Arquivo | Artigos RSS for this section

The Rise of Analytics 3.0

Excelente apresentação de Thomas H. Davenport, considerado um dos Data Scientists mais influentes do mundo.

The Rise of Analytics 3.0: How to Compete in the Data Economy

Nesta apresentação, ele divide Analytics em 3 períodos:

  1. Analytics 1.0 -> Tradicional
    • Basicamente análise descritiva e reporting
    • Dados internos e estruturados
    • Pouco contato entre analistas e área de negócios
    • Suporte à decisão interna
  2. Analytics 2.0 -> Big Data
    • Análise preditiva e prescritiva
    • Dados complexos, não estruturados e de diferentes fontes (internos e externos)
    • Novos recursos computacionais e analíticos (Machine Learning!)
    • Data Scientists
    • Produtos e serviços baseados em dados (empresas online)
  3. Analytics 3.0 -> Data Economy
    • Todas as decisões são baseadas ou influenciadas pelos dados
    • Rápida entrega de insights
    • Ferramentas de análise estão disponíveis para quem toma as decisões
    • Análise é incorporada dentro dos processos operacionais e de decisão
    • Todas as empresas podem criar produtos e serviços baseados em dados

How to build a scientific approach to customer marketing

Gigaom

You’re spending plenty of time and money on your customer retention campaigns, but are you effectively measuring the effectiveness of your campaigns – in monetary terms – in order to optimize future campaigns and maximize the revenues they generate? That’s why you must introduce a scientific approach to your customer marketing efforts.

Instead of focusing on email open rates and click rates as the primary means of measuring campaign effectiveness, it is critical to focus on the monetary uplift generated by each campaign. The way to do this is to treat every campaign as a “marketing experiment.”

Control groups: The basis of a scientific approach

controlThe key to determining the true effectiveness of any customer marketing campaign is the proper use of a control group. A control group is a subset of the customers you’re targeting with a particular campaign who you decide will not receive the campaign.

The members…

Ver o post original 1.003 mais palavras

Machine Learning: 12 importantes lições

O conhecimento que não é facilmente encontrado em livros e proveniente da experiência de pesquisadores/profissionais da área.

A Few Useful Things to Know about Machine Learning (pdf)

Artigo escrito por Pedro Domingos (2012), Professor do Departamento de Ciência da Computação e Engenharia na Universidade de Washington.

  • Learning= Representation + Evaluation + Optimization
  • It’s Generalization That Counts
  • Data Alone Is Not Enough
  • Overfitting Has Many Faces
  • Intuition Fails In high dimensions
  • Theoretical guarantees are not what they seem
  • Feature Engineering Is The Key
  • More Data Beats A Cleverer Algorithm
  • Learn Many Models, Not Just One
  • Simplicity Does Not Imply Accuracy
  • Representable Does Not Imply Learnable
  • Correlation Does Not Imply Causation

Research into edX’s First MOOC

Primeiro MOOC desenvolvido na plataforma edX, o curso Circuits and Electronics (6.002x) teve seus dados analisados por um grupo de 6 PhD’s:

  • Lori Breslow, MIT
  • David E. Pritchard, MIT
  • Jennifer DeBoer, MIT
  • Glenda S. Stump, MIT
  • Andrew D. Ho, Harvard University
  • Daniel T. Seaton, MIT

Os resultados foram publicados no artigo “Studying Learning in the Worldwide Classroom Research into edX’s First MOOC (pdf)

Os resultados são interessantes! =)