Este protótipo demonstra como recolher dados de ficheiros PDF e como construir modelos analíticos sobre esses dados, produzindo conhecimento e automatizando tarefas repetitivas. Vamos recorrer a um script R integrado com o Power Query para conceber uma solução de recolha, transformação e análise de dados.

Atualizámos o dashboard com novos indicadores, nomeadamente o "Stringency Index" que indica o grau de severidade, numa escala entre 0 e 100, das medidas implementadas pelos países à volta do mundo no combate à pandemia Covid-19. Este índice avalia medidas como o fecho de escolas, do local de trabalho, de eventos públicos, medidas económicas e fiscais, entre outras. É interessante analisar a relação entre a evolução do número de casos confirmados e a rapidez com que os países estão a reagir. O dashboard pode ser acedido a partir deste link.

Nesta breve análise, procuramos compreender como está a evoluir a pandemia Covid-19 à volta do mundo, em particular, em Portugal. Analisamos a evolução do número de casos confirmados, recuperados e mortes ao longo do tempo, com base nas datas do 1º caso confirmado e do 1º caso mortal. Vamos fazer uso de índices e de taxas de crescimento. Também comparámos Portugal com Espanha e Itália e comparamos a China com o Resto do Mundo. Este relatório é atualizado diariamente e está em curso o desenvolvimento de modelos de análise avançada. Link para o relatório aqui.

Na segunda parte deste artigo, vou demonstrar como analisar a satisfação dos clientes da Olist. Mais do que simplesmente descrever ou caracterizar, vou procurar compreender o que explica a satisfação dos clientes desta empresa e como analisar os resultados no Power BI. Para tal, vou recorrer a um algoritmo de árvores de decisão utilizando a linguagem R. Se não teve a oportunidade de ler a primeira parte deste artigo, poderá fazê-lo a partir deste link.

Participei recentemente num evento organizado pela Porto.Data como orador para mostrar como é possível integrar alguns modelos preditivos desenvolvidos com a linguagem R no Power BI. O feedback que recebi dos participantes no final foi muito entusiástico e creio que todos se aperceberam do grande potencial na combinação de uma ferramenta amigável de visualização de dados, como o Power BI, e uma poderosa ferramenta de análise de dados avançada, como a R (ainda que esta seja menos amigável).

Aqui ficam as principais conclusões deste meetup. Mais uma vez, obrigado a todos pelo feedback.

Neste artigo introdutório ao tema análise preditiva, vou procurar esclarecer alguns conceitos relacionados com este assunto, que é atualmente muito debatido no contexto da inteligência artificial e creio até mal-entendido. Como se extrai capacidade preditiva dos dados, transformando-os em conhecimento, e que valor se pode obter com esse conhecimento na gestão das empresas?

Uma das questões mais recorrentes no desenvolvimento de soluções de tecnologia de BI é a de permitir a comparação de valores reais com os valores orçamentados. O orçamento continua a ser uma peça essencial à gestão financeira das empresas porque permite disciplinar as ações da gestão orientando-as para os objetivos e, através da análise de desvios, ajudar a compreender como as consequências das ações da gestão resultaram abaixo ou acima do previsto durante a fase de planeamento – e assim agir novamente em ciclo reforçando as ações com desvios favoráveis e corrigindo aquelas que resultaram negativamente.

Nesta segunda parte da nossa série dedicada à segmentação de clientes com R e Power BI, vamos analisar um conjunto de dados com transações de uma empresa de distribuição para agrupar os clientes de acordo com características comuns. Como referido no artigo anterior, este trabalho permitir-nos-á conhecer melhor o cliente e desenvolver estratégias de marketing diferenciadas para cada segmento (cluster). No entanto, desta vez, vamos recorrer não só a variáveis numéricas, mas também a variáveis categóricas.

Nesta série de artigos, vamos aprofundar algumas técnicas de clustering recorrendo à integração do Power BI com o R. O clustering serve um propósito central e muito importante do marketing: o de agrupar clientes de acordo com características comuns, para que seja possível desenvolver estratégias e ações específicas para cada cluster (ou segmento) de mercado. Este conceito é fácil de compreender, mas difícil de implementar na prática, seja porque nem sempre são claras as características que distinguem os clientes ou porque não sabemos à partida em quantos clusters os agrupar.

A taxa de crescimento do volume de negócios é um dos indicadores mais importantes para a maioria das empresas. No entanto, em muitas, parece existir uma certa dificuldade em definir e calcular essa taxa, seja porque estão em setores de atividade expostos a altos e baixos que a fazem oscilar com muita volatilidade, seja porque se reportam a períodos temporais ainda a decorrer e que, por conseguinte, não fornecem a base completa para o cálculo. Neste artigo, vamos ver como usar a linguagem DAX e efetuar o cálculo com referência aos últimos doze meses como uma alternativa melhor.