e Data Science?
9
JavaScript e Data Science?
Carregamento
CSV com
Descobrir se a da base, Verificaçãp de Criação do Submissão dos Exibição em
dados
transação tem criação de outliers, dados modelo de dados para um dashboard
históricos das
risco de fraude novas faltantes, etc… predição predição no Power BI
vendas
observações
10
JavaScript e Data Science?
Offline
11
JavaScript e Data Science?
Offline
Online
Submissão dos
Carregamento Tomadada da
dados para Retorno
da transação decisão
predição
Online 24/7
12
JavaScript e Data Science?
Offline Fontes
Online
Submissão dos
Carregamento Tomadada da
da transação
dados para
decisão
Retorno API
predição
Online 24/7
13
Como fazer
14
Download e instalação
do Node.JS
• Acessar o site https://nodejs.org
• Clicar em Downloads
• Escolher a opção de acordo com o
sistema operacional
• Next, Next... Install.
Download e instalação
do VSCode
• Acessar o site
https://code.visualstudio.com/
• Clicar em Download
• Escolher a opção de acordo com o
sistema operacional
• Next, Next, Next..
Conhecendo a linguagem JavaScript
• Comentários
• Variáveis
• Operadores
• Condicional
• Loop
• Funções
17
INTRODUÇÃO AO
JAVASCRIPT II
2
2
Agenda
• Revisão rápida
• Funções
• Objetos
3
Revisão
4
https://gifs.com/gif/vinheta-planto-da-globo-2014-vbpo5R
5
5
https://developer.mozilla.org/pt-BR/docs/Web/JavaScript
https://gifs.com/gif/vinheta-planto-da-globo-2014-vbpo5R
6
Revisão
Offline Fontes
Online
Submissão dos
Carregamento Tomadada da
da transação
dados para
decisão
Retorno API
predição
Online 24/7
7
Agenda
8
Agenda
9
10
EU
VIDA
11
Introdução a módulos e npm
• Módulos são ferramentas escritas pelo desenvolvedor ou por
terceiros para facilitar determinadas implementações. São formas de
entregar funcionalidades sem que o desenvolvedor precise
“reinventar a roda”.
12
Exemplo prático.
13
Introdução ao protocolo HTTP
14
Introdução ao protocolo HTTP
• Verbos HTTP:
Padronizam os tipos de requisição e a forma como são tratadas. Os mais
comuns são:
• GET
• POST
• PUT
• PATCH
• DELETE
Neste curso, utilizaremos os tipos GET e POST.
* É uma prática ruim utilizar um verbo quando se quer definir uma ação
diferente.
15
Introdução ao protocolo HTTP
• Rotas ou endpoints:
• Definem recursos que podem ser utilizados pelo cliente (usuário) para suas
requisições.
• Cada endpoint pode receber e encaminhar diversos tipos de verbos http.
• São definidos por URI (Uniform Resource Identifier) ou URL (Uniform Resource
Locator)
16
Primeiras rotas em node
17
OBRIGADO!
2
Agenda
• Utilizando a integração com o R
• Próximos passos com Javascript
3
Integração JS e R
4
Próximos passos com Javascript
5
OBRIGADO!
2
Quem sou
in/mzillo/
3
Nossa Agenda
1 Introdução
2 SofA e Migração
4
Nossa Agenda
1 Introdução
2 SofA e Migração
5
10 Questões filosóficas na adoção de Nuvem
6
Definição
7 7
8
Fail Fast
9
Novas tecnologias e a Cloud - IoT
10
Total IoT Devices
https://iot-analytics.com/state-of-the-iot-update-q1-q2-2018-number-of-iot-devices-now-7b/
11
Total IoT Devices
12
IoT cloud
https://iot-analytics.com/iot-cloud/
13
Analytics e a Cloud
14
Indústrias foram transformadas
15
Public Cloud
16
Public Cloud WW 2017 - 2023
https://www.statista.com/statistics/273818/global-revenue-generated-with-cloud-computing-since-2009/
17
Worldwide Market – Q1 2021
$150 Billion
Cloud Market
18
Worldwide Market – Q4 2021
$180 Billion
Cloud Market
https://www.statista.com/chart/18819/worldwide-market-share-of-leading-cloud-infrastructure-service-providers/
19
Democratização de
recursos tecnológicos
20
Hybrid Cloud
21
Cloud Service Models
22
FaaS – Function as a Service
https://medium.com/@oyetoketoby80/why-you-should-care-about-serverless-and-faas-6987c84eacb4
23
Gartner Magic Quadrant IaaS
24
Gartner Magic DB MS
25
Gartner Magic CIPS
26
Forester Wave Cloud DW
27
A Cloud e suas “camadas”
28
Public Cloud Services AWS
29
Public Cloud Services Azure
30
Must Read
https://hbr.org/resources/pdfs/comm/insight/HBRASHybridCloud.pdf
31
Business Drivers
32
SMBs x Enterprises
33
Business Drivers
34
SMBs x Enterprises
35
Barreiras
36
Quem decide ?
37
Drivers para adoção de nuvem
1. Maior agilidade.
38
Eficiência de Custo
39
Somente os Gringos ???
Ambiente altamente regulado
40
Qualquer indústria?
96% de produtividade
41
Entretenimento?
42
Entretenimento?
43
Os mais diversos segmentos
44
Nossa Agenda
1 Introdução
2 SofA e Migração
45
Cloud Adoption Framework Microsoft
46
Cloud Adoption Framework Microsoft
47
Well Architecture Framework
48
Well-Architected Review
https://aka.ms/architecture/review
49
Cloud Adoption Framework AWS
https://aws.amazon.com/pt/professional-services/CAF/
https://d1.awsstatic.com/whitepapers/pt_BR/aws-cloud-adoption-framework_pt-BR.pdf
50
CAF - AWS
https://d1.awsstatic.com/whitepapers/pt_BR/aws-cloud-adoption-framework_pt-BR.pdf
https://aws.amazon.com/pt/professional-services/CAF/
51
Cloud SofA – Stage of Adoption
https://aws.amazon.com/blogs/enterprise-strategy/capital-ones-cloud-journey-through-the-stages-of-adoption/
52
Estratégias de migração
53
Estratégias de migração
54
Gravidade dos dados
55
Migrar grandes volumes de dados ?
https://go.aws/2MJKgQu
56
Migrar grandes volumes de dados ?
57
Livro recomendado
58
Nossa Agenda
1 Introdução
2 SofA e Migração
59
Qual o papel da segurança?
60
Não seja o Dr. NO
61
Não é mais uma escolha
62
Cyber Security na nuvem
63
Duas palavras chaves
64
Criptografia em Escala
65
Tecnologias disponíveis com um click
• WAF
• Firewall
• ML / AI
• IAM
• Full Logs
• MFA
• Criptografia em escala
• Automação de resposta a incidente
• …………
66
Segurança como código
67
Democratização da segurança
68
Posso estar mais Seguro, mas …
Modelo de responsabilidade compartilhada
69
Responsabilidade Compartilhada
70
Responsabilidade Compartilhada
71
Responsabilidade Compartilhada
72
Exemplo prático
DB em ambiente tradicional
73
Exemplo prático DB em IaaS
74
Exemplo prático DB em PaaS
75
Por onde começar?
76
Certificações relevantes
para a indústria
77
Certificações relevantes
para a indústria
78
Aspectos relevantes de
segurança DA nuvem
• Programas de Compliance.
• Certificações
• Controles que fazem sentido para seu negócio
79
AWS - Programas de Compliance
https://aws.amazon.com/pt/compliance/programs/
80
MS - Programas de Compliance
https://servicetrust.microsoft.com/
81
MS – STP Portal
82
Google - Programas de Compliance
https://cloud.google.com/security/compliance/#/
83
Validar a segurança DA nuvem
84
Como acessar os reports e controles
85
CSA – Cloud Security Alliance
86
CSA STAR - AWS
https://d0.awsstatic.com/whitepapers/compliance/CSA_Consensus_Assessments_Initiative_Questionnaire.pdf
87
CSA STAR - AWS
88
CSA STAR - MS
89
CSA STAR – exemplos de questões
90
OK mas como eu faço então
“a minha parte”
91
Security Foundations
92
Security Foundations to the Cloud
93
Estrutura de governança e perfis profissionais
1. Avalie questões de conformidade, contratuais e de
controles do provedor relevantes.
94
Estrutura de governança e perfis profissionais
2. A equipe de Segurança precisa ter
novos perfis de profissionais
• Desenvolvedores para automatizar a segurança
• Conhecedores de segurança DA / NA Nuvem
• Responsabilidade compartilhada interna com os times de
Cloud, DevOps na medida que se adota nuvem
• Segurança passa a ter um papel além do normativo e
implementação de controles tecnológicos para ser
fornecedor de serviços de segurança Self Service que
aceleram a implementação de segurança.
95
Estrutura de governança e perfis profissionais
96
Estrutura de governança e perfis profissionais
4. Teste e documente o plano (Continuidade e DR)
considerando os recursos e funcionalidades da
nuvem que podem inclusive melhorar o RTO e RPO,
com cópias em múltiplas Zonas.
97
98
Segurança em camadas
A identidade é o Control Plane
99
Gestão de Identidade e Acessos
1. You do what you need
• É a espinha dorsal para a criação de uma boa base de
segurança NA Nuvem
100
Gestão de Identidade e Acessos
2. You do ONLY what you need to do
• Mínimo privilégio possível, perfis de acesso
101
Gestão de Identidade e Acessos
2. Criando segregação de contas / subscrição / projetos
Securit y Billing
3 5 Tooling
Sandbox Prod
6 9
Shared
Services
Int ernal
Audit 2
Logging
4
Dev Pre-Prod
7 8
Net work Shared
Services
4 Data Center
Developer Accounts
Developer
Sandbox
6
102
103
Auditoria e Rastreabilidade
1. You do, I Know
104
Auditoria e Rastreabilidade
2. You do, I Know
105
106
Segurança em camadas
107
Segurança em camadas
Zero Trust
108
Segurança em camadas
A ideia de "Zero Trust" vem evoluindo há algum tempo
109
Segurança em camadas
Princípio central do Zero Trust
110
Segurança em camadas
Adote uma premissa que todos os recursos estão
conectados na Internet
111
112
Automação e Segurança
Humans don´t touch the data
113
Automação e Segurança
Humans don´t touch the data
114
Riscos no ambiente de desenvolvimento
115
Proteja seu DevOps
Defina os requisitos de
Segurança:
5 1
▪ Modelagem de ameaças em major
releases
0 9 8-
▪ Execute análise de segurança do Azure Monitor
73 .
código
5 .2
Secure DevOps
31
▪ Armazene segredos de forma segura Azure Policy Kit for Azure
utilizando o Azure Key Vault / AWS RBAC
i d a SDLC
KMS
Estabeleça um procedimento os h
Azure AD
i Y
padrão de resposta a incidentes
u sh Token/cred
ASC
scanning
▪ Microsoft Secure DevOps Toolkit –
At s WAF
Dependabot
https://azsk.azurewebsites.net/
el o
Proteja o desenvolvimento de
Apps ar c Azure Pipelines
GitHub
Advanced Security
M
▪ Organization for Web App Security Project
GitHub Actions
116
117
Proteção de Dados
Humans don´t see the data
• Políticas de backup
118
Proteção de Dados
Humans don´t see the data
119
120
Resposta a Incidentes
Se prepare para responder a incidentes de
segurança nuvem, em grande escala
121
Resposta a Incidentes
122
Resposta a Incidentes
123
124
Soluções Cloud Native
Entenda o potencial das soluções Cloud Native
125
Soluções Cloud Native
Identity and Access Managament
https://aws.amazon.com/products/security/
126
Soluções Cloud Native
Detection
https://aws.amazon.com/products/security/
127
Soluções Cloud Native
Network and application protection
https://aws.amazon.com/products/security/
128
Soluções Cloud Native
Network and application protection
https://aws.amazon.com/products/security/
129
Soluções Cloud Native
Incident Response
https://aws.amazon.com/products/security/
130
Soluções Cloud Native
Compliance
https://aws.amazon.com/products/security/
131
Soluções Cloud Native
Security, Identity and Compliance
132
Exemplo de Jornada de Segura
133
Nossa Agenda
1 Introdução
2 SofA e Migração
134
https://aws.amazon.com/blogs/big-data/enhancing-customer-safety-by-leveraging-the-scalable-secure-and-cost-optimized-toyota-connected-data-lake/
135
https://aws.amazon.com/pt/quickstart/architecture/data-lake-foundation-with-aws-services/
136
https://docs.aws.amazon.com/prescriptive-guidance/latest/data-lake-for-growth-scale/data-lake-for-growth-scale.pdf
137
Então como
criar a sua
jornada de
Analytics
NA nuvem
138
CLOUD COMPUTING
Marcello Zillo Neto
www.linkedin.com/in/mzillo/
OBRIGADO
ANALYTICAL HIERARCHY
PROCESS (AHP)
3
AGRADECIMENTO
4
INTRODUÇÃO
(Tomada de Decisão)
5
O QUE É PESQUISA OPERACIONAL?
Most of the problems OR tackles are messy and complex, often involving considerable
uncertainty. OR uses advanced analytics, modelling, problem structuring, simulation,
optimization and data science to determine the best solution to the problem and the best
practical course of action.
6
AS ÁREAS DA PESQUISA OPERACIONAL
Apoio Análise
Ciência de Teoria das
Multicritério Envoltória
Dados Filas
à Decisão de Dados
P. Linear Simulação a
Programação Teoria dos
Eventos Estatística
Matemática Grafos
P. Inteira Discretos
7
TOMADA DE DECISÃO
8
TOMADA DE DECISÃO
9
MÉTODOS MULTICRITÉRIO
Critério 1
Alternativa 1
Critério 2
Alternativa 2
Solução do
Critério 3
Problema
Alternativa 3
Critério 4
Alternativa 4
Critério 5
10
MÉTODOS MULTICRITÉRIO
Problemas de tomada de decisão multicritério (do inglês, Multi-Criteria
Decision Making, abreviado por MCDM) são caracterizados por uma Matriz
de Decisão, que é composta de alternativas e critérios ponderados de
acordo com o tomador de decisão em questão. Métodos para solucionar
problemas MCDM têm sido amplamente utilizados para selecionar a
melhor alternativa entre um número finito de alternativas. Como
exemplo de métodos, podemos citar AHP, ANP, PROMETHEE, THOR,
SAPEVO e TOPSIS.
11
MATRIZ DE DECISÃO
12
MÉTODO AHP
(Analytic Hierarchy Process)
13
MÉTODO AHP
14
MÉTODO AHP
15
MÉTODO AHP NO MUNDO
16
MÉTODO AHP NO MUNDO
Ali Emrouznejad and Marianna Marra. The state of the art development of AHP (1979–2017): a literature review with a social network analysis.
International Journal of Production Research, 2017.
17
MÉTODO AHP
Objetivo
Baseando-se nos modelos de Apoio Estratégico
18
MÉTODO AHP
Objetivo
Baseando-se nos modelos de Apoio Estratégico
19
MÉTODO AHP
20
MÉTODO AHP
Escala de Saaty
Grau de
Relação de Importância Recíproca
Importância
Igualdade 1 1
Intermediário 2 1/2
Importância moderada 3 1/3
Intermediário 4 1/4
Mais importante 5 1/5
Intermediário 6 1/6
Muito mais importante 7 1/7
Intermediário 8 1/8
Extremamente mais importante 9 1/9
21
MÉTODO AHP
A B C
B
Grau de
Relação de Importância Recíproca
Importância
C
Igualdade 1 1
Intermediário 2 1/2
Importância moderada 3 1/3
A avaliação é realizada par a par entre Intermediário 4 1/4
as variáveis (critérios/alternativas) Mais importante 5 1/5
Intermediário 6 1/6
Muito mais importante 7 1/7
Intermediário 8 1/8
Extremamente mais importante 9 1/9
22
MÉTODO AHP
A B C
A 5
B
Grau de
Relação de Importância Recíproca
Importância
C
Igualdade 1 1
Intermediário 2 1/2
Importância moderada 3 1/3
A avaliação é realizada par a par entre Intermediário 4 1/4
as variáveis (critérios/alternativas) Mais importante 5 1/5
Intermediário 6 1/6
Muito mais importante 7 1/7
Intermediário 8 1/8
Neste caso A é mais importante que B Extremamente mais importante 9 1/9
23
MÉTODO AHP
A B C
A 5 7
B
Grau de
Relação de Importância Recíproca
Importância
C
Igualdade 1 1
Intermediário 2 1/2
Importância moderada 3 1/3
A avaliação é realizada par a par entre Intermediário 4 1/4
as variáveis (critérios/alternativas) Mais importante 5 1/5
Intermediário 6 1/6
Muito mais importante 7 1/7
Intermediário 8 1/8
Neste
Nestecaso A éAmuito
caso mais
é mais importante
importante queBC
que Extremamente mais importante 9 1/9
24
MÉTODO AHP
A B C
A 5 7
B 3 Grau de
Relação de Importância Recíproca
Importância
C
Igualdade 1 1
Intermediário 2 1/2
Importância moderada 3 1/3
A avaliação é realizada par a par entre
Intermediário 4 1/4
as variáveis (critérios/alternativas) Mais importante 5 1/5
Intermediário 6 1/6
Muito mais importante 7 1/7
Intermediário 8 1/8
Extremamente mais importante 9 1/9
Neste
Neste casocaso A é importância
B possui muito mais moderada
importantequanto
que Cà C
25
MÉTODO AHP
A B C
A 5 7
B 1/5 3 Grau de
Relação de Importância Recíproca
Importância
C 1/7 1/3
Igualdade 1 1
Intermediário 2 1/2
Importância moderada 3 1/3
A avaliação é realizada par a par entre Intermediário 4 1/4
as variáveis (critérios/alternativas) Mais importante 5 1/5
Intermediário 6 1/6
Muito mais importante 7 1/7
Intermediário 8 1/8
Extremamente mais importante 9 1/9
26
MÉTODO AHP
(Consistência das Atribuições)
27
MÉTODO AHP
A B C Transitividade:
A 5 7
B 1/5 3
C 1/7 1/3
Se A > B e B > C , então: A > C.
Para ∀ A, B e C ∈ R.
28
MÉTODO AHP
A B C Transitividade:
A 5 7
B 1/5 3
C 1/7 1/3
Se A > B e B > C , então: A > C.
Para ∀ A, B e C ∈ R.
29
MÉTODO AHP
A B C
A 5 7 Teste de Consistência:
B 1/5 3
C 1/7 1/3 O AHP viabiliza calcular uma razão de
consistência (CR) mediante a comparação do
Índice de Consistência (CI) das atribuições do
decisor quanto a um índice de consistência de
uma matriz aleatória (RI).
Ordem da Matriz 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
RI 0 0 0,58 0,9 1,12 1,24 1,32 1,41 1,45 1,49 1,51 1,48 1,56 1,57 1,59
30
MÉTODO AHP
Onde:
Teste de Consistência:
(λ𝑚á𝑥 −𝑛)
𝐶. 𝐼. =
(𝑛−1)
O AHP viabiliza calcular uma razão de
𝐶.𝐼. consistência (CR) mediante a comparação do
𝐶. 𝑅. = Índice de Consistência (CI) das atribuições do
𝑅.𝐼.
decisor quanto a um índice de consistência de
uma matriz aleatória (RI).
Ordem da Matriz 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
RI 0 0 0,58 0,9 1,12 1,24 1,32 1,41 1,45 1,49 1,51 1,48 1,56 1,57 1,59
31
MÉTODO AHP
(Processo Geral do Modelo)
32
ESTRUTURA AXIOMÁTICA
33
ESTRUTURA AXIOMÁTICA
34
ESTRUTURA AXIOMÁTICA
36
AVALIAÇÃO AHP
(Modelo Clássico)
37
ESTRUTURAÇÃO DO PROBLEMA
38
AVALIAÇÃO DOS CRITÉRIOS
39
AVALIAÇÃO PAR A PAR DOS CRITÉRIOS
Custo 1 ATRIBUIÇÃO
Câmera 1 Grau de
Relação de Importância Recíproca
Importância
Armaz. 1 Igualdade 1 1
Intermediário 2 1/2
Bateria RECÍPROCA 1 Importância moderada 3 1/3
Intermediário 4 1/4
Mais importante 5 1/5
Número de comparações par a Intermediário 6 1/6
par sempre será dada por:
Muito mais importante 7 1/7
𝑛(𝑛 − 1) Intermediário 8 1/8
2 Extremamente mais importante 9 1/9
40
AVALIAÇÃO PAR A PAR DOS CRITÉRIOS
Custo
Câmera Grau de
Relação de Importância Recíproca
Importância
Armaz. Igualdade 1 1
Intermediário 2 1/2
Bateria Importância moderada 3 1/3
Intermediário 4 1/4
Mais importante 5 1/5
Intermediário 6 1/6
Muito mais importante 7 1/7
Intermediário 8 1/8
Extremamente mais importante 9 1/9
41
AVALIAÇÃO PAR A PAR DOS CRITÉRIOS
Custo 1
Câmera 1 Grau de
Relação de Importância Recíproca
Importância
Armaz. 1 Igualdade 1 1
Intermediário 2 1/2
Bateria 1 Importância moderada 3 1/3
Intermediário 4 1/4
Mais importante 5 1/5
Intermediário 6 1/6
Muito mais importante 7 1/7
Intermediário 8 1/8
Extremamente mais importante 9 1/9
42
AVALIAÇÃO PAR A PAR DOS CRITÉRIOS
Custo 1 3
Armaz. 1 Igualdade 1 1
Intermediário 2 1/2
Bateria 1 Importância moderada 3 1/3
Intermediário 4 1/4
Mais importante 5 1/5
Intermediário 6 1/6
43
AVALIAÇÃO PAR A PAR DOS CRITÉRIOS
Custo 1 3 5
Grau de
Câmera 1/3 1 Relação de Importância Recíproca
Importância
Igualdade 1 1
Armaz. 1/5 1
Intermediário 2 1/2
Bateria 1 Importância moderada 3 1/3
Intermediário 4 1/4
Mais importante 5 1/5
Intermediário 6 1/6
44
AVALIAÇÃO PAR A PAR DOS CRITÉRIOS
Custo 1 3 5 7
45
AVALIAÇÃO PAR A PAR DOS CRITÉRIOS
Custo 1 3 5 7
46
AVALIAÇÃO PAR A PAR DOS CRITÉRIOS
Custo 1 3 5 7
47
AVALIAÇÃO PAR A PAR DOS CRITÉRIOS
Custo 1 3 5 7
48
NORMALIZAÇÃO DOS JULGAMENTOS
Custo 1 3 5 7
Custo Câmera Armaz. Bateria
Câmera 0,333
1/3 1 3 7
Custo
Armaz. 1/5
0,2 0,333
1/3 1 3
Câmera
Bateria
Design 0,143
1/7 0,143
1/7 0,333
1/3 1
Armaz.
𝑎𝑖𝑗
σ 𝑎𝑖𝑗
49
NORMALIZAÇÃO DOS JULGAMENTOS
Custo 1 3 5 7
Custo Câmera Armaz. Bateria
Câmera 0,333 1 3 7
Custo 0,597
Armaz. 0,2 0,333 1 3
Câmera
Bateria 0,143 0,143 0,333 1
Armaz.
1 / 1,676 = 0,597
50
NORMALIZAÇÃO DOS JULGAMENTOS
Custo 1 3 5 7
Custo Câmera Armaz. Bateria
Câmera 0,333 1 3 7
Custo 0,597
Armaz. 0,2 0,333 1 3
Câmera 0,199
Bateria 0,143 0,143 0,333 1
Armaz.
Custo 1 3 5 7
Custo Câmera Armaz. Bateria
Câmera 0,333 1 3 7
Custo 0,597
Armaz. 0,2 0,333 1 3
Câmera 0,199
Bateria 0,143 0,143 0,333 1
Armaz. 0,119
Custo 1 3 5 7
Custo Câmera Armaz. Bateria
Câmera 0,333 1 3 7
Custo 0,597
Armaz. 0,2 0,333 1 3
Câmera 0,199
Bateria 0,143 0,143 0,333 1
Armaz. 0,119
Custo 1 3 5 7
Custo Câmera Armaz. Bateria
Câmera 0,333 1 3 7
Custo 0,597 0,670 0,536 0,389
Armaz. 0,2 0,333 1 3
Câmera 0,199 0,223 0,321 0,389
Bateria 0,143 0,143 0,333 1
Armaz. 0,119 0,075 0,107 0,167
54
NORMALIZAÇÃO DOS JULGAMENTOS
Vetor
Custo Câmera Armaz. Bateria
Design Prioridade
55
AVALIAÇÃO AHP
(Cálculo de Consistência)
56
ANÁLISE DE CONSISTÊNCIA
Custo 1 3 5 7
Câmera 0,333
1/3 1 3 7 Vetor Prioridade
Armaz. 1/5
0,2 0,333
1/3 1 3 Custo 0,548
Bateria
Design 0,143
1/7 0,143
1/7 0,333
1/3 1 Câmera 0,283
Armaz. 0,117
Bateria 0,052
Utilizando os vetores de
prioridade, vamos ponderar a
nossa matriz de julgamentos.
57
ANÁLISE DE CONSISTÊNCIA
Vetor
Custo Câmera Armaz. Bateria
Prioridade
Câmera
Câmera 0,182
0,182 0,283
0,283 0,351
0,351 0,364
0,362 1,180 1,180 / 0,283 = 4,166
Armaz.
Armaz. 0,110
0,110 0,094
0,094 0,117
0,117 0,156
0,155
Σ 0,477
∴ 0,477 / 0,117 = 4,077
Bateria
Design 0,078
0,078 0,040
0,040 0,039
0,039 0,052
0,052 0,209 0,209 / 0,052 = 4,038
Vetor Prioridade
= 𝟏𝟔, 𝟓𝟔𝟐
Custo 0,548
Câmera 0,283 σ 𝑎𝑖 16,562
λ𝑚á𝑥 = λ𝑚á𝑥 =
4
Armaz. 0,117 𝑛
Bateria 0,052 λ𝑚á𝑥 = 4,14
62
ANÁLISE DE CONSISTÊNCIA
λ𝑚á𝑥 = 4,14
(4,14 − 4)
R. 𝐼. = 0,9 (Valor indicado por Saaty para 4 variáveis) 𝐶. 𝐼. = = 0,046
(4 − 1)
(λ𝑚á𝑥 − 𝑛)
𝐶. 𝐼. =
(𝑛 − 1) A razão de consistência
manteve-se abaixo dos 10%,
𝐶.𝐼.
𝐶. 𝑅. = sendo favorável, conforme
𝑅.𝐼.
indicado por Saaty.
63
AVALIAÇÃO AHP
(Modelos com Dados Quantitativos)
64
AVALIAÇÃO COM DADOS QUANTITATIVOS
65
AVALIAÇÃO COM DADOS QUANTITATIVOS
66
AVALIAÇÃO COM DADOS QUANTITATIVOS
Custo Armazenamento
67
AVALIAÇÃO COM DADOS QUANTITATIVOS
Processo de normalização
Monotônico de
custo, ou seja,
quanto menor,
melhor!
68
AVALIAÇÃO COM DADOS QUANTITATIVOS
Processo de normalização
1 𝑎𝑖𝑗
Monotônico de 𝑥= υ=
σ 𝑎𝑖𝑗
custo, ou seja, 𝑎𝑖𝑗
quanto menor,
melhor!
Custo Custo Custo
1 Σ 0,001423 0,000667
𝑥𝑋𝑖𝑎𝑜𝑚𝑖 = = 0,000667 υ𝑋𝑖𝑎𝑜𝑚𝑖 = = 0,4687
1500 0,001423
1 0,000556
𝑥𝑆𝑎𝑚𝑠𝑢𝑛𝑔 = = 0,000556 υ𝑆𝑎𝑚𝑠𝑢𝑛𝑔 = = 0,3906
1800 0,001423
1 0,000200
𝑥𝐼𝑝ℎ𝑜𝑛𝑒 = = 0,000200 υ𝐼𝑝ℎ𝑜𝑛𝑒 = = 0,1406
5000 0,001423
69
AVALIAÇÃO COM DADOS QUANTITATIVOS
Processo de normalização
Monotônico de
lucro, ou seja,
quanto maior,
melhor!
70
AVALIAÇÃO COM DADOS QUANTITATIVOS
Processo de normalização
Monotônico de
lucro, ou seja, 𝑎𝑖𝑗
quanto maior, υ=
σ 𝑎𝑖𝑗
melhor!
Câmera Câmera
Σ 44 12
υ𝑋𝑖𝑎𝑜𝑚𝑖 = = 0,273
44
12
υ𝑆𝑎𝑚𝑠𝑢𝑛𝑔 = = 0,273
44
20
υ𝐼𝑝ℎ𝑜𝑛𝑒 = = 0,454
44
71
AVALIAÇÃO COM DADOS QUANTITATIVOS
Processo de normalização Monotônico de
lucro, ou seja,
quanto maior,
melhor!
72
AVALIAÇÃO COM DADOS QUANTITATIVOS
Processo de normalização
Monotônico de
lucro, ou seja, 𝑎𝑖𝑗
υ=
quanto maior, σ 𝑎𝑖𝑗
melhor!
Armazenamento Armazenamento
Σ 320 64
υ𝑋𝑖𝑎𝑜𝑚𝑖 = = 0,2
320
128
υ𝑆𝑎𝑚𝑠𝑢𝑛𝑔 = = 0,4
320
128
υ𝐼𝑝ℎ𝑜𝑛𝑒 = = 0,4
320
73
AVALIAÇÃO COM DADOS QUANTITATIVOS
Processo de normalização Monotônico de
lucro, ou seja,
quanto maior,
melhor!
74
AVALIAÇÃO COM DADOS QUANTITATIVOS
Processo de normalização
Monotônico de
lucro, ou seja,
𝑎𝑖𝑗
υ=
quanto maior, σ 𝑎𝑖𝑗
melhor!
Σ 52 24
υ𝑋𝑖𝑎𝑜𝑚𝑖 = = 0,462
52
18
υ𝑆𝑎𝑚𝑠𝑢𝑛𝑔 = = 0,346
52
10
υ𝐼𝑝ℎ𝑜𝑛𝑒 = = 0,192
52
75
AVALIAÇÃO COM DADOS QUANTITATIVOS
76
AVALIAÇÃO COM DADOS QUANTITATIVOS
Processo de agregação
77
AVALIAÇÃO COM DADOS QUANTITATIVOS
Resultados
78
MÉTODO
AHP-GAUSSIANO
79
PROBLEMA REAL DA MARINHA DO BRASIL
80
REFERÊNCIAS
81
REFERÊNCIAS
82
REFERÊNCIAS
83
MÉTODO AHP-GAUSSIANO
O que há de diferente
no AHP-Gaussiano?
84
MÉTODO AHP-GAUSSIANO
85
MÉTODO AHP-GAUSSIANO
86
...UTILIZANDO O EXEMPLO ANTERIOR
Custo Armazenamento
87
VAMOS CONSIDERAR VALORES JÁ NORMALIZADOS
89
MÉTODO AHP-GAUSSIANO
σ𝑛𝑖=1(𝑥𝑖 − 𝑥)²
ҧ Obs: vejam a importância da
𝜎= Estatística em todas as áreas da DS!
𝑛−1
90
MÉTODO AHP-GAUSSIANO
𝜎
𝐹𝑎𝑡𝑜𝑟 𝐺𝑎𝑢𝑠𝑠𝑖𝑎𝑛𝑜 =
𝑥ҧ
91
MÉTODO AHP-GAUSSIANO
92
MÉTODO AHP-GAUSSIANO
93
MÉTODO AHP-GAUSSIANO
94
O MÉTODO ESTÁ SENDO UTILIZADO NO BRASIL E NO MUNDO
95
O MÉTODO ESTÁ SENDO UTILIZADO NO BRASIL E NO MUNDO
96
APLICAÇÃO DO MÉTODO EM PROBLEMAS REAIS
97
APLICAÇÃO DO MÉTODO EM PROBLEMAS REAIS
98
APLICAÇÃO DO MÉTODO EM PROBLEMAS REAIS
99
APLICAÇÃO DO MÉTODO EM PROBLEMAS REAIS
100
APLICAÇÃO DO MÉTODO EM PROBLEMAS REAIS
101
APLICAÇÃO DO MÉTODO EM PROBLEMAS REAIS
102
Mão na massa!
103
FERRAMENTA COMPUTACIONAL
104
PROBLEMA: SELECIONAR UM INSTRUTOR
105
FERRAMENTA COMPUTACIONAL
106
FERRAMENTA COMPUTACIONAL
107
FERRAMENTA COMPUTACIONAL
https://marcosdossantos.shinyapps.io/gaussian_ahp/
108
MODELANDO UM PROBLEMA “DO ZERO”
109
APLICAÇÕES DA PESQUISA OPERACIONAL
110
APLICAÇÕES DA PESQUISA OPERACIONAL
111
STRENGTHS DO MÉTODO
113
OBRIGADO
https://www.linkedin.com/in/profmarcosdossantos/
SOCIAL NETWORK ANALYSIS
Prof.ª Adriana Silva
1
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados, é do professor.
2
Conteúdo Programático
Tópicos:
3
Introdução ao SNA
• Social Network Analysis
• O poder do conhecimento
dos relacionamentos...
4
• Não é referente ao Facebook ou mídias sociais
5
Social Network Analysis
6
Grafo
7
O que é SNA?
• Social Network Analysis é o estudo das estruturas sociais compostas por:
• nós (geralmente indivíduos ou entidades) que são ligados
• (links) por um ou mais tipos de interdependência, como emails, contatos telefônicos, transações
financeiras, endereço, etc.
Líder
Seguidor
Outlier
8
SNA: as origens
9
Laços Sociais:
• Os nós de uma Rede Social são os elementos que compõem uma dada população.
• O link entre dois nós define a interação entre eles, determinados através de “evidências”.
• O estudo de todos os links entre os nós nos permite medir a estrutura e nível de atividade de uma
população.
• Conhecendo-se a forma como os indivíduos estão inter-relacionados, nos propicia uma sólida base
analítica para compreensão de seus comportamentos, oportunidades, limitações, etc.
10
Aplicações do SNA
Aplicação 1– Segmentação
Funcionalidade: Ação de Marketing: Benefícios:
11
Aplicações do SNA
12
Aplicações do SNA
13
Aplicações do SNA
14
Aplicações do SNA
15
Conceitos do SNA
Papéis dos
Tipos de redes Comunidades indivíduos
dentro da rede
16
Conceitos do SNA
Tipos de redes
17
Conceitos do SNA
Comunidades
Aplicação:
Comunidades Internas – quando a predominância é da minha marca.
Comunidade Externa – quando a predominância é de alguma concorrência.
18
Conceitos do SNA
Papéis e métricas individuais
Seguidores
Community
Marginais
Poucas conexões
Bridge Comunidade
Outlier conectores de
diferentes
Líder comunidades
20
Conceitos do SNA
Visão Estática versus Visão Dinâmica
As comunidades e seus membros podem mudar ao longo do tempo
t t+1
21
Processo de SNA (sugestão):
“passo a passo”
Explorar
informação
existente 1
3 4
Extração de Determinar Detectar
dados A→B links e forças comunidades
▪ Rede inteira
2 ▪ Comunidades
6 Aplicar
5
Qualificar Estipular métricas ▪ Rede inteira
Comunidades “papéis” SNA ▪ Comunidades
▪ “Atores”
Results 7
22
Aplicações
23
Métricas de Centralidade
• Centralidade
• Medidas de centralidade fornecem métricas de importância de um nó em uma rede.
• Dentre elas estão:
• Degree (Grau)
• Degree Ponderado (Grau Ponderado)
• Clustering Coefficient
• Closeness (centralidade de proximidade)
• Betweenness (centralidade de intermediação)
24
Métricas de Centralidade
Degree - Centralidade
• Degree (Grau)
• Medida referente a quantidade de links que um determinado nó possui (para uma rede
undirected)
• Para uma rede Directed, out-degree refere-se a quantidade de links que saem de um determinado
nó, in-degree é o número de links que o mesmo nó recebe. E degree é a soma do in-degree com o
out-degree do referido nó.
25
Métricas de Centralidade
Grau Ponderado - Centralidade
26
Métricas de Centralidade
Clustering Coefficient - Centralidade
• Clustering Coefficient
• O clustering coefficient para um nó é o número de ligações entre os seus nós vizinhos, dividido
pelo número de links que poderia existir entre eles.
• Medida que nos diz como os vizinhos estão conectados e não o próprio nó.
|{ 𝑢, 𝑣 ∈ 𝐴 ∶ 𝑢, 𝑣 ∈ 𝛿𝑖 |
𝐶 𝑖 =
|𝛿𝑖 |(|𝛿𝑖 | − 1)
27
Métricas de Centralidade
Clustering Coefficient – Centralidade
• Exemplo 𝑞𝑢𝑎𝑛𝑡𝑎𝑠 𝑙𝑖𝑔𝑎çõ𝑒𝑠 𝑒𝑛𝑡𝑟𝑒 𝑒𝑙𝑒𝑠 3
𝐶 𝐴 = = =1
𝑞𝑢𝑎𝑛𝑡𝑎𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠 𝑙𝑖𝑔𝑎çõ𝑒𝑠 3
28
Métricas de Centralidade
5 1
8-
Clustering Coefficient – Centralidade
• Exemplo . 0 9
3
𝑞𝑢𝑎𝑛𝑡𝑎𝑠 𝑙𝑖𝑔𝑎çõ𝑒𝑠7𝑒𝑛𝑡𝑟𝑒
2
𝐶 𝐴 =
1 5 . 𝑒𝑙𝑒𝑠 3
= =1
a 3
𝑞𝑢𝑎𝑛𝑡𝑎𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠 𝑙𝑖𝑔𝑎çõ𝑒𝑠 3
𝐶 i𝐵d = = 1
3
osh 3
i Y
u sh
Ats
elo
ar c
M
29
Métricas de Centralidade
5 1
8-
Clustering Coefficient – Centralidade
• Exemplo . 0 9
.2 73
𝐶 𝐴 =
31 5
𝑞𝑢𝑎𝑛𝑡𝑎𝑠 𝑙𝑖𝑔𝑎çõ𝑒𝑠 𝑒𝑛𝑡𝑟𝑒 𝑒𝑙𝑒𝑠 3
= =1
i d a 3
𝑞𝑢𝑎𝑛𝑡𝑎𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠 𝑙𝑖𝑔𝑎çõ𝑒𝑠 3
osh𝐶 𝐵 = =1
i Y 3
u sh 𝐶 𝐶 =
3
=1
Ats 3
elo
ar c
M
30
Métricas de Centralidade
5 1
8-
Clustering Coefficient – Centralidade
• Exemplo . 0 9
.2 73
𝐶 𝐴 =
31 5
𝑞𝑢𝑎𝑛𝑡𝑎𝑠 𝑙𝑖𝑔𝑎çõ𝑒𝑠 𝑒𝑛𝑡𝑟𝑒 𝑒𝑙𝑒𝑠 3
= =1
i d a 3
𝑞𝑢𝑎𝑛𝑡𝑎𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠 𝑙𝑖𝑔𝑎çõ𝑒𝑠 3
osh𝐶 𝐵 = =1
i Y 3
u sh 𝐶 𝐶 =
3
=1
Ats 3
3
elo 𝐶 𝐷 = =1
ar c 3
31
Métricas de Centralidade
5 1
Clustering Coefficient – Centralidade
0 9 8-
• Exemplo 2 73 .
5 .2
𝑞𝑢𝑎𝑛𝑡𝑎𝑠 𝑙𝑖𝑔𝑎çõ𝑒𝑠 𝑒𝑛𝑡𝑟𝑒 𝑒𝑙𝑒𝑠 1
31
𝐶 𝐴 = = 3 =0,333
𝑞𝑢𝑎𝑛𝑡𝑎𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠 𝑙𝑖𝑔𝑎çõ𝑒𝑠
i d a
sh
i Yo
u sh
Ats
elo
ar c
M
32
Métricas de Centralidade
5 1
Clustering Coefficient – Centralidade
0 9 8-
• Exemplo 2 73 .
5 .2
𝑞𝑢𝑎𝑛𝑡𝑎𝑠 𝑙𝑖𝑔𝑎çõ𝑒𝑠 𝑒𝑛𝑡𝑟𝑒 𝑒𝑙𝑒𝑠 1
= 3 =0,333
𝐶 𝐴 =
3 1
𝑞𝑢𝑎𝑛𝑡𝑎𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠 𝑙𝑖𝑔𝑎çõ𝑒𝑠
𝐶 𝐵 =0
i d a
osh
i Y
u sh
Ats
elo
ar c
M
33
Métricas de Centralidade
Clustering Coefficient – Centralidade 5 1
• Exemplo 2 0 9 8-
73 .
.2
𝑞𝑢𝑎𝑛𝑡𝑎𝑠 𝑙𝑖𝑔𝑎çõ𝑒𝑠 𝑒𝑛𝑡𝑟𝑒 𝑒𝑙𝑒𝑠 1
5
31
𝐶 𝐴 = = = 0,333
𝑞𝑢𝑎𝑛𝑡𝑎𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠 𝑙𝑖𝑔𝑎çõ𝑒𝑠 3
i
𝐶 𝐵 =0d a
sh
Yo
𝐶 𝐶 =1
sh i
ts u
o A
c el
M ar
34
Métricas de Centralidade
Clustering Coefficient – Centralidade
5 1
• Exemplo 2 0 9 8-
73 .
𝑞𝑢𝑎𝑛𝑡𝑎𝑠 𝑙𝑖𝑔𝑎çõ𝑒𝑠 𝑒𝑛𝑡𝑟𝑒 𝑒𝑙𝑒𝑠 1
𝐶 𝐴 =
5 .2 = = 0,333
𝑞𝑢𝑎𝑛𝑡𝑎𝑠 𝑝𝑜𝑠𝑠í𝑣𝑒𝑖𝑠 𝑙𝑖𝑔𝑎çõ𝑒𝑠 3
𝐶 𝐵 = 0 31
d
𝐶 𝐶 i=
a1
sh
i Yo𝐶 𝐷 = 1
u sh
Ats
elo
ar c
M
35
Métricas de Centralidade
Clustering Coefficient
5 1
• Exemplo 3 0 9 8-
73 .
5 .2
3𝐶1 𝐴 = 0
ida
𝐶 𝐵 =0
sh 𝐶 𝐶 =0
i Yo 𝐶 𝐷 =0
u sh
Ats
elo
ar c
M
36
Métricas de Centralidade
Closeness - Centralidade
• Closeness Centrality (Centralidade de Proximação)
• A métrica closeness é uma medida de proximidade. É a média de caminho mais curtos para
chegar em outro indivíduo. Proximidade pode ser considerada como uma medida do tempo que
seria necessário para difundir uma informação a partir de um dado nó para os outros nós na rede.
• Distância média do nó em questão para todos os demais nós
𝑁 −1
𝐶𝐶 𝑢 = 𝑁 𝑁
σ𝑣∈𝑁\𝑢 𝑑𝑢𝑣 + 𝑑𝑣𝑢 ൘
2
𝑁 =ቊ 𝑑𝑢𝑣 , 𝑠𝑒 𝑑𝑢𝑣 < ∞
sendo 𝑑𝑢𝑣
𝑁 , 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
onde 𝑑𝑢𝑣 é o caminho mais curto entre o nó 𝑢 e 𝑣.
37
Métricas de Centralidade
Betweenness - Centralidade
𝜎𝑠𝑡 (𝑢)
𝐶𝑏 𝑢 =
𝜎𝑠𝑡
𝑠≠𝑢≠𝑡∈𝑁
𝑠≠𝑡
• Diversas estatísticas podem ser calculadas para as redes e para os nós das redes :
• Nós: número de nós no gráfico (|N|)
• Arestas: número de links no gráfico (|A|)
• Densidade do grafo: o número de links em um gráfico (|A|) dividido pelo número total de links no gráfico
completo (|N| (|N| - 1))
• Comprimento médio do caminho: soma dos menores caminhos dividido pela quantidade de menores
caminhos
• Excentricidade: distância do nó em questão até o nó mais distante dele na rede (dentre os menores
caminhos, o maior)
• Raio: menor excentricidade
• Diâmetro da Rede: maior excentricidade (maior peso dentre os menores caminhos)
39
Referências Bibliográficas
• PINHEIRO, C. A. R. Social Network Analysis in Telecommunications. USA: John Wiley, 2011, 284 p.
40
MUITO OBRIGADA!
Prof.ª Adriana Silva
linkedin.com/in/adrianamms
41
SOCIAL NETWORK
ANALYSIS
2
Conteúdo Programático
Tópicos:
3
Revisando
• Métricas
• Degree
• O que é? • Degree Ponderado
•
• Dados/informações •
Clustering Coefficient
Closeness
• Contexto / Exemplos • Betweenness
• Nós
• Tipos de Redes • Arestas
•
• Comunidades
•
Densidade do grafo
Comprimento médio do caminho
• Papéis • Excentricidade
• Raio
• Diâmetro da Rede
4
Processo de SNA (sugestão):
“passo a passo”
Explorar
informação
existente 1
3 4
Extração de Determinar Detectar
dados A→B links e forças comunidades
2 ▪ Rede inteira
▪ Comunidades
6 Aplicar
5
Qualificar Estipular métricas ▪ Rede inteira
Comunidades “papéis” SNA ▪ Comunidades
▪ “Atores”
Results 7
5
Gephi
Software Livre
▪ Atividade:
▪ Inicializar o software
▪ Conhecer o software
▪ Construir a rede feita à mão
▪ Extrair os resultados
6
Software Gephi
Introdução
7
Software Gephi
1
2 3 4
7 9
8
Software Gephi
Introdução
10
Software Gephi
1 2 3
11
Software Gephi
Introdução
12
Software Gephi
• Para abrir uma base de links ou nós a partir de um csv, ir pelo atalho de “Novo projeto”
• Para abrir arquivos .net, .gdf, .gephi utilizar o atalho “Abrir arquivo”
13
Software Gephi
• Na aba “Laboratório de Dados” ir na opção “Importar planilha” para abrir um arquivo csv.
• O arquivo csv deve conter no mínimo os campos “Source” e “Target”. Pode conter o campo “weight” desde que
este seja um campo numérico dentro do csv.
14
Software Gephi
15
Software Gephi
16
Software Gephi
• O tipo de tabela – se de
link ou de nó, - deve ser
descriminado (marcada
nesta imagem).
17
Software Gephi
• Ao finalizar a base é
inserida dentro do Gephi
e os pontos são criados
para visualização.
18
Exercício
Gephi
com Software Livre
professora
• “Gephi é uma plataforma interativa de visualização e exploração de todos os
tipos de redes e sistemas complexos, grafos dinâmicos e hierárquicos.”
• É um software escrito em Java e roda tanto no Windows, Linux e Mac.
▪ Atividade:
▪ Inicializar o software
▪ Conhecer o software
▪ Construir a rede feita à mão
▪ Extrair os resultados
19
Prática: Exercícios
Exercício Exemplo 1: SNA no RH
Individual
• Este exemplo olha para uma rede não direcionada que representa alguns dos
grupos de projetos de uma empresa XPTO. A ligação entre os nós A e B
significa que a pessoa A e B trabalham em conjunto (ou, que a pessoa A
reporta para a pessoa B). Esta rede representa seis projetos principais.
20
Prática: Exercícios
Exemplo 1: SNA no RH
Exercício
Individual
Não esqueça de
importar como
uma tabela de
links!!!
21
Prática: Exercícios
Exercício Exemplo 1: SNA no RH
Individual
• Objetivo: fazer uma análise completa das medidas e detalhar insights que
possam ser interessantes, para apresentar pro diretor de RH. O Diretor está
muito preocupado com o Gotti e Chang, pois o mercado está de olho neles.
Não esqueça de
importar como
uma tabela de
links!!!
22
Exercício
Momento Zen
com
professora
23
Exercício
Gephi
com Software Livre
professora
• Comunidades
▪ Atividade:
▪ História Face
▪ Comunidades
24
Detecção de Comunidades
Comunidades - Modularidade
• Comunidades
• Community detection particiona uma rede em comunidades, onde os
links dentro da comunidade são mais fortes que os links entre
comunidades.
25
Detecção de Comunidades
Comunidades - Modularidade
• Como identificar uma comunidade
Primeira Interação Otimização da Modularidade
▪ Modularidade
▪ É a métrica mais popular para detecção de comunidades. É uma
métrica sobre a qualidade da divisão.
▪ Modularidade é a fração entre os links que estão dentro da
comunidade menos a fração esperada se os links fossem dividos
aleatoriamente (se a comunidade fosse criada aleatoriamente).
26
Detecção de Comunidades
Comunidades - Modularidade
• Modularidade
1 𝑤𝑢 𝑤𝑣
𝑄= 𝑤𝑢𝑣 − ∆ 𝐶𝑢 , 𝐶𝑣
2𝑤 2𝑤
(𝑢,𝑣)∈𝐴
𝑤 = 𝑤𝑢𝑣
(𝑢,𝑣)∈𝐴
𝑤𝑢 = 𝑤𝑢𝑣
𝑣∈𝛿𝑢
onde 𝑄 é a modularidade
𝑤𝑢𝑣 é o peso do links entre os nós 𝑢 e 𝑣.
𝛿𝑢 é o universo de nós que contém o nó 𝑢.
𝑤𝑢 é a soma dos pesos dos links que tem 𝑢.
𝑤 é a soma dos links da rede.
𝐶𝑢 é a comunidade que tem 𝑢.
