<?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 Juliaguardiani on Medium]]></title>
        <description><![CDATA[Stories by Juliaguardiani on Medium]]></description>
        <link>https://medium.com/@juliaguardiani?source=rss-472b1d94c15c------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*k7BxXUvKDsgMXG1aDbXD6Q.jpeg</url>
            <title>Stories by Juliaguardiani on Medium</title>
            <link>https://medium.com/@juliaguardiani?source=rss-472b1d94c15c------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 05:03:31 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@juliaguardiani/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[Modelo semi-supervisionado para análise da Transparência da Moda no Brasil]]></title>
            <link>https://medium.com/@juliaguardiani/modelo-semi-supervisionado-para-an%C3%A1lise-da-transpar%C3%AAncia-da-moda-no-brasil-com-mlops-3f017c9cf6d4?source=rss-472b1d94c15c------2</link>
            <guid isPermaLink="false">https://medium.com/p/3f017c9cf6d4</guid>
            <dc:creator><![CDATA[Juliaguardiani]]></dc:creator>
            <pubDate>Fri, 03 Jun 2022 19:22:35 GMT</pubDate>
            <atom:updated>2022-06-04T19:57:29.912Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>&quot;Transparência é respeito ao consumidor, pois ele deve ter acesso às informações sobre aquilo que compra&quot;</strong> <em>(Cida Trajano, Presidenta da Confederação Nacional dos Trabalhadores do Ramo Vestuário)</em>.</p><p>Partindo desta premissa e levando em consideração os dados fornecidos pelo Índice de Transparência da Moda Brasil 2021 (TMB), a ideia deste breve artigo é formular três grupos com 50 grandes marcas varejistas do mercado brasileiro, de acordo com o seu desempenho nas notas da pesquisa.</p><p>É importante destacar que os Grupo 01, 02 e 03 <strong>não</strong> são separados “do melhor ao pior”, mas sim por suas características em comum e como se comportam diante dos resultados da TMB, que avalia a política e os compromissos das empresas.</p><p>Para o desenvolvimento deste estudo foram utilizadas algumas tecnologias, como Marchin Learn, K-means, Decision Tree, Pipeline e Weights &amp; Biases, FastAPI e Heroku.</p><h3>Sobre os dados</h3><p>Do<a href="https://docs.google.com/spreadsheets/d/1gArz3sITUN0QrZPBv1969XDmddaWedUw/edit?rtpof=true&amp;sd=true"><em> DataSet</em></a><em> </em>importado, foram utilizados apenas os dados relacionados à Política e Compromissos, que estão divididos em três tabelas:</p><p><strong>Tabela 1.1</strong>: Informações que a empresa publica sobre suas políticas referentes a padrões de direitos humanos e meio ambiente (relacionados às operações da própria empresa em suas instalações administrativas, lojas, depósitos e instalações de produção próprias).</p><p><strong>Tabela 1.2</strong>: Informações que a empresa publica sobre suas políticas de fornecedores referentes a padrões mínimos de direitos humanos e meio ambiente na cadeia de fornecimento (ex.: Código de conduta, Termos de compromisso, Guias de fornecedores).</p><p><strong>Tabela 1.3</strong>: Informações que a empresa publica sobre seus procedimentos de gestão de direitos humanos e meio ambiente (ex.: como a empresa está pondo em prática suas políticas tratadas nas seções 1.1 e 1.2. São considerados relatórios publicados após jan/2018.</p><p>Para realizar o estudo, esses dados foram tratados (as vírgulas foram substituídas por pontos) e juntados em uma<strong> única tabela geral</strong>.