<?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 Juliana Schulz on Medium]]></title>
        <description><![CDATA[Stories by Juliana Schulz on Medium]]></description>
        <link>https://medium.com/@schulzj30?source=rss-df7b2c9e57c4------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*cDF8Uq-9IXA6n2wx</url>
            <title>Stories by Juliana Schulz on Medium</title>
            <link>https://medium.com/@schulzj30?source=rss-df7b2c9e57c4------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 07:54:07 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@schulzj30/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 dados de saúde podem apoiar decisões estratégicas na Saúde Corporativa]]></title>
            <link>https://medium.com/@schulzj30/como-dados-de-sa%C3%BAde-podem-apoiar-decis%C3%B5es-estrat%C3%A9gicas-na-sa%C3%BAde-corporativa-cd61dae00b22?source=rss-df7b2c9e57c4------2</link>
            <guid isPermaLink="false">https://medium.com/p/cd61dae00b22</guid>
            <dc:creator><![CDATA[Juliana Schulz]]></dc:creator>
            <pubDate>Sat, 10 Jan 2026 23:48:47 GMT</pubDate>
            <atom:updated>2026-01-11T12:01:41.396Z</atom:updated>
            <content:encoded><![CDATA[<p>Um case de health Analytics com Python</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*tT3Da_zVu_FC3Zdr1ljdDw.png" /></figure><h3>1- Introdução</h3><p>A gestão da saúde corporativa enfrenta um desafio cada vez mais complexo: <strong>como equilibrar a promoção da saúde dos colaboradores com o controle sustentável dos custos assistenciais</strong>. Em um cenário marcado pelo aumento do absenteísmo, pela maior prevalência de condições crônicas e pelo crescimento dos gastos em saúde, decisões baseadas apenas em médias ou análises genéricas tornam-se insuficientes.</p><p>Nesse contexto, o uso de <strong>Health Analytics</strong> surge como um aliado estratégico. A análise de dados permite ir além da visão agregada, possibilitando a identificação de padrões, perfis de risco e oportunidades de intervenção mais assertivas. Mais do que analisar números, trata-se de <strong>transformar dados em inteligência para apoiar decisões clínicas, operacionais e financeiras</strong>.</p><p>Este artigo apresenta um <strong>case fictício de Health Analytics</strong>, desenvolvido com Python, que tem como objetivo demonstrar como dados de afastamento e custo anual de saúde podem ser utilizados para identificar perfis distintos de colaboradores. A partir de técnicas de análise exploratória e aprendizado não supervisionado, o estudo busca ilustrar como a segmentação baseada em dados pode apoiar estratégias de promoção da saúde, gestão de riscos e redução de custos no contexto da saúde corporativa.</p><h3>2- Contexto e Objetivo do Case</h3><p>A saúde corporativa desempenha um papel estratégico nas organizações, não apenas do ponto de vista assistencial, mas também como fator diretamente relacionado à produtividade, ao engajamento e à sustentabilidade financeira. Indicadores como <strong>dias de afastamento</strong> e <strong>custos anuais de saúde</strong> refletem, de forma indireta, tanto o estado de saúde dos colaboradores quanto a efetividade das políticas de prevenção adotadas pela empresa.</p><p>No entanto, análises tradicionais costumam tratar esses indicadores de forma isolada ou agregada, o que pode mascarar comportamentos distintos dentro da população analisada. Colaboradores com custos semelhantes podem apresentar padrões de afastamento completamente diferentes, assim como colaboradores com muitos dias afastados nem sempre são aqueles que geram os maiores custos.</p><p>Diante desse cenário, este case tem como <strong>objetivo principal</strong> demonstrar como a análise de dados pode ser utilizada para <strong>identificar perfis distintos de colaboradores</strong>, considerando simultaneamente os dias de afastamento e os custos anuais de saúde. A proposta é evidenciar como essa segmentação pode apoiar decisões mais direcionadas, contribuindo para estratégias de prevenção, promoção da saúde e gestão de custos mais eficazes.</p><h3>3- Base de Dados</h3><p>Para o desenvolvimento deste estudo, foi utilizada uma <strong>base de dados fictícia</strong>, construída com o objetivo de simular um cenário realista de saúde corporativa. A base representa colaboradores de uma empresa de médio porte e contém informações relacionadas ao impacto da saúde na organização ao longo de um período anual.</p><p>As variáveis consideradas no case foram:</p><ul><li><strong>ID do colaborador</strong>: identificador único de cada indivíduo</li><li><strong>Dias de afastamento</strong>: quantidade de dias afastados por motivos de saúde ao longo do ano</li><li><strong>Custo anual de saúde</strong>: valor total associado aos custos assistenciais do colaborador no período analisado</li></ul><p>A utilização de dados fictícios garante a <strong>preservação da confidencialidade</strong>, ao mesmo tempo em que permite explorar técnicas analíticas aplicáveis a cenários reais. A base foi estruturada de forma a contemplar diferentes perfis de colaboradores, incluindo casos com baixo afastamento e baixo custo, bem como situações de maior complexidade, caracterizadas por altos índices de afastamento e/ou elevados custos assistenciais.