1, 𝑠𝑒 𝐶𝑢 = 𝐶𝑣
∆ 𝐶𝑢 , 𝐶𝑣 é o delta definido como: ∆ 𝐶𝑢 , 𝐶𝑣 = ቊ
0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
27
Detecção de Comunidades
Comunidades - Modularidade
28
Detecção de Comunidades
Comunidades - Modularidade
• Resolução
• O valor atribuído a esta opção pode ser interpretado da seguinte forma:
• Suponha que o valor do Resolução seja 𝑥. Duas comunidades são mescladas se a soma
dos pesos dos links inter-relações da comunidade é de pelo menos 𝑥 vezes o valor
esperado da mesma soma se o gráfico é reconfigurado de forma aleatória.
• Portanto, um valor menor de Resolução produzirá mais comunidades contendo
um número menor de nós. No entanto, não existe uma fórmula explícita
detalhando o número de nós nas comunidades com relação ao valor de resolução.
• Deve-se usar tentativa e erro para chegar ao tamanho da comunidade esperada.
• Utilize valores menores para gerar comunidades menores e valores maiores de 1 para
gerar menos comunidades maiores.
29
Referências Bibliográficas
30
MUITO OBRIGADA!
Prof.ª Adriana Silva
linkedin.com/in/adrianamms
31
CLOUD COMPUTING
4
Por que orientar a empresa por Dados ?
5
Melhores Responder ao Melhorar a experiência Descobrir Melhorar
decisões inesperado do cliente e oportunidades eficiência
engajamento
6
Jornada para estratégia
de dados
Working Backwards
(trabalhando de trás para frente)
Seleção de problemas de negócios para endereçar com iniciativas que
direcionadas por Dados
7
Estágio das Empresas
8
Tópicos habilitadores por estágio
Direcionado por Dados
Legenda
(Capacidades Técnicas)
(Compartilhamento dos Dados)
(Pessoas)
(Resultados para o Negócio)
9
Tópicos habilitadores por estágio
Baseado em Dados
Legenda
(Capacidades Técnicas)
(Compartilhamento dos Dados)
(Pessoas)
(Resultados para o Negócio)
10
Tópicos habilitadores por estágio
Conhecimento dos Dados
Legenda
(Capacidades Técnicas)
(Compartilhamento dos Dados)
(Pessoas)
(Resultados para o Negócio)
11
Tópicos habilitadores por estágio
Transacional
Legenda
(Capacidades Técnicas)
(Compartilhamento dos Dados)
(Pessoas)
(Resultados para o Negócio)
Estágios
12
Legenda : (Capacidades Técnicas) (Compartilhamento dos Dados) (Pessoas) (Resultados para o Negócio)
Democratização dos dados
Produtos de Dados
blog : https://aws.amazon.com/pt/blogs/big-data/how-jpmorgan-chase-built-a-data-mesh-architecture-to-drive-significant-value-to-enhance-their-enterprise-data-platform/
13
Visão 360 do cliente - Omnichannel
Customer 360
https://catalog.us-east-1.prod.workshops.aws/workshops/e9762329-33b6-46c1-a413-0cdc1725b869/en-US/introduction
14
Melhoria da Experiência do Usuário
Planejamento
Análise de Crédito
Anti-fraude de transações
Contratos Digitais
Projetos Habilitadores
Comunicação Multicanal
Governança de Dados
15
Estratégia de Dados
Cliente
? ( Serviços, Produtos) ?
Catálogo e Busca de
Gestão de Metadados Gestão de Acessos
Dados
Pessoas
DataOps MLOps
16
AWS suporte à estratégia de dados
Fim-a-Fim
17
Ad hoc
18
VTEX Data Platform (AWS Summit SP 2022)
19
Estratégia de Dados – múltiplas unidades / empresas
Produtos e Serviços
Cliente Catálogo unificado de Produtos de Dados
Integrados
( Data Mesh )
20
Arquitetura Data Mesh na AWS
Catálogo central
21
22
SOCIAL NETWORK
ANALYSIS III
Prof.ª Adriana Silva
1
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados, é do professor.
2
Conteúdo Programático
Tópicos:
3
Revisando
• Métricas
• Degree
• O que é? • Degree Ponderado
•
• Dados/informações •
Clustering Coefficient
Closeness
• Contexto/exemplos • Betweenness
• Nós
• Tipos de Redes • Arestas
•
• Comunidades
•
Densidade do grafo
Comprimento médio do caminho
• Papéis • Excentricidade
• Raio
• Diâmetro da Rede
4
Detecção de Comunidades
Comunidades - Modularidade
• Como identificar uma comunidade
Primeira Interação Otimização da Modularidade
▪ Modularidade
▪ É a métrica mais popular para detecção de comunidades. É uma métrica sobre a qualidade da
divisão.
▪ Modularidade é a fração entre os links que estão dentro da comunidade menos a fração
esperada se os links fossem dividos aleatoriamente (se a comunidade fosse criada
aleatoriamente).
5
Prática
Exercício
Individual
▪ Disponibilizado os dados,
execute a as comunidades
Não esqueça de no Gephi. Teste diferentes
importar como
uma tabela de
resolutions.
links!!!
6
Prática
Exercício
Individual Exemplo: Topologia das Redes em uma empresa
• Considere uma pequena rede de 10 computadores espalhados em um escritório. Cada nó
representa um computador, e cada link representa uma conexão direta entre as máquinas.
Para o propósito deste exemplo, considere os links como conexões que permitem a
Dados: transferência de dados entre computadores. Se dois computadores não estão conectados
karate.xlsx diretamente, a informação deve fluir através de outras máquinas conectadas.
• Quais insights você consegue extrair a partir das conexões?
Não esqueça de
importar como
uma tabela de
links!!!
7
Prática
Exercício
Individual Exemplo: Topologia das Redes em uma empresa
Abra o arquivo words no software Gephi. Você pode considerar útil colorir as palavras por
Dados: comunidade (depois de executar “modularidade”), a fim de responder a seguinte pergunta:
words.net
Com base na rede de pares de palavras traduzidas (do inglês para o alemão), que palavra
alemã (prefaciado com "g_") é mais provável que seja uma tradução da palavra "coil"?
( ) Sprung
( ) Quelle
Basta ir em Abrir
arquivo ( ) Feder
( ) Frühjahr
8
Prática
Exercício
Individual Exemplo: Topologia das Redes em uma empresa
Abra o arquivo ingredientes no software Gephi. Os nós são ingredientes e os links são a
ocorrência juntos em receitas. Executar "modularidade", um algoritmo de encontrar
Dados:
ingredientes
comunidade, mantendo as configurações default. Colorir os nós de acordo com a sua
.net comunidade atribuída e responder o seguinte:
Vanilla está na mesma comunidade que:
( ) parsley
( ) carrot
Basta ir em Abrir
arquivo ( ) potato
( ) walnut
9
R Studio
Software Livre
▪ Atividade:
▪ Explorar os códigos R
» 1_SNA_conhecendo_códigos_R_USP.R
» 2_SNA_exercício_na_mao.R
11
Comunidades – igraph
12
Comunidades – igraph
Resumo
• Para gráfico direcionado: vá com Info Map.
• Se os recursos computacionais não forem um grande problema, e o gráfico for <700 vértices e
3500 arestas, escolha Edge Betweenness ; produz o melhor resultado.
• Caso se preocupe com a modularidade, qualquer um dos algoritmos restantes será aplicado;
• Se o gráfico for particularmente pequeno: <100 vértices, use optimal modularity;
• Se você quiser um algoritmo de primeira tentativa, use fast greedy ou walktrap
• Se o gráfico for maior que 100 vértices e você quiser algo mais preciso do que fast greedy ou walktrap, use
o leading eigenvectors
• Se você estiver procurando por uma solução semelhante ao agrupamento K-means, vá para o Spinglass
Fonte: https://yoyoinwanderland.github.io/2017/08/08/Community-Detection-in-Python/
13
R Studio
Software Livre
14
R Studio
Software Livre
15
Prática: Exercícios
Exercício
Individual Exemplo 1: SNA no RH
• Este exemplo olha para uma rede não direcionada que representa alguns dos grupos de
projetos de uma empresa XPTO. A ligação entre os nós A e B significa que a pessoa A e B
trabalham em conjunto (ou, que a pessoa A reporta para a pessoa B). Esta rede representa
Dados: seis projetos principais.
rede_rh.xlsx
Codigo:
• Departamento de 3 (D3) - Gotti, Leon, Kabutz. Gotti reporta a Chapman.
0_caminho_ • Departamento 4 (D4). Yu reporta a Chapman neste projeto.
pratico_rh.R • Departamento 4a (D4a) - Polark, Chang, Weng, Angel. Polark reporta ao Yu.
• Departamento 4b (D4B) - Christoph, Nardo, Gotti, Zhuo. Christoph reporta ao Yu.
• Departamento 4c (D4C) - Graffe, Zhuo, Hund. Graffe reporta ao Yu.
16
Prática: Exercícios
Exemplo 1: SNA no RH
Exercício
Individual
Você também
Agora vocês
pode calcular as
terão o poder de
medidas
pedir métricas
levando o peso
por
em
comunidades!!!
consideração!!!
Será que é uma
Será que é uma
boa?
boa?
17
Prática: Exercícios
Exercício
Individual Exemplo 1: SNA no RH
• Objetivo: fazer uma análise completa das medidas e detalhar insights que possam ser
interessantes, para apresentar para o diretor de RH. Ele está muito preocupado com o Gotti
e Chang, pois o mercado está de olho neles.
Mudou de
opinião?
18
Desafio Prático
Exercício
Individual Facebook
▪ Estudo de Caso
Dados:
adriana.gml ▪ O seu desafio é divulgar uma festa que você está organizando.
▪ Você possui capacidade de receber até 5 pessoas sem cobrar a entrada.
▪ Para quem você daria estes convides VIPs visando a divulgação da festa dentre sua
rede de amigos?
Codigo:
0_caminho_
pratico_face.
R
19
Desafio Prático
Exercício
Individual Facebook
• Estudo de Caso
Dados:
adriana.gml
• Abrir minha rede no R
• Aplicar a estratégia criada na experiência passada
Codigo:
0_caminho_ • Determinar quem são as pessoas VIPs que você convidaria
pratico_face.
R
20
Estudo de Caso
Telco
21
Estudo de Caso
Dados
• O que é requerido?
• Normalmente trabalha-se com 3 meses do CDR (call detail records) sumarizado
• Flexibilidade dos dados é a chave que permite construir redes com diferentes
propósitos.
22
Estudo de Caso
Dados de Entrada
• Considerações:
• Só serão incluídos registros com 150 ou menos relações entre os nós (entidades).
24
Estudo de Caso
Resumo do Processo
25
Outras aplicações
• Telco
• Modelo de Churn
• Financeiro
• Detecção de quadrilhas
• Lava Jato
• Transações fraudulentas
26
Processo de SNA (sugestão):
“passo a passo”
Explorar
informação
existente 1
3 4
Extração de Determinar Detectar
dados A→B links e forças comunidades
2 ▪ Rede inteira
▪ Comunidades
Qualificar Estipular
6 Aplicar
5
“papéis”
métricas ▪ Rede inteira
Comunidades SNA ▪ Comunidades
▪ “Atores”
Results 7
27
Referências Bibliográficas
• PINHEIRO, C. A. R. Social Network Analysis in Telecommunications. USA: John Wiley, 2011, 284 p.
28
MUITO OBRIGADA!
Prof.ª Adriana Silva
linkedin.com/in/adrianamms
29
TECNOLOGIA DA INFORMAÇÃO (TI)
E INOVAÇÃO TECNOLÓGICA
Ildeberto Rodello (Beto)
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados, é do professor.
2
About me, by myself
• Formação acadêmica
• Atuação profissional
3
About me, by myself
• Pesquisas e parcerias
move.fearp.usp.br
4
Conteúdo
5
Bora pro jogo?
6
Inovação Tecnológica
Cenários futuros e novos modelos de negócios
Como obter ganhos a partir da adoção das novas tecnologias digitais?
7
Inovação
8
Empresas Inovadoras
• Competências estratégicas
• Visão de longo prazo, capacidade de identificar e, até, antecipar tendências de
mercado, disponibilidade e capacidade de coligir, processar e assimilar informações
tecnológicas e econômicas
• Competências organizacionais
• Disposição para o risco e capacidade de gerenciá-lo, cooperação interna entre os
vários departamentos operacionais e cooperação externa com consultorias, pesquisas
de público, clientes e fornecedores, envolvimento de toda a empresa no processo de
mudança e investimento em recursos humanos”.
9
Tecnologia – Exemplo (Vídeo 1)
www.youtube.com/watch?v=R3LsRl7iMos
10
Tecnologia da Informação
11
Tecnologia e Atualidade - (Vídeo 2)
www.youtube.com/watch?v=PK_qWEglRyc
12
Tecnologia e Atualidade
• Reflexão
• Bancos
• Telecomunicações
• Supermercados
• Sua empresa ?
13
Emergência da Empresa Digital
14
Emergência da Empresa Digital
15
Transformação Digital
www.youtube.com/watch?v=2Qyd13E2jW0
www.youtube.com/watch?v=B7N5vcksW8s&t=43sh
www.youtube.com/watch?v=MbjLYXOHkD4
16
Transformação Digital
• É a mudança organizacional
(estratégia, modelo operacional,
financeiro, vendas, marketing,
recursos humanos, sustentabilidade,
etc.) para continuar a gerar valor
para seus clientes e manter-se
competitivo em um mundo digital.
17
Transformação Digital
18
Pontos Críticos para
Transformação Digital
19
Interação 1
• Tecnologia e Atualidade
• Como você vê a sua área de
atuação (ou empresa) em termos
de estar preparada para
proporcionar novas experiências ao
cliente?
20
Transformação da Empresa
21
Empresas e Tecnologia
Fonte: http://www.portaldaindustria.com.br/agenciacni/noticias/2016/04/nova-era-industrial-transformara-produtividade-global/
22
Indústrias conectadas
Fonte: http://revistapesquisa.fapesp.br/2017/09/21/o-brasil-da-internet-das-coisas/
23
Indústria 4.0 – Exemplo (Vídeo 3)
• Vídeo Huawei
24
Administração e Tecnologia
2000 –
1970 – 1980
1950 – 1960 1960 – 1970 1990 – 2000 Mobilidade,
Apoio a 1980 – 1990
Processamento Relatórios Comércio Integração,
tomada de Uso estratégico
de dados administrativos Eletrônico Nuvem, IoT,
decisão
RA,...
25
Evolução da TI
Parceiro estratégico
Era do alinhamento Uso da TI para potencializar inovação
estratégico
26
O valor dos SI e da TI
27
Tecnologia e Atualidade
28
Ciclo da Gestão do Conhecimento
29
Gestão da Tecnologia da Informação
Alinhamento estratégico de TI
Estruturação da área de TI
30
Interação 2
Gestão da TI
31
Gestão da Tecnologia da Informação
• Não envolve somente questões técnicas!!!
32
CIO x Líder Digital
33
Technology Organization Environment
Framework (TOE)
Alinhamento estratégico de TI
34
Definição
35
Technology Organization
Environment Framework
36
Planejamento Estratégico de TI
PETI
37
PETI
38
PETI - Metodologias
Rezende, D. A.; Planejamento de Sistemas de Informação e Informática. Atlas. ISBN: 9788597003475 . 2016
39
Por que planejar?
• Inteligência organizacional
• Sobrevivência e perenidade organizacional
• Maximizar os lucros (competitividade)
• Alternativas de rentabilidade ou de negócios
• Estabelecer premissas e prioridades
• Ações concentradas nos objetivos e negócios
• Contraponto para incertezas
• Determinar possíveis alternativas de ações
• Qualidade e produtividade
• Facilitar controles
Fonte: Rezende, D. A.; Planejamento de Sistemas de Informação e Informática. Atlas. ISBN: 9788597003475 . 2016
40
PE de Informações ou da TI
41
PLANEJAMENTO
ESTRATÉGICO
PLANEJAMENTO
DA ALINHAMENTO ESTRATÉGICO
TECNOLOGIA DA ESTRATÉGICO
INFORMAÇÃO (PE)
(PETI)
Fonte: Rezende, D. A.; Planejamento de Sistemas de Informação e Informática. Atlas. ISBN: 9788597003475 . 2016
42
Infraestrutura de Tecnologia da Informação
Estruturação da área de TI
43
Infraestrutura de TI
• Hardware
• Software
• Meios de armazenamento
• Meios de Comunicação
• Pessoas
• Oferecem serviços de TI
• Servidores (email, web, dados, etc.)
• Backup
• Etc.
44
Gestão da TI
• Gerir os serviços de TI para prover:
• Disponibilidade
• Confiabilidade
• Segurança
• Contingência
• Atualização
• Etc.
45
Infraestrutura de TI
• Própria
• Segurança
• Redundância
• Etc.
• Terceirizada
• Nuvem
• Colocation/Housing
46
Abordagens de Instalação
Fonte: https://www.o3s.com.br/post/o-caminho-para-a-nuvem
47
Departamento de TI
Gestor de TI
48
Shadow IT - (Vídeo 4)
https://www.youtube.com/watch?v=5a_3hBiO774
49
Modelos de Governança de TI
50
Diferença entre Gestão e
Governança de TI
51
Governança de TI
Roadmap
52
Frameworks para
Governança de TI
53
Control Objectives for Information and Related Technologies
54
COBIT
55
COBIT 2019 – Exemplo (Vídeo 5)
www.youtube.com/watch?v=KJLAJSZ
bfIM&feature=youtu.be
56
Maturidade
57
Information Technology Infrastructure Library
58
ITIL
59
ITIL– (Vídeo 6)
www.youtube.com/watch?v=1ZqhiwEAtTA
60
No Brasil
61
Para se aprofundar
62
- 5 1
OBRIGADO! 0 9 8
7 3 .
5 .2
TECNOLOGIA 3DA 1 INFORMAÇÃO (TI)
i d a
E INOVAÇÃO
o sh TECNOLÓGICA
i Y
u sh Ildeberto Rodello (Beto)
At s
el o www.linkedin.com/in/ildeberto-rodello-8509655/
ar c
M
ANÁLISE DA
CONJUNTURA
ECONÔMICA EM CENÁRIOS
DE TECNOLOGIAS
DISRUPTIVAS I
Prof. Dr. Fernando S. Coelho
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados é do professor.
Proibida a reprodução, total ou parcial, sem
autorização. Lei nº 9610/98
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
2
Apresentação do Professor
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
3
Módulo: Data Science e Big Data no Ambiente de Negócios
Tecnologia
AHP da
Informação
Gestão da Engenharia
Mudança de Dados
Metodologias
Ágeis
Análise de
Cloud Computing
Redes Socias Um Lego de disciplinas para
Business Conjuntura
compreender as organizações,
Intelligence Econômica
o ambiente de negócios e os
Java Script modelos de gestão.
Inovação
Tecnológica
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
4
Agenda e Objetivo da nossa Disciplina
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
5
Benefícios Esperados da Disciplina
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
6
Organização da nossa Disciplina em 3 Aulas
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
8
O Macroambiente e a Economia
Macroambiente
Ambiente Político
Ambiente Social
Organização
Ambiente Tecnológico
Ambiente Ecológico
Ambiente Legal
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
9
Análise do Macroambiente (Pestel)
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
10
Elementos de uma Análise Econômica
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
11
Dificuldades Iniciais da Análise Econômica
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
12
Economês & Análise dos Negócios
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
13
(…) apesar da gradativa popularização da economia
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
14
A Complexidade das Relações de Causa-Efeito
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
15
Ilustrando a Economia: o fluxo circular da renda – agentes e mercados
Salários, Juros
Renda e Aluguéis
Mercado de Fatores Produtivos
(Trabalho e Capital)
Contribuição Sindical
Sindicatos Aplicações
Aplicações e Empréstimos
Impostos Impostos
Governo
Gastos Públicos
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
16
Aula de hoje: o nosso 1º degrau!
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
17
Economicamente, os países objetivam:
Nível de Atividade
Gastos do Governo
Exportação
Importação
Investimento
Consumo
*Ótica do PIB do dispêndio/despesa/demanda
Temos, igualmente, as ótica sda oferta/produção e da renda.
Para + informações: https://www.ibge.gov.br/explica/pib.php
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
20
PIB do Brasil: ótica do dispêndio/despesa/demanda
Exemplo: economia brasileira em um ano recente -2020.
(PIB em torno de R$ 7,5 trilhões)
0,1% -1,1%
16%
20% 65%
0 0 3 0 2
15
23 24 21 21 24
20 45
14 12 14
20 20
15
65 63 66 68
55 56
39
-2 -3
Européia
China
Brasil
Estados
Chile
Japão
México
Unidos
União
Fonte: OECD(2020); IBGE (2020)
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
22
Componentes do PIB e seus fatores de impacto
Taxa de câmbio
Balança Comercial Competitividade internacional
Políticas de comércio exterior
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
23
Atenção 1 – Cálculo do PIB trimestral e resultado por diferentes óticas
Fonte: IBGE
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
24
Atenção 2 – Brasil: trajetória errática de crescimento do PIB (%)
11,1%
9,7%
9,3%
2006 2007 2008
7,9%
7,4%
6,8%
5,4%
3,8%
2,9% 2,9% 2,9% 2,8%
2,4%
2,0% 1,8%
1,4% 1,4% 1,6% 1,4% 1,3%
0,5% 0,3%
EUA Japão Alemanha Reino França Canadá Itália Índia Brasil Rússia China
Unido
Fonte: FMI
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
26
Comportamento do PIB no Brasil nos últimos anos
Brasil
2015 2016 2017 2018 2019 2020 2021 2022P
PIB
Crescimento real do PIB - % -3,5 -3,3 1,3 1,8 1,2 -3,9 4,6 2,4
PIB nominal - BRL bi 5.996 6.269 6.585 7.004 7.389 7.468 8.679 9.727
PIB nominal - USD bi 1.800 1.798 2.063 1.916 1.872 1.447 1.609 1.875
População - Milhões 203,5 205,2 206,8 208,5 210,1 211,8 213,3 214,8
PIB per capita - USD 8.847 8.764 9.977 9.189 8.910 6.834 7.541 8.730
• Oscilações da taxa de crescimento real no período; ver como foi baixa, quando não ocorreu queda.
• Valor do PIB nominal em BRL aumentou ano a ano (uma vez que não é deflacionado).
• Valor do PIB nominal em USD variou de acordo com a taxa de câmbio
• O PIB per capita depende da estimativa da população
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
27
Atenção: crescimento ≠ desenvolvimento
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
28
Baixa
Eficiência
DESENVOLVIMENTO Econômica
SUSTENTÁVEL
Conservação
Equidade Ambiental
Social
Degradação Pobreza e
Eficiência desigualdade
ambiental Econômica social
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
29
Recapitulando: primeiros aprendizados desta aula:
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
30
Enquete 1: aplicando o conhecimento da aula
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
31
Enquete 1: resposta e interpretação
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
32
O que é Inflação e quais são seus tipos?
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
33
Inflação de Demanda: ilustração
Oferta Agregada
Preço
P2
P1
Demanda Agregada
Q
Quantidade
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
34
Inflação de Oferta: dois exemplos
Exemplo 1 Exemplo 2
Brasil (2019/2020), aumento do preço da carne. Brasil (2021), inflação oficial foi 10,06%.
Choque de oferta (-), pelo aumento das exportações. dos preços administrados pelo governo
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
35
Inflação Inercial: explicação do fenômeno
Espiral Inflacionário
Inflação Inercial
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
36
Brasil Contemporâneo: da hiperinflação ao controle
100%
Collor 1
80%
Regime de Metas de Inflação
60%
Real
40% Verão
Bresser Collor 2
20% Cruzado
0,00%
1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1999
Fonte: IGPM / inflação mensal (%), 1985-2000
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
37
Brasil: principais índices de inflação ao consumidor
IPCA - IBGE
Utilização: Meta de Inflação
IGPM - FGV
Utilização: Contratos
IPC - FIPE
Para + informações: https://portal-da-inflacao-ibre.fgv.br/#!/ Utilização: Impostos de SP
ICV - DIEESE
Utilização: Acordos Salariais
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
38
Inflação no Brasil nos últimos anos
Brasil
2015 2016 2017 2018 2019 2020 2021 2022P
Inflação
IPCA - % 10,7 6,3 2,9 3,7 4,3 4,5 10,1 6,4
IGP–M - % 10,5 7,2 -0,5 7,5 7,3 23,1 17,8 9,6
• Diferença de metodologia entre IPCA e IGP-M
• Uso da inflação oficial alternativo ao IGP-M para revisão de contratos durante a pandemia
• Meta de inflação: foi de 4% em 2020, foi de 3,75% para 2021 e é de 3,5% para 2022.
• IPCA: 4,4% no ano (jan-ago); 8,7% nos últimos 12 meses.
• Deflação no último bimestre de 2022: julho: - 0,68% | agosto: -0,36%
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
39
Enquete 2: aplicando o conhecimento da aula
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
40
Enquete 2: resposta e interpretação
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
41
Mercado de Trabalho e Taxa de Desemprego
174,0 milhões
PIA ou PIT
108,6 milhões
Taxa de Desemprego = Nº. de Desempregados /PEA
Brasil (2°. tri. 2022): 9,1%, com 9,9 milhões de pessoas PEA ou PFT
desempregadas na PEA ; são 98,7 milhões ocupadas.
Para + informações: https://www.ipea.gov.br/cartadeconjuntura/index.php/category/mercado-de-trabalho/ 65,4 milhões
Inativos
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
42
Tipos de Desemprego: conceito e tipos
Friccional Conjuntural
▪ Incompatibilidades (...) ▪ Crise econômica
▪ Assimetria de Informação ▪ Sazonalidade
▪ Rotatividade ▪ Choque externo
Estrutural
▪ Mecanização agrícola
▪ Automação industrial
▪ Inteligência artificial
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
43
Brasil: índices de desemprego
Brasil
2015 2016 2017 2018 2019 2020 2021 2022P
Mercado de Trabalho
Taxa nacional de desemprego - média anual (*) 8,6 11,6 12,8 12,4 12,0 13,8 13,2 9,5
Taxa nacional de desemprego - fim do ano (*) 9,7 12,8 12,5 12,4 11,7 14,9 11,8 9,1
• Taxa de Participação: 62 % da PIA, com taxa de desalento em torno de 4,2 milhões de pessoas
• Rendimento Médio: aprox. R$ 2.693,00 (aumento nominal de 6% e queda real de 5,1%) e perfil das vagas criadas.
• Taxa de Formalidade: 60% (43,4 milhões com carteira, 12 milhões de servidores públicos e 4,3 milhões de empregadores)
• Taxa de Informalidade: 40 % (13,1 milhões sem carteira e 25,9 milhões por conta própria)
• Subocupação da Força de Trabalho (por insuficiência de horas): 6,5 milhões de trabalhadores
• Taxa de Subutilização: 20,6 milhões (desempregados + subocupados + desalentados); + sem disponibilidade: 6,5 milhões.
Fonte: IBGE e PNAD Contínua (segundo trimestre de. 2022)
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
45
Em resumo: nível de atividade de uma economia
Objetivos Índices
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
46
Macroeconomia & Ambiente de Negócios
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
47
Brasil: Nível de Atividade
projeção 2022 (base 31 ago.)
PIB (% cres.)
2,4% (mercado); e 2,5% (governo)
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
48
Problemas Econômicos e seus trade-off !?
Enfim, essas são questões de política econômica, tema da nossa aula de hoje!
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas I Prof. Dr. Fernando de S. Coelho
49
Muito obrigado pela atenção de vocês nesta aula 1!
www.facebook.com/fernandosouzacoelho
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados é do professor.
Proibida a reprodução, total ou parcial, sem
autorização. Lei nº 9610/98
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
2
Organização da nossa Disciplina em 2 Aulas
Macroambiente
Ambiente Político
Ambiente Social
Organização
Ambiente Tecnológico
Ambiente Ecológico
Ambiente Legal
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
5
Elementos de uma Análise Econômica
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
6
Em resumo: nível de atividade de uma economia
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
7
PIB: operacionalizando o conceito em um modelo*
Gastos do Governo
Exportação
Importação
Investimento
Consumo
*Ótica do PIB do dispêndio/despesa/demanda
Temos, igualmente, as ótica sda oferta/produção e da renda.
Para + informações: https://www.ibge.gov.br/explica/pib.php
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
8
Componentes do PIB e seus fatores de impacto
Taxa de câmbio
Balança Comercial Competitividade internacional
Políticas de comércio exterior
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
9
O que é Inflação e quais são seus tipos?
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
10
Brasil: principais índices de inflação ao consumidor
IPCA - IBGE
Utilização: Meta de Inflação
IGPM - FGV
Utilização: Contratos
IPC - FIPE
Para + informações: https://portal-da-inflacao-ibre.fgv.br/#!/ Utilização: Impostos de SP
ICV - DIEESE
Utilização: Acordos Salariais
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
11
Mercado de Trabalho e Taxa de Desemprego
174,0 milhões
PIA ou PIT
108,6 milhões
Taxa de Desemprego = Nº. de Desempregados /PEA
Brasil (2°. tri. 2022): 9,1%, com 9,9 milhões de pessoas PEA ou PFT
desempregadas na PEA ; são 98,7 milhões ocupadas.
Para + informações: https://www.ipea.gov.br/cartadeconjuntura/index.php/category/mercado-de-trabalho/ 65,4 milhões
Inativos
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
12
Tipos de Desemprego & Taxa de Desemprego no Brasil
Friccional
▪ Incompatibilidades (...)
▪ Assimetria de Informação
▪ Rotatividade
Conjuntural
▪ Crise econômica
▪ Sazonalidade PNAD contínua - IBGE
▪ Choque externo
Metodologia:
▪ Pop. Idade Ativa (PIA): 14 anos
Estrutural ▪ Desocupado: sem ocupação, disponível
▪ 211 mil domicílios em 3500 municípios
▪ Mecanização agrícola
▪ Em torno de 2000 entrevistadores, por telefone
▪ Automação industrial
▪ Média trimestral (dados do mês com os dois
▪ Inteligência artificial
meses imediatamente anteriores)
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
13
Brasil: Nível de Atividade
projeção 2022 (base 31 ago.)
PIB (% cres.)
2,4% (mercado); e 2,5% (governo)
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
14
Aula de hoje: o nosso 2º degrau!
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 15
Proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98
Macroeconomia & Ambiente de Negócios
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
16
Problemas Econômicos e seus trade-off !?
Conjuntural Estrutural
▪ Política Fiscal ▪ Política Agrícola
▪ Política Monetária ▪ Política Industrial
▪ Política Cambial ▪ Política Previdenciária
▪ (...)
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
18
Funções do Governo na Economia
Função Distributiva
Ajuste na distribuição de renda visando à
redução da desigualdade social
Ex.: Transferências e Impostos
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
19
O Problema Fiscal no Setor Público
Receitas
Despesas
Política Fiscal
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
20
Balancete Simplificado de um Governo
Receitas Despesas
Impostos Diretos Consumo do Governo
Dos indivíduos Bens e serviços nacionais
Das empresas Bens e serviços importados
Impostos Indiretos Salários pagos
Produção Transferências
Consumo A indivíduos
Contribuições A empresas
Fundos Ao exterior
Taxas Subsídios
Transferências Intergovernamentais Investimentos Públicos
Pagamentos de Juros
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
21
Tipos de Impostos e Política Tributária Regressiva no Brasil
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
22
Impostos no Brasil por Nível de Governo & Divisão da Arrecadação
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
23
Resultado das Contas Públicas
Despesas
> Receitas
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
24
Resultado Primário & Nominal
Ilustrando as contas públicas de um país fictício
(R$ bilhões)
Receita 1.000.000
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
25
Como os governos podem financiar o déficit público?
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
27
Visitem o site do Tesouro Direto
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
28
Vídeo: contextualizando a Política Monetária
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
29
O Problema Monetário na Economia
Para conciliar crescimento econômico com a
estabilidade de preços o Bacen deve:
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
30
O BACEN determina a taxa de juros básica (SELIC); 13,75% (set. 2022).
(oito reuniões/ano)
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
31
Instrumentos de Política Monetária
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
32
O que são Operações de Open Market?
Obs: o Bacen utiliza exclusivamente títulos públicos federais nessas operações de open market.
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
33
Alguns instrumentos de Política Monetária
para o controle da oferta monetária do país
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
34
O que é o Compulsório?
Percentual dos depósitos bancários que são recolhidos
no Bacen para controle da oferta monetária.
Exemplo:
Brasil - 2022: dep. à vista: 25%; dep. à prazo: 20%; dep. poupança: 20%
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
35
Uma demonstração: sem e com taxa compulsório no depósito à vista
Banco 2 Banco 2
Empréstimos Depósitos à vista Compulsório Depósitos à vista
R$ 187,50
R$1.000 R$1.000
Empréstimos
R$750
R$ 562,50
Banco 3 Banco 3
Empréstimos Depósitos à vista Compulsório Depósitos à vista
R$ 140,62
R$1.000 R$1.000
Empréstimos R$ 562,50
R$ 421,88
MP = 4.000
MBA em Data Science e Analytics Meios Análise
Disciplina de Pagamento = Papel
da Conjuntura Moedaem
Econômica emCenários
Circulação + Depósitos
de Tecnologias à Vista II
Disruptivas MP = 3.312,50
Prof. Dr. Fernando de S. Coelho
36
Visitem o site do BACEN
Fonte: www.bcb.org.br
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
37
Vídeo: contextualizando a Política Cambial
https://www.canalrural.com.br/noticias/quais-as-projecoes-
do-dolar-para-2022-veja-analise-de-5-economistas/
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
38
As Transações Externas e a Taxa de Câmbio
• Exportações
• Remessa de Lucro
• Pagamento de Juros
R$ • Amortização da Dívida
• Importações US$
• Empréstimos
• Investimento Direto Tx Câmbio: R$/US$
• Capital de Curto Prazo
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
39
Quais são os regimes cambiais?
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
40
Balanço de Pagamentos: registro das transações externas
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
41
Cálculo do Balanço de Pagamentos
Ilustrando o Balanço de Pagamentos de um país fictício
(R$ milhões)
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
42
Reservas Internacionais e Taxa de Câmbio Flutuante
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
44
Contas Externas no Brasil nos últimos anos
Brasil
2015 2016 2017 2018 2019 2020 2021
Contas Externas
Taxa de Câmbio (R$/US$) - final de período 3,96 3,26 3,31 3,88 4,03 5,19 5,57
Balança comercial - US$ bilhões 13,7 40,2 56,0 46,6 35,2 50,4 61,0
Conta corrente - % PIB -3,0 -1,4 -1,1 -2,7 -3,5 -1,7 -1,75
Investimento direto no país - % PIB 3,6 4,1 3,3 4,1 3,7 3,1 2,9
Reservas internacionais - US$ bilhões 369,0 372,2 381,6 387,0 366,9 355,6 362,2
Fonte: Bacen
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
45
Enquete 1: aplicando o conhecimento desta aula.
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
46
Em síntese: políticas econômicas conjunturais
Tripé Macroeconômico
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
47
Nosso 3º e último degrau!
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 48
Proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98
O Sistema Financeiro Nacional (SFN) e os seus Mercados
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
49
Estrutura do Sistema Financeiro Nacional no Brasil
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
50
Brasil: Conjuntura Econômica,
projeção 2022 (base set./2022)
Projeção para 2022
Projetado (meados/2021) vs. Realizado 2021
Tx. de Inflação (IPCA) 6,4% (meta de inflação do CMN de 3,5%); 6,5% – 10,1%
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 52
Proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98
Algumas indicações
Documentários e Filmes.
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
53
Algumas indicações
Livros
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
54
Para finalizarmos nossa disciplina!
SAIBAchecar
Vamos MAIS:se atingimos nossos
orientação para objetivos?
o pós-curso
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
*A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 55
Proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98
Recordando os objetivos dessa disciplina e refletindo:
MBA em Data Science e Analytics Disciplina Análise da Conjuntura Econômica em Cenários de Tecnologias Disruptivas II Prof. Dr. Fernando de S. Coelho
56
Muito obrigado, novamente, pela atenção de vocês,
na aula de hoje e durante toda a nossa disciplina.
www.facebook.com/fernandosouzacoelho
Mateus C. Gerolamo
1
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos
didáticos apresentados é do professor.
Proibida a reprodução, total ou parcial, sem
autorização. Lei nº 9610/98
2
Liderança em Data Science
3
Agenda / Conteúdo
4
❖ Apresentação
❖ Introdução
Conteúdo do Material
5
Apresentação
6
GRUPO DE PESQUISA EM GESTÃO DA MUDANÇA E INOVAÇÃO
Mateus C. Gerolamo DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO
Professor Associado ESCOLA DE ENGENHARIA DE SÃO CARLOS
UNIVERSIDADE DE SÃO PAULO
❖ Professor da Universidade de São Paulo (USP).
❖ Área de atuação compreende Gestão da Qualidade, Mudança e Inovação.
❖ Livre-Docência pela USP e Pós-doutorado pelo Instituto de Tecnologia de Berlim (TUB).
❖ Doutor, Mestre e Engenheiro de Produção pela USP.
❖ Mais de 15 anos de experiência em pesquisa, docência e projetos de consultoria com ênfase em Gestão
de Mudanças e Cultura Organizacional.
❖ Experiências em diversos setores: alimentos, automobilístico, construção civil, cosméticos, educação,
saúde, serviços, têxtil, dentre outros, em pequenas, médias, grandes e empresas do terceiro setor.
❖ Responsável por aula na graduação, pós-graduação lato e stricto sensu, e MBA.
❖ Ministra cursos em MBAs da USP e UFSCar (Gestão da Mudança e da Inovação, Liderança, Balanced
Scorecard, Gestão da Qualidade).
❖ Autor de livros, artigos nacionais e internacionais; revisor de periódicos internacionais, dentre eles o
Journal of Organizational Change Management.
❖ Certificado CTT1 (Cultural Transformations Tools) – Richard Barrett Centre.
LinkedIn: https://www.linkedin.com/in/mateus-gerolamo-802b965/
Curriculum Vitae Lattes: http://lattes.cnpq.br/3002611390279533
Research team: http://change.prod.eesc.usp.br
Google Scholar: https://scholar.google.com.br/citations?user=t5efBTUAAAAJ
Facebook: https://www.facebook.com/groups/gestaodamudanca
ORCID: https://orcid.org/0000-0002-6535-0904
Curriculum Lattes: http://lattes.cnpq.br/3002611390279533
Scopus: https://www.scopus.com/authid/detail.uri?authorId=6504619454
EESC: https://eesc.usp.br/
Research ID: http://www.researcherid.com/rid/G-7182-2012
USP: https://www5.usp.br/ 7 7
Research Gate: https://www.researchgate.net/profile/Mateus_Gerolamo
Grupo de Pesquisa: http://change.prod.eesc.usp.br
8
Principais fontes de Inspiração para
BACKGROUND
Pesquisa, Aplicação e Ensino
Mateus C. Gerolamo, Engenharia de Produção, Escola de Engenharia de São Carlos (EESC), Universidade de São Paulo (USP), Gestão da Mudança
9
Leituras Recomendadas
10
Avaliação do Nível de Energia
11
Introdução
• Gerencie sua Energia, não o seu Tempo!
12
Exercício
8 minutos
13
Exercício
8 minutos
• Resultado Geral:
0 – 3: Excelente habilidade de gerenciar energia
4 – 6: Habilidade de gerenciar energia razoável
7 – 10: Déficit significante na habilidade de gerenciar energia
11 – 16: Déficit grave na habilidade de gerenciar energia
14
Exercício
8 minutos
• Plano de ação
Documente o seu plano de ação para essa semana
para melhorar a sua gestão de energia.
• Resultado
Após uma semana, descreva o impacto da ação
escolhida na sua capacidade de exercer
autocontrole e na sua produtividade.
Fonte: Schwartz and McCarthy (2007)
15
Introdução
16
Introdução
• Por que falhamos?
Não executamos
completamente, e
Não definimos os nossos a tempo, os Planos
problemas de forma correta de Ação de forma
correta
Não colocamos as
metas certas Não fazemos
bons Planos de
Ação (falta de
conhecimento ou
de método) Podem ocorrer
circunstâncias fora
Fonte: Falconi (2009), O Verdadeiro Poder, pág. 3. de nosso controle
17
Introdução
• O que Precisamos Fazer para Não Falharmos?
Liderar!
Gerenciar! Executar!
O gerenciamento é focado nos fins e, portanto,
na missão geral de qualquer organização...
Fonte: Falconi (2009), O Verdadeiro Poder, pág. 3.
18
Introdução
“Satisfazer as
necessidades
Qual é a Missão dos seres
Geral de uma humanos”
Organização?
19
Introdução
Quem são os Seres Humanos em uma Organização?
Existem quatro tipos de seres humanos que estão nos objetivos de qualquer
organização e são chamados stakeholders ou “partes interessadas”:
Quem mais?
Colaboradores
Clientes
Acionistas
21
Introdução
• É preciso atender aos requisitos (necessidades e/ou desejos) dos
principais stakeholders da organização! Uso de indicadores!
22
Introdução
Sistema de Medição de Desempenho e
uso de Indicadores:
• A mensagem mais importante é que esses indicadores não podem ser
acompanhados apenas pela alta administração;
• Eles devem ser desdobrados por toda a organização de forma que possam ser
trabalhados continuamente;
• Indicadores estabelecidos em diferentes e importantes dimensões da organização
dão origem a vários outros, num processo de desdobramento e, se todos os
indicadores estiverem alinhados por meio de relacionamento de causa-efeito, a
empresa estará alinhada para garantir a sua própria sobrevivência.
23
Introdução
• Sistema de Medição de Desempenho e uso de Indicadores:
Balanced Scorecard (BSC) – Mapa Estratégico
24
“Assim como a paternidade, provavelmente a
liderança nunca será uma ciência exata. Mas também
não precisa ser um completo mistério para aqueles
que a praticam... as pesquisas têm ajudado os pais a
entenderem os componentes genéticos, psicológicos
e comportamentais que afetam seus “desempenhos
no trabalho”.... Assim como os pais, os líderes
também podem obter uma clara fotografia daquilo
que precisam para liderar eficazmente. E talvez tão
importante, eles podem ver como fazer acontecer.”
Pessoas
preferem o Pessoas competem por
status-quo recursos limitados
A organização foca
Pessoas limitam-se a em burocracias
suas responsabilidades desnecessárias
27
Mapas Mentais
(Source: Black and Gregersen, 2003, Leading Strategic Change, apud Robert Quinn)
28
Mapas Mentais
(Source: Black and Gregersen, 2003, Leading Strategic Change, apud Robert Quinn)
29
Liderança significa
apenas uma posição
de autoridade e
Mapas Mentais
Liderança significa
superioridade em influência,
relação aos outros Líderes apresentam independentemente da
estilo único: ou autoridade ou posição
Motivação segue focados na tarefa ou formal
instruções, focados nas pessoas
recompensas e Líderes apresentam ambos
punições Pessoas recebem os estilos: focados na tarefa
Motivação segue
privilégios com base e focados nas pessoas
Pessoas buscam propósito, inspiração, e
em sua posição / seu recompensas intrínsecas
interesse
status Pessoas são valorizadas
próprio
independentemente de sua
Pessoas sentem medo posição hierárquica ou status Pessoas mostram
compaixão / respeito
Pessoas
preferem o Pessoas competem por Pessoas sentem-se confiantes
status-quo recursos limitados Pessoas
Pessoas expandem suas fontes
de recursos buscam
Pessoas limitam-se a A organização foca crescimento
suas responsabilidades em burocracias A organização tem agilidade
desnecessárias para agir e decidir Pessoas expandem
Cultura baseada seus papéis
Mapa Mental # 1
em conflitos Cultura Colaborativa
Fonte: Quinn, R. Positive Organization, 2015. Mapa Mental # 2
entre áreas 30
5 1
0 9 8-
73 .
5 .2
a 31
Liderança
u sh i Yo
sh i d
Ats
elo
ar c
M
32
Introdução
Influência das Teorias de Psicologia no desenvolvimento do conceito
33
Introdução
Influência das Teorias de Psicologia no desenvolvimento do conceito
34
Introdução
Existem três fatores fundamentais para a obtenção
de resultados em qualquer iniciativa humana:
LIDERANÇA
CONHECIMENTO
MÉTODO
TÉCNICO
Fonte: Falconi (2009), O Verdadeiro Poder, pág. 13-19.
35
Introdução
Entre os três fatores
(liderança, De nada adianta
conhecimento técnico e método ou
método), a liderança é Sem ela nada acontece; conhecimento técnico
o que há de mais se não existe liderança
importante numa para fazer acontecer.
organização;
LIDERANÇA
Fonte: Falconi (2009), O Verdadeiro Poder, pág. 13-19.
36
Conceito de Liderança
37
Para desenvolver o conteúdo
Agenda de liderança, é preciso definir
“Liderar é bater a agenda do líder
do Líder metas ▪ Atribuir metas baseadas em lacunas
▪ Promover o domínio do método pela equipe
▪ Promover a aquisição de conhecimento
5 1
8-
Alcançar Metas
técnico do processo pela equipe
. 0 9
▪ Recrutar
.2 73
Consistentemente, ▪ Treinar
▪ Inspirar 31 5
com o time
i d
▪ Fazer Coaching a
sh
Yo
LIDERANÇA Com Time ▪ Promover a Meritocracia
sh i
▪ Desenvolver as pessoas de formas que “expandam” sua zona de conforto
▪ Fazer uma avaliação de desempenho honesta e construtiva
ts u▪ Demitir quando preciso
ce
e fazendo rcerto.”
l
M a ▪ Promover cultura única
▪ Cultura de alto desempenho
▪ Cultura de fatos e dados
Fazendo Certo ▪ Cultura de honestidade intelectual
▪ Cultura de enfrentamento dos fatos
▪ Alinhamento com valores da empresa
Fonte: Falconi (2009), O Verdadeiro Poder, pág. 14.
38
Liderança
40
Gestores versus Líderes
Organizações hoje em dia são super-gerenciadas e sub-lideradas;
41
Gestores versus Líderes
Gestores Líderes
Complexidade Lidam com Desafios de transformação
Os planos para as pessoas delegando A visão para aqueles que podem criar
Comunicam
responsabilidades para a implementação coalizões comprometidas
Na motivação e inspiração, mantendo as
No monitoramento detalhado dos
Focam pessoas no caminho certo, apoiando as
resultados obtidos versus planejados
pessoas na superação das barreiras
Fonte: Adaptado de Kotter, J. P. What Leaders Really Do; Harvard Business Review, May-Jun 1990, p. 102-111.
42
Gestores versus Líderes
Gestores Líderes
Bons gestores lidam com a complexidade e trazem um grau de Líderes efetivos lidam com mudanças organizacionais.
ordem e consistência para o negócio.
Estabelecem objetivos e metas, desdobrando-os em passos Estabelecem uma direção, ou seja, uma visão de futuro para a
detalhados para alcançar seus objetivos, e alocando recursos para organização (normalmente um futuro mais distante).
realizar esses planos.
Criam uma estrutura organizacional e um conjunto de funções para a Desenvolvem a organização focando no alinhamento das pessoas –
realização dos planos estabelecidos, atribuindo às funções indivíduos comunicando a nova direção para aqueles que podem criar coalisões
qualificados, comunicando o plano para tais pessoas, delegando que entendam a visão e estejam comprometidas com seu alcance.
responsabilidade para realizar o plano, e desenvolvendo sistemas
para monitorar a implementação.
Monitoram em detalhes os resultados obtidos versus os resultados Buscam a motivação e inspiração – mantendo as pessoas no
planejados, tanto formalmente quanto informalmente, utilizando caminho certo, ainda que existam grandes barreiras para a mudança,
relatórios, reuniões e outras ferramentas; identificando desvios; e apelando para suas necessidades humanas básicas (um senso de
planejando e organizando a resolução de problemas. pertencimento, reconhecimento, autoestima, um sentimento de
controle sobre as próprias vidas, e a habilidade de cumprir com as
expectativas e ideais das pessoas), seus valores e suas emoções.
Fonte: Adaptado de Kotter, J. P. What Leaders Really Do; Harvard Business Review, May-Jun 1990, p. 102-111.
43
Gestores versus Líderes
5 1
0 9 8-
As empresas precisam e muitas
7 3 .
.2
tentam desenvolver “gestores-
5
líderes”;31
i d a
sh
Yo
Uma vez que as organizações
entendam as diferenças
sh i Segundo John Kotter, há uma
fundamentais entre liderança e
t s u teoria que argumenta que
gerenciamento, elas podem
o A
el
começar a tratar suas pessoas
c
pessoas não podem, ao
M ar
chave para promover ambas as
áreas de atuação: gerenciamento e
mesmo tempo, gerenciar e
liderar;
liderança!
Fonte: Adaptado de Kotter, J. P. What Leaders Really Do; Harvard Business Review, May-Jun 1990, p. 102-111.
44
Gestores versus Líderes
Fonte: Adaptado de Kotter, J. P. What Leaders Really Do; Harvard Business Review, May-Jun 1990, p. 102-111.