</p><h3>A lógica por trás …</h3><p>A receita de bolo para realizar a lógica do estudo foi a seguinte:</p><ol><li>Inicialmente ocorre a coleta do dado bruto e importação para o<a href="https://wandb.ai/site"> WandB</a>;</li><li>Geração do dado limpo;</li><li>Geração dos clusters utilizando K-means;</li><li>Divisão da base em treinamento e teste;</li><li>A partir do dado de treinamento, realizado o treinamento (várias execuções);</li><li>Geração dos dois artefatos de inferência, target e model;</li><li>Realização do teste;</li><li>Geração da API usando FastAPI;</li><li>Enviar a API para o Heroku.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0TkPaLSfqoz6jkq0OYFekQ.png" /><figcaption>Pipeline completo.</figcaption></figure><p>Dividindo o Graph view em duas partes para facilitar a visualização:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*d8NvXwb8tu4_GgjaJM8N6w.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*L0gE40cLqXreg8LSJPxVhg.png" /></figure><h3><strong>Utilizando k-means</strong></h3><p>Com a ajuda da biblioteca de aprendizado de maquina,<em> scikit-learn</em>, foi utilizado o agrupamento em <a href="https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html"><em>k-means</em> </a>, onde gera o método de segregar em torno de centros diversos dados, necessário para gerar os três grupos aleatórios por <strong>proximidade </strong>(é nesse ponto que a tabela geral é dividida em três tipos de perfis de lojas).</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fcarbon.now.sh%2Fembed%3Fbg%3Drgba%2528255%252C255%252C255%252C1%2529%26t%3Dvscode%26wt%3Dnone%26l%3Dpython%26width%3D801%26ds%3Dtrue%26dsyoff%3D20px%26dsblur%3D68px%26wc%3Dtrue%26wa%3Dfalse%26pv%3D56px%26ph%3D56px%26ln%3Dtrue%26fl%3D1%26fm%3DHack%26fs%3D14px%26lh%3D133%2525%26si%3Dfalse%26es%3D2x%26wm%3Dfalse%26code%3Dfrom%252520sklearn.cluster%252520import%252520KMeans%25250A%25250AX%252520%25253D%252520df_total%25250AX_total%252520%25253D%252520X.copy%2528%2529%25250AX_total.drop%2528%25255B%252522marca_id%252522%25252C%252520%252522marca%252522%25255D%25252C%252520axis%25253D1%25252C%252520inplace%25253DTrue%2529%252520%252523eliminando%252520a%252520classe%252520categ%2525C3%2525B3rica%252520e%252520o%252520seu%252520ID%252520%2528utilizada%252520apenas%252520como%252520guia%2529%25250A%25250Akmeans%252520%25253D%252520KMeans%2528n_clusters%25253D3%25252C%252520random_state%25253D0%2529.fit%2528X_total%2529&amp;display_name=Carbon&amp;url=https%3A%2F%2Fcarbon.now.sh%2F%3Fbg%3Drgba%252528255%25252C255%25252C255%25252C1%252529%26t%3Dvscode%26wt%3Dnone%26l%3Dpython%26width%3D801%26ds%3Dtrue%26dsyoff%3D20px%26dsblur%3D68px%26wc%3Dtrue%26wa%3Dfalse%26pv%3D56px%26ph%3D56px%26ln%3Dtrue%26fl%3D1%26fm%3DHack%26fs%3D14px%26lh%3D133%252525%26si%3Dfalse%26es%3D2x%26wm%3Dfalse%26code%3Dfrom%25252520sklearn.cluster%25252520import%25252520KMeans%2525250A%2525250AX%25252520%2525253D%25252520df_total%2525250AX_total%25252520%2525253D%25252520X.copy%252528%252529%2525250AX_total.drop%252528%2525255B%25252522marca_id%25252522%2525252C%25252520%25252522marca%25252522%2525255D%2525252C%25252520axis%2525253D1%2525252C%25252520inplace%2525253DTrue%252529%25252520%25252523eliminando%25252520a%25252520classe%25252520categ%252525C3%252525B3rica%25252520e%25252520o%25252520seu%25252520ID%25252520%252528utilizada%25252520apenas%25252520como%25252520guia%252529%2525250A%2525250Akmeans%25252520%2525253D%25252520KMeans%252528n_clusters%2525253D3%2525252C%25252520random_state%2525253D0%252529.fit%252528X_total%252529&amp;image=https%3A%2F%2Fcarbon.now.sh%2Fstatic%2Fbrand%2Fbanner.png&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;scroll=auto&amp;schema=carbon" width="1024" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/d0ddfdfefbaa0368d8f92b727680af0e/href">https://medium.com/media/d0ddfdfefbaa0368d8f92b727680af0e/href</a></iframe><p>Os clusters gerados <strong>(0,1,2)</strong> se transformaram em uma nova coluna, <strong>label</strong>, caracterizando cada marca com um tipo de cluster.