</p><p>Essa estrutura possibilita a aplicação de análises exploratórias e técnicas de segmentação, criando um ambiente adequado para a identificação de padrões e para a geração de insights relevantes para a gestão da saúde corporativa.</p><h3>4- Análise Exploratória dos Dados (EDA)</h3><p>Antes da aplicação de modelos analíticos e técnicas de segmentação, foi realizada uma <strong>Análise Exploratória dos Dados (EDA)</strong> com o objetivo de compreender o comportamento das variáveis, identificar padrões relevantes, avaliar possíveis outliers e validar a consistência da base.<br> Essa etapa é fundamental em projetos de Health Analytics, pois permite que decisões posteriores sejam orientadas por evidências e não apenas por hipóteses iniciais.</p><h3>5- Distribuição dos dias de afastamento</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/590/1*RyJGdlwAZeBhbU3yIH7aIQ.png" /></figure><p>A análise da distribuição do custo anual revela um comportamento <strong>não uniforme</strong>, com a presença de <strong>dois agrupamentos distintos de valores</strong>. Observa-se uma concentração relevante de colaboradores em faixas de menor custo, seguida por um segundo grupo com custos significativamente mais elevados, separados por uma região de baixa frequência.</p><p>Esse padrão sugere a existência de <strong>perfis distintos de utilização dos serviços de saúde</strong>, indicando que o impacto financeiro não ocorre de forma contínua ou progressiva entre os indivíduos. Em contextos de saúde corporativa, esse tipo de distribuição costuma estar associado a eventos assistenciais de maior complexidade ou a condições clínicas específicas que elevam substancialmente os custos anuais.</p><p>A presença desses grupos reforça a importância de abordagens analíticas que vão além de métricas agregadas, permitindo a segmentação da população em perfis mais homogêneos para melhor direcionamento de estratégias de gestão de saúde.</p><h3>6- Segmentação da População por Clusterização</h3><h4>6.1- Por que utilizar Clusterização nesse contexto?</h4><p>A Análise Exploratória dos Dados evidenciou que tanto os <strong>dias de afastamento</strong> quanto o <strong>custo anual</strong> apresentam comportamentos heterogêneos e padrões não lineares. Além disso, os gráficos de distribuição e o gráfico de dispersão indicaram a possível existência de <strong>perfis distintos de colaboradores</strong>, que não poderiam ser adequadamente compreendidos por meio de métricas agregadas.</p><p>Diante desse cenário, optou-se pela aplicação de uma técnica de <strong>clusterização não supervisionada</strong>, com o objetivo de segmentar os colaboradores em grupos mais homogêneos, considerando simultaneamente:</p><ul><li>Dias de afastamento</li><li>Custo anual em saúde</li></ul><p>Essa abordagem permite uma leitura mais estratégica da população, favorecendo ações direcionadas de prevenção, promoção da saúde e gestão de riscos.</p><h4>6.2- Técnica utilizada: K-Means</h4><p>Para a segmentação dos dados, foi utilizado o algoritmo <strong>K-Means</strong>, amplamente empregado em análises exploratórias por sua simplicidade, interpretabilidade e eficiência na identificação de agrupamentos baseados em similaridade.</p><p>Antes da aplicação do algoritmo de clusterização, as variáveis foram <strong>padronizadas</strong> utilizando o StandardScaler, garantindo que custo anual de saúde e dias de afastamento contribuíssem de forma equilibrada para a formação dos clusters.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/397/1*eHJU-WSW2RbO0qSwBZxebg.png" /></figure><p>O número de clusters foi definido com base em critérios analíticos e na interpretabilidade dos resultados, buscando um equilíbrio entre granularidade e aplicabilidade prática para o contexto de saúde corporativa.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/428/1*d1ubMyW62zU6u3iPNBP-WA.png" /></figure><h4>6.2.1- Visualização dos clusters</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/698/1*sTJ8x3LNVb2xcKj_TK-UXw.png" /></figure><p>O gráfico acima apresenta a segmentação da população em clusters, considerando simultaneamente o custo anual e os dias de afastamento. Cada ponto representa um colaborador, enquanto as cores indicam o cluster ao qual ele pertence.</p><p>É importante destacar que os clusters <strong>não representam faixas fixas ou limites rígidos</strong>, mas sim <strong>agrupamentos estatísticos baseados em proximidade</strong>, o que explica a presença de valores aparentemente sobrepostos entre os grupos.</p><h4>6.2.2- Interpretação dos clusters</h4><p>A aplicação do algoritmo de clusterização (K-Means) permitiu segmentar a população de colaboradores em três perfis distintos, considerando simultaneamente o custo anual de saúde e os dias de afastamento. A análise das médias de cada cluster possibilita compreender padrões relevantes para a gestão de saúde corporativa.