45
ESTUDO DE CASO EM LIDERANÇA
46 46
ESTUDO DE CASO EM LIDERANÇA
Caso: Sara e Davi
A ToU é uma empresa líder no desenvolvimento e fabricação de uma ampla gama de soluções
customizadas de hardware. A empresa se orgulha por ser reconhecidamente honesta e direta em seus A todo momento ela tinha certeza de que tudo estava no caminho certo. Essas foram falhas muito visíveis
negócios com clientes e funcionários, e em sua capacidade de entregar, no prazo acordado, difíceis que acabaram impactando o desempenho de toda a equipe de Sara. Os outros contratempos foram
projetos. Sara é uma gerente sênior do ToU há quatro anos e lidera uma equipe na área de serviços relacionados a confrontos no local de trabalho que ele teve em momentos diferentes com vários de seus
personalizados da empresa. Em uma recente pesquisa de avaliação 360 graus, Sara pontuou acima da companheiros de equipe após as tarefas perdidas.
média (no 70º percentil) quanto a suas habilidades de liderança, mais especificamente na competência
“inspira e motiva os outros para alta performance”. Seu relatório também indicava que seu gerente, Sara se encontrou frequentemente com Davi durante estes últimos meses. Ela se posicionou rapidamente
colegas e subordinados diretos consideravam essa competência crítica para alguém em seu cargo. para chamar a atenção para suas responsabilidades perdidas e comportamento impróprio, querendo ser
Alguns dos comentários escritos em sua pesquisa indicaram que, se ela demonstrasse e aplicasse essa clara para ele e para a equipe que ela o estava responsabilizando por suas ações. Ela entrevistou os
competência com mais frequência, teria um impacto positivo e significativo em seu sucesso no companheiros de equipe de Davi para entender o que aconteceu e o impacto que essas situações estavam
trabalho. Por esses motivos, ela está focando seu desenvolvimento de liderança pessoal no próximo causando nele e na equipe. Ela também passou muito tempo com Davi para obter a perspectiva dele,
ano nessa competência. tentando entender o que estava por trás do comportamento incomum de Davi e ajudá-lo a voltar aos trilhos.
Durante seus encontros com ele, ela às vezes minimizava a seriedade das situações para fazê-lo se sentir
Davi é um dos subordinados diretos de Sara, que trabalha na ToU por mais de nove anos e cujo melhor consigo mesmo.
desempenho histórico tem sido excelente. É geralmente conhecido entre a equipe que Davi não tem
um histórico técnico tão forte quanto a maioria de seus colegas. Ao mesmo tempo, todos reconhecem Durante as reuniões de coaching de Sara com Davi nas últimas duas semanas, ela aprendeu que há várias
que ele tem um estilo de trabalho muito eficiente e dedica-se a qualquer hora extra necessária para coisas que provavelmente contribuem para os problemas recentes de desempenho de Davi. Ele compartilhou
atender às metas pessoais e de equipe. Ele se transferiu de um grupo diferente e se juntou à equipe de alguns problemas pessoais (financeiros e familiares) que claramente o preocupavam. Ele também está
Sara há quase dois anos. preocupado com algumas mudanças de processo e papel na equipe que a Sara instituiu há alguns meses e
que causou mudanças em suas responsabilidades diárias de trabalho.
Infelizmente, Davi teve vários contratempos de desempenho no trabalho nos últimos três meses. Um
deles girava em torno de algumas tarefas críticas perdidas e entregas atrasadas. Sara atribuíra a ele dois Davi aceitou o feedback de Sara, reconheceu e assumiu a responsabilidade por suas ações. Embora seus
projetos com algumas metas adicionais que não seriam fáceis para Davi atingir, mas tinha feito essas problemas pessoais estejam melhorando, eles ainda são uma preocupação óbvia para ele. Ele também está
atribuições especificamente para lhe dar oportunidades de desenvolvimento que ele havia solicitado. claramente confuso em como lidar com as mudanças em seu trabalho. Uma das maiores preocupações de
Essa abordagem era típica para ela, já que ela geralmente tem uma abordagem positiva e demonstra Sara agora é como trazer de volta o excelente desempenho que Davi apresentara em projetos anteriores e
confiança nos membros de sua equipe. Ela havia trabalhado junto com ele em seus planos, e fez follow- fazê-lo contribuir mais à equipe, apesar do seu óbvio desânimo e falta de confiança atuais.
up regular com ele durante as semanas que antecederam as datas de entrega.
Fonte: adaptado de ZF – Zenker Folgman Company, Leadership Case Study: Inspires and Motivates Others to High Performance, 2012.
47
ESTUDO DE CASO EM LIDERANÇA
Reflexão sobre o caso
Fonte: adaptado de ZF – Zenker Folgman Company, Leadership Case Study: Inspires and Motivates Others to High Performance, 2012.
48
Tipos de Liderança
• Teorias dos Traços
• Teorias Comportamentais
• Teorias Contingenciais
• Teoria de Troca entre Líderes e
Liderados
• Liderança Transacional
• Liderança Carismática
• Liderança Transformacional
• Liderança Autêntica
49 49
Overview: Liderança Autêntica Teoria dos Traços
Liderança
Liderança Transformacional Teorias Comportamentais
Inspiração dos liderados a transcenderem Duas dimensões: Liderança orientada para a
seus próprios interesses pelo bem da Produção; e Liderança Orientada para as
organização ou do grupo, sendo capazes de Pessoas. As influências das teorias
causar um impacto profundo e extraordinário comportamentais sugerem que é possível
em seus liderados. treinar pessoas para serem líderes.
Teorias de
Liderança Carismática Liderança Teorias Contingenciais
Os líderes inspiram seus seguidores por meio As teorias contingenciais têm enfoque na
de palavras, ideias e comportamentos com influência da situação na qual a liderança é
uso de capacidade heroicas atribuídas pelos inserida (contexto). O desempenho depende
seguidores. do estilo do líder, mas também da situação.
Modelo de Contingência Teoria do Caminho-Meta
Teoria Situacional Teoria da Participação e Liderança
Definições
52
Teorias dos Traços
53
Teorias dos Traços
A personalidade é a soma das maneiras como uma pessoa reage e interage com as demais. É o padrão
de características duradouras que produzem consistência e individualidade em determinada pessoa;
Grandes líderes como Buda, Napoleão, Churchill e Getúlio Vargas foram descritos com base em seus
traços de personalidade;
Fonte: Robbins et al. (2010), Comportamento Organizacional, pág. 127; 360-361.
Fonte: Renner (2012), Psico, pág. 270; 276.
Fonte: Oxford Living Dictionaries <https://en.oxforddictionaries.com/definition/personality_trait>.
54
Teoria dos Traços
Medida de confiabilidade
CONSCIENCIOSO DESORGANIZADO
(responsável, organizado, confiável, persistente, cuidadoso, disciplinado) (distraído, desorganizado, pouco confiável, descuidado, impulsivo)
58
Teorias dos Traços
59
Teorias dos Traços
60
Teorias dos Traços
61
Tipos de Liderança
Teorias Comportamentais
Universidade de Ohio e Universidade de Michigan
62
Teorias Comportamentais
• Teorias Comportamentais propõem que comportamentos específicos
diferenciam os líderes dos não líderes.
• Duas dimensões:
63
Teorias Comportamentais
64
Teorias Comportamentais
5 1
0 9 8-
Duas dimensões comportamentais 7 3 .
5 .2
(Universidade de Michigan):
3 1
i d a
Líder orientado para a Produção: sh Líder Orientado para Pessoas:
enfatiza os aspectos técnicos ie Yo enfatiza relações interpessoais por
práticos do trabalho, ou seja, u sh
revela meio do interesse pessoal pelas
A t s
o
uma preocupação direcionada
el e ao
à necessidades do funcionários e
execução dasrctarefas aceitação das diferenças pessoais
cumprimentoM
a
das metas do grupo. entre os membros do grupo.
65
Teorias Comportamentais
66
Teorias Comportamentais (síntese)
67
Teorias Comportamentais
Dimensão Dimensão Estrutura de Iniciação | Liderança orientada para a Produção
✓ Aspectos técnicos e práticos do trabalho
✓ Capacidade de definir e estruturar o
✓ Preocupação direcionada à execução das
Características próprio papel e o dos funcionários
tarefas
✓ Busca do alcance dos objetivos
✓ Cumprimento das metas do grupo
Resultados ✓ Relacionada com níveis mais elevados de produtividade do grupo e da organização
Observados ✓ Avaliações de desempenho mais positivas
Dimensão Dimensão Consideração | Liderança Orientada para as Pessoas
✓ Relações interpessoais ✓ Relacionamentos de trabalho
✓ Interesse pessoal ✓ Confiança mútua
Características
✓ Necessidades do funcionários ✓ Respeito às ideias dos funcionários
✓ Aceitação das diferenças pessoais ✓ Cuidado com seus sentimentos
✓ Pessoas mais satisfeitas com os seus trabalhos
Resultados
✓ Pessoas mais motivadas
Observados
✓ Mais respeito demonstrado para com os seus líderes
Fonte: Robbins et al. (2010), Comportamento Organizacional, pág. 361-363.
68
Teorias dos Traços & Teorias Comportamentais
69
Teorias dos Traços & Teorias Comportamentais
5 1
8-
Importantes para a
identificação dos líderes
Comporta- . 0 9
eficazes, mas não garantem 7 3
que um líder tenha sucesso mentos 15.2
a 3
h i d
Traços os Contexto
i Y
u sh
At s
el o O contexto tem
70
Tipos de Liderança
Teorias Contingenciais
71
Teorias Contingenciais
72
Teorias Contingenciais
• Quatro abordagens que buscaram identificar a influência
da situação na qual a liderança é exercida:
Teoria Situacional
Modelo de Contingência
de Paul Hersey e
de Fred Fiedler
Kenetth Blanchard
73
Teorias Contingenciais
Modelo de Contingência
de Fred Fiedler
75
Teorias Contingenciais
Modelo de Contingência de Fred Fiedler
76
Teorias Contingenciais
Modelo de Contingência de Fred Fiedler
Estilo do líder na
interação com os
liderados
Sucesso da
equipe
Grau de controle que a
situação lhe proporciona
77
Teorias Contingenciais
78
Teorias Contingenciais
Modelo de Contingência de Fred Fiedler
79
Teorias Contingenciais
Modelo de Contingência de Fred Fiedler
80
Teorias Contingenciais
Modelo de Contingência de Fred Fiedler
Situação de Controle →
81
Teorias Contingenciais
82
Teorias Contingenciais
Teoria Situacional
de Paul Hersey e
Kenetth Blanchard
84
Teorias Contingenciais
85
Teorias Contingenciais
Teoria da Liderança Situacional de Paul Hersey e Kenneth Blanchard
Seguidores capazes e
Líder não precisa se preocupar em fazer muita coisa
motivados
86
Teorias Contingenciais
Teoria da Liderança Situacional de Paul Hersey e Kenneth Blanchard
5 1
0 9 8-
.
73 “Deixar rolar”
alta
Comportamento de suporte / apoio
Matriz de Liderança “Dar orientação”
5 .2
31
Situacional (supporting – S3) (coaching – S2)
Foco no relacionamento
a
Motivação →
Estilo participativo Estilo “vendedor”
h i d
(compartilha ideias) (explica decisões)
s
Yo
• Duas variáveis de
avaliação da
sh i
s u “Delegar”
At
prontidão ou (delegating – S4)
”Dar apoio”
maturidade dos
liderados e Quatro rc el o Estilo para delegar
(directing – S1)
Estilo esclarecedor
a (emite decisões)
baixa
(oferece instruções)
M
Estilos de Liderança
baixa Capacidade → alta
Comportamento diretivo
Fonte: Robbins et al. (2010), Comportamento Organizacional, pág. 363-368. Foco na tarefa
87
Teorias Contingenciais
Teoria da Liderança Situacional de Paul Hersey e
Kenneth Blanchard
88
Teorias Contingenciais
Teoria do Caminho-Meta
(Path-Goal Theory)
de Robert House
90
Teorias Contingenciais
91
Teorias Contingenciais
92
Teorias Contingenciais
Teoria do Caminho-Meta (Path-Goal Theory) de Robert House
• Premissas da teoria:
93
Teorias Contingenciais
Teoria do Caminho-Meta (Path-Goal Theory) de Robert House
• Premissas da teoria:
94
Teorias Contingenciais
95
Teorias Contingenciais
Teoria da Participação e
Liderança de Victor Vroom e
Phillip Yetton
97
Teorias Contingenciais
98
Teorias Contingenciais
99
Teorias Contingenciais
100
Teorias Contingenciais
Teoria da Participação e Liderança de Victor Vroom e Phillip Yetton
Colaborativo
A equipe toma uma decisão em conjunto. O seu papel é principalmente facilitador e
você e sua equipe trabalham em GII
ajudar a equipe a chegar a uma decisão final que todos concordem.
conjunto para chegar a um consenso.
101
Teorias Contingenciais
Teoria da Participação e Liderança de Victor Vroom e Phillip Yetton
102
Teorias Contingenciais
103
Teorias Contingenciais
Conclusões
104
Teorias Contingenciais
Essas teorias anteriores pressupõem, de certa forma, que os líderes usam um estilo
homogêneo com todos os seus seguidores.
Mas isso é razoável? Pense sobre suas experiências como grupo!
É preciso também considerar as diferenças na forma como o líder se relacionado com seus
vários liderados.
Fonte: Robbins et al. (2010), Comportamento Organizacional, pág. 363-368.
105
Tipos de Liderança
5 1
8-
Leader Member Exchange (LMX) /
Relationship-Based Approach
. 0 9
.2 73
31 5
i d a
É um teoria que propõe que os líderes osh
i Y
criam grupos “de dentro” e “de fora”,
u sh e
Ou seja, os líderes estabelecem um
t s
os liderados do grupo “de dentro”
A relacionamento especial com um
el o menor
recebem avaliações de desempenho
pequeno diferenciado de liderados, o
a
rotatividade e maior
c
melhores, apresentam
r satisfação com o
grupo “de dentro”.
Mtrabalho.
107
Teoria de Troca entre Líderes e Liderados (LMX)
108
Teoria de Troca entre Líderes e Liderados (LMX)
5 1
Os líderes endossam a LMX quando:
0 9 8-
73 .
5 .2
31
apunem aqueles
recompensam aqueles i d
funcionários com os osh funcionários com os
i Y
u sh
quais querem manter quais não querem se
ts
maior contato, e/ou
A
relacionar;
el o
a r c
Para o relacionamento de troca entre líderes e liderados se manter intacto,
M líder e liderado, têm de investir no relacionamento.
ambos,
109
Teoria de Troca entre Líderes e Liderados (LMX)
110
Teoria de Troca entre Líderes e Liderados (LMX)
111
Teoria de Troca entre Líderes e Liderados (LMX)
Considerações Finais
• As pesquisas têm oferecido boa sustentação para essa teoria.
• Os líderes realmente parecem diferenciar seus liderados.
• Essas diferenciações não são aleatórias.
• Os membros do grupo “de dentro”, de maneira geral:
• recebem avaliações melhores,
• possuem um comportamento maior de cidadania organizacional, e
• mostram maior satisfação com seus superiores.
112
Tipos de Liderança
Liderança Transacional
(Estudos da Uni de Ohio, modelo de Fiedler, e teoria do caminho-meta)
113
Liderança Transacional
Fonte: https://en.wikipedia.org/wiki/Transactional_leadership
114
Liderança Transacional
115
Liderança Transacional
Com base nas Teorias Comportamentais
116
Liderança Transacional
Com base nas Teorias Comportamentais
117
Liderança Transacional
Com base nas Teorias Contingenciais
Modelo de Contingência de Fred Fiedler
118
Liderança Transacional
Com base nas Teorias Contingenciais
Teoria do Caminho-Meta (Path-Goal Theory) de Robert House
119
Os líderes transacionais conduzem ou
motivam seus seguidores em direção às
Liderança Transacional metas estabelecidas por meio do
esclarecimento das funções e das
exigências das tarefas
Administração por Procura e observa desvios das regras e padrões, tomando as atitudes corretivas
exceção (ativa) necessárias.
Administração por
Intervém apenas quando os padrões não são alcançados.
exceção (passiva)
120
Tipos de Liderança
122
Liderança Carismática e
Liderança Transformacional
124
Liderança Carismática e Liderança Transformacional
125
Liderança Carismática e Liderança Transformacional
126
Liderança Carismática e Liderança Transformacional
A teoria da Liderança Carismática defende
que os seguidores atribuem capacidades
Teoria da Liderança Carismática heroicas ou extraordinárias a seus líderes
quando observam determinados
comportamentos
127
Liderança Carismática e Liderança Transformacional
128
Liderança Carismática e Liderança Transformacional
129
Liderança Carismática e Liderança Transformacional
130
Liderança Carismática e Liderança Transformacional
131
Liderança Carismática e Liderança Transformacional
132
Liderança Carismática e Liderança Transformacional
133
Liderança Carismática e
Liderança Transformacional
Liderança Transformacional
• Os líderes transformacionais
inspiram seus liderados a
transcenderem seus próprios
interesses pelo bem da organização
ou do grupo, sendo capazes de
causar um impacto profundo e
extraordinário em seus liderados.
135
Liderança Carismática e Liderança Transformacional
Liderança Transformacional
• Os líderes transformacionais:
• prestam atenção às preocupações e às necessidades de seus liderados;
• modificam a maneira de seus seguidores verem as coisas, ajudando-os a
pensar nos velhos problemas de uma nova forma; e
• são capazes de entusiasmar, incitar e inspirar as pessoas a darem o máximo
de si na busca dos objetivos do grupo.
136
Liderança Carismática e Liderança Transformacional
Liderança Transformacional
Motivação Comunica suas altas expectativas, utiliza símbolos para focar os esforços, expressa
inspiracional propósitos importantes de maneira simples.
137
Liderança Carismática e Liderança Transformacional
Liderança Transformacional
138
Liderança Carismática e Liderança Transformacional
Liderança Transformacional
139
Liderança Carismática e Liderança Transformacional
Liderança Transformacional
140
Liderança Carismática e Liderança Transformacional
Liderança Transformacional
Implicações Globais
• Os resultados de um projeto de pesquisa internacional (Projeto
GLOBE – Liderança Global e Eficácia no Comportamento
Organizacional) feito com 18 mil líderes de 825 organizações em 62
países revela que há alguns aspectos universais da liderança.
• E a Liderança Transformacional aparece associada à liderança eficaz,
independente do país.
141
Liderança Carismática e Liderança Transformacional
Liderança Transformacional
Implicações Globais
142
Liderança Carismática e Liderança Transformacional
Liderança Transformacional
143
Liderança Carismática e
Liderança Transformacional
Liderança Transformacional versus Liderança Carismática
144
Liderança Carismática e Liderança Transformacional
145
Tipos de Liderança
147
Liderança Transacional e Liderança Transformacional
148
Liderança Transacional e Liderança Transformacional
149
Liderança Transacional e Liderança Transformacional
150
Liderança Transacional e Liderança Transformacional
151
Liderança Transacional e Liderança Transformacional
152
Liderança Transacional e Liderança Transformacional
153
Liderança Transacional e Liderança Transformacional
Transacional Transformacional
❑ Determina as tarefas ❑ Inovação
❑ Inicia a estrutura ❑ Reconhece as necessidade
dos seguidores
❑ Promove recompensas
❑ Inspira os seguidores
❑ Melhora produtividade
❑ Cria um futuro melhor
❑ Valoriza o trabalho duro
❑ Promove mudança
❑ Tolerância e Justiça
significativa
❑ Foca no gerenciamento
154
Gestores versus Líderes
Gestores Líderes
Complexidade Lidam com Desafios de transformação
Os planos para as pessoas delegando A visão para aqueles que podem criar
Comunicam
responsabilidades para a implementação coalizões comprometidas
Na motivação e inspiração, mantendo as
No monitoramento detalhado dos
Focam pessoas no caminho certo, apoiando as
resultados obtidos versus planejados
pessoas na superação das barreiras
Fonte: Adaptado de Kotter, J. P. What Leaders Really Do; Harvard Business Review, May-Jun 1990, p. 102-111.
155
156
156
Tipos de Liderança
Liderança Autêntica:
A Ética e a Confiança como Fundamentos
157
Liderança Autêntica: Ética e Confiança
Embora as diferentes 5 1
teorias ajudem a entender
0 9 8-
o conceito de liderança,
73 .
elas não lidam 5 .2
explicitamente com o papel
a 31
da ética e da confiança h i d
s
i Yo
u sh
At (ética e s
el o
Esses dois conceitos
a c
confiança) podem
r dentro do ser
M
explorados
tópico Liderança Autêntica.
158
Liderança Autêntica:
Ética e Confiança
O que é Liderança Autêntica?
159
Liderança Autêntica: O que é?
160
Liderança Autêntica: O que é?
161
Liderança Autêntica:
Ética e Confiança
Ética e Liderança
162
Liderança Autêntica: Ética e Liderança
163
Liderança Autêntica: Ética e Liderança
164
Liderança Autêntica: Ética e Liderança
165
Liderança Autêntica: Ética e Liderança
166
Liderança Autêntica:
Ética e Confiança
Confiança e Liderança
167
Liderança Autêntica: Confiança e Liderança
Os estudos sobre
liderança e evidências • Integridade,
apontam três principais
elementos que • Benevolência, e
determinam a natureza • Capacidade.
da confiança:
168
Liderança Autêntica: Confiança e Liderança
A natureza da confiança
5 1
Confiabilidade do Líder 08-
9
7 3 .
Propensão à
5 .2confiança
Integridade (mais crítica)
3 1
Refere-se à honestidade e à sinceridade. Ter consistência
i da
entre o que se faz e o que se fala.
osh
Benevolência i Y Confiança
u s h
s
Considerar de verdade os interesses dos outros, mesmo
esses não estejam necessariamente alinhadostcom
A
que
os dela.
el o
Capacidade
a r c ▪ Assumir riscos
M
Conhecimentos e habilidades técnicos e interpessoais de um
indivíduo. A pessoa tem que saber o que está falando! ▪ Compartilhamento de informações
▪ Eficácia do Grupo
▪ Produtividade
Fonte: Robbins et al. (2010), Comportamento Organizacional, pág. 377-381.
169
Liderança Autêntica:
Ética e Confiança
Confiança como Processo
170
Liderança Autêntica: Confiança como Processo
171
Liderança Autêntica: Confiança como Processo
172
Liderança Autêntica: Confiança como Processo
173
Liderança Autêntica: Confiança como Processo
Uma vez violada, a confiança pode ser readquirida, mas apenas em certas
situações, dependendo do tipo de violação.
174
Liderança Autêntica:
Ética e Confiança
Consequências da Confiança
175
Liderança Autêntica: Consequências da Confiança
176
Liderança Autêntica: Consequências da Confiança
Quatro importantes consequências da confiança:
Por que Investir na Confiança?
Sempre que os funcionários decidem divergir do modo usual de fazer as coisas ou
A confiança encoraja a
as fazem de maneira diferente da orientação do supervisor, eles estão assumindo
assumir riscos riscos. Em ambos os casos, uma relação de confiança pode facilitar a ação.
Durante o
Processo A confiança facilita o É comum os funcionários não se sentirem psicologicamente seguros para revelar
seu ponto de vista. Quando os gerentes demonstram aos funcionários que suas
compartilhamento de ideias são ouvidas e mostram que têm bastante interesse em realizar a mudança,
informações os funcionários sentem-se mais dispostos a manifestar suas opiniões livremente.
Quando um líder estabelece um tom confiável dentro de um grupo, os membros
Grupos confiáveis são mais sentem-se mais motivados a ajudar uns aos outros e a realizar um esforço extra
eficazes nesse sentido, o que aumenta ainda mais a confiança. Essas ações tendem a
valorizar e aumentar o desempenho do grupo.
Resultados Funcionários que confiam em seus supervisores tendem a apresentar melhores
A confiança melhora a taxas de desempenho. A falta de confiança torna difícil para as pessoas
produtividade visualizarem objetivos em comum. Ficam suscetíveis a esconder informações e
buscar seus próprios interesses, gerando um clima de falta de confiança.
Fonte: Robbins et al. (2010), Comportamento Organizacional, pág. 377-381.
177
Liderando para o Futuro
Desenvolvimento de Líderes; Mentoring; Coaching
178
Liderando para o Futuro
179
Liderando para o Futuro
180
Liderando para o Futuro
Os relacionamentos mentor-mentorado abordam tanto as funções
profissionais como psicossociais, conforme quadro:
Funções da Relação de Mentoring (mentor→mentorado)
Funções Profissionais (do mentor) Funções Psicossociais (do mentor)
o Pressiona a organização para conseguir tarefas desafiantes e o Aconselha o “protegido” a respeito de ansiedades ou
com impacto para o seu “protegido”. incertezas para ajudar a melhorar sua autoconfiança.
o Prepara o “protegido” para desenvolver sua habilidades e o Age como modelo de conduta (ética).
atingir seus objetivos do trabalho. o Oferece amizade e aceitação.
o Dá assistência ao “protegido” ao fornecer-lhe exposição a o Compartilha experiências pessoais com o “protegido”.
pessoas influentes dentro da organização.
o Defende o “protegido” de possíveis riscos a sua reputação.
o Patrocina o “protegido” ao indicá-lo para possíveis contatos ou
promoções.
o Age como um propagador das ideias que o “protegido” hesita
em compartilhar com seu supervisor direto.
Fonte: Robbins et al. (2010), Comportamento Organizacional, pág. 381-383.
181
Liderando para o Futuro
182
Liderando para o Futuro
183
Liderando para o Futuro
Diferença entre Mentoring e Coaching
184
Liderando para o Futuro
Diferença entre Mentoring e Coaching
Mentoring Coaching
o É uma espécie de tutoria onde um profissional mais velho e o É um processo de aceleração de resultados que consiste no
mais experiente orienta e compartilha com profissionais mais desenvolvimento de competências e habilidades para o
jovens, que estão iniciando no mercado de trabalho ou numa alcance de resultados planejados, e para serem alcançados
empresa, experiências e conhecimentos no sentido de dar-lhes com êxito necessitam de: empenho, foco e ações efetivas por
orientações e conselhos para o desenvolvimento de suas parte do coachee. O responsável por conduzir um processo de
carreiras. O responsável por conduzir um processo de coaching é denominado Coach ou na tradução literal,
mentoring é denominado Mentor. “treinador”.
o Embora também possam ter um viés mais pessoal, esses o Um Coach apoia e auxilia através de perguntas e técnicas
ensinamentos vão ser focados na vida profissional do poderosas seu coachee a sair do estado atual para o estado
mentorado. desejado.
o O mentoring não possui qualquer artifício que limite o tempo o O processo é conduzido através de sessões que podem ser
em que as sessões serão realizadas. semanais, quinzenais ou mensais, com tarefas definidas para
que o coachee atue no sentido de alcançar as metas definidas,
dentro de seu prazo pré-determinado.
Fonte: http://www.ibccoaching.com.br/portal/coaching/o-que-e-coaching-e-mentoring/
185
Encontrar e Desenvolver Líderes
Seleção; Treinamento & Desenvolvimento
186
Encontrar e Desenvolver Líderes Eficazes
5 1
0 9 8-
Seleção
73 .
5 .2
• Identificar líderes eficazes é ao mesmo tempo 3 1 difícil e importante!
i d a
• Essa busca pode começar pela análise
osh de conhecimentos,
i
habilidades e capacidades necessáriosY para uma liderança de modo
u sh
eficaz. t s
A não investir tempo adequado na sucessão
l
• As organizações parecem
e o
da liderança ease c
r surpreendem quando sua seleção se mostra
M
ineficiente!
187
Encontrar e Desenvolver Líderes Eficazes
5 1
Seleção 0 9 8-
73 .
5 .2
• Podem ser utilizados, por exemplo, testes 3de 1 personalidade para
detectar traços associados à liderançaid–aextroversão,
o
conscienciosidade, e abertura a novassh experiências (big five).
i Y
• Também é importante testarsho grau de automonitoramento
t s u
(autogerenciamento) do A candidato à líder. Quanto mais habilidade de
o indicado ele é, pois essa característica o torna
c
autogestão possuir, elmais
a r
capaz de compreender melhor as situações e de ajustar seu
M
comportamento a elas.
Fonte: Robbins et al. (2010), Comportamento Organizacional, pág. 386-387.
188
Encontrar e Desenvolver Líderes Eficazes
Seleção
189
Encontrar e Desenvolver Líderes Eficazes
190
Encontrar e Desenvolver Líderes Eficazes
191
Inteligência Emocional
Conceitos e Definições; Componentes da I.E; Estilos de Liderança; Estágios de
Desenvolvimento para a I.E.
192
Conceitos e Definições
Inteligência Emocional
193
Inteligência Emocional (IE)
194
Inteligência Emocional (IE)
Fonte: Mayer; Salovey; Caruso. Emotional Intelligence: New Ability or Eclectic Traits? American Psychologist, 2008.
195
Inteligência Emocional (IE)
196
Componentes da Inteligência
Emocional
Inteligência Emocional
197
Inteligência Emocional (IE)
Cinco Componentes da Inteligência Emocional (IE)
Componente Descrição Marca Grupos
Habilidade de reconhecer e entender seu ✓ Auto confiança
Autoconsciência temperamento, suas emoções e iniciativas, assim ✓ Autoavaliação realista
como seus efeitos nos outros. ✓ Senso de humor com próprios defeitos habilidades
de autoge-
Autodisciplina Habilidade de controlar ou redirecionar impulsos e ✓ Confiança e integridade
renciamento
temperamentos desordenados. A propensão a ✓ Conforto com a incerteza
Autogerenciamento /
protelar julgamentos, pensar antes de agir. ✓ Abertura para a mudança
automonito-
Uma paixão pelo trabalho por razões que vão além ✓ Motivação p/ execução de atividades ramento
Motivação do dinheiro ou posição. Uma propensão a ✓ Otimismo, mesmo com o fracasso
perseguir metas com energia e persistência. ✓ Compromisso organizacional
Empatia Capacidade de entender o modo de ser emocional ✓ Especialista em construir e reter talentos habilidades
das outras pessoas. Habilidade em treinar pessoas ✓ Sensibilidade a diferentes culturas em gerenciar
Consciência Social de acordo com suas reações emocionais. ✓ Serviço aos clientes sua relação
Capacidade de gerenciar relacionamentos e ✓ Eficácia em liderar mudanças com as
Habilidade Social demais
desenvolver networks. Habilidade para encontrar ✓ Persuasão
Gestão do Relacionamento fundamento comum e construir entendimento. ✓ Especialista em construir/liderar equipes pessoas
Fonte: Goleman, D. (1998), What Makes a Leader? p. 93-102. / Goleman, D. (2000), Leadership that gets Results, p. 78-90 199
Inteligência Emocional (IE)
5 1
0 9 8-
73 .
.2
A característica de cuidar,
5
31
que é própria da empatia,
i d a
especialmente com relação
da IE é a empatia. Os líderes Yo
Um componente primordial trabalha, é o que as inspira a
sentimentos A t s u
perceber as necessidades
dos outros;
e problemas. O mero fato de
alguém se importar com
e l o você costuma ser
a r c frequentemente
M recompensado com
lealdade.
200
Inteligência Emocional (IE)
Fonte: http://michaelis.uol.com.br/busca?id=Oaje
201
Estilos de Liderança &
Inteligência Emocional
Inteligência Emocional
202
Inteligência Emocional (IE)
203
Inteligência Emocional (IE)
Seis Estilos de Liderança – Inteligência Emocional (IE)
Coercivo Agressivo Conselheiro Democrático Agregador Confiável
Estabelece altos Forja consenso Cria harmonia e Mobiliza pessoas em
Os modos de ação Exige imediata Desenvolve pessoas
padrões de através da constrói laços direção de uma
dos líderes obediência para o futuro
desempenho participação emocionais visão
O estilo em uma “faça o que eu “faça como eu “o que você “As pessoas vêm
“tente isso” “Venha comigo”
frase digo” faço, agora” pensa?” primeiro”
205
Inteligência Emocional (IE)
Poucos líderes têm todos os seis estilos em seu acervo e menos ainda sabem
quando e como usá-los.
Um líder pode construir uma equipe com membros que empregam estilos
diferentes.
Os líderes podem expandir seus próprios acervos de estilos. Para isso, devem
entender qual a competência de inteligência emocional que fundamenta os estilos
de liderança de que eles carecem. Podem então trabalhar assiduamente para
melhorar seus quocientes.
Fonte: Goleman, D. (2000), Leadership that Gets Results, p. 78-90.
206
Estágios de Desenvolvimento da
Inteligência Emocional
Inteligência Emocional
207
207
Inteligência Emocional (IE)
• Um líder com Inteligência Emocional pode monitorar seu estado de humor por
meio de auto consciência, mudá-lo para melhor através de seu auto
gerenciamento, entender o impacto usando a empatia, e agir de forma a
influencia o estado de humor dos outros por meio do gerenciamento das
relações;
208
Inteligência Emocional (IE)
Processo de Cinco Etapas para Reprogramar o Cérebro e Obter + I.E.
1. Quem eu desejo ser?
2. Quem eu sou agora?
3. Como eu chego lá?
4. O que eu faço para que a mudança perdure?
5. Quem pode me ajudar?
209
Inteligência Emocional (IE)
Processo de Cinco Etapas para Reprogramar o Cérebro e Obter + I.E.
4) O que
1) Quem 2) Quem 3) Como eu faço 5) Quem
eu desejo eu sou eu chego para que a pode me
ser? agora? lá? mudança ajudar?
perdure?
211
211
Implicações para os Gestores e Organizações
212
Implicações para os Gestores e Organizações
213
Implicações para os Gestores e Organizações
214
Implicações para os Gestores e Organizações
215
Implicações para os Gestores e Organizações
216
Implicações para os Gestores e Organizações
217
Implicações para os Gestores e Organizações
218
Implicações para os Gestores e Organizações
Importância da Sucessão
219
Recado Final
Seja o Líder da Transformação
220
220
Você está no estado normal ou fundamental de liderança?
• Estou na minha “zona de conforto”? (prendendo-me aquilo que já conheço);
• Estou mais voltado ao que as pessoas pensam ou querem de mim? (atendendo
aos desejos dos outros no esforço de ‘manter a paz’);
• Estou mais fechado no meu próprio mundo, no meu ego? (colocando meus
interesses próprios acima dos interesses do coletivo);
• Estou internamente fechado, sem ouvir os sinais do ambiente externo?
(bloqueando os estímulos externos, concentrando-me mais nas tarefas e assim
evitando riscos).
Fonte: Robert E. Quinn (2005). Moments of greatness - fundamental state of leadership, HBR, Jul-Aug_2005.
221
221
Estado Fundamental da Liderança
Ficar no zona de conforto Orientado ao que os outros
(mesmos resultados) querem ou esperam de mim.
Estou focado no bem coletivo, nas
necessidades da minha organização, Eu estou aberto aos estímulos
dos stakeholders, da minha externos que me permitem aprender
comunidade? continuamente?
225
225
Referências Utilizadas
Falconi, V. O Verdadeiro Poder: práticas de gestão que conduzem a resultados revolucionários, Nova Lima: INDG Tecnologia e
Serviços Ltda, 2009.
Goleman, D. Inteligência Emocional: a teoria revolucionária que redefine o que é ser inteligente, Rio de Janeiro: Editora
Objetiva Ltda. 35ª Edição, 1995.
Goleman, D. Leadership that Gets Results, Harvard Business Review, Mar-Apr, 2000, p. 78-90.
Goleman, D. Liderança: a inteligência emocional na formação de um líder de sucesso, Rio de Janeiro: Editora Objetiva Ltda.
1ª Edição, 2015.
Goleman, D. What Makes a Leader? Harvard Business Review, Nov-Dec, 1998, p. 93-102.
Goleman, D.; Boyatzis, R. E.; McKee, A. Primal Leadership: The Hidden Driver of Great Performance, Harvard Business
Review, Dec, 2001, p. 42-51.
Herzberg, F. One more time: how do you motivate employees? Harvard Business Review, vol.46, no.1, 1968, pp.53–62.
Hitt, M. A.; Miller, C. C.; Colella, A. Comportamento Organizacional, [tradução e revisão técnica Teresa Cristina Padilha de
Souza], 3ª Edição, Rio de Janeiro: LTC, 2016.
226
Referências Utilizadas
Kotter, J. P. What Leaders Really Do, Harvard Business Review, May-June, 1990, p. 103-111.
Mayer, J. D.; Salovey, P.; Caruso, D. R. Emotional Intelligence: New Ability or Eclectic Traits? American
Psychologist, September 2008, Vol. 63, No. 6, pages 503 - 517.
Oxford Living Dictionaries, https://en.oxforddictionaries.com/definition/personality_trait.
Renner, T. Psico, [tradução Marcelo de Abreu; revisão técnica Silvia H. Koller], Porto Alegre: AMGH, 2012.
Robbins, S. P.; Judge, T. A.; SOBRAL, F. Comportamento Organizacional: teoria e prática no contexto brasileiro,
[tradução Rita de Cássia Gomes], 14ª Edição, São Paulo: Pearson Prentice Hall, 2010.
Schwartz, T.; McCarthy, C. Manage Your Energy, Not Your Time, Harvard Business Review, October, 2007.
Associação Brasileira de Normas Técnicas (ABNT). ABNT NBR 15.419:2006 – Sistemas de Gestão da Qualidade –
diretrizes para a aplicação da ABNT NBR ISO 9001:2000 nas organizações educacionais, 1ª edição, 2006.
227
Livros Recomendados – Comportamento Organizacional
228
Livros Recomendados - Educação
229
Livros Recomendados
• Inovação Na Sala De Aula -
Como A Inovação Disruptiva
Muda A Forma De Aprender.
• Por Clayton M. Christensen,
Michael B. Horn, Curtis W.
Johnson.
• Bookman, Edição: 1, 2012.
230
Livros Recomendados
• O Foco Triplo.
• Por Daniel Goleman e Peter
Senge.
• Objetiva, Edição: 1ª, 2016.
231
Livros Recomendados
• The Best Teacher in You: How to
Accelerate Learning and Change
Lives.
• Por Robert Quinn, Kate Heynoski,
Michael Thomas, Gretchen Spreitzer.
• Berrett-Koehler Publishers, 1 edition,
2014.
232
Livros Recomendados - Liderança
233
Livros Recomendados
• Como Avaliar Sua Vida?
• por Clayton Christensen, James
Allworth, Karen Dillon.
• Alta Books, Edição: 1ª, 2012.
234
Vídeos Recomendados
• TED palestra de Simon Sinek “Why good leaders make you feel safe” (12 minutos)
✓ https://www.ted.com/talks/simon_sinek_why_good_leaders_make_you_feel_safe
• TED palestra de Simon Sinek “Como os grandes líderes inspiram a ação” Legendado em Português Tav (18 minutos)
https://www.youtube.com/watch?v=1mQieoaZVu8&feature=youtu.be
235
Liderança em Data Science
Prof. Mateus C. Gerolamo
linkedin.com/in/mateus-gerolamo-802b965/
Muito Obrigado
236
ANALYTICS E GESTÃO DE
RISCOS
Prof. Fabiano Guasti Lima
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos
didáticos apresentados é do professor.
Proibida a reprodução, total ou parcial, sem
autorização. Lei nº 9610/98
Programa
Modelos de gestão de risco de mercado, operacional e compliance; Basiléia III;
modelos de risco de crédito; modelos para demais tipos de riscos aplicáveis (risco
legal e regulamentar; risco social e ambiental; reputacionais); casos reais e
práticos.
Referências bibliográficas
LIMA, Fabiano Guasti.
Análise de Riscos. 2. ed.
FAVERO, Luiz Paulo, BELFIORE,
São Paulo: Atlas, 2018.
Patrícia. Análise de dados:
estatística e modelagem
multivariada com Excel, SPSS e
Stata. Gen, LTC, 2017.
3
Agenda
4
Modelos de Riscos
para
Ativos Individuais
Risco e Retorno de Ativos Individuais
Quem
oscilou
mais?
6
Buscando dados
7
Risco e Retorno de Ativos Individuais
• Retorno
• Discreto
• Contínuo
8
Risco no Contexto de
Carteiras
9
Risco e Retorno no contexto de carteiras
Ativo A Ativo B
Ano 1 13,41% 26,62%
Ano 2 0,94% 45,13%
Ano 3 10,21% 20,21%
Ano 4 4,91% 17,37%
Ano 5 10,53% 15,67%
Ativo A Ativo B
RETORNO MÉDIO 8% 25%
RISCO 5% 12%
10
Harry Markowitz
(1927-)
The Journal of Finance – Portfolio Selection - Harry Markowtiz (1952), v.7, n.1, p. 77-91
https://www.math.ust.hk/~maykwok/courses/ma362/07F/markowitz_JF.pdf
11
Risco e Retorno no contexto de carteiras
Ativo A Ativo B
RETORNO 8% 25%
RISCO 5% 12%
Investimento R$ 5.000,00 R$ 5.000,00
Percentual 50% 50%
12
Risco e Retorno no contexto de carteiras
Ativo Part. % Retorno Risco
A Wa Ra Sa
B Wb Rb Sb
Carteira 100% RC = Wa Ra + Wb Rb expressão abaixo
SC = W S + W S + 2WaWb corr ( Ra , Rb ) S a Sb
a
2 2
a b
2 2
b
13
Harry Markowitz (1927-)
Sugestão de Vídeo:
14
Harry Markowitz (1927-)
Sugestão de Vídeo:
15
Efeito da Correlação correl = - 0,627
Ibovespa X Dólar
120000 4,5
4
100000
3,5
80000 3
2,5
60000 Ibovespa
2 Dólar
40000 1,5
1
20000
0,5
0 0
jul/09 nov/10 abr/12 ago/13 dez/14 mai/16 set/17 fev/19 jun/20
16
Efeito da Correlação correl = 0,532
PETR4 X VALE3
70 30
60
25
50
20
40
15 VALE3
PETR4
30
10
20
5
10
0 0
jul/09 nov/10 abr/12 ago/13 dez/14 mai/16 set/17 fev/19 jun/20
17
Risco e Retorno no contexto de carteiras
Ativo A Ativo B
RETORNO 8% 25%
RISCO 5% 12%
Investimento R$ 5.000,00 R$ 5.000,00 correl = - 0,60
Percentual 50% 50%
18
Carteira com mais de dois ativos
𝑅𝑒𝑡𝐶𝑎𝑟𝑡 = 𝑊𝑖 × 𝑅𝑒𝑡_𝑎𝑡𝑖𝑣𝑜𝑖
𝑖=1
𝑐𝑜𝑣𝑎𝑟11 ⋯ 𝑐𝑜𝑣𝑎𝑟1𝑛 𝑊1
𝑅𝑖𝑠𝑐𝑜𝐶𝑎𝑟𝑡 = 𝑊1 ⋯ 𝑊𝑛 × ⋮ ⋱ ⋮ × ⋮
𝑐𝑜𝑣𝑎𝑟𝑛1 ⋯ 𝑐𝑜𝑣𝑎𝑟𝑛𝑛 𝑊𝑛
19
Modelos de
Risco de Crédito
20
Risco de Crédito
21
Risco de Crédito
• História recente mostrou que os problemas de crédito são
fundamentais para a economia, empresas e instituições
financeiras e não financeiras.....
• Contábil • Prudencial/Gestão
• Perda Incorrida – IAS 39 • Perda Esperada (Expected Loss – EL)
• Perda Provável – COSIF • Perda Não Esperada (Unexpected
• Perda Esperada – IFRS9 Loss – UL)
22
Risco de Crédito
23
Risco de Crédito
Direcionadores do risco de crédito
24
Risco de Crédito
Perda de Crédito = b EC PD
25
Risco de Crédito
26
Risco de Crédito
60,00%
90,00%
50,00%
40,00%
85,00%
30,00%
20,00% 80,00%
10,00%
0,00% 75,00%
- 10.000,00 20.000,00 70.000,00 30.000,00 80.000,00 90.000,00 100.000,00
27
Gestão de Riscos
28
Gestão de Riscos
29
Gestão de Riscos
▪ Bank for Internacional Settlements (BIS):
• Fortalecer a cooperação financeira internacional
▪ Acordo da Basileia:
• 1988: Basiléia 1 – requerimento de capital para risco de crédito
• 1996: Requerimento de capital para risco de mercado
• 2004: Basiléia 2 – requerimento de capital para risco operacional
• 2007: Patrimônio de Referência (PR) e Patrimônio de Referência Exigido (PRE)
• 2009: Basileia 2,5 – securitizações
• 2010: Basiléia 3
30
Gestão de Riscos
Capital
8%
Risco de Mercado + Risco de Crédito
31
Gestão de Riscos
Critério de Ponderação do Basiléia I
A ponderação dos ativos de crédito ao risco é principalmente função do
tipo da exposição:
PONDERAÇÃO ATIVO
Caixa
0% Solicitações de créditos relacionadas à países e seus
bancos centrais
0%, 20% ou 50%
Solicitações de créditos relacionadas à empresas do
(à critério do Banco
setor público não - federais
Central Local)
Solicitações de crédito relacionadas aos bancos
20%
multilaterais de desenvolvimento (MDBs)
Solicitações de crédito garantidas por propriedade
50% residencial
Solicitações de crédito relacionadas à bancos
100% Solicitações de crédito relacionadas à empresas
Todos os demais ativos
32
Gestão de Riscos
Índice da Basiléia
Ativo Ponderado Pelo Risco
Exemplo:
Ativos $
Caixa 1.000
Aplicações 50.000
Financiamento Imobiliário 200.000
Empréstimos 300.000
33
Gestão de Riscos
Índice da Basiléia
Ativo Ponderado Pelo Risco
Exemplo:
Ativos $ Pesos APR - $
Caixa 1.000 0% 0
Aplicações 50.000 20% 10.000
Financiamento Imobiliário 200.000 50% 100.000
Empréstimos 300.000 100% 300.000
TOTAL 551.000 410.000
34
Gestão de Riscos
Índice da Basiléia
Ativo Ponderado Pelo Risco
Nível 1: Capital Social + Reservas de Capital + Reservas de Lucros
+/- Lucros ou (Prejuízos) Acumulados + Participações
Nível 2: Reservas de Reavaliação + Reservas de Contingência +
Dívidas Subordinadas + Instrumentos Híbridos de Capital
Exemplo:
Patrimônio $
Nível 1 40.000
Nível 2 30.000
TOTAL 70.000
35
Gestão de Riscos
Índice da Basiléia
Exemplo:
Índice
APR 410.000
PR 70.000
PR/APR 17,1%
Instituição Adequada
36
Basiléia III
37
Modelos de
Risco Operacional
38
Mensuração do Risco Operacional
39
Risco Operacional
Seja n o número de eventos relacionados ao risco operacional
dentro de um intervalo de tempo arbitrado. (EX. 1 ano)
40
Exemplo:
41
Exemplo:
Próximos passos:
• Combinar as possibilidades para gerar uma distribuição empírica
para as perdas potenciais operacionais
• VaR Operacional
• Calcular o VALOR EM RISCO para o nível de confiança
desejado
42
Fluxos de Caixa
E SEUS RISCOS
43
FLUXOS DE CAIXA E ANÁLISE
DE INVESTIMENTOS
44
PRINCIPAIS COMPONENTES
DO FLUXO DE CAIXA
Investimento inicial
45
CÁLCULO DAS ENTRADAS DE CAIXA
OPERACIONAIS
RECEITAS
- DESPESAS OPERACIONAIS
= EBITDA
- DEPRECIAÇÃO
= LUCRO ANTES DO IMPOSTO DE RENDA = EBIT
- IMPOSTO DE RENDA
= LUCRO APÓS I.R. = NOPAT
+ DEPRECIAÇÃO
= ENTRADA DE CAIXA OPERACIONAL
46
Exemplo
47
Sugestão para Simulações:
https://www.palisade-br.com/
48
Fonte: Imagem da Planilha feita em aula
49
Fonte: Imagem da Planilha feita em aula
50
51
Tipos de Distribuição
52
OBRIGADO!
/fabiano-guasti-lima-b9830282/
53
ANALYTICS E GESTÃO DE
RISCOS
Prof. Fabiano Guasti Lima
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos
didáticos apresentados é do professor.
Proibida a reprodução, total ou parcial, sem
autorização. Lei nº 9610/98
Programa
Modelos de gestão de risco de mercado, operacional e compliance; Basiléia III;
modelos de risco de crédito; modelos para demais tipos de riscos aplicáveis (risco
legal e regulamentar; risco social e ambiental; reputacionais); casos reais e
práticos.
Referências bibliográficas
LIMA, Fabiano Guasti.
Análise de Riscos. 2. ed.
FAVERO, Luiz Paulo, BELFIORE,
São Paulo: Atlas, 2018.
Patrícia. Análise de dados:
estatística e modelagem
multivariada com Excel, SPSS e
Stata. Gen, LTC, 2017.
3
Agenda
4
Modelos de Riscos
para
Ativos Individuais
Risco e Retorno de Ativos Individuais
Quem
oscilou
mais?