</p><h3>Divisão dos dados</h3><p>Nesse passo o DataSete foi dividido em instâncias de treinamento e de teste, com mais uma função do <em>scikit-learn</em>, a<a href="https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html"> <em>train_test_split</em></a><em>.</em> A divisão ficou assim: 80% de todas as linhas do DataSete ficaram reservadas para <em>train</em> e as outras 20% para <em>teste</em>.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fcarbon.now.sh%2Fembed%3Fbg%3Drgba%2528255%252C255%252C255%252C1%2529%26t%3Dvscode%26wt%3Dnone%26l%3Dpython%26width%3D801%26ds%3Dtrue%26dsyoff%3D20px%26dsblur%3D68px%26wc%3Dtrue%26wa%3Dfalse%26pv%3D56px%26ph%3D56px%26ln%3Dtrue%26fl%3D1%26fm%3DHack%26fs%3D14px%26lh%3D133%2525%26si%3Dfalse%26es%3D2x%26wm%3Dfalse%26code%3Dfrom%252520sklearn.model_selection%252520import%252520train_test_split%25250A%25250Asplits%25255B%252522train%252522%25255D%25252C%252520splits%25255B%252522test%252522%25255D%252520%25253D%252520train_test_split%2528df%25252C%25250A%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520test_size%25253D0.20%25252C%25250A%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520random_state%25253D41%25252C%25250A%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520%252520stratify%25253Ddf%25255B%252522label%252522%25255D%2529&amp;display_name=Carbon&amp;url=https%3A%2F%2Fcarbon.now.sh%2F%3Fbg%3Drgba%252528255%25252C255%25252C255%25252C1%252529%26t%3Dvscode%26wt%3Dnone%26l%3Dpython%26width%3D801%26ds%3Dtrue%26dsyoff%3D20px%26dsblur%3D68px%26wc%3Dtrue%26wa%3Dfalse%26pv%3D56px%26ph%3D56px%26ln%3Dtrue%26fl%3D1%26fm%3DHack%26fs%3D14px%26lh%3D133%252525%26si%3Dfalse%26es%3D2x%26wm%3Dfalse%26code%3Dfrom%25252520sklearn.model_selection%25252520import%25252520train_test_split%2525250A%2525250Asplits%2525255B%25252522train%25252522%2525255D%2525252C%25252520splits%2525255B%25252522test%25252522%2525255D%25252520%2525253D%25252520train_test_split%252528df%2525252C%2525250A%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520test_size%2525253D0.20%2525252C%2525250A%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520random_state%2525253D41%2525252C%2525250A%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520%25252520stratify%2525253Ddf%2525255B%25252522label%25252522%2525255D%252529&amp;image=https%3A%2F%2Fcarbon.now.sh%2Fstatic%2Fbrand%2Fbanner.png&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;scroll=auto&amp;schema=carbon" width="1024" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/cf34111bf57ea8a6c6a014ccb3582e7f/href">https://medium.com/media/cf34111bf57ea8a6c6a014ccb3582e7f/href</a></iframe><h4>Treinamento e Teste</h4><p>Na etapa de treinamento, os dados foram avaliados no conjunto de validação. Nessa etapa, o conjunto de treinamento sofre alguns processamentos em em um pipeline baseado nas configurações padrões da <a href="https://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html?highlight=decision%20_tree"><strong>Arvore de Decisão</strong></a><strong> </strong>e no <a href="https://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.SelectKBest.html"><strong>KBest</strong></a>, gerando assim o artefato para ser comparado com predições de dados de validações. É nessa etapa que as métricas de desempenho são avaliadas, produzindo ou não as métricas de inferência.</p><p>Na tentativa de otimizar ou maximizar os resultados, é possível modificar os <strong>hiperparâmetros</strong>. Nesse estudo em particular, o valor da <strong>acurácia </strong>obtido já foi excelente, mas mesmo assim <a href="https://github.com/juliaguardiani/test_ITM_BRASIL/blob/main/train.ipynb">foi demostrado</a> (<em>Hyperparameter tuning</em>) como seria possível realizar essa otimização.