UTILIZAÇÃO DE MÉTODOS E TÉCNICAS DE MINERAÇÃO DE DADOS

...

um retorno satisfatório, tais como marketing, finanças, indústria e saúde. Foi realizado também um estudo de caso, em que a empresa Mercado Virtual necessitava utilizar a mineração de dados para conseguir uma análise melhor dos seus dados. Por tratar-se de uma grande base de dados e ter a necessidade de alcançar os resultados esperados, foi preciso estudar todas as metodologias e as técnicas com suas respectivas ferramentas disponíveis em datamining, chegando-se à conclusão que a utilização do produto Microsoft Analysis Services é uma boa opção, por oferecer técnicas adequadas ao problema da empresa e por possuir uma ferramenta de trabalho compatível com as necessidades do Mercado Virtual.

Palavras-Chave: Datamining. Mineração de dados. Algoritmos. Técnicas de Datamining. Apoio a decisão. Base de dados. Tecnologia. Banco de dados. Análise.

LISTA DE FIGURAS

Figura 1 - Fases do processo de Datamining 19

Figura 2 - listagem de produtos 22

Figura 3 - Gráfico de setores circulares 22

Figura 4 - Tabela de clientes 23

Figura 5 - Visualização em forma de árvore 23

Figura 6 - Tabela CliquesProdutos 42

Figura 7 - Data Source: Mercado Virtual 42

Figura 8 - Data Source View: CliquesProdutos 43

Figura 9 - Gráfico MTS 43

Figura 10 - Legenda Gráfico MTS 44

Figura 11 - Tabela LojasCategorias 44

Figura 12 - Data Source LojasCategorias 45

Figura 13 - Perfis Cluster 45

Figura 14 - Discriminação Cluster 46

Figura 15 - Tabela Cliques 47

Figura 16 - Data Source Cliques 47

Figura 17 - Estrutura Mineração MSC 48

Figura 18 - Perfis MSC 48

Figura 19 - Legenda MSC 49

Figura 20 - Características MSC 49

LISTA DE TABELAS

Tabela 1 - Escolhendo um algoritmo por tarefa 38

SÚMARIO

1 INTRODUÇÃO 10

1.1 Problema 10

1.2 Objetivo 11

1.3 Organização da Monografia 12

2 CONCEITOS DE MINERAÇÃO DE DADOS 13

2.1 A História da Mineração de Dados 15

2.2 A Descoberta do Conhecimento em Datamining 16

2.2.1 Objetivos de Datamining relacionados à Descoberta do conhecimento 19

2.2.2 Classificação Dos Tipos de Conhecimentos 20

2.3 Técnicas Utilizadas em Datamining 21

2.3.1 Regras de Associação 22

2.3.2 A Descoberta de Padrões Seqüenciais 25

2.3.3 Padrões Dentro de Séries Temporais 25

2.3.4 Regras de Classificação 26

2.3.5 Regressão 26

2.3.6 Redes Neurais 27

2.3.7 Algoritmos Genéticos 27

2.3.8 Clustering e Segmentação 28

2.4 Ferramentas Comerciais Utilizadas em Datamining 28

2.4.1 SAS Enterprise Miner 29

2.4.2 IBM Intelligent Miner 30

2.4.3 Oracle Darwin Datamining Software 30

2.4.4 Microsoft SQL Analysis Services 31

2.5 Aplicações e Utilizações do Datamining 34

3 ESTUDO DE CASO 35

3.1 Descrição do Site 35

3.2 Métodos e Técnicas Utilizados 36

3.2.1 Utilizando o Algoritmo MTS Para Avaliação de Cliques 36

3.2.2 Utilização Do Algoritmo de Clustering Para Avaliação de Semelhança das Categorias Entre as Lojas 39

3.2.3 Utilização do Algoritmo MSC Para Avaliação de Produtos Pesquisados 41

3.2.4 Considerações Sobre a Pesquisa 44

4 CONCLUSÕES 45

4.1 Considerações Finais 45

4.2 Trabalhos Futuros 46

5 REFERÊNCIAS 47

1 INTRODUÇÃO

A rápida evolução dos recursos computacionais ocorrida nos últimos anos permitiu que, simultaneamente, fossem gerados grandes volumes de dados. “Estima-se que a quantidade de informação no mundo dobra a cada 20 meses e que o tamanho e a quantidade dos bancos de dados crescem com velocidade ainda maior”. (DILLY, 1999).

O custo da má qualidade desses dados pode ser decisivo para o sucesso de uma grande empresa. Devido a esses fatores, é muito importante o estudo da administração de dados para garantir a qualidade dos dados que são inseridos e recuperados em uma base de dados. A administração de dados consiste no desenvolvimento e execução de estratégias, práticas e procedimentos para o processo de gerência do ciclo de vida completo dos dados em uma empresa.

1.1 Problema

Nos últimos anos, as organizações têm se mostrado extremamente eficientes em capturar, organizar e armazenar grandes quantidades de dados, obtidos em suas operações diárias. No entanto a maioria delas ainda não usa adequadamente essa enorme massa de dados para transformá-la em conhecimentos que possam ser utilizados em suas próprias atividades. Com a geração de um grande