6
Buscando dados
7
Risco e Retorno de Ativos Individuais
• Retorno
• Discreto
• Contínuo
8
Risco no Contexto de
Carteiras
9
Risco e Retorno no contexto de carteiras
Ativo A Ativo B
Ano 1 13,41% 26,62%
Ano 2 0,94% 45,13%
Ano 3 10,21% 20,21%
Ano 4 4,91% 17,37%
Ano 5 10,53% 15,67%
Ativo A Ativo B
RETORNO MÉDIO 8% 25%
RISCO 5% 12%
10
Harry Markowitz
(1927-)
The Journal of Finance – Portfolio Selection - Harry Markowtiz (1952), v.7, n.1, p. 77-91
https://www.math.ust.hk/~maykwok/courses/ma362/07F/markowitz_JF.pdf
11
Risco e Retorno no contexto de carteiras
Ativo A Ativo B
RETORNO 8% 25%
RISCO 5% 12%
Investimento R$ 5.000,00 R$ 5.000,00
Percentual 50% 50%
12
Risco e Retorno no contexto de carteiras
Ativo Part. % Retorno Risco
A Wa Ra Sa
B Wb Rb Sb
Carteira 100% RC = Wa Ra + Wb Rb expressão abaixo
SC = W S + W S + 2WaWb corr ( Ra , Rb ) S a Sb
a
2 2
a b
2 2
b
13
Harry Markowitz (1927-)
Sugestão de Vídeo:
14
Harry Markowitz (1927-)
Sugestão de Vídeo:
15
Efeito da Correlação correl = - 0,627
Ibovespa X Dólar
120000 4,5
4
100000
3,5
80000 3
2,5
60000 Ibovespa
2 Dólar
40000 1,5
1
20000
0,5
0 0
jul/09 nov/10 abr/12 ago/13 dez/14 mai/16 set/17 fev/19 jun/20
16
Efeito da Correlação correl = 0,532
PETR4 X VALE3
70 30
60
25
50
20
40
15 VALE3
PETR4
30
10
20
5
10
0 0
jul/09 nov/10 abr/12 ago/13 dez/14 mai/16 set/17 fev/19 jun/20
17
Risco e Retorno no contexto de carteiras
Ativo A Ativo B
RETORNO 8% 25%
RISCO 5% 12%
Investimento R$ 5.000,00 R$ 5.000,00 correl = - 0,60
Percentual 50% 50%
18
Carteira com mais de dois ativos
𝑅𝑒𝑡𝐶𝑎𝑟𝑡 = 𝑊𝑖 × 𝑅𝑒𝑡_𝑎𝑡𝑖𝑣𝑜𝑖
𝑖=1
𝑐𝑜𝑣𝑎𝑟11 ⋯ 𝑐𝑜𝑣𝑎𝑟1𝑛 𝑊1
𝑅𝑖𝑠𝑐𝑜𝐶𝑎𝑟𝑡 = 𝑊1 ⋯ 𝑊𝑛 × ⋮ ⋱ ⋮ × ⋮
𝑐𝑜𝑣𝑎𝑟𝑛1 ⋯ 𝑐𝑜𝑣𝑎𝑟𝑛𝑛 𝑊𝑛
19
Modelos de
Risco de Crédito
20
Risco de Crédito
21
Risco de Crédito
• História recente mostrou que os problemas de crédito são
fundamentais para a economia, empresas e instituições
financeiras e não financeiras.....
• Contábil • Prudencial/Gestão
• Perda Incorrida – IAS 39 • Perda Esperada (Expected Loss – EL)
• Perda Provável – COSIF • Perda Não Esperada (Unexpected
• Perda Esperada – IFRS9 Loss – UL)
22
Risco de Crédito
23
Risco de Crédito
Direcionadores do risco de crédito
24
Risco de Crédito
Perda de Crédito = b EC PD
25
Risco de Crédito
26
Risco de Crédito
60,00%
90,00%
50,00%
40,00%
85,00%
30,00%
20,00% 80,00%
10,00%
0,00% 75,00%
- 10.000,00 20.000,00 70.000,00 30.000,00 80.000,00 90.000,00 100.000,00
27
Gestão de Riscos
28
Gestão de Riscos
29
Gestão de Riscos
▪ Bank for Internacional Settlements (BIS):
• Fortalecer a cooperação financeira internacional
▪ Acordo da Basileia:
• 1988: Basiléia 1 – requerimento de capital para risco de crédito
• 1996: Requerimento de capital para risco de mercado
• 2004: Basiléia 2 – requerimento de capital para risco operacional
• 2007: Patrimônio de Referência (PR) e Patrimônio de Referência Exigido (PRE)
• 2009: Basileia 2,5 – securitizações
• 2010: Basiléia 3
30
Gestão de Riscos
Capital
8%
Risco de Mercado + Risco de Crédito
31
Gestão de Riscos
Critério de Ponderação do Basiléia I
A ponderação dos ativos de crédito ao risco é principalmente função do
tipo da exposição:
PONDERAÇÃO ATIVO
Caixa
0% Solicitações de créditos relacionadas à países e seus
bancos centrais
0%, 20% ou 50%
Solicitações de créditos relacionadas à empresas do
(à critério do Banco
setor público não - federais
Central Local)
Solicitações de crédito relacionadas aos bancos
20%
multilaterais de desenvolvimento (MDBs)
Solicitações de crédito garantidas por propriedade
50% residencial
Solicitações de crédito relacionadas à bancos
100% Solicitações de crédito relacionadas à empresas
Todos os demais ativos
32
Gestão de Riscos
Índice da Basiléia
Ativo Ponderado Pelo Risco
Exemplo:
Ativos $
Caixa 1.000
Aplicações 50.000
Financiamento Imobiliário 200.000
Empréstimos 300.000
33
Gestão de Riscos
Índice da Basiléia
Ativo Ponderado Pelo Risco
Exemplo:
Ativos $ Pesos APR - $
Caixa 1.000 0% 0
Aplicações 50.000 20% 10.000
Financiamento Imobiliário 200.000 50% 100.000
Empréstimos 300.000 100% 300.000
TOTAL 551.000 410.000
34
Gestão de Riscos
Índice da Basiléia
Ativo Ponderado Pelo Risco
Nível 1: Capital Social + Reservas de Capital + Reservas de Lucros
+/- Lucros ou (Prejuízos) Acumulados + Participações
Nível 2: Reservas de Reavaliação + Reservas de Contingência +
Dívidas Subordinadas + Instrumentos Híbridos de Capital
Exemplo:
Patrimônio $
Nível 1 40.000
Nível 2 30.000
TOTAL 70.000
35
Gestão de Riscos
Índice da Basiléia
Exemplo:
Índice
APR 410.000
PR 70.000
PR/APR 17,1%
Instituição Adequada
36
Basiléia III
37
Modelos de
Risco Operacional
38
Mensuração do Risco Operacional
39
Risco Operacional
Seja n o número de eventos relacionados ao risco operacional
dentro de um intervalo de tempo arbitrado. (EX. 1 ano)
40
Exemplo:
41
Exemplo:
Próximos passos:
• Combinar as possibilidades para gerar uma distribuição empírica
para as perdas potenciais operacionais
• VaR Operacional
• Calcular o VALOR EM RISCO para o nível de confiança
desejado
42
Fluxos de Caixa
E SEUS RISCOS
43
FLUXOS DE CAIXA E ANÁLISE
DE INVESTIMENTOS
44
PRINCIPAIS COMPONENTES
DO FLUXO DE CAIXA
Investimento inicial
45
CÁLCULO DAS ENTRADAS DE CAIXA
OPERACIONAIS
RECEITAS
- DESPESAS OPERACIONAIS
= EBITDA
- DEPRECIAÇÃO
= LUCRO ANTES DO IMPOSTO DE RENDA = EBIT
- IMPOSTO DE RENDA
= LUCRO APÓS I.R. = NOPAT
+ DEPRECIAÇÃO
= ENTRADA DE CAIXA OPERACIONAL
46
Exemplo
47
Sugestão para Simulações:
https://www.palisade-br.com/
48
Fonte: Imagem da Planilha feita em aula
49
Fonte: Imagem da Planilha feita em aula
50
51
Tipos de Distribuição
52
OBRIGADO!
/fabiano-guasti-lima-b9830282/
53
UNSUPERVISED MACHINE
LEARNING: CLUSTERING
Prof. Dr. Wilson Tarantin Junior
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos
didáticos apresentados é do professor.
Proibida a reprodução, total ou parcial, sem
autorização. Lei nº 9610/98
Contextualização
• Dentro do grupo: observações semelhantes com base nas variáveis utilizadas na análise
• Entre grupos distintos: observações diferentes com base nas variáveis utilizadas na análise
3
Contextualização
4
Métodos
5
Implementação do Método
Hierárquico Aglomerativo
6
Tratamento inicial
ഥ𝒋
𝑿𝒋𝒊 − 𝑿
𝒁𝑿𝒋𝒊 =
𝒔𝒋
7
Escolhas
8
Esquemas de aglomeração
9
Medidas de dissimilaridade
𝟏
• Distância de Minkowski: 𝒅𝒑𝒒 = σ𝒌𝒋=𝟏(|𝒁𝑿𝒋𝒑 − 𝒁𝑿𝒋𝒒 |)𝒎 𝒎
→ É o caso geral, varia o m
10
Medidas de dissimilaridade
|𝒁𝑿𝒋𝒑 −𝒁𝑿𝒋𝒒 |
• Distância de Canberra: 𝒅𝒑𝒒 = σ𝒌𝒋=𝟏 → quando as variáveis só têm valores positivos
(𝒁𝑿𝒋𝒑 +𝒁𝑿𝒋𝒒 )
• A correlação de Pearson entre as observações também pode ser utilizada (medida de semelhança)
11
Medida de similaridade
𝒂+𝒅
• Medida de emparelhamento simples: 𝒔𝒑𝒒 =
𝒂+𝒃+𝒄+𝒅
12
Métodos de encadeamento
• Between groups (average linkage): junção de grupos pela distância média entre todos os pares
de observações do grupo em análise (consistente com single ou complete)
13
Métodos de encadeamento
14
Métodos de encadeamento
15
Métodos de encadeamento
16
Quantos agrupamentos?
• Como critério para a escolha do número final de clusters em uma análise, pode-se
adotar o tamanho dos saltos para a incorporação seguinte
17
Análise dos agrupamentos
• É possível analisar quais variáveis mais contribuíram para a formação de pelo menos um dos
clusters → maiores valores da estatística F (em conjunto com sua significância)
18
Implementação do Método
Não Hierárquico K-means
19
Tratamento inicial
ഥ𝒋
𝑿𝒋𝒊 − 𝑿
𝒁𝑿𝒋𝒊 =
𝒔𝒋
20
Esquemas de aglomeração
• Nas etapas seguintes, as observações vão sendo comparadas pela proximidade aos
centroides dos outros clusters. Se houver realocação a outro cluster por estar mais
próxima, os centroides devem ser recalculados (em ambos os clusters)
21
Esquemas de aglomeração
• A soma total dos quadrados dentro dos clusters pode ser representada por:
22
Esquemas de aglomeração
23
Considerações
• O output do método hierárquico pode ser utilizado como input no método não
hierárquico para a identificação inicial da quantidade de clusters
24
Referência
Fávero, Luiz Paulo; Belfiore, Patrícia. (2017). Manual de análise de dados: estatística e
modelagem multivariada com Excel®, SPSS® e Stata®. Rio de Janeiro: Elsevier
25
UNSUPERVISED MACHINE
LEARNING: Análise Fatorial
e PCA
3
Contextualização
• Portanto, a técnica não tem um caráter preditivo para observações que não
estejam presentes na amostra. Se surgirem novas observações, novos fatores
atualizados devem ser gerados
4
5 1
0 9 8-
73 .
5 .2
31 a
i d
Implementaçãoi Y osh
u sh
At s
el o
ar c
M
Matriz de correlações
• Procedimento inicial
• Coeficientes de correlação mais próximos dos valores extremos (-1; +1) propiciam a
extração de um único fator → indicam existência de relação entre as variáveis
6
Matriz de correlações
• Procedimento inicial
7
Adequação global
• Para que que a análise fatorial seja adequada, devem existir valores elevados
(-1; +1) e estatisticamente significantes na matriz de correlações
8
Adequação global
9
Autovalores e autovetores
• Autovalores
• Solução de equivalente a
10
Autovalores e autovetores
• Autovetores
• v1k, v2k, ... , vkk são os autovetores para o K-ésimo autovalor (λ²) em análise
• Solução de ou
11
Obtenção dos fatores
• Após a análise fatorial ser considerada adequada pelos testes anteriores, será
necessário criar os scores que geram os fatores propriamente ditos
• Para K variáveis originais, existem, no máximo, K fatores (F1, F2, ... , Fk)
12
Scores fatoriais
• Definindo os scores
• A partir dos autovalores e autovetores, obtém-se os scores fatoriais s1, s2, ... , sk
São gerados K grupos de scores (é o limite máximo de K fatores possíveis)
13
Fatores
• Definindo os K fatores
14
Escolha dos fatores
• Quanto maior a carga fatorial, mais aquele fator é influenciado pela variável
16
Comunalidades
17
Criação de rankings
• Para criar rankings a partir dos fatores obtidos utilizando o critério da soma
ponderada e ordenamento, para cada observação da amostra, calcula-se:
• Resultadoi = (F1i * % var. comp. F1) + (F2i * % var. comp. F2) + ... + (Fki * % var. comp. Fk)
18
Referência
Fávero, Luiz Paulo; Belfiore, Patrícia. (2017). Manual de análise de dados: estatística e
modelagem multivariada com Excel®, SPSS® e Stata®. Rio de Janeiro: Elsevier
19
UNSUPERVISED MACHINE
LEARNING: Análise Fatorial
e PCA
3
Contextualização
• Portanto, a técnica não tem um caráter preditivo para observações que não
estejam presentes na amostra. Se surgirem novas observações, novos fatores
atualizados devem ser gerados
4
5 1
0 9 8-
73 .
5 .2
31 a
i d
Implementaçãoi Y osh
u sh
At s
el o
ar c
M
Matriz de correlações
• Procedimento inicial
• Coeficientes de correlação mais próximos dos valores extremos (-1; +1) propiciam a
extração de um único fator → indicam existência de relação entre as variáveis
6
Matriz de correlações
• Procedimento inicial
7
Adequação global
• Para que que a análise fatorial seja adequada, devem existir valores elevados
(-1; +1) e estatisticamente significantes na matriz de correlações
8
Adequação global
9
Autovalores e autovetores
• Autovalores
• Solução de equivalente a
10
Autovalores e autovetores
• Autovetores
• v1k, v2k, ... , vkk são os autovetores para o K-ésimo autovalor (λ²) em análise
• Solução de ou
11
Obtenção dos fatores
• Após a análise fatorial ser considerada adequada pelos testes anteriores, será
necessário criar os scores que geram os fatores propriamente ditos
• Para K variáveis originais, existem, no máximo, K fatores (F1, F2, ... , Fk)
12
Scores fatoriais
• Definindo os scores
• A partir dos autovalores e autovetores, obtém-se os scores fatoriais s1, s2, ... , sk
São gerados K grupos de scores (é o limite máximo de K fatores possíveis)
13
Fatores
• Definindo os K fatores
14
Escolha dos fatores
• Quanto maior a carga fatorial, mais aquele fator é influenciado pela variável
16
Comunalidades
17
Criação de rankings
• Para criar rankings a partir dos fatores obtidos utilizando o critério da soma
ponderada e ordenamento, para cada observação da amostra, calcula-se:
• Resultadoi = (F1i * % var. comp. F1) + (F2i * % var. comp. F2) + ... + (Fki * % var. comp. Fk)
18
Referência
Fávero, Luiz Paulo; Belfiore, Patrícia. (2017). Manual de análise de dados: estatística e
modelagem multivariada com Excel®, SPSS® e Stata®. Rio de Janeiro: Elsevier
19
UNSUPERVISED MACHINE
LEARNING: Análise de
Correspondência
Simples e Múltipla
• Caso exista uma variável quantitativa, é necessário que ela passe por um processo de
categorização previamente
• Por exemplo: a idade é uma variável quantitativa (25, 42, 73, 81 anos) e poderia ser categorizada
como: 0-30 anos é a categoria 1, 31-60 anos é categoria 2, 61-90 anos é categoria 3...
3
Contextualização
4
Contextualização
• Exemplos de aplicação
• Outros...
5
Contextualização
6
Implementação
Análise de Correspondência Simples
7
Análise de Correspondência Simples
8
1. Análise da significância estatística
(teste qui-quadrado)
9
Análise de Correspondência Simples
1. Tabela de contingência
• Contém as frequências absolutas observadas para cada par de categorias das variáveis
• Trata-se de uma tabela de classificação cruzada (cross-tabulation)
Variável B
10
Análise de Correspondência Simples
( ΣL1 x ΣC1 )
Freq. absoluta esperada =
N
• Este mesmo cálculo deve ser realizado para cada par de categorias das variáveis, alterando-se
apenas o numerador
11
Análise de Correspondência Simples
3. Tabela de resíduos
( ΣL1 x ΣC1 )
Resíduo = n11 –
N
12
Análise de Correspondência Simples
( resíduo11 ) 2
χ2 =
( freq. absoluta esperada11 )
• O mesmo cálculo é realizado para cada par de categorias e, em seguida, os valores de todas as
células são somados
13
Análise de Correspondência Simples
• Graus de liberdade = (I – 1) x (J – 1)
14
Análise de Correspondência Simples
• Para tanto, observa-se o excesso ou falta de ocorrência de casos nas categorias das duas variáveis
15
Análise de Correspondência Simples
resíduo11
Resíduopadronizado =
√(freq. absoluta esperada11)
16
Análise de Correspondência Simples
resíduo padronizado11
Resíduopadronizado ajustado =
ΣC1 Σ
√[(1- ) x (1- L1 )]
N N
17
Análise de Correspondência Simples
• Se o valor do resíduo padronizado ajustado em certa célula for maior do que 1,96,
interpreta-se que existe associação significativa, ao nível de significância de 5%, entre
as duas categorias que interagem na célula; se for menor do que 1,96, não há
associação estatisticamente significativa
18
2. Elaboração e interpretação
do mapa perceptual
19
Análise de Correspondência Simples
20
Análise de Correspondência Simples
• Como base para o cálculo dos autovalores, inicialmente, define-se uma matriz A
• Um modo de obter a matiz A, baseando-se nas etapas anteriores, é fazer para cada célula da
matriz de resíduos padronizados o seguinte cálculo:
( Resíduopadronizado )
√N
• Com base na matriz A, obtém-se a matriz W: W = A' . A
21
Análise de Correspondência Simples
• I é a matriz identidade
22
Análise de Correspondência Simples
• Com base nos autovalores (λ²), encontra-se o percentual da inércia principal total
de cada dimensão
2
λdimensão
% da Inércia Principal Total =
2
(para cada dimensão) λ total
• Quanto maior a inércia principal total (e o χ2), mais forte será a associação entre
as variáveis em análise
χ2
Inércia Principal Total =
N
23
Análise de Correspondência Simples
• Com base nos “totais” da tabela de contingência, para a categoria 1 das variáveis,
obtém-se as massas médias:
ΣL1 ΣC1
Massa na coluna = Massa na linha =
N N
• O mesmo cálculo é realizado para as demais categorias
24
Análise de Correspondência Simples
3. Determinar os autovetores
Trata-se da matriz A
25
Análise de Correspondência Simples
Xc = √λ1 . Dc-1/2 . v1
• Coordenadas das ordenadas (Y)
Yc = √λ2 . Dc-1/2 . v2
• Coordenadas da K-ésima dimensão (k = quantidade de λ)
Zc = √λk . Dc-1/2 . vk
27
Análise de Correspondência Múltipla (MCA)
28
Análise de Correspondência Múltipla
• Antes de elaborar a ACM, é importante realizar um teste χ2 para cada par de variáveis
• Se alguma delas não apresentar associação com outras, não é incluída na análise de
correspondência
29
Análise de Correspondência Múltipla
• Com base na matriz binária (Z), pode ser obtida a inércia principal total na ACM
• Supondo que a matriz binária (Z) seja semelhante a uma tabela de contingência da
Anacor, é possível obter a inércia principal parcial das dimensões, autovalores,
autovetores e coordenadas dessa matriz
30
Análise de Correspondência Múltipla
1 1 0 0 1 0 1 0 0 0
2 0 1 0 0 1 0 1 0 0
3 0 1 1 0 0 0 0 1 0
N 1 0 1 0 0 0 0 0 1
31
Análise de Correspondência Múltipla
• É possível combinar em uma única matriz as tabelas de contingência com o cruzamento de todos
os pares variáveis
• Ao considerar a matriz de Burt uma tabela de contingência, é possível realizar uma Anacor e obter
as coordenadas das categorias
32
Referência
Fávero, Luiz Paulo; Belfiore, Patrícia. (2017). Manual de análise de dados: estatística e
modelagem multivariada com Excel®, SPSS® e Stata®. Rio de Janeiro: Elsevier
33
UNSUPERVISED MACHINE
LEARNING: Análise de
Correspondência
Simples e Múltipla
• Caso exista uma variável quantitativa, é necessário que ela passe por um processo de
categorização previamente
• Por exemplo: a idade é uma variável quantitativa (25, 42, 73, 81 anos) e poderia ser categorizada
como: 0-30 anos é a categoria 1, 31-60 anos é categoria 2, 61-90 anos é categoria 3...
3
Contextualização
4
Contextualização
• Exemplos de aplicação
• Outros...
5
Contextualização
6
Implementação
Análise de Correspondência Simples
7
Análise de Correspondência Simples
8
1. Análise da significância estatística
(teste qui-quadrado)
9
Análise de Correspondência Simples
1. Tabela de contingência
• Contém as frequências absolutas observadas para cada par de categorias das variáveis
• Trata-se de uma tabela de classificação cruzada (cross-tabulation)
Variável B
10
Análise de Correspondência Simples
( ΣL1 x ΣC1 )
Freq. absoluta esperada =
N
• Este mesmo cálculo deve ser realizado para cada par de categorias das variáveis, alterando-se
apenas o numerador
11
Análise de Correspondência Simples
3. Tabela de resíduos
( ΣL1 x ΣC1 )
Resíduo = n11 –
N
12
Análise de Correspondência Simples
( resíduo11 ) 2
χ2 =
( freq. absoluta esperada11 )
• O mesmo cálculo é realizado para cada par de categorias e, em seguida, os valores de todas as
células são somados
13
Análise de Correspondência Simples
• Graus de liberdade = (I – 1) x (J – 1)
14
Análise de Correspondência Simples
• Para tanto, observa-se o excesso ou falta de ocorrência de casos nas categorias das duas variáveis
15
Análise de Correspondência Simples
resíduo11
Resíduopadronizado =
√(freq. absoluta esperada11)
16
Análise de Correspondência Simples
resíduo padronizado11
Resíduopadronizado ajustado =
ΣC1 Σ
√[(1- ) x (1- L1 )]
N N
17
Análise de Correspondência Simples
• Se o valor do resíduo padronizado ajustado em certa célula for maior do que 1,96,
interpreta-se que existe associação significativa, ao nível de significância de 5%, entre
as duas categorias que interagem na célula; se for menor do que 1,96, não há
associação estatisticamente significativa
18
2. Elaboração e interpretação
do mapa perceptual
19
Análise de Correspondência Simples
20
Análise de Correspondência Simples
• Como base para o cálculo dos autovalores, inicialmente, define-se uma matriz A
• Um modo de obter a matiz A, baseando-se nas etapas anteriores, é fazer para cada célula da
matriz de resíduos padronizados o seguinte cálculo:
( Resíduopadronizado )
√N
• Com base na matriz A, obtém-se a matriz W: W = A' . A
21
Análise de Correspondência Simples
• I é a matriz identidade
22
Análise de Correspondência Simples
• Com base nos autovalores (λ²), encontra-se o percentual da inércia principal total
de cada dimensão
2
λdimensão
% da Inércia Principal Total =
2
(para cada dimensão) λ total
• Quanto maior a inércia principal total (e o χ2), mais forte será a associação entre
as variáveis em análise
χ2
Inércia Principal Total =
N
23
Análise de Correspondência Simples
• Com base nos “totais” da tabela de contingência, para a categoria 1 das variáveis,
obtém-se as massas médias:
ΣL1 ΣC1
Massa na coluna = Massa na linha =
N N
• O mesmo cálculo é realizado para as demais categorias
24
Análise de Correspondência Simples
3. Determinar os autovetores
Trata-se da matriz A
25
Análise de Correspondência Simples
Xc = √λ1 . Dc-1/2 . v1
• Coordenadas das ordenadas (Y)
Yc = √λ2 . Dc-1/2 . v2
• Coordenadas da K-ésima dimensão (k = quantidade de λ)
Zc = √λk . Dc-1/2 . vk
27
Análise de Correspondência Múltipla (MCA)
28
Análise de Correspondência Múltipla
• Antes de elaborar a ACM, é importante realizar um teste χ2 para cada par de variáveis
• Se alguma delas não apresentar associação com outras, não é incluída na análise de
correspondência
29
Análise de Correspondência Múltipla
• Com base na matriz binária (Z), pode ser obtida a inércia principal total na ACM
• Supondo que a matriz binária (Z) seja semelhante a uma tabela de contingência da
Anacor, é possível obter a inércia principal parcial das dimensões, autovalores,
autovetores e coordenadas dessa matriz
30
Análise de Correspondência Múltipla
1 1 0 0 1 0 1 0 0 0
2 0 1 0 0 1 0 1 0 0
3 0 1 1 0 0 0 0 1 0
N 1 0 1 0 0 0 0 0 1
31
Análise de Correspondência Múltipla
• É possível combinar em uma única matriz as tabelas de contingência com o cruzamento de todos
os pares variáveis
• Ao considerar a matriz de Burt uma tabela de contingência, é possível realizar uma Anacor e obter
as coordenadas das categorias
32
Referência
Fávero, Luiz Paulo; Belfiore, Patrícia. (2017). Manual de análise de dados: estatística e
modelagem multivariada com Excel®, SPSS® e Stata®. Rio de Janeiro: Elsevier
33
Unsupervised Machine
Learning: Exercícios
Aplicados
• Não são adequadas para fins de inferência, ou seja, não têm caráter preditivo para
observações de fora da amostra
3
Objetivo – Análise de Cluster
• Dentro do grupo: observações semelhantes com base nas variáveis utilizadas na análise
• Entre grupos distintos: observações diferentes com base nas variáveis utilizadas na análise
4
Objetivo – Análise Fatorial PCA
5
Objetivo – Anacor e ACM
6
Referência
Fávero, Luiz Paulo; Belfiore, Patrícia. (2017). Manual de análise de dados: estatística
e modelagem multivariada com Excel®, SPSS® e Stata®. Rio de Janeiro: Elsevier
7
SUPERVISED MACHINE LEARNING:
ANÁLISE DE REGRESSÃO SIMPLES E
MÚLTIPLA
Prof. Dr. Luiz Paulo Fávero
5 1
0 9 8-
3. 27
*A responsabilidade pela idoneidade,
15.
originalidade e licitude dos a 3 conteúdos
h i d é do professor.
didáticos apresentados
o s
i
Proibida a reprodução, Y total ou parcial, sem
s h
tsu
autorização.
A
Lei nº 9610/98
el o
ar c
M
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 3
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Reflexão
Modelos Supervisionados
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 4
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Reflexão
Modelos Supervisionados
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 5
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Reflexão
Modelos Supervisionados
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 6
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Reflexão
Modelos Supervisionados
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 7
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Reflexão
Modelos Supervisionados
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 8
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelos Supervisionados de
Machine Learning:
5 1
Modelos Lineares Generalizados (GLM)
0 9 8-
X1 27 3.
15.
a 3
i d
Y Xo2 sh
i Y
s h
A t su
Xk cel o X3
ar X
M 4
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 9
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelos Lineares Generalizados (GLM)
ln ( poisson )
ln ( bneg )
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 10
10
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelos Supervisionados:
Modelos Lineares Generalizados (GLM)
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 11
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Fundamentação teórica e conceitos em modelos de regressão
Especificação dos modelos GLM e funções de ligação canônica
Estimação dos parâmetros
Variáveis dummy
Procedimento Stepwise
Teste de normalidade dos resíduos
Modelos não lineares e transformações de Box-Cox
Diagnósticos de multicolinearidade e heterocedasticidade
Estimações em R
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 12
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Regressão Linear Simples
Objetivo:
Desenvolver uma equação linear que apresente a relação entre uma variável dependente e
uma variável explicativa.
𝒀𝒊 = 𝜶 + 𝜷. 𝑿𝒊 + 𝒖𝒊
em que temos um intercepto (𝛼), um coeficiente de inclinação da reta (𝛽), uma variável
explicativa X e um termo de erro u.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 13
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
ARQUIVO
“tempodist.xls”
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 14
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 15
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Análise de Regressão:
Coeficiente de Ajuste do Modelo (R²)
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 16
16
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Análise de Regressão:
Coeficiente de Ajuste do Modelo (R²)
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 17
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Análise de Regressão:
Estimação dos Parâmetros
Critérios:
n
1 – Soma dos erros igual a zero: ui = 0
i =1 n
2 – Soma dos erros ao quadrado sendo a mínima possível: ui2 = mín
i =1
n
( )
2
ˆ
Yi − Y
R2 = n i =1
n
( )
2
Yˆi − Y + ( ui )
2
i =1 i =1
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 20
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Apenas Parâmetros e R² ?
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 21
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Apenas Parâmetros e R² ?
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 22
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
5 1
0 9 8-
27 3.
15.
a 3
i d
o sh
i Y
s h
A tsuModelos de Regressão
o
cel
no
ar
M
Significância Estatística
do Modelo
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 24
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Significância Estatística
dos Parâmetros do Modelo
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 25
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Comparação entre Modelos
2
R ajust. = 1 −
n −1
n −1 − k
1− R 2
( )
n: tamanho da amostra;
k: quantidade de variáveis X explicativas.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 26
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Regressão Múltipla
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 27
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Variáveis Explicativas (X) Qualitativas
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 28
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Variáveis Explicativas (X) Qualitativas
Variáveis dummy
São variáveis categóricas que representam um atributo por meio de
combinação binária (0 para a ausência ou 1 para presença).
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 29
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelos Não Lineares
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 30
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelos Não Lineares e
Transformações de Box-Cox
* Y −1
YBox −Cox =
Qual o valor de ( varia entre –∞ e +∞) que maximiza a aderência da
distribuição da nova variável Y* à normalidade?
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 31
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelos Não Lineares e
5 1
Transformações de Box-Cox
0 9 8-
2 7 3.
Yi = a + b1. X1 + b 2 . X 2 + ... + b k . X k
1 5 . Especificação Linear ( = 1)
Yi = a + b1. X1 + b 2 . X 2 + ... + b k . X k
2
a 3
Especificação Quadrática ( = 2)
Yi = a + b1. X1 + b 2 . X 2 + ... + b k . XY
s h i k Especificação de Raiz ( = 0,5)
1 u
= a + b1. X1 + b 2 . X 2 t+s... + b k . X k
o A Especificação Inversa ( = -1)
Yi
c e l
a r
ln (Yi ) = a + b1. X1 + b 2 . X 2 + ... + b k . X k Especificação Semilogarítmica ( = 0)
M Expansão de Taylor
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 32
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelos Não Lineares e
Transformações de Box-Cox
Yi − 1
= a + b1. X1 + b 2 . X 2 + ... + b k . X k + ui
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 33
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Diagnóstico de
Multicolinearidade
Yi = a + b1. X 1i + b 2 . X 2i + ... + b k . X ki + ui
Y = X.b + U
b = (X’X)-1(X’Y)
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 35
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Fontes Geradoras da
Multicolinearidade
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 36
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Consequências da
Multicolinearidade
𝒀𝒊 = 𝜶 + 𝜷𝟏 . 𝑿𝟏𝒊 + 𝜷𝟐 . 𝑿𝟐𝒊
5 20
X' X =
20 80
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 37
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Consequências da
Multicolinearidade
5 19,8
X' X =
19,8 78,41
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 38
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Consequências da
Multicolinearidade
5 10
X' X =
10 25
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 39
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Consequências da
Multicolinearidade
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 40
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Identificação da
Multicolinearidade
Variável
Variável Variável
Variável
dependente
explicada dependente
explicada
Variável
Variável Variável
Variável
explicativa
explicativa explicativa
explicativa
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 42
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 43
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
SUPERVISED MACHINE LEARNING:
MODELOS LOGÍSTICOS
BINÁRIOS E MULTINOMIAIS
Prof. Dr. Luiz Paulo Fávero
5 1
8-
0 9
*A responsabilidade pela idoneidade,
7 3 .
originalidade e licitude dos conteúdos 5. 2 didáticos
3 1
apresentados é do
i daprofessor.
o sh
i Y
Proibida a reproduçãou s h total ou parcial, sem
A t s
e l o
autorização. Lei nº 9610/98
ar c
M
MODELOS LOGÍSTICOS
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 3
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelos Lineares Generalizados (GLM)
ln ( poisson )
ln ( bneg )
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 4
4
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
5 1
0 9 8-
27 3.
15.
a 3
i d
o sh
i Y
s h
A t su
e l o
ar c Binária
M
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 5
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Regressão Logística Binária
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 6
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Objetivos da Técnica
▪ Atribuição de Probabilidades:
Estimar a probabilidade de ocorrência de determinando evento
ou de que uma observação venha a se enquadrar nessa ou
naquela categoria.
▪ Classificação em categorias:
Classificar indivíduos ou observações em categorias específicas.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 7
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Conceitos:
Probabilidade
Chance (odds)
Logito
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 8
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
▪ Conceito de Probabilidade
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 9
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Conceito de Chance (Odds)
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 10
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Conceito de Logito
3 1
descreve a relação entre a
a ocorrência de determinando
probabilidade associada à
h i d
o s evento e um conjunto de
i Y variáveis preditoras.
s u sh
A t A função logística
o
assume valores entre
ce l 0 e 1 para qualquer
1r
Z entre −∞ e +∞
pi = a
M −Z =
1
1+ e i
1 + e -( + 1 X 1 i + 2 X 2 i + .......+ k X ki )
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 12
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
5 1
Função Logística
0 9 8-
pi =
1
=
2 7 1 3.
1 5 .
1 + e − Z i 1 + e -( + 1 X 1 i + 2 X 2 i + .......+ k X ki )
Definida para que se estabeleça a probabilidade de 3
▪
i d a ocorrência.
ocorrência de determinado evento
s h
e a importância das variáveis explicativas para esta
a r c
▪
M
Análise do ajuste do modelo: testes de significância dos parâmetros e tabela de
classificação (matriz de confusão).
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 13
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 14
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
5 1
0 9 8-
27 3.
15.
a 3
i d
o sh
i Y
s h
t
Regressão
A Logística su
e l o
ar c Multinomial
M
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 15
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Regressão Logística Multinomial
▪ Variável dependente se apresenta na forma qualitativa com mais de duas categorias.
▪ Por exemplo, para três possíveis respostas (labels 0, 1 ou 2, por exemplo), e sendo 0 a
categoria de referência escolhida, teremos duas outras possibilidades de evento em
relação a esta categoria (1 ou 2).
▪ Dessa forma, são definidos dois vetores de variáveis explicativas, com os respectivos
parâmetros estimados (dois logitos):
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 16
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
5 1
Funções Logísticas Multinomiais
0 9 8-
𝑒 𝑍𝑖
27 3.
▪ Sendo 𝑝𝑖 =
1 + 𝑒 𝑍𝑖
a probabilidade de ocorrência do evento, temos que:
15.
a 3
i d 1
▪ Probabilidade de ocorrência da categoria 0 (referência):
sh
𝑃𝑖0 =
o
1 + 𝑒 𝑍1𝑖 + 𝑒 𝑍2𝑖
i Y
s h 𝑒 𝑍1𝑖
su
▪ Probabilidade de ocorrência da categoria 1: 𝑃𝑖1 =
A t 1 + 𝑒 𝑍1𝑖 + 𝑒 𝑍2𝑖
e l o 𝑒 𝑍2𝑖
ar c
▪ Probabilidade de ocorrência da categoria 2: 𝑃𝑖2 =
1 + 𝑒 𝑍1𝑖 + 𝑒 𝑍2𝑖
M
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 17
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Interpretação e
Eficiência Global do Modelo Multinomial
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 18
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
5 1
0 9 8-
27 3.
15.
a 3
i d
EXCELo sh
i Y
u s h
A t s
o
M ar ce l
R
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 19
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
5 1
0 9 8-
27 3.
15.
3
ida
MUITO OBRIGADO!
sh
Prof. Dr.Y o Paulo Fávero
h i Luiz
t s us
o A
ce l
ar
M
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 20
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
SUPERVISED MACHINE LEARNING:
MODELOS DE REGRESSÃO PARA
DADOS DE CONTAGEM
Prof. Dr. Luiz Paulo Fávero
5 1
8-
0 9
*A responsabilidade pela idoneidade,
7 3 .
originalidade e licitude dos conteúdos 5. 2 didáticos
3 1
apresentados é do
i daprofessor.
o sh
i Y
Proibida a reproduçãou s h total ou parcial, sem
A t s
e l o
autorização. Lei nº 9610/98
ar c
M
MODELOS PARA DADOS DE CONTAGEM
ln ( poisson )
ln ( bneg ) (1781-1840)
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 4
4
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelos para Dados de Contagem
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 5
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelos para Dados de Contagem:
Exemplos e Aplicações
• Avaliação da quantidade de vezes que um grupo de pacientes idosos vai ao médico por ano, em
função da idade de cada um deles, do sexo e das características dos seus planos de saúde.
• Estudo sobre a quantidade de ofertas públicas de ações que são realizadas em uma amostra de
países desenvolvidos e emergentes em determinado ano, com base em seus desempenhos
econômicos, como inflação, taxa de juros, produto interno bruto e taxa de investimento
estrangeiro.
Note que a quantidade de visitas ao médico ou a quantidade de ofertas públicas de ações são as
variáveis dependentes nos dois casos, sendo representadas por dados quantitativos que assumem
valores discretos, não negativos, e com exposição anual. Ou seja, oferecem dados de contagem.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 6
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelos para Dados de Contagem:
Exemplos e Aplicações
1 2 3 4 5 6 7 8 9 10
( )
ln Yˆi = + 1. X1i + 2 . X 2i + ... + k . X ki
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 8
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
A Distribuição Poisson
Determinada observação i (i = 1, 2, ..., n, em que n é
o tamanho da amostra) possui a seguinte
probabilidade de ocorrência de uma contagem m
em uma determinada exposição (período, área,
região, entre outros exemplos):
e − i .im
p(Yi = m ) =
m!
em que é o número esperado de ocorrências ou a
taxa média estimada de incidência do fenômeno em
estudo para uma dada exposição.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 9
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
A Distribuição Poisson e
o Modelo Poisson
∞ ∞
𝑒 −𝜆 . 𝜆𝑚 𝑒 −𝜆 . 𝜆𝑚−1
Média: 𝐸 𝑌 = 𝑚. = 𝜆. = 𝜆. 1 = 𝜆
𝑚! 𝑚 − 1!
𝑚=0 𝑚=1
𝑒 −𝜆 .𝜆𝑚 𝑒 −𝜆 .𝜆𝑚
𝑉𝑎𝑟 𝑌 = σ∞
𝑚=0 𝑚. . 𝑚−𝜆 2
= σ∞
𝑚=0 𝑚. . ሺ𝑚2 − 2. 𝑚. 𝜆 +
𝑚! 𝑚!
Variância: 𝑒 −𝜆 .𝜆𝑚−2 𝑒 −𝜆.𝜆𝑚−1
𝜆2 ሻ 𝜆2 . σ∞
𝑚=2 + 𝜆. σ∞
𝑚=1 − 𝜆2 = 𝜆
𝑚−2! 𝑚−1!
Modelo Geral:
( ) ( )
ln Yˆi = ln poissoni = + 1. X 1i + 2 . X 2i + ... + k . X ki
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 10
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
5 1
0 9 8-
EXCEL 27 3.
15.
a 3
i d
o sh
Y
iR
s h
A t su
e l o
ar c
M
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 11
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
5 1
Teste de Superdispersão
0 9 8-
27 3.
( ) 15
Y
i − . 2
− Y
i
3
poissoni
*
Yi =
poissonida
o sh i
Yi = h
* Y
ipoisson
s u s i
t
Asalientam que, se ocorrer o fenômeno da superdispersão nos dados,
o
l deste modelo auxiliar sem intercepto será estatisticamente diferente
Cameron e Trivedi (1990)
e
a c
o parâmetro estimado
r
de zero, a determinado nível de significância (5%, usualmente).
M
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 12
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
A Distribuição Poisson-Gama ou
Binomial Negativa
d q .miq −1.e− m .d
p (Yi = m ) =
i
(q − 1)!
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 13
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
A Distribuição Poisson-Gama ou
5 1
Binomial Negativa
0 9 8-
2 7 3.
15. • Média:
a 3 ( )
E Y = bneg
i d
sh • Variância:
i Yo (
Var (Y ) = bneg + bneg )
2
us h 1
A t s =
q
l o
ar ce Modelos NB2
M
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 14
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
O Modelo Poisson-Gama ou
Binomial Negativo
( ) ( )
ln Yˆi = ln bnegi = + 1. X1i + 2 . X 2i + ... + k . X ki
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 15
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
5 1
0 9 8-
27 3.
15.
a 3
d
EXCEL i Yo
s h
sh i
R
A t su
e l o
ar c
M
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 16
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelos Inflacionados de Zeros
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 17
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Escolha do Modelo
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 18
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelos Inflacionados de Zeros
São considerados uma combinação entre um modelo para dados de contagem e um modelo para
dados binários, já que são utilizados para investigar as razões que levam a determinada quantidade de
ocorrências (contagens) de um fenômeno, bem como as razões que levam (ou não) à ocorrência
propriamente dita deste fenômeno, independentemente da quantidade de contagens observadas.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 19
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelos Inflacionados de Zeros
VUONG, Q. H. Likelihood ratio tests for model selection and non-nested hypotheses. Econometrica, v.
57, n. 2, p. 307-333, 1989.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 20
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelos Inflacionados de Zeros
do Tipo Poisson (ZIP)
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 21
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelos Inflacionados de Zeros
do Tipo Poisson (ZIP)
p (Y = 0 ) = p
i (
logiti + 1 − plogiti .e
−i
)
−i m
p (Yi = m ) = 1 − plogit . e .i ,
( ) m = 1, 2, ...
i
m!
1
plogiti =
−( +d1 .W1i +d 2 .W2 i +...+d q .Wqi )
1+ e
poisson = e(
+ .X + 1 1i 2
. X 2 i +...+ k . X ki )
i
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 23
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelos Inflacionados de Zeros
do Tipo Binomial Negativo (ZINB)
q
p ( Yi = 0 ) = plogiti + 1 − p logiti (. 1
1 + q −1.bneg
)
i
d q .m q −1.e− mi .d
(
p (Yi = m ) = 1 − plogit .
i
(
i
q − 1 )
)!
,
m = 1, 2, ...
1
plogiti =
−( +d1 .W1i +d 2 .W2 i +...+d q .Wqi )
1+ e
bneg = e(
+ .X + 1 1i 2
. X 2 i +...+ k . X ki )
i
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 24
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 25
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
5 1
0 9 8-
27 3.
MUITO OBRIGADO!
15.
a 3
Prof. Dr. Luiz Paulo Fávero
i d
o sh
i Y
s h
A t su
e l o
ar c
M
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 26
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
SUPERVISED MACHINE LEARNING:
MODELAGEM MULTINÍVEL I
Modelagem multinível no R
Reflexão
100
Valores Previstos (Fitted Values)
80
60
40
20
0
0 20 40 60 80 100
Valores Reais
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 4
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Contexto
Unsupervised Supervised
Análise de Modelos Lineares
Conglomerados Generalizados (GLM)
Machine Learning
Componentes Modelos Lineares
Principais Generalizados
Multinível (GLMM)
Análise de
Correspondência
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 5
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
O que são Modelos Multinível?
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 6
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor.
7
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor.
7
8
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Estrutura Multinível
100.0
80.0
Desempenho
60.0
40.0
20.0
0.0
5 10 15 20 25 30
Variável de
Variável deFirma
Indivíduo
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 9
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Estrutura Multinível
5 1
0 9 8-
3.
100.0
. 27
80.0
3 15
i da
Desempenho
60.0
o sh
i Y
40.0
s h
t su
20.0
o A
c e l
0.0
M ar 5 10 15
Variável de
Variável
20
deFirma
Indivíduo
25 30
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 10
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Estrutura Multinível
100.0
80.0
Desempenho
60.0
40.0
20.0
0.0
5 10 15 20 25 30
Variável de
Variável deFirma
Indivíduo
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 11
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 12
12
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 13
12
13
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 14
14
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 15
15
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Variância dos Termos Aleatórios
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 16
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Dummies?
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 17
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Por que Utilizar?
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 18
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Aplicações
Business, Economics & Management
Índice h5 % / Modelos
Periódico
(Google Scholar) Supervisionados
American Economic Review 158 10,78%
Journal of Business Research 140 12,71%
Tourism Management 118 14,04%
Journal of Business Ethics 117 12,15%
Journal of Financial Economics 116 11,83%
The Quarterly Journal of Economics 110 3,75%
The Review of Financial Studies 108 6,88%
Technological Forecasting and Social Change 106 4,59%
International Journal of Information Management 105 8,15%
Management Science 103 8,57%
9,26%
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor.
20
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Aplicações
Enginering & Computer Science
Índice h5 % / Modelos
Periódico
(Google Scholar) Supervisionados
IEEE/CVF Conference on Computer Vision and
356 4,78%
Pattern Recognition
Advanced Materials 294 3,56%
International Conference on Learning
253 6,22%
Representations
Neural Information Processing Systems 245 4,83%
Renewable and Sustainable Energy Reviews 225 3,42%
Advanced Energy Materials 206 2,53%
International Conference on Machine Learning 204 8,24%
Energy & Environmental Science 202 3,54%
ACS Nano 202 2,89%
European Conference on Computer Vision 197 3,38%
4,28%
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor.
21
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Aplicações
Health & Medical Sciences
Índice h5 % / Modelos
Periódico
(Google Scholar) Supervisionados
The New England Journal of Medicine 410 1,97%
The Lancet 345 2,34%
Cell 288 2,41%
Journal of the American Medical Association 253 2,75%
Proceedings of the National Academy of Sciences 245 0,98%
Journal of Clinical Oncology 213 1,75%
Nature Medicine 205 0,73%
The Lancet Oncology 196 0,45%
PLoS ONE 185 0,43%
Nature Genetics 184 2,34%
1,70%
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor.
22
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Aplicações
Social Sciences
Índice h5 % / Modelos
Periódico
(Google Scholar) Supervisionados
Journal of Business Ethics 117 0,97%
Computers & Education 109 0,34%
Research Policy 95 0,41%
New Media & Society 93 0,75%
American Journal of Public Health 90 0,98%
Global Environmental Change 86 0,75%
Nature Human Behaviour 84 0,73%
Health Affairs 84 0,45%
Social Science & Medicine 83 0,43%
Teaching and Teacher Education 83 0,97%
0,64%
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor.
23
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Pouca Utilização: Qual a Razão?
5 1
- Estrutura dos dados.
0 9 8-
27 3.
- Não consideração de natureza multinível nos dados.
15.
a 3
- Capacidade computacional por vezes insuficiente,
i d
principalmente quando da existência de interações profundas. o sh
i Y
s h
t su
Multilevel network analysis for the social sciences: theory,
A
o
methods and applications. New York: Springer, 2016.
c e l
M ar Emmanuel Lazega Tom Snijders
Institut d’Études Politiques de Paris University of Oxford
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 24
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Aplicação
RAJAN, R.G.; ZINGALES, L.
What do we know about capital structure? Some evidence from international data.
Journal of Finance, v. 50-5, p. 1421-1460, 1995.
------------------------------------------------------------------------------
Random-effects Parameters | Estimate Std. Err. [95% Conf. Interval]
-----------------------------+------------------------------------------------
country: |
var(tang_a~s) | 4.33e-13 7.82e-14 1.83e-28 1021.785
var(market~k) | .0087904 .0030879 .002262 .0341598
var(logsale) | 7.67e-06 33%
5.33e-09 1.96e-06 .00003
var(roa) | 10.84124 4.462827 3.37015 34.87456
var(_cons) | 3.811897 0.733678 1.036019 14.02538
-----------------------------+------------------------------------------------
var(Residual) | 29.18282 67%
.6058274 28.01925 30.39471
------------------------------------------------------------------------------
LR test vs. linear regression: chi2(5) = 1047.68 Prob > chi2 = 0.0000
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 27
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Aplicação
RAJAN, R.G.; ZINGALES, L.
What do we know about capital structure? Some evidence from international data.
Journal of Finance, v. 50-5, p. 1421-1460, 1995.
5.5
5
Fitted Values
4.5
4
3.5
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 28
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Aplicação
5 1
0 9 8-
3.
United States United States United States
7
Japan Japan Japan
Germany Germany
5. 2 Germany
1
France France France
Italy Italy
a 3 Italy
d
UK UK UK
Canada Canada
sh i Canada
o
-4.0e-11 -2.0e-11 0 2.0e-11 4.0e-11 -.1 -.05 0 .05 .1 .15 -.002 0 .002 .004 .006
Y
Interceptos Aleatórios por País Inclinação Aleatória - Tangible Assets Inclinação Aleatória - Market to Book
s h i
su
United States United States
At
Japan Japan
Germany Germany
l o
France
e
France
c
Italy Italy
ar UK UK
M
Canada Canada
-4 -2 0 2 4 -3 -2 -1 0 1 2
Inclinação Aleatória - Log Sales Inclinação Aleatória - ROA
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 29
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Desafios em Modelagem Multinível
5 1
0 9 8-
23.
7
Interações Profundas e
15 .
Capacidade de Processamento
a 3Estimação de
i d modelos com a
Métodos de Estimação dos
o sh melhor aderência
Parâmetros
i Y possível entre os
s h valores reais e
t
Clusterização da Amostra
A su previstos
e l o
ar c
M Andrew Gelman
Multilevel Conference, 31 Out 2015, Columbia University, NYC.
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 30
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
MODELAGEM MULTINÍVEL
- 5 1
NO 0 9 8
7 3 .
5. 2
3 1
i da
o sh
i Y
u s h
A t s
e l o
ar c
M
32
Modelagem HLM2
5 1
Modelo Nulo
0 9 8-
2 7 3.
