Cronológico:  Elaine Figueiredo
Acadêmica: 
Técnico em Informática (CEETEPS); Bacharel em Sistemas de Informação (FAIMI-UNIESP); Pós em Psicopedagogia (FAIMI-UNIESP); Mestrado em Ciência da Computação – Linha de Pesquisa em Inteligência Artificial (USP/FACCAMP). 
Profissional: 
2001 – 2007: Instrutora e Coordenadora de Tecnologias Educacionais no Colégio Santo André – SJRP; Desde 2006 leciono Tecnologia no Ensino Superior e Pós (Presencial e EAD); 2008 à 2019: Projetos de TI como Analista de Negócios, Gerente de Projetos e BI – Business Inteligence
2014 atual – Leciono na Universidade Anhembi Morumbi; 2019 atual – voluntária em Projetos Sociais (liga solidária, velho amigo e Projeto Resgate); 2020 – Parceira e Consultora da IMPROOVA Treinamentos; 2021 – COLÉGIO HARMONIA – TRILHA Digital Leaders
LinkedIn do Palestrante:
https://www.linkedin.com/in/elainefigueiredo/
Faça parte do EstaTiDados:
Saiba mais » https://linktr.ee/estatidados
Grupo Telegram » https://t.me/estatciencia
App portfolio R » https://estatidados.shinyapps.io/portfoliothiagomarques/
#cienciadedados #gestaoagil #projetosageis

O post Live Elaine Figueiredo (IMPROOVA) – Data Science Ágil: modelos para melhorar projetos de ciência de dados – Parte 1 apareceu primeiro em Estatidados.

 Cronológico:  Elaine Figueiredo

 Acadêmica: 
Técnico em Informática (CEETEPS); Bacharel em Sistemas de Informação (FAIMI-UNIESP); Pós em Psicopedagogia (FAIMI-UNIESP); Mestrado em Ciência da Computação – Linha de Pesquisa em Inteligência Artificial (USP/FACCAMP). 

 Profissional: 
2001 – 2007: Instrutora e Coordenadora de Tecnologias Educacionais no Colégio Santo André – SJRP; Desde 2006 leciono Tecnologia no Ensino Superior e Pós (Presencial e EAD); 2008 à 2019: Projetos de TI como Analista de Negócios, Gerente de Projetos e BI – Business Inteligence
2014 atual – Leciono na Universidade Anhembi Morumbi; 2019 atual – voluntária em Projetos Sociais (liga solidária, velho amigo e Projeto Resgate); 2020 – Parceira e Consultora da IMPROOVA Treinamentos; 2021 – COLÉGIO HARMONIA – TRILHA Digital Leaders
LinkedIn do Palestrante:
https://www.linkedin.com/in/elainefigueiredo/

Faça parte do EstaTiDados: 

Saiba mais » https://linktr.ee/estatidados

 Grupo Telegram » https://t.me/estatciencia

App portfolio R » https://estatidados.shinyapps.io/portfoliothiagomarques/
#cienciadedados #gestaoagil #projetosageis

O post Live Elaine Figueiredo (IMPROOVA) – Data Science Ágil: modelos para melhorar projetos de ciência de dados – Parte 2 apareceu primeiro em Estatidados.

Imagine uma situação na qual as empresas correm atrás de você, e não o contrário.

Isso já é realidade para os profissionais da área de análise de dados.

O Bureau of Labor and Statistics dos EUA (www.bls.gov) projeta que, até 2028, haverá um aumento de 72% nas novas carreiras relacionadas à Análise de Dados. 

Isso implica que muitas empresas estão à procura de analistas de dados profissionais para integrar as suas equipes. É, portanto, de grande importância que os analistas de dados aprimorem suas habilidades e se tornem competitivos se quiserem estar entre as pessoas mais procuradas para empregos na área de Análise de Dados.

