<?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 Rsoliveira C on Medium]]></title>
        <description><![CDATA[Stories by Rsoliveira C on Medium]]></description>
        <link>https://medium.com/@rsoliveira.c?source=rss-327aee16bf9f------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*Aq-ba9EJ5ydr2pXhKruisw.png</url>
            <title>Stories by Rsoliveira C on Medium</title>
            <link>https://medium.com/@rsoliveira.c?source=rss-327aee16bf9f------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 13:54:28 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@rsoliveira.c/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[Como organizar as suas medidas no Power BI]]></title>
            <link>https://medium.com/@rsoliveira.c/como-organizar-as-suas-medidas-no-powerbi-de-maneira-r%C3%A1pida-5e87b2a69f6f?source=rss-327aee16bf9f------2</link>
            <guid isPermaLink="false">https://medium.com/p/5e87b2a69f6f</guid>
            <category><![CDATA[dados]]></category>
            <category><![CDATA[bi]]></category>
            <category><![CDATA[mensure]]></category>
            <category><![CDATA[analista-de-dados]]></category>
            <category><![CDATA[power-bi]]></category>
            <dc:creator><![CDATA[Rsoliveira C]]></dc:creator>
            <pubDate>Thu, 16 Dec 2021 02:59:45 GMT</pubDate>
            <atom:updated>2021-12-16T03:03:01.008Z</atom:updated>
            <content:encoded><![CDATA[<p>A organização é uma característica que pode fazer total diferença nas entregas de resultados e na própria construção do pensamento. Se você utiliza o Power BI e já se sentiu incomodado ao ver as medidas completamente perdidas nas tabelas, essa dica é para você.</p><p>Vamos criar uma tabela que contemplará todas as suas medidas e, para organizar mais ainda, vamos criar subpastas afim de identificar de qual tabela cada medida pertence. Assim, quando você precisar alterar ou fazer a manutenção de determinada medida será mais rápido e fácil identifica-la.</p><ol><li><strong>Crie uma tabela para as medidas</strong></li></ol><p>O primeiro passo é criar uma tabela para deixar todas as suas medidas. Para isso vá em: Página inicial &gt; Inserir dados &gt; Altere o nome da tabela com um caractere especial na frente (eu uso _ ). Assim, a tabela de medidas ficará em primeiro e ficará mais fácil identificar as medidas quando necessário.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kgAgt6jD25LbTb9s-3_CLg.gif" /></figure><p><strong>2. Jogue suas medidas para a nova tabela</strong></p><p>Após criar a tabela, será necessário arrastar as medidas para ela. Aqui há duas opções: Ou você pode arrastar a medida para a tabela, mas dependendo do tamanho esse modo ficará mais complicado. Ou você pode selecionar todas as medidas com o ctrl e alterar o nome da tabela em “tabela inicial”. De qualquer um desses modos, o resultado será as medidas na tabela de medidas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gTSHFGMlqpafA83Tvz3MeQ.gif" /></figure><p><strong>3. Crie subpastas para referenciar as tabelas</strong></p><p>Para organizar ainda mais as suas medidas, é possível criar subpastas. Eu utilizo essas subpastas para indicar a tabela de origem de determinada medida. O processo é simples: Clique na medida (ou várias com o ctrl) e vá em Pastas de exibição. Nessa opção você digita qual nome quer dar para a sua pasta e então a medida será arrastada para ela automaticamente.</p><p>Caso posteriormente você queira adicionar novas medidas em pastas já existentes basta você selecioná-las e digitar o nome (exatamente igual) das patas já criadas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IMduCe3Cdr9BUJF061mMGA.gif" /></figure><p><em>obs: se preferir, você pode excluir a coluna 1 do modelo clicando com o botão direito em cima dessa coluna e selecionar “excluir do modelo”.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/214/1*gF-ZlJnrSyeDH9Nb0CUpaQ.png" /></figure><p>O resultado final é uma área de campos organizada e acredite: isso facilitará muito o seu trabalho.</p><p><strong><em>Espero que esse post possa ter ajudado você a organizar suas medidas no Power Bi. Pode ter certeza de que fará muita diferença no seu dia a dia.</em></strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5e87b2a69f6f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Entendendo a Análise de Componentes Principais (PCA)]]></title>
            <link>https://medium.com/@rsoliveira.c/entendendo-a-an%C3%A1lise-de-componentes-principais-pca-4cd5c289ca6?source=rss-327aee16bf9f------2</link>
            <guid isPermaLink="false">https://medium.com/p/4cd5c289ca6</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[ciencia-de-dados]]></category>
            <category><![CDATA[apc]]></category>
            <category><![CDATA[componentes]]></category>
            <category><![CDATA[analysis]]></category>
            <dc:creator><![CDATA[Rsoliveira C]]></dc:creator>
            <pubDate>Sun, 05 Dec 2021 16:39:44 GMT</pubDate>
