Curso Data Mining Aplicado a CRM Analitico Presencial

O Curso de Data Mining Aplicado a CRM Analítico é presencial em São Paulo.

Data mining (DM) consiste na exploração estatística de grandes bases de dados com o objetivo de capturar padrões ou modelos quantitativos subjacentes, selecioná-los e validá-los. Grandes bases de dados ocorrem com frequência em organizações que acumulam dados oriundos de relacionamentos com seus clientes e de outras fontes.

Atualmente as organizações, em decorrência do aumento da competição e das novas regras de mercado, buscam otimizar suas intervenções nos mercados-alvo, que tipicamente envolve a manipulação e a análise de grandes bases de dados.

O objetivo de DM é transformar dados armazenados em bases de dados computacionais em informações operacionais para provocar ações otimizadas das organizações em seus mercados-alvo.

Nos últimos 10 anos houve progressos importantes nos métodos estatísticos, que se tornaram mais eficientes, robustos, diversificados e adequados para a análise de dados de negócios. O principal avanço na análise estatística na última década é a melhoria dos métodos de análise de dados em painel (longitudinais).

DM é uma ferramenta poderosa para a gestão analítica (i.e., baseada em dados) do relacionamento com os clientes (CRM analítico). Os conhecimentos sobre DM em CRM analítico são imprescindíveis para os gestores de negócios, pois os dados da organização constituem um ativo importante que está cada vez sendo mais e melhor explorado pelos concorrentes de mercado.

Método de Ensino

- Aulas teóricas e expositivas

- Trabalhos práticos no decorrer do curso com o uso de computador

- Resoluções de casos em sala de aula

Investimento total de R$ 3.600,00.

A FIPECAFI reserva o direito de alterar ou cancelar o curso em função de não atingir o número mínimo de alunos por turma.

- Usuários e profissionais de CRM

- Profissionais de análise quantitativa de dados

- Profissionais de informática interessados no processo de descoberta de conhecimento em bancos de dados (KDD)

- Profissionais de marketing e finanças

O objetivo geral do curso é transmitir conhecimentos sobre os métodos e técnicas úteis para a análise estatística de grandes bases de dados com o intuito de extrair informações e métricas operacionais para os gestores de negócios.

Os objetivos específicos são os seguintes:

- Apresentar e explorar as principais funcionalidades, técnicas e algoritmos utilizados em DM

- Apresentar como a tecnologia de DM extrai informações úteis de grandes bases de dados

- Capacitar os participantes a atuarem de forma proativa em projeto de DM em CRM analítico através de exercícios práticos

- Apresentar exemplos de aplicações de DM

1. Introdução a DM, CRM analítico e DW (date warehouse): segmentação de clientes, campanhas de marketing direto, análise de portfolio e de sequência de produtos/serviços (market basket and sequence analysis), análise de abandono/retenção, análise de inadimplência, análise de fraude etc.

2. Métricas de marketing para análise de ROI e costumer lifetime value (CLTV).

3. Pré-processamento dos dados para os processos de DM: validação, limpeza, transformação, recodificação, reestruturação, classificação do nível de mensuração e de missing values

4. Análises multivariadas numérica e gráfica

5. Análise estatística de dados transversais, séries temporais e dados em painel (longitudinais)

6. Análise estatística de dados: modelos preditivos (supervisionados) e descritivos (não supervisionados)

7. Métodos de amostragem (sampling) e de reamostragem (bootstrapping)

8. Modelos preditivos: significância (p-value), tamanho do efeito (effect size), tamanho de amostra, seleção e validação de modelo

9. Suposições e condições dos modelos preditivos: independência, normalidade, homocedasticidade, multicolinearidade, outliers, leverage, etc.

10. Análise de missing values: métodos de imputação

11. Modelos preditivos

a. Modelos lineares gerais: análise de variância multivariada com fatores e covariáveis para medidas repetidas

b. Modelos mistos (efeitos fixos e/ou aleatórios)

c. Modelos lineares generalizados: equações de estimação generalizadas

d. Modelos de equações estruturais

e. Análise de regressão

i. Árvore de regressão e classificação (CART, CHAID e QUEST)

ii. Análise de regressão linear múltipla multivariada

iii. Análise de regressão ordinal

iv. Análise de regressão logística binária e politômica

v. Análise de regressão não linear

f. Análise discriminante linear e quadrática

g. Redes neuronais: multilayer perceptron

h. Modelos de sobrevivência: análise de regressão de Cox

i. Análise de tabelas de contingência

j. Análise de séries temporais:

i. Controle estatístico de processos multivariados

ii. Modelos SARIMA-GARCH

12. Modelos de descritivos:

a. Análise de grupos (segmentação):

i. K-centróides (k-means)

ii. Hierárquica

iii. Em dois passos (TwoStep)

b. Nearest Neighbor Analysis

c. Análise de escalonamento multidimensional

d. Análise de correspondência múltipla

e. Análise de fatores comuns ortogonais (fator analysis) e de componentes principais (PCA)

13. Resolução de casos

Coordenação Geral: Prof. Dr. Geraldo Barbieri

60 horas, distribuídas em duas sessões semanais de 4 horas de aula.

Datas e horarios

Em breve novas turmas. Pré-Inscrição aberta.