Views
3 years ago

A Economia Digital em Portugal 2018

  • Text
  • Permite
  • Resultados
  • Plataforma
  • Desafios
  • Economia
  • Portugal
  • Forma
  • Digital
  • Dados
  • Tecnologia

a economia

a economia em portugal 2018 digital 1.1 Big Data | Analytics 12 Outros Créditos Cartões de Créditos Auto CLIENTE Consumo O desafio neste caso foi criar um modelo de machine learning que permita traçar o perfil dos vários clientes em fase de incumprimento de crédito Habitação DATA INTEGRATION Data Integration ABT CLIENT RELATIONSHIP Transacional Sociodemográficos CLIENTE Fidelização Construção ABT Crédito e tratamento dos missing data, foram feitos nesta tecnologia. O modelo deverá ser realizado ao nível do cliente e não do produto, mas considerar todos os produtos de crédito que o cliente possa ter. Foi importante toda a fase de estratégia de consideração de produtos de crédito, saldos e datas de vencimento de prestações quando o cliente tem mais do que um produto de crédito e consequentemente mais do que uma prestação. Para a realização deste modelo foi necessário incorporar informação por forma a avaliar a componente comportamental de cada cliente, como um individuo, afim de aferir o seu comportamento de risco, não só a nível de poupanças, como a nível de consumo. A ideia primordial era ter uma visão 360º do cliente, e incluir toda a sua relação comercial com a instituição financeira. A informação relativa às suas responsabilidades ao nível do Banco de Portugal, Poupanças Fonte: CGI foram igualmente tidas em consideração, assim como a sua evolução ao longo do tempo. O modelo de machine learning foi realizado em SAS Code, assim como todas as etapas inerentes ao tratamento de eventuais outliers, e sempre de forma a não perder informação. A fase de testes e preparação dos dados que levaram à construção da mencionada ABT, assim como a avaliação do modelo de machine learning, e a seleção dos casos de treino para a aprendizagem do modelo foram feitas em SAS Code e SAS Enterprise Guide. Todo o processo de data mining recorreu a metodologia SEMMA by SAS®, acrónimo de Sample, Explore, Modify, Model e Assess. tecnologia A tecnologia utilizada foi SAS Enterprise Guide®, um software da SAS®. SAS Enterprise Guide é uma das ferramentas do SAS® que capacita o acesso a um grande volume de dados e permite aos utilizadores analisá-los de acordo com os objetivos de estudo que se propõem resolver. Quando falamos em analisar dados, estamos a falar obviamente, em extrair conhecimento de um elevado número de dados (informação), estruturados e/ou não estruturados. O que é mais relevante não é a quantidade de dados, mas sim o que se faz com os mesmos, e aqui o conhecimento de negócio é fundamental para se poder construir um bom projeto, por forma a retirar insights relevantes que proporcionam melhores tomadas de decisão. Os analistas de negócios podem produzir análises e distribuir relatórios, tendo por base os diversos datamarts de informação a que têm acesso, de uma forma rápida e bastante eficiente, podendo inclusive automatizar relatórios e criar dashboard em tempo imediato, podendo libertar os utilizadores para repensar estratégias de negócio.

13 a economia digital Esta tecnologia é muito user friendly, podendo utilizar, linguagem de programação (SAS Code) dentro do próprio software ou utilizar os wizzards e até mesmo criar vários projetos object oriented, quer na componente query ou reporting. A tecnologia permite uma excelente organização dos estudos na forma de projetos, de um modo claro e percetível em todas as fases até ao output final. Esta tecnologia está preparada para lidar com um elevado número de dados, com relativa rapidez de processamento. Ainda que existam softwares da própria SAS específicos para desenvolver modelos de machine learning, o Enterprise Guide também o permite recorrendo a código SAS, incorporando-se o mesmo na tecnologia que está a ser utilizada. ResultadoS O modelo conseguiu discriminar e classificar com sucesso os clientes de acordo com os clusters previstos, tendose conseguido implementar medidas imediatas para um conjunto de clientes, por forma a reduzir o número de situações de incumprimento. Resultados imediatos atingidos: redução de cerca de 11% dos clientes, com pelo menos um produto de crédito, que apresentavam situação de incumprimentos, através de uma medida estratégica relativamente simples de implementar sugerida à instituição financeira, e 9% de recuperação estimada no cluster identificado. Este cluster ajudou na identificação e recuperação dos índices de incumprimento (cerca de 20%) dos clientes que apresentavam situações recorrentes, permitindo à instituição financeira reduzir os seus valores de imparidades de forma relevante. 12% dos restantes clientes foram encaminhados de forma correta e adequada, para o canal mais conveniente e ajustado à realidade de cada um. Coordenação/Autoria: Miguel Guedes, CGI CGI Situational Awareness no contexto de um DSO A conjugação de várias soluções que permitem avaliar e inferir o comportamento da rede em tempo útil e atuar em conformidade Desafios O desafio colocado pelo DSO - Distribution System Operator (operador da rede de distribuição) consistia em melhorar o seu conhecimento sobre o comportamento da rede de distribuição de alta e média tensão do ponto de vista da (i) operacionalidade, (ii) disponibilidade e (iii) eficácia, indicadores cruciais para suportar o processo de decisão que assegura o delinear das intervenções na rede, tanto do ponto de vista operacional como estratégico. O conhecimento dos três indicadores permite ao DSO: 1) assegurar os seus compromissos junto do regulador; 2) prestar um melhor serviço aos consumidores; e 3) minimizar os custos de operação e manutenção da rede de distribuição. A operacionalidade mede o tempo que uma unidade instalada se encontra operacional, excluindo os condicionalismos operacionais associados, nomeadamente as avarias efetivas, as unidades sob observação, as unidades sob intervenções de manutenção, as unidades em deslocalização geográfica ou ainda as unidades inibidas sob autorização. A disponibilidade mede o tempo em que a rede se encontra sem falhas de comunicação associadas, falhas essas que podem ocorrer entre o Centro de Condução (CC) e a Unidade Remota (UR). A eficácia contabiliza o número de comandos enviados para controlo remoto das instalações da rede de distribuição, que ocorrem com sucesso. O sucesso de um comando mede-se pela capacidade da instalação de O DSO (Distribution System Operator) pretendia melhorar o conhecimento sobre o comportamento da rede de distribuição de alta e média tensão em portugal 2018 1.1 Big Data | Analytics

REVISTA COMUNICAÇÕES

UPDATE

© APDC. Todos os direitos reservados. Contactos - Tel: 213 129 670 | Email: geral@apdc.pt