</p><p>Nessa etapa a utilização do <em>sweeps </em>fornecido pela plataforma Wandb foi essencial, gerando alguns gráficos interessantes, facilitando a visualização da obtenção da melhor acurácia.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/979/1*rDBbP9Vz1YvQkmz0i55u7g.png" /><figcaption>É possível notar em qual hiperparâmetro<strong> </strong>obteve a melhor resposta.</figcaption></figure><p>Com dos dados já processados, esse é o ultimo passo para o artefato ser colocado em produção, ou para a criação de uma API que consuma esses dados.</p><h3>API</h3><p>Deixando um pouco de lado o Google colaboratory e o WandB, agora só será necessário utilizar os artefatos que já foram criados no treinamento junto com o framework fastAPI.</p><p>A API é simples, sua funcionalidade é mais para demonstrar a lógica por trás do estudo. São duas funções implementadas:<em> .get</em> e<em> .post</em></p><p>Nas configurações da função <em>.post</em> é utilizado o <em>predict</em>, onde gera um retorno em relação a qual grupo (grupo 1, 2 ou 3) pertence o exemplo cadastrado à nova marca.</p><p>No teste realizado na figura abaixo com valores aleatórios (respeitando o máximo de pontos por coluna) a marca em exemplo ficou agrupada no grupo 03.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YLfJV4_nC5eA9robG6dAYw.png" /></figure><h3>Conclusão</h3><p>Com a resposta gerada pelo <em>K-means</em> foi possível notar o bom agrupamento inicial. A acurácia com valor alto prova que se as <em>labels</em> fossem uma resposta que viesse junto com a base original, era possível prever quase 100% de acuaria de novos dados. Com isso, a escolha inicial para a quantidade de classes (três) foi excelente.</p><ul><li><a href="https://github.com/juliaguardiani/test_ITM_BRASIL">GitHub - juliaguardiani/test_ITM_BRASIL</a></li><li><a href="https://itmbrasil-app.herokuapp.com/docs">FastAPI - Swagger UI</a></li><li><a href="https://wandb.ai/juliaguardiani/decision_tree">juliaguardiani</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3f017c9cf6d4" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Usando a API do Twitter junto ao Gephi para gerar redes de três empresas: C&A, Renner e Riachuelo]]></title>
            <link>https://medium.com/@juliaguardiani/usando-a-api-do-twitter-junto-ao-gephi-para-gerar-redes-de-tr%C3%AAs-empresas-c-a-renner-e-riachuelo-f32683042620?source=rss-472b1d94c15c------2</link>
            <guid isPermaLink="false">https://medium.com/p/f32683042620</guid>
            <category><![CDATA[lojas-renner]]></category>
            <category><![CDATA[cea]]></category>
            <category><![CDATA[twitter]]></category>
            <category><![CDATA[riachuelo]]></category>
            <category><![CDATA[gephi]]></category>
            <dc:creator><![CDATA[Juliaguardiani]]></dc:creator>
            <pubDate>Wed, 15 Sep 2021 14:52:11 GMT</pubDate>
            <atom:updated>2021-09-15T14:52:11.288Z</atom:updated>
            <content:encoded><![CDATA[<p>Como o <em>Twitter</em> é uma rede social com múltiplas funcionalidades, a proposta deste trabalho é utilizar duas das principais: o<em> retweet</em> e as menções por<em> tweet</em>. Assim, darei sequência às <a href="https://medium.com/@juliaguardiani/modelo-gephi-em-produ%C3%A7%C3%A3o-para-as-empresas-c-a-renner-e-riachuelo-3020dda1b0bd">comparações iniciadas em trabalho anterior</a> entre as empresas <strong>C&amp;A, Renner e Riachuelo</strong>.