| Artigo - O Princípio de Pareto | |
| 30/06/2011 14:35 | |
O Princípio de Pareto, sugerido por Juran, diz basicamente que 80% dos problemas são provenientes de 20% dos motivos. Com frequência algumas poucas classificações dominam (os “pouco vitais”), enquanto que todo o resto (os “muitos triviais”) contribui apenas com uma pequena proporção.
O nome é uma homenagem a Vilfredo Pareto, engenheiro, economista e pioneiro a enunciar o princípio (ou regra 80-20). Tudo começou em 1897 quando realizou um estudo sobre a distribuição de renda da população e concluiu: 80% da riqueza se concentra nas mãos de apenas 20% da população. Formulou sua teoria em 1906, na época com 58 anos.
Este princípio, após detectado numa análise, deve ser transmitido de maneira clara e objetiva nas conclusões. Ele pode ser muito útil para analisarmos os motivos das causas de uma determinada situação, traçar prioridades nas ações corretivas, bem como descrever um fenômeno. Nas organizações, o princípio está presente em diversas situações: 20% dos clientes respondem por 80% dos negócios; 20% dos componentes de um produto representam 80% do custo; 20% dos motivos concentram 80% das reclamações feitas. Ao dar a mesma importância a todos os fatores, as empresas estão deixando de se concentrar no que realmente interessa. A relação 80-20 virou uma grande referência, e tem sido observada em várias situações distintas. Claro que há variação na proporções da relação, por exemplo, numa situação específica, o fenômeno em análise pode se concentrar em menos de 20% das categorias ou em mais, sem perder sua importância conclusiva. Para potencializar esta análise, temos que nos preocupar, e muito, em como iremos mostrar graficamente nossas conclusões. Existem maneiras clássicas para mostrar este efeito. Veja o gráfico abaixo:  Nesse exemplo podemos observar clara e rapidamente que os principais motivos dos defeitos nos parafusos foram: “Baixa Qualidade do Material” e “Máquina com Lubrificação Inadequada”. Estes dois motivos foram responsáveis por 80% dos defeitos nos parafusos. Se não houvesse esta análise, as pessoas poderiam focar a ação corretiva em motivos triviais que estariam mais assessíveis, porém sem provocar o efeito desejado de melhoria. Este é o Gráfico de Pareto: uma série de barras nas quais a altura reflete a frequência ou impacto do problema (valor monetário, tempo etc.). As barras são organizadas de forma decrescente da esquerda para direita. Isto significa que as categorias apresentadas do lado esquerdo são as mais relevantes. A linha com o percentual acumulado ajuda a verificar se o princípio está ou não presente no fenômeno estudado. Traremos nos próximos posts exemplos de como utilizar o famoso Princípio de Pareto a nosso favor. Higa |
|
| IPCA-15 de junho fica em 0,23%; e IPCA-E, em 1,71% | |
| 21/06/2011 09:34 | |
| O Índice Nacional de Preços ao Consumidor Amplo-15 (IPCA-15) subiu 0,23% em junho, depois de elevação de 0,70% um mês antes. Em mesmo mês de 2010, o indicador tinha aumentado 0,19%. Nos 12 meses até junho, o avanço foi de 6,55%, excedendo a taxa apurada nos 12 meses imediatamente anteriores, de 6,51%. "Os transportes foram responsáveis pela forte desaceleração do IPCA-15 de maio (0,70%) para junho (0,23%). O grupo apresentou queda de 0,73%, enquanto havia subido 0,93% no mês anterior", observou o Instituto Brasileiro de Geografia e Estatística (IBGE) em nota. Essa mudança de direção foi influenciada pelo barateamento da gasolina e do etanol. Além dos transportes, o organismo citou o movimento de Alimentação e bebidas, que deixaram um acréscimo de 0,54% em maio para ampliação de 0,11% um mês depois. O IBGE deu destaque para o comportamento de produtos como arroz (-2,02%), frutas (-4,08%), peixes (-5,14%) e batata-inglesa (-13,03%). No primeiro semestre deste ano, o IPCA-15 marcou alta de 4,10%, contra incremento de 3,35% em igual período do calendário passado. Apenas no segundo trimestre, o indicador teve expansão de 1,71%. Para o cálculo do IPCA-15, os preços foram coletados de 14 de maio a 13 de junho e comparados com aqueles vigentes de 13 de abril a 13 de maio de 2011. O indicador refere-se às famílias com rendimento de 1 a 40 salários mínimos e abrange as regiões metropolitanas do Rio de Janeiro, Porto Alegre, Belo Horizonte, Recife, São Paulo, Belém, Fortaleza, Salvador e Curitiba, além de Brasília e Goiânia. O IBGE notou que a metodologia utilizada é a mesma do IPCA, com diferença apenas no período de coleta dos preços. Fonte: IBGE |
|
| Em 4 anos, 30 milhões compraram a prazo pela 1ª vez | |
| 01/06/2011 09:43 | |
| A Associação Comercial de São Paulo realizou uma pesquisa nacional baseada no total de CPFs (Cadastro de Pessoas Físicas) consultados pela primeira vez para aprovação de uma venda a prazo. Os dados levantaram a informação que 30 milhões de brasileiros começaram a usar crédito para ir às compras nos últimos 4 anos. "A média foi de 7,5 milhões de novos crediaristas a cada ano", disse o economista-chefe da ACSP, Marcel Solimeo ao jornal O Estado de São Paulo. Mas ele considera que o maior ingresso de novos adeptos do crediário ocorreu em 2007 e 2008, antes da crise financeira. Em 2010, ingressaram cerca de 6 milhões de consumidores. Para este ano, ele acredita que o número seja menor, mas nada desprezível: entre 2 milhões e 3 milhões de pessoas. A entrada de novos consumidores, fruto da ascensão social das classes de menor poder aquisitivo que ocorreu no País, associada ao desemprego em níveis historicamente baixos e prazos ainda longos, deve fazer com que o crédito ao consumidor com recursos livres cresça 18% neste ano, nas projeções de Solimeo. Essa taxa está acima da pretendida pelo presidente do Banco Central (BC), Alexandre Tombini, de 15%. No entanto, é menor que a registrada em 2010 (28,9%). "A desaceleração do crédito ao consumo com recursos livres é lenta, porque a política de restrição ao consumo do BC tem sido gradativa", ressalta. Uma boa parte dos novos consumidores comprou o carro zero-quilômetro pela primeira vez. No ano passado, 435.400 brasileiros adquiriram pela primeira vez um carro zero. Esse volume representou 13,08% do total de automóveis e veículos comerciais leves comercializados em 2010. Apesar da elevação das taxas de juros, os prazos continuam camaradas. Em feirões realizados nos fins de semana é possível encontrar veículos novos vendidos em 60 meses, sem entrada. De acordo com analistas do setor automotivo, 70% dos carros zero-quilômetro são adquiridos por meio de financiamentos. Fonte: Associação Comercial de São Paulo |
|
| Consumidor teme a inflação mas vai às compras. | |
| 13/05/2011 15:08 | |
Embora esteja mais pessimista em relação à inflação e ao desemprego, o consumidor pretende aumentar ou manter no mesmo nível as compras de bens de maior valor. Essa postura foi detectada pelo Índice Nacional de Expectativa do Consumidor referente a abril de 2011, apurado pela Confederação Nacional da Indústria (CNI).
O indicador mostrou que 70% dos entrevistados preveem aumento da inflação até o final do ano e que só 7% acham que os índices de preços terão queda.
Em relação ao desemprego, 41% consideram que haverá alta e 26% apostam em redução.
Apesar desse pessimismo, 29% dos pesquisados acham que a compra de bens de maior valor vai aumentar, 54% afirmam que esse consumo se manterá no mesmo nível e apenas 17% preveem que haverá redução no nível de compras de produtos mais caros.
