O data mining é a pesquisa sistemática de padrões, relações e anomalias em grandes conjuntos de dados. Recorre a técnicas estatísticas e a métodos de machine learning, como clustering, classificação ou análise de associações. Um exemplo clássico é a análise do cabaz de compras no retalho, que mostra quais os produtos frequentemente comprados em conjunto – uma base para a gama, a colocação e as recomendações.
Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.
Iniciar demonstraçãoO reconhecimento de padrões é a identificação automática de regularidades, estruturas ou características recorrentes em dados como imagens, sons, textos ou medições. Os sistemas atribuem novas observações a categorias conhecidas ou descobrem grupos sem rótulos predefinidos. Entre as aplicações contam-se o reconhecimento facial, o reconhecimento de escrita manual, a inspeção de qualidade na produção e a deteção de transações invulgares. A disciplina é um alicerce importante da aprendizagem automática.
O clustering é um método de aprendizagem não supervisionada que divide pontos de dados em grupos com base na sua semelhança, sem categorias predefinidas. Revela padrões que ninguém tinha identificado antes – por exemplo, segmentos de clientes com comportamentos de compra semelhantes. Com textos, o clustering ajuda a organizar centenas de pedidos de clientes por temas como entrega, faturação ou reclamações e mostra onde está o foco.
A análise preditiva utiliza dados históricos, estatística e aprendizagem automática para estimar acontecimentos futuros prováveis. Responde a perguntas como: que clientes estão prestes a cancelar? De quanto stock será necessário no próximo mês? Quando é provável que uma máquina avarie? Os resultados são probabilidades, não certezas. O seu valor depende muito da qualidade dos dados e de as previsões se refletirem efetivamente em decisões e processos.
A análise exploratória de dados (EDA, do inglês exploratory data analysis) é o primeiro olhar, aberto, sobre um conjunto de dados: calculam-se valores-resumo, examinam-se distribuições e gráficos e procuram-se padrões, valores atípicos e valores em falta – ainda sem uma hipótese definida. Ajuda a avaliar a qualidade dos dados e a encontrar questões pertinentes para análises ou modelações posteriores. Exemplo: antes de uma previsão de vendas, a EDA revela que um mês foi registado de forma incompleta devido a uma migração de sistema.