</p><h3>Rede de retweet</h3><p>Utilizando o <strong>pacote</strong><a href="https://twython.readthedocs.io/en/latest/"><strong><em> Twython</em></strong></a>, é possível criar uma rede dirigida com 5.000 <em>tweets</em> de maneira <em>mixed</em> (uma mistura de <em>tweets </em>recentes e mais populares), criando uma<strong> interação de fluxo</strong> <strong>do criador para quem realizou o <em>retweet</em>.</strong></p><h4>C&amp;A</h4><p>Para a empresa C&amp;A, houve um fator complicador, pois a pesquisa pelo nome “c&amp;a”, utilizando o “&amp;”, <strong>não gera os resultados esperados </strong>por limitação da plataforma. Com o intuito de solucionar esse problema, a saída mais eficiente foi trocar o “&amp;” pelo “e”, deixando os filtros nos seguintes formatos: <strong>“cea brasil”, “na cea” e “da cea”.</strong></p><p>Assim, os resultados obtidos com os cinco usuários mais ativos são:</p><ol><li>@<a href="https://twitter.com/descontinhocea">descontinhocea</a>, com 93 <em>retweets;</em></li><li>@<a href="https://twitter.com/descontocea">descontocea</a>, com 51 <em>retweets;</em></li><li>@<a href="https://twitter.com/lifetimefreire">lifetimefreire</a>, com 15 <em>retweets;</em></li><li>@<a href="https://twitter.com/Com_CHUO">Com_CHUO</a>, com também15 <em>retweets;</em></li><li>@<a href="https://twitter.com/MariaVaressorca">MariaVaressorca</a>, com 14 <em>retweets;</em></li></ol><p>Deixando o grafo com os cinco usuários mencionados fazendo parte dos nós mais importantes.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Ic3U3gfoerEdh6jFw3-NBg.png" /><figcaption>Grafo 01: Interação dos usuários do Twitter com reação a marca C&amp;A.</figcaption></figure><h4>Renner</h4><p>Buscando encontrar usuários que realmente estavam se referindo às lojas Renner, uma vez que o termo “renner” tem outros vínculos, os atributos selecionados para a filtragem da pesquisa foram: <strong>“lojas renner”, “na renner” e “da renner”.</strong></p><p>Os resultado das cinco contas com mais contribuições para a rede de <em>retweets </em>com esses atributos são:</p><ol><li>@<a href="https://twitter.com/pavliique">pavliique</a>, com 114 <em>retweets;</em></li><li>@<a href="http://wxvivi/">wxvivi</a>, com 77 <em>retweets;</em></li><li>@<a href="https://twitter.com/legendarylovers">legendarylovers</a>, com 72 <em>retweets;</em></li><li>@<a href="https://twitter.com/RandonadmM">RandonadmM</a>, com 70 <em>retweets;</em></li><li>@<a href="https://twitter.com/aresnoert">aresnoert</a>, com 54 <em>retweets;</em></li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bmJJokMLRBspkXCFwXk9Zg.png" /><figcaption>Grafo 02: Grafo relacionado aos retweets a Renner.</figcaption></figure><h4>Riachuelo</h4><p>Ressaltando que a palavra “riachuelo” também remete a outras temáticas relevantes, como time de futebol, guerra regional e política, optei por delimitar os filtros a partir dos seguintes termos, buscando, claro, os resultados que nos interessam, relacionados às Lojas Riachuelo:<strong> “lojas riachuelo”, “na riachuelo”, “da riachuelo” e “riachu”</strong>.</p><p>Com o resultado obtido foi possível identificar os<strong> cinco usuários</strong> que mais contribuíram para a <strong>rede de <em>retweets</em></strong><em>:</em></p><ol><li>@<a href="https://twitter.com/pavliique">pavliique</a>, com 114 <em>retweets;</em></li><li>@<a href="https://twitter.com/Beccky23">Beccky23</a>, com 97 <em>retweets;</em></li><li>@<a href="https://twitter.com/jungquerotti">jungquerotti</a>, com 69 <em>retweets;</em></li><li>@<a href="https://twitter.com/GlaucoS41843642">GlaucoS41843642</a>, com 45<strong> </strong><em>retweets;</em></li><li>@<a href="https://twitter.com/riachuelo">riachuelo</a>, com 34<strong> </strong><em>retweets;</em></li></ol><p>No grafo abaixo é possível notar como esses usuários interagem com outros @ através dos termos filtrados.