<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Bruno Brasil Faceira on Medium]]></title>
        <description><![CDATA[Stories by Bruno Brasil Faceira on Medium]]></description>
        <link>https://medium.com/@brunobf09?source=rss-233743d3f2b5------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*-eJW9IOYg5GocL-NbzOk_A.jpeg</url>
            <title>Stories by Bruno Brasil Faceira on Medium</title>
            <link>https://medium.com/@brunobf09?source=rss-233743d3f2b5------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 23:05:06 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@brunobf09/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Web Scraping + Google Flights]]></title>
            <link>https://brunobf09.medium.com/web-scraping-google-flights-21e3a83610d4?source=rss-233743d3f2b5------2</link>
            <guid isPermaLink="false">https://medium.com/p/21e3a83610d4</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[google]]></category>
            <category><![CDATA[automation]]></category>
            <category><![CDATA[web-scraping]]></category>
            <dc:creator><![CDATA[Bruno Brasil Faceira]]></dc:creator>
            <pubDate>Wed, 12 Jul 2023 16:58:18 GMT</pubDate>
            <atom:updated>2023-07-12T17:33:06.725Z</atom:updated>
            <content:encoded><![CDATA[<h4>A combinação perfeita para suas férias</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fyRqVRqjdEa3McZjXlGmxQ@2x.jpeg" /><figcaption>Foto por David Vives em Unsplash</figcaption></figure><p>Encontrar passagens baratas na internet pode ser difícil devido à variação de preços conforme a demanda, a rota escolhida e a flexibilidade nas datas. Promoções e comparações de preços podem ajudar, mas é necessário pesquisar em várias fontes.</p><p>O W<em>eb Scraping</em> é uma técnica que pode ser utilizada para extrair dados de websites de forma automatizada. No contexto da busca de passagens aéreas, com essa ferramenta, é possível monitorar regularmente os sites em busca de atualizações de preços e promoções. Dessa forma, você pode ser notificado quando houver uma queda de preço ou quando uma oferta especial estiver disponível, permitindo que você aproveite as melhores oportunidades.</p><h3>Google Flights</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BsMbBelWPNcOQXoHqb7xBQ@2x.jpeg" /><figcaption>Foto por Firmbee.com em Unsplash</figcaption></figure><p>O <em>Google Flights</em> é uma plataforma online fornecida pelo <em>Google</em> que permite aos usuários pesquisarem e compararem voos de várias companhias aéreas e agências de viagens. Ele oferece uma interface intuitiva e fácil de usar, ajudando os usuários a encontrarem opções de voos com base em suas preferências e necessidades.</p><p>Uma das principais vantagens do site de busca é sua capacidade de fornecer informações em tempo real sobre os preços dos voos. Os usuários podem visualizar gráficos interativos que mostram a flutuação de preços ao longo do tempo, permitindo que eles identifiquem períodos mais econômicos para viajar.</p><p>Em resumo é uma excelente plataforma para realizar buscas por passagens baratas.</p><h3>Web Scraping</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5agwEgnHliLd2-4tvnN6RQ@2x.jpeg" /><figcaption>Foto por Christina @ wocintechchat.com em Unsplash</figcaption></figure><p>A arquitetura do<em> Web Scraping</em> refere-se à estrutura e aos componentes envolvidos no processo de extração automatizada de dados de páginas da web. Embora a arquitetura possa variar dependendo da abordagem e das ferramentas utilizadas, geralmente envolve os seguintes elementos principais:</p><ul><li>Fonte de dados: É o site ou página web de onde os dados serão extraídos.</li><li>Coletor (<em>Crawler</em>): O coletor é responsável por acessar e navegar pelas páginas web para obter os dados desejados.</li><li>Analisador (<em>Parser</em>): O analisador é responsável por extrair os dados relevantes do conteúdo HTML das páginas web.</li><li>Processamento e Armazenamento de Dados: Após a extração dos dados, eles podem ser processados e limpos para garantir a qualidade e a consistência.</li><li>Programa de controle: O programa de controle é a parte central da arquitetura, responsável por coordenar as etapas do W<em>eb Scraping</em>. Ele define as regras e configurações do scraping, gerencia o fluxo do coletor e analisador, executa a extração periódica dos dados e controla o armazenamento ou processamento dos dados extraídos.</li><li>Interface de Saída: A interface de saída pode ser um painel de controle, um aplicativo, um relatório ou qualquer outro meio para exibir ou utilizar os dados extraídos.</li></ul><h3>Let’s code!</h3><p>Após entender a estrutura do <em>Web Scraping</em> o próximo passo será a construção de um <em>script </em>capaz de buscar preços de uma determinada passagem aérea.</p><p>A construção do código será em<em> Python</em>, a fonte de dados será o <a href="https://www.google.com/travel/flights">Google Flights</a>, e como coletor, utilizarei a biblioteca <a href="https://www.selenium.dev/documentation/"><em>Selenium</em></a>.</p><pre>#Importando bibliotecas<br>from selenium.webdriver.common.keys import Keys<br>from selenium.webdriver.common.by import By<br>from selenium import webdriver<br>from time import sleep</pre><p>Agora através do <em>selenium</em>, serão criadas funções que analisam os dados HTML da página e que extraem as informações mais relevantes.</p><pre>#Função para achar elementos na página<br>def find(driver,css):<br>    return driver.find_elements(By.CSS_SELECTOR, css)<br><br>#Função para preencher os campos<br>def write(element,text):<br>    element.send_keys(Keys.CONTROL, &#39;A&#39;)<br>    element.send_keys(text)<br>    sleep(1)</pre><p>Adicionei duas funções para auxiliar no processo de navegação da página e obtenção de dados.</p><pre>#Função para clicar em elementos da página<br>def click(driver,css):<br>    driver.find_element(By.CSS_SELECTOR, css).click()<br>    sleep(1)<br><br>#função para aguardar os elementos aparacerem na tela<br>def wait(driver,css):<br>    while len(driver.find_elements(By.CSS_SELECTOR, css)) &lt;1:<br>        sleep(0.3)</pre><p>Perceba que as funções foram criadas utilizando analisadores que identificam os elementos pelo código CSS.</p><p>O CSS é a sigla para <em>Cascading Style Sheets</em>, ou seja, Folhas de Estilo em Cascatas. É uma maneira de dar estilo ao código criado por linguagens como HTML, XML ou XHTML, por exemplo. De forma prática, ela funciona como uma camada de personalização ao conteúdo visível e podem ser verificadas inspecionando uma página web.</p><p>Uma página pode ser inspecionada pelo seguinte atalho:</p><ul><li>Ctrl+Shift+C (Windows, Linux) ou Command+Shift+C (macOS)</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bN69VX5l_NBWA8mUn5AmyA.png" /><figcaption>Inspeção da página</figcaption></figure><p>Definido as funções iniciais, basta criar o programa de controle, que consiste em preencher os campos do <em>Google Flights </em>e salvar as informações pertinentes.</p><pre>#Programa de Controle de busca de passagens<br>def google_scrapy(dep, arr, dep_dt, arr_dt):<br>    #Abrir Chrome Browser e Google Flights<br>    options = webdriver.ChromeOptions()<br>    driver = webdriver.Chrome(&#39;chromedriver&#39;, chrome_options=options)<br>    driver.get(&#39;https://www.google.com/flights?hl=pt&amp;curr=BRL#flt=&#39;)<br><br>    #Aguardar abetura da página<br>    wait(driver,&#39;[type=&quot;text&quot;]&#39;)<br><br>    #Identificar o elemento correspondente aos campos a serem preenchidos<br>    inputs = find(driver, &#39;[type=&quot;text&quot;]&#39;)<br><br>    #Decolagem<br>    departure = inputs[0]<br>    write(departure, dep)<br>    click(driver,&#39;[class=&quot;P1pPOe&quot;]&#39;)<br><br>    #Retorno<br>    arrival = inputs[2]<br>    write(arrival,arr)<br>    click(driver,&#39;[class=&quot;P1pPOe&quot;]&#39;)<br><br>    #Data da Decolagem<br>    date_dep = inputs[4]<br>    write(date_dep, dep_dt)<br><br>    #Data do Retorno<br>    date_arr = inputs[5]<br>    write(date_arr, arr_dt)<br><br>    #Inciar pesquisa<br>    click(driver,&#39;[aria-label=&quot;Pesquisar&quot;]&#39;)<br><br>    #Aguardar processo<br>    wait(driver,&#39;[class=&quot;JMc5Xc&quot;]&#39;)</pre><p>Com o código acima todos os campos seriam preenchidos e teríamos o início de uma pesquisa por uma passagem aérea.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*67AgOR0OjnutG71cQcOQwA.gif" /><figcaption>Inserindo dados com selenium</figcaption></figure><p>Agora é possível obter a página com os preços das passagens definidas pela busca. Sendo assim, iremos agora coletar as informações da melhor passagem e verificar se o preço é bom.</p><p>As informações serão salvas nas variáveis <em>info </em>e<em> add_info.</em></p><pre>    #Armazendo informação da melhor passagem<br>    info = find(driver, &#39;[class=&quot;JMc5Xc&quot;]&#39;)[0]<br>    info = info.get_attribute(&quot;aria-label&quot;)[:-15]<br><br>    #Armazendo informação extra sobre o preço da passagem<br>    add_info = find(driver,&#39;[class=&quot;frOi8 AdWm1c fVSoi&quot;]&#39;)[0].text</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*m4JoGxiJuS-i9tnFSGRl1w.png" /><figcaption>Resultado da pesquisa</figcaption></figure><p>Encontramos uma passagem com um bom preço!</p><p>Vamos verificar se existe em um período próximo, alguma passagem ainda melhor, utilizando a opção calendário.</p><p>A informação será salva na variável <em>min_price.</em></p><pre>    #Procurando por passagens baratas no período próximo<br>    tickets = [elements.text.split(&#39;\n&#39;) for elements in find(driver, &#39;[class=&quot;mrywM&quot;]&#39;)]<br>    value = tickets[0][15:-15]<br>    price = [float(v.replace(&#39;R$ &#39;,&quot;&quot;).replace(&#39;.&#39;,&#39;&#39;)) for v in value]<br>    min_price = min(price)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*v5pYMrrGLL93lkKTm07mJQ.png" /><figcaption>Função calendário</figcaption></figure><p>Achamos um preço ainda melhor!!!</p><p>Por fim, a Interface de Saída será apenas uma função <em>‘print()’</em>, revelendo os valores que encontramos e o fim da nossa pesquisa.</p><pre>    #Interface de Saída<br>    print(f&#39;Melhor voo:&#39;)<br>    print(info,&#39;\n&#39;)<br>    print(add_info)<br>    print(f&#39;\nO menor valor encontrado próximo da data foi de R${min_price}&#39;)<br>    <br>    #Fechando o Browser<br>    driver.quit()</pre><h3>Resultado</h3><p>Com o <em>script </em>pronto vamos conferir qual será a melhor passagem para Miami, saindo de Guarulhos-SP no dia 20-09-23, retornando no dia 15–10–2023.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Souo1vvb2Xt0IinGNpttcQ.gif" /><figcaption>Processo de busca do script</figcaption></figure><pre><br>#Resultado da pesquisa<br>Melhor voo:<br>Preço total a partir de 2880 Reais brasileiros, ida e volta. Voo da Avianca com 1 parada. Sai do aeroporto Aeroporto Internacional de Guarulhos (GRU) às<br>01:35 do dia quarta-feira, setembro 20 e chega no aeroporto Aeroporto Internacional de Miami às 12:10 do dia quarta-feira, setembro 20. <br>Duração total: 11 h 35 min. Parada (1 de 1) de 1 h 45 min no aeroporto Aeroporto Internacional El Dorado, em Bogotá.<br><br>Os preços estão baixos no momento (R$ 596 mais barato que o normal para a pesquisa).<br><br>O menor valor encontrado próximo da data foi de R$2021.0</pre><h3>Conclusão</h3><p>A combinação <em>Web Scraping</em> e <em>Google Flight</em> é uma ótima oportunidade para economizar na compra de passagens aéreas. Acima pude demonstrar um pouco da funcionalidade do <em>Python</em> e da biblioteca <em>Selenium</em>, a partir de agora será possível construir sua forma personalizada de busca por passagens aéreas.</p><p>É importante destacar que a arquitetura do W<em>eb Scraping</em> pode variar dependendo das necessidades específicas do projeto e das tecnologias utilizadas. Além disso, é fundamental respeitar as políticas e termos de uso dos sites-alvo, garantindo que seja feito de forma ética e legal.</p><p>Espero que as informações tenham sido úteis para você e que te poupe pelo menos alguns centavos na próxima viagem! 😄</p><p>Segue o link do Linkedin para demais interações ou dúvidas sobre o assunto, e o Github para quem desejar visualizar os códigos utilizados.</p><p>Linkedin: <a href="https://www.linkedin.com/in/bruno-brasil-8a34101b6/">https://www.linkedin.com/in/bruno-brasil-8a34101b6/</a></p><p>Github: <a href="https://github.com/brunobf09">https://github.com/brunobf09</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=21e3a83610d4" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Clustering como ferramenta de otimização aplicada à Ação de Ressuprimento Aéreo]]></title>