15 .
𝑑𝑒𝑠𝑒𝑚𝑝𝑒𝑛ℎ𝑜 = 𝛽 + 𝜀 3
Nível
Nível1 1
i da 𝑖𝑗 0𝑗 𝑖𝑗
o sh Substituindo...
LINHA 390
𝛽 = 𝛾 +Y𝜈
DO SCRIPT
Nível 2
s h i 0𝑗 00 0𝑗
t s u
o A
c e
Substituindo...l 𝑑𝑒𝑠𝑒𝑚𝑝𝑒𝑛ℎ𝑜 = 𝛾 + 𝑣 + 𝜀
a r 𝑖𝑗 00 0𝑗 𝑖𝑗
M
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor.
33
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelagem HLM2
5 1
Modelo com Interceptos Aleatórios
0 9 8-
27 3.
1 5.
a 3
𝑑𝑒𝑠𝑒𝑚𝑝𝑒𝑛ℎ𝑜 = 𝛽 + 𝛽 . horas +𝜀
Nível 1
h i d 𝑖𝑗 0𝑗 1𝑗 𝑖𝑗 𝑖𝑗
𝛽 = 𝛾 + 𝜈 Yo
s LINHA 441
Nível 2
𝛽 =𝛾 s
0𝑗
h i 00 0𝑗
DO SCRIPT
t s u 1𝑗 10
o A
r c el 𝑑𝑒𝑠𝑒𝑚𝑝𝑒𝑛ℎ𝑜 = 𝛾 + 𝛾 . horas + 𝜈 + 𝜀𝑖𝑗
M a
Substituindo... 𝑖𝑗 00 10 𝑖𝑗 0𝑗
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor.
34
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelagem HLM2
- 5 1
0
Modelo com Interceptos e Inclinações Aleatórios 9 8
7 3 .
5 . 2
𝑑𝑒𝑠𝑒𝑚𝑝𝑒𝑛ℎ𝑜 = 𝛽 + 𝛽 . horas3 1
Nível 1
i da +𝜀 𝑖𝑗 0𝑗 1𝑗 𝑖𝑗 𝑖𝑗
o sh LINHA 480
Nível 2 𝛽 =𝛾 +𝜈
i Y 0𝑗 00
DO SCRIPT
0𝑗
𝛽 = 𝛾 s+
u h𝜈
s
1𝑗 10 1𝑗
A t
l o
Substituindo...ce 𝑑𝑒𝑠𝑒𝑚𝑝𝑒𝑛ℎ𝑜 = 𝛾 + 𝛾 . horas + 𝜈 + 𝜈 . ℎ𝑜𝑟𝑎𝑠 + 𝜀
a r 𝑖𝑗 00 10 𝑖𝑗 0𝑗 1𝑗 𝑖𝑗 𝑖𝑗
M
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor.
35
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelagem HLM2
5 1
Modelo Final HLM2
0 9 8-
27 3.
15 .
Nível 1
a 3
𝑑𝑒𝑠𝑒𝑚𝑝𝑒𝑛ℎ𝑜 = 𝛽 + 𝛽 . horas +𝜀 𝑖𝑗 0𝑗 1𝑗 𝑖𝑗 𝑖𝑗
i d
𝛽 = 𝛾 + 𝛾 .texpsh
LINHA 521
Nível 2 0𝑗
Y o +ν 00 01 𝑗 0𝑗 DO SCRIPT
𝛽 = 𝛾 +h𝛾i .texp + v
s u
1𝑗
s 10 11 𝑗 1𝑗
A t
o
el 𝑑𝑒𝑠𝑒𝑚𝑝𝑒𝑛ℎ𝑜 = 𝛾 + 𝛾 . horas + 𝛾 .texp
Substituindo...
ar c 𝑖𝑗 00 10
+ 𝜈0𝑗 + v1𝑗 . horas𝑖𝑗 + 𝜀𝑖𝑗
𝑖𝑗 01 𝑗 +γ11 .texp𝑗 . horas𝑖𝑗
M
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor.
36
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
HLM2 x OLS
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 37
37
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
MUITO Prof. Dr. Luiz Paulo Fávero
Professor Titular de Data Science & Analytics da USP
OBRIGADO!
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 38
38
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
SUPERVISED MACHINE LEARNING:
MODELAGEM MULTINÍVEL II
7
1 2 ... T1 1 2 ... T2 ... 1 2 ... TJ
2
Nível
(Nível 11)
15.
a 3
i d
sh
Yo
Indivíduo
Indivíduo j ..........
1 2 J
Nível
(Nível22)
h i
t s us
o A
ce l
Grupo
Grupo kk
Nível
(Nível 33)
ar 1 ................. K
M
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 4
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelagem HLM3 com Medidas Repetidas
5 1
Modelo Nulo
0 9 8-
27 3.
15.
Nível 1 𝑑𝑒𝑠𝑒𝑚𝑝𝑒𝑛ℎ𝑜tjk = 𝛽 jk + 𝜀tjk
a 3 0
i d LINHA 307
+ 𝜈 jksh
Nível 2 𝛽 jk = 𝛾0
Y o 00𝑘 0
DO SCRIPT
h i
𝛿s + 𝜏
Nível 3 𝛾
t s=u00𝑘 000 00𝑘
e l oA
Substituindo...
ar c 𝑑𝑒𝑠𝑒𝑚𝑝𝑒𝑛ℎ𝑜tjk = 𝛿000 + 𝜈0jk + 𝜏00𝑘 + 𝜀tjk
M
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 5
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Modelagem HLM3 com Medidas Repetidas
Substituindo... desempenhotjk = 𝛿000 + 𝛿100 . 𝑚𝑒𝑠jk + 𝛿010 .𝑎𝑡𝑖𝑣jk + 𝛿001 .texp𝑘 +δ110 . ati𝑣jk . 𝑚𝑒𝑠jk +
𝛿101 .texp𝑘 . 𝑚𝑒𝑠jk + 𝜈0jk + 𝜈1jk . 𝑚𝑒𝑠jk +𝜏00𝑘 +𝜏10𝑘 . 𝑚𝑒𝑠jk + 𝜀tjk
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 7
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
HLM3 com Medidas Repetidas x OLS
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 8
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
FINALIZANDO...
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 9
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
Reflexão Multinível
5 1
“Devemos expandir o círculo do nosso amor até que
0 9 8-
ele englobe todo o nosso bairro; do bairro, por sua vez,
27 3.
15.
deve desdobrar-se para toda a cidade; da cidade para
a 3
o estado, e assim, sucessivamente, até que o objeto do i d
o sh
nosso amor inclua todo o universo.”
i Y
s h
A t su
e l o
ar c Mahatma Gandhi
(1869 – 1948)
M
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 10
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
5 1
0 9 8-
“Nada na vida deve ser temido, apenas
27 3.
compreendido. Entretanto, ninguém disse que o
15.
caminho do progresso seria rápido e fácil. Agora é
a 3
hora de compreendermos mais, temermos
i d
menos, e trabalharmos para nosso próprio
o sh
aperfeiçoamento, com responsabilidade coletiva
i Y
s h
su
por toda a humanidade.”
A t
e l o Marie Curie
ar c (1867-1934)
Nobel de Física – 1903
M Nobel de Química – 1911
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 11
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
MUITO Prof. Dr. Luiz Paulo Fávero
Professor Titular de Data Science & Analytics da USP
OBRIGADO!
* A responsabilidade pela idoneidade, originalidade e licitude dos conteúdos didáticos apresentados é do professor. 12
É proibida a reprodução, total ou parcial, sem autorização. Lei nº 9610/98.
BIG DATA E DEPLOYMENT DE
MODELOS
2
Vamos desenvolver um modelo
Código do
modelo
Banco de
dados
Fit do modelo
Deploy do
modelo
3
E se?
Organização/Empresa
Código do
modelo
Banco de
dados
Fit do
modelo
Deploy do
modelo
4
E se?
Organização/Empresa
Código do
modelo
Fit do
Banco de dados modelo
Deploy do
modelo
5
E se?
Organização/Empresa
Código do
Banco de
dados
modelo
Fit do
Banco de
dados modelo
Banco de Deploy do
dados
modelo
6
E se?
Organização/Empresa
Código do
Banco de
dados
modelo
Fit do
Banco de
dados modelo
Banco de Deploy do
dados
modelo
7
E se?
Organização/Empresa
Código do
Novos dados Banco de
dados
modelo
Fit do
Novos dados Banco de
dados modelo
Novos dados
Banco de Deploy do
dados
modelo
8
Alguns problemas encontrados...
9
Pensando nos problemas 1,2 e 3
Possibilidades
E... Custo...
Complexidade
10
Entrando no mundo do Big Data
• É uma ferramenta?
• É só ter grandes volumes de dados?
• Eu já tenho isso na minha organização/empresa?
11
Big Data: Os 5V
Fonte: https://www.cortex-intelligence.com/blog/os-5-vs-do-big-data
12
Por onde começar?
13
Implementando um Data Lake
14
Estratégias e boas práticas
5 1
0 9 8-
73 .
Performance 5 .2
31
a 1. Usar um framework de big data
h i d
s
i Yo 2. Comprimir os dados
u sh
Ats 3. Particionar os dados
oel
c
ar Custos
M
15
Usar um framework de big data
• Spark
• Processamento distribuído em memória
• Ferramenta open source
• Possui biblioteca built-in de Machine Learning
Fonte: https://spark.apache.org/docs/1.1.0/cluster-overview.html
16
Compressão de dados
Fonte: https://www.databricks.com/glossary/what-is-parquet
... Até 99% de redução de custos
17
Particionar os dados
.../tabela_de_vendas/
Tempo de consulta
.../tabela_de_vendas/ano=2022
.../tabela_de_vendas/ano=2022/mes=8
18
Pensando no quarto problema...
Modelo API
Aplicação
19
O que é uma API?
(Application Programming Interface)
Fonte: https://www.manutan.com/blog/en/glossary/api-definition-and-application-in-procurement
20
Na prática...
Requisição - Usuário
https://dominio/api/v1/modelo_atrasos/origem=Brazil/destino=Canada
Resposta - Servidor
{
“origem": “Brazil",
“destino": “Canadá",
“atraso": 420,
}
21
E o modelo?
Ats
el o
ar c
M
Deploy
23
Voltando para o nosso ambiente
Dados
Dados
ETL
24
Entendendo o MLFlow
Organização
API
Modelos
Fonte: https://bytepawn.com/getting-started-with-mlflow.html
25
E os novos dados que chegam ao
longo do tempo?
• Orquestração de tarefas
26
E os novos dados ao longo do
tempo?
https://airflow.apache.org/docs/apache-airflow/stable/concepts/dags.html
27
E os novos dados ao longo do
tempo?
5 1
Agendado para todo dia às 2 da manhã
0 9 8-
73 .
5 .2
a 31
h i d
s
i YoDados consolidados
Dados brutos
u sh
At s
el o
ar c ETL
M
https://airflow.apache.org/docs/apache-airflow/stable/concepts/dags.html
28
E a atualização dos modelos com
os novos dados?
https://airflow.apache.org/docs/apache-airflow/stable/concepts/dags.html
29
Lembram da antiga consulta ao
modelo via API?
Utilizando um modelo de predição de atrasos de voo...
Requisição - Usuário
https://dominio/api/v1/modelo_atrasos/origem=Brazil/destino=Canada
Resposta - Servidor
{
“origem": “Brazil",
“destino": “Canadá",
“atraso": 420,
}
30
... Mesma consulta um mês
depois
Utilizando um modelo de predição de atrasos de vôo...
Requisição - Usuário
https://dominio/api/v1/modelo_atrasos/origem=Brazil/destino=Canada
Resposta - Servidor
{
“origem": “Brazil",
“destino": “Canadá",
“atraso": 360,
}
31
Revisitando nosso cenário inicial
Código do
modelo
Banco de
dados
Fit do modelo
Deploy do
modelo
32
Possível cenário com suporte a
Big Data e Deployment de
modelos
Arquitetura básica de um Datalake
Dados
API
Dados Dados Dados Dados
Modelos
brutos consolidados prontos
Dados
ETL
33
Mãos à obra!
34
5 1
0 9 8-
73 .
5 .2
31
OBRIGADO!
h i d a
os
i Y
linkedin.com/in/helderprado
u sh
At s
e l o
ar c
M
35
BIG DATA E DEPLOYMENT DE
MODELOS II
2
Voltando ao nosso cenário
Código do
modelo
Banco de
dados
Fit do modelo
Deploy do
modelo
3
Como disponibilizar modelos?
5 1
0 9 8-
Código do
7 3 .
modelo 15.2
Banco de dados 3 a
h i d
s
YFito do
i
u sh
Ats modelo
elo
ar c Deploy do
M
modelo
4
CRISP-DM
Metodologia de processo
Fonte: https://www.escoladnc.com.br/blog/data-science/metodologia-crisp-dm/
5
E o modelo?
6
Ciclo de vida dos modelos
5 1
Versão81-
Fit do
. 0 9 - Arquivado
modelo
2 7 3
1 5 .
a 3
h i d
os
Preparação
i Y
h
Deploy Versão 2 - Arquivado
dos dados
s u s
t
el oA
ar c
M Dados Versão 3 - Em produção
brutos
7
Conhecendo o MLFlow
API
Modelos
Fonte: https://bytepawn.com/getting-started-with-mlflow.html
8
Pensando em disponibilizar
o modelo...
• E se eu quiser que alguém use meu modelo?
Deploy
Modelo API
Aplicação
9
O que é uma API?
(Application Programming Interface)
Fonte: https://www.manutan.com/blog/en/glossary/api-definition-and-application-in-procurement
10
Na prática...
Requisição - Usuário
https://dominio/api/v1/modelo_atrasos/origem=Brazil/destino=Canada
Resposta - Servidor
{
“origem": “Brazil",
“destino": “Canadá",
“atraso": 420,
}
11
Mãos à obra!
12
5 1
0 9 8-
73 .
5 .2
31
OBRIGADO!
h i d a
os
i Y
linkedin.com/in/helderprado
u sh
At s
e l o
ar c
M
13
SÉRIES TEMPORAIS
Prof. Fabiano Guasti Lima
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados é do professor.
2
SÉRIES TEMPORAIS
3
Referências
https://www.msperlin.com/adfeR/ https://otexts.com/fpp3/
4
Referências
5
SÉRIES TEMPORAIS
Conjunto de observações ordenadas no tempo.
Xt tn=1 = X1, X 2,, X n
Se n>=50, chama-se sucessão cronológica.
- Ordem: dependência de ordem!
6
ELEMENTOS DE UMA SÉRIE TEMPORAL
Unidade
MEDIDA FATO
de tempo
8
Exemplos Séries Temporais
Fonte: https://www.gov.br/anac/pt-br/assuntos/dados-e-estatisticas/dados-estatisticos/dados-estatisticos
9
Exemplos Séries Temporais
Fonte: http://sidc.be/silso/infosnmtot
11
Exemplo Séries Temporais
12
Exemplos Séries Temporais
13
Exemplos Séries Temporais
14
Objetivos do Estudo de Séries de Tempo
Investigação do
Fazer previsões de
mecanismo que gera a
valores futuros da série
série temporal
Objetivos das
análises de
séries temporais
Descrever apenas o
Procurar periodicidades
comportamento da
relevantes nos dados
série
15
Histórico...
16
Séries Temporais
Todos os modelos
estão errados, mas
alguns são úteis.
17
Classificação das Séries Temporais
18
Classificação das Séries Temporais
19
Métodos Estudados
ARIMA
Drift Decomposição
20
Métodos SIMPLES
21
Métodos SIMPLES
• NAIVE: Projeta o último valor para o futuro
22
Métodos SIMPLES
• NAIVE SAZONAL: Projeta o último período sazonal
23
Métodos SIMPLES
• MÉDIA: média de toda a série
24
Métodos SIMPLES
• DRIFT: equivale a traçar uma reta entre o primeiro e o último ponto
25
Estatísticas de Erro das Previsões
• ME: Mean Error – É a média da diferença entre realizado
e o previsto.
𝑒𝑟𝑟𝑜𝑡 = 𝑋𝑡 − 𝑋𝑡
σℎ𝑡=1 𝑒𝑟𝑟𝑜𝑡
𝑀𝐸 =
ℎ
• MAE: Mean Absolute Error – É a média da diferença
absoluta entre realizado e previsto
σℎ𝑡=1 𝑒𝑟𝑟𝑜𝑡
𝑀𝐴𝐸 =
ℎ
26
Estatísticas de Erro das Previsões
σℎ𝑡=1 𝑒𝑟𝑟𝑜𝑡 2
𝑅𝑀𝑆𝐸 =
ℎ
27
Estatísticas de Erro das Previsões
• MPE: Mean Percentage Error – É a diferença percentual
do erro.
ℎ 𝑒𝑟𝑟𝑜𝑡
σ𝑡=1
𝑋𝑡
𝑀𝑃𝐸 = × 100%
ℎ
2
𝑋𝑡+1 − 𝑋𝑡+1
σℎ𝑡=1
𝑋𝑡
𝑇ℎ𝑒𝑖𝑙´𝑠 𝑈 = 2
𝑋𝑡+1 − 𝑋𝑡
σℎ𝑡=1
𝑋𝑡
29
Estatísticas de Erro das Previsões
• ACF1: First-Order Autocorrelation Function –
Aucorrelação dos resíduos.
𝑐𝑜𝑣(𝑅𝑖𝑡 , 𝑅𝑖,𝑡−𝑘 )
𝐴𝐶𝐹𝑘 =
𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎(𝑅𝑖𝑡 )
30
Métodos CLÁSSICOS
31
Médias Móveis
Fonte: https://covid.saude.gov.br/
32
Componentes de uma série temporal
33
Série com tendência e sazonalidade
Sazonais
2004
Tendência
2005
2006
34
Série com ciclo
Ciclos
35
Série com tendência, sazonalidade
e variações cíclicas
• MULTIPLICATIVO
• ADITIVO
36
Aditivo
Y = T+C+S+E
• Y - valor da série no instante t
• T - componente de tendência para o instante t
• C - componente cíclica para o instante t
• S - componente sazonal para o instante t
• E - componente aleatória para o instante t
37
Multiplicativo
Y = T*C*S*E
• Y - valor da série no instante t
• T - componente de tendência para o instante t
• C - componente cíclica para o instante t
• S - componente sazonal para o instante t
• E - componente aleatória para o instante t
38
Modelo Multiplicativo
700
600
500
400
300
200
100
0
0 10 20 30 40 50 60
39
Modelo Aditivo
10000
8000
6000
4000
2000
0
0 10 20 30 40 50 60
40
Modelos de Suavização
Exponencial (SES)
41
Suavização Exponencial Simples (SES)
42
Suavização Exponencial Simples
(SES) – Previsão
Erro para h = 1
𝑆𝐸ℎ = 𝑆𝐸 × 1 + ℎ − 1 . 𝛼 2
43
Suavização Exponencial de Holt (SEH)
• Para Séries temporais com tendência linear
44
Suavização Exponencial de Holt
(SEH) – Previsão
45
Suavização Exponencial de Holt
(SEH) – Previsão
𝑋𝑡 ℎ = 𝑋𝑡 ± 𝑍𝛼Τ2 . 𝑆𝐸(ℎ)
𝑆𝐸 ℎ = SE. 1 + 𝑘. 𝛼 2
ℎ
2
𝑘 = 1 + 𝛽. (𝑖 − 1)
𝑖=2
46
Suavização Exponencial de
Holt-Winters (HW - Aditivo)
• Para Séries temporais com comportamento sazonal (c=período sazonal).
• Modelo Aditivo
ℎ−1
𝑆𝐸 ℎ = SE. 1 + 𝜑𝑖2
𝑖=1
𝛼 1 + 𝛽𝑖 , 𝑐 ≠ 𝑖 − 1
𝜑𝑖 = ቊ
𝛼 1 + 𝛽𝑖 + 𝛾 1 − 𝛼 , 𝑐 = 𝑖 − 1
48
Suavização Exponencial de Holt-
Winters (HW - Multiplicativo)
• Para Séries temporais com comportamento sazonal (c=período sazonal).
• Modelo Multiplicativo
Ad Aditivo Amortecido
Md Multiplicativo Amortecido
50
Modelos de Séries Temporais
• Série Estacionária: movimento de tendência não é
significativo ao longo do tempo.
51
MODELOS A R I M A
53
Tipos de Modelos – ARIMA
não Sazonal
54
Modelos ARIMA
ARIMA
(p,d,q)
q: ordem da média móvel
d: grau de diferenciação
p: ordem da parte autorregressiva
55
Modelos ARIMA
• p = 1, significa que uma determinada observação pode ser explicada pela
observação prévio + erro
• p = 2, significa que uma determinada observação pode ser explicada por duas
observação prévias + erro
• q = 1, significa que uma determinada observação pode ser explicada pelo erro da
observação prévia
• q = 2, significa que uma determinada observação pode ser explicada pelo erro de
duas observações prévias.
56
Modelos ARIMA
• AR(1) ou ARIMA(1,0,0) – Apenas elemento auto-regressivo de 1ª ordem
• AR(2) ou ARIMA(2,0,0) – Apenas elemento auto-regressivo de 2ª ordem
57
Modelos ARIMA – Como definir
os valores de p, d, e q
• p: ordem da parte autorregressiva: PACF
• d: grau de diferenciação – Teste de Estacionariedade
• q: ordem da média móvel: ACF
58
Escolha dos Modelos
• Critério de AIC – Critério de Informação de Akaike
• O AIC estima a quantidade relativa de informações perdidas por um determinado modelo:
quanto menos informações um modelo perde, maior a qualidade desse modelo e menor a
pontuação AIC.
59
Modelos ARIMA
• Série Estacionária: média e a autocovariância são constantes no tempo.
• Formas detectar estacionariedade:
• Gráfico ACF da série (processo não estacionário apresenta lento decaimento da sua função
de autocorrelação.
• Série com tendência é o motivo mais comum para não estacionariedade
60
Modelos Simulados
AR ( 1)
X t = 0,8 X t −1 + t
MA ( 1)
X t = −0,3 t −1 + t
ARMA ( 1,1)
X t = −0,8 X t −1 − 0,3t −1 + t
61
Exemplo: Processo AR(1) de baixa frequência
100
Y(t) = 0,95 x Y(t-1) + u(t)
80
60
40
20
-20
Sorteios i.i.d. N(0,1)
-40
62
Exemplo: Processo AR(1) de baixa frequência
80
15
30
10
-20
-120
0
-170
-5 -220
63
Exemplo: Processo AR(12):
35
30
25
20
15
10
Sorteios i.i.d. N(0,1)
5
-5
64
Modelos Auto-regressivos (AR)
• Os valores correntes de uma série Yt dependem apenas
de seus valores passados e dos erros aleatórios.
Modelo AR(1)
Yt = φ1Yt-1 + εt
65
Teste de Estacionariedade
[...] um processo estocástico é estacionário se suas média e
variância forem constantes ao longo do tempo e o valor da
covariância entre dois períodos de tempo depender apenas da
distância ou defasagem entre os dois períodos, e não do
período de tempo efetivo em que a covariância é calculada
(ENDERS, 2003).
66
Teste de Estacionariedade
Teste de Dickey-Fuller
Teste feito porque não se sabe se a série temporal possui mais de
uma raiz unitária, pois o número de termos de diferenças defasadas
é, muitas vezes, determinado empiricamente.
Teste PP – Phillips-Perron
H 0 : a série não é estacionária (apresenta raiz unitária)
H1 : a série é estacionária (sem raiz unitária)
67
Autocorrelação
68
Autocorrelação
É o coeficiente de correlação entre observações
defasadas no tempo:
n −1
( x − x )( x
t 1 t +1 − x2 )
r1 = t =1
n −1
t 1 t +1 2
( x
t =1
− x ) 2
( x − x ) 2
69
Função de Autocorrelação FAC(k)
( x − x )( x
t t +k − x)
rk = FAC (k ) = t =1
n −1
t
( x
t =1
− x ) 2
70
Correlogramas
• FAC (ACF) – Função de Autocorrelação
• Mostra as autocorrelações em uma série temporal
• Linhas mostram significância (intervalo de confiança)
• A 1ª autocorrelação é igual a 1. Cada traço do gráfico mostra uma defasagem e uma
correlação (autocorrelação).
• FACP (PACF) – Função de Autocorrelação Parcial
• Mede a autocorrelação não entre lags mas entre diferentes intervalos.
71
FAC dos Modelos Simulados
72
Características da FAC
Padrão típico da FAC Padrão típico da FACP
AR(p) Decai exponencialmente Valores significativos, ou
para zero seja, não nulos, até a
ou com padrão de onda defasagem p
senoidal amortecida, ou
ambos.
73
Metodologia de Box-Jenkins
Etapas Processo
74
Modelo ARIMA(p,d,q)
Pode-se pensar num modelo ARIMA como uma função de regressão
populacional para Yt em que há apenas 2 tipos de “variáveis
explicativas”:
(1) Valores passados de Yt → A parte “autorregressiva”.
(2) Valores presente e passados do distúrbio normal ut (ou
“inovação”) → A parte de “médias móveis”.
75
Modelo AR(p) - Fundamentos
• Um processo linear estacionário auto-regressivo de ordem p, ou simplesmente AR(p),
é definido como:
· Modelo MA(1): Yt = u t − 1u t −1
· Modelo ARMA(1,1): Yt = 1Yt −1 + u t − 1u t −1
77
Modelo ARIMA SAZONAL
Modelo SARIMA(p,d,q)(P,D,Q)
• Notação: SARIMA (0,0,0) (1,0,0)12
t=
Y a+
1Y
2 t−
12+e
t
• Generalizando: SARIMA(p,d,q)(P,D,Q)s
• P - número de termos auto regressivos sazonais (defasagens
no lado direito da equação)
• d – número de diferenças sazonais
• q – número de médias móveis sazonais (erros defasados no
lado direito da equação)
• s – ciclo sazonal
78
Teste de Normalidade
( X − ) 3
Assimetria A( X ) = E
3
( X − ) 4
Curtose K(X ) = E
4
Normal: A = 0 e K = 3
n 2 n
Teste de Jarque Bera (1981) JB = A + ( K − 3) 2
6 24
H 0 : série é normal JB ~ 2 ( 2)
79
OBRIGADO!
linkedin.com/in/fabiano-guasti-lima-b9830282
80
DATA WRANGLING
2
Preparação de Dados no R
3
Data wrangling
• Portanto, dado que há uma ou mais bases de dados em mãos, é uma etapa de
preparação, organização, manipulação do banco de dados
• https://dplyr.tidyverse.org/
• https://github.com/rstudio/cheatsheets/blob/master/data-transformation.pdf
• Wickham, H. & Grolemund, G. R for Data Science: https://r4ds.had.co.nz/index.html
5
Data wrangling
6
Iterações com Pacote “purrr”
7
purrr (tidyverse)
• Para simplificar operações que precisam ser repetidas muitas vezes, como a
aplicação de certa função em diversas variáveis do banco de dados
9
R Markdown
• Introdução ao R Markdown
• Formatação básica do texto
• Inserção de fórmulas
• Chunks
• Gerando outputs (HTML; PDF, DOC)
• https://rmarkdown.rstudio.com/index.html
10
Referências
11
OBRIGADO!
linkedin.com/in/wilson-tarantin-junior-359476190/
12
DATA WRANGLING
2
Projetos de Data Science & Analytics no GitHub
3
Git
4
Github
5
Git: configuração inicial
6
Git e Github
• Add e Commit
7
Git e Github
• Push
• Na primeira vez que for feito, solicitará a conexão inicial com o Github!
8
Git e Github: conexão inicial
9
Git e Github: conexão inicial
10
Git e Github: conexão inicial
11
Git e Github
• Pode ser útil trazer para seu computador arquivos que estão no Github
• Uma forma de “baixar” tais arquivos é por meio da função clone
15
Git e Github
16
Git, Github e RStudio
• Também é possível fazer o pull dos arquivos do repositório que foi indicado
17
Criação de Projects e Scripts R Markdown
18
R Markdown
• Introdução ao R Markdown
• Formatação básica do texto
• Inserção de fórmulas
• Chunks
• Gerando outputs (HTML; PDF, DOC)
• https://rmarkdown.rstudio.com/index.html
19
OBRIGADO!
linkedin.com/in/wilson-tarantin-junior-359476190/
20
ÁRVORES, REDES E ENSEMBLE
MODELS I
João F. Serrajordia R. de Mello
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados é do professor.
2
Apresentação
João Fernando Serrajordia Rocha de Mello – (Juka)
Trajetória profissional
Acadêmico
IME
3
O que vamos
aprender?
• Árvores de decisão
• Ensemble
• Bagging (Random Forest)
• Boosting (Gradient Boosting)
• Princípios de validação
cruzada
• Introdução a Redes Neurais
4
Agenda de
hoje
• Conceituação
• Árvores de decisão
• Aplicações
• O que é, como roda etc...
• Detalhes operacionais (base etc.)
• Algoritmo
• Como avaliar?
• Problemas comuns
5
Vamos discutir...
O que é aprendizado de máquina
(o machine learning)?
6
O que é Machine
Learning?
• É um ramo da Inteligência Artificial?
• Calma... O que é Inteligência Artificial
afinal de contas?
7
Definição mais ‘mundana’
Senso comum:
Inteligência artificial é a área que estuda a implementação de atividades realizadas
por máquinas, que anteriormente eram realizadas por humanos.
Dicionário Oxford:
“the theory and development of computer systems able to perform tasks that
“a teoria
normally e o desenvolvimento
require de sistemas
human intelligence, computacionais
such as visual perception,capazes de executar
speech recognition,
tarefas que normalmente
decision-making, requerem
and translation betweeninteligência humana, como percepção visual,
languages.”
reconhecimento de fala, tomada de decisão e tradução entre idiomas.”
8
Definição do MIT
• “A inteligência artificial é a capacidade dos
computadores de imitar funções cognitivas
humanas, como aprendizado e solução de
problemas. Por meio da IA, um sistema de
computador usa matemática e lógica para simular
o raciocínio que as pessoas usam para aprender
com novas informações e tomar decisões.”
https://mitsloan.mit.edu/
9
Definição acadêmica
10
Vamos discutir...
E o que é aprendizado de máquina…?
11
11
Aprendizado de
máquina
• Jake Van Der Plas:
• Ajuda mais pensar no machine learning
como uma forma de construir modelos
sobre dados.
• Envolve a construção de modelos
matemáticos para entender dados.
• O “aprendizado” entra na possibilidade de
se obter parâmetros reguláveis que podem
ser adequados aos dados observados.
https://jakevdp.github.io/PythonDataScience
Handbook/05.01-what-is-machine-
learning.html
12
Você vai precisar de...
Preparativos
• Abrir o R
• Importar as bibliotecas
• Planilha eletrônica
• Algo para fazer suas anotações
13
Árvores de
decisão
14
Árvores de decisão:
Onde vivem?
O que são?
O que comem?
Predadores naturais
15
Aplicações
Qual a eficácia de uma vacina? O cliente vai pagar o empréstimo? Quanto de petróleo tem no poço?
O cliente vai comprar meu produto? O que a pessoa está fazendo? Quão ecológico esse veículo é?
16
CRISP-DM
Fonte: https://www.the-modeling-agency.com/crisp-dm.pdf
17
Modelos preditivos
Como é isso?
18
Desenho de safra (ou coorte)
Ponto de observação
(data de referência)
tempo
19
Estrutura da base de dados
20
Desenho amostral
tempo
21
Desenho amostral
tempo
22
Previsão do modelo - treinamento
23
Previsão do modelo - aplicação
tempo
Hoje
ID_cliente Idade Renda Tempo de emprego Negativado_Bureau ... Inadimplente_em_12m Prob(Inad_12)
2064492 57 78774 10 0 ... 0 26,4%
8858083 63 99559 4 1 ... 0 39,4%
6937124 41 49791 2 0 ... 1 93,6%
7352807 42 15314 8 0 ... 0 34,1%
5088775 31 73199 4 0 ... 1 97,4%
Na aplicação, não temos a marcação de inadimplência, mas temos a probabilidade dada pelo modelo.
Essa é a PREVISÃO do modelo.
24
Desenho clássico
25
Desenho do modelo
Desenho clássico:
12 a 15 safras / coortes
12 meses de desempenho
26
Árvores de decisão:
Onde vivem?
O que são?
O que comem?
Predadores naturais
27
Classificação dos algoritmos
Paradigma Paradigma
Machinelârnico Estatístico
- Árvores de decisão
- Regressão
- Bagging
- GLM
- Boosting
- GLMM
- K-NN
- ANOVA
- Redes Neurais
- Support Vector Machines
Estamos aqui!
28
Machine • Machine learning • Paradigma
• Apenas busca padrões estatístico
learning vs nos dados • Supõe estrutura
• Busca que sejam probabilística
estatística generalizáveis • Avalia as suposições
• Mede o erro de forma • Faz inferência
pragmática
29
Classificação dos algoritmos
Estamos aqui!
30
Classificação dos algoritmos
Estamos aqui!
31
Nosso problema: classificar sobreviventes
Imagem: https://commons.wikimedia.org/wiki/File:Sea_Trials_of_RMS_Titanic,_2nd_of_April_1912.jpg
32
32
Reflexões sobre a base de dados
População Amostra
33
Objetivos do algoritmo
de Machine Learning
• Classificar da melhor forma possível a variável
resposta
• ... Através de segmentações
• ... Usando as variáveis explicativas
• Obter insights
• ... Das relações entre a variável resposta e as
explicativas
• ... Explorar interações
34
OMML1_script01-Primeiro_contato_com_arvores.R
35
O que é uma árvore de decisão?
A árvore de decisão é:
36
O que é uma árvore de decisão?
37
O que é uma árvore de decisão?
38
O que é uma árvore de decisão?
39
O que é uma árvore de decisão?
40
Vamos experimentar??
41
Vamos experimentar??
42
Vamos experimentar??
Taxa de sobreviventes
% da amostra
43
Vamos experimentar??
Taxa de sobreviventes
% da amostra
44
Vamos experimentar??
Taxa de sobreviventes
% da amostra
45
Árvores de decisão:
Onde vivem?
O que são?
O que comem?
Predadores naturais
46
Qual é ‘melhor’?
47
E agora?
48
Medida de “informação”
• Precisamos de uma métrica para ajudar a decidir qual variável agrega
mais informação.
• Vamos dizer que se todas as observações são idênticas em um grupo,
esse grupo tem “pureza” total.
• Quanto mais heterogêneo o grupo, maior será a “impureza”.
• Vamos então definir quantitativamente o que é “impureza”:
49
Definições de impureza
• Gini
• Entropia de Shannon
50
Índice de Gini
𝐽
𝐼𝑔 𝑝 = 1 − 𝑝𝑖2
𝑖=1
51
Entropia
𝐽
𝐻 = − 𝑝𝑖 log 2 (𝑝𝑖 )
𝑖=1
Ganho de informação:
52
Algoritmo básico
1. Para cada variável, buscar a melhor regra binária
2. Escolher aplicar melhor segmentação dentre todas as variáveis
3. Recursivamente, para cada folha, repetir os passos 1 e 2 até que
uma regra de parada seja atingida
https://rawgit.com/longhowlam/titanicTree/master/tree.html
53
Hiperparâmetros
São parâmetros que controlam o algoritmo como:
1. Número mínimo de observações por folha
2. Profundidade máxima
3. CP – Custo de complexidade
54
Custo de complexidade
Custo de
Baixo Médio Alto
Complexidade
Complexidade
Alta Média Baixa
resultante
55
Over fitting / Under fitting
http://mlwiki.org/index.php/Overfitting
56
Cross validation
Amostra total disponível Amostra
de treino
O modelo é desenvolvido aqui
57
Árvores de decisão:
5 1
0 9 8-
Onde vivem? 73 .
5 .2
31
sh ida
O que são?
Yoi
u shO que comem?
Ats
elo
ar c Predadores naturais
M
58
O que é
Como evitar
59
Overfitting
• Overfitting é o fenômeno do
modelo se ajustando a
características muito particulares
de amostra que não se repetirão
em outras amostras.
60
A árvore como um classificador
Requisitos:
Ter todas as variáveis.
61
A árvore como um classificador
𝑁𝑓𝑠
𝑃 𝑆|𝐹 =
𝑁𝑓
62
A árvore como um classificador
Classificação:
Classificação padrão:
0 484 96
1 65 246
63
Avaliação do modelo
• Acurácia:
0 484 96
1 65 246
No exemplo:
484 + 246
= 82%
891
64
Árvore como diagnóstico
𝑇𝑃 246
Sensitividade: 𝐹𝑁+𝑇𝑃 = 246+96 = 72%
𝑇𝑁 484
Especificidade: 𝑇𝑁+𝐹𝑃 = 484+65 = 72%
0 484 96 0 TN FN
1 65 246 1 FP TP
65
Diagnóstico e pontos de corte
66
Curva ROC
Corte 1-Especificidade Sensibilidade 120%
Sensitividade
11,1% - 11,5% 96% 99% 80%
11,5% - 35,8% 26% 85% 60%
35,8% - 58,9% 12% 72% 40%
58,9% - 66,7% 3% 52% 20%
66,7% - 94,7% 2% 47%
0%
94,7% - 100% 0% 0% 0% 20% 40% 60% 80% 100% 120%
1-Especificidade
A curva ROC é um gráfico de dispersão de 1-Especificidade no eixo x por Sensibilidade no eixo y, obtidos
para cada possível ponto de corte do classificador.
67
OMML1 _script02-Algoritmo_avaliacao_overfitting
68
Exercício para casa
script03
69
OMML1_script03_Exercício para casa
70
Conclusão
71
72
linkedin.com/in/joao-serrajordia
73
Algoritmos famosos
• CART
• CHAID
• ID3
• C4.5
• C5.0
74
Na próxima aula...
Técnicas de validação cruzada
75
Extras
76
OMML1 _script02-Algoritmo_avaliacao_overfitting
77
Poda da árvore (Prunning)
78
Estratégias de cross validation
79
K-fold Remove da amostra de treino
81
Post-prunning com crossvalidation
printcp(arvore)
O R faz a poda da árvore realizando um k-fold para otimizar o CP (complexity path), um parâmetro que
sumariza a complexidade da árvore. Isso é feito com um k-fold.
82
OBRIGADO!
linkedin.com/in/joao-serrajordia/
83
ÁRVORES, REDES E ENSEMBLE
MODELS II
João F. Serrajordia R. de Mello
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados é do professor.
2
Você vai precisar de... Preparativos
• Abrir o R
• Importar as bibliotecas
• Algo para fazer suas anotações
3
Recapitulando
rapidamente
4
Vimos conceitos...
• Machine learning
• IA
• Paradigma machinelârnico
• Nomenclaturas
5
Vimos o conceito de árvores
Taxa de sobreviventes
% da amostra
6
Falamos sobre overfitting
http://mlwiki.org/index.php/Overfitting
7
Vimos Cross validation
Amostra total disponível Amostra
de treino
O modelo é desenvolvido aqui
8
Avaliamos a árvore
Corte 1-Especificidade Sensibilidade 120%
Sensitividade
11,1% - 11,5% 96% 99% 80%
11,5% - 35,8% 26% 85% 60%
35,8% - 58,9% 12% 72% 40%
58,9% - 66,7% 3% 52% 20%
66,7% - 94,7% 2% 47%
0%
94,7% - 100% 0% 0% 0% 20% 40% 60% 80% 100% 120%
1-Especificidade
A curva ROC é um gráfico de dispersão de 1-Especificidade no eixo x por Sensibilidade no eixo y, obtidos
para cada possível ponto de corte do classificador.
9
Exercício
AREM2_exercicios_para_casa_da_aula_anterior.R
10
Agenda Exercícios
Árvores de regressão
Grid Search CV
11
Árvores de regressão
12
São muito semelhantes a
árvores de classificação
𝑺𝑸𝑬 = 𝒚𝒊 − 𝒚ෝ𝒊 𝟐
𝒊=𝟏
13
Árvores de regressão
14
E a impureza?
15
AREM2_script01_Regression_Tree.R
16
Cross validation
17
Objetivos
18
Ideia básica
1. Dividir a base em treino e teste
2. Rodar o modelo com uma configuração de hiperparâmetros na base
de treino
3. Avaliar o modelo na base de testes
4. Alterar a configuração e repetir os passos 2 e 3
19
Poda da árvore (Prunning)
20
Estratégias de cross validation
21
K-fold Remove da amostra de treino
22
K-fold
23
Post-prunning com crossvalidation
printcp(arvore)
O pacote rpart faz a poda da árvore realizando um k-fold para otimizar o CP (complexity path), um
parâmetro que sumariza a complexidade da árvore. Isso é feito com um k-fold.
24
K-fold no rpart
O “K” do K-fold
25
Modelos Ensemble:
O que comem?
Predadores naturais
26
Problemas de preditivos e de classificação
Qual a eficácia de uma vacina? O cliente vai pagar o empréstimo? Quanto de petróleo tem no poço?
O cliente vai comprar meu produto? O que a pessoa está fazendo? Quão ecológico esse veículo é?
27
CRISP-DM
Fonte: https://www.the-modeling-agency.com/crisp-dm.pdf
28
Classificação dos algoritmos
Supervisionados
- Regressão
- GLM Não supervisionados
- GLMM
- Support vector machines - K-Means
- Naive Bayes - Métodos hierárquicos
- K-nearest neighbors - Mistura Gaussiana
- Redes Neurais - DBScan
- Decision Trees - Mini-Batch-K-Means
Estamos aqui!
29
Classificação dos algoritmos
Algoritmos de regressão
Algoritmos de classificação
- Regressão
- GLM - Regressão logística
- GLMM - Classification trees
- Support vector machines - Redes Neurais
- K-nearest neighbors - GLM
- Redes Neurais - GLMM
- Regression Trees
Estamos aqui!
30
Classificação dos algoritmos
Paradigma Paradigma
machine learning estatístico
- Árvores de decisão
- Regressão
- Bagging
- GLM
- Boosting
- GLMM
- K-NN
- ANOVA
- Redes Neurais
- Support Vector Machines
Estamos aqui!
31
Ensemble
Um ensemble é qualquer mistura de modelos já existentes.
Os principais tipos são:
Bagging
Boosting
Stacking
32
Bagging é um aggregation
Mas o que é um agregation oras...
33
Ensemble - aggregation
Modelo 1 Modelo 2 Modelo 3
Um aggregation consiste em uma combinação (em geral uma média simples) das previsões de dois ou
mais modelos previamente construídos.
Objetivo: ainda que cada modelo seja um “weak learner”, a combinação pode ser um “Strong learner” ou
um preditor melhor que cada um dos integrantes.
34
Ensemble – Hard Voting
Modelo 1 Modelo 2 Modelo 3
P( | ) = 3% P( | ) = 7% P( | ) = 2%
P( | ) = 4%
Um método de agregação simples mas poderoso consiste em obter a média de várias previsões.
36
Ensemble - aggregation
Úteis
Diferentes
Queremos preditores diferentes, mas que “apontem” para a mesma variável resposta. Uma ideia seria
gerar preditores com alguma ‘perturbação’ aleatória.
37
Bootstrapping para avaliar a média
38
Bootstrapping para avaliar a média
𝑋ത1
39
Bootstrapping para avaliar a média
𝑋ത1
𝑋ത2 𝑋ത
... ത
𝐷𝑒𝑠𝑣𝑃𝑎𝑑(𝑋)
𝑋ത𝑀
40
AREM2_script02_bootstrapping.R
41
Bootstrap – aggregation (bagging)
Modelo 1
𝑃1
Modelo 2
𝑃2
...
𝑃ത
Modelo M
𝑃𝑀
42
Bootstrap – aggregation (bagging)
Árvore 1
𝑃1
Árvore 2
𝑃2
...
𝑃ത
Árvore M
𝑃𝑀
43
Random Forest
44
OMML2_script03_bagging_v2.R
45
Bagging e Pasting
Bagging Pasting
1. Retirar uma amostra aleatória com 1. Retirar uma amostra aleatória SEM
reposição de tamanho N reposição de tamanho Q<N
2. Construir o modelo nessa amostra 2. Construir o modelo nessa amostra
3. Repetir 1 e 2 M vezes 3. Repetir 1 e 2 M vezes
O bagging mais famoso é Random Forest, que é feito com árvores, daí o nome.
46
Características
Bagging
1. Roda em paralelo
2. Também classifica em paralelo
3. Costuma ter bom desempenho sem grandes ajustes
47
Perguntas que eu tinha quando aprendi
Random Forest
1. O default é fazer 500 árvores?
2. Demora muito para treinar?
3. E para aplicar a regra? Tenho que aplicar tudo isso de regra?
Demora?
4. O algoritmo guarda tudo isso de árvore?
48
Boosting
Correção sequencial de erros
49
A variável resposta de A variável resposta de
uma iteração é o ’erro’ da uma iteração é o ’erro’ da
anterior. anterior.
50
Gradient • O Gradiente Boosting é uma variação baseada em árvores
com alguns hiperparâmetros que controlam o algoritmo
Boosting
51
52
“Estique a corda demais e
54
Nome curto para Extreme
Gradient Boosting
É uma implementação do
Gradient Boosting
55
56
O que fazer com meus
novos superpoderes?
• Sugestões de prática além da aula:
• Tentar classificar atividade humana
por acelerômetro e giroscópio de
celular
https://archive.ics.uci.edu/ml/datas
ets/human+activity+recognition+usi
ng+smartphones
• Identificar doença cardíaca
https://archive.ics.uci.edu/ml/datas
ets/Heart+Disease
57
Conclusões
58
linkedin.com/in/joao-serrajordia
59
OBRIGADO!
linkedin.com/in/joao-serrajordia/
60
ÁRVORES, REDES E ENSEMBLE
MODELS III
João F. Serrajordia R. de Mello
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados é do professor.
2
Você vai precisar de... Preparativos
• Abrir o R
• Importar as bibliotecas
• Algo para fazer suas anotações
3
Agenda Exercício I (gorjetas)
Exercício II (Imóveis)
Boosting
Grid Search CV
4
Introdução
Wrap-up
5
K-fold no rpart
Essa é a variável
resposta, é ela que
queremos “prever”
6
K-fold no rpart
Essas são as
variáveis
explicativas. É com
elas que vamos
Fazer as
“previsões”
7
K-fold no rpart
O Data Frame de
treino é indicado
aqui
8
K-fold no rpart
Esse método indica
que a nossa variável
é qualitativa (no
caso, as opções são
sobreviveu = SIM ou
NÃO)
9
K-fold no rpart O RPART tem
implementado o K-fold
como método de
validação cruzada.
10
K-fold no rpart Este parâmetro espera
um objeto especial,
definido pela função
rpart.control. Esse
objeto especial define
algumas opções do
algoritmo.
11
Esta função é do
K-fold no rpart pacote rpart. Há outros
hiperparâmetros
parametrizados. Para
mais informações,
consulte o help
rodando ?rpart.control
no console.
12
K-fold no rpart
Este é o custo de
complexidade. Quanto
maior for esse valor,
mais simples será a
árvore.
13
Este hiperparâmetro
K-fold no rpart indica quantas
observações devem
haver como mínimo
para se procurar uma
quebra. Ele é um
critério de parada do
algoritmo.
14
K-fold no rpart
Este hiperparâmetro
indica a profundidade
máxima que a árvore
pode ter. Outro critério
de parada.
15
Introdução
Caso Cambridge Analytica
16
Cambridge Analytica
Dados de 50.000
Faça seu teste de usuários “voluntários” Algoritmo de
personalidade! ☺ classificação de
personalidades
Influência de 87 milhões de
comportamento usuários
17
Exercício
TIPS
18
Exercício
AREM3_script01_Ex1_aula_anterior.R
19
Exercício I – comportamento de gorjeta
Queremos entender o
comportamento de
pagamento de gorjetas em
mesas de restaurante.
20
A base
Total_bill: Total da conta
Time: Dia da semana
Tip: Gorjeta
Day: Almoço ou jantar
Sex: Sexo da pessoa que atende a mesa
Size: Quantidade de pessoas na mesa
Smoker: Indica se há fumantes na mesa
21
Primeira inspeção na variável resposta
O percentual da gorjeta
parece se concentrar entre 10
e 25%.
Há um valor discrepante na
casa dos 250%.
22
O problema com o outlier
𝑛
𝑆𝑆𝐸 = 𝑦𝑖 − 𝑦ො𝑖 2
𝑖=1
23
O problema com o outlier
Eliminando o outlier:
24
Etapa descritiva
Aparentemente garçonetes
ganham mais gorjeta que
garçons, mas a diferença é
pequena se considerarmos a
variabilidade.
25
Etapa descritiva
26
Etapa descritiva
27
Etapa descritiva
28
Etapa 2: treinar o modelo
# 2) treinar a árvore (não incluir o valor da gorjeta como explicativa)
arvore_reg <- rpart::rpart(pct_tip ~ sex
+ smoker
+ day
+ time
+ size,
data=tips,
xval=10,
control = rpart.control(cp = 0,
minsplit = 2,
maxdepth = 2)
)
29
Etapa 2: treinar o modelo
• Ao treinar o modelo, o R define as regras da árvore conforme o
algoritmo.
• Todas as informações da árvore, regras, valores de CP,
hiperparâmetros e outras informações são guardados no objeto
retornado
• Usaremos esse objeto retornado para realizar ações como calcular
previsões, e análises como plotar a árvore.