</p><figure><img alt="Figura 01: Grafo relacionado aos retweets a Riachuelo." src="https://cdn-images-1.medium.com/max/1024/1*IRsllyVP-O0-c71hdKFH0g.png" /><figcaption>Grafo 03: Grafo relacionado aos retweets a Riachuelo.</figcaption></figure><h3>Rede de menções</h3><p>Com um<strong> fluxo de quem criou o<em> tweets</em> para quem mencionou</strong>, essa rede neural de menções aborda os registros nos quais o usuário menciona. É repetidos os mesmos filtros utilizados para gerar as redes de <em>retweet, </em>com os 500<em> tweets</em> também e de maneira <em>mixed</em>.</p><p><strong>C&amp;A</strong></p><p>Os cinco primeiros usuários com mais menções dentro do conjunto coletado para a C&amp;A são:</p><ol><li>@<a href="https://twitter.com/cea_brasil">cea_brasil</a>, com 493 menções;</li><li>@<a href="https://twitter.com/descontinhocea">descontinhocea</a>, com 93 menções;</li><li>@<a href="https://twitter.com/descontocea">descontocea</a>, com 51 menções;</li><li>@<a href="https://twitter.com/juliette">juliette</a>,com 44 menções;</li><li>@<a href="https://twitter.com/bohemiaoficial">bohemiaoficial</a>, com 34 menções.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UCzBraoaCTcLw9OtzPnwvA.png" /><figcaption>Grafo 04: Rede neural de menções C&amp;A.</figcaption></figure><p><strong>Renner</strong></p><p>Os cinco primeiros usuários com mais menções dentro do conjunto coletado são:</p><ol><li>@<a href="https://twitter.com/Lojas_Renner">Lojas_Renner</a>, com 683 menções;</li><li>@<a href="https://twitter.com/pavliique">pavliique</a>, com 114 menções;</li><li>@<a href="https://twitter.com/wxviv">wxviv</a>, com 78 menções;</li><li>@<a href="https://twitter.com/legendarylovers">legendarylovers</a>, com 72 menções;</li><li>@<a href="https://twitter.com/RandonadmM">RandonadmM</a>, com 71 menções.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GSbOQCg5ySHVo8f-Rh8Q9A.png" /><figcaption>Grafo 05: Rede neural de menções Renner.</figcaption></figure><p><strong>Riachuelo</strong></p><p>Os cinco primeiros usuários com mais menções dentro do conjunto coletado são:</p><ol><li>@<a href="https://twitter.com/riachuelo">riachuelo</a>, com 411 menções;</li><li>@<a href="https://twitter.com/Beccky23">Beccky23</a>, com 137 menções;</li><li>@<a href="https://twitter.com/pavliique">pavliique</a>, com 114 menções;</li><li>@<a href="https://twitter.com/jungquerotti">jungquerotti</a>, com 71 menções;</li><li>@<a href="https://twitter.com/GlaucoS41843642">GlaucoS41843642</a>, com 45menções.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GBKnvk_4_HmFs1534Peyzg.png" /><figcaption>Grafo 06: Rede neural de menções Riachuelo.</figcaption></figure><h3>Comparando os valores</h3><p>Como observado, para nenhuma das empresas os dados gerados resultaram em valores enormes. As causas podem ser muitas, passando muito pelo desinteresse dos usuários. No entanto, é importante destacar que, a <em>API </em>do<em> Twitter </em>não sofreu <strong>nenhum bloqueio</strong>.</p><p>Com tudo isso em mente, observamos que o maior número coletado foi referente à Renner, com 6355 resultados na rede de <em>retweet</em>.</p><p>Para todos os nós formados por usuários, só um não apresentou coerência com a empresa em questão, o nó referente ao usuário @<a href="https://twitter.com/Com_CHUO">Com_CHUO</a> na rede de <em>retweet </em>da C&amp;A.</p><p><a href="https://www.loom.com/share/65d39480b624489fb2509d13f8345d63">Usando a API do Twitter junto ao Gephi para gerar redes de três empresas: C&amp;A, Renner e Riachuelo — Watch Video</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/0*q3nwV3MC2UWafXpf.gif" /></figure><p><strong><em>link para o</em></strong><a href="https://github.com/juliaguardiani/twitter-API"><strong><em> git</em></strong></a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f32683042620" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Modelo Gephi em produção para as empresas: C&A, Renner e Riachuelo.]]></title>