            <link>https://brunobf09.medium.com/clustering-como-ferramenta-de-otimiza%C3%A7%C3%A3o-aplicada-%C3%A0-a%C3%A7%C3%A3o-de-ressuprimento-a%C3%A9reo-ee5bd1fae00e?source=rss-233743d3f2b5------2</link>
            <guid isPermaLink="false">https://medium.com/p/ee5bd1fae00e</guid>
            <category><![CDATA[clustering]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[airdrop]]></category>
            <category><![CDATA[optimization]]></category>
            <category><![CDATA[k-means]]></category>
            <dc:creator><![CDATA[Bruno Brasil Faceira]]></dc:creator>
            <pubDate>Tue, 28 Mar 2023 15:39:49 GMT</pubDate>
            <atom:updated>2023-03-28T15:39:49.202Z</atom:updated>
            <content:encoded><![CDATA[<h4>Aplicação do Algoritmo K-Means para definir o ponto ideal do lançamento de carga.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/932/0*uGvltxeW7dQXqLeS.jpg" /><figcaption>Aeronave KC-390 em missão de Lançamento Aéreo</figcaption></figure><p>O Ressuprimento Aéreo é a ação de Força Aérea que consiste em empregar Meios Aeroespaciais para entregar equipamentos e suprimentos que dão suporte as tarefas de Sustentação ao Combate e Apoio as Ações de Estado, por meio da técnica de Lançamento de Carga. Está técnica, realizada a bordo das aeronaves da Aviação de Transporte, passa pelo cálculo do ponto em que deve ser comandado o lançamento. Este ponto, denominado <em>Computed Air Release Point</em> (CARP), é calculado a partir de diversos parâmetros, entre eles os de voo da aeronave, balístico do paraquedas e os meteorológicos. Devido as imprevisibilidades de fatores meteorológicos, como intensidade e direção do vento, o processo de decisão do ponto de lançamento pode ser equivocado, fazendo com que a carga atinja um ponto de impacto afastado do objetivo, colocando em risco o cumprimento da missão.</p><p>Desta forma, este artigo apresentará a aplicação de <em>clustering</em> como ferramenta de otimização para o cálculo do ponto ideal do lançamento de carga.</p><h3>Lançamento Aéreo</h3><p>O objetivo de um Lançamento Aéreo de passagem única é implantar pessoal ou equipamento em apoio às operações de combate e ajudar na recuperação ou reabastecimento de pessoal em um ambiente hostil. Essa técnica minimiza o tempo de exposição na área de lançamento, e seu emprego adequado depende da precisão de uma Zona de Lançamento (ZL) e do local de Ponto de Impacto (PI).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/0*fs6ERdVbOlm1Ol21.jpg" /><figcaption>Lançamento de Aéreo com a aeronave KC-390</figcaption></figure><h3>Computed Air Released Point (CARP)</h3><p>O <em>Computed Air Released Point</em> (CARP) é um método de cálculo básico para determinar o ponto de qualquer Lançamento Aéreo de baixa altura com cargas não guiadas. A solução do CARP é baseada na balística média do paraquedas e pelo princípio da navegação estimada, o que facilita o planejamento de missão antes e durante o voo.</p><p>Durante a queda, a carga passa por três fases distintas, começando quando é dada a autorização do lançamento.</p><ul><li><strong>Saída (Exit)</strong>: Quando há o movimento da carga a partir de sua estação para a porta de saída. A carga está sujeita exatamente ao mesmo movimento que a aeronave (velocidade no solo e trajetória).</li><li><strong>Balística (Ballistic)</strong>: É o movimento que ocorre assim que a carga sai da aeronave até a sua estabilização (deslocamento horizontal e vertical com velocidade constante).</li><li><strong>Estabilizada (Stabilized)</strong>: Vai da final da fase balística até o momento em que atinge o solo.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/553/1*t-2ZjsTK4TV_GNpZ0zHtuA@2x.jpeg" /><figcaption>Fases do Lançamento Aéreo</figcaption></figure><p>O processo do cálculo do CARP leva em conta os dados balísticos do paraquedas, os parâmetros de voo da aeronave e as condições meteorológicas da Zona de Lançamento. Esses dados passam por uma formulação matemática que define a posição ideal do lançamento. Para facilitar o estudo, o cálculo matemático será omitido e mais a frente será representado por uma função.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/967/1*XAjuVidWs2dnqRcBgt03PA.png" /><figcaption>Processo de definição do CARP</figcaption></figure><p>Sendo assim, se o ponto de lançamento calculado for idêntico ao ponto de lançamento ideal, dado a imprevisibilidade meteorológica, a carga atingirá exatamente o ponto de impacto desejado. Caso contrário haverá um erro gerado.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/341/1*_pyvuDKb2ahI-Gchxdu4VA@2x.jpeg" /><figcaption>Erro gerado pela diferença entre o CARP ideal e o calculado</figcaption></figure><p>Tratando a Zona de Lançamento como um plano cartesiano em que o alvo corresponde a coordenada x e y iguais a zero, é possível definir a eficiência do lançamento, a partir do cálculo da distância euclidiana entre o ponto de impacto obtido e o ponto de impacto desejado. A distância entre dois pontos A (𝑥1,𝑦1) e B (𝑥2,𝑦2) é uma função definida pela equação abaixo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/364/1*pMvDsSxhhcwqw1ZhE1M3rQ@2x.jpeg" /></figure><p>De outra maneira, a distância euclidiana entre o ponto de impacto obtido e o ponto desejado, pode ser calculada medindo a distância entre o CARP ideal, aquele que corresponde a distância entre os pontos igual a zero, e o CARP calculado, o ponto em que é realmente realizado o Lançamento Aéreo e que pode incorrer em algum erro, seja por parâmetros da aeronave como velocidade e altura ou por fenômenos meteorológicos, como direção e intensidade do vento.</p><p>Se o CARP calculado não for igual a o CARP ideal, a distância entre os pontos será maior do que zero e pode ser verificada, conforme imagem e equação abaixo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/406/1*qe9QVZErP9EcrbF6vOub4Q@2x.jpeg" /><figcaption>Distância Euclidiana entre dois pontos em um plano cartesiano</figcaption></figure><h3>Clustering</h3><p><em>Clustering</em> é a tarefa que identifica instâncias semelhantes e as atribui a agrupamentos, ou seja, grupos de instâncias semelhantes. Este método é comumente utilizado em inúmeras áreas da ciência para categorizar entidades, como objetos, animais e indivíduos, em grupos que são homogêneos ao longo de uma série de características observadas.</p><p>A utilização de métodos de geração de agrupamentos (<em>clusters</em>) é justificada por ser de fácil implementação e, por produzir resultados que podem orientar a aplicação de procedimentos mais rigorosos.</p><p>Os processos de agrupamento incluem: métodos hierárquicos, partições rápidas, modelos de mistura, métodos de soma de quadrados, entre outros. Cada um deles com propriedades distintas que podem ser aplicados em diferentes contextos.</p><p>Nos métodos não hierárquicos, o número desejado de agrupamentos <em>k</em> deve ser predefinido, para que <em>n</em> observações sejam agrupadas em <em>k</em> agrupamentos homogêneos internamente e heterogêneos externamente. Para essa proposta, o algoritmo k-médias (<em>K-Means</em>), como um método de soma dos quadrados, é um dos mais conhecido</p><p>O método visa separar os dados em subconjuntos de forma que a variação mínima seja alcançada dentro dos clusters. A medida k-médias de similaridade é baseada na distância euclidiana e, a função a ser minimizada é a soma dos quadrados dos erros dentro dos <em>clusters</em>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*1ecNvBtlWO8ReFd4uu1ddQ.gif" /><figcaption>Processo K-Means com 3 Clusters</figcaption></figure><p>O algoritmo de agrupamento <em>K-Means</em> apresenta a seguinte formulação:</p><p>Seja S = {𝑥1, . . . , 𝑥𝑛} um conjunto composto por N vetores, representando amostras a serem separadas em K conjuntos 𝐶𝑗 mutuamente exclusivos onde j = 1,…, K. O algoritmo 𝑗 procurará minimiza a soma da distância euclidianas entre os pontos e os centroides, dado pela equação:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/239/1*WR7-LK4_OzaN6oqwLWz5Mg@2x.jpeg" /></figure><p>Onde 𝜇𝑗 representa o centroide do conjunto Cj, que é definido por:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/193/1*EI8ODyuKoZqCtC_fPd6mVA@2x.jpeg" /></figure><p>Esse problema pode ser resolvido por um procedimento de otimização iterativa em dois passos. No primeiro passo é feita a atribuição dos pontos aos agrupamentos e no segundo passo os centroides dos clusters são atualizados, levando em consideração as alocações correntes. Isso conduz ao seguinte algoritmo:</p><p>Dado os K centroides dos agrupamentos 𝜇1,𝑡, … , 𝜇𝐾,𝑡 na iteração t, calcula-se 𝜇1,𝑡+1, … , 𝜇𝐾,𝑡+1 pelos seguintes passos:</p><ol><li>Alocação dos pontos aos agrupamentos: Para cada i = 1,…,n ponto, aloca-se 𝑥𝑖 ao agrupamento c de forma que 𝜇c(i),t seja o centroide mais próximo de 𝑥𝑖 tomando como critério a distância euclidiana.</li><li>Atualização dos centroides: Para s = 1,…, K faz-se 𝜇c(i),t +1 ser a média de todos os 𝑥𝑖 alocados a 𝜇c,t . Finaliza-se quando 𝜇c(i),t +1 = 𝜇c,t , onde c = 1,…, K.</li></ol><p>A partir desses passos é possível determinar a posição do centroide e a Média da Soma dos Quadrados (MSE), média esta, que é desejado minimizar na otimização.</p><h3>Materiais e métodos</h3><p>Para o artigo em questão, tanto os dados balísticos, quanto os parâmetros de voo da aeronave serão constantes, de forma que o estudo possa ser replicado para qualquer tipo de paraquedas, de carga e de aeronave.</p><p>Diferentemente desses fatores contribuintes para o cálculo do CARP, as condições meteorológicas, tais como, intensidade e direção do vento, não podem ser controladas. Sendo assim, o uso da otimização com <em>cluster</em> permitirá identificar o melhor ponto de lançamento, no qual, mesmo com as variações imprevisíveis do vento, o erro entre o ponto de lançamento ideal e o calculado, definido pela distância euclidiana entre pontos, será o menor possível.</p><p>Assim, foram coletados por meio do Instituto Nacional de Meteorologia — INMET, dados de intensidade e direção do vento, referentes a cidade de Campo Grande — MS entre os anos de 2001 e 2021, totalizando 76.023 dados primários e observacionais. A variável intensidade do vento está definida em metros por segundo e a variável direção do vento está definida em grau. Os valores médios encontrados foram, até o ano de 2020, de 3,45 m/s para velocidade e 31° para a direção do vento.</p><p>Para a visualização e o cálculo matemático foi utilizado a linguagem de programação em <em>Python</em>,<em> </em>na qual a função <em>F(i,d) = (x,y), </em>onde <em>i</em> e <em>d</em> representam a intensidade e direção do vento respectivamente, originam a coordenada <em>(x,y) </em>em um plano cartesiano, referente ao ponto de impacto atingido por um lançamento.</p><p>A partir da função mencionada, pode-se definir a lógica de simulação que será constituída de um experimento, onde cada dado do INMET do ano de 2021, dados estes que não fizeram parte da análise exploratória e que servirão como teste, determinará as condições meteorológicas do ambiente simulado encontrado pelo lançador, que por sua vez irá realizar<br>o lançamento no ponto indicado pelo cálculo do CARP, utilizando as médias de velocidade e direção do vento (3,45m/s e 31°). Com isso será possível avaliar a eficiência do lançamento aéreo, a partir das variações do vento tomando-se a média como referência.