Ter a experiência certa e as habilidades exigidas para um analista de dados atraem salários de seis dígitos, mais de 100 mil por ano, de acordo com a Robert Half Technology, Recrutamento Especializado e Projetos em Tecnologia (www.roberthalf.com.br).

Com um excelente salário você consegue ajudar a sua família, além de poder realizar os sonhos de ter o seu carro, a sua casa e poder viajar pelo Brasil e pelo mundo.

Principais áreas de melhoria para uma carreira de desenvolvedor em análise de dados

Trabalhar para melhorar suas habilidades de análise de dados abrirá portas para novas oportunidades e melhores compensações.

As habilidades essenciais que os analistas de dados precisam melhorar para conseguir um emprego dos sonhos incluem o conhecimento de muitas tecnologias. Tentaremos resumir as mais significativas nesta seção.

R e Python são mais adequados para lidar com um grande conjunto de dados. No entanto, métodos avançados do Excel, como Macros, são usados para conjuntos de dados menores e análises rápidas.

Os analistas de dados que trabalham em startups ou pequenas e médias empresas utilizam bancos de dados Excel; portanto, é uma ferramenta obrigatória para todos os iniciantes em analistas de dados. À medida que progride, você encontrará grandes conjuntos de dados e, portanto, também exigirá que você aprenda a linguagem de programação estatística à medida que avança em sua carreira.

SQL

SQL (sigla em inglês para Standard Query Language): significa Linguagem de Consulta Estruturada. É a linguagem de banco de dados padrão do setor e uma habilidade importante para todos os analistas de dados. SQL permite interagir com grandes conjuntos de dados estruturados que precisam ser armazenados em bancos de dados relacionais.

Como analista de dados, você precisa estar familiarizado com SQL e armazenar, gerenciar e relacionar com eficiência vários conjuntos de dados. Ter uma boa compreensão das fontes de dados será útil em sua carreira, e o SQL lhe dá a capacidade de navegar por grandes bancos de dados e trabalhar em projetos exigentes.

Habilidades Técnicas do Analista de Dados

Analistas de Dados devem possuir as habilidades técnicas corretas, além de serem proficientes no uso de diferentes ferramentas de banco de dados usadas na análise de dados. Eles também devem estar familiarizados com programas de computador, habilidades de codificação, usando SQL, JavaScript, Python, R, XML , Hadoop, SAS e outros programas de aprendizado de máquina.

Programação Estatística em Python

É uma das linguagens de programação usadas na análise de dados. Você precisa entender conceitos como coleta de dados, web scraping e o uso de Python para desenvolver aplicativos da web. Python é uma poderosa linguagem de programação estatística que realiza análises avançadas e análises preditivas em grandes conjuntos de dados. Portanto, todo analista de dados deve melhorar sua habilidade em linguagens de programação Python ou R. R é ideal para explorar vários conjuntos de dados e fazer análises ad-hoc.

Quais são as carreiras de analista de dados?

Existem várias carreiras em análise de dados. Elas incluem:

• Engenheiro de big data: engenheiros de big data transformam grandes volumes de dados em insights úteis que os gerentes podem usar para informar sua tomada de decisão. Eles são necessários para recuperar, coletar, interpretar, analisar e relatar dados de negócios. Eles também criam software e processos com os quais outras partes interessadas podem trabalhar para processar dados.
• Analista de Business Intelligence: analisa os dados da empresa para obter insights que podem ser adotados pelos executivos para tomar decisões bem informadas. Eles examinam dados e identificam padrões e tendências. 
• Arquiteto de dados: arquitetos de dados são responsáveis por projetar a estrutura de dados complexas. 
• Gerente de data warehouse: eles são responsáveis por armazenar e analisar dados em suas respectivas organizações. Eles usam métricas de desempenho e uso para avaliar e analisar a carga de dados. Além disso, eles identificam os riscos potenciais enfrentados pela transferência ou armazenamento de dados e apresentam formas de mitigar esses riscos.
• Cientista de dados: eles projetam novas formas de mineração de dados, modelagem e desenvolvem protótipos, algoritmos e modelos preditivos. Ele precisa ser qualificado em análise de regressão, diferentes técnicas de mineração de dados, árvores de decisão e análise.
• Gerenciador de banco de dados: o gerenciador de banco de dados é obrigado a identificar quaisquer problemas que os bancos de dados possam ter e tomar medidas corretivas para resolvê-los. Eles ajudam a projetar e implementar a manutenção de armazenamento trabalhando em conjunto com desenvolvedores de banco de dados.
• Modelador de dados: os modeladores de dados usam suas habilidades para criar relatórios sobre tendências micro e macro dos dados. Eles têm habilidades em ciência da informação, programação e análise estatística. Suas descobertas sobre tendências de dados os fazem ajudar as organizações a tomar decisões.
• Desenvolvedores de banco de dados: esses profissionais analisam principalmente os processos de banco de dados e agilizam ou eliminam aqueles que são ineficientes. Eles também fazem análise de dados e testes de unidade trabalhando em colaboração com outros profissionais de dados.