            <atom:updated>2021-12-05T16:39:44.041Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Compreender a análise de componentes principais (PCA) pode ser um grande desafio. Nesse artigo venho compartilhar o meu entendimento sobre o tema de maneira simples.</strong></p><p>Resumidamente a PCA é um método multivariado que redistribui a variação dos eixos originais reduzindo o número de variáveis e mantendo maior parte da informação.</p><p><strong>Ok. Não tão simples, vamos simplificar.</strong></p><p>A PCA é um método a ser aplicado em conjuntos de dados que possuem diversas variáveis (de maneira simples, são provavelmente suas colunas). O seu <strong>objetivo </strong>é reduzir a dimensionalidade do seu conjunto de dados, ou seja, reduzir o número de variáveis (ou colunas) mantendo o máximo de informação possível. Em um maior nível de simplicidade:<strong> Reduz seu número de variáveis mantendo o máximo de informação possível.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/415/1*h4TdFONsoD56q5wsVS-cFw.gif" /></figure><p>E porque isso é importante? Bom, reduzir a dimensionalidade resulta em uma maior simplicidade, além de selecionar características que realmente importam para explicar determinado fenômeno. Outro ponto interessante é que nós entendemos melhor as explicações quando estão em até 3 dimensões (ou seja, quando relacionamos 3 variáveis) depois disso, tudo fica no imaginário. Em termos de modelos, essa redução evita o <em>overfitting, </em>e ocasiona um melhor desempenho (busque por <strong>“maldição da dimensionalidade”</strong>). Vai anotando.</p><p><strong>Certo, entendemos o que faz uma PCA e porque ela é importante. Mas como ela funciona?</strong></p><p>Basicamente, esse método extrai o seu conjunto de dados, reorganiza com informações importantes (levando em conta a variação), e cria os componentes principais que contém o máximo de informação dos seus conjuntos de dados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/160/1*eWNitXkTirSmRxlDISCSrw.gif" /></figure><p>Ainda não tão simples. Ok. Imagina o seu conjunto de dados com 50 variáveis. Você aplica a PCA para poder reduzir a dimensionalidade e obtém como resultado três PC’s (componentes principais) conforme a figura abaixo. Isso significa que os três componentes principais juntos explicam 80% das suas informações. Só com o componente 1 você consegue informações sobre 50% dos seus dados. Isso é bem importante, pois a redução foi de 50 para 3 (ou 2, ou 1… Dependendo do seu problema).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/405/0*GMUfh9dflIZB4Iqh" /></figure><p>O PC1 (primeiro componente principal) sempre vai explicar a variação máxima do seu conjunto de dados, enquanto os outros tendem a explicar o restante dos dados (não correlacionado com os anteriores). Ou seja, o primeiro componente principal sempre terá a maior porcentagem (o segundo a segunda e assim sucessivamente) e a parte dos dados explicadas pelo primeiro não tem ligação com a parte explicada pelo segundo. Importante essa visão, não é mesmo?</p><p><strong>Para mim, nesse ponto, meu maior questionamento era: Tá, mas o que aconteceu com o resto dos meus dados? Como vou explicar a análise a partir disso?</strong></p><p>Ainda é possível associar as variáveis de antes da PCA com os componentes principais. Nas análises que fiz, por exemplo, determinei utilizando o critério de Kaiser e após isso a explicação foi menos confusa.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/245/1*-oTXBRyrbiZtNVRp1e-Sfg.gif" /></figure><p>De maneira geral, a análise dos componentes principais é um método utilizado para reduzir a dimensionalidade utilizando os componentes principais (<strong>nome sugestivo agora que você entendeu, né?</strong>) para explicar a maior parte do seu enorme conjunto com a menor perda possível de informação. Ela pode ser utilizada em vários problemas de negócio, levando em conta o custo benefício. Também deve haver um estudo dos seus dados, pois existem outros métodos de redução de dimensionalidade.</p><p><strong><em>Espero que esse post possa ter ajudado você a entender o básico de PCA. Abaixo deixarei alguns links que podem ser úteis ao seu estudo:</em></strong></p><ul><li><a href="https://www.preposterousuniverse.com/blog/2009/03/30/why-cant-we-visualize-more-than-three-dimensions/">Why Can&#39;t We Visualize More Than Three Dimensions?</a></li><li><a href="https://leandrocruvinel.medium.com/pca-na-m%C3%A3o-e-no-python-d559e9c8f053">PCA na mão e no Python</a></li><li><a href="https://towardsdatascience.com/understanding-pca-fae3e243731d">Understanding PCA</a></li><li><a href="https://operdata.com.br/blog/analise-de-componentes-principais-pca-calculo-e-aplicacao-no-r/">Análise de Componentes Principais (PCA): cálculo e aplicação no R - Oper</a></li><li><a href="https://www.rdocumentation.org/packages/psych/versions/2.1.9/topics/principal">principal function - RDocumentation</a></li></ul><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2Fp4bvCFygfW0%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3Dp4bvCFygfW0&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2Fp4bvCFygfW0%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/8e8798161755661a0c54f4cf4390aed7/href">https://medium.com/media/8e8798161755661a0c54f4cf4390aed7/href</a></iframe><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4cd5c289ca6" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>