</p><h3>Implementação K-Means e Resultados</h3><p>Aplicando o método supracitado teríamos o seguinte resultado:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/403/1*PuuyRmfBsy5dHY3mFTmn6g.png" /><figcaption>Lançamento com dados do INMET de 2021</figcaption></figure><p>Para cada condição de vento obtém-se uma coordenada referente ao ponto de impacto obtido. Porém foi adotado a média das condições do vento como um fator decisivo para a escolha do ponto de lançamento. Será essa a melhor decisão?</p><p>Para verificar essa condição, foi aplicado o algoritmo <em>K-Means</em> com a criação de apenas um <em>cluster</em>. Desta forma, é possível verificar se a posição do alvo (PI) corresponde a mesma posição do centroide do <em>cluster,</em> sabendo que esta posição é aquela que minimiza as distâncias euclidianas entre o ponto desejado e o obtido.</p><p>Na figura abaixo observa-se que a posição do PI não corresponde a mesma posição do centroide.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/472/1*XyhoBvcr05Oys8seJeU8xg.png" /><figcaption>O centroide é o ponto onde a Média da Soma dos Quadrados (MSE) é a menor possível</figcaption></figure><p>Quando as posições não são as mesmas, significa que o ponto de lançamento precisa ser otimizado, de forma que o alvo obtenha a menor distância em relação os pontos de impactos obtidos pela simulação, esse novo ponto será chamado de CARP Calibrado. A figura abaixo apresenta o processo de reajuste da posição do lançamento.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/602/1*FbeFLzrec3CBZnsMLPZZPg.png" /><figcaption>Processo de reajuste da posição do CARP</figcaption></figure><p>Realizando novamente os lançamentos com o CARP Calibrado, obtêm-se na tabela abaixo com os valores descritivos para os erros em metros.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/632/1*qMRTUHRBps0unWS6_Eg-gQ.png" /></figure><p>Pelo o resultado acima, percebe-se o CARP Calibrado obteve uma menor Média da Soma dos Quadrados (MSE), porém a distância máxima não foi tão diferente do que tomando-se a média. Para melhorar o resultado, pode-se refazer o procedimento com 2 <em>clusters.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/483/1*9K-QiX-xNYqxiOSIS_96Ug.png" /><figcaption>Aplicando K-Means com dois Clusters</figcaption></figure><p>Na figura acima, verifica-se que aumentando a quantidade de agrupamentos, é possível entender as condições que ocasionaram determinadas dispersões e reavaliar novos centros de massa com menores MSE, criando assim, novos CARPs Calibrados.</p><p>Sendo assim, a decisão para utilizar o CARP Calibrado do cluster azul será quando o vento apresentar direção maior que 45° e para o laranja quando for menor. As figuras abaixo apresentam os resultados visuais dos lançamentos e os resultados descritivos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/615/1*5VlwPDWmIEYWGO19DppKHg.png" /><figcaption>Lançamentos para o cluster azul e o laranja</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/638/1*NdS48VLVUpr49iYkjA6yeQ.png" /><figcaption>Resultados obtidos</figcaption></figure><p>Com a aplicação da otimização com <em>clusters</em>, 99% dos lançamentos obtiveram pontos de impactos dentro de uma área de 50 metros e 50% dos resultados foram abaixo de 15 metros. Definir pontos calibrados, através da otimização, para diminuir a dispersão dos lançamentos de carga em torno do alvo, mostrou-se eficiente ao lidar com variáveis não controladas e complexas de serem determinadas.</p><h3>Conclusão</h3><p>A “clusterização” como forma de otimização e auxílio a tomada decisão, torna o processo de lançamento mais simples, como no caso da última figura, onde somente a direção do vento foi determinante para um bom lançamento, dado que os fatores controlados como altura e velocidade da aeronave foram respeitados.</p><p>Além das vantagens em relação a dispersão dos lançamentos, esse método se mostrou um avanço nas técnicas de Lançamento Aéreo por possibilitar o lançador, que utiliza referências visuais, a definir uma coordenada geográfica referente ao ponto calibrado que o auxilie a bloquear a posição exata sem erros laterais e longitudinais do ponto de lançamento, tirando assim, o erro do fator humano durante a pilotagem.</p><p>Uma desvantagem do <em>clustering</em> é que ele não garante a solução perfeita. Diferentes pontos de partida podem dar origens a diversas soluções e é impossível determinar se a melhor solução foi alcançada. Porém, o valor da função objetivo da solução encontrada por esse método não é muito diferente do que o valor da melhor solução, sendo, portanto, uma boa aproximação da mesma.</p><h3>Referências</h3><p>AIRBUS. <strong>C-295M training manual AIRDROPS: FOBN-015</strong>. Madrid: Airbus, 2019.</p><p>Faceira, Bruno Brasil. <strong>Análise da Influência dos Erros dos Parâmetros de Voo e das Condições Meteorológicas na Eficiência das Ações<br>de Ressuprimento Aéreo. </strong>São José dos Campos, 2022. 58f.</p><p>GÉRON, A. <strong>Hands-on machine learning with scikit-learn, keras, and tensorflow</strong>. 2. ed. Sebastopol: O’Reilly, 2019</p><p>Espero ter contribuído com algum conhecimento e deixo meu LinkedIn para demais interações ou dúvidas sobre o assunto ou códigos em <em>Python</em>.</p><p>LinkedIn: <a href="https://www.linkedin.com/in/bruno-brasil-8a34101b6/">https://www.linkedin.com/in/bruno-brasil-8a34101b6</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ee5bd1fae00e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Como destruir uma base militar utilizando Machine Learning.]]></title>
            <link>https://brunobf09.medium.com/como-destruir-uma-base-militar-utilizando-machine-learning-9b1289299331?source=rss-233743d3f2b5------2</link>
            <guid isPermaLink="false">https://medium.com/p/9b1289299331</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[naive-bayes-classifier]]></category>
            <category><![CDATA[modern-war]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[Bruno Brasil Faceira]]></dc:creator>
            <pubDate>Mon, 10 Oct 2022 16:20:40 GMT</pubDate>
            <atom:updated>2022-10-10T16:20:40.117Z</atom:updated>
            <content:encoded><![CDATA[<h4>Aplicação de algoritmos de classificação Naive Bayes e Análise Discriminante Quadrática na Guerra Moderna.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SBWCyXoUuwJzdYD5qx6tHQ.jpeg" /><figcaption>Imagem por Freepik.</figcaption></figure><p>Devido aos conflitos recentes, conceitos como o da Guerra Eletrônica ganham destaque em discussões a respeito das estratégias militares na tomada ou na defesa territorial. O ato de um soldado ucraniano ligar o seu telefone celular pode atrair uma chuva de estilhaços de fogo, ocasionado por radares de artilharia e controles remotos de veículos aéreos não tripulados.</p><p>A Guerra Eletrônica (GE) é o conjunto de ações envolvendo o uso do espectro eletromagnético ou de energia dirigida para aumentar as capacidades de uma força armada, aprimorar a consciência situacional no Teatro de Operações e obter efeitos ofensivos e defensivos. Essa tecnologia é usualmente utilizada por artilharias, caças, mísseis de cruzeiro, drones e entre outros meios para garantir ou impedir o emprego hostil de uma determinada força militar.</p><p>E como que a GE pode está ligada com o Aprendizado de Máquinas (ML)?</p><p>A <em>Defense Brief Editorial</em> divulgou em abril de 2020 que a empresa de tecnologia alemã, <em>Hensoldt</em>, concluiu o desenvolvimento de um novo sistema modular de combate eletrônico aerotransportado baseado em Inteligência Artificial (IA).</p><p><em>Kalætron Attack</em>, nome dado ao sistema, neutraliza os radares de controle de fogo do inimigo em diferentes distâncias, permitindo que ataques possam ser deferidos diretamente a um alvo de interesse.</p><p>O sistema utiliza <em>hardware</em> digitalizado e inteligência artificial para detectar ameaças baseadas em radar às forças aéreas em tempo recorde e neutralizá-las com contramedidas eletrônicas direcionadas.</p><p><em>Hensoldt</em> explica que o design digital permite que o <em>Kalætron Attack</em> detecte e identifique posições de defesa aérea muito rapidamente em uma ampla faixa de frequência. A unidade usa técnicas de IA para reconhecer novos padrões de ameaças de um conjunto de pulsos coletados. Isso é especialmente importante para identificar os mais recentes sistemas de radar de defesa aérea que cobrem uma faixa de frequência extremamente ampla ou saltam entre frequências específicas em frações de segundo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FTSVj9aIpqDAYJZuUP78Gg.png" /><figcaption><em>Kalætron Attack por Hensoldt</em></figcaption></figure><p>Aproveitando o contexto mencionado, o objetivo deste artigo é apresentar os conceitos e a aplicação das técnicas de <em>Machine Learning</em> baseadas nos modelos de <em>Naive Bayes</em> (NB) e de Análise Discriminante Quadrática (QDA) de forma a descrever o comportamento do sistema do <em>Kalætron Attack</em>.</p><p>Os modelos de classificação baseados em NB e QDA foram escolhidos por serem modelos de fácil construção, de rápida solução e sem a necessidades de inserir hiperparâmetros, porém o leitor pode reproduzir o estudo com qualquer outro classificador.</p><h3><strong>Naive Bayes (NB)</strong></h3><p>O algoritmo <em>Naive Bayes</em> é utilizado no aprendizado de máquinas supervisionado, baseado no Teorema de Bayes (proposto por Thomas Bayes) que tem como objetivo encontrar a probabilidade a <em>Posteriori</em>, probabilidade condicionada que é atribuída a partir da análise dos eventos passados.</p><p>O classificador <em>bayesiano</em> simplifica o aprendizado assumindo que os atributos são independentes. Embora a independência seja geralmente uma suposição, na prática, o <em>Naive Bayes</em> compete bem contra classificadores mais sofisticados e é atualmente utilizado em classificação de texto, diagnóstico médico e sistemas de gerenciamento de desempenho.</p><p>Seu algoritmo é baseada na equação proposta por Bayes:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/210/1*HJQZPweuxIgtprYheykPBw.png" /></figure><p>Portanto, para determinar a hipótese máxima da probabilidade <em>posteriori</em> (MAP) de um determinado evento, basta aplicar a seguinte equação:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/346/1*3X75SnbkDtg0ytVQSpqwUQ.png" /></figure><p>Logo, para um classificador de duas classe, se P(W1|x)&gt;P(W2|x) for verdadeiro, então a observação será classificada como w1, caso contrário, será classificada como w2.</p><h3>Análise Discriminante Quadrática (QDA)</h3><p>O classificador DA foi introduzido por R. Fisher e foi usado em muitos problemas de classificação por ser básico e simples de implementar. Existem dois tipos de classificador DA, o classificador baseado em análise discriminante linear (LDA) e o baseado em análise discriminante quadrática (QDA). Para o nosso estudo, será focado na QDA.</p><p>A QDA nada mais é que um modelo matemático que utiliza funções discriminantes para determinar os limites de decisão e regiões para cada classe de forma não-linear.</p><p>Essas funções descriminates seguem o mesmo princípio do teorema de Bayes e comumente assume que P(x|w) é proveniente de uma distribuição normal, logo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/631/1*uMXgwdJFJB8Rer6WKzzGBg.png" /></figure><p>onde, μi representa a média e ∑i a matriz de covariância da i-ésima classe, |∑i| e ∑(−1)i a determinante e a inversa da matriz de covariância, respectivamente, e m o número de atributos ou o número de variáveis ​​de uma amostra (x).</p><p>Dessa forma, para chegar à borda de decisão e a região de duas classes, podemos resumir as equações da seguinte forma.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/443/1*1EVmsxxG_WrFazRwXBNr4Q.png" /></figure><p>onde,</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/643/1*EZEBMJK2THoMDt_nCo-daQ.png" /></figure><p>desta forma,</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/456/1*HPt5F60AGoRhItZdIR4zmg.png" /></figure><p>O processo descrito acima pode ser resumido, conforme a figura abaixo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/719/1*2cx9wkyOd_e2s2l61honoA.png" /></figure><p>Não se preocupe com as fórmulas matemáticas, a biblioteca Scikit-Learn torna tudo isso mais fácil. 