30
Visualizando a árvore
paleta <- scales::viridis_pal(begin=.75, end=1)(20)
#Visualizar a árvore
plot <- rpart.plot::rpart.plot(arvore_reg,
box.palette = paleta)
R-quadrado = 6,8%
31
Etapa 3: Tunando a árvore
• Vamos fazer uma árvore grande com o rpart
• O rpart já implementa pra nós um cross validation (k-fold)
• A função cptable do rpart nos dá os valores de cp (complexidade do
caminho) para todos os nós da árvore
• Vamos escolher o cp que minimiza o erro na validação cruzada e
treinar a árvore novamente.
32
Etapa 3: treinar uma árvore grande
Não vamos
arvore_grande <- rpart::rpart(pct_tip ~ sex restringir o
+ smoker tamanho da
árvore nesse
+ day passo
+ time
+ size,
data=tips,
xval=10,
control = rpart.control(cp = 0,
minsplit = 2,
maxdepth = 30)
)
33
Etapa 3: obtendo o CP ótimo
# Calcular o R-quadrado
metricas(predict(arvore_grande, tips), tips$pct_tip)
34
Etapa 3: obtendo o CP ótimo
35
Etapa 3: Treinar a árvore tunada
arvore_tunada <- rpart::rpart(pct_tip ~ sex
+ smoker Cp_min é a variável que
+ day contém o menor valor
para o CP obtido no
+ time passo anterior
+ size,
data=tips,
xval=20,
control = rpart.control(cp = cp_min,
minsplit = 2,
maxdepth = 30)
)
36
Queremos ‘prever’ o valor médio de residências em
O problema Boston, de acordo com características da região
37
A base
Cada linha corresponde a uma região de Boston, cada coluna traz uma característica como índice de criminalidade,
percentual da região residencial, percentual industrial, média do número de quartos, etc.
38
As variáveis
• # CRIM: Taxa de criminalidade per capita por região.
• # ZN: Proporção de terrenos residenciais divididos em lotes com mais de 25.000 pés quadrados (cerca de 2.322 metros
quadrados).
• # INDUS: Proporção de acres não comerciais por cidade.
• # CHAS: indica se o imóvel faz fronteira com o rio Charles (1 se faz fronteira, 0 caso contrário).
• # NOX: Concentração de óxidos nítricos (partes por 10 milhões).
• # RM: Média de número de quartos por habitação.
• # AGE: Proporção de unidades ocupadas pelos proprietários construídas antes de 1940.
• # DIS: Distância ponderada até cinco centros de emprego em Boston.
• # RAD: Índice de acessibilidade a rodovias radiais.
• # TAX: Taxa de imposto sobre propriedades de valor total por $10.000.
• # PTRATIO: Razão aluno-professor por cidade.
• # B: 1000(Bk - 0.63)^2, onde Bk é a proporção de pessoas de origem afro-americana por cidade.
• # LSTAT: Porcentagem de status inferior da população.
• # MEDV: Valor mediano das residências ocupadas pelos proprietários em milhares de dólares. (variável de interesse)
39
Estratégia
• Neste exercício, vamos construir uma árvore, explorando o algoritmo
e depois vamos fazer o tunning da árvore
• Em seguida vamos fazer um Random Forest, e comparar os resultados
40
AREM3_script02_ex2_aula_anterior_RandomForest.R
41
Modelos Ensemble:
O que comem?
Predadores naturais
42
Ensemble
Um ensemble é qualquer mistura de modelos já existentes.
Os principais tipos são:
Bagging
Boosting
Stacking
43
Bagging
Características (revisão)
44
Ensemble - aggregation
Modelo 1 Modelo 2 Modelo 3
P( | ) = 3% P( | ) = 7% P( | ) = 2%
45
Bootstrap – aggregation (bagging)
Modelo 1
𝑃1
Modelo 2
𝑃2
...
𝑃ത
Modelo M
𝑃𝑀
46
Bootstrap – aggregation (bagging)
Árvore 1
𝑃1
Árvore 2
𝑃2
...
𝑃ത
Árvore M
𝑃𝑀
47
Random Forest – histórico
• Desenvolvido por Leo Breiman
• Surpreendeu ao próprio autor pela eficácia
• Possui versões posteriores com alterações
e hiperparâmetros novos
48
Random Forest hiperparâmetros
• Mtry – o número de variáveis sorteadas a cada passo
• Controla o número de id
1
x1
0,9
x2
0,9
x3
0,3
x4
0,1
x5
0
id
1
x1 x3 x5
0,6 0,8 0,5
colunas sorteadas 2 0,3 0,7 0,3 0,3 0,8 2 0,7 0,4 0,1
a cada passo. 3
4
0,5
0,6
0,3
0,4
0,1
0,8
0
0,6
0,3
0,9
3
4
0,4 0 0,6
0,6 0,9 0,1
5 0,5 0,1 0,1 0,7 0,1 5 1 0,4 0,3
6 0,8 0,4 0,1 0,7 0,9 6 0,9 0,4 0,9
49
Random Forest hiperparâmetros
• ntree – o número de árvores utilizadas
• Parâmetros de árvore
• Maxdepth, minsplit etc.
50
Stacking
Do que se trata?
51
Stacking
Modelo 1 Modelo 2 Modelo 3
52
Boosting
Correção sequencial de erros
53
A variável resposta de A variável resposta de
uma iteração é o ’erro’ da uma iteração é o ’erro’ da
anterior. anterior.
54
Gradient
Boosting
55
AREM3_script03_boosting_manual.R
56
“Estique a corda demais e
Tunnning ela arrebenta, deixe-a
muito frouxa, e o
instrumento não toca"
57
Nome curto para Extreme
Gradient Boosting
É uma implementação do
Gradient Boosting
58
Gradient Boosting - variações
• Extreme Gradient Boosting (XGBoost)
• Uma variação do gradiente boosting
• Implementação de Tianqi Chen
• Ficou famosa por seu desempenho em
compedições
59
XGBoost - hiperparâmetros
• Nrounds – o número de árvores sequenciais
60
XGBoost - hiperparâmetros
• Gamma – redução mínima de perda
PERDA
Redução = 0,2
0,8
61
XGBoost - eta
62
XGBoost - hiperparâmetros
• Colsample_bytree – o número de variáveis sorteadas a cada passo
• Controla o número de id
1
x1
0,9
x2
0,9
x3
0,3
x4
0,1
x5
0
id
1
x1 x3 x5
0,6 0,8 0,5
colunas sorteadas 2 0,3 0,7 0,3 0,3 0,8 2 0,7 0,4 0,1
a cada passo. 3
4
0,5
0,6
0,3
0,4
0,1
0,8
0
0,6
0,3
0,9
3
4
0,4 0 0,6
0,6 0,9 0,1
5 0,5 0,1 0,1 0,7 0,1 5 1 0,4 0,3
6 0,8 0,4 0,1 0,7 0,9 6 0,9 0,4 0,9
63
XGBoosting - hiperparâmetros
• Nrounds – número de árvores sequenciais
• Max_depth – profundidade máxima de cada árvore
• Gamma – redução mínima de perda necessária para realizar uma
quebra
• Eta – Taxa de aprendizado. Uma penalização no ‘totozinho’ a cada
passo.
• Colsample_bytree – número de colunas sorteadas por ‘round’
• Min_child_weight – número mínimo de observações por folha
• Subsample – percentual de amostragem para o bootstrap
64
AREM3_script04_XGBoost.R
65
HAR
• Identificação de atividade humana por acelerômetro e
giroscópio do celular
• Dados originais captados com frequencia de 40 Hz
• Dados sumarizados em 1 medida a cada 1,4 segundos
• Medidas de translação e rotação nos eixos X, Y e Z
• Derivações como aceleração, jerk, médias, máximos,
mínimos, desvios etc dentro das janelas.
https://archive.ics.uci.edu/dataset/240/human+activity+recognition+using+smartphones
66
HAR
1 - andando 2 – subindo escada 3 – descendo escada
4 - sentado 5 – em pé 6 – deitado
67
HAR - Variáveis
Medidas Resumos
tBodyGyroMag Média
tBodyAcc-XYZ
tBodyGyroJerkMag Desvio padrão
tGravityAcc-XYZ
fBodyAcc-XYZ Mediana
tBodyAccJerk-XYZ
fBodyAccJerk-XYZ Mínimo Total
tBodyGyro-XYZ
fBodyGyro-XYZ Máximo 561 atributos
tBodyGyroJerk-XYZ
fBodyAccMag SMA
tBodyAccMag
fBodyAccJerkMag Energia
tGravityAccMag
fBodyGyroMag IQR
tBodyAccJerkMag
fBodyGyroJerkMag Entropia
etc
68
HAR - base
70
O que fazer com meus
novos superpoderes?
• Exercícios para a próxima:
• Melhorar o fit na base HAR
71
Conclusões
72
linkedin.com/in/joao-serrajordia
73
OBRIGADO!
linkedin.com/in/joao-serrajordia/
74
ÁRVORES, REDES E ENSEMBLE
MODELS IV
João F. Serrajordia R. de Mello
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados é do professor.
2
Você vai precisar de... Preparativos
• Abrir o R
• Importar as bibliotecas
• Algo para fazer suas anotações
3
Revisão
Histórico
Agenda
Ideias básicas
Usos
4
CRISP-DM
Fonte: https://www.the-modeling-agency.com/crisp-dm.pdf
5
Ensemble
Um ensemble é qualquer mistura de modelos já existentes.
Os principais tipos são:
Bagging
Boosting
Stacking
6
Classificação
7
Classificação dos algoritmos
Estamos aqui!
8
Classificação dos algoritmos
Estamos aqui!
9
Classificação dos algoritmos
Métodos Métodos
Machinelârnicos Machinelârnico-
- Árvores de decisão estatísticos
- Bagging
- Boosting - Regressão
- K-NN - GLM
- Redes Neurais - GLMM
- Support Vector Machines - ANOVA
Estamos aqui!
10
Redes Neurais Artificiais
Metáfora
Neurônio
biológico
https://en.wikipedia.org/wiki/Myelin
12
Exemplo biológico
13
Rede Neural Humana • Homo sapiens: 100.000.000.000 de neurônios
14
Onde vivem?
Redes Neurais Artificiais têm tido muito sucesso em problemas com dados
pouco estruturados como imagens, áudios, textos e vídeos.
15
Neurônio de McCulloch-Pitts
É um modelo da década de
60/70, mas com muita x1
influência nos mais modernos.
O perceptron consolida x2
informações de estímulos
𝑝
iniciais, das variáveis x1, x2, ...
Xp através de uma combinação x3 𝑓 𝑤𝑖 𝑥𝑖 y
linear (soma ponderada). 𝑖=1
1) Se está chovendo x1
2) Se vai ser televisionado
3) Se é final do campeonato 𝑝
x2 𝑓 𝑤𝑖 𝑥𝑖 y
Cada fator tem uma 𝑖=1
ponderação, digamos: 3, -1 e 6
respectivamente. x3
Se a soma desses fatores
f(.)
passar de um valor limite
(digamos 3), então a decisão é
ir no jogo.
treshold
17
Perceptron binário?
treshold
18
Funções de ativação
19
Perceptron
x1
O perceptron é um tipo de
neurônio bastante comum nas x2
RNAs.
𝑝
Eles podem ainda ser x3 𝑓 𝑤𝑖 𝑥𝑖 y
combinados de formas 𝑖=1
diferentes formando diferentes
arquiteturas de RNAs. x4
...
xp
20
Redes Neurais Artificiais
Combinações de perceptrons
21
Como roda no R?
• Há várias implementações de RNA disponíveis.
• Vamos utilizar o pacote ‘neuralnet’ do R
22
Como roda no R?
rn0 <- neuralnet::neuralnet(y ~ x,
data=df1,
threshold = 0.01, O pacote neuralnet
act.fct = 'logistic' permite inserir o
modelo com a notação
) básica de modelos do
R.
plot(rn0)
23
Como roda no R?
rn0 <- neuralnet::neuralnet(y ~ x,
data=df1,
threshold = 0.01,
act.fct = 'logistic' Aqui indicamos o data
) frame de entrada.
plot(rn0)
24
Como roda no R?
rn0 <- neuralnet::neuralnet(y ~ x,
data=df1, Este é um
threshold = 0.01, hiperparâmetro de
act.fct = 'logistic' ‘parcimônia’ da rede.
) Ele tem o papel de
limitar o overfitting do
plot(rn0) modelo.
25
Como roda no R?
rn0 <- neuralnet::neuralnet(y ~ x,
data=df1,
threshold = 0.01,
act.fct = 'logistic' Esta é a função de
) ativação do modelo.
plot(rn0)
26
Como roda no R?
rn0 <- neuralnet::neuralnet(y ~ x,
data=df1, O pacote neuralnet é
threshold = 0.01, compatível com a
act.fct = 'logistic' função plot. Ele mostra
um grafo
) representando a rede,
com pesos etc.
plot(rn0)
Cuidado com redes
muito grandes.
df1['pred0'] <- predict(rn0, df1)
27
Como roda no R?
rn0 <- neuralnet::neuralnet(y ~ x,
data=df1,
threshold = 0.01, Para fazer previsões,
act.fct = 'logistic' usamos o predict
igualzinho, da mesma
) forma que os modelos
baseados em árvores
plot(rn0) que vimos nas aulas
anteriores.
28
AREM4_script01_RNA_ilustracao.R
29
OCR – Optical Character Recognition
30
OCR – Optical Character Recognition
1
31
Perceptron de Rosenblatt
32
Previsão de
consumo de
veículo
• Tamanho do motor
• Combustível
• Número de cilindros
• Marca
• Potência
• Tração
https://www.fueleconomy.gov/feg/download.shtml 33
Perceptron
Linear
• Possui a mesma estrutura
de uma regressão linear
com a função de ativação
indicada.
34
Limitações do perceptron linear
• O perceptron linear só
captura padrões lineares
35
Perceptron
multi-camada
• Possui camadas
“escondidas”
intermediárias
• Captura padrões não
lineares
• Pode se aproveitar do
processamento paralelo
de GPUs
• Não é “interpretável”
como a regressão
36
AREM4_script02_neural_networks.R
37
Funções de perda
𝑵
Variáveis Contínuas 𝟐
𝑺𝑸𝑬 = 𝒚𝒊 − 𝒚ෝ𝒊
SQE
𝒊=𝟏
Variáveis binárias
𝑳 = 𝒚𝒊 𝒍𝒐𝒈 𝒚ෝ𝒊 + (𝟏 − 𝒚𝒊 )𝒍𝒐𝒈(𝟏 − 𝒚ෝ𝒊 )
Cross-Entropy
38
Redes Neurais
Artificiais
39
Redes Neurais Artificiais
40
Exemplo em OCR (MNIST)
Pixel 1
Pixel 2
Pixel 3
Pixel 1
Pixel 2
Pixel 3
Rótulo
Pixel 784
...
60.000 dessas
Imagem 1 0 0 0... 0 4
Imagem 2 0 0 0... 0 3
Viram uma Imagem 3 0 0 0... 0 9
tabela assim
...
...
...
...
...
...
...
Imagem 60.000 0 0 0... 0 5
Pixel 784
41
Rede Neural MNIST
42
Rede Neural MNIST
3blue1brown - https://www.youtube.com/watch?v=aircAruvnKk
43
Gradiente descendente
É o algoritmo mais popular para se treinar redes neurais artificiais por
apresentar algumas características:
44
Redes Gradiente Descendente
45
Gradiente
descedente
47
game
A contribuição da indústria do Game nas Redes Neurais
48
• Distância entre transístores: 14 nm
Processadores • Fio de cabelo humano: 80.000 nm
• Diâmetro do átomo de ouro: 0,3 nm
49
GPU
50
Processamento com GPU
51
TPU
52
Regularização L2
𝑵
Variáveis Contínuas 𝑺𝑸𝑬 = 𝒚𝒊 − 𝒚ෝ𝒊 𝟐 + 𝝀 𝜷𝟐𝒊
SQE 𝒊=𝟏
53
Reconhecimento
de atividade
humana com
smartphone
54
AREM4_script03_rna_har.R
55
Conclusões
56
“Me enganei apenas uma
vez, quando pensei estar
enganado”
Prof. Girafales
57
linkedin.com/in/joao-serrajordia
58
5 1
0 9 8-
73 .
5 .2
a 31
OBRIGADO h i d
os
i Y
u sh
linkedin.com/in/joao-serrajordia
t s
eloA
ar c
M
59
INTRODUÇÃO AO DEEP
LEARNING
Prof. Dr. Jeronymo Marcondes
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados é do professor.
2
Introdução
• Plano de ataque:
1) Explicar o conceito
2) Como os dados fluem
3) Como é o processo de otimização
4) Função custo e descida do gradiente
5) Parte prática
3
Introdução
4
Exemplos
É possível fazer modelos para:
5
Morettin e Singer – Introdução à Ciência de Dados
6
AE Supervisionado
• Problema supervisionado
• Regressão:
𝑦 =𝑓 𝑋 +𝑒
𝑦 = 𝑎 + 𝑏𝑋 + 𝑒
𝑦 = 0,2 + 0,1𝑋
7
Problema Supervisionado
8
AE Não Supervisionado
9
Classificação
10
Regressão como ANN
11
Redes Neurais Artificiais
• Deep learning – conceito
12
Redes Neurais Artificiais
13
Redes Neurais Artificiais
• A ideia do perceptron de Rosenblatt.
• Aprende respostas binárias
• Pesos treinados para produzir vetor alvo
14
Redes Neurais Artificiais
15
Redes Neurais Artificiais
• Rede neural do tipo feedforward.
16
Como funciona
17
Matemática
• Dado o valor de n entradas:
18
Matemática
• Dado o valor de saídas para t clientes:
𝑌 = [𝑌1 , 𝑌2 , … , 𝑌𝑡 ]
19
Matemática
20
Visualização
21
Matemática
• Para cada uma dos neurônios:
𝑧 = 𝑏 + 𝑤𝑖 𝑋𝑖
𝑖
𝑧1 = 𝑏 + 𝑤11 𝑋1 + 𝑤21 𝑋2
22
Função de ativação
23
Função de ativação
A função de ativação é aquela que processa o sinal gerado pela
combinação linear das entradas e dos pesos das sinapses, para gerar o
sinal de saída do neurônio.
24
Função de ativação
1 𝑠𝑒 𝑧 ≥ 0
𝑓 𝑧 =
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
25
Função de ativação
26
Função de ativação
𝑅𝑒𝑙𝑢 𝑧1 = 1
27
Função de ativação
• Um outro exemplo:
• Função Sigmoide:
𝑒𝑧
𝑔 𝑧 = 𝑧
𝑒 +1
28
Como funciona
29
Como funciona
30
Explicação
• Você sabe a quantidade que comprou.
31
Explicação
• Suponha que você gastou 10.
• Recebeu 1 kg de cada.
32
Ajuste dos Pesos
• ∆𝑤𝑗 = 𝜂∇𝐸
33
Função Custo
1
𝐸= 𝑦𝑛 − 𝑡𝑛 ²
2
𝑡𝑟𝑒𝑖𝑛𝑎𝑚𝑒𝑛𝑡𝑜
34
Função Custo
valor estimado valor real Erro Quadrado do erro
preço 1 2 2 0 0
preço 2 3 5 -2 4
preço 3 2 4 -2 4
preço 4 5 1 4 16
Soma 24
6
35
Como é feito o ajuste?
37
Descida do gradiente
38
Descida do gradiente
• Matematicamente: qual a variação nos pesos que mais reduz minha
diferença entre o valor estimado e o valor real?
Fonte: https://matheusfacure.github.io/2017/02/20/MQO-Gradiente-Descendente/
39
Descida do gradiente
• Uso do cálculo diferencial:
𝜕𝐿 𝜕𝐿
∇ 𝐿 = ,
𝜕𝑤 𝜕𝑏
40
Parte Prática
41
OBRIGADO!
http://lattes.cnpq.br/9163660479128394
42
DEEP LEARNING
Prof. Dr. Jeronymo Marcondes
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados é do professor.
2
Introdução
• Plano de ataque:
1. O papel das redes neurais multicamadas
2. O problema do overfitting.
3. O problema de definição de hiperparâmetros
4. O problema de encontrar solução ótima
3
Introdução
4
Introdução
5
Introdução
https://automaticaddison.com/linear-separability-and-the-xor-problem/
6
XoR
• Exclusive Or
7
https://automaticaddison.com/linear-separability-and-the-xor-problem/
8
Rede Neural Multicamada
9
Estrutura da Rede
11
Função Perda
• Predicted x Actual
12
Função Perda
• As variáveis categóricas contêm um número finito de categorias ou grupos distintos.
Os dados categóricos podem não ter uma ordem lógica. Por exemplo, os preditores
categóricos incluem gênero, tipo de material e método de pagamento.
• Variáveis contínuas são variáveis numéricas que têm um número infinito de valores
entre dois valores quaisquer. Uma variável contínua pode ser numérica ou de
data/hora. Por exemplo, o comprimento de uma peça ou a data e hora em que um
pagamento é recebido.
• Variáveis discretas são variáveis numéricas que têm um número contável de valores
entre quaisquer dois valores. Uma variável discreta é sempre numérica. Por
exemplo, o número de reclamações de clientes ou o número de falhas ou defeitos.
https://support.minitab.com/
13
Algumas funções de erro
• Erro quadrático Médio:
𝑘
2
𝐸𝑄𝑀 = 𝐴𝑐𝑡𝑢𝑎𝑙 − 𝑃𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑
𝑛=1
Nota
Actual Predicted
A 7 8
B 10 9
C 5 10
D 8 8
14
Algumas funções de erro
• Erro Absoluto Médio
15
Algumas funções de erro
• Funções para output contínuo.
• Binary cross-entropy
• Categorical cross-entropy
16
Viés x Variância
17
Viés x Variância
18
Viés x Variância
• Preocupação com a variância.
https://www.baeldung.com/cs/epoch-neural-networks
19
Fitting
20
Fitting
21
Fitting
22
Redução do overfitting
• Regularização
23
Regularização
• Introdução de “barulho”.
• Dropout
O modelo descarta ou desativa arbitrariamente alguns neurônios para uma
camada durante cada iteração. Em cada iteração, o modelo olha para uma
estrutura ligeiramente diferente de si mesma para otimizar (como um casal
de neurônios e as conexões seriam desativadas). Diga que temos duas
camadas sucessivas, H1 e H2, com 15 e 20 neurônios, respectivamente. A
aplicação da técnica de eliminação entre essas duas camadas resultaria em
descartar aleatoriamente alguns neurônios (com base em uma porcentagem
definida) para H1, o que, portanto, reduz as conexões entre H1 e H2. Esse
processo se repete para cada iteração com aleatoriedade, portanto, se o
modelo tiver que aprender para um lote e atualizou os pesos, o próximo lote
pode ter um conjunto bastante diferente de pesos e conexões para treinar.
24
Dropout
25
L1
26
L2
27
Early Stopping
• Final de cada época – verificar melhoria.
28
Épocas
• Convergência.
29
Épocas
https://www.baeldung.com/cs/epoch-neural-networks
30
Batch
• Como realizar o treinamento?
31
Batch
Normalmente, o treinamento seria feito em lotes devido a restrições de memória no sistema. Um lote é uma
coleção de amostras de treinamento de toda a entrada. A rede atualiza seus pesos depois de processar todas
as amostras em um lote. Isso é chamado de iteração (ou seja, uma passagem bem-sucedida de todas as
amostras em um lote, seguido por uma atualização de peso na rede). A computação de todas as amostras de
treinamento fornecidas nos dados de entrada com atualizações de peso lote por lote é chamado de época.
Em cada iteração, a rede aproveita a função do otimizador para fazer uma pequena mudança para seus
parâmetros de peso (que foram inicializados aleatoriamente no início) para melhorar a previsão final,
reduzindo a função de perda. Passo a passo, com várias iterações e, em seguida, várias épocas, a rede atualiza
seu pondera e aprende a fazer uma previsão correta para o treinamento dado amostras.
32
Hiperparâmetros
• O que são?
33
Hiperparâmetros
• Vamos lembrar de alguns?
1. Learning rate
2. Batch size
3. Epochs
4. Função de ativação
34
AUTOML
• Vamos discutir um pouco sobre isso.
• AutoKeras, H20.
• Transfer Learning.
• Grid Search
35
Cross validation
• Como funciona?
• Conjunto de treinamento, teste e validação
36
Cross validation
• K fold cross validation
37
Mínimo local e ponto de sela
https://blog.paperspace.com/intro-to-optimization-in-deep-learning-gradient-descent/
38
Mínimo local e ponto de sela
https://www.analyticsvidhya.com/blog/2021/05/tuning-the-hyperparameters-and-layers-of-neural-network-deep-learning/
39
Otimizadores
• Qual a regra?
40
Otimizadores
• ADAGRAD
• ADAM
• RMSPROP
41
Momentun
42
Momentun
43
OBRIGADO!
https://www.linkedin.com/in/jeronymo-marcondes-585a26186
44
DEEP LEARNING
Prof. Dr. Jeronymo Marcondes
1
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados é do professor.
22
Introdução
3
Introdução
1. Dados de texto
2. Séries Temporais
3. Assistir um filme
4
RNN
• Exemplo de uma série temporal.
5
Introdução
• FNN pode ser usada para reproduzir esse processo, mas não é a melhor
escolha.
6
RNN
• O que ocorreria se usássemos uma FNN?
7
RNN
8
RNN
• RNN constrói distribuição de probabilidade
• Exemplo
9
RNN
• Objetivo: rede neural com “memória”.
10
RNN
• Podemos visualizar a RNN de outra forma:
11
RNN
12
RNN
Fonte: https://www.simplilearn.com/tutorials/deep-learning-tutorial/rnn
13
RNN
• Podemos visualizar a RNN de outra forma:
• The cat chased the mouse
14
RNN
• Isso significa que temos uma rede que “guarda” todo o passado
• Explicar crescimento econômico com base em nível de confiança.
• Simple Recurrent Neural Network
15
RNN
• Rede de Elman
16
Backpropagation
• Tudo se afeta ao mesmo tempo!
17
Backpropagation
• Como é feito o cálculo do gradiente?
18
Dissipação do Gradiente
• Intuição
19
Problemas com Gradiente
• w>1 ou w<1
20
Dissipação do Gradiente
21
Problemas com Gradiente
• Como resolver?
22
Backpropagation Truncada
• Custo computacional
• Solução Arbitrária
23
Resolver Vanishing Gradient
• Inicialização de matriz de peso
𝑓 𝑥 = max(0, 𝑥)
24
Clipping do Gradiente
25
LSTM
• Long Short-Term Memory
26
LSTM - intuição
Fonte: https://www.analyticsvidhya.com/
27
LSTM
• Algumas funções importantes
𝑠𝑒𝑛ℎ(𝑡)
tanh =
cosh(𝑡)
28
LSTM
• Sigmoide
• Resultado entre 0 e 1 => “sim” ou “não”
29
LSTM
30
LSTM
• Forget Gate – Quanto lembrar?
31
LSTM
32
LSTM
33
LSTM
Além das entradas e saídas, uma célula LSTM é composta internamente por
combinações entre funções de ativação, adições e produtos. Estas operações
internas da célula LSTM se denominam de gates, sendo eles, forget gate,
input gate, cell gate e output gate. Além destes gates, a célula LSTM possui
uma região responsável por agrupar a saída de alguns destes gates para
produzir o ct , que é uma das saídas da célula. (OLIVEIRA, E.V., 2020)
34
LSTM – Forget Gate
35
LSTM
36
Animação LSTM
37
GRU – Gate Recurrent Unit
38
GRU
• Guarda dependências longas
39
GRU
Fonte: https://www.analyticsvidhya.com/
40
Extra: Transformadores
41
Extra: Transformadores
• Codificador – decodificador
42
Extra: Transformadores
• A lógica: o que é mais rápido para achar uma solução, ler um livro
inteiro ou procurar no índice?
43
OBRIGADO!
https://www.linkedin.com/in/jeronymo-marcondes-585a26186
44
DEEP LEARNING
Prof. Dr. Jeronymo Marcondes
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados é do professor.
2
Introdução
3
Introdução
4
Introdução
5
Introdução
6
Máquinas de Boltzmann
7
Máquinas de Boltzmann
8
Máquinas de Boltzmann
Fonte: https://wiki.pathmind.com/restricted-boltzmann-machine
9
Máquinas de Boltzmann
Características:
10
Máquinas de Boltzmann
11
Máquinas de Boltzmann
Funcionamento:
• Recebe insumo x.
𝑦 = 𝜎 𝑥𝑤 + 𝑏ℎ
12
Máquinas de Boltzmann
Funcionamento:
• Calcula:
𝑟 = 𝜎 𝑦𝑤 + 𝑏𝑣
13
Máquinas de Boltzmann
14
Máquinas de Boltzmann
Funcionamento:
15
Máquinas de Boltzmann
16
Máquinas de Boltzmann
Aplicações:
• Redução de Dimensionalidade
17
Máquinas de Boltzmann
Aplicações:
• Sistemas de recomendação
• Reconstrução de imagem
18
Máquinas de Boltzmann
Exemplo: caso da NETFLIX
https://tecnetit.com.br/como-a-netflix-usou-a-data-science-para-melhorar-seu-sistema-de-
recomendacao/#:~:text=Para%20sua%20solu%C3%A7%C3%A3o%20eles%20usaram,dimensional%20ideal%20para%20seus%20usu%C3%A1rios.
19
DBN
Deep Belief Networks
20
DBN
Fonte: https://www.deeplearningbook.com.br/
21
Autoencoder
• Reconstrução de input
• Redução de dimensionalidade
22
Autoencoder
23
Autoencoder
24
Autoencoder
25
Autoencoder
26
Autoencoder
https://douglasduhaime.com/posts/visualizing-latent-spaces.html
27
Tipos de Autoencoder
• Deep Autoencoder
28
Tipos de Autoencoder
• Autoencoder Esparso
• Aplica-se termo de regularização
29
Tipos de Autoencoder
• Autoencoder Denoising
30
Tipos de Autoencoder
• Autoencoder Contrativo
31
GAN
• Redes Adversárias Generativas
• Modelo Generativo
32
GAN
33
GAN
34
GAN
35
GAN
• Exemplo MNIST
36
Parte prática
37
GAN
• Realizamos o backpropagation
38
Discussão
39
OBRIGADO!
https://www.linkedin.com/in/jeronymo-marcondes-585a26186
40
Webinar MBA DSA
18/08/2023
Professores
Helder Prado
Renato Máximo
Wilson Tarantin Jr.
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados, é do professor.
2
2
Modelos de classificação ou regressão?
3
Uso de dados de treino e teste
• Se for deixado sem restrições, o modelo fica livre e pode se aderir aos dados de treino
5
Critérios de avaliação – classificação
• Especificidade: percentual de classificações corretas considerado apenas as observações que não são
evento
• Para uma variável Y com 2 categorias, estabelece-se um cutoff para classificação, isto é, um ponto de
corte acima do qual a observação é classificada como “evento“ e abaixo do qual é “não evento”
6
Critérios de avaliação – classificação
𝑽𝑷 + 𝑽𝑵
𝑨𝒄𝒖𝒓𝒂𝒄𝒊𝒂 =
Sensibilidade Especificidade (𝑽𝑷 + 𝑭𝑵 + 𝑽𝑵 + 𝑭𝑷)
𝑽𝑷
𝑺𝒆𝒏𝒔𝒊𝒃𝒊𝒍𝒊𝒅𝒂𝒅𝒆 =
(𝑽𝑷 + 𝑭𝑵)
Observado (Real)
𝑽𝑵
𝑬𝒔𝒑𝒆𝒄𝒊𝒇𝒊𝒄𝒊𝒅𝒂𝒅𝒆 =
Sim Não (𝑽𝑵 + 𝑭𝑷)
Sim VP FP 𝑽𝑷
Predito (Modelo) 𝑷𝒓𝒆𝒄𝒊𝒔𝒊𝒐𝒏 =
(𝑽𝑷 + 𝑭𝑷)
Não FN VN
𝑷𝒓𝒆𝒄𝒊𝒔𝒊𝒐𝒏 𝒙 𝑹𝒆𝒄𝒂𝒍𝒍
𝑭𝟏 𝑺𝒄𝒐𝒓𝒆 = 𝟐𝒙
𝑷𝒓𝒆𝒄𝒊𝒔𝒊𝒐𝒏 + 𝑹𝒆𝒄𝒂𝒍𝒍
7
Critérios de avaliação – classificação
• Curva ROC
• Pode-se avaliar um modelo com base na área abaixo da curva ROC (AUC):
8
Critérios de avaliação – classificação
Classificador Ideal:
• Sensibilidade = 100%
• 1 – Especificidade = 0%
𝟏
• É comum usar o Erro Quadrático Médio: MSE = σ𝒏𝒊=𝟏(𝒚𝒊 − 𝒚
ෝ𝒊 )²
𝒏
• Também é comum avaliar por meio do R²: mostra o percentual da variância da variável
Y observada que é explicada pelo modelo
• Quanto maior o R², melhor. Mais o modelo captura a variabilidade em Y observado
10
Hiperparâmetros
• Profundidade máxima das árvores, número mínimo de observações em dado nó para que seja
realizada sua divisão, número mínimo de observações em um nó folha, a própria quantidade de
árvores estimadas (se não for um modelo de árvore única), taxa de aprendizagem nos modelos
boosting, dentre outros...
11
Grid Search
• Escolha de hiperparâmetros
12
Validação Cruzada
• A validação cruzada pode ser aplicada mesmo que exista a divisão inicial treino/teste
13
Referências
Fávero, Luiz Paulo; Belfiore, Patrícia. (2017). Manual de análise de dados: estatística
e modelagem multivariada com Excel®, SPSS® e Stata®. Rio de Janeiro: Elsevier
14
OBRIGADO!
15
15
COLETA DE DADOS:
CRAWLERS E WEB
SCRAPING
Prof. Dr. Jeronymo Marcondes
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados é do professor.
2
Introdução
3
Introdução
• Plano de ataque:
• WebScraping:
Introdução à web
• HTTP
Fonte: https://developer.mozilla.org/pt-BR/docs/Web/HTTP/Overview
Introdução à web
GET
O método GET solicita a representação de um recurso específico.
Requisições utilizando o método GET devem retornar apenas dados.
POST
O método POST é utilizado para submeter uma entidade a um recurso
específico, frequentemente causando uma mudança no estado do recurso
ou efeitos colaterais no servidor.
Métodos de requisição
5 1
0 9 8-
73 .
5 .2
DELETE
a 31
i d
sh específico.
O método DELETE remove um recurso
o
i Y
sh
CONNECT su
At
el o
O método CONNECT
ar c estabelece um túnel para o servidor identificado pelo
M
recurso de destino.
HTML
5 1
0 9 8-
73 .
5 .2
• HTML
a 31
h i d
s
• HyperText Markup Languagehi Yo
s u s
t
loA
e
a r c
• Linguagem posicional
M
HTML
http://www.r-datacollection.com/materials/html/OurFirstHTML.html
HTML
https://www.w3schools.com/html/html_basic.asp
HTML básico
Exemplo simples:
<!DOCTYPE html>
<html>
<body>
<h1>My First Heading</h1>
<p>My first paragraph.</p>
</body>
</html>
HTML - elementos
• Um elemento inicia com uma start tag <“nome da tag”> e finaliza com
end tag <\”nome da tag”>
• Doctype
• <html> e </html>
• div: <div> e </div>: define uma divisão ou seção de uma página HTML
• Container para um conjunto de tags HTML – características específicas de
uma parte específica da página.
Fonte: https://www.geeksforgeeks.org/
HTML
• Id e Class
HTML
API
• Características:
1. Versão do XML
2. Tags de início e fim
3. Elementos
4. Atributos
5. Dados
6. Estrutura em árvore – nós pais e filhos
XML
JSON
JSON
• Características:
1. Baseada em objetos (semelhante aos elementos do XML)
2. Baseada na divisão de pares key\value
3. Keys estão sob aspas duplas
4. Valores são precedidos de dois pontos
5. Valores estarão sob aspas duplas se forem campos de texto
6. Array são definidos por colchetes
Web Scraping
5 1
0 9 8-
73 .
• Como buscar a informação? 5 .2
31 a
h i d
s
oem HTTP, como GET
• Pacotes que executam os verbos i Y
u sh
At s
• Pacotes httr e rvestel o
ar c
M
Web Scraping
• PARSE
40
TEXT MINING,
SENTIMENT ANALYSIS E
NLP
Prof. Dr. Jeronymo Marcondes
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados é do professor.
2
Introdução
3
Plano de ataque
• O que é PLN?
5
Fontes para PLN
Fonte: https://medium.com/swlh/nlp-text-preprocessing-techniques-ea34d3f84de4
6
Introdução
7
Introdução
1. Sarcasmo
3. Ambiguidade
8
Introdução
• Abordagens:
1. Heurística
9
Introdução
10
Origem
• Alan Turing
11
Usos
12
PLN Pipeline
13
Text Mining
• O que é text mining?
Fonte: https://www.javatpoint.com/text-data-mining
14
Tidytext e Tidydata
• Hadley Wickham:
15
Token
16
Tokenização
Fonte: https://aiplusinfo.com/
17
Token
• “Eu serei um cientista de dados”
1 Eu
2 serei
3 um
4 cientista
5 de
6 dados
18
Unnest Token
19
Unnest Token
20
Unnest Token
21
Bag of Words
• Verifica a frequência dos termos e conta os mesmos ou variável binária que indica
presença ou não
22
Bag of Words
https://www.medium.com/
23
Bag of Words
24
Data Cleaning
25
Stop Words
• https://gist.github.com/alopes/5358189
26
Stop Words
27
Stop Words
• Anti join
28
Stemming
Fonte: https://www.alura.com.br
29
Stemming
• Diferença com lematização
https://www.computersciencemaster.com.br/como-reduzir-uma-palavra-ao-seu-radical-em-python-stemming/
30
Stemming
• Diferentes abordagens
31
Token n-gram
https://devopedia.org/n-gram-model
32
Token n-gram
• Qual a importância?
33
Correlação
34
Token n-gram – Correlação
https://www.spss-tutorials.com/pearson-correlation-coefficient/
35
Topic Modelling
• Utilidade prática
• Método LDA
36
Final
• Parte prática
• Próxima aula
37
OBRIGADO!
https://www.linkedin.com/in/jeronymo-marcondes-585a26186
38
TEXT MINING, SENTIMENT
ANALYSIS E NLP
Prof. Dr. Jeronymo Marcondes
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados é do professor.
2
Plano de ataque
• TF-IDF
3
Plano de ataque
4
TF-IDF
1. Bag of words
2. Bag of n-grams
3. TF-IDF
5
TF-IDF
6
TF-IDF
• Stop words ou não, algumas palavras são mais comuns – nem sempre a
melhor forma
7
TF-IDF
8
TF-IDF
• Lei de ZIPF:
Fonte: https://www.wolfram.com/
9
TF-IDF
10
TF-IDF
11
Classificação de texto
12
Classificação de texto
13
Análise de Sentimentos
14
Análise de Sentimentos
15
Abordagem Heurística
16
Datasets de Sentimentos
17
Datasets de Sentimentos
18
Procedimento
1. Unnest tokens
2. Datasets de Sentimentos
3. Inner Join
19
Procedimento
20
Limitações
• Falta de contexto
21
Pipeline NLP
• Construir modelo de ML
• Diferentes modelos
22
Métodos ML para NLP
• Qual o objetivo?
• Usos
23
Naive Bayes
𝑃(𝐵|𝐴)×𝑃(𝐴)
•𝑃 𝐴𝐵 =
𝑃(𝐵)
24
Naive Bayes
25
Naive Bayes
26
Naive Bayes
https://www.statlearning.com/
27
Support Vector Machine
28
Support Vector Machine
29
Support Vector Machine
30
Support Vector Machine
Fonte: https://researchgate.com/
31
Margem Flexível
Fonte: https://scikit-learn.org/
32
Support Vector Machine
• Função objetivo:
1. Maximizar a margem.
2. Sujeito ao fato de que cada ponto deve ser maior que a margem.
3. E sujeito a um possível termo de erro nos modelos de margem flexível.
33
Performance
• Nem sempre a melhor solução de primeira.
34
Discussão
Futuro de NLP e tendências.
35
OBRIGADO!
linkedin.com/in/jeronymo-marcondes-585a26186
36
INTRODUÇÃO AO
BLOCKCHAIN E SUAS
APLICAÇÕES
1
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados, é do professor.
2
2
3
4
5
Por que estas plataformas falharam: Centralização -
Centralização -
Gasto duplo -
Gasto duplo - Regulamentação -
Regulamentação -
Uso para fins ilícitos - Uso para fins ilícitos -
6
1 ) O problem a do g a sto duplo
Solução tradicional:
Antes Intermediário
Ana Beto
Depois
More secure, reliable
Ana Beto
Ledger Ledger
centralizado
Ledger
Ledger
Ledger
Banco Bitcoin
9
10
http:/ / historyofbitcoin.org/
Artigo seminal publicado
por Satoshi Nakamoto
31/out/2008
Primeiro
FBI fecha Silk Road
bloco da
2/out/2013
Blockchain Market cap 1BTC = US$ 10
3/ jan/ 2009 US$ 1 milhão 2/jun/2011
bitcoin.org 6/nov/2010
foi registrado
18/ago/2008 1BTC = US$ 30 1BTC = US$ 74,90
1 US$ = 1.309,03 BTC 22/ fev/ 2013 21/mar/2013
5/ out/ 2009
11
Econômica É uma nova forma de dinheiro, e pode se
manifestar de duas formas:
global
livre mercado
12
Blockchain
Blockchain é uma é uma
basebase de dados
de dados
distribuída
stribuída (DLT)(DLT)
digital
digital
registro
egistro
que torna
que torna possível
possível
de transações
de transações
criarcriar
um um
que podem
que podem Tecnológica
Tecnológica
ser compartilhadas,
ser compartilhadas, monitoradas
monitoradas e e
mantidas
mantidas por uma
por uma rederede distribuída
distribuída de de
computadores.
computadores. UmaUma cadeia
cadeia de blocos
de blocos
onectados
conectadossequencialmente,
sequencialmente,cadacada
blocobloco
com com
um conjunto
um conjuntode transações
de transações
segurança
segurança
imutável
imutável Uma nova
Uma camada
nova camada
desintermediação
desintermediação tecnológica no no
tecnológica mundo
mundo
nãonão
falsificável
falsificável Blockchain
Blockchain
ledger distribuído
ledger distribuído Internet
Internet
Energia elétrica
Energia elétrica
resolve o gasto
resolve duplo
o gasto duplo
13
Econômica Tecnológica
Econômica Tecnológica
Uma nova forma Uma nova camada
de dinheiro tecnológica no mundo
Digital Blockchain
Global Internet
Distribuído Energia elétrica
Uma nova forma Uma nova camada
de dinheiro tecnológica no mundo
Digital Blockchain
Global Internet
Distribuído Energia elétrica
14
Arquitetura e fundamentos
15
Um protocolo
Uma linguagem
16
https://bitbonkers.netlify.app
17
Cha ve pública e cha ve priva da
Chave Chave
pública privada
18
Cha ve pública e cha ve priva da
19
Cria ndo nossa s prim eira s ca r teira s
Single Wallet
Paper Wallet
Brain Wallet
20
utilizada para g
chave privada qu
para “assinar" as
No Bitcoin, uma carteira é
utilizada para gerenciar a
chave privada que é utilizada
para “assinar" as transações
21
# 1 Ativo Fina nceiro
Como ativo financeiro, BTC pode ser
comprado ou vendido (semelhante a ações)
22
23
Abrir conta em uma corretora Realizar uma transferência (em R$) Escolher entre as (muitas) opções de moedas
para a sua nova conta na corretora digitais disponíveis e efetivar a compra
de criptomoedas 100% online
Saldo:
R$ 250,00
Agora você já possui Bitcoins em Para aumentar a segurança, transfira Defina onde você vai armazenar
sua carteira digital na corretora seu saldo para uma carteira mais segura as informações das suas moedas
Saldo: Saldo:
0,042 BTC 0,042 BTC
24
25
Ex cha ng es e os seus Bitcoins
Uma ou mais wallets?
Como é a segurança?
A wallet com as chaves privadas
Quais procedimentos de backup?
é gerenciada pela exchange
Quem tem acesso?
Como são os registros?
Cada cliente vê
apenas o seu BTC = 0,003 BTC = 1,04 BTC = 10 BTC = 0,0002 BTC = 3
26
27
Ca r teira s e os seus Bitcoins
BTC = 3
BTC = 10
BTC = 0,003
BTC = 0,0002
BTC = 1,04
28
29
REASONS TO
BELIEVE
30
31
2 A criação de um
Hoje Amanhã
Sistemas para pagamentos (Visa, Master, Paypal) Bitcoin é um sistema que pode unificar TODAS
Sistemas para transações entre bancos estas transações entre diferentes partes
Sistemas para transações entre países
Sistemas para transações entre empresas Além de criar o primeiro sistema para transações
Sistemas para transações com governo P2P em escala global
32
33
34
4 Restrições
Restrições do
do sistema sistema
atual e as atual e as
4
crianças entrando nesse mercado
crianças entrando
Restrições nesse
do sistema atualmercado
e as
4
crianças entrando nesse mercado
37
38
38
39
8 Inversão de infraestrutura já ocorreu várias
vezes na sociedade moderna
40
41
42
43
44
45
46
47
48
49
50
51
52
https://mittechreview.com.br/muito-alem-do-nft-metaversos-web3-e-o-futuro-digital/?share=whatsapp
53
54
55
| Possíveis implementações
PÚBLICA
FECHADA ABERTA
(permissioned) (permissionless)
PRIVADA
56
Smart Contracts Tokens
Vitalik
2015 Buterin
57 57
58
| Tokenização de ativos
Tokens fungíveis
59
Tokens não fungíveis
60
61
62
63
NBA Top Shot
https://www.businessinsider.com/most-expensive-nft-list-top-selling-nfts-crypto-art-sales-2021-3
64 64
https://www.theverge.com/2021/3/11/22325054/beeple-
christies-nft-sale-cost-everydays-69-million
65
https://thenextweb.com/news/nike-blockchain-sneakers-cryptokick-patent
66
67
68
Tokens fungíveis
69
70
71
72
73
74
Bases distribuídas
para armazenar
dados estatísticos
• Registro de terras,
nascimentos, posse
•Registros acadêmicos
e de patentes
•Origem de alimentos
•Regras de negócio
pré-definidas com
cláusulas de auto
execução
75
Rede Ethereum
Virtual
privada Machine
Registro de cada evento que agregue valor na rede blockchain
Cadeia
de valor
76
Rastreabilidade de qualquer
produto, insumo, equipamento,
etapa, serviços, etc
77
DeFi - Fina nça s decentra liza da s
78
79
80
81
82
83
84
85
Obrigado!
2
Introdução a Cartografia
Cartografia Básica
• Definição e Conceitos
• Representações Cartográficas
• Projeções Cartográficas
• Sistemas de coordenadas
• Sistemas de coordenadas geográficas
• Sistemas de coordenadas UTM
Cartografia Digital
Cartografia Temática
3
Histórico da Cartografia
4
Definição
5
Definição
6
Contextualização
Geotecnologias •SIG
•Topografia e Geodésia
• Coletar •GNSS
Aplicações
• Processar •Sensoriamento
remoto •Agronegócio
• Analisar
•Fotogrametria •Meio Ambiente
• Disponibilizar •Cartografia •Obras de saneamento
•Governo e educação
Informação com
referência
geográfica
7
Conceitos
8
Conceitos
9
Conceitos
• Modelo mais simples de representar a terra: Elipsóide
10
Representações Cartográficas
11
Representações Cartográficas
12
Representações Cartográficas
13
MAPA X CARTA X PLANTA
14
ESCALA
15
ESCALA
16
EXERCÍCIO PRÁTICO
17
EXERCÍCIO PRÁTICO
18
Projeções Cartográficas
• A confecção de uma carta exige, antes de tudo, o
estabelecimento de um método, segundo o qual, a cada
ponto da superfície da Terra corresponda um ponto da
carta e vice-versa.
Deformações!
19
Projeções Cartográficas
20
Projeções Cartográficas
21
Projeções Cartográficas
22
Classificação das Projeções
Cartográficas
Projeções
Cartográficas
23
Classificação das Projeções
Cartográficas
Tem base os
princípios
Geométricas
geométricos
projetivos
Método
Tem base a
Analíticas formulação
matemática
24
Classificação das Projeções
Cartográficas
Superfície
de
Projeção
Planas Cônicas
25
Classificação das Projeções
Cartográficas
Superfície de
Projeção
Cilíndricas Polisuperficiais
26
Classificação das Projeções
Cartográficas
Propriedades
27
Classificação das Projeções
Cartográficas
Contato
entre as
superfícies
Tangente Secante
28
Sistemas de Coordenadas
29
Sistemas de Coordenadas
Geográficas
• O sistema de coordenadas geográficas é um sistema global
empregado na localização de pontos sobre a superfície
Terrestre.
https://www.educamaisbrasil.com.br/enem/geografia/latitude-e-longitude
30
Sistemas de Coordenadas
Geográficas
• O sistema de coordenadas geográficas é um sistema global
empregado na localização de pontos sobre a superfície
Terrestre.
https://www.educamaisbrasil.com.br/enem/geografia/latitude-e-longitude
31
Sistemas de Coordenadas UTM
• A projeção UTM – Universal Transversa de Mercator compreende a adoção de um cilindro transverso ao eixo
de rotação da Terra e secante a esta superfície, sendo a Terra definida matematicamente por um elipsoide de
revolução.