Quais novas carreiras de analista de dados você deve considerar?

As novas carreiras de analista de dados nas quais os desenvolvedores podem se especializar são:

• Analista quantitativo: o analista quantitativo é uma carreira altamente comercializável em empresas financeiras. Os analistas quantitativos usam a análise de dados para identificar potenciais oportunidades de investimento financeiro e gerenciar os riscos que podem surgir a partir disso.
• Analista de dados de saúde: são os novos profissionais em análise de dados aplicados na área de saúde. O analista de dados de saúde ajuda a melhorar a qualidade de vida das pessoas, auxiliando os médicos com soluções para os desafios que eles encontram. 
• Consultor de análise de dados: as funções de um consultor de análise de dados são fornecer insights que a empresa pode adotar em suas operações. Eles se especializam em uma área-chave de pesquisa e trabalham com diferentes organizações. 
• Especialista em logística de transporte: esses especialistas precisam de experiência em análise de dados para desempenhar suas funções. Sua experiência é necessária em empresas que transportam ou enviam mercadorias físicas com frequência, como a Amazon. Eles são obrigados a identificar as melhores rotas e meios eficientes de transporte das mercadorias. 

Existem muitas oportunidades de análise de dados em todo o mundo, por isso os analistas de dados precisam aprimorar suas habilidades.

Considerações Finais

A análise de dados é um campo de rápido crescimento que oferece aos profissionais a oportunidade de adquirir habilidades e contribuir com mudanças positivas em muitas organizações ao redor do mundo. Se você está ansioso para iniciar ou crescer sua carreira em análise de dados, a melhor opção é fazer o treinamento MBA em Data Science e Statistics com Python, do Instituto de Capacitação Business School Brasil – BSBr.com.br. 

Neste MBA iremos lhe dar os seguintes Bônus:

 Networking – Conseguir uma rede de contatos e fazer novos amigos;

 Crescimento profissional – emprego em vários cargos, além de poder subir de cargo até conquistar a gerência, por exemplo;

 Currículo relevante – você valoriza seu currículo na hora de entrar para o mercado;

 Maior flexibilidade – possibilidade de trabalho remoto, no Brasil e no exterior.

Autores

Prof. Dr. José Bezerra da Silva Filho é entusiasta em Gerenciamento de Projetos, Doutor em Engenharia pela Universidade Federal de Campina Grande – UFCG e University of Maryland at College Park (EUA) e Mestre em Ciência da Computação pela UFCG. Elaborou, implantou e coordenou um curso de Mestrado em Informática Aplicada. Bezerra já coordenou dezenas de turmas de cursos de MBA/Especialização. Trabalhou no Banco do Nordeste do Brasil – BNB por mais de três décadas. É autor de dez livros, dentre os quais: Tecnologia da Informação e Comunicação para Gestores; Na Trilha dos Lucros: Prática de Gestão para Tornar sua Empresa mais lucrativa, e O Guia Definitivo do Gerenciamento Ágil de Projetos: O Segredo da Hiperprodutividade, COMO FAZER UM CURRÍCULO PROFISSIONAL MAGNÉTICO: O Segredo para você ser chamado para entrevista de emprego de imediato. Atualmente Bezerra coordena o MBA em Gerenciamento de Projetos do Instituto de Capacitação Business School Brasil – BSBr e o Treinamento de Preparação para as Certificações PMP e CAPM, que já está na sua 48ª Turma.