😉</p><h3>Metodologia</h3><p>Após o entendimento dos conceitos fundamentais que dão suporte a este artigo, será utilizada a metodologia de construção de modelos de <em>Machine Learning</em> utilizando softwares de linguagem de programação em <em>Python</em> da seguinte forma:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/933/1*ZUDxbSikN2j7TToDyMdD5g.png" /><figcaption>Processo de modelagem</figcaption></figure><p>O primeiro processo será o de seleção de dados com base nas características descritas no <em>Defense Brief Editorial</em> sobre o <em>Kalætron Attack</em>. Após, será feita uma análise exploratória dos dados para entender o comportamento das variáveis preditivas, e em seguida serão construídos dois modelos de <em>Machine Learning</em> frente aos dados de treino, um baseado no algoritmo do Naive Bayes e outro da Análise Discriminante Quadrática. Por fim, o modelo que apresentar melhor resultado será validado pelo o conjunto de teste.</p><h3>Seleção de dados</h3><p>O <em>dataset</em> selecionado possui 2000 registros de emissões eletromagnéticas, dividido em 3 variáveis, sendo elas, duas variáveis preditivas e uma variável alvo:</p><p>Variável Alvo: Definido por “A” e “E”.</p><p>Onde a classe “A” representa radares de Defesa Aérea, uma ameaça iminente e que precisam ser neutralizada, e a classe “E” que representa radares de Vigilância Aérea, e assim, não oferece uma ameaça direta.</p><p>Variáveis preditivas:</p><ul><li>FREQ: Frequência de ondas em MHz.</li><li>PRF: Frequência de repetição de pulsos em PPS.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/935/1*p2NjckDti51ujeB1TDKt-w.png" /></figure><p>O modelo proposto visa classificar, a partir das variáveis FREQ e PRF, se a emissão eletromagnética é uma possível ameaça que precisa ser neutralizada. Abaixo segue a visualização do banco de dados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/229/1*qm7qkLDTMTvU9ZKZfxazmQ.png" /></figure><p>A intenção deste artigo não é demonstrar as técnicas de pré-processamento dos dados. Essa etapa foi realizada previamente, sendo assim, o <em>dataset</em> em questão, está balanceado e ausente de valores nulos.</p><h3>Análise Exploratória dos Dados</h3><p>A visualização gráfica abaixo contribui para que seja analisado o comportamento das classes em relação as variáveis preditivas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/620/1*Uut9uqJWpepfC_CpyFpPnQ.png" /></figure><p>Observado o histograma da variável PRF é possível perceber que os dados apresentam previsibilidade pela distância entre suas médias, e com o <em>Scatter plot</em> pode-se verificar regiões de classificação.</p><h3>Construção do Modelo</h3><p>Nesta etapa os dados serão divididos em treino e teste, respeitando uma proporção de 70/30, respectivamente. Em seguida, os dados de treino serão modelados pelos dois algoritmo em 10 <em>Folds</em> (<em>Cross-Validation</em>), e o modelo que obtiver a maior acurácia média, ou seja, aquele que apresentar a melhor performance geral em relação a quantidade de amostras classificadas corretamente, será selecionado para validação.</p><p>Outra facilidade dos modelos de classificação baseados em NB e QDA é que eles não precisam de padronização e nem normalização dos dados. Os resultados dos modelos seguem abaixo.</p><pre>QuadraticDiscriminantAnalysis: Accuracy: 0.883 STD: 0.025 <br>GaussianNB:                    Accuracy: 0.804 STD: 0.031</pre><p>Verifica-se que, utilizando a acurácia como métrica, o classificador QDA obteve uma melhor performance em relação ao NB.</p><p>Entendendo os conceitos de ambos os classificadores é possível compreender o por que da performance da QDA ser melhor para esse conjunto de dados. Apesar dos dois classificadores serem paramétricos, somente a QDA leva em consideração a covariância, o que permite que as bordas de de decisão ganhem inclinação de forma a se aderir melhor aos dados.</p><p>Esse conceito pode ser observado nas figuras abaixo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/875/1*Nr-UORArUutGHqJjmtxvrQ.png" /></figure><h3>Validação</h3><p>Após selecionar a Análise Discriminante Quadrática como o melhor modelo, agora será validado a sua performance frente aos dados de teste.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/513/1*kSRLTYxKTsCFoio_fu99kA.png" /></figure><p>O modelo apresentou um acurácia de 90% ao classificar corretamente as emissões eletromagnéticas, e uma precisão capaz de identificar 92% das emissões provenientes de sistemas de Defesa Aérea, não identificando 8% das ameaças iminentes que deveriam ser neutralizadas.</p><p>Uma forma de melhor a precisão seria diminuir o critério de classificação (<em>default</em> 50%), ajudando a identificar as emissões duvidosas, ou seja, aquelas que estão próximas de 50% de probabilidade de serem uma ameaça.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/525/1*Pl3tNLj-Vye39yb61WU9kg.png" /></figure><p>Alterando o critério de classificação para “A”, quando uma EM estiver acima de 40% de probabilidade de ser proveniente de um sistema de Defesa Aérea, obtém-se 96% de precisão e um baixo <em>trade-off</em> com os falsos positivos, que aumentaram em 1%, totalizando 13%.</p><h3>Conclusão</h3><p>É possível verificar que a ciência de dados está cada vez mais presente na guerra moderna. Saber que o sistema tem 96% de precisão em identificar ameaças e 13% de falsos positivos pode ser uma informação primordial para os comandantes definirem a quantidade de aeronaves e de armamento a serem empregados, de forma a tornar possível a garantia do sucesso da missão.</p><p>Neste artigo foi possível entender o funcionamento prático de dois classificadores<em> baysianos</em> paramétricos que possuem boa performance, apesar da sua simplicidade.</p><p>Desta forma, fica a curiosidade: quais são as capacidades de precisão do sistema de inteligência artificial do Kalætron Attack? Será que o sistema apresenta valores altos de falsos positivos em prol de uma precisão maior?</p><h3>Referências</h3><p><a href="https://defbrief.com/2020/04/23/germanys-hensoldt-unveils-new-ai-based-electronic-warfare-jammer/">Defense Brief Editorial.<strong> Germany’s Hensoldt unveils new AI-based electronic warfare jammer. </strong>2020.</a></p><p>RISH, Irina et al. <strong>An empirical study of the naive Bayes classifier</strong>. In: IJCAI 2001 workshop on empirical methods in artificial intelligence. 2001. p. 41–46.</p><p>THARWAT, Alaa.<strong> Linear vs. quadratic discriminant analysis classifier</strong>: a tutorial. International Journal of Applied Pattern Recognition, v. 3, n. 2, p. 145–180, 2016.</p><p>Segue o link do Linkedin para demais interações ou dúvidas sobre o assunto, e o Github para quem desejar visualizar os códigos utilizados.</p><p>Linkedin: <a href="https://www.linkedin.com/in/bruno-brasil-8a34101b6/">https://www.linkedin.com/in/bruno-brasil-8a34101b6/</a></p><p>Github: <a href="https://github.com/brunobf09">https://github.com/brunobf09</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9b1289299331" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Automatizando Planos de Voo]]></title>
            <link>https://brunobf09.medium.com/automatizando-planos-de-voo-8f2b657c93c4?source=rss-233743d3f2b5------2</link>
            <guid isPermaLink="false">https://medium.com/p/8f2b657c93c4</guid>
            <category><![CDATA[aviation]]></category>
            <category><![CDATA[openpyxl]]></category>
            <category><![CDATA[automation]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[programming]]></category>
            <dc:creator><![CDATA[Bruno Brasil Faceira]]></dc:creator>
            <pubDate>Tue, 09 Mar 2021 11:03:29 GMT</pubDate>
            <atom:updated>2021-03-10T13:28:20.725Z</atom:updated>
            <content:encoded><![CDATA[<h3>Evite Tarefas Repetitivas!</h3><h4>Automatizando Planos de Voo da Força Aérea Brasileira</h4><p>É comum que em nossa rotina tenhamos tarefas que sejam repetitivas. Dependendo do grau de importância dessas atividades e/ou duração para concluí-las, pode ser demandado, do responsável, uma alta carga mental e até mesmo física.</p><p>Hoje em dia, é difícil encontrar um profissional que não passe boa parte de toda a sua jornada de trabalho sentado na frente de um computador, preenchendo relatórios e gerenciando planilhas.</p><p>Após repetir o mesmo processo diversas vezes, é normal que ao final, nossa mente esteja esgotada a ponto de errar algo considerado relativamente fácil.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/626/1*aSy3KmBOAyPXO-sct_CTbA.jpeg" /></figure><p>Além do cansaço mental, o fato de ficar horas sentado pode causar sobrecarga do fluxo gastrointestinal, sobrecarga do fluxo sanguíneo e lesão por esforço repetitivo.</p><p>Dentro do meu contexto, como piloto da Força Aérea, trouxe a solução de uma tarefa repetitiva, de grande importância que por vezes é maçante: preencher planos de voo.</p><h3>Automatizando Planos de Voo</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/626/1*p5t3puYyqNOBwWTV24jLDA.jpeg" /></figure><p>Já imaginou a seguinte situação:</p><p>Em uma evacuação aeromédica o piloto coloca o horário errado de decolagem no seu plano e atrasa o voo de um paciente em estado grave.</p><p>A situação é considerada absurda, mas diante do grau de responsabilidade e estresse natural da missão, será que seria possível o erro do piloto ao preencher o plano de voo? E se ele estivesse sobrecarregado no momento, cansado de outras missões? E se o plano de voo fosse extenso e ele já tivesse preenchido diversos outros?</p><p>Existem fatores externos que aumentam a chance do erro humano. Uma forma de lidar com isso é a automatização de tarefas.</p><p>Para iniciar nosso projeto irei apresentar duas bibliotecas da linguagem em Python.</p><ul><li>Pdfpumbler</li><li>Openpyxl</li></ul><p>Basicamente, Pdfpumbler permite obter informações detalhadas sobre cada caractere de texto e extrair tabelas de arquivos pdf. Já o Openpyxl, permite ler e escrever no excel.</p><p>O objetivo desse artigo é extrair dados de uma missão e preencher um plano de voo automaticamente.</p><h3>Extraindo dados de um PDF</h3><p>Devido ao sigilo da atividade de natureza militar foi criada uma sequência extensa de uma missão fictícia.</p><p>Para entender os dados:</p><ul><li>DEP -&gt; <em>Departure</em></li><li>ETA -&gt; <em>Estimated time of arrival</em></li><li>ARR -&gt; <em>Arrival</em></li><li>TEV -&gt; Tempo estimado de voo</li><li>ALT -&gt; Alternativa</li><li>CMB -&gt; Combustível</li><li>DISP -&gt; Disponibilidade</li></ul><p>*Nos campos DEP e ARR o nome das localidades estão designadas pelas suas siglas ICAO.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/891/1*v3RbR7qSai6UzNWHHMX2JA.png" /></figure><p>Seria exaustivo preencher um plano de voo para cada rota. Então iremos utilizar a biblioteca Pdfplumber para extrair essas rotas do pdf. Ao utilizar .find_tables e .extract() podemos extrair a tabela do pdf e criar um <em>dataframe</em>.</p><pre># Instalando pdfpumbler<br>!pip install pdfplumber -q</pre><pre># Importando bibliotecas<br>import pdfplumber<br>import pandas as pd</pre><pre># Extraindo dados do PDF<br>pln =  pdfplumber.open(&quot;/content/arquivo.pdf&quot;)<br>table = pln.pages[0].find_tables()[2].extract()</pre><pre># Criando dataframe a partir dos dados do pdf<br>df = pd.DataFrame(data = table[1:], columns = table[0])</pre><p>Com poucas linhas de códigos as informações do pdf já foram extraídas e foi criado um <em>dataframe</em> chamado df</p><p>Temos quase todos os dados, ficou faltando somente autonomia, que basicamente é dividir a quantidade combustível pelo consumo/hora.</p><pre># Criando a coluna autonomia<br>import datetime</pre><pre>autonomia = []</pre><pre>for i in range(df.shape[0]):</pre><pre> time = float(df[&#39;CMB&#39;][i])/700<br> hora = str(datetime.timedelta(hours=time)).rsplit(&#39;:&#39;,1)[0]</pre><pre>autonomia.append(hora)</pre><pre>df[&#39;Autonomia&#39;]= autonomia</pre><p>Nosso <em>dataframe</em> final.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/821/1*1toaRW6XF7yqQteCzYfPMQ.png" /></figure><h3>Preenchendo Formulário no Excel</h3><p>Para exemplificar o preenchimento do plano de voo, foi criado um formulário no excel.