• Tipo conforme, ou seja, preserva as direções e, consequentemente, a forma das feições mapeadas.
32
Sistemas de Coordenadas UTM
• Estes são numerados a partir do antimeridiano de Greenwich (180°W), da esquerda para a direita (sentido
oeste-leste), iniciando em 01 e terminando em 60.
33
Cartografia Digital
• Dado cartográfico (digital ou não) apresenta três atributos básicos: escala, referência
cartográfica e data. A escala define as relações com as dimensões reais e os elementos
representados no mapa.
34
Cartografia Temática
• Cartografia temática são as cartas, mapas ou plantas em qualquer escala, destinadas a um tema
específico.
• “O objetivo dos mapas temáticos é o de fornecer, com o auxílio de símbolos qualitativos e/ou
quantitativos dispostos sobre uma base de referência, geralmente extraída dos mapas e cartas
topográficas, as informações referentes a um determinado tema ou fenômeno que está presente ou age
no território mapeado.”
35
Cartografia Temática
Mapa
Pedológico
https://brasil.mapbiomas.org/
https://www.embrapa.br
36
Referências
Mapa
• IBGE. Noções Básicas de Cartografia; Rio de Janeiro, 1998
• Pedológico
Introdução à Cartografia / por Argentino José Aguirre, José Américo de Mello Filho. – Santa
Maria: UFSM / CCR / Departamento de Engenharia Rural, 2009, 2.ed. 80 p. : il. (Caderno Didático)
37
Introdução ao Geoprocessamento
Contextualização
• Definição e Conceitos
Histórico
38
Contextualização - Geotecnologias
39
Contextualização - Geotecnologias
40
Geoprocessamento
41
Histórico Geoprocessamento
42
Exemplos de Aplicação
https://earthengine.google.com/case_studies/
43
Monitoramento de florestas –
manejo e conservação
https://earthengine.google.com/case_studies/
44
Monitoramento de florestas-
desmatamento
https://earthengine.google.com/case_studies/
45
Monitoramento de espécies
https://earthengine.google.com/case_studies/
46
Monitoramento de doenças -
malária
https://earthengine.google.com/case_studies/
47
Sistemas de Informação Geográfica
48
Conceitos
→Consultar, recuperar, visualizar e permitir saídas gráficas para o conteúdo da base de dados
geocodificados.
49
Histórico dos SIGs
50
Histórico dos SIGs
»Entre 1975 e 1990:
»Microinformática;
»Desenvolvimento de softwares e aplicações;
»Comercialização de soluções.
»Entre 1990 e 2010:
»Computadores mais rápidos, mais potentes e mais baratos;
»Popularização dos SIGs;
»Considerada a fase em que os SIGs “decolaram”.
»A partir de 2010:
»Explosão dos dados abertos;
»Desenvolvimentos de soluções “open source”;
»Computação em nuvem “Cloud computing”.
51
CARACTERÍSTICAS
52
COMPONENTES DO SIG
HARDWARE Equipamentos
SOFTWARE Aplicativos
53
ESTRUTURA DO SIG
Interface com
usuário
Banco de dados
Geográficos
54
ESTRUTURA DO SIG Linguagem de comandos
Interface com base em menus
Interface com
usuário
Funções de
Entrada e Integração Visualização
Processamento:
de Dados Plotagem
Consulta e Análise Espacial
Banco de dados
Geográficos
55
57
58
59
Linguagem de comandos – evolução: Big
data, séries temporais, espaço, funções...
60
ESTRUTURA DO SIG
Interface com
usuário
61
ESTRUTURA DO SIG
Interface com
usuário
• Plotagem
• Legenda
Gerência de Dados Espaciais: • Layout
Armazenamento e Recuperação
Banco de dados
Geográficos
62
63
ESTRUTURA DO SIG
Interface com
usuário
Funções de
Entrada e Integração Processamento: Visualização
de Dados Consulta e Análise Plotagem
Espacial
64
O que é o BD?
Um banco de dados pode ser
simples ou complexo (nuvem)!
Tabela (ângulos, azimutes, distâncias)
1
BIG DATA
65
Qual é o seu objetivo?
66
O BD DEVE SER
ADEQUADO
PARA O SEU
OBJETIVO
67
Construindo um Banco de Dados
68
DADO E INFORMAÇÃO
69
DADOS
70
ESTRUTURA DO SIG
71
ESTRUTURA DO SIG
72
DADOS ESPACIAIS
Representação
• Matricial ou Raster
• Vetorial
Mundo real
Vetorial Matricial
73
BASE DE DADOS GEOESPACIAIS
Abrangênci
Entidade a Rural/Urbano Tipo Site Descrição
Consulta ao cadastro imobiliário rural no sistema de gestão
Sigef (INCRA) Federal Rural Vetorial https://sigef.incra.gov.br/ fundiária do INCRA
Ministério da Agricultura Cadastro Ambiental Rural do Ministério do Ministério do Meio
(CAR) Estadual Rural Vetorial https://www.car.gov.br/publico/imoveis/index Ambiente
GeoSampa (Prefeitura de Cadastro imobiliário urbano de loteamentos, quadras e lotes do
São Paulo) Municipal Urbano Vetorial http://geosampa.prefeitura.sp.gov.br/ município de São Paulo
Zoneamento e cadastro imobiliário urbano de loteamentos, quadras
Zoneamento Campinas Municipal Urbano Vetorial https://zoneamento.campinas.sp.gov.br/ e lotes do município de Campinas
Cadastro de plantas do município de Fortaleza (Pesquisar na
Prefeitura de Fortaleza Municipal Urbano Outros https://acervo.fortaleza.ce.gov.br categoria Cartografia o tema Cadastro Urbano)
INCRA Federal Rural Vetorial https://acervofundiario.incra.gov.br/acervo/acv.php Acervo de arquivos shapefile do INCRA com Sigef e SNCI
Ferramenta de visualização de perfis temporais dos índices
Rural e https://www.satveg.cnptia.embrapa.br/satveg/login.ht vegetativos NDVI e EVI do sensor MODIS em qualquer local da
Embrapa Mundial Urbano Dados ml América do Sul.
Rural e
Exército Brasileiro (BDGEx) Federal Urbano Raster https://bdgex.eb.mil.br/ Cartas topográficas do IBGE (diversas escalas)
Rural e
Exército Brasileiro (BDGEx) Federal Urbano Raster https://bdgex.eb.mil.br/bdgexapp/mobile Cartas topográficas do IBGE (acesso online)
Rural e
Inmet Federal Urbano Dados https://portal.inmet.gov.br/dadoshistoricos Dados meteorológicos horários de diversas estações automáticas
74
BASE DE DADOS GEOESPACIAIS
http://www.cprm.gov.br/publique/Gestao-Territorial/Prevencao-
Serviço Geológico do Brasil - de-Desastres/Cartas-de-Suscetibilidade-a-Movimentos- Cartas de suscetibilidade a movimentos gravitacionais de massa e
CPRM Federal Rural e Urbano Vetorial Gravitacionais-de-Massa-e-Inundacoes-5379.html inundações
75
BASE DE DADOS GEOESPACIAIS
76
SOFTWARES
→ArcGIS – vetor e raster
→ENVI – raster
→QGIS – vetor e raster (gratuito)
→TERRSET– raster
→SPRING - raster e vetor (gratuito)
→R - raster e vetor
→Processamentos em nuvem - Google e Amazon – vetor e raster
77
EXERCÍCIO PRÁTICO
• https://download.qgis.org/downloads/windows/3/3.16/
78
EXERCÍCIO PRÁTICO
ETAPA 1
79
EXERCÍCIO PRÁTICO
ETAPA 2
80
EXERCÍCIO PRÁTICO
ETAPA 3
81
EXERCÍCIO PRÁTICO
ETAPA 4
a) Adicionar a tabela .csv obtida do IBGE para a área e/ou produção agrícola (Escolha
AREA_AGRICOLA ou QuantidadeProduzida). Camada- Adicionar camada – Adicionar
Camada de Texto Delimitado.
82
EXERCÍCIO PRÁTICO
ETAPA 5
83
EXERCÍCIO PRÁTICO
ETAPA 6
84
OBRIGADA!
https://www.linkedin.com/in/ana-cl%C3%A1udia-dos-santos-luciano-a785b654/
85
ANÁLISE ESTATÍSTICA
ESPACIAL
Ana Cláudia S. Luciano
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados, é do professor.
2
Introdução ao Geoprocessamento e SIGs
Contextualização
• Definição e Conceitos
Histórico
3
Contextualização - Geotecnologias
4
Contextualização - Geotecnologias
5
Geoprocessamento
6
Sistemas de Informação Geográfica
7
Conceitos
→Consultar, recuperar, visualizar e permitir saídas gráficas para o conteúdo da base de dados
geocodificados.
8
CARACTERÍSTICAS
9
COMPONENTES DO SIG
HARDWARE Equipamentos
SOFTWARE Aplicativos
10
ESTRUTURA DO SIG
Interface com
usuário
Banco de dados
Geográficos
11
ESTRUTURA DO SIG
12
DADOS ESPACIAIS
Representação
• Matricial ou Raster
• Vetorial
Mundo real
Vetorial Matricial
13
RASTER
i1,j1
Tamanho da célula
Número de
Linhas
(X,Y)
Número de Colunas
14
RASTER
→ Células ou elementos: Pixels;
→ A cada pixel é associado um valor de atributo;
→ Valores atribuídos:
15
RASTER
→ Cada pixel é associado a uma porção do terreno;
→ Tamanho do pixel afeta propriedades de áreas;
→ O número de pixels aumenta quando há redução da dimensão do mesmo (mais
memória computacional)
16
RASTER: VANTAGENS
17
RASTER: DESVANTAGENS
→ Estrutura de dados ocupa mais espaço de memória;
18
RASTER: EXEMPLOS
→Imagens digitalizadas e georreferenciadas;
19
Sentinel 2 - 2019 Landsat 8 - 2019
30 metros
Piracicaba - SP
20
Landsat 8 – 2019
30 metros
Piracicaba - SP
21
Sentinel 2 – 2019
10 metros
Piracicaba - SP
22
Sentinel 2 – 2019
10 metros
Piracicaba - SP
23
24
Planet– 2014
0.8 metros
EUA
25
Planet– 2014
0.8 metros
EUA
26
Planet– 2014
0.8 metros
EUA
27
Definição do Sensoriamento Remoto
máxima Sensoriamento Remoto “é a aquisição de dados sobre um objeto
sem tocá-lo”.
28
CONCEITOS
Sensoriamento Remoto
29 - Passivo
VETOR
→ Todo elemento espacial é representado por uma série de vetores com
coordenadas;
30
VETOR
→ Entidade geográfica posicionada por coordenadas X e Y;
→ Dados não espaciais ou atributos podem ser arquivados, indicando que tipo
de ponto se trata.
31
VETOR – PONTOS
32
VETOR – LINHAS
Vetorial Matricial
33
VETOR – POLÍGONOS
→ Definidos por uma série de pontos com coordenadas X e Y formando linhas
que fecham uma determinada área;
→ Atributos que podem ser associados aos polígonos: área, perímetro etc.
Vetorial Matricial
34
VETOR – VANTAGENS
→ Estrutura de dados compacta;
35
VETOR – DESVANTAGENS
→ Estrutura de dados complexa;
36
VETOR – EXEMPLOS
→ Pontos, linhas e polígonos por GPS;
37
DADOS ALFANUMÉRICOS
https://www.ibge.gov.br/geociencias/organizacao-do-territorio/malhas-territoriais/15774-malhas.html?edicao=24048&t=sobre
38
FONTE DE ERROS DOS DADOS
39
ESTRUTURA DO SIG
40
ANÁLISE DE DADOS
Grande volume
de dados
Estruturados!
Informação!
Mapa
Operações Tabela
Lógica Matemática Trigonométricas Gráfico
Estatísticas Multivariadas
41
ANÁLISE DE DADOS
Grande volume
de dados
Ruins!
Informação
Ruim!
Operações Mapa
Lógica Matemática Trigonométricas Tabela
Gráfico
Estatísticas Multivariadas
42
ANÁLISE ESPACIAL
43
OPERAÇÕES EM ANÁLISE ESPACIAL
→ Operações lógicas;
→ Operações matemáticas;
→ Operações trigonométricas;
→ Operações estatísticas;
→ Operações multivariadas.
44
EXEMPLOS DE ANÁLISE ESPACIAL
Consulta Interpolação
45
EXEMPLOS DE ANÁLISE ESPACIAL
46
EXEMPLOS DE ANÁLISE ESPACIAL
Imagem
47
EXEMPLOS DE ANÁLISE ESPACIAL
Vetor
48
EXEMPLOS DE ANÁLISE ESPACIAL
SOBREPOSIÇÃO
VETOR
Imagem
49
EXEMPLOS DE ANÁLISE ESPACIAL
CONSULTA
50
EXEMPLOS DE ANÁLISE ESPACIAL
BUFFER
51
APLICAÇÕES AGRÍCOLAS
52
https://experience.arcgis.com/experience/d33299b0b0224b37897c1b1ab88c8103 53
→ Representação da variação contínua do
relevo sobre o espaço.
54
CONTEXTUALIZAÇÃO
→ Relevo
→ Informação geológicas
→ Levantamentos de profundidades do
mar
→ Informação meteorológicas
55
FASES DA
MODELAGEM
Taborda, C., Oka-fiori, C., José, L., Santos, C., Evaristo, A., 2013. Soil
prediction using arti fi cial neural networks and topographic
attributes. Geoderma 165–
Aquisição de 172.https://doi.org/http://dx.doi.org/10.1016/j.geoderma.20
12.11.016
dados
Geração de
grades
Elaboração de
produtos
56
AQUISIÇÃO DE DADOS - AMOSTRAGEM
57
AQUISIÇÃO DE DADOS - AMOSTRAGEM
(x, y) ---- z
58
• Grades:
PROCESSO DE • Irregular triangular: é uma estrutura poliédrica cujos elementos básicos
MODELAGEM DO TERRENO: são triângulos. Os vértices dos triângulos pertencem ao conjunto de amostras
do modelo.
Interpolação de dados
• Regular retangular: é uma estrutura matricial que contém pontos3D
regularmente espaçados no plano xy.
59
Regular Retangular
Irregular Triangular
• Sem regularidade na distribuição espacial
• Vértices dos triângulos consistem no conjunto amostral
• Representa bem superfícies não homogêneas com variações locais
acentuadas
• Estrutura de dados mais complexa
• Aplicações quantitativas
60
VIZINHO MAIS
PRÓXIMO
61
MÉDIA SIMPLES
62
MÉDIA
PONDERADA
63
Vizinho + próximo Média simples Inverso do quadro da distância
Fonte: Druck, S.; Carvalho, M.S.; Câmara, G.; Monteiro, A.V.M. (eds) "Análise Espacial de Dados Geográficos". Brasília,
EMBRAPA, 2004 (ISBN: 85-7383-260-6).
64
EXERCÍCIO PRÁTICO - QGIS
ETAPA 1 – Sobreposição de dados
a) Adicionar a imagem no QGIS. Para isso: Camada- Adicionar camada – Adicionar
camada raster
65
EXERCÍCIO PRÁTICO - QGIS
ETAPA 1 – Sobreposição de dados
b) Adicionar o Limite.
66
EXERCÍCIO PRÁTICO - QGIS
ETAPA 2 – Realizar o buffer (Proximidade)
Aplicar buffer de 30, 100, 200 m
67
EXERCÍCIO PRÁTICO - QGIS
ETAPA 3 – Recortar a Imagem com base no Limite
68
EXERCÍCIO PRÁTICO - QGIS
ETAPA 4 – Alterar composição colorida da imagem
69
EXERCÍCIO PRÁTICO - QGIS
ETAPA 5 – Interpolação de dados
Adicionar dados de centróides
70
EXERCÍCIO PRÁTICO - QGIS
ETAPA 5 – Interpolação de dados
Gerar a interpolação pelo inverso da distância à potência e vizinho mais próximo
71
OBRIGADA!
https://www.linkedin.com/in/ana-cl%C3%A1udia-dos-santos-luciano-a785b654/
72
Gestão da Mudança na Era
Digital
(Change Management)
2
Gestão da Mudança
Outubro de 2023
3
Apresentação
4
GRUPO DE PESQUISA EM GESTÃO DA MUDANÇA E DA INOVAÇÃO
Mateus C. Gerolamo DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO
Professor Associado ESCOLA DE ENGENHARIA DE SÃO CARLOS
UNIVERSIDADE DE SÃO PAULO
❖ Professor da Universidade de São Paulo (USP).
❖ Área de atuação compreende Gestão da Qualidade, Projetos, Mudança e Inovação.
❖ Livre-Docência pela USP e Pós-doutorado pelo Instituto de Tecnologia de Berlim (TUB).
❖ Doutor, Mestre e Engenheiro de Produção pela USP.
❖ 20 anos de experiência em pesquisa, docência e projetos de consultoria com ênfase em Gestão de
Mudanças e Cultura Organizacional.
❖ Experiências em diversos setores: alimentos, automobilístico, construção civil, cosméticos, educação,
financeiro, saúde, serviços, têxtil, etc. em pequenas, médias, grandes e empresas do terceiro setor.
❖ Responsável por aula na graduação, pós-graduação lato e stricto sensu, e MBA.
❖ Ministra cursos em MBAs da USP e UFSCar (Gestão da Mudança e da Inovação, Liderança, Balanced
Scorecard, Gestão da Qualidade).
❖ Autor de livros, artigos nacionais e internacionais; revisor de periódicos internacionais, dentre eles o
Journal of Organizational Change Management.
❖ Certificado CTT1 (Cultural Transformations Tools) – Richard Barrett Centre.
Instagram: @mateusgerolamo
LinkedIn Pessoal: https://www.linkedin.com/in/mateus-gerolamo-802b965/ Grupo de Pesquisa:
Curriculum Vitae Lattes: http://lattes.cnpq.br/3002611390279533 Research team: http://change.prod.eesc.usp.br
Google Scholar: https://scholar.google.com.br/citations?user=t5efBTUAAAAJ LinkedIn Grupo Pesquisa: https://www.linkedin.com/in/change-eesc-usp-565668251/
ORCID: https://orcid.org/0000-0002-6535-0904 Facebook: https://www.facebook.com/groups/gestaodamudanca
Scopus: https://www.scopus.com/authid/detail.uri?authorId=6504619454 Engenharia de Produção: https://prod.eesc.usp.br/
Research ID: http://www.researcherid.com/rid/G-7182-2012 EESC: https://eesc.usp.br/
Research Gate: https://www.researchgate.net/profile/Mateus_Gerolamo USP: https://www5.usp.br/ 5
Grupo de Pesquisa: http://change.prod.eesc.usp.br
6
Inspiração Acadêmica
7
Principais fontes de Inspiração para
Pesquisa, Aplicação e Ensino BACKGROUND
Mateus C. Gerolamo, Engenharia de Produção, Escola de Engenharia de São Carlos (EESC), Universidade de São Paulo (USP), Gestão da Mudança
8
E-Book (in Portuguese) BACKGROUND
GEROLAMO, M. C.; BERTASSINI. A. C.; PONCE, L. G. Introdução à Gestão da Mudança em Organizações, 2023. Livro (e-book) – Editora Pecege. Apoio:
ONOVOLAB. 10.11606/9788592582524. Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Acesso em: 2023-03-27.
9
E-Book (in Portuguese)
• Introdução à Gestão da Mudança em Organizações
• Livro e-book (2023)
• Data de Publicação: 07 de março de 2023
• Autores: Mateus Cecilio Gerolamo, Ana Carolina
Bertassini; Lilian G. Ponce
• Acesso gratuito a todo conteúdo:
https://doi.org/10.11606/9788592582524
• Mais de 1,5k downloads
desde março de 2023
GEROLAMO, M. C.; BERTASSINI. A. C.; PONCE, L. G. Introdução à Gestão da Mudança em Organizações, 2023. Livro (e-book) – Editora Pecege. Apoio:
ONOVOLAB. 10.11606/9788592582524. Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Acesso em: 2023-03-27.
10
Thesis (in Portuguese) BACKGROUND
GEROLAMO, Mateus Cecilio. Gestão da mudança na perspectiva do comportamento organizacional e da liderança: proposta de um framework teórico e
avaliação de iniciativas acadêmicas. 2019. Tese (Livre Docência em Gestão da Qualidade e Mudança Organizacional) - Escola de Engenharia de São Carlos,
Universidade de São Paulo, São Carlos, 2019. doi:10.11606/T.18.2020.tde-10032020-143539. Acesso em: 2020-06-07.
11
Flex Method for Innovation (FlexM4i) (in Portuguese)
Professor Henrique Rozenfeld BACKGROUND
5 1
• Instrumento de Avaliação de Cultura de
0 9 8-
Inovação
27 3.
15.
• Autores: Cristhian Mafalda, Ricardo F.
a 3
Esposto e Mateus C. Gerolamo
i d
o sh
• Acesso gratuito a todo conteúdo:
i Y
s h
su
https://flexmethod4innovation.com/pratica/instrumento-
avaliacao-cultura-inovacao/
A t
e l o
a r c
• Conteúdo Completo (FlexM4i):
https://flexmethod4innovation.com/
M Rozenfeld, EESC-USP
Prof. Henrique
flexM4I > abordagens e práticas > Instrumento de Avaliação de Cultura de Inovação. Este instrumento foi criado por Cristhian
Mafalda<cristhianmafalda@gmail.com>, Ricardo Esposto<ricardoesposto@gmail.com> e Mateus Gerolamo <gerolamo@sc.usp.br>
Agenda / Conteúdo
13
▪ Contexto organizacional 4.0
▪ Capacidade de execução de mudanças
▪ Autoconhecimento (indivíduos e
Conteúdo grupos)
Geral do Curso / ▪ Visão sistêmica e alinhamento
organizacional
Material
▪ Organizações Positivas
▪ Ferramentas / Técnicas de Gestão da
Mudança
▪ Exercícios / cases / dinâmicas
14
Contexto Organizacional
Macro ambiente & Organizações
15
Estamos Vivendo em um Mundo VUCA
16
FRÁGIL ANSIOSO NÃO LINEAR INCOMPREENSÍVEL
Fonte: https://digitalleadership.com/blog/bani-world/ 17
Indústria 4.0 Economia 4.0
Contexto da
Quarta
Revolução
Industrial
Sociedade 4.0
Sociedade 5.0 18
Desafios
Entender como temáticas atuais se integram com a Gestão da
Mudança e Inovação:
Empresas Autogeridas / Organizações do Conhecimento
Capitalismo Consciente / Empresas Humanizadas / DEI
Economia Circular / Empresas Circulares / Sustentabilidade / ESG
Servitização / PSS / Empresas Focadas em Serviços
Indústria 4.0 / Transformação Digital
Cocriação / Coinovação / Inovação Disruptiva
Gestão da Mudança e Inovação / Change and Innovation Management
19
Contexto Organizacional
POR QUE ESSE CURSO É IMPORTANTE?
A cultura é um ativo que, se bem gerenciado, gera resultados duradouros.
82% dos CEOS reconhecem a cultura como uma vantagem competitiva, e reconhecem que gerenciar a
cultura tem impacto positivo nos colaboradores e nos clientes [5]
Fonte: [1] The Economist (2016); [2] PwC (2013); [3] Delloite (2013); [4] AON Hewitt (2013); [5] EY (2016) 20
Contexto Organizacional
POR QUE ESSE CURSO É IMPORTANTE? 5 1
0
A cultura é um ativo que, se bem gerenciado, gera resultados duradouros.
9 8-
27 3.
.
95% dos empregados reclamam
5
67% das áreas de RH e TI não
1
que eles não possuem ciência ou
3
estão alinhadas com as
não compreendem a estratégia
unidades de negócio e as
estratégias corporativas.
i da da companhia.
o sh
60% das organizações não
i Y
h
50% indicam que, na verdade,
integram seus orçamentos
A t
financeiros com suas
prioridades estratégicas.
discussão da estratégia.
e l o
ar c
70% dos gerentes de nível intermediário e
85% das lideranças executivas
reportam que eles gastam menos
Mmais de 90% dos funcionários de linha de
frente não possuem incentivos amarrados
de uma hora por mês discutindo
suas estratégias.
ao sucesso da implementação da estratégia.
21 Fonte: Kaplan e Norton (2005)
Contexto, Justificativa & Objetivo
Gestão da Mudança
22
A Linha do Tempo da Gestão da Mudança
hoje
Formalização Desenvolvimento
Fundação No radar de Profissionais e
Da Disciplina
Organizações na
Disciplina
23
Contextualização
Não está faltando um modelo
de gestão da mudança
24
Contextualização
Capacidade de
Mudança
Reflete também a habilidade de implementar
as mudanças que se façam necessárias.
25
Contextualização
• A construção de uma capacidade de mudança organizacional envolve três áreas
principais: um contexto
organizacional
que sustente a
mudança
uma cultura
a implementação organizacional
da mudança que facilite o
aprendizado
• Construir essa capacidade (ou essa competência) requer intervenções focadas nos
membros, na estrutura e na cultura da organização.
26
Contextualização
Quem influencia a capacidade de mudança da organização?
Os stakeholders da mudança:
estrategistas da
mudança
capacidade de
implementadores Influenciam mudança da
organização
receptores
Fonte: Buono e Kerber (2010); Kerber e Buono (2005).
27
Sete Razões para o Desdobramento da Gestão da Mudança nas Organizações
3. Dar a devida
2. Saber lidar
1. Conduzir mais atenção aos
com o número
mudanças bem- custos da
de mudanças em
sucedidas mudança mal
andamento
gerenciada
4. Alinhar
6. Criar uma 7. Desenvolver
práticas 5. Preparar a
abordagem com as capacidades
organizacionais organização para
consistência e internas
com os valores o futuro
eficiência necessárias
organizacionais
Fonte: Adaptado de PROSCI. 7 Compeling Reasons for Change Management Deployment. Prosci: People, Change, Results, Thought Leadership Article, 2017.
Disponível em: <https://www.prosci.com/resources/articles/7-reasons-for-change-management-deployment>.
28
O Gap Futuro da Liderança
Excessos Adequados
30
Justificativa para o Curso
As decisões sobre a alocação de recursos, sejam eles o tempo, a energia, o uso dos talentos,
dentre outros, definem, em última instância, a estratégia a ser executada pela sua
organização, independentemente da estratégia planejada / desejada, que teoricamente
deveriam ser alinhadas.
As decisões sobre as alocações de recursos podem tornar a vida das organizações muito
diferente da sua missão, da visão, e da estratégia planejada.
Adaptado de: Christensen, C. M. Que critérios pautarão sua vida? Harvard Business Review, Brasil, Julho, 2010, pp. 80-85.
31
Justificativa para o Curso
Adaptado de: Christensen, C. M. Que critérios pautarão sua vida? Harvard Business Review, Brasil, Julho, 2010, pp. 80-85.
32
Objetivos da aula
33
34
Lógica RPV (Recursos, Processos, Valores)
Cultura
Organiza-
cional
V
Desempenho no Mercado principal
Evolução / Crescimento
Valores
Inovação Disruptiva /
Mudança Radical
Capacidade p/
Processos
sim
Sucesso
R
Recursos
Fonte: CHRISTENSEN, C. M.; OVERDORF, M. Meeting the Challenge of
Disruptive Change, Harvard Business Review, Mar-Apr, 2000.
Fundador não
Tempo / Maturidade
35
Resultados para
Iceberg da Mudança e Inovação Stakeholders / Sociedade
Principais dimensões e
variáveis do
comportamento Retorno ($)
Resultados Mercado
organizacional para o (não funcionam bem / Clientes Resultados
gerenciamento de o bastante ou
(funcionam
mudança e inovação precisam ser
Ações / Práticas para bem o
diferentes)
resolução de Problemas bastante)
Invenção,
Descoberta, Experiências
Desenvolvimento Execução da
Recursos (R)
Estratégia Ensinar a novos
Estratégia
Processos (P) membros
Ambiente
Estruturas Capabilidades Competências Teoria E
Externo & Comportamentos Gestão Hard Nível dos Artefatos Visíveis
Sistemas / Reações
Nível dos Valores
Cultura Liderança Soft
Aprendizagem Teoria O
Organizacional Normas
&
Crescimento Valores
Problemas: Forma correta
Cultura &
o Adaptação Externa
Liderança
de perceber,
Mindset
o Integração interna Valores (V) pensar e sentir
Indivíduo
Propósito
Crenças
Pressupostos Básicos / Crenças
(dados como certo) Nível dos Pressupostos Básicos
Fonte: adaptado de GEROLAMO, 2019 36
Conceito
Change Management
37
Estágios da Mudança
38
Definição
39
Gestão da Mudança Definição
“O gerenciamento de mudanças é um termo coletivo para todas as
[1] A gestão da mudança e A Gestão de abordagens para preparar e apoiar indivíduos, equipes e organizações
desenvolvimento dentro de um negócio na realização de mudanças organizacionais. Inclui métodos que
Mudanças redirecionam ou redefinem o uso de recursos, processos de negócios,
ou de uma organização similar. refere-se aos alocações de orçamento ou outros modos de operação que alteram
“processos, significativamente uma empresa ou organização. O Gerenciamento de
[2] A identificação e implementação ferramentas e Mudança Organizacional considera a organização completa e o que
controlada de mudanças necessárias técnicas para precisa mudar[1], enquanto o gerenciamento de mudanças pode ser
dentro de um sistema de informação. gerenciar o lado usado somente para se referir a como as pessoas e equipes são
afetadas por essa transição organizacional. Ele lida com muitas
Oxford Living Dictionaries, das pessoas em disciplinas diferentes, desde ciências comportamentais e sociais até
https://en.oxforddictionaries.com/definition/change_management uma mudança soluções de tecnologia da informação e negócios[2].
para alcançar
um resultado Em um contexto de gerenciamento de projetos, o termo
Gestão da Mudança ‘gerenciamento de mudanças’ pode ser usado como uma alternativa
necessário para
para o processo de controle de mudanças, no qual mudanças no
o negócio”. escopo de um projeto são formalmente introduzidas e aprovadas [3] [4].”
O planejamento e a introdução de
novos processos, métodos de trabalho, Prosci, Wikipedia, https://en.wikipedia.org/wiki/Change_management
https://www.prosci.com/ch
etc. em uma empresa ou organização. ange-management/thought-
[1] "Home". International Organizational Change Management Institute. Retrieved 2015-12-08.
[2] https://www.prosci.com/change-management/what-is-change-management
leadership-library/change- [3] Filicetti, John (August 20, 2007). "Project Management Dictionary". PM Hut. Retrieved November 16,
management-definition
Cambridge Dictionary, 2009.
https://dictionary.cambridge.org/dictionary/english/change- [4] Levin, Ginger (2012). "Embrace and Exploit Change as a Program Manager: Guidelines for Success".
management Project Management Institute. Retrieved August 10, 2013.
40
John P. Kotter
41
John P. Kotter
▪ Leading Change
▪ by John P. Kotter (Author)
▪ Hardcover: 197 pages
▪ Publisher: Harvard Business School Press; 1st
edition (January 15, 1996)
Kotter, John P (1996). Leading Change, Harvard Business School Press, 1st Edition, p. 197.
42
Conceitos: Os Erros da Gestão da Mudança
43
Conceitos: Os Passos da Mudança
44
Os 8 Passos 8.
1. Senso de
Institucionalizar
Processo de Mudança as mudanças
urgência
(John P. Kotter)
2. Poderosa
7. Consolidar
coalizão de
as melhorias
liderança
6. Objetivos
3. Criar uma
e metas de
visão
curto prazo
5. Empoderar 4. Comunicar
as pessoas a visão
45
Definindo Gestão da Mudança
*Nota: Esta definição é fruto de um trabalho em equipe desenvolvido por estudantes de pós-graduação na disciplina SEP5835 – Gestão da Mudança
oferecida pelo professor Mateus C. Gerolamo, na aula de Conceitos de Gestão da Mudança, em 23 de março de 2018. Os integrantes da equipe e os
autores da frase são, em ordem alfabética: Jeanne L. M. Michel, Júlio C. Natalense, Valter Yogui, Welington J. R. dos Santos, e Willian Rossini. Em
2023 Anna Carolina Maccarone e Maiara Rosa Cencic agregaram mais elementos à esta definição. Revisada e adaptada por Mateus C. Gerolamo.
46
Cinco Principais Segredos do Sucesso para a Integração entre
Gestão de Projetos e Gestão da Mudança
1. Apoio e 4. Direção 5.
2. Apoio 3. Escopo,
adesão e formas Definição e
da tempo e
dos times de clareza nos
liderança priorização
de projeto integração papeis
Fonte: Adaptado de PROSCI. Change Management & Project Management: 5 Keys to Effective Integration. Prosci: People, Change, Results, Thought Leadership Article, 2017.
Disponível em: <https://www.prosci.com/resources/articles/integrating-change-and-project-management>.
47
Atividades de Gestão de Projetos versus Atividades de Gestão da Mudança
49
49
Desafios de Mudanças em Negócios
CASES
50
Desafios de Mudanças nos Negócios
Caso 1: Uma nova iniciativa
51
Desafios de Mudanças nos Negócios
Caso 2: Uma aquisição
52
Principais Desafios de Negócios
D.I.C.E.
54 54
The Hard Side of Change Management
The Hard Side of Change Management, by Harold L. Sirkin , Perry Keenan and Alan Jackson, Harvard Business Review
From the October 2005 Issue, Available at: https://hbr.org/2005/10/the-hard-side-of-change-management
DICE® BCG: https://www.bcg.com/en-br/capabilities/change-management/dice.aspx
55
The Hard Side of Change Management51
8 -
3 . 09
5. 27
a 31
i d
o sh
i Y
s h
A t su
e l o
ar c
M
The Hard Side of Change Management, by Harold L. Sirkin , Perry Keenan and Alan Jackson, Harvard Business Review
From the October 2005 Issue, Available at: https://hbr.org/2005/10/the-hard-side-of-change-management
DICE® BCG: https://www.bcg.com/en-br/capabilities/change-management/dice.aspx 56
Os Quatro Fatores D.I.C.E. (Duração, Integridade, Comprometimento, Esforço)
57
Cálculo da Pontuação D.I.C.E.
Fatores DICE Questões e Pontuação
A equipe costuma fazer acompanhamento e revisões do projeto de forma regular.
D As revisões acontecem numa frequência coerente com o tempo total do projeto (por exemplo de 2 em 2
meses).
(Pontuação: concordo totalmente = 1; concordo = 2; discordo = 3; discordo totalmente = 4)
I Os membros da equipe possuem competência adequada para concluir a iniciativa de mudança no prazo.
(Pontuação: concordo totalmente = 1; concordo = 2; discordo = 3; discordo totalmente = 4)
C1 A mensagem é consistente e convincente. A alta liderança tem direcionado recursos suficientes para a
mudança.
(Pontuação: concordo totalmente = 1; concordo = 2; discordo = 3; discordo totalmente = 4)
Os colaboradores que impactam ou são impactados pela mudança entendem as razões e acreditam na
C2 necessidade da transformação. Eles dão apoio e estão motivados. Não estão aflitos nem demonstrando
sinais de resistência.
(Pontuação: concordo totalmente = 1; concordo = 2; discordo = 3; discordo totalmente = 4)
O projeto demanda uma quantidade de esforço compatível com as atividades do dia-a-dia dos membros da
E equipe. A equipe prioriza seu tempo para empregar o esforço na mudança. Não se percebe resistência
quando necessário aumentar o esforço demandado para a equipe. (Pontuação: concordo totalmente = 1;
concordo = 2; discordo = 3; discordo totalmente = 4)
Fonte: SIRKIN, H. L.; KEENAN, P.; JACKSON, A. The Hard Side of Change Management, Harvard Business Review, October, 2005, pp. 108-114, p. 109.
58
D.I.C.E.
BEM-SUCEDIDO
Duration / Integrity / Commitment / Effort
Calcular
MAL SUCEDIDO
PONTUAÇÃO DICE = D + 2*I + 2*C1 + C2 + E
7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
Pontuação DICE
Fonte: SIRKIN, H. L.; KEENAN, P.; JACKSON, A. The Hard Side of Change Management, Harvard Business Review, October, 2005, pp. 108-114, p. 110.
Pontuação
DICE
7
8 Zona
9 Sucesso
10 Meta = 10
11
12,7
12
13 13,0
14,3
14
Zona
15
14,9 14,9 Preocupação
16
17
18
19
20
21
22
23 Zona
24 Fracasso
25
26
27
28
Linha de
Kick-off Ga te 1 Ga te 2 Ga te 3 Ga te 4 Ga te 5
05/03/2018 12/04/2018 17/05/2018 14/06/2018 18/09/2018 06/06/2019 Tempo do
Projeto
Ga te 6
16/09/2019
60
Alinhamento Organizacional
Visão Sistêmica da Cadeia de Valor
61
Importância da Cadeia de Valor
Além de operar a organização, as pessoas também são
responsáveis pelas inovações e por sua evolução;
62
Importância da Cadeia de Valor
O que é uma cadeia de valor?
63
Cadeias de Valor são Complexas
64
Cadeias de Valor são Complexas
65
Como manter a coerência da(s)
sua(s) cadeia(s) de valor e obter
resultados positivos para os
diversos stakeholders do negócio?
66
Alinhamento
• O alinhamento é uma idéia que captura o conceito
de dinamismo, ou vida, na organização;
68
Se pudermos entender e
aplicar corretamente uma
abordagem efetiva para
gestão do ‘fator humano’
...
... descobriremos um
recurso primordial para a
melhoria do desempenho
no futuro próximo.
69
Observe seus Stakeholders ...
A menos que toda a nossa energia e recursos
estejam focados em melhorar o ‘alinhamento’
entre a nossa organização e todos os seus
stakeholders, estaremos provavelmente
desperdiçando o tempo de todos e
enfraquecendo a organização nesse processo.
70
Em Busca do
Alinhamento Organizacional
Visão Sistêmica da Cadeia de Valor
71
Como Buscar o Alinhamento?
Resultado para Hard
os Stakeholders Estratégia
Para promover o de Negócio
Execução
Alinhamento
da Estratégia
Organizacional,
diferentes dimensões Cultura
Organizacional
organizacionais
Liderança
devem ser
consideradas. Soft
Propósito
73
Desafios para a Liderança
▪ Alinhar a organização,
▪ Alinhar as pessoas,
▪ Alinhar os comportamentos,
▪ Definir uma estratégia,
▪ Executar a estratégia, e
▪ Obter os resultados.
Fazer de forma certa as coisas certas
74
Antes de alinhar as
pessoas é preciso
Desafios para conhecê-las, bem como as
a Liderança razões pelas quais se
comportam de uma
determinada forma!
75
Forças Comportamentais
Desafios do Alinhamento Organizacional
76
Forças Comportamentais
A força que representa cooperação, A força voltada para criatividade,
coesão, participação e mudança, inovação e flexibilidade
harmonia
As raízes desse sistema estão firmemente estabelecidas na teoria dos tipos psicológicos de
Carl G. Jung. Esta teoria diz que toda atividade mental consciente ocorre em:
▪ dois processos perceptivos: ▪ e em dois processos de decisão:
✓ sensação, e ✓ pensamento, e
✓ intuição; ✓ sentimento
77
Alinhamento organizacional
e da Cadeia de Valor
Integrando Modelos
78
Alinhamento Organizacional e da Cadeia de Valor
Para promover o
Alinhamento
Organizacional, diferentes
dimensões organizacionais
devem ser consideradas.
79
Alinhamento Organizacional e da Cadeia de Valor
Para promover o
Alinhamento
Organizacional,
diferentes forças
comportamentais
devem ser
consideradas.
80
Alinhamento Organizacional e da Cadeia de Valor
O desafio é compreender o papel
das forças comportamentais no
alinhamento e desalinhamento
de suas cadeias de valor
81
Alinhamento Organizacional e da Cadeia de Valor
O desafio é compreender o papel
das forças comportamentais no
alinhamento e desalinhamento
de suas cadeias de valor
82
Instrumento de Avaliação do Alinhamento Organizacional
86
A importância dos Valores
FRAMEWORK DE TENSÕES
ORGANIZACIONAIS
87
Figura:
Um Framework de
Tensões Organizacionais
5 1
• Valores
0 9 8-
3.
• Indicadores
• Comportamentos
. 27
(positivos e negativos)
3 15
i da
sh
Framework de
o
Tensões
Y
Organizacionais
s hi
A t su
e l o
ar c
Fonte: M
Quinn, R. E. The Positive Organization: Breaking Free from
Zona Positiva
Conventional Cultures, Constraints, and Beliefs, Berrett-Koehler
Publisher, Inc. 2015. Chapter 1, pages 11-17. Zona Negativa
88
TIPOLOGIA DE CULTURA
ORGANIZACIONAL
89
Competing Values Framework (CVF)
Estrutura / Ambiente
1
Orientado à Flexibilidade e Mudança
COLABORAÇÃO
A organização é um lugar aberto e amigável
CRIAÇÃO
Lugar dinâmico, empreendedor e criativo.
8- 5
para se trabalhar, onde as pessoas Inovação e tomadas de risco são praticadas
0 9
3.
• Modelo: Relações Humanas compartilham muito de si mesmas. Líderes pelos indivíduos. O comprometimento em • Modelo: Sistemas Abertos
• Estratégia: Inovação em Produto-
7
• Estratégia: Cooperação / são considerados mentores ou mesmo, testar e refletir sobre aspectos distintos
2
figuras familiares. Lealdade entre grupos e unifica a organização. Esforço para estar “on Serviço / Adaptação / diferenciação
.
Relacionamento / Intimidade c/
senso de tradição são fortes. Enfatiza-se the leading edge”. O objetivo a longo-prazo
5
clientes • Cultura: Adocracia / Criação /
1
benefícios de longo-prazo obtidos através é o crescimento e a aquisição de novos Desenvolvim.
• Cultura: Clã / Colaboração
3
do desenvolvimento de recursos humanos . recursos. Sucesso significa obter • Líderes: inovadores,
• Líderes: considerados mentores
a
Grande importância é dada à coesão dos exclusividade e novos produtos e serviços. É
• Exemplo: Harley-Davidson empreendedores
d
grupos. Existe um forte interesse das importante ser líder do setor. Iniciativas
i
pessoas. A organização premia o trabalho individuais e liberdade são encorajadas. • Exemplo: Apple
sh
em equipe, a participação e o consenso.
Yo
Foco Interno Foco Externo
Orientado a Pessoas CONTROLE COMPETIÇÃO Orientado a Organização
u
• Estratégia: Excelência Operacional / comportamentos. Líderes buscam eficiência organização. As pessoas são competitivas e • Estratégia: Excelência Operacional /
Eficiência / Consolidação
• Cultura: ‘Hierarquia’ / Estruturação /
A t s
e esforçam-se para ser bons coordenadores.
Manter um funcionamento sem problemas é
o mais crítico. Políticas formais mantém os
orientadas a objetivos. Líderes são
exigentes, produtivos e “durões”. A ênfase
em vencer é o que unifica a organização.
Eficácia / Crescimento e Maxim. de
Resultados
o
• Cultura: Mercado / Realização /
l
Excelência / Controle grupos unidos. Estabilidade, desempenho e Reputação e sucesso são preocupações
ce
• Líderes: bons coordenadores eficiência são metas de longo-prazo. Sucesso comuns. O foco a longo-prazo é obter Agilidade / Competição
r
• Exemplo: McDonalds significa entregas confiáveis, planejamento competitividade e resultados mensuráveis. • Líderes: exigentes, produtivos e
a
executável e baixo custo. A gestão requer Sucesso significa obter inserção e posição “durões”
• Exemplo: AMBEV
M
segurança e previsibilidade. de mercado. Preços competitivos e
liderança de mercado são importantes.
Estrutura / Ambiente
Orientado à Estabilidade e Controle
Fonte: Cameron Kim S.; Quinn, Robert E. (2011). Diagnosing and Changing Organizational Culture:
Based on the Competing Values Framework. San Francisco: Jossey-Bass, 3rd Edition.
90
Exemplo de Mapeamento de Cultura em uma Organização
91
Exemplo de Mapeamento de Cultura em uma Organização
92
Case: Cultura Organizacional
93
Exemplo de Mapeamento de Cultura em uma Organização
94
94
Exemplo de Culturas nas Indústrias
95
Onde precisamos focar para
melhorar a cultura da nossa
organização para o novo contexto?
96
The Positive Organization
• Quando um propósito claro e
significativo é dado às pessoas unidas,
elas são capazes de se moverem adiante
de forma mais rápida e persistirem
mesmo quando os líderes estiverem
ausentes.
97
The Positive Organization
• Robert E. Quinn, em seu livro “The Positive Organization” apresenta um
conjunto de 5 princípios para a construção de uma organização mais positiva.
98
The Positive Organization
5 princípios para a construção de uma organização positiva:
99
The Positive Organization
1. Criar um Senso de Propósito: O sucesso ou o fracasso
sempre terão um grande impacto no futuro da humanidade.
Dentro de uma empresa, as pessoas levam isso a sério e isso
se torna uma fonte de inspiração. Para que se possa gerenciar
tal crescimento, uma companhia necessita de consistência,
um conjunto de valores, e princípios operacionais. Em
conjunto, o propósito, os valores e os procedimentos
operacionais se tornam um framework de muito significado. O
propósito não é uma estratégia e não se preocupe caso ele
não seja uma estratégia.
Criar um Senso
Fonte: Quinn (2015, p. 22-26). de Propósito
100
The Positive Organization
2. Nutrir Diálogos Autênticos: Geralmente não são as palavras que
fazem uma companhia se mover, mas sim a pessoa dizendo aquelas
palavras e sobre o como essa pessoa as diz. Propósito é inseparável de
integridade e autenticidade. Sem um líder autêntico se engajando com
um comportamento autêntico, as palavras por si só não carregam
nenhum poder. Quando um líder fala sobre o propósito da companhia,
é preciso que ele demostre paixão. As pessoas podem sentir se aquela
paixão manifestada é autêntica. Então elas aceitam e agem de acordo
com suas palavras, e assim a companhia se torna mais alinhada.
Nutrir Diálogos
Autênticos
Fonte: Quinn (2015, p. 22-26).
101
The Positive Organization
3. Visualizar Possibilidades: É preciso compreendermos que nós aprendemos
com os nossos erros e seguimos adiante. Muitas vezes, tais aprendizados vêm
com ideias que não se acreditava anteriormente, mas temos que confiar
nesse processo. Uma vez que nosso propósito esteja claro, uma vez que
tenhamos um conceito robusto para se embasar, então há coesão. Líderes
que visualizam possibilidades dão suporte a ideias nas quais eles mesmos não
acreditavam anteriormente porque eles estão no negócio de ajudar as
pessoas a enxergarem e acreditarem em suas próprias possibilidades
individuais e coletivas. Assim, os líderes empoderam as pessoas a enxergarem
e buscarem possibilidades. Tanto quanto as pessoas aprendam a fazer isso,
elas começam a ajudar seus líderes a enxergarem que era possível.
Visualizar
Possibilidades
Fonte: Quinn (2015, p. 22-26).
102
The Positive Organization
4. Abraçar o Bem Comum: Ao se trabalhar e operar com os princípios
anteriormente mencionados, pode-se fazer as pessoas, os colaboradores se
sentirem bem com aquilo que eles estão fazendo. Sentimentos positivos são
um reflexo de uma energia positiva. Manter a integridade e agir em busca de
um bem maior é importante porque isso eleva a energia positiva. Isso faz as
pessoas orgulhosas de suas empresas. Assim, elas não abandonam. Elas
possuem um senso de direção e energia.
Abraçar o
Bem Comum
Fonte: Quinn (2015, p. 22-26).
103
The Positive Organization
5. Confiar no Processo Emergente: Esse princípio significa que alguma coisa acontece, aparece,
ocorre, ou se materializa sem uma direção e controle top-down. Um líder deve se tornar um
facilitador e desenvolvedor. É necessário proporcionar um propósito e confiar em sua equipe. De
fato, um líder precisa dar suporte às ideias dos seus liderados mesmo quando ele está em
dúvidas sobre elas. Isso acontece não apenas para iniciativas individuais, mas também para a
emergência do aprendizado coletivo e colaboração criativa. E quando ocorrem falhas, elas não
serão motivos de punições, mas serão tratadas como pontos de aprendizado. A chave é continuar
seguindo adiante e manter o aprendizado constante. Agindo dessa forma, as pessoas estarão
cocriando a organização. A organização emerge em tempo real. E ela não emerge apenas da
mente de uma pessoa da alta administração. Ela emerge pela interação de todas as pessoas
conectadas com o negócio, seu propósito, seus valores, seus princípios operacionais e seus
líderes. Este último princípio em particular, a noção de confiança no processo emergente, está
muito longe do mapa mental convencional existente na maioria das empresas. Ele pode ser
considerado um dos mais difíceis conceitos para os executivos entenderes, aceitarem e agirem de
acordo.
Confiar no
Processo Emergente
Fonte: Quinn (2015, p. 22-26).
104
5 1
0 9 8-
3. 27
15.
Em que Ambiente a 3
h i d
Operamos?Y o s
s h i
t
Avaliação do Mapa s u Mental Predominante em Minha
o A
c e l Organização
a r
M
105
Mapa Mental Organizacional
▪ Leia o instrumento de Avaliação do
Mapa Mental da Organização.
106
Mapa Mental Organizacional
5 1
0 9 8-
27 3.