Contatos do Autor:

●  (85) 9.9921-1675

●  E-mail: Professor.Dr.Bezerra@bsbr.com.br

Thiago Marques  é Estatístico pela federal do IBGE, a ENCE (Escola Nacional de Ciências Estatísticas), entusiasta na disseminação da Estatística e possui larga experiência na atuação em Estatística no mercado, tendo passado por grandes centros universitários, multinacionais de consultoria, pelo IBRE/FGV (Instituto Brasileiro de Economia) e pelo IBGE (Instituto Brasileiro de Geografia e Estatística), foi professor da pós de ciências de dados do SENAC RJ e da UNISUAM e é o criador do maior canal de Estatística, Ciência de dados da America Latina! O chamado EstaTiDados :). Atualmente é Consultor em Análise Estatística no IBGE, professor na sua Comunidade de Estatística, na Casa da Pesquisa Operacional (CPO), professor da MBA em Ciência de dados da UNIFOR, professor na MBA em Ciência de dados da Farias Brito, professor no MBA Executivo em Data Science para negócios (TREVISAN), professor convidado na MBA em BI, Marketing Digital e Estratégia Data Driven da PUC RS e Professor da MBA em Data Science e Analytics da USP e Coordenador do MBA em Data Science e Analytics e Estatística e o MBA de Marketing Analytics e Estatística no Instituto de Capacitação Business School Brasil – BSBr, realiza palestras e treinamentos para capacitação em Estatística, Pesquisa Operacional, R e Ciência de Dados.

O post Nova Tendência do Mercado: Carreira de Analista de Dados apareceu primeiro em Estatidados.

Me deparei a alguns dias com uma problema de uma área a qual ainda não havia estudado, quando um amigo, dono de uma frota de caminhões me pediu para realizar uma distribuição de encomendas em uma região, no entanto, ele queria utilizar o máximo de espaço de seus caminhões, usar o máximo de peso suportado e maximizar o seu lucro na entrega das encomendas, levando em consideração que para quanto maior o valor da carga geral maior será lucro nas entregas.

Então … pesquisando como iria resolver esse problema, achei uma área na qual hoje dedico boa parte do meu tempo para estuda-la, chamado de Algoritmos Genéticos. Esse tipo de algoritmo de inteligência computacional funciona como um processo de evolução de espécies (esse mesmo que você está pensando), a famosa teoria da evolução de Darwin, mas não muito como essa imagem que vemos aqui em baixo, a qual só leva em consideração meio que um “salto evolutivo”.

Mas, mais como uma explicação genética em especial o processo reprodutivo das espécies, nas quais sofrem um fenômeno chamado de crossover, que “mistura” parte do DNA de um pai e de uma mãe, além dos efeitos ambientais que podem causar a famosa mutação (mas não essa do X-men), esses dois fenômenos modificam a genética com o tempo ou gerações, adaptando as espécies ao ambiente devido a “sobrevivência das espécies”, onde estas que sobreviverem tem mais facilidade de reproduzir.

É exatamente esse processo que simulamos quando estamos fazendo um algoritmo genético, e como fazemos isso? Posso dizer a você que é muito simples. Só é preciso criar uma polução de indivíduos, os quais possuíram em seu gene valores binários que indicarão se o caminhão levará ou não os produtos.

Todo o processo básico de um algoritmo genético se define basicamente a partir desse fluxograma abaixo, desde a criação da população, fitness, selection até a otimização.