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/811/1*lgIP_qzw6BQKzadSrtnZrw.png" /></figure><p>Com todos os dados para o preenchimento do plano, vamos iniciar a manipulação dos dados no excel com Openpyxl.</p><pre># Importando biblioteca para trabalhar no excel<br>from openpyxl import load_workbook<br>from openpyxl.drawing.image import Image</pre><pre># Carregando arquivo<br>wb = load_workbook(&#39;/content/planodevoo.xlsx&#39;)</pre><pre># Selecionando planilha<br>plano = wb[&#39;pln&#39;]</pre><pre># Unzip de assinaturas para inserir no excel<br>!unzip /content/assinatura.zip</pre><pre># Preenchendo o Plano de voo no excel<br>for i in range(df.shape[0]):<br> plano[&#39;B8&#39;] = df[&#39;DATA&#39;][i]<br> plano[&#39;C8&#39;] = &quot;Bruno Brasil&quot;<br> plano[&#39;B11&#39;] = df[&#39;HORA (Z)&#39;][i]<br> plano[&#39;C11&#39;] = df[&#39;DEP&#39;][i]<br> plano[&#39;B13&#39;] = df[&#39;ARR&#39;][i]<br> plano[&#39;C13&#39;] = df[&#39;TEV&#39;][i]<br> plano[&#39;E13&#39;] = df[&#39;ALT&#39;][i]<br> plano[&#39;H13&#39;] = df[&#39;Autonomia&#39;][i]</pre><pre># Nominando o worksheet<br>plano.title = &quot;Etapa&quot;+str(i+1)</pre><pre># Copiando worksheet<br>wb.copy_worksheet(plano)</pre><pre># Ativando worksheet e inserindo assinatura<br>wb.active = (i+1)<br>wb.active.add_image(Image(&#39;assinatura&#39;+str(i+1)+&#39;.png&#39;), &#39;I8&#39;)</pre><pre># Removendo modelo e salvando o arquivo final<br>wb.remove(plano)<br>wb.save(&#39;plano.xlsx&#39;)</pre><p>Para cada célula do excel que devia ser preenchida, foi feito uma manipulação do dado extraído do PDF e inserido na célula correspondente do formulário.</p><p>DICA: Às vezes o excesso de automatização pode te trair. A função input() poderia ser utilizado para alguns casos que não são tão repetitivos, como o campo &quot;Rota&quot;.</p><p>Um importante detalhe é que o Openpyxl não copia as imagens quando gera novas planilhas e também não é possível inserir a imagem com o mesmo nome. Por isso foram zipadas 22 assinaturas com nomes diferentes.</p><p>Resultado final:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/919/1*yCeRi2OHO527I8VmlkMnMw.png" /></figure><p>Agora é só imprimir e enviar os planos. Demonstração na prática de um trabalho cansativo e com grandes possibilidades de erro feito em minutos.</p><h3>Conclusão</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/626/1*F6HfdeBjED5DezXhh4mvBg.jpeg" /></figure><p>Esse foi um exemplo curto que trouxe do meu dia-a-dia para mostrar que automatizar tarefas repetitivas é fundamental para evitar erros devido à fadiga humana.</p><p>Ser capaz de ganhar tempo para empresa e aumentar a eficiência do processo administrativo é essencial para se destacar profissionalmente.</p><p>Recomendo o livro <a href="https://automatetheboringstuff.com/">“Automate the Boring Stuff with Python, 2nd Edition: Practical Programming for Total Beginners” </a>, por Al Sweigart, livro de fácil entendimento mesmo para quem nunca programou.</p><p>Segue o link do Linkedin para demais interações ou dúvidas do assunto e, o Github para quem desejar visualizar os códigos utilizados.</p><p>Linkedin: <a href="https://www.linkedin.com/in/bruno-brasil-8a34101b6/">https://www.linkedin.com/in/bruno-brasil-8a34101b6/</a></p><p>Github: <a href="https://github.com/brunobf09">https://github.com/brunobf09</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8f2b657c93c4" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Detecção de Fraudes em Cartões de Crédito]]></title>
            <link>https://brunobf09.medium.com/detec%C3%A7%C3%A3o-de-fraudes-em-cart%C3%B5es-de-cr%C3%A9dito-4cb235d74974?source=rss-233743d3f2b5------2</link>
            <guid isPermaLink="false">https://medium.com/p/4cb235d74974</guid>
            <category><![CDATA[scikit-learn]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[credit-card-fraud]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Bruno Brasil Faceira]]></dc:creator>
            <pubDate>Tue, 02 Mar 2021 19:45:09 GMT</pubDate>
            <atom:updated>2021-03-02T19:45:09.716Z</atom:updated>
            <content:encoded><![CDATA[<h3>Detecção de Fraude em Cartões de Crédito</h3><h4>Como as instituições financeiras utilizam Machine Learning para evitar prejuízos</h4><p>Neste projeto, iremos abordar o problema das fraudes em cartões de crédito, uma das principais preocupações das instituições financeiras como bancos e <em>fintechs</em>. Apenas no Brasil, cerca de <strong>12,1 milhões de pessoas já foram vítimas</strong> de algum tipo de fraude financeira no último ano. Traduzindo em valores, os golpes financeiros ultrapassaram a cifra de R$ 1,8 bilhão de prejuízo por ano para os últimos 12 meses.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/626/1*HHze6sr-FX6ZlaQ83M7Mdg.jpeg" /></figure><p>Dentre essas fraudes, aquelas envolvendo cartões de crédito são de grande relevância uma vez que a sua <strong>não-detecção acarretará em prejuízos consideráveis, tanto para o consumidor quanto para a instituição financeira</strong>.</p><p>Outro fator a ser considerado é a quantidade de falsos positivos, ou seja, aquelas vezes em que você tentou fazer uma compra e teve seu cartão bloqueado preventivamente, o que provavelmente gerou estresse e constrangimento.</p><p>Por todos esses motivos, o investimento na área de detecção de fraudes por meio de Inteligência Artificial vem crescendo a cada ano, representando uma grande oportunidade em <em>Data Science</em>.</p><p>Dispondo de grandes volumes de dados como base histórica, um algoritmo de <em>Machine Learning</em> apenas um pouco melhor que os anteriores já representa uma economia de milhões de Reais. E esse é o desafio, aprimorar cada vez mais o uso de algoritmos visando inibir ou evitar transações fraudulentas.</p><h3>Entendendo os Dados</h3><p>O conjunto de dados foi coletado e analisado durante uma colaboração de pesquisa da <em>Worldline</em> e do <em>Machine Learning Group</em> da ULB (<em>Université Libre de Bruxelles</em>) sobre mineração de big data e detecção de fraude. O <em>dataset</em> representa as operações financeiras que aconteceram no período de dois dias, onde foram classificadas 492 fraudes em meio a quase 290 mil transações.</p><p>Outro detalhe interessante é que as <em>features</em> são todas numéricas, e foram descaracterizadas (por problemas ligados à privacidade e segurança). Assim, os nomes das colunas são representados por [V1,V2,V3…,V28]</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/626/1*ioE2dqAZ8pvVpVmg7OpB-Q.jpeg" /></figure><p><a href="https://www.kaggle.com/mlg-ulb/creditcardfraud">Na página original dos dados</a>, é informado que o conjunto de dados é extremamente desbalanceado, onde as fraudes representam apenas 0,17% do total. Também é importante informar, que as variáveis passaram por uma transformação conhecida como Análise de Componentes Principais (<em>Principal Component Analysis</em> — PCA).</p><p>A PCA permite a redução da dimensionalidade enquanto mantém o maior número possível de informações. Para conseguir isso, o algoritmo encontra um conjunto novo de recursos — os chamados <strong>componentes</strong>.</p><p>Esses componentes são em número menor ou igual às variáveis originais. No caso deste projeto, os componentes achados pela transformação da PCA são as próprias colunas [V1,V2,V3…,V28].</p><p>Somente duas variáveis não foram modificadas, Time e Amount. Time contém os segundos decorridos entre cada transação e a primeira transação no conjunto de dados. Amount é a quantia realizada na transação.</p><p>Por fim, temos a coluna Class, de forma binária, onde o valor “1” representa fraude cometida na operação realizada.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*kqFiKfhJcxSVZAGHu7fFOw.gif" /></figure><p>Com os dados importados para dentro de uma estrutura <em>Dataframe</em>— e não havendo a necessidade de mais nenhum ajuste ou configuração nesta etapa, pode-se iniciar uma análise exploratória dos dados a fim de preparar um modelo de <em>Machine Learning</em>.</p><h3>Análise Exploratória</h3><p>Objetivos da Análise:</p><ul><li>Ver o resumo estatístico do <em>dataframe</em></li><li>Verificar se há valores ausentes</li><li>Verificar se há valores duplicados</li><li>Plotar um gráfico de barras (ou <em>countplot</em>) para ver o balanceamento do <em>dataset</em></li><li>Verificar distribuição dos dados não padronizados (Time e Amount)</li></ul><p><strong>Análise inicial dos dados:</strong></p><p>Abaixo, podemos verificar que foram 284.807 lançamentos, dos quais nenhum era nulo e nem duplicado. É possível observar também, que temos 31 colunas, todas do tipo <em>float, </em>com exceção de<em> </em>Class que é do tipo <em>int</em>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/361/1*ENhpaJlBaWzr3ucKJuyPEQ.png" /></figure><p><strong>Distribuição da variável <em>Class</em>:</strong></p><p>Na distribuição de Class, confirmamos a informação inicial do desequilíbrio dos dados, sendo 0,17% das transações representadas como casos de fraude.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/407/1*KC6frvnhOzFUK1Pq1GH6Cw.png" /></figure><p><strong>Distribuição de Amount e Time:</strong></p><p>Da distribuição de Amount foi verificada uma concentração de transações abaixo de 500, porém nenhum valor será considerado <em>outlier</em> para preservar o <em>dataset</em>. Assim será feito também com Time.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_CQOZcH67h7HzOEz71uaSQ.png" /></figure><p>Depois de realizado uma breve análise exploratória, verificamos que o <em>dataset</em> não possuía valores duplicados e nem faltantes e o número de fraudes representa uma proporção muito baixa.</p><p>Para um resultado relevante o nosso modelo precisa de um equilíbrio dos dados. Neste caso a acurácia não terá um valor expressivo, sendo necessárias as análises da Precisão, <em>Recall</em> e <em>F1-score</em>.</p><h3>Preparação dos Dados</h3><p>Nesta fase serão realizadas as seguintes etapas:</p><ul><li>Padronização dos dados que ainda não haviam sido pré-processados (Time e Amount)</li><li>Balancear o conjunto de dados (técnica escolhida: <em>subsample</em>)</li><li>Verificar se houve mudança na correlação das <em>features</em></li></ul><p><strong>Dados após serem padronizados:</strong></p><p>Foram feitas as padronizações de Amount e Time , para que o nosso modelo de <em>Machine learning </em>trabalhe todos os dados na mesma escala.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/486/1*VfA-TT-mAPFsNrw3Tdf9ng.png" /></figure><p><strong>Distribuição de <em>Class após equalização dos dados:</em></strong></p><p>Para equalizar os dados, reduzimos a quantidade de casos não-fraude para a mesma quantidade de casos de fraude. Assim evitamos viés de que a possibilidade de fraude seja quase remota. Essa redução foi de forma aleatória, falaremos mais dessa aleatoriedade na análise final.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/389/1*uTdlUM_1hZFlV8AEGkU49Q.png" /></figure><p><strong>Diferença da matriz de correlação do <em>dataset</em> original e do <em>dataset</em> padronizado e equilibrado:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EP9fqpQ6YCbgNdwMfY0XUw.png" /></figure><p>Do pré-processamento foi feito a padronização das variáveis Time e Amount. Além disso, foi utilizada a técnica de <em>subsample</em> para balancear os dados, diminuindo a quantidade de transações não fraudadas.</p><p>Como resultado, percebesse nitidamente a diferença da correlação entre as <em>features</em> após a padronização e balanceamento do <em>dataset</em>.</p><h3>Modelo de Machine Learning</h3><p>Sabendo que o resultado desejado é binário, “1” para fraude e “0” para não-fraude, o objetivo dessa fase foi construir um modelo para <strong>Classificação</strong>, utilizando Regressão Logística através da biblioteca Scikit-Learn.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nQ6dgndVz-fgXDa-p4HYyQ.png" /></figure><blockquote>A Scikit-Learn é uma biblioteca de aprendizado de máquina de código aberto para a linguagem de programação Python.