15.
a 3
i d
o sh
i Y
s h
A t su
e l o
ar c
M
𝑴é𝒅𝒊𝒂 𝑨 + 𝑴é𝒅𝒊𝒂 𝑩 + 𝑴é𝒅𝒊𝒂 𝑪 + 𝑴é𝒅𝒊𝒂 𝑫 + 𝑴é𝒅𝒊𝒂 𝑬
𝑴é𝒅𝒊𝒂 𝑻𝒐𝒕𝒂𝒍 = = _________
𝟓
107
Mapa Mental Organizacional
Com base no radar acima, qual seria o principal ponto a ser atacado?
Declare seu desafio:
108
Mapa Mental Organizacional
109
Mudanças de Mindset
para a Transformação
Organizacional
110
A organização é
uma pirâmide, uma
hierarquia de
Mapas Mentais
posições A unidade de
trabalho é o
Pessoas limitam-se departamento
a suas
responsabilidades Indicadores são
limitados /
Pessoas recusam e
estreitos
não emitem
feedback
Pessoas Pessoas focam no “chefe”
desempenham
abaixo do As recompensas são
esperado baseadas em atividades
A organização é A organização foca
baseada em cargos em burocracias
desnecessárias
Mapa Mental # 1 Cultura baseada
Fonte: Quinn, R. Positive Organization, 2015.
em conflitos entre
áreas 111
Mudanças de Mindset para a Transformação Organizacional
5 1
0 9 8-
3.
De Para
Lucro
. 27 Propósito
Estruturas, Especialização
3 15
Valor para o Cliente, Adaptabilidade
(chefias, silos e feudos)
Hierarquia
i da
sh
Redes
Yo
Isolamento
Controle excessivo (microgestão) e Autonomia, Empowerment,
Burocracias desnecessárias
h i Accountability, Ownership
us
Plataformas colaborativas
s
Competição (externa e interna)
Planejamento
A t Melhores resultados para stakeholders
e l o
Foco no curto prazo
Experimentação
ar c Privacidade
Retenção de informações
Transparência
Compartilhamento de informações
M Medo, Sentimento de Culpa,
Vitimismo
Confiança, Tomada de risco
Defesa de ideias e opiniões
Fonte: Adaptado de Andrew Chakhoyan, Is the era of management over?, World Economic Forum, 07 Dec
2017 112
Ampliação de Mindset para o Desenvolvimento Organizacional
5 1
0 9 8-
3.
De Para
Lucro
. 27 Propósito
Estruturas, Especialização
3 15
Valor para o Cliente, Adaptabilidade
(chefias, silos e feudos)
Hierarquia
i da
sh
Redes
Yo
Isolamento
Controle excessivo (microgestão) e Autonomia, Empowerment,
Burocracias desnecessárias
h i Accountability, Ownership
us
Plataformas colaborativas
s
Competição (externa e interna)
Planejamento
A t Melhores resultados para stakeholders
e l o
Foco no curto prazo
Experimentação
ar c Privacidade
Retenção de informações
Transparência
Compartilhamento de informações
M Medo, Sentimento de Culpa,
Vitimismo
Confiança, Tomada de risco
Defesa de ideias e opiniões
Fonte: Adaptado de Andrew Chakhoyan, Is the era of management over?, World Economic Forum, 07 Dec
2017 113
Uma cultura focada em processos internos, com excesso
de hierarquia e burocracias desnecessárias, de silos e
feudos, apegada a normas, perfeccionista, que foca
excessivamente no curto prazo, leva a características
como medo de errar, retenção de informações,
isolamento, resistência a mudanças, competição interna,
sentimento de culpa, e vitimismo. A consequência é uma
dificuldade de enxergar tendências de mercado e
vislumbrar oportunidades de inovação.
114
A organização é A organização é uma
uma pirâmide, uma
hierarquia de
Mapas Mentais rede
relacionamentos
posições A unidade de
A unidade de
trabalho é o
trabalho é o time
Pessoas limitam-se departamento Pessoas expandem
a suas seus papeis
responsabilidades Indicadores são
Indicadores são cross
limitados /
Pessoas recusam e / end-to-end Pessoas aceitam e
estreitos
não emitem emitem feedback
feedback
Pessoas Pessoas focam no “chefe” Pessoas focam no “cliente”
desempenham Pessoas
abaixo do As recompensas são As recompensas são superam
esperado baseadas em atividades baseadas em resultados expectativas
116
Mudanças de Mindset para a Transformação Pessoal
Um enfoque para o Profissional da era Digital (4.0) 1
8 - 5
3 . 09
27
De Para
5.
31
Eu estou orientado a resultados (que
façam sentido para mim, conectados
a
Situado na ‘zona de conforto' Foco em Resultados
d
com quem Eu sou, com qual é o meu
i
Trabalho)?
sh
Cultura adequada para metas e competição
Yo
Estou focado no bem coletivo, nas
necessidades da minha organização,
Foco no próprio ego Bem comum
i
dos stakeholders, da minha
h
comunidade?
s
Cultura voltada para stakeholders
A
Orientado a Valores Internos (conectados com quem Eu sou, com
esperam de mim
l o
qual é o meu Trabalho)?
Cultura volta para pessoas e ambiente de trabalho
r c e
a
Eu estou aberto aos estímulos
Interesses próprios Atento aos sinais externos externos que me permitem aprender
M
continuamente?
Cultura adequada para criação, inovação e tendências
Fonte: Robert E. Quinn (2005). Moments of greatness - fundamental state of leadership, HBR, Jul-Aug_2005.
117
Ampliação de Mindset para o Desenvolvimento Pessoal
Um enfoque para o Profissional da era Digital (4.0) 1
8 - 5
3 . 09
27
De Para
5.
31
Eu estou orientado a resultados (que
façam sentido para mim, conectados
a
Situado na ‘zona de conforto' Foco em Resultados
d
com quem Eu sou, com qual é o meu
i
Trabalho)?
sh
Cultura adequada para metas e competição
Yo
Estou focado no bem coletivo, nas
necessidades da minha organização,
Foco no próprio ego Bem comum
i
dos stakeholders, da minha
h
comunidade?
s
Cultura voltada para stakeholders
A
Orientado a Valores Internos (conectados com quem Eu sou, com
esperam de mim
l o
qual é o meu Trabalho)?
Cultura volta para pessoas e ambiente de trabalho
r c e
a
Eu estou aberto aos estímulos
Interesses próprios Atento aos sinais externos externos que me permitem aprender
M
continuamente?
Cultura adequada para criação, inovação e tendências
Fonte: Robert E. Quinn (2005). Moments of greatness - fundamental state of leadership, HBR, Jul-Aug_2005.
118
Mapas Mentais
Se os líderes não ampliarem
seus mapas mentais
individuais, eles não poderão
mudar os destinos que as
pessoas seguem, nem os
caminhos que as levarão até lá!
119
“A genuine change must
first come from within the
individual, only then can
he or she attempt to make
a significant contribution
to humanity.”
Dalai Lama
120
Referências
Principais referências e fontes de motivação indicadas para leitura no tema
121
•
Referências
BENDIXEN, S. M.; CAMPBELL, M.; CRISWELL, C.; SMITH, R. Change-capable leadership: • MCGUIRE, J. B.; PALUS, C. J.; PASMORE, W.; RHODES, G. B. transforming your
the real power propelling successful change. Seattle: Center for Creative Leadership, organization. Seatle: Center for Creative Leadership, 2015. White Paper. Disponível
2016. (White Paper). Disponível em: <https://www.ccl.org/wp- em: <https://www.ccl.org/wp-content/uploads/2015/04/TYO.pdf> . Acesso em: 16
content/uploads/2016/04/Change-Capable-Leadership.pdf>. Acesso em: 6 fev. 2017. mar. 2017.
• BENNET, N.; LEMOINE, G, J. What VUCA really means for you. Harvard Business • MILES, R. E.; SNOW, C. C.; MEYER, A. D.; COLEMAN JR., H. J. Organization strategy,
Review, p.27, Jan./Feb. 2014. structure and process. The Academy of Management Review, v.3, n.3, p.546-562,
1978.
• BUONO, A. F.; KERBER, K. Creating a sustainable approach to change: building
organizational change capacity. S.A.M. Advanced Management Journal, v.75, n.2, • PORTER, M. E. Vantagem competitiva: criando e sustentando um desempenho
p.4-21, Spring, 2010. superior. Tradução de Elisabeth Maria de Pinho Braga; revisão técnica de Jorge A.
Garcia Gomez. Rio de Janeiro: Campus, 1992.
• CAMERON, K. S.; QUINN, R. E. Diagnosing and changing organizational culture: based
on the competing values framework. 3rded. San Francisco: Jossey-Bass, 2011. • PORTER M. E. What is strategy?. Harvard Business Review, p.61-78, Nov./Dec. 1996.
• CAMERON, K. S.; QUINN, R. E.; DEGRAFF, J.; THAKOR, A. V. Competing values • PROSCI. The History and future of change management. Fort Collins: PROSCI: people,
leadership: creating value in organizations. Cheltenham: Edward Elgar, 2006. change, results, 2016. Thought Leadership Article. Disponível em:
<https://www.prosci.com/resources/articles/change-management-history-and-
• FISHER, M. L. What is the right supply chain for your product?. Harvard Business future>. Acesso em: 29 jan. 2016.
Review, p.105-116, Mar./Apr. 1997.
• QUINN, R. E. Beyond rational management: mastering the paradoxes and competing
• GATTORNA, J. Living supply chains: how to mobilize the enterprise around delivering demands of high performance. San Francisco: Jossey Bass, 1988.
what your customer want. Harlow: Pearson Educated, 2006.
• QUINN, R. E. Moments of greatness: entering the fundamental state of leadership.
• GOLEMAN, D. Leadership that gets results. Harvard Business Review, p.78-90, Harvard Business Review, p.74-83, July-Aug. 2005.
Mar./Apr. 2000.
• QUINN, R. E. The Positive organization: breaking free from conventional cultures,
• GROYSBERG, B.; LEE, J.; PRICE, J.; CHENG, Y-J. The Leaders guide to corporate culture. constraints, and beliefs. Oakland: Berrett-Koehler, 2015.
Harvard Business Review, p.44-52, Jan./Feb. 2018.
• QUINN, R. E.; ROHRBAUGH, J. A Competing values approach to organizational
• KERBER, K.; BUONO, A. F. Rethinking organizational change: reframing the challenge effectiveness. Public Productivity Review, v.5, n.2, p.122-140, June 1981.
of change management. Organizational Development Journal, v.23, n.3, p.23-38,
2005. • QUINN, R. E.; ROHRBAUGH, J. A Spatial model of effectiveness criteria: towards a
competing values approach to organizational analysis. Management Science, v.29,
• KOTTER, J. P. Leading change: why transformation efforts fail. Harvard Business p.363-377, 1983.
Review, p.59-67, Mar./Apr. 1995.
• SCHEIN, E. H. Models and tolls for stability and change in human systems. Reflections,
• KOTTER, J. P. Leading change. Boston: Harvard Business School Press, 1996. v.4, n.2, p.34-46, 2002.
• LESLIE, J. B. The Leadership gap – what you need, and still don’t have, when it comes • TREACY, M.; WIERSEMA, F. Customer intimacy and other value disciplines. Harvard
to leadership talent. Seattle: Center for Creative Leadership, 2015. (White Paper). Business Review, p.84-93, Jan./Feb. 1993.
Disponível em: <https://www.ccl.org/articles/white-papers/leadership-gap-what-you-
still-need/>. Acesso em: 15 fev. 2016.
Referências completas (principais e complementares disponíveis no capítulo de Referência da Tese de Livre-Docência (Gerolamo, 2019).
122
“In a time of drastic change it is the
learners who inherit the future. The
learned usually find themselves
equipped to live in a world that no
longer exists.”
124
Grupo de Pesquisa: http://change.prod.eesc.usp.br
Muito Obrigado
125
5 1
0 9 8-
27 3.
15.
a 3
OBRIGADO
h i d(A)!
o s
Y
https://www.linkedin.com/in/mateus-gerolamo-802b965/
i
us h
A t s
l o
arce
M
126
Pesquisa Operacional e
Modelos de Otimização
e Simulação I
2
BACKGROUND
Oficial Superior, com 30 anos de serviço na Marinha do Brasil;
Colégio Naval;
Escola Naval;
Viagem de instrução de Guardas-Marinha (VIGM) em 2001;
10 anos embarcado em navios de guerra;
12 anos como Pesquisador e Gerente de Projetos na Divisão
de Pesquisa Operacional (Marinha do Brasil);
Especialização em Instrumentação Matemática (UFF);
Aperfeiçoamento em Matemática (IMPA);
Governança em TI (FGV-RJ);
Mestrado em Engenharia de Produção - Pesquisa Operacional (COPPE/UFRJ);
Doutorado e pós-doutorado em Sistemas, Apoio à Decisão e Logística (UFF);
Pós-doutorado em Ciências e Tecnologias Espaciais (ITA);
Diretoria da Sociedade Brasileira de Pesquisa Operacional (SOBRAPO);
Professor do MBA em Data Science e Analytics da USP;
Professor do Mestrado e Doutorado em Engenharia de Produção da UFF;
Professor da Graduação, Mestrado e Doutorado em Computação do IME;
Mais de 800 pesquisas publicadas e/ou apresentadas em mais de 20 países.
REFERÊNCIAS
4
THE O.R. SOCIETY
5
DINÂMICA DAS AULAS
6
77
OBJETIVO DA DISCIPLINA
8
OBJETIVO DA DISCIPLINA
9
OBJETIVO DA AULA DE HOJE
10
INTRODUÇÃO
11
O QUE É PESQUISA OPERACIONAL?
Operational Research (O.R.) is a scientific approach to the solution of problems in the management of
complex systems that enables decision makers to make better decisions.
Most of the problems O.R. tackles are messy and complex, often involving considerable uncertainty. O.R.
uses advanced analytics, modelling, problem structuring, simulation, optimization and data science to
determine the best solution to the problem and the best practical course of action.
12
O QUE É PESQUISA OPERACIONAL?
13
AS ÁREAS DA P.O.
Apoio Análise
Machine
Multicritério Lógica Fuzzy Envoltória
Learning
à Decisão de Dados
P. Linear Simulação a
Programação Teoria dos
Eventos Estatística
Matemática Grafos
P. Inteira Discretos
14
EXPANSÃO DA P.O.
15
QUEM PODE ESTUDAR P.O.?
16
O QUE É UM SISTEMA?
5 1
0 9 8-
É um conjunto de elementos interdependentes
73 .
5 .2
que interagem com objetivos comuns. Normalmente, 3 1
i d a
o resultado gerado pelo sistema é maiorosdo h que o
i Y
somatório dos resultados isolados u shdas partes que
At s
compõem o sistema.
el o
ar c
M
17
REPRESENTAÇÃO MATEMÁTICA DE UM SISTEMA
18
MEDIDA DE EFICÁCIA OPERACIONAL
19
MEDIDA DE EFICÁCIA OPERACIONAL
20
MEDIDA DE EFICÁCIA OPERACIONAL
(três atributos de uma boa MEO)
Quantificável
Mensurável
“Closely Related”
21
O PROCESSO DE MODELAGEM MATEMÁTICA
5 1
MUNDO REAL
0 9 8-
73 .
UNIVERSO SIMBÓLICO
5 .2
a 31
h i d
s
CONTEXTO
i Yo
GERENCIAL
ush
MODELO RESULTADO Decisão
t s
eloA
ar c
M
PERCEPÇÃO
22
MODELO
É uma representação simplificada da realidade, destinada a facilitar o
entendimento e, consequentemente, a manipulação de um fenômeno
complexo.
23
MODELO
24
MODELO
25
A P.O. NA II GUERRA MUNDIAL
26
A P.O. NA II GUERRA MUNDIAL
(sugestão de filme)
27
A P.O. NA II GUERRA MUNDIAL
29
A P.O. MIGROU PARA OUTRAS ÁREAS
30
ETAPAS PARA SOLUÇÃO DE PROBLEMAS
1. Entender o sistema (objetivo); PSM
2. Definir as MEO;
5. Melhorar o modelo;
6. Validar o modelo;
37
ENTENDIMENTO DO PROBLEMA
38
ENTENDIMENTO DO PROBLEMA
39
CUIDADO NA HORA DA ESCOLHA DO MODELO
40
LITERATURA SOBRE O TEMA
41
NAVALHA DE OCCAM
42
P.O. NA PRÁTICA
A P.O. pode ser aplicada em várias áreas de
conhecimento. E essa é uma das suas principais
características. A P.O. é uma ciência
INTERDISCIPLINAR.
Manufatura Construção Civil
Logística Finanças
Educação Agricultura
Saúde …
43
P.O. NA PRÁTICA
Manufatura
A otimização dos processos de produção permite a redução
do tempo de produção, aumentando assim a produtividade.
▪ Dimensionamento de lotes;
▪ Otimização de layouts;
▪ Identificação de gargalos.
44
P.O. NA PRÁTICA
Logística
▪ Roteirização de veículos;
▪ Programação de tripulações.
45
P.O. NA PRÁTICA
Educação
▪ Construção de cenários.
46
P.O. NA PRÁTICA
Saúde
47
P.O. NA PRÁTICA
Construção Civil
Finanças
▪ Análise de risco;
▪ Portfólio de investimentos.
49
P.O. NA PRÁTICA
Agricultura
50
P.O. NA PRÁTICA
51
P.O. NA PRÁTICA
52
P.O. NA PRÁTICA
53
P.O. NA PRÁTICA
54
P.O. NA PRÁTICA
55
P.O. NA PRÁTICA
56
P.O. NA PRÁTICA
57
P.O. NA PRÁTICA
58
P.O. NA PRÁTICA
59
P.O. NA PRÁTICA
60
P.O. NA PRÁTICA
61
P.O. NA PRÁTICA
62
P.O. NA PRÁTICA
63
P.O. NA PRÁTICA
64
P.O. NA PRÁTICA
65
P.O. NA PRÁTICA
5 1
0 9 8-
73 .
5 .2
a 31
h i d
s
i Yo TCC do MBA DSA:
u sh
Ats - Nota 10,
- Indicado para o prêmio de melhor trabalho;
elo
ar c - Apresentado em simpósio nacional;
- Apresentado em congresso internacional;
M - Código subiu para o CRAN;
- Inovação depositada no INPI;
- Publicado em periódico internacional qualis A.
66
P.O. NA PRÁTICA
5 1
0 9 8-
73 .
5 .2
a 31
h i d
s
i Yo TCC do MBA DSA:
u sh
Ats - Nota 10,
- Indicado para o prêmio de melhor trabalho;
elo
ar c - Apresentado em simpósio nacional;
- Apresentado em congresso internacional;
M - Código subiu para o CRAN;
- Inovação depositada no INPI;
- Publicado em periódico internacional qualis A.
67
MAIS DE 800 PESQUISAS PUBLICADAS
68
UM DOS MAIORES GRUPOS DE PESQUISA DO
BRASIL E DO MUNDO
69
SEM P.O. VOCÊ E SUA ORGANIZAÇÃO ESTÃO
PERDENDO MUITO DINHEIRO
70
PRECISAMOS COMEÇAR A ENCHER A NOSSA CESTA
71
P.O. E A CIÊNCIA DE DADOS
72
FECHANDO NOSSO ENCONTRO DE HOJE
W. Edwards Deming
73
PARA A PRÓXIMA AULA
74
5 1
0 9 8-
73 .
5 .2
a 31
h i d
s
Yo i
u sh
Explicar os conceitos basilares da Pesquisa
t s
OperacionalAe do Processo de Tomada de Decisão.
el o
ar c
M
75
OBRIGADO
researchgate.net/profile/Marcos_Dos_Santos6
76
OBRIGADO!
https://www.linkedin.com/in/profmarcosdossantos/
77
Pesquisa Operacional e
Modelos de Otimização e
Simulação II
1
Pesquisa Operacional
Módulo 2 2
*A responsabilidade pela idoneidade,
originalidade e licitude dos conteúdos didáticos
apresentados é do professor.
33
BACKGROUND
Oficial Superior, com 30 anos de serviço na Marinha do Brasil;
Colégio Naval;
Escola Naval;
Viagem de instrução de Guardas-Marinha (VIGM) em 2001;
10 anos embarcado em navios de guerra;
12 anos como Pesquisador e Gerente de Projetos na Divisão
de Pesquisa Operacional (Marinha do Brasil);
Especialização em Instrumentação Matemática (UFF);
Aperfeiçoamento em Matemática (IMPA);
Governança em TI (FGV-RJ);
Mestrado em Engenharia de Produção - Pesquisa Operacional (COPPE/UFRJ);
Doutorado e pós-doutorado em Sistemas, Apoio à Decisão e Logística (UFF);
Pós-doutorado em Ciências e Tecnologias Espaciais (ITA);
Diretoria da Sociedade Brasileira de Pesquisa Operacional (SOBRAPO);
Professor do MBA em Data Science e Analytics da USP;
Professor do Mestrado e Doutorado em Engenharia de Produção da UFF;
Professor da Graduação, Mestrado e Doutorado em Computação do IME;
Mais de 800 pesquisas publicadas e/ou apresentadas em mais de 20 países.
4
REFERÊNCIAS
5
5 1
0 9 8-
73 .
5 .2
a 31
Compreender como se dá a estruturação matemática de um
h i d
os Linear (PPL); e
Problema de Programação
i Y
u sh
At s
e o
lmodelagem matemática de alguns PPLs clássicos.
r
Realizar
a c a
M
6
77
INTRODUÇÃO: ABSTRAÇÃO DO PROBLEMA
8
INTRODUÇÃO: ABSTRAÇÃO DO PROBLEMA
9
BRAINSTORMING
Uma das ferramentas mais utilizadas para a abstração de cenário é o
brainstorming. Expressão idiomática da língua inglesa que, traduzida para o português,
significa “tempestade de ideias”.
11
MAPA MENTAL
12
A HISTÓRIA DA PROGRAMAÇÃO LINEAR
13
A HISTÓRIA DA PROGRAMAÇÃO LINEAR
14
MODELAGENS BÁSICAS
15
MODELAGENS BÁSICAS
16
MODELAGENS BÁSICAS
✓ O sêxtuplo de um número;
✓ O óctuplo de um número;
✓ O décuplo de um número;
17
MODELAGENS BÁSICAS
✓ Os três oitavos de um número;
19
MODELAGENS BÁSICAS
20
PROGRAMAÇÃO LINEAR
21
VARIÁVEIS DE DECISÃO
As Variáveis de Decisão são aqueles valores que representam o cerne do problema. São as
quantidades pelas quais devemos decidir.
As Variáveis de Decisão representam as opções que um gestor tem para atingir um objetivo.
Quanto devemos comprar de cada ação para minimizar o risco de uma carteira?
22
SUPOSIÇÕES DA PROGRAMAÇÃO LINEAR
23
VANTAGENS DOS MODELOS DE PL
24
Mão na massa !
2525
EXERCÍCIO 1
26
EXERCÍCIO 2
Numa mercearia, o preço de venda de um
refrigerante A é igual a R$ 1,20 enquanto que o de
outro refrigerante B é igual a R$ 1,40. Qual a receita
obtida (R) com a venda de certa quantidade x1 de um
refrigerante A e quantidade x2 de um refrigerante B?
27
EXERCÍCIO 3
28
EXERCÍCIO 4
29
EXERCÍCIO 5
Numa livraria, com os livros da área jurídica, obtém-
se um lucro de R$ 30,00/livro. Com os livros da área
médica, obtém-se um lucro de R$ 48,00/livro e com os
livros da área gerencial, obtém-se um lucro de
R$ 25,00/livro. Qual a função lucro com a venda de
livros destas três áreas?
30
EXERCÍCIO 6
Agora, as acomodações para estoque permitem alojar até 500𝒎𝟐 de tal azulejo. Exprima
tal condição em linguagem matemática.
31
EXERCÍCIO 7
Numa mercearia, o preço de venda de um refrigerante A é igual a
R$ 1,20, enquanto que o de outro refrigerante B é igual a R$ 1,40.
Qual a receita obtida (R) com a venda de certa quantidade x1 de um
refrigerante A e quantidade x2 de um refrigerante B?
32
EXERCÍCIO 8
Numa livraria, com os livros da área jurídica, obtém-se um lucro de
R$30,00/livro. Com os livros da área médica, obtém-se um lucro de
R$48,00/livro e com os livros da área gerencial, obtém-se um lucro de
R$25,00/livro. Qual a função lucro com a venda de livros destas três áreas?
Considerando que as estantes da livraria comportam 400 livros jurídicos, 300 livros médicos e 250 livros
gerenciais, represente essas restrições matematicamente.
33
EXERCÍCIO 9
Uma indústria de sabonetes fabrica 2
tipos de sabonetes A e B. O tipo A gera um
lucro de R$0,10 por unidade e com o tipo B
lucra R$0,15 por unidade. A empresa gasta
2 segundos para fabricar o tipo A e 3
segundos para o tipo B, que devem ser
fabricados em um total de 2h. Segundo as
demandas anteriores, deve-se fabricar um
máximo de 2400 unidades do sabonete A e
1800 unidades do sabonete B. Modele o
problema matematicamente, com o objetivo
de se alcançar o máximo lucro.
34
EXERCÍCIO 9
Uma indústria de sabonetes fabrica 2
tipos de sabonetes A e B. O tipo A gera um
lucro de R$0,10 por unidade e com o tipo B
lucra R$0,15 por unidade. A empresa gasta
2 segundos para fabricar o tipo A e 3
segundos para o tipo B, que devem ser
fabricados em um total de 2h. Segundo as
demandas anteriores, deve-se fabricar um
máximo de 2400 unidades do sabonete A e
1800 unidades do sabonete B. Modele o
problema matematicamente, com o objetivo
de se alcançar o máximo lucro.
35
FORMALIZAÇÃO DE UM PPL
PPL da Indústria de Sabonetes
MODELO REDUZIDO
𝑀𝑎𝑥 , 𝑜𝑢 𝑀𝑖𝑛.
𝑛
𝑍 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + … + 𝑐𝑛 𝑥𝑛
𝑀𝑎𝑥 𝐿 = 𝑐𝑖 𝑥𝑖
𝑥1 ,𝑥2 ,....,𝑥𝑛
𝑎11 𝑥1 + 𝑎12 𝑥2 + … + 𝑎1𝑛 𝑥𝑛 ≤ 𝑏1 𝑖=1
𝑠. 𝑎
𝑎21 𝑥1 + 𝑎22 𝑥2 + … + 𝑎2𝑛 𝑥𝑛 ≤ 𝑏2 𝑛
… 𝑎𝑗𝑖 𝑥𝑖 ≤ 𝑏𝑗 𝑗 = 1, . . . , 𝑝
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + … + 𝑎𝑚𝑛 𝑥𝑛 ≤ 𝑏𝑚 𝑖=1
𝑥𝑖 ≥ 0 ∀𝑖
36
PASSO A PASSO PARA MODELAR UM PPL
37
PROBLEMAS CLÁSSICOS – PPL MIX DE PRODUÇÃO
Recursos disponíveis:
1000 kg de plástico especial.
40 horas para produção semanal.
Dados técnicos:
B1 requer 2 kg de plástico e 3 minutos por unidade.
B2 requer 1 kg de plástico e 4 minutos por unidade.
38
PROBLEMAS CLÁSSICOS – PPL DO MIX DE PRODUÇÃO
39
PROBLEMAS CLÁSSICOS – PPL DO MIX DE PRODUÇÃO
40
PROBLEMAS CLÁSSICOS - PPL DAS LIGAS METÁLICAS
dentre outros.
estado líquido, fundem-se para formar uma liga metálica, isto é, uma mistura.
41
PROBLEMAS CLÁSSICOS - PPL DAS LIGAS METÁLICAS
42
PROBLEMAS CLÁSSICOS - PPL DAS LIGAS METÁLICAS
43
PROBLEMAS CLÁSSICOS - PPL DAS LIGAS METÁLICAS
44
PROBLEMAS CLÁSSICOS – PPL DA DIETA
• Sabe-se que existem casos especiais que podem modificar tais exigências,
como na recuperação de alguma doença ou no caso de atletas, que, em
geral, consomem mais proteínas e mais carboidratos.
45
PROBLEMAS CLÁSSICOS – PPL DA DIETA
46
PROBLEMAS CLÁSSICOS – PPL DA DIETA
alimentares?
Leite Carne Peixe Salada Requisito
Vitamina
(litro) (kg) (kg) (100g) Mínimo
A 2 mg 2 mg 10 mg 20 mg 11 mg
C 50 mg 20 mg 10 mg 30 mg 70 mg
D 80 mg 70 mg 10 mg 80 mg 250 mg
Custo 6,70 46,00 28,00 4,10
47
PROBLEMAS CLÁSSICOS – PPL DA DIETA
48
PROBLEMAS CLÁSSICOS – PPL DO TRANSPORTE
atendendo à demanda.
49
PROBLEMAS CLÁSSICOS – PPL DO TRANSPORTE
• Uma fábrica de refrigerante possui três centros produtores na baixada
50
PROBLEMAS CLÁSSICOS – PPL DO TRANSPORTE
ESQUEMATICAMENTE:
51
PROBLEMAS CLÁSSICOS – PPL DO TRANSPORTE
52
PROBLEMAS CLÁSSICOS – PPL DO TRANSPORTE
53
PRA FINALIZAR
54
PRA FINALIZAR
55
Compreender como se dá a estruturação matemática de um
Problema de Programação Linear (PPL); e
56
Solução Gráfica de um PPL
Módulo 3 57
OBJETIVO
58
58
59
SOLUÇÃO DE UM PPL
Uma solução
pode ser:
60
SOLUÇÃO INVIÁVEL DE UM PPL
Uma solução inviável é aquela para a qual pelo
menos uma das restrições não é satisfeita.
61
SOLUÇÃO VIÁVEL DE UM PPL
Uma solução viável é aquela para a qual todas as
restrições são satisfeitas.
x1 ≥ 0, x2 ≥ 0
62
SOLUÇÃO ÓTIMA DE UM PPL
Uma solução ótima é aquela em que todas as restrições
são atendidas, otimizando-se o valor da função objetivo.
63
SOLUÇÃO ÓTIMA DE UM PPL
Uma solução ótima é aquela em que todas as restrições
são atendidas, otimizando-se o valor da função objetivo.
Observe que qualquer outro
valor para x1 e x2 não nos levará
à Solução Ótima.
Maximizar Z = 3x1 + 5x2
Sujeito às restrições x1 ≤ 4
2x2 ≤ 12
3x1 + 2x2 ≤ 18
x1 ≥ 0, x2 ≥ 0
64
REVISÃO DE GEOMETRIA ANALÍTICA
(Equação da Reta)
65
REVISÃO DE GEOMETRIA ANALÍTICA
(Equação da Reta)
66
REVISÃO DE GEOMETRIA ANALÍTICA
(Semiplanos)
67
REVISÃO DE GEOMETRIA ANALÍTICA
(Semiplanos)
68
SOLUÇÃO GRÁFICA DE UM PPL
Na resolução gráfica de um modelo de Programação Linear,
primeiramente, determina-se o espaço de soluções viáveis ou
região factível.
69
SOLUÇÃO GRÁFICA DE UM PPL
O passo seguinte consiste em determinar a solução ótima do
modelo, isto é, a solução factível que apresente o melhor valor da
função objetivo.
3x1 + 2x2 ≤ 18
x1 ≥ 0, x2 ≥ 0 Restrições de não-negatividade
71
SOLUÇÃO GRÁFICA DE UM PPL
Tipos de Restrições
72
SOLUÇÃO GRÁFICA DE UM PPL
Quando o problema envolve apenas duas variáveis de decisão, a solução
5 1
8-
ótima de um problema de programação linear pode ser encontrada
. 0 9
73
graficamente.
5 .2
ax 31
Max Z = 5 x1s+ h i2d
Y o 2
s. r . h i x1 3 (a)
s u s
At x2 4 (b)
el o
ar c x1 + 2 x 2 9 (c)
M x1 0 , x 2 0 (d)
73
SOLUÇÃO GRÁFICA DE UM PPL
Passo a passo...
74
SOLUÇÃO GRÁFICA DE UM PPL
x2 x1 3
4
x2 4
3
x 2 0 1 2 3 4 x1
x 1 0
75
SOLUÇÃO GRÁFICA DE UM PPL
5 1
x1 + 2 x 2 9 0 9 8-
.
x 33
x1 + 2 x 2 = 9 17
x2
.2
3 15
(1,4)
i da (3,4)
(0,4)
osh x 4
2
Y
(3,3)
sh i
t s u
o A
c el
ar
x 0
2
M (0,0) (3,0) x1
x 0
1
x2 Z = 21 = 5x1 + 2 x 2
(1,4)
(0,4)
(3,3) = Solução
Z = 0 = 5x 1 + 2 x 2 Ótima
Solução
Viável
(0,0) (3,0) x1
Z = 10 = 5 x1 + 2 x2
77
SOLUÇÃO GRÁFICA DE UM PPL
Exercício:
Considere o seguinte o problema de PL
Max 3 x1 + 3 x2
s.r. 2 x1 + 4 x2 12
6 x1 + 4 x2 24
x1 , x2 0
78
SOLUÇÃO GRÁFICA DE UM PPL
Max 3 x1 + 3 x2
s.r. 2 x1 + 4 x2 12
6 x1 + 4 x2 24
x1 , x2 0
79
SOLUÇÃO GRÁFICA DE UM PPL
x2 7
(0,6) 6
5 6 x1 + 4 x2 24
4
(0,3) 3
1 2 x1 + 4 x2 12
x2 0 (6,0)
(0,0) 0 1 2 3 4 (4,0) 5 6
x1
x1 0
80
SOLUÇÃO GRÁFICA DE UM PPL
x2 7
Z = 0 = 3 x1 + 3 x2
6
5
Z = 6 = 3 x1 + 3 x2
4 Z = 13,5 = 3 x1 + 3 x2
3
81
Mão na massa !
82
EXERCÍCIO
83
EXERCÍCIO
Max Z = 3x1 + 5x2
s.a.
x1 ≤ 4
2x2 ≤ 12
3x1 + 2x2 ≤ 18
x1 ≥ 0, x2 ≥ 0
84
LIMITAÇÃO DA SOLUÇÃO GRÁFICA
85
LIMITAÇÃO DA SOLUÇÃO GRÁFICA
86
LIMITAÇÃO DA SOLUÇÃO GRÁFICA
87
OBJETIVO
88
OBRIGADO
researchgate.net/profile/Marcos_Dos_Santos6
89
5 1
0 9 8-
73 .
5 .2
a31
OBRIGADO! h i d
os
i Y
u sh
https://www.linkedin.com/in/profmarcosdossantos/
A t s
el o
ar c
M
90
Pesquisa Operacional e
Modelos de Otimização
e Simulação III
2
Solução Gráfica de um PPL
Módulo 3
OBJETIVO
4
5
SOLUÇÃO DE UM PPL
Uma solução
pode ser:
6
SOLUÇÃO INVIÁVEL DE UM PPL
Uma solução inviável é aquela para a qual pelo
menos uma das restrições não é satisfeita.
7
SOLUÇÃO VIÁVEL DE UM PPL
Uma solução viável é aquela para a qual todas as
restrições são satisfeitas.
x1 ≥ 0, x2 ≥ 0
8
SOLUÇÃO ÓTIMA DE UM PPL
Uma solução ótima é aquela em que todas as restrições
são atendidas, otimizando-se o valor da função objetivo.
9
SOLUÇÃO ÓTIMA DE UM PPL
Uma solução ótima é aquela em que todas as restrições
são atendidas, otimizando-se o valor da função objetivo.
Observe que qualquer outro
valor para x1 e x2 não nos levará
à Solução Ótima.
Maximizar Z = 3x1 + 5x2
Sujeito às restrições x1 ≤ 4
2x2 ≤ 12
3x1 + 2x2 ≤ 18
x1 ≥ 0, x2 ≥ 0
10
REVISÃO DE GEOMETRIA ANALÍTICA
(Equação da Reta)
11
REVISÃO DE GEOMETRIA ANALÍTICA
(Equação da Reta)
12
REVISÃO DE GEOMETRIA ANALÍTICA
(Semiplanos)
13
REVISÃO DE GEOMETRIA ANALÍTICA
(Semiplanos)
14
SOLUÇÃO GRÁFICA DE UM PPL
Na resolução gráfica de um modelo de Programação Linear,
primeiramente, determina-se o espaço de soluções viáveis ou
região factível.
15
SOLUÇÃO GRÁFICA DE UM PPL
O passo seguinte consiste em determinar a solução ótima do
modelo, isto é, a solução factível que apresente o melhor valor da
função objetivo.
16
SOLUÇÃO GRÁFICA DE UM PPL
Tipos de Restrições
3x1 + 2x2 ≤ 18
x1 ≥ 0, x2 ≥ 0 Restrições de não-negatividade
17
SOLUÇÃO GRÁFICA DE UM PPL
Tipos de Restrições
18
SOLUÇÃO GRÁFICA DE UM PPL
Quando o problema envolve apenas duas variáveis de decisão, a solução
ótima de um problema de programação linear pode ser encontrada
graficamente.
Max Z = 5 x1 + 2 x 2
s. r . x1 3 (a)
x2 4 (b)
x1 + 2 x 2 9 (c)
x1 0 , x 2 0 (d)
19
SOLUÇÃO GRÁFICA DE UM PPL
Passo a passo...
20
SOLUÇÃO GRÁFICA DE UM PPL
x2 x1 3
4
x2 4
3
x 2 0 1 2 3 4 x1
x 1 0
21
SOLUÇÃO GRÁFICA DE UM PPL
x1 + 2 x 2 9
x 3
x1 + 2 x 2 = 9
x2
1
(1,4) (3,4)
(0,4) x 4
(3,3) 2
x 0
2
(0,0) (3,0) x1
x 0
1
x2 Z = 21 = 5x1 + 2 x 2
(1,4)
(0,4)
(3,3) = Solução
Z = 0 = 5x 1 + 2 x 2 Ótima
Solução
Viável
(0,0) (3,0) x1
Z = 10 = 5 x1 + 2 x2
23
SOLUÇÃO GRÁFICA DE UM PPL
Exercício:
Considere o seguinte o problema de PL
Max 3 x1 + 3 x2
s.r. 2 x1 + 4 x2 12
6 x1 + 4 x2 24
x1 , x2 0
24
SOLUÇÃO GRÁFICA DE UM PPL
Max 3 x1 + 3 x2
s.r. 2 x1 + 4 x2 12
6 x1 + 4 x2 24
x1 , x2 0
25
SOLUÇÃO GRÁFICA DE UM PPL
x2 7
(0,6) 6
5 6 x1 + 4 x2 24
4
(0,3) 3
1 2 x1 + 4 x2 12
x2 0 (6,0)
(0,0) 0 1 2 3 4 (4,0) 5 6
x1
x1 0
26
SOLUÇÃO GRÁFICA DE UM PPL
x2 7
Z = 0 = 3 x1 + 3 x2
6
5
Z = 6 = 3 x1 + 3 x2
4 Z = 13,5 = 3 x1 + 3 x2
3
27
Mão na massa !
EXERCÍCIO
29
EXERCÍCIO
Max Z = 3x1 + 5x2
s.a.
x1 ≤ 4
2x2 ≤ 12
3x1 + 2x2 ≤ 18
x1 ≥ 0, x2 ≥ 0
30
LIMITAÇÃO DA SOLUÇÃO GRÁFICA
31
LIMITAÇÃO DA SOLUÇÃO GRÁFICA
32
LIMITAÇÃO DA SOLUÇÃO GRÁFICA
33
OBJETIVO
34
Método Simplex
Prof. Dr. Marcos dos Santos
MÓDULO 4
BACKGROUND
Oficial Superior, com 30 anos de serviço na Marinha do Brasil;
Colégio Naval;
Escola Naval;
Viagem de instrução de Guardas-Marinha (VIGM) em 2001;
10 anos embarcado em navios de guerra;
12 anos como Pesquisador e Gerente de Projetos na Divisão
de Pesquisa Operacional (Marinha do Brasil);
Especialização em Instrumentação Matemática (UFF);
Aperfeiçoamento em Matemática (IMPA);
Governança em TI (FGV-RJ);
Mestrado em Engenharia de Produção - Pesquisa Operacional (COPPE/UFRJ);
Doutorado e pós-doutorado em Sistemas, Apoio à Decisão e Logística (UFF);
Pós-doutorado em Ciências e Tecnologias Espaciais (ITA);
Diretoria da Sociedade Brasileira de Pesquisa Operacional (SOBRAPO);
Professor do MBA em Data Science e Analytics da USP;
Professor do Mestrado e Doutorado em Engenharia de Produção da UFF;
Professor da Graduação, Mestrado e Doutorado em Computação do IME;
Mais de 800 pesquisas publicadas e/ou apresentadas em mais de 20 países.
REFERÊNCIAS
37
OBJETIVO
38
3939
OVERVIEW
40
TIPOS DE MÉTODOS
A PL utiliza métodos
determinísticos.
41
MÉTODOS ALGÉBRICOS
Na aula anterior pudemos resolver um modelo de PL
empregando o método gráfico. Agora será possível aprender os
procedimentos para determinação da solução utilizando os
métodos algébricos.
42
ALGORITMO
43
CONVEXIDADE
Um conjunto é dito convexo quando contém todos os segmentos
que unem quaisquer dois pontos desse conjunto.
44
CRIAÇÃO DO MÉTODO SIMPLEX
O Método SIMPLEX para resolução de PPLs foi
desenvolvido e aperfeiçoado pelo matemático norte-
americano George Dantzig (1914 – 2005). Por seu
trabalho, que foi publicado no ano de 1947 e
apresentou à comunidade matemática mundial o
algoritmo do SIMPLEX, Dantzig ficou conhecido como
o “Pai da Programação Linear”.
45
ITERAÇÃO
1) Iteração = repetição.
46
ETAPAS DO MÉTODO SIMPLEX
De modo geral, o SIMPLEX busca, a partir de uma primeira
solução básica viável, percorrer de forma iterativa os vértices
de um polígono até alcançar uma solução considerada ótima
para o problema.
47
ETAPAS DO MÉTODO SIMPLEX
48
PPL NA FORMA PADRÃO
1. A Função-Objetivo é de Maximização;
49
PPL NA FORMA PADRÃO
5 1
Maximizar Z = c1x1 + c 2 x 2 + ... + c n x n
0 9 8-
73 .
Sujeito a :
5 .2
a 11x1 + a 12 x 2 + ... + a 1n x n bd1a 31
h i
a 21x1 + a 22 x 2 + ... + a 2 n x nYos b 2
sh i Não negativos
ts u
o A
l + a mn x n b m
a m1x1 + a m 2 x 2 +ce...
ar
M
x1 , x 2 , x 3 ,...x n 0
50
PPL NA FORMA PADRÃO
max x1 + x 2 min x1 + 2 x2
s.r. s.r.
2 x1 + 4 x 2 20 2 x1 + 3 x2 20
180 x1 + 20 x 2 600 180 x1 + 20 x2 = 600
x1 , x 2 0 x1 , x2 0
51
TRANSFORMANDO UM SISTEMA DE INEQUAÇÕES EM
UM SISTEMA DE EQUAÇÕES
VARIÁVEL DE FOLGA:
52
Mão na massa!
TRANSFORMANDO UM SISTEMA DE INEQUAÇÕES EM
UM SISTEMA DE EQUAÇÕES
Exercício
Introduza as variáveis de folga no PPL a seguir:
54
TABLEAU SIMPLEX
55
TABLEAU SIMPLEX
56
Mão na massa!
TABLEAU SIMPLEX
Exercício
Construa o Tableau Simplex do seguinte PPL:
58
TABLEAU SIMPLEX
Exercício
Construa o Tableau Simplex do seguinte PPL:
59
MÉTODO SIMPLEX
Passo a passo...
60
MÉTODO SIMPLEX
Passo a passo...
61
MÉTODO SIMPLEX
Passo a passo...
62
MÉTODO SIMPLEX
Passo a passo...
63
MÉTODO SIMPLEX
Passo a passo...
64
MÉTODO SIMPLEX
Passo a passo...
65
MÉTODO SIMPLEX
Passo a passo...
66
MÉTODO SIMPLEX
Passo a passo...
67
PROBLEMAS REAIS UTILIZANDO O MÉTODO SIMPLEX
68
PROBLEMAS REAIS UTILIZANDO O MÉTODO SIMPLEX
69
MÉTODO SIMPLEX UTILIZANDO R
https://marcosdossantos.shinyapps.io/pl_shiny/
70
MÉTODO SIMPLEX UTILIZANDO R
71
MÉTODO SIMPLEX UTILIZANDO R
72
MÉTODO SIMPLEX UTILIZANDO R
73
OUTROS SOFTWARES
74
FINALIZANDO
75
Aprendi a resolver um PPL utilizando
a Solução Gráfica.
76
OBJETIVO
77
Introdução à Simulação
Prof. Dr. Marcos dos Santos
MÓDULO 5
BACKGROUND
Oficial Superior, com 30 anos de serviço na Marinha do Brasil;
Colégio Naval;
Escola Naval;
Viagem de instrução de Guardas-Marinha (VIGM) em 2001;
10 anos embarcado em navios de guerra;
12 anos como Pesquisador e Gerente de Projetos na Divisão
de Pesquisa Operacional (Marinha do Brasil);
Especialização em Instrumentação Matemática (UFF);
Aperfeiçoamento em Matemática (IMPA);
Governança em TI (FGV-RJ);
Mestrado em Engenharia de Produção - Pesquisa Operacional (COPPE/UFRJ);
Doutorado e pós-doutorado em Sistemas, Apoio à Decisão e Logística (UFF);
Pós-doutorado em Ciências e Tecnologias Espaciais (ITA);
Diretoria da Sociedade Brasileira de Pesquisa Operacional (SOBRAPO);
Professor do MBA em Data Science e Analytics da USP;
Professor do Mestrado e Doutorado em Engenharia de Produção da UFF;
Professor da Graduação, Mestrado e Doutorado em Computação do IME;
Mais de 800 pesquisas publicadas e/ou apresentadas em mais de 20 países.
REFERÊNCIAS
80
OBJETIVO
81
8282
TIPOS DE MÉTODOS
83
SIMULAÇÃO
O termo “Simulação” pode ser classificado em duas grandes
categorias: a simulação computacional e a simulação não
computacional.
85
TIPOS DE SIMULAÇÃO COMPUTACIONAL
1. Simulação por Eventos Discretos:
É aquela em que as mudanças de estado do sistema ocorrem instantaneamente em
pontos aleatórios do tempo como resultado da ocorrência de eventos discretos.
2. Simulação Contínua:
É aquela na qual as mudanças no estado do sistema ocorrem continuamente ao longo
do tempo.
88
SIMULAÇÃO DE MONTE CARLO
Durante a II Guerra Mundial, o matemático húngaro John Von
Neumann, eu seu trabalho no Projeto Manhattan, criou o conceito
denominado “Simulação de Monte Carlo”.
90
SIMULAÇÃO DE MONTE CARLO
91
NÚMEROS ALEATÓRIOS
92
NÚMEROS ALEATÓRIOS
Métodos Matemáticos
Método do Meio-Quadrado (Von Neumann – 1946)
93
NÚMEROS ALEATÓRIOS
Métodos Matemáticos
Método do Meio-Quadrado (Von Neumann – 1946)
𝑟0 = Observações:
94
Mão na massa!
Exercício:
Pelo Método do Meio-Quadrado, gerar os 6 primeiros números
aleatórios a partir de uma semente de 2 dígitos.
96
NÚMEROS ALEATÓRIOS
Método da Congruência
97
NÚMEROS ALEATÓRIOS
Método da Congruência
x mod y = r
Ex1: 20 mod 7 =
98
NÚMEROS ALEATÓRIOS
Método da Congruência
Um dos métodos mais populares para a geração de números
aleatórios é o Método da Congruência. Este método trabalha a
partir de quatro parâmetros, quais sejam:
1. O multiplicador a;
2. A constante aditiva c;
3. O módulo M;
4. A semente inicial 𝑟0 .
99
NÚMEROS ALEATÓRIOS
Método da Congruência
Passo 1: Escolha os valores a, c e M.
100
Exercício:
Pelo Método da Congruência, gerar os 5 primeiros números
aleatórios utilizando os valores: a = 9; c = 3; M = 17 e 𝑟0 = 8.
101
Mão na massa!
Exercício:
Pelo Método da Congruência, gerar os 5 primeiros números
aleatórios utilizando os valores: a = 13; c = 9; M = 15 e 𝑟0 = 10.
103
NÚMEROS ALEATÓRIOS
104
VANTAGENS E DESVANTAGENS DA SIMULAÇÃO
Embora seja uma das ferramentas mais utilizadas no mundo da Pesquisa
Operacional, a Simulação possui algumas vantagens e desvantagens. Dentre
elas:
Vantagens:
1. A maioria dos sistemas reais não pode ser avaliado analiticamente com
acurácia. Sendo a Simulação a única forma possível.
2. Permite estimar o desempenho de um sistema sob condições de operação
projetadas.
3. Permite a compressão do tempo em operações de curta, média e longa
duração.
105
VANTAGENS E DESVANTAGENS DA SIMULAÇÃO
Desvantagens:
1. Simulação estocástica produz estimativas e dependem de diversas rodadas
(replicações). Se as características de um problemas podem ser estimadas por
parâmetros exatos, a otimização é preferível.
2. Softwares podem ser caros.
3. Animações realísticas podem impressionar, mas se corre o risco do modelo
não ser válido.
106
OBJETIVO
107
OBRIGADO
researchgate.net/profile/Marcos_Dos_Santos6
108
OBRIGADO!
https://www.linkedin.com/in/profmarcosdossantos/
109