Adaptado de Eyal Wirsansky, 2020

Os produtos usados no caminhão foram retirados de uma competição do Kaggle de nome brazilian-ecommerce, o qual possuem vários datasets separados, sendo necessário realizar um join entre os produtos, para que todos as variáveis necessárias para a otimização da carga fosse disponibilizada, assim como vemos na tabela abaixo.

Outra coisa necessária para simular, são a nossas constraints, sendo o volume máximo do caminhão VUC que é de 5.544,00 cm³ e carga de peso máximo de 4.000.000,00 gramas. Então, o passo agora é criar a classe produto no python e transformar o dataset em lista, com o seguinte código.

#Criar Classe do Produto
class Produto():
    def __init__(self, nome, pesos, volume, valores):
        self.nome = nome
        self.pesos = pesos
        self.volume = volume
        self.valor = valor

#Transformar em lista
espacos = list(produtos.volume)
valores = list(produtos.preco)
nome = list(produtos.product_id)
pesos = list(produtos.product_weight_g)

Com isso entramos em uma das partes mais chatinha do algoritmo, que a parte da função de avaliação, onde avaliar qual a melhor população e dar um nota (assim como na evolução lá), dando assim, prioridade para esse se reproduzir na próxima geração. Neste caso, usei a função de avaliação da “roleta viciada”, levando em consideração a restrição de peso e espaço do caminhão.

#Criar a função de avaliação
def avaliacao(individual):
    nota=0
    soma_espacos=0
    soma_pesos=0

    fori in range(len(individual)):
        ifindividual[i]==1:
            nota+=valores[i]
            soma_espacos+=espacos[i]
            soma_pesos+=pesos[i]
            
           ifsoma_espacos > limtie_espacos and soma_pesos>limtie_peso:
            nota=1
returnnota/100000,

Com tudo isso feito, agora é só a gente chamar o framework de algoritmos evolucionário DEAP , criando oque o frame work chama de Toolbox. Colocando e registrando tudo nessa caixa de ferramenta, a qual será chamada depois para executar a otimização.

#Criar a toolbox
toolbox=base.Toolbox()

#Criando parâmetros na toolbox
creator.create("FitnessMax",base.Fitness,weights=(1.0,))creator.create("Individual",list,fitness=creator.FitnessMax)

#Registrando na toolbox
toolbox.register("attr_bool",random.randint,0,1)
toolbox.register("individual",tools.initRepeat,creator.Individual,toolbox.attr_bool,n=len(espacos))
toolbox.register("population",tools.initRepeat,list,toolbox.individual)toolbox.register("evaluate",avaliacao)
toolbox.register("mate",tools.cxOnePoint)
toolbox.register("mutate",tools.mutFlipBit,indpb=0.05)
toolbox.register("select",tools.selRoulette)

Todo esse processo feito agora é somente executar o algoritmo, colocando usas estatísticas que serão avaliadas, além do número de indivíduos de cada geração (população), a portabilidade de crossover e mutação e o número de gerações.

#Iniciando a toolbox
if__name__=="__main__":
    population=toolbox.population(n=24)
    probabilidade_crossover=5.0
    probabilidade_mutação=0.03
    numero_gerações=250
    
    
    estatisticas = tools.Statistics(key=lambdaindividuo:
            individuo.fitness.values)
            
    estatisticas.register("max",np.max)
    estatisticas.register("min",np.min)
    estatisticas.register("med",np.mean)
    estatisticas.register("std",np.std)
    
    populacao,info=algorithms.eaSimple(population,toolbox,
                                         probabilidade_crossover,
                                        probabilidade_mutação,
                                        numero_gerações, estatisticas)

Chegando então no melhor indivíduo após as 250 gerações, o qual ficou com um valor de R$ 7968387.8, somando 56604 equipamentos, algum desses você pode ver nos cinco primeiros produtos.

Além disso, podemos também ver como foi o aprendizado do algoritmo em cada época, plotando o valor máximo do melhor do indivíduo das gerações.