</blockquote><p>Com essa biblioteca, já estão implementados diversos métodos, algoritmos e técnicas para criação de modelos de classificação e entre outros.</p><p>Basicamente, para a criação desse modelo, foi dividido o <em>dataset</em> em dados para treinamento e dados para teste. A proporção utilizada foi 80% dos dados para treinamento da Regressão Logística e 20% para o teste.</p><p>Segue abaixo o resultado.</p><h3>Avaliando o desempenho do modelo</h3><p>Como havia sido dito, a métrica acurácia não é tão relevante porque os dados estavam desbalanceados. O foco será na Precisão, <em>Recall</em>, <em>F1-Score</em> e <em>AUC</em>.</p><p>Para verificar o desempenho do modelo foi criado um Relatório de Classificação e uma matriz de confusão.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/544/1*D70UeLAa9lRKcalNwzIPTw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/309/1*zVUV9UI7BcK_xxJdfaxibQ.png" /></figure><h3>Mais preciso numa avaliação final</h3><p>Como foi utilizado um balanceamento dos dados, a ordem das transações foi alterada aleatoriamente, esse mesmo processo foi repetido diversas vezes para identificar se o modelo apresentou um resultado positivo por pura sorte, ou se aplicado com diferentes ordens de dados, o resultado seria diferente.</p><p>Para isso foram criados 4 boxplots, cada um com a quantidade de vezes que o mesmo processo foi repetido. O objetivo é descobrir se houve alteração na distribuição de falsos negativos (Casos de fraude não detectados).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BAyTmFLOAEDoI10iDdbOsg.png" /></figure><p>Como pode ser observado, a média se manteve próxima de 2,52%, a mediana também não demonstrou alteração, ou seja, apesar da aleatoriedade da escolha dos dados para balancear o <em>dataset</em>, os resultados para falso negativo se mantiveram quase idênticos.</p><p>Como o objetivo é ser conservador, verificamos que o maior valor para falsos negativos foi de 10,53%, após o mesmo processo ter sido repetido 11110 vezes.</p><h3>Conclusão</h3><p>Por fim, utilizamos um modelo de <strong>Classificação</strong> através da Regressão Logística, foram evitadas exclusões de <em>features</em> e <em>outliers</em> devido o sigilo dos dados, que no final apresentou bons resultados. Foram eles:</p><ul><li>Precisão: 99%</li><li><em>Recall</em>: 92%</li><li><em>F1-Score</em>: 95%</li><li>Acurácia: 96%</li><li>AUC: 96%</li></ul><p>A precisão representa que entre todas as classificações de classe positivo que o modelo fez, 99% delas estavam corretas.</p><p>Do <em>Recall</em>, dentre todas as situações de classe positivo como valor esperado, 92% estão corretas e o <em>F1-Score</em> seria a média harmônica entre precisão e <em>recall</em>.</p><p>Todos essas formas de avaliação apresentaram bons resultados, sendo resumida pela acurácia de 96%, lembrando que como os dados foram balanceados, vamos focar nas outras medidas.</p><p>Por último a AUC (<em>Area Under the ROC Curve</em>) de 96%, que mede a qualidade das previsões do modelo.</p><p>Dessas medidas, considero a mais importe o <em>Recall</em>, pois ele é usado em situações em que os falsos negativos são considerados mais prejudiciais que os falsos positivos. Neste caso, um falso negativo representa o prejuízo das instituições financeiras.</p><p>Como o nosso modelo prevê um falso negativo máximo de aproximadamente 10,53%, considerando a hipótese, conforme o estudo deste caso, de que ocorram aproximadamente 492 casos em dois dias, <strong>seriam evitados aproximadamente 80.141 casos de fraude de cartão de crédito no período de um ano.</strong></p><h3>Considerações Finais</h3><p>Existem diversas formas de analisar esse <em>dataset</em>, assim como diversos modelos de <em>Machine learning</em> que podem ser apresentados.</p><p>O objetivo é demonstrar como o <strong>aprendizado de máquinas</strong> pode ser importante como ferramenta para a <strong>resolução de problemas</strong>.</p><p>Segue o link do Linkedin para demais interações ou dúvidas do assunto e, o Github para quem desejar visualizar os códigos utilizados na construção do modelo.</p><p>Linkedin: <a href="https://www.linkedin.com/in/bruno-brasil-8a34101b6/">https://www.linkedin.com/in/bruno-brasil-8a34101b6/</a></p><p>Github: <a href="https://github.com/brunobf09">https://github.com/brunobf09</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4cb235d74974" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Apesar da sua fome, evite gráficos com nome de comida!]]></title>
            <link>https://brunobf09.medium.com/apesar-da-sua-fome-evite-gr%C3%A1ficos-com-nome-de-comida-2f879e6a09ee?source=rss-233743d3f2b5------2</link>
            <guid isPermaLink="false">https://medium.com/p/2f879e6a09ee</guid>
            <category><![CDATA[storytelling]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[charts]]></category>
            <category><![CDATA[business-analysis]]></category>
            <category><![CDATA[pie-charts]]></category>
            <dc:creator><![CDATA[Bruno Brasil Faceira]]></dc:creator>
            <pubDate>Tue, 03 Nov 2020 14:19:35 GMT</pubDate>
            <atom:updated>2020-11-03T14:33:18.070Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/626/1*DhGhosjYG6UvllVlpM9Okg.jpeg" /><figcaption>Photo by freepik</figcaption></figure><p>Realmente é difícil, às vezes incontrolável, a vontade de utilizar gráficos com nome de comida quando estamos preparando um relatório antes do almoço. Não deixe seu subconsciente te dominar, utilizar algumas dessas visualizações tornarão sua comunicação totalmente pobre e desnecessária.</p><p>Este artigo tem o objetivo de apresentar algumas formas de visualização de dados que são extremamente comuns em grandes empresas, jornais, televisão e artigos científicos, e que de certa maneira, são visualizações ruins.</p><p>Entendendo o porquê dessas visualizações serem ruins, será apresentado formas de substituir esses gráficos por outros que sejam mais expressivos e com melhor poder de comunicação.</p><p>Sem mais delongas, vamos começar pelo pior gráfico que você poderia utilizar e que certamente você utiliza: gráfico de pizza!</p><h3>Gráfico de Pizza</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/625/1*OXVd29Ftq9dIjRZC7sJZKg.jpeg" /><figcaption>Photo by Freepik</figcaption></figure><p>Amo pizza, mas não utilizaria esse gráfico em um relatório. Resumindo, <strong>gráfico de pizza são ruins</strong>!</p><p>Para entender melhor, vamos ver um exemplo.</p><p>O gráfico abaixo representa a participação no mercado de quatro fornecedores. Faça uma análise rápida — qual é o maior fornecedor desse mercado?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/494/1*VEvorQK6XID_-cGjy8n1lw.png" /></figure><p>Rapidamente você conseguiu identificar o maior fornecedor? Se você precisasse avaliar a proporção que o Fornecedor B ocupa no mercado, que porcentagem você poderia estimar?</p><ul><li>35%?</li><li>40%?</li></ul><p>Veja que acontece quando achatamos e adicionamos os números às fatias.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/415/1*5NqASfEFE5vedSpRPREvag.png" /></figure><p>Muitas pessoas diriam que o Fornecedor B era o maior, e quando adicionamos os valores foi possível observar que o Fornecedor A era o maior. Mas por quê isso acontece?</p><p>Existem dois problemas que apresentam um desafio para a interpretação correta desses dados. O primeiro deles é a utilização do gráfico de pizza em 3D. Gráficos 3D não servem para nada e <strong>podem distorcer a percepção visual dos números,</strong> nesse caso, ele torna as partes superiores mais afastados e menores do que realmente são, enquanto as partes inferiores ficam mais próximas e maiores. Diante disso, nossa primeira regra: <strong>Não use gráficos 3D</strong>!</p><p>Quando tiramos o 3D o gráfico fica achatado, e aí vem o segundo problema e o porquê dos gráficos de pizza serem ruins. <strong>O olho humano não consegue atribuir valor quantitativo no espaço bidimensional</strong>, ou seja, é difícil ler gráficos de pizza. Quando os segmentos têm tamanhos parecidos é difícil (às vezes impossível) dizer qual é o maior. E quando identificamos qual é o maior, não é possível avaliar quanto.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/469/1*wLvdYeaBJ7Ozt1zrqE5qWQ.png" /></figure><p>Para solucionar o problema, poderia adicionar números dentro do gráfico ou inserir legendas, mas o visual não vale o espaço que ocupa e aumentaria a carga cognitiva desnecessariamente.</p><p>Se você for utilizar um gráfico de pizza, pare e pergunte-se: por quê? Se puder responder essa pergunta, possivelmente terá refletido suficientemente para utilizá-la, mas certamente esse não deve ser o primeiro tipo de gráfico a ser empregado, dadas as dificuldades citadas.</p><p>Se é difícil de ler, vale a pena?</p><h3>Gráfico de Rosca ou Donuts</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/626/1*qBBuAMeEFKfjXc3AUZ5PUg.jpeg" /><figcaption>Photo by Freepik</figcaption></figure><p>Apesar de serem macios e deliciosos (provavelmente você gostaria de um agora), não os utilize para visualização de dados!</p><p>Com a visualização em formato de pizza, pedimos ao público-alvo para comparar ângulos e áreas. Com um gráfico de donuts, ou rosca, estamos pedindo para comparar comprimento de arcos. Quão confiante você se sente para atribuir valores quantitativos a um comprimento de arco?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/469/1*KrzCub3YMA4A6Bss2EIUCQ.png" /></figure><p>Não muito? Pois bem. Não use gráficos de rosca!</p><h3>Solução para gráficos de pizza e rosca</h3><p>Ok! Gráficos de pizza e rosca são ruins. Então, qual é a solução?</p><p>Podemos simplesmente utilizar gráficos de barras horizontais!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/568/1*aZ0U8GDzzUsIBTEMYoM-EA.png" /></figure><p>Com gráficos de barras, nossos olhos comparam os <strong>pontos extremos</strong>. Como as barras são alinhadas em uma linha de base comum, é fácil avaliar o tamanho relativo. Isso facilita ver não apenas qual segmento é maior, mas também o quanto, incrementalmente, é maior que os outros segmentos.</p><p>Diferentemente do gráfico de pizza, o gráfico de barras permite ordenar a visualização de acordo com alguma ordem natural ou prioridade que queira ser apresentada.</p><h3>Gráficos de Espaguete</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zH38HItBERjjHCY1QPVGtw.jpeg" /><figcaption>Photo by Freepik</figcaption></figure><p>Certeza que você já está com água na boca ansioso pelo almoço, e nesse almoço cairia muito bem um espaguete, porém para a sua apresentação, evite esse gráfico. Gráfico de espaguete é uma visualização no qual as linhas se sobrepõem, tornando difícil focar uma série de dados por vez.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/566/1*5LKU2ku3jQrw4sjHI7lfAw.png" /></figure><p>Esse tipo de gráfico é tão confuso quanto jogar um punhado de talharim cru no chão. Perceba a dificuldade que é focar em uma única linha. Esse fato ocorre por elas estarem competindo por sua atenção.</p><p>Um forma simples de resolver o problema do espaguete, seria <strong>usar atributos pré-atentivos a fim de chamar a atenção</strong> para uma linha por vez. Veja o exemplo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/624/1*KDEGvtIUwurue7m8EWZmLQ.png" /></figure><p>Ou, poderíamos desembaraçar o gráfico separando as linhas espacialmente, como a seguir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/683/1*-YCA2CPjmOEy6qwREic32w.png" /></figure><p>Não existe uma única resposta certa, cada situação tem suas peculiaridades e melhores soluções, mas quando se deparar com um gráfico de espaguete, saiba que existem formas de visualizações mais eficientes.</p><h3>Gráfico de Waffle</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/626/1*kuIGVt8eEzTJb7qVRvExNA.jpeg" /><figcaption>Photo by Freepik</figcaption></figure><p>Para finalizar, vamos para a sobremesa!</p><p>Apesar de ser uma excelente sobremesa com sorvete, tome muito cuidado com esse tipo de visualização. Assim como nos gráficos 3D, o gráfico de waffle apresenta dificuldades de interpretação pelo os olhos humanos por ser um gráfico bidimensional.</p><p>Uma forma de utilizá-lo, seria em forma de área com números de magnitudes amplamente diferentes. Veja o exemplo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/413/1*h1gaFXEkKLeb2-eh6Zn_Ww.png" /></figure><p>Esse tipo de visualização, utilizado de forma correta, pode ser um diferencial na análise de desempenho e no controle de metas, funcionando muito bem como um fator psicológico motivador de uma forma mais descontraída e informal.</p><figure><img alt="Análise de Desempenho" src="https://cdn-images-1.medium.com/max/640/1*kLBebXfxJMw5MMzsPyjvKA.png" /></figure><h3>A conta, por favor!</h3><p>Após esse extenso cardápio, chegou a hora de fechar a conta e aplicar o conhecimento na sua empresa, em seu artigo científico ou no seu dia-dia.</p><p>Espero que, de uma maneira descontraída, esse artigo tenha demonstrado que o mais importante na visualização de dados é entender o contexto e escolher o gráfico que permita comunicar claramente sua mensagem.</p><p>Evite gráficos sem objetivo e escolha aquele que seja mais fácil para o seu público ler.</p><h3>Considerações finais</h3><p>Se você gostou do conteúdo, recomendo o livro “Storytelling com Dados: Um guia sobre visualização de dados para profissionais de negócios” por Cole Nussbaumer Knaflic.</p><p>Linkedin: <a href="https://www.linkedin.com/in/bruno-brasil-8a34101b6/">https://www.linkedin.com/in/bruno-brasil-8a34101b6/</a></p><p>Github: <a href="https://github.com/brunobf09">https://github.com/brunobf09</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2f879e6a09ee" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Segunda onda? Lockdown? O quê a análise de dados tem a dizer de Manaus]]></title>