            <link>https://medium.com/@juliaguardiani/modelo-gephi-em-produ%C3%A7%C3%A3o-para-as-empresas-c-a-renner-e-riachuelo-3020dda1b0bd?source=rss-472b1d94c15c------2</link>
            <guid isPermaLink="false">https://medium.com/p/3020dda1b0bd</guid>
            <category><![CDATA[riachuelo]]></category>
            <category><![CDATA[renner]]></category>
            <category><![CDATA[cea]]></category>
            <category><![CDATA[wikipedia]]></category>
            <category><![CDATA[gephi]]></category>
            <dc:creator><![CDATA[Juliaguardiani]]></dc:creator>
            <pubDate>Mon, 30 Aug 2021 01:34:08 GMT</pubDate>
            <atom:updated>2021-08-30T01:34:08.486Z</atom:updated>
            <content:encoded><![CDATA[<h3>Ideia geral</h3><p>Uma análise feita de <em>directed networks</em>, <strong>estudo de caso das páginas da Wikipédia</strong>, comparando os resultados de três empresas consideradas concorrentes em sua área: <a href="https://www.cea.com.br/"><strong>C&amp;A</strong></a>,<a href="https://www.lojasrenner.com.br/"><strong> Renner</strong> </a>e<a href="https://www.riachuelo.com.br/"> <strong>Riachuelo</strong></a>, a fim de saber qual das marcas possui maior nível de interação.</p><p>A pesquisa foi feita a partir da página relacionada a cada loja no <a href="https://pt.wikipedia.org/">Wikipédia</a>, coletando os <em>links </em>encontrados em suas biografias e<strong> analisando se uma página cita outras</strong>. Com a intenção de fazer a coleta em pouco tempo, a interação de recursão é feita na camada zero (raiz), camada um e os vizinhos da camada um.</p><h3>Grafos</h3><p>Para comparar os resultados de cada empresa, os dados gerados são analisados e manipulados no pacote de software <a href="https://gephi.org/"><strong><em>Gephi</em></strong></a><strong><em>.</em></strong></p><h4>C&amp;A</h4><p>A figura a seguir é uma representação do <em>Gephi</em> de<em> gsub </em>da <strong>rede de páginas </strong><a href="https://pt.wikipedia.org/wiki/C%26A"><strong>Wikipédia da C&amp;A</strong></a> <em>, o</em>s tamanhos de fonte do nó e do rótulo representam os <em>indegrees </em>(sites com maiores citações).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hBAz6zT56HxDk0HlOhthUw.png" /><figcaption>Figura 01: Grafo referente a construção de uma rede de páginas Wikipédia.</figcaption></figure><p>No grafo acima é possível visualizar <strong>oito cores</strong> organizadas em grupos com características comuns, as chamadas <strong>comunidades</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5t2UlMmKgZBwy7vLzK5I_w.png" /><figcaption>Figura 02: Deixando um grupo em destaque.</figcaption></figure><h4>Renner</h4><p>Fazendo os mesmo procedimentos anteriores, mas agora com a loja Renner, temos os seguintes<strong> resultados de conexões</strong> na construção da rede de páginas <a href="https://pt.wikipedia.org/wiki/Lojas_Renner">Wikipédia Renner</a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*K3-mG_UePK0Kyyj5LhIptg.png" /><figcaption>Figura 03: Grafo referente a construção de uma rede de páginas Wikipédia.</figcaption></figure><p>Escolhendo um grupo para deixar as precisões das conexões melhores…</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qNNQKvsXWWoRPf8KqpDkNw.png" /><figcaption>Figura 04: Deixando um grupo em destaque.