#Plotando o aprendizado
valores_pop = info.select("max")
plt.figure(figsize = (12,6))
plt.plot(valores_pop)
plt.show()

O qual podemos ver, que o melhor indivíduo já foi encontrado logo no começo do algoritmo, mais especificamente na geração 23.

Então é isso, foi um exemplo simples de uso de algoritmo genético, mas que mostrou que com um programação simples é possível gerar a maximização do lucro da empresa, podendo ser melhorado e aplicado para vários problemas de negocio, lá no meu GitHub você pode ver o notebook completo.

Espero que tenha gostado do artigo, compartilha se gostou

LinkedIn do autor:

https://www.linkedin.com/in/joaoataidee/

Post original:

https://github.com/jvataidee/PesquisaOperacional/blob/master/otimiza%C3%A7%C3%A3o_caraga_caminh%C3%A3o.ipynb

#Otimização #algoritmo #genético

O post Otimização de cargas com algoritmo genético apareceu primeiro em Estatidados.

Não é segredo algum que o uso de dados está criando cada vez mais oportunidades de monetização, aperfeiçoando a experiência do cliente e alterando o modo de fazer negócio. A Inteligência Artificial (IA) já orienta decisões nos mais diferentes segmentos, desde empréstimos bancários, passando por atendimento totalmente automatizado ao cliente até a compra de um tênis. De acordo com a Harvard Business Review desse mês de julho/2019, a IA deve adicionar US$ 13 trilhões à economia global na próxima década. Por outro lado, os esforços nessa área ainda não são suficientes na maioria das empresas, apenas 8% empregam a IA na organização. Como fazer a transição e usar a IA para destacar a sua empresa na economia digital? 

 É necessário superar muitas barreiras culturais e organizacionais e entender que a IA trará resultados a médio e longo prazo. Uma boa tecnologia e talento são necessários, mas também, é igualmente importante alinhar a estrutura, a cultura e as formas de trabalho da empresa para oferecer suporte à ampla adoção da IA. 

 De acordo com Fountaine, Saleh e McCarthy* (Sócios da McKinsey & Company), para aderir a essa nova forma de trabalho, é preciso estar atento a 3 (três) pontos: 

1. Colaboração interdisciplinar – o melhor é combinar a inteligência humana com a IA, que deve ser desenvolvida por equipes de diversas áreas da corporação e que tenham diferentes olhares e aptidões. O trabalho integrado do operacional e do comercial com o time de Analytics, por exemplo, garantirá que os objetivos da empresa sejam abordados como um todo e não isoladamente; 
2. Tomada de decisão com base em dados – os funcionários, independentemente do setor e cargo, precisam confiar nas sugestões dos algoritmos e se sentirem aptos para tomar decisões. Se tiver que consultar alguém antes de agir, isso atrapalhará a dinâmica da IA; 
3. Mentalidade ágil, experimental e adaptável – uma ferramenta de negócio não precisa estar completamente pronta para ser usada. Os aplicativos de IA dificilmente têm toda a funcionalidade desejada no primeiro uso. Testes são necessários para verificar erros e diminuir o medo do fracasso. O feedback antecipado do usuário é fundamental para incorporar melhorias e permite que a empresa minimize problemas que poderiam ser mais caros no futuro. 

 A Nike, por exemplo, já incorporou o uso de dados de forma inteligente ao modelo de negócio e usa estratégias de coach comportamental. Isso permite interações digitais personalizadas e com baixo conflito, e também, ajuda a empresa a construir laços mais profundos com seus clientes. Não é preciso esperar que eles venham até você, a empresa está lidando com as necessidades dos clientes quando surgem e, às vezes, até antes. As estratégias conectadas permitem que todos saem ganhando.

Os clientes têm uma experiência diferenciada, enquanto a empresa aumenta a eficiência operacional e reduz os custos. 