            <link>https://brunobf09.medium.com/segunda-onda-lockdown-o-qu%C3%AA-a-an%C3%A1lise-de-dados-tem-a-dizer-de-manaus-8c43b942dd59?source=rss-233743d3f2b5------2</link>
            <guid isPermaLink="false">https://medium.com/p/8c43b942dd59</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[analysis]]></category>
            <category><![CDATA[manaus]]></category>
            <category><![CDATA[covid19]]></category>
            <category><![CDATA[saúde]]></category>
            <dc:creator><![CDATA[Bruno Brasil Faceira]]></dc:creator>
            <pubDate>Mon, 05 Oct 2020 16:28:05 GMT</pubDate>
            <atom:updated>2021-01-21T01:53:26.179Z</atom:updated>
            <content:encoded><![CDATA[<h3>Segunda onda? Lockdown? O que a análise de dados tem a dizer de Manaus-AM</h3><h4>Análise da Conjuntura do COVID-19 na cidade de Manaus</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/626/1*x0FZu-4M25nOcn51KOfn5Q.jpeg" /><figcaption>Photo by Freepik</figcaption></figure><p>A COVID-19 é uma doença infecciosa causadora de doenças respiratórias leves a moderadas, semelhantes a um resfriado comum. No entanto, por vezes pode causar quadros clínicos graves, como a síndrome respiratória aguda grave (SRAG).</p><p>Segundo a OMS, até 01 de Outubro de 2020, foram confirmados no mundo 33.842.281 casos confirmados de Covid-19 e 1.010.634 mortes. Até essa data, o Ministério da Saúde do Brasil confirmou no país, 4.847.092 casos e 114.680 óbitos acumulados, com letalidade de 3,0%.</p><p>No dia 29 de Setembro, a Fundação Oswaldo Cruz (Fiocruz) emitiu uma nota técnica afirmando que o aumento nos números da Covid-19 em Manaus apresenta “níveis atuais acima do esperado”, indicando que Manaus vive uma segunda onda da doença e sugeriu lockdown (bloqueio total de circulação de pessoas) para conter avanço.</p><p>Diante do fato, o presente artigo tem por objetivo, levantar dados do Governo do Amazonas e realizar uma análise exploratória da conjuntura do COVID-19 na cidade de Manaus.</p><p>De acordo com o <a href="http://www.fvs.am.gov.br/media/publicacao/01_10_20_BOLETIM_DI%C3%81RIO_DE_CASOS_COVID-19.pdf">boletim diário do estado do Amazonas</a>, do dia 01 de Outubro de 2020, Manaus apresentou 52.039 casos confirmados e 2.631 óbitos acumulados, com letalidade de 5,06%.</p><p>Em primeiro momento, será analisado se realmente houve um aumento no número de novos casos e óbitos. Para fazer essa análise, foram importados dados do Ministério da Saúde no site <a href="https://covid.saude.gov.br/">https://covid.saude.gov.br/</a>.</p><p>Os dados do governo são divididos por semanas epidemiológicas, iniciando no dia 27–03–20 representado pela semana 13 até o dia 26–09–20, representado pela semana 39. a semana 40 não foi incluída porque medidas de prevenção foram tomadas pelo governo e o objetivo desse artigo é apresentar a conjuntura da cidade antes dessas medidas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/715/1*Yui2uFhw5UxBjMMYzVXEBg.png" /></figure><p>De acordo com a análise dos dados, Manaus passou por duas semanas de aumento em relação aos novos casos, atingindo aproximadamente 12% de aumento em relação a semana 37. Analisar o número de novos casos não nos traz muita informação, pois está atrelada a quantidade de testes realizados e, é sabido que os teste rápidos são imprecisos, o que torna a análise do número de testes inviável para esse estudo.</p><p>Uma análise com maior valor é a de número de óbitos. Sendo assim, será analisado se o aumento do número de casos influenciou no número de óbitos e qual é a tendência do número de óbitos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/715/1*mYTPcY8xPl9wILSg8TYPIQ.png" /></figure><p>Quando comparado os dados de óbitos, é perceptível o aumento elevado na semana 36, o que faz refletir num possível erro de lançamento, tendo em vista que não houve variação brusca no gráfico de novos casos nessa mesma semana epidemiológica. Verificando os dados percebesse que foram lançados 127 óbitos no dia 2 de setembro, o que foge bastante da média móvel relativa ao período, conforme link. Não é possível precisar o valor correto, então para manter a análise, o valor de 127 será substituído pela média móvel do período, 14 óbitos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/715/1*H5HVqPy6BzIPXHzDeeI4Zg.png" /></figure><p>Comparado o mesmo período de aumento do número de novos casos, podemos verificar que também houve um aumento de 33 para 47 no número de óbitos.</p><p>Porém ao observar a semana 31 a 33, pode-se verificar também, durante o mesmo período de duas semanas, o aumento do número de óbitos e, logo em seguida, uma diminuição do número.</p><p>Diante da visualização dos dados, aparentemente o gráfico ainda estaria numa tendência de baixa podendo estacionar num platô ou modificar para uma tendência de alta, porém só seria possível confirma a tendência após a análise de mais semanas.</p><p>Vale ressaltar, que além do lançamento do dado de 127 óbitos num único dia, é possível que existam erros nos lançamentos de óbitos e novos casos no período epidemiológico, tornando esses dados não tão bem distribuídos, o que dificulta a sua correta interpretação.</p><h3>Impactos do Aumento do Número de Casos</h3><p>Tão importante quanto analisar o número de novos casos e óbitos, é analisar o número de hospitalizações e a taxa de ocupação de leitos e UTIs.</p><p>Para analisar esses dados, foram utilizados dados publicados no <a href="http://www.fvs.am.gov.br/transparenciacovid19_dadosepidemiologicos">boletim diário do Estado do Amazonas</a>. Para facilitar a visualização de dados e identificar padrões comparados aos gráficos já apresentados, será utilizado o mesmo período de tempo que os gráficos anteriores.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/708/1*-ifrHbWeX1A1IeDS4TpjCg.png" /></figure><p>É possível verificar que houve um aumento de 62 para 111 hospitalizações e que aparentemente se inicia um platô. O gráfico de hospitalizações, por si só, não consegue transmitir muitas informações, pois não é possível saber quanto tempo uma pessoa fica hospitalizada e qual impacto que ela causa no sistema de saúde.</p><p>Para tentar identificar o impacto das hospitalizações, será analisado a evolução do número de internações em leitos clínicos e UTIs no mês de setembro, levando em consideração a soma de leitos ocupados por pacientes confirmados com COVID-19 e os com suspeitas, tanto em leitos clínicos como em UTIs.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/660/1*kodDUI8eHqUo-SXDpylnMg.png" /></figure><p>De acordo com os dados, não só, existem mais casos de hospitalização, como também, houve o aumento no número de pessoas internadas. Ou seja, as pessoas não estão ficando internadas por curtos períodos de tempo e vagando os leitos, isso causa um aumento na taxa de ocupação, o que poderia acarretar no colapso do sistema de saúde.</p><p>A análise, agora, é entender o impacto do número de internados, e em qual sistema ele é mais crítico, no sistema público ou no sistema privado.</p><p>Para análise serão utilizados os mesmos boletins diários, porém, como já sabemos que houve um aumento do número de internados no mês de Setembro, será analisado o que havia no primeiro dia do mês e o que existe no dia 24 de Setembro, porque os dados após o dia 24 ficaram sujeitos a modificações devido ao decreto do Governo do Amazonas no dia 25, que impõem medidas para conter o aumento do número de novos casos confirmados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*kTdXVRJT6LO4vDDMqX_QUw.png" /></figure><p>Nesse primeiro gráfico verifica-se que houve aumento de internações com casos confirmados por COVID-19 em todos os cenários, com destaque ao aumento significativo dos leitos clínicos e UTIs do sistema privado.</p><p>A análise agora será o quanto esses aumentos impactaram na taxa de ocupação.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/621/1*OLObSW-tJK16e8BEV5kD-A.png" /></figure><p>Pode-se afirmar então, que houve um aumento significativo na taxa de ocupação dos leitos clínicos e um aumento menor nas UTIs do sistema privado, ambos próximos dos 70% de ocupação e, um aumento maior ainda nas UTIs do sistema público, passando dos 70%.</p><p>Fica claro que o aumento de internações aumentou a taxa de ocupação, porém existe mais um fator que influência diretamente na taxa de ocupação, que são a quantidade de leitos e UTIs totais.</p><p>De acordo com os gráficos houve aumento tanto nas UTIs quanto nos leitos, em ambos os sistemas. Consequentemente há um aumento na taxa de ocupação dos hospitais.</p><p>Porém existe uma variável que ainda falta ser analisada: A quantidade de leitos. Não só o aumento de casos influência no aumento da taxa, como a diminuição de leitos também.</p><p>Com os dados da porcentagem, podemos concluir os valores para leitos nos mesmos períodos e avaliar se houve modificação.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*sWUQcxWsbdQo0ndhGRij6g.png" /></figure><p>Ficou claro que a diminuição de leitos clínicos e UTIs são fatores determinantes para avaliar o impacto do COVID-19 na taxa de ocupação.</p><p>Verifica-se que no sistema público houve aumento das internações, porém a taxa de ocupação foi muito afetada pela diminuição de leitos clínicos e principalmente as UTIs.</p><p>Já no sistema privado, o aumento de leitos e UTIs não foram o suficiente para manter a taxa de ocupação, principalmente os leitos clínicos, que teve um aumento considerável.</p><h3>Conclusão</h3><p>Após todas as análises é possível afirmar que houve um aumento no número de casos, acompanhado pelo aumento do número de óbitos nas duas últimas semanas epidemiológicas. Porém os valores apresentados ainda não constituem uma tendência de alta ao olhar dados passados. Foi notado que é possível que algumas falhas de lançamento tenham ocorrido, afetando principalmente a distribuição dos dados em relação às semanas epidemiológicas. Este erro impede uma melhor análise e uma perfeita definição de uma tendência de alta ou de baixa.</p><p>Foi possível avaliar também, o aumento de hospitalizações e internações acumuladas, o que se torna preocupante principalmente no sistema privado, onde houve um aumento significativo para 72,22% em ocupação de leitos clínicos e no setor público, que apesar de um aumento não tão significativo como o do sistema privado, teve uma diminuição agressiva na quantidade de UTIs, chegando a 74,70% da taxa de ocupação.