Otimização de estratégias de negócio de micro e pequeno empreendimento através de técnicas de Data Science

Abstract

As mais recentes evoluções tecnológicas nos ramos de computação, processamento e web resultaram na possibilidade de coleta e armazenamento de grandes conjuntos de dados para a análise estratégica. Desta forma as empresas começaram a enxergar seus dados operacionais não mais como informações pouco úteis gravadas apenas para fins administrativos, mas sim como ativos. Hoje é possível observar aplicações utilizando dados em diversos segmentos das indústrias, desde o monitoramento de processos até inferência e previsão estatística através de modelos matemáticos (Machine Learning). Tendo isso em vista, o seguinte trabalho de graduação irá desenvolver aplicação de técnicas de Data Science (Ciência de Dados) e Data Mining (Mineração de Dados) apresentando uma possibilidade de corroborar com um microempreendedor do ramo alimentício, no qual o mesmo possui um empreendimento de Hamburguerias, a inferir a informação que está a sua disposição, assim como compreender seu empreendimento através de análise de dados do histórico de vendas de itens e o crescimento do faturamento; desenvolvimento de métricas de negócio que ajudam no acompanhamento de performance; desenvolvimento de estratégias baseadas em dados como implementação de mecanismos para atrair clientes; avaliação de resultados de decisões de negócio; inferência estatística com uso de regressão linear para compreensão do impacto multifatorial sobre diferentes targets e alavancar potencial de lucro. Todo esse processo realizado buscou implementar a metodologia CRISP-DM (Cross Industry Standard Process for Data Mining), que é um framework comum na indústria para o desenvolvimento de projetos de Data Science e Data Mining. Este consiste de 5 passos, sendo eles: Compreensão de Negócio, Compreensão dos Dados, Preparação dos Dados, Modelagem, Avaliação e Implementação.

The most recent technological developments in computing, processing, and web opened up the possibility of colleting and store large sets of data for strategic analysis. As a result, companies started to see their operational data no longer useless information recorded only for administrative purpose, but as assets. Today it is possible to find applications using data in many segments of industries, from process monitoring to statistical inference and prediction through mathematical models (Machine Learning). Bearing that in mind, the following work will develop the application of Data Science and Data Mining techniques, presenting a possibility of colaborate with a micro-entrepreneur in the food industry, in which he has a hamburguers shop, to infer the information which he has at his disposal, as well as to understand his company through data analysis of sales and revenue growth; developing business metrics that help track performance; developing data-driven strategies such as implementing mechanisms to attract customers; evaluating the results of business decisions; statistical inference using linear regression to understand the multifactor impact on different targets and leverage profit potencial. All this process seeks to implement CRISP-DM (Cross Industry Standard Process for Data Mining) methodology, which is common framework in business to developing Data Science and Data Mining projects. It consists of five steps, namely: Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation and Deployment.