 Ao invés de apenas vender produtos esportivos, a Nike também oferece de forma “gratuita” bem-estar. A marca, inclui e acompanha seus clientes em grupos virtuais de corrida, fica sabendo quando é o próximo treino e, por meio do aplicativo, pode oferecer planos de treinamento em áudio. Esse tipo de conexão oportuna, “espontânea” e pessoal gera confiança e incentiva os clientes a pensar na empresa como um coach de saúde e de condicionamento físico, em vez de apenas um fabricante de produtos esportivos.  

 Isso significa que quando o aplicativo da empresa incentiva os clientes a correr, eles ficam mais propensos a fazer e lembram da marca. Funciona para os clientes, porque os mantêm motivados e em forma, e para Nike, porque quem corre mais compra mais tênis e outros acessórios.  

 Neste caso, os clientes autorizam a Nike a cuidar de algo e, desde então, a empresa cuida de tudo. Esse processo envolve confiança do cliente na empresa, um fluxo rico de informações dos clientes e a capacidade de usá-las, por meio de IA, para antecipar o que eles desejam, sem falhas.  

 Para que essa experiência do cliente ocorra, existem 2 (duas) premissas: 

1. Lei Geral de Proteção de Dados Pessoais (LGPD)  

A primeira e mais importante premissa é a seguinte: alguém só pode coletar ou tratar de qualquer outra forma seus dados pessoais, se você permitir. Assim, as empresas não podem coletar dados pessoais sem o consentimento dos titulares. O consentimento deverá ser fornecido por escrito ou por outro meio que demonstre a manifestação de vontade do titular. 

2. Conexão Contínua

Em uma abordagem antiga, as empresas interagem com seus clientes quando eles a procuram. Hoje, graças à IA, é possível fazer com que as empresas atendam às necessidades dos clientes no momento em que elas surgem — e, às vezes, até mais cedo. Com estratégias conectadas, pode-se construir laços mais profundos com os clientes e melhorar drasticamente suas experiências. Para isso, as empresas precisam fazer da conexão contínua uma parte fundamental de seu modelo de negócio. Isso pode ser obtido por meio de 4 (quatro) estratégias:  

1.  resposta ao desejo; 
2. oferta com curadoria; 
3. coach comportamental; 
4. execução automática.  

 O cliente que está mais aberto para esse novo modelo de negócio, é aquele que se sente confortável em fornecer dados do seu dispositivo, constantemente, para as empresas das quais compra e acredita que elas utilizarão os dados para satisfazer suas necessidades a um preço razoável e sem comprometer a privacidade. 

 “Talvez você queira colocar a Inteligência Artificial (IA) no centro de seu modelo de negócios, criar uma força de trabalho informada em termos de dados ou garantir o uso ético dos dados. Independentemente de suas iniciativas, você as conduzirá em um mundo de mudanças contínuas, onde nem sempre é fácil fazer a coisa certa. Estamos construindo uma organização orientada por dados ou criando uma tirania de métricas? Estamos otimizando os resultados de negócios com insights analíticos ou violando a privacidade pessoal?”

Adoro conhecimento, logo, segue apresentação da palestra que faço sobre INTELIGÊNCIA ARTIFICIAL.  https://www.linkedin.com/feed/update/urn:li:activity:6570670311941918720/

* TIM FOUNTAINE é sócio do escritório da McKinsey em Sydney e lidera a QuantumBlack, empresa de analytics avançada da McKinsey, na Austrália. BRIAN MCCARTHY é sócio do escritório da McKinsey em Atlanta e colidera a agenda de desenvolvimento de conhecimento da McKinsey Analytics. TAMIM SALEH é sócio sênior do escritório da McKinsey em Londres e dirige a empresa na Europa. 

* NICOLAJ SIGGELKOW é professor de administração e estratégia na Wharton e codiretor do Mack Institute for Innovation Management. CHRISTIAN TERWIESCH é professor de operações e inovação na Wharton e codiretor do Mack Institute for Innovation Management. Eles são os autores de Connected strategy (Harvard Business Review Press, 2019). 