</p><p>Como medidas já foram tomadas pelo governo, é importante acompanhar se haverá uma diminuição das taxas de ocupação, bem como o número de óbitos</p><h3>Pesquisas Futuras e Considerações Finais</h3><p>Ao realizar essas análises percebe-se que a guerra contra o COVID-19 é uma tarefa árdua e naturalmente existe a dificuldade com o armazenamento de dados e divulgação.</p><p>Outras pesquisas poderiam ser realizadas com o intuito de trazer mais informações relevantes, são elas:</p><ul><li>O por quê da variação de leitos e UTIs e qual seria a real capacidades dos hospitais para aumentar leitos e UTIs;</li><li>Pesquisa relacionada a média de óbitos da cidade, quanto o COVID-19 influência nessa média e qual é a capacidade do Sistema Funerário; e</li><li>Qual era a taxa de ocupação dos hospitais antes do COVID-19 e qual Sistema de Saúde é mais eficiente na recuperação de novos casos.</li></ul><p>As pesquisas relacionadas à saúde e ao COVID-19 são diversas, espero que tenham gostado e que esse artigo motive mais estudos na área da saúde. Deixo o link do Linkedin para demais interações ou dúvidas do assunto e, o Github para quem desejar visualizar os códigos utilizados na construção dos gráficos (códigos em Python).</p><p>Linkedin: <a href="https://www.linkedin.com/in/bruno-brasil-8a34101b6/">https://www.linkedin.com/in/bruno-brasil-8a34101b6/</a></p><p>Github: <a href="https://github.com/brunobf09">https://github.com/brunobf09</a></p><h3>Referências</h3><p>Ministério da saúde — <a href="https://covid.saude.gov.br/">https://covid.saude.gov.br/</a></p><p>Governo do Amazonas — <a href="http://coronavirus.amazonas.am.gov.br/">http://coronavirus.amazonas.am.gov.br/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8c43b942dd59" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[The Big Idea: Storytelling com dados]]></title>
            <link>https://brunobf09.medium.com/the-big-idea-storytelling-com-dados-e5f7942c4517?source=rss-233743d3f2b5------2</link>
            <guid isPermaLink="false">https://medium.com/p/e5f7942c4517</guid>
            <category><![CDATA[storytelling]]></category>
            <category><![CDATA[business-intelligence]]></category>
            <category><![CDATA[business-analysis]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[graphs-are-fun]]></category>
            <dc:creator><![CDATA[Bruno Brasil Faceira]]></dc:creator>
            <pubDate>Thu, 24 Sep 2020 16:57:41 GMT</pubDate>
            <atom:updated>2020-09-25T13:50:13.805Z</atom:updated>
            <content:encoded><![CDATA[<h4>Conceitos para ser mais objetivo e eficiente na construção de Gráficos</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/626/1*pJQzb1kxn1s1HjZqMZ6gGg.jpeg" /><figcaption>Photo by Freepik</figcaption></figure><p>Sabe-se que a visualização de dados é muito requisitada em apresentações do mundo empresarial e acadêmico. Nesse contexto, é necessário entender mais sobre o assunto, de forma que as apresentações sejam bem elaboradas e que a comunicação seja realmente recebida pelo público-alvo.</p><p>No artigo anterior, foi dito a respeito de <a href="https://medium.com/@brunobf09/3-perguntas-iniciais-a-serem-feitas-antes-de-iniciar-a-constru%C3%A7%C3%A3o-de-gr%C3%A1ficos-c3f962c019eb">3 perguntas a serem feitas antes de iniciar a construção de gráficos</a>, se você não leu ainda, recomendo fortemente a leitura.</p><p>Dentro do contexto da comunicação de dados, dois conceitos são essenciais para reduzir a comunicação global a uma única mensagem mais importante. São eles: A história em 3 minutos e a Grande ideia.</p><h3>A história em 3 minutos</h3><p>O conceito de uma história em 3 minutos é declarar de forma concisa, em uma última análise, o que deseja passar ao seu público. Ou seja, se você tivesse apenas três minutos para dizer ao seu público o que ele precisa saber, o que diria?</p><p>Em contrapartida, é necessário o total entendimento do material que será apresentado, entender suas partes mais importantes, e também aquilo que não é essencial. Muitas vezes esse trabalho é mais desafiador do que parece. Como diria o pensador Mark Twain: “Eu teria escrito uma carta mais curta, mas não tive tempo”.</p><h3>A grande ideia</h3><p>O termo “<em>The big idea</em>” , traduzido como: A grande ideia, é um conceito criado por Nancy Duarte em seu livro, Ressonância (Alta books,2012). Este conceito traz a ideia de reduzir o objetivo de uma apresentação em uma única frase.</p><p>Para articular essa frase, deve ser utilizado 3 componentes:</p><ul><li>Articular seu ponto de vista único;</li><li>Transmitir o que está em jogo; e</li><li>Ser uma frase completa.</li></ul><h3>Conceitos na prática</h3><p>A partir da fonte a seguir vamos criar uma situação hipotética.</p><blockquote>“Com relação às 274 línguas faladas, o censo demonstrou que cerca de <strong>17,5%</strong> da população indígena <strong>não fala a língua portuguesa</strong>.”</blockquote><blockquote>Fonte: FUNAI</blockquote><p>Sabendo desse dado, a FUNAI decide fazer uma campanha de patriotismo dos povos indígenas chamada: “Meu Brasil Brasileiro”.</p><p>Após o término, viu-se a necessidade de adquirir mais fundos para continuar no ano seguinte.</p><p><strong>História de 3 minutos:</strong> Dado que no Brasil cerca de 817.963 mil são indígenas, representando 305 diferentes etnias, percebeu-se que 17,5% não fala a língua portuguesa, apesar de estarem dentro do território nacional. Esse número motivou a criação de uma campanha de conscientização do patriotismo nas diversas aldeias da região norte do país, chamada: “Meu Brasil brasileiro”. No início da campanha foi questionando se os indígenas se sentiam brasileiros, retornando 44% como resposta positiva. Após o término, notou-se que houve um aumento para 70% do total de indígenas com a percepção positiva de serem brasileiros. Esse dado demonstra o sucesso da campanha e a necessidade de não apenas continuar, mas também expandir o alcance além da região norte.</p><p><strong>Grande ideia:</strong> A campanha foi um sucesso na percepção positiva dos indígenas ao se sentirem brasileiros e, graças a esse sucesso, solicitamos a aprovação do orçamento para sua continuação e expansão.</p><p>Com a história articulada de maneira clara e concisa, criar o conteúdo gráfico se tornará mais fácil.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/568/1*pWBX-zFx4QHBXELVJU6APQ.png" /></figure><h3>Conclusão</h3><p>Entender o contexto do projeto e conseguir reduzir a mensagem principal é o diferencial para tornar mais objetiva a comunicação com dados.</p><p>A história em 3 minutos e a grande ideia serão ferramentas que irão ajudar na construção de gráficos de forma concisa e eficaz.</p><p>Se você gostou do conteúdo, recomendo o livro <a href="http://www.storytellingwithdata.com/">“Storytelling com Dados: Um guia sobre visualização de dados para profissionais de negócios” por Cole Nussbaumer Knaflic</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e5f7942c4517" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[3 perguntas iniciais a serem feitas antes de iniciar a construção de gráficos]]></title>
            <link>https://brunobf09.medium.com/3-perguntas-iniciais-a-serem-feitas-antes-de-iniciar-a-constru%C3%A7%C3%A3o-de-gr%C3%A1ficos-c3f962c019eb?source=rss-233743d3f2b5------2</link>
            <guid isPermaLink="false">https://medium.com/p/c3f962c019eb</guid>
            <category><![CDATA[storytelling]]></category>
            <category><![CDATA[insights]]></category>
            <category><![CDATA[business-analysis]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Bruno Brasil Faceira]]></dc:creator>
            <pubDate>Thu, 03 Sep 2020 20:45:37 GMT</pubDate>
            <atom:updated>2020-09-03T22:40:11.590Z</atom:updated>
            <content:encoded><![CDATA[<h3>3 perguntas a serem feitas antes de iniciar a construção de gráficos</h3><h4>Quais são as primeiras reflexões antes de iniciar uma apresentação ou comunicação de dados?</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Wqf7uBTB3lr5WqShOV1jPQ.jpeg" /><figcaption>Photo by Pexels.</figcaption></figure><p>Pode parece totalmente contraditório o que será dito, porém uma boa construção de gráficos não começa pela visualização de dados. Antes de iniciar qualquer projeto devemos primeiramente entender os porquês dele, ou seja, nosso primeiro passo é entender o seu <strong>contexto</strong>.</p><p>Esse artigo tem como objetivo apresentar 3 perguntas chaves para entender o contexto do projeto que será apresentado de forma visual. Após entender essas 3 primeiras perguntas você será capaz produzir conteúdos visuais de forma simples e eficaz.</p><h3>Quem?</h3><p>Antes de desenvolver nossa primeira pergunta, é preciso entender que quando se trata de análise de dados, é importante distinguir a diferença de análise exploratória da análise explanatória. Um erro compreensível e comum é apresentar uma análise exploratória ao invés da explanatória. Mas como evitar esse tipo de erro?</p><p>Basicamente a análise exploratória tem como objetivo compreender os dados e descobrir o que pode ser digno de uso, já a explanatória, dedica tempo em mostrar ao seu publico o que é relevante e o que pode ser consumido por ele.</p><p>Quando falamos em <strong>contexto</strong> e <strong>análise explanatória </strong>a primeira pergunta que deve ser feita é: <strong>Quem é o meu público-alvo?</strong></p><p>Evite públicos genéricos, pois quanto mais específico você for, mais bem posicionado você estará para ser entendido e estabelecer uma boa comunicação que satisfaça as necessidades do seu público.</p><h3>O quê?</h3><p>Agora que você entende com <strong>quem</strong> você está se comunicando e qual é o entendimento daquela pessoa sobre o assunto, você faz a segunda pergunta: <strong>O quê o meu público-alvo precisa?</strong></p><p>Essa pergunta geralmente é a mais desafiadora, porque muitas pessoas partem da premissa de que o receptor da mensagem sabe mais do conteúdo do que o apresentador. Essa suposição é falsa, o produtor do conteúdo, aquele que estuda os dados e os apresenta, é o especialista no assunto. Sendo assim, essa pergunta é o momento de refletir como os dados podem se tornar uma forma de comunicação clara e relevante para o seu público, de forma que este entenda e se importe com que está sendo dito através da visualização de dados. Se não conseguir articular isso de forma concisa, recomenda-se verificar se precisa mesmo fazer a comunicação.</p><p>Voltando a diferença de análises, muitas vezes o que o seu público quer, não é o quanto você trabalhou ou o quanto os seus dados são robustos (análise exploratória), e sim, como a sua análise pode resolver problemas que aquele público deseja resolver. Foque na <strong>comunicação </strong>e na <strong>solução de problemas </strong>(análise explanatória), evite gráficos e planilhas que apenas contenham dados e que não trazem informações consumíveis.</p><h3>Como?</h3><p>Por fim, após todas as reflexões realizadas nas perguntas anteriores podemos ir para a última pergunta: <strong>Como a visualização de dados ajudará na apresentação das minhas ideias?</strong></p><p>Somente após articular claramente quem é o nosso público, entender quais são as suas necessidades e o que queremos que eles entendam ou façam, poderemos considerar quais dados estão disponível e quais ferramentas poderão ser utilizadas, a fim de atingir a comunicação desejada e o objetivo do projeto criado.</p><h3>Conclusão</h3><p>Saber qual é o contexto e os resultados desejados de um determinado projeto antes de começar a preparação da comunicação visual é essencial. As 3 perguntas inicias articuladas de forma concisa permite que ganhemos tempo na produção do conteúdo e garante que a comunicação construída atinja a finalidade pretendida.</p><p>Se você gostou do conteúdo, recomendo o livro <a href="http://www.storytellingwithdata.com/">“Storytelling com Dados: Um guia sobre visualização de dados para profissionais de negócios” por Cole Nussbaumer Knaflic</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c3f962c019eb" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>