tamycharbaje@yahoo.com.br, 2maury@pucminas.br
1. Introduo
As organizaes contemporneas vm exigindo cada vez mais recursos tecnolgicos
para anlise das informaes nas tomadas de decises. Premidos pela necessidade de
tomar decises em um tempo cada vez mais curto, os executivos precisam dispor de
informaes rpidas e precisas que lhes sirvam de suporte. Com essa necessidade surgiu
o conceito de Business Intelligence (CARVALHO, 2001).
Os sistemas de Bussiness Intelligence (BI) tm como caracterstica procurar
relaes de causa e efeito, extrair e explorar informaes contidas em grandes bancos de
dados. A inteligncia do negcio est associada a proporcionar vantagem competitiva s
Valor Numrico
0.0
0.5
1.0
4. Estudo Experimental
Para o desenvolvimento do modelo de anlise de comportamento de clientes foi
utilizada uma rede neural feedforward multicamadas com apenas uma camada oculta e o
algoritmo backpropagation (RUMELHART; HINTON; WILLIAMS, 1986) para seu
treinamento. A base de dados da empresa possui 325.470 registros de venda de todo o
ano de 2010. Foram utilizados 2.195 registros como exemplos de comportamento dos
clientes para composio da base de treinamento da rede neural, divididos como segue:
1.141 exemplos para treinamento;
541 exemplos para validao; e
513 exemplos para teste.
Figura 2. Erros de treinamento e validao das quatro topologias das redes neurais
A Figura 3 mostra os grficos de barras dos erros absolutos da base de teste das
quatro redes neurais treinadas. Esses erros simulam a rede neural operando uma
situao real, onde as entradas representam padres no apresentados no treinamento.
Na Figura 3(b), observa-se que com a rede neural com topologia de 20 neurnios
ocultos o maior erro de teste absoluto no atinge 0,4, e que a maioria dos erros
concentra-se entre 0 e 0,05. Nas topologias com 10 e 30 neurnios na camada oculta,
Figuras 3(a) e 3(c), os erros absolutos tambm concentram-se em uma faixa de valores
baixos, entre 0 e 0,3, mas tiveram erros prximos ou iguais a 1. A topologia com 50
neurnios na camada oculta, Figura 3(d), teve o pior desempenho com a base de teste,
com muitos erros absolutos variando entre 0 e 0,45.
Para todas as redes neurais treinadas, foram produzidos histogramas para avaliar
a frequncia dos erros absolutos na base de teste, como mostra a Figura 4. Observa-se
que todas as topologias tiveram a maioria das ocorrncias abaixo de 0,05. A topologia
com 20 neurnios ocultos, Figura 4(b), foi a que teve a maior distribuio dos erros
absolutos; entretanto, a maior densidade, 219 exemplos da base de teste ou 42,7% do
total, foi de erros absolutos muito prximos de 0. Essa mesma topologia teve cerca de
90% dos erros de teste menores que 0,05.
Figura 4. Histograma dos erros de teste das quatro topologias das redes neurais
Neurnios
Ocultos
EQM
Desvio
Padro
10
0.064348
0.107748
0.000000
1.000000
20
0.050104
0.081755
0.000000
0.372500
30
0.061059
0.110728
0.000000
1.000000
50
0.070615
0.144924
0.000000
1.000000
5. Concluses
Este trabalho desenvolveu um mtodo para automatizar a anlise de comportamento de
clientes de uma distribuidora de bebidas. A metodologia, que utilizou conceitos de
Business Intelligence, foi baseada em redes neurais.
A partir de uma metodologia de treinamento e teste de redes neurais, foram
realizados alguns experimentos com uma base de pedidos de todo o ano de 2010. Foram
testadas quatro topologias de redes neurais com 10, 20, 30 e 50 neurnios na camada
oculta. A topologia escolhida foi aquela com 20 neurnios ocultos, pois apresentou o
melhor desempenho de treinamento e os melhores resultados estatsticos com a base de
teste caracterizando melhor capacidade de generalizao. A topologia com 20
neurnios ocultos obteve a curva do erro de treinamento mais estvel e os menores erros
de validao. As demais topologias, em especial aquelas com 30 e 50 neurnios ocultos,
apresentaram curvas do erro de validao mais instveis.
Utilizando a metodologia proposta, a distribuidora de bebidas conhecer melhor
o perfil de seus clientes e estar apta a operar no mercado de maneira eficiente,
buscando a fidelidade dos seus clientes. Alm de aumentar o faturamento da empresa, a
anlise de pedidos se tornar mais confivel e otimizada. As rotas dos vendedores
podero ser avaliadas de acordo com sua rentabilidade, proporcionando distribuidora
um melhor conhecimento da sua participao no mercado.
Referncias Bibliogrficas
CARVALHO, Lus Alfredo Vidal. Data Mining, a minerao de dados no
marketing; medicina, economia, engenharia e administrao. 1a. ed. So Paulo,
2001.
ELMASRI, R.; Navathe, S.B. Sistemas de banco de dados: fundamentos e
aplicaes. 3. ed. Rio de Janeiro:LTC, 2002.
FREIMAN, J. P.; PAMPLONA, E. de O. Redes neurais artificiais na previso do
valor de commodity do agronegcio. In: Encuentro Internacional de Finanzas, 5,
Santiago, Chile, 2005.