</figcaption></figure><h4>Riachuelo</h4><p>Com o menor numero de nós, o grafo das lojas Riachuelo se destaca com as suas <strong>cinco comunidades</strong> representadas pelas cores roxa, verde escuro, verde claro, azul e laranja.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fFoOIIEqcPg7JvuQzQU4KA.png" /><figcaption>Figura 05: Grafo referente a construção de uma rede de páginas Wikipédia.</figcaption></figure><p>Escolhendo o grupo roxo para analisar com mais precisão:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OE_iAYcuWjYejZvUMIbrqw.png" /><figcaption>Figura 06: Deixando o grupo roxo em destaque.</figcaption></figure><h3>Comparando resultados</h3><p>Através das <strong>métricas gerais das redes</strong>, é possível <strong>analisar </strong>e <strong>comparar</strong> os resultados entre as empresas. As métricas estudadas foram: <strong>valor</strong> <strong>médio de vizinhos</strong>,<strong> o total de comunidades</strong> e <strong>páginas com maior número de citações</strong>.</p><p>De acordo com o <strong>gráfico <em>degree report</em></strong><em>, </em>a<strong> Riachuelo </strong>possui uma <strong>média</strong> <strong>de 2,52 conexões</strong> <strong>em cada nó</strong>, sendo “<em>Brazil</em>” o nó com mais ligações (<strong>508</strong>).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*PA8arw33WkK5DsZhBxcNUw.png" /><figcaption>Gráfico 01: Conexões por nó (Riachuelo).</figcaption></figure><p>Já a Renner, tem uma média de <strong>4,834 conexões por nó</strong>, sendo seu nó com maior número de vínculos (<strong>784</strong>) o “Rio Grande do Sul”.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*E5TFhmQ40zk2dqUiLIm76Q.png" /><figcaption>Gráfico 02: Conexões por nó (Renner).</figcaption></figure><p>E a C&amp;A tem uma média de<strong> 2,604 conexões por nó</strong>, sendo <em>“Germany” </em>a sua rede com maior número de vizinhos (<strong>659</strong>).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*Sf-g7_e7mYKKOUe44Atp8Q.png" /><figcaption>Gráfico 03: Conexões por nó (C&amp;A).</figcaption></figure><p>Analisando, agora, a rede com <strong>maior <em>in-degree</em></strong> (mais citações) em ordem crescente temos: “<em>Brazil” </em>com <strong>65, </strong>do grafo da Renner , “<em>Viaf”, </em>da C&amp;A, com <strong>24</strong><em> </em>citações e, por último, a Riachuelo com, também a rede <em>“Brazil”,</em> mas com <strong>10</strong> citações.</p><p>Outra comparação é referente ao <strong>numero de comunidades</strong>: C&amp;A com <strong>8</strong>, Renner com <strong>6</strong> e<strong> </strong>Riachuelo com <strong>5</strong>.</p><p><strong>Para uma melhor visualização dos grafos, gerei páginas HTML interativas para cada marca.</strong></p><p><a href="https://juliaguardiani.github.io/network_analysis/C&amp;A_network/"><strong>C&amp;A</strong></a>: <a href="https://juliaguardiani.github.io/network_analysis/C&amp;A_network/">https://juliaguardiani.github.io/network_analysis/C&amp;A_network/</a></p><p><a href="https://juliaguardiani.github.io/network_analysis/Renner_network/"><strong>Renner</strong></a><strong>: </strong><a href="https://juliaguardiani.github.io/network_analysis/Renner_network/">https://juliaguardiani.github.io/network_analysis/Renner_network/</a></p><p><a href="https://juliaguardiani.github.io/network_analysis/Riachuelo_network/"><strong>Riachuelo</strong></a><strong>:</strong> <a href="https://juliaguardiani.github.io/network_analysis/Riachuelo_network/">https://juliaguardiani.github.io/network_analysis/Riachuelo_network/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3020dda1b0bd" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>