Fonte: Observador Brasil |
|
| Artigo - O que são modelos? | |
| 11/04/2011 16:59 | |
| O que são modelos? Podemos dizer que são representações simplificadas da realidade, que preservam, para determinadas situações e enfoques, uma equivalência adequada. Estas representações são utilizadas para: • Auxiliar no entendimento de um fenômeno; e • Adicionar conhecimento sobre a realidade. Na verdade, podemos dizer que estamos modelando a realidade a todo instante, quando observamos o mundo e tentamos descrevê-lo analiticamente. Mapas, fluxogramas, maquetes e equações matemáticas são alguns exemplos de modelos que encontramos no dia-a-dia. A modelagem matemática permite descrevermos um fenômeno de forma quantitativa. Físicos utilizam a modelagem matemática para descrever quantitativamente as grandezas físicas e suas relações. Engenheiros a utilizam para cálculos estruturais, identificação de sistemas e outras aplicações. Da mesma forma, é possível modelar matematicamente alguns comportamentos humanos, onde os modelos podem ter função explicativa e/ou preditiva sobre o fenômeno estudado. A modelagem matemática tornou-se ferramenta imprescindível para a compreensão e previsão de inúmeros fenômenos que ocorrem em várias áreas de negócio: varejo, mercado financeiro, telecomunicações, seguradoras e outras. Nessas áreas de negócio, entre os fenômenos com maior interesse para modelagem, podemos citar: respostas de clientes a ofertas de produtos, comportamentos de crédito, flutuações de preços de ativos, comportamentos de clientes na utilização de canais de marketing e comportamentos de clientes na utilização de determinados produtos. A utilização de modelagem matemática nesses mercados já deixa de ser vantagem competitiva e passa a figurar como ferramenta básica de operação. Modelos matemáticos expressam relações entre variáveis. Em alguns casos, essas relações podem ser conhecidas previamente, como nos modelos que ocorrem em várias ciências, entre elas a física e a química. Em outras situações, as relações entre as variáveis não são conhecidas e o processo de construção de modelos envolve o teste de diferentes possibilidades para esse relacionamento. Podemos formalizar as diferenças de natureza entre esses dois tipos de modelos utilizando os conceitos de modelos concretos e modelos abstratos. Podemos classificar os modelos, também, quanto à sua dinâmica, em modelos determinísticos, estocásticos (ou probabilísticos) e indeterminados. Os dois primeiros tipos serão de nosso interesse nesse documento, sendo os modelos probabilísticos aqueles sobre os quais desenvolveremos a maior parte desta metodologia. Nos modelos probabilísticos podemos dizer que as variáveis explanatórias explicam parte do comportamento da variável resposta; porém, existe sempre uma parcela desta variabilidade que não poderá ser explicada. Essa parcela não explicada da variabilidade pode ocorrer em função de erros de medida, variáveis explanatórias não observáveis ou variabilidade natural do fenômeno estudado. Uma empresa de crédito, por exemplo, pode estar interessada em prever o valor do rendimento mensal de seus clientes em função das variáveis profissão, idade, local de residência, grau de escolaridade, cargo ocupado e tempo na ocupação atual. Porém, as duas últimas variáveis podem não estar disponíveis nos bancos de dados da empresa. Além disso, a informação de renda é obtida diretamente do cliente, sem qualquer confirmação de sua veracidade. Nesse exemplo, podemos identificar as seguintes fontes de variabilidade para a variável renda: • Erros de medida: a renda informada pelo cliente pode não estar correta; • Variáveis explanatórias não observáveis: cargo e tempo de ocupação, além de outras variáveis não disponíveis em banco de dados e que podem possuir capacidade de explicação sobre a variável renda; • Variabilidade natural: decorrente de competências profissionais específicas dos clientes, que não podem ser mensuradas por um modelo matemático. Os processos de uma empresa são automatizados na forma de aplicações que compõem coletivamente a pasta de sistemas da empresa. As aplicações de uma empresa de crédito, seguindo o exemplo, incluem o processamento de crédito, atendimento a clientes, administração de pagamentos, cobrança, monitoração de transações e registro de compras (cartões de crédito, entre outras formas), registro de inadimplência no mercado, produtos financeiros, etc. As aplicações da empresa são realizadas por programas que coletam, criam, modificam e excluem dados, e por programas que utilizam, analisam, resumem, extraem ou manipulam dados de outras maneiras. Entretanto, a maior parte das empresas ainda não está apta a realizar, de maneira ágil, a transformação destes dados em informações para tomada de decisão estratégica, uma vez que estas aplicações normalmente estão armazenadas em formatos e locais diferentes, dificultando relacionamento ou cruzamento entre os mesmos. Um exemplo simples seria a identificação do perfil sócio-econômico