Que conceito é esse analisado pela Forbes, pelo Gartrner, pela Harvard Business Review e pela MIT Sloan School of Management e como ele afeta a carreira de todos que trabalham com Data & Analytics, principalmente em DataScience.

A área de Descoberta de Conhecimento em Textos (Knowledge Discovery in Texts - KDT) pode ser uma forma prática de levantamento de informações, associação de conceitos e construção de referências para fundamentação de projetos. A ideia desta palestra é apresentar os principais conceitos desta área, suas aplicações, vantagens e desvantagens, as etapas de pré-processamento, mineração, pós-processamento e análise, bem como técnicas e ferramentas para auxiliar nestes processos. Para ilustrar o método utiliza-se como prova de conceito um cenário de aplicação na construção inicial de referencial teórico para um projeto de pesquisa.

Mineração de processos é uma disciplina relativamente recente que se posiciona entre a mineração de dados e gerenciamento de processos de negócios. Ela permite a observação da execução do processo com base em dados de eventos reais, e propõe métodos e ferramentas para fornecer agilidade aos diagnósticos, de modo a descobrir e gerar modelos de processos reais sem conhecimento a priori, verificar a conformidade de um modelo de processo teórico por meio do modelo descoberto; e aplicar e estender o modelo de processo por meio de informações de desempenho, gargalos, recursos e custos. Desta forma essa palestra tem como objetivo demonstrar o que mineração de processos e como aplica-la na prática.

A Ciência de Dados vem conquistando espaço em várias áreas de negócios, como uma evolução natural ao Business Intelligence. Ela encontra no Marketing Digital um ambiente perfeito e repleto de dados a serem analisados, uma vez que a promessa do Marketing Digital é a mensuração de todas as ações realizadas pelo usuário antes, durante e após a realização de uma ação desejada pela estratégia da campanha.

Em meio a tecnologias tão inovadoras, geralmente, pouco se fala sobre as aplicações práticas e seus resultados. Nesta apresentação, será discutido como o machine learning pode ser utilizado para previsões de séries temporais em casos reais, e como isso tem trazido resultados positivos para empresas do varejo. Além disso serão discutidos os principais desafios e metodologias empregadas para solucioná-los.

Muito se fala sobre a necessidade de se ter mais cientistas de dados no Brasil (e no mundo) hoje. Cada vez mais vemos cursos aplicados, oportunidades de emprego e empresas construindo suas próprias equipes para coletar, armazenar, transformar e orientar decisões através dos dados. No papel, é tudo muito bonito, mas será que as empresas estão prontas para esses profissionais? E será que eles estão disponíveis no mercado? Na Cappra Data Science ajudamos a desenvolver a cultura analítica das empresas. Vou contar sobre uma pesquisa que conduzimos com mais de 300 profissionais no mercado, falando sobre os reais desafios de quem quer ser um cientista de dados hoje.

IoT nos permite um nível de coleta de informações sem precedentes sobre praticamente tudo. De carros conectados a batimentos cardíacos, temos um volume e nível de detalhe que permite novos tipos de soluções nunca antes vistos.

Mas o potencial completo de IoT só é realizado quando podemos analisar a montanha de dados que são gerados constantemente.

Nesta apresentação veremos casos de uso de como enriquecer dados de IoT e como esta análise pode trazer valor. Os casos de uso incluem carros conectados e consumo de energia elétrica.

BigQuery consultado, MongoDB dominado. Dados adquiridos, limpos e validados. Gráficos prontos, análise entregue. E agora? Como manter todo o trabalho vivo quando não se tem sistemas próprios para isso? Como dar mais autonomia e poder para um cliente que tem pouco mais que o pacote Office instalado? Muitas vezes (Pareto, lembra?), o bom e velho Excel pode resolver. Quem sabe fazendo a ponte entre aquele CSV e o gráfico que vai salvar o dia. A ideia aqui é discutir algumas maneiras e dicas de como fazer isso.