 Referências 

1.  Siggelkow, Nicolaj; Terwiesch , Christian (Professores na Wharton)A era da conexão contínua, p. 46 e 47. Harvard Business Review. Maio, 2019. 
2. FOUNTAINE, Tim; SALEH, Tamim; MCCARTHY, Brian (Sócios da McKinsey & Company). Como construir uma empresa movida pela IA, p. 44 a 51. Harvard Business Review. Julho, 2019.  
3. O futuro dos dados e das análises é agora. Visão do Analista. Gartner. Março, 2019. 
4. Lei Geral de Proteção de Dados Pessoais (LGPD) Lei Nº 13.709 inciso I do art. 7º. Acesso em 18/07/2019 http://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/L13709.htm 

#cienciadedados #inteligenciaartificial #negocios

O post A Inteligência Artificial a favor da sua empresa apareceu primeiro em Estatidados.

Nunca vou me esquecer daqueles filmes dos anos 50, em que toda cena ambientada em um escritório mostrava aquele contador usando suspensório (difícil ver um personagem feminino) com a calculadora manual na mesa e o lápis atrás da orelha, pronto para registrar as informações nos livros da empresa (adoro cinema antigo).

Bons tempos.. em que um profissional da área financeira precisava se preocupar apenas em registrar as informações nos livros contábeis e entregar as obrigações dentro do prazo. Aposto que nossa vida era bem menos emocionante.

Dos anos 50 para cá muita coisa mudou – computadores, softwares de gestão e planejamento, crescimento das empresas multinacionais, Sarbanes-Oxley, e por aí vai.

E o profissional de Finanças? Mudou também?

E como! Entendo que a primeira grande mudança foi a transferência de informações contábeis e de planejamento para o Lotus (precursor do Excel) e mais recentemente para softwares ERP de gestão de dados integrados. Muitos profissionais já ficaram no meio do caminho, pois a partir desse ponto, o perfil do profissional financeiro já começou a agregar competências adicionais.

Outra grande mudança refere-se a incorporação do Power Point como ferramenta de apresentações gerenciais e de medição de performance (KPI´s). Gráficos psicodélicos (nem todos) e quadros comparativos tornaram-se rotina nos famosos pacotes de reporte financeiro. Mais recentemente o Power BI trouxe uma nova visão no gerenciamento de dados, introduzindo o conceito de Business Intelligence agregado à Análise Financeira.

O uso do idioma Inglês também tornou-se conhecimento essencial para os profissionais que atuam em empresas multinacionais; não é necessário apenas conferir o fechamento contábil x gerencial, é importante saber explicar os números em um idioma universal com um nível de comunicação e fluência que seja confortável para quem envia e quem recebe a mensagem. Em algumas corporações vemos também o Espanhol como idioma mandatório, e mais recentemente, Mandarim.

Quem desenvolveu sua carreira nos anos 2000 também precisou aprender (e rápido) sobre compliance, devido às normas Sarbanes-Oxley. O risco de cada operação tornou-se responsabilidade de todos e mais uma oportunidade de melhoria em processos existentes em cada organização.

E pudemos também visualizar o crescimento no número de Gestoras Financeiras, antes profissionais restritas a funções sem grande destaque profissional.

Com funções cada vez mais globalizadas, o conhecimento em Planejamento Estratégico e Produto tornou-se uma das competências mais importantes do profissional de Finanças. Hoje é importante entender o business da companhia como um todo para poder analisar de maneira profunda o P&L e se existem riscos para o atingimento de metas estabelecidas no Plano Estratégico.

Nos próximos artigos pretendo explorar alguns tópicos abordados aqui e outras questões que nós, Analistas e Gestores Financeiros, encontramos no dia a dia.

Grande Abraço e até a próxima !

#inteligenciadenegocios #ciclopdca #empreendedorismo

Linkedin:
https://www.linkedin.com/in/tatiana-oliveira-a89aa824/

O post O profissional de Finanças hoje apareceu primeiro em Estatidados.