dos clientes com o melhor comportamento de crédito (pagamento em dia); o trabalho poderia exigir muito tempo de dedicação para extração e manipulação dos dados para geração de informação, sendo estas aplicações encontradas em formatos e locais diferentes. Numa arquitetura de banco de dados de data warehousing, os bancos de dados são construídos para facilitar a pesquisa, recuperação e relacionamento entre as diversas aplicações da empresa. Com periodicidade definida, os dados das aplicações são coletados por extratores que alimentam de maneira padronizada as diferentes tabelas que compõem o data warehouse. As diferentes tabelas são conectadas por variáveis-chave. As variáveis-chave são utilizadas para realizar os relacionamentos entre as diferentes tabelas do data warehouse. Seguindo no exemplo da empresa de crédito, num data warehouse podemos ter três tabelas: uma de cadastro, com os dados referentes ao preenchimento de propostas de crédito (neste caso, a aplicação de processamento de crédito é utilizada como fonte de informação e um extrator é construído para alimentar o data warehouse periodicamente e de maneira padronizada); uma de pagamentos, com os dados referentes ao histórico de pagamento das diversas contas que um cliente pode possuir com a instituição financeira; e uma de contato de cobrança, com os dados relativos às negociações estabelecidas pelos agentes de cobrança em caso de inadimplência de uma conta ou contrato. Nesta situação, as variáveis-chave podem ser o CPF (cadastro de pessoa física), para relacionar as informações sócio-econômicas da tabela de cadastro com as informações de histórico de pagamento na tabela de pagamentos, e a conta do cliente (número de conta ou contrato), para relacionar as informações de pagamentos com a tabela de contato de cobrança. A periodicidade de alimentação das tabelas do data warehouse pode variar de acordo com as necessidades de velocidade de geração de informações pela empresa. Atualmente, algumas empresas já realizam atualizações diárias de seus data warehouses, o que não implica que todas as tabelas sejam atualizadas diariamente. Algumas tabelas, dependendo da utilização estratégica da empresa, podem ser atualizadas mensalmente, mesmo que a maioria tenha atualização diária. Com o data warehouse a empresa ganha capacidade de manipular dados e gerar informações para tomada de decisão em grande escala, sendo requisito fundamental para geração de modelos e prática do data mining. Ao se falar em estatística, logo se lembra de apresentações numéricas, de tabelas ou de gráficos dos resultados da observação de fenômenos de massa, ou ainda, o elemento típico inferido dessa observação. Na verdade, trata-se de um conjunto de processos que tem por objetivo a observação, classificação e análise de fenômenos coletivos, bem como a indução das leis (através da construção de MODELOS) a que tais fenômenos globalmente obedeçam. Na natureza nada é igual, as diferenças é que podem ser insignificantes. As diferenças entre produtos podem ser enormes ou quase imperceptíveis, mas sempre estarão presentes. Num mundo determinista, onde não se admite ou compreende o que é a variação, é muito comum ter que “explicar todas as variações”. As variações não devem nos surpreender. Alguns dias são melhores do que outros. Uma pessoa pode passar por todas as emoções, indo da alegria ao medo, num mesmo dia de trabalho. Quando vamos ao pipoqueiro e o observamos preparar a nossa pipoca, não esperamos que as pipocas estourem todas de uma só vez. Na verdade, entendemos e até podemos contar com o fato de que os grãos venham a estourar em momentos diferentes. Por que então ficamos surpresos quando os negócios funcionam de maneira semelhante? Assim, podemos entender a Estatística como a ciência que estuda a variabilidade e constrói, através do seu entendimento, modelos que nos possibilitem estimar comportamentos e relações. Data Mining pode ser definido como um processo para descoberta de padrões e tendências em grandes conjuntos de dados, visando, num estudo, formar conhecimento sobre um fenômeno. O termo Data Mining, que pode ser traduzido por “mineração” ou “garimpagem” de dados, traduz bem esse conceito. A idéia central é promover uma “lapidação” em dados brutos, objetivando transformá-los em informações e finalmente em conhecimento estratégico. O conceito de Data Mining está estreitamente relacionado com Modelagem. Uma das principais formas de construir conhecimento sobre um fenômeno é modelá-lo matematicamente, conhecendo os fatores que o influenciam. Não existe um conceito fechado sobre onde terminam e onde começam os domínios de Data Mining e Modelagem, pelo menos até o momento em que esse documento foi desenvolvido. O que pode ser afirmado é que o conceito de Data Mining inclui (e não se limita) processos e técnicas de modelagem matemática, além de metodologias oriundas das áreas de inteligência artificial, computação evolutiva entre outras. Alfredo Luiz Wenzel de Oliveira |
|