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/428/1*-FpiaWcoHXHEvVZw0xogPg.png" /></figure><h4>Cluster 0- Baixo impacto assistencial</h4><p>O Cluster 0 é caracterizado por colaboradores com <strong>baixo custo anual de saúde</strong> e <strong>poucos dias de afastamento</strong>. Esse grupo representa a maior parcela da população analisada e indica um perfil de colaboradores com bom estado geral de saúde e baixo impacto tanto financeiro quanto operacional.</p><p><strong><em>Leitura estratégica:</em></strong><em><br> Apesar do baixo impacto atual, esse grupo demanda ações de </em><strong><em>manutenção preventiva</em></strong><em>, com foco em promoção da saúde e prevenção primária, evitando migração para clusters de maior risco.</em></p><h4>Cluster 1- Alto custo com afastamento moderado</h4><p>O Cluster 1 concentra colaboradores com custo assistencial elevado, porém com quantidade moderada de dias de afastamento. Esse padrão sugere a presença de condições de saúde que geram custos contínuos — como doenças crônicas ou tratamentos recorrentes — sem necessariamente resultar em afastamentos prolongados.</p><p><strong><em>Leitura estratégica:</em></strong><em><br> Esse perfil evidencia que </em><strong><em>alto custo não está diretamente associado à ausência operacional</em></strong><em>, reforçando a importância de estratégias voltadas à gestão de crônicos, coordenação do cuidado e uso eficiente da rede assistencial.</em></p><h4>Cluster 2- Alto afastamento e impacto relevante</h4><p>O Cluster 2 reúne colaboradores com <strong>maior número médio de dias de afastamento</strong> e <strong>impacto financeiro relevante</strong>, ainda que o custo assistencial não seja o mais elevado entre os grupos. Esse comportamento aponta para um impacto operacional significativo, com pontencial reflexo na produtividade e continuidade das atividades.</p><p><strong><em>Leitura estratégica:</em></strong><em><br> Esse grupo demanda atenção prioritária em ações de </em><strong><em>saúde ocupacional</em></strong><em>, reabilitação, ergonomia e acompanhamento de afastamentos, visando reduzir reincidências e impactos na operação.</em></p><h4>6.2.3- Considerações sobre a leitura dos clusters</h4><p>A clusterização não deve ser interpretada como uma classificação determinística, mas como uma <strong>ferramenta de apoio à decisão</strong>. A presença de pontos aparentemente “fora do padrão” dentro de cada grupo reflete a complexidade inerente aos dados de saúde e reforça a importância de análises integradas.</p><p>A segmentação deve ser interpretada como um instrumento de apoio à tomada de decisão, permitindo direcionar estratégias diferenciadas conforme o perfil de risco e impacto de cada grupo.</p><h3>7- Insights Estratégicos e Recomendações em Saúde Corporativa</h3><p>A segmentação da população por meio da clusterização possibilitou uma compreensão mais aprofundada dos diferentes <strong>perfis de risco e impacto assistencial</strong> presentes na base analisada. A partir dessa leitura, foi possível extrair insights relevantes que podem apoiar decisões estratégicas na gestão de saúde corporativa.</p><p><strong>1- A maior parte da população apresenta baixo impacto, mas exige manutenção preventiva</strong></p><p>O cluster caracterizado por <strong>baixo custo anual e poucos dias de afastamento</strong> representa a maior parcela dos colaboradores. Embora esse grupo não gere impactos financeiros relevantes no curto prazo, ele é estratégico do ponto de vista preventivo.</p><p>A ausência de ações contínuas pode levar à migração gradual desses indivíduos para perfis de maior risco ao longo do tempo.</p><p><strong><em>Insight:</em></strong><em> saúde corporativa não deve atuar apenas de forma corretiva, mas principalmente na manutenção do bem-estar da população saudável.</em></p><p><strong><em>Recomendação:</em></strong><em><br> Programas de promoção da saúde, ações educativas, estímulo à atividade física e acompanhamento preventivo periódico.</em></p><p><strong>2- Alto custo nem sempre está associado a afastamentos prolongados</strong></p><p>A presença de um cluster com <strong>alto custo anual e afastamento moderado</strong> evidencia que eventos assistenciais de maior complexidade podem gerar impacto financeiro significativo sem, necessariamente, afastar o colaborador por longos períodos.</p><p>Esse achado reforça que <strong>dias de afastamento, isoladamente, não são um bom preditor de custo</strong>.</p><p><strong><em>Insight:</em></strong><em> focar apenas em absenteísmo pode mascarar riscos financeiros relevantes.</em></p><p><strong><em>Recomendação:</em></strong><em><br> Gestão ativa de casos, monitoramento clínico individualizado e identificação precoce de condições que tendem a gerar custos recorrentes.</em></p><p><strong>3- Afastamentos prolongados indicam impacto operacional, mesmo com custo moderado</strong></p><p>O cluster com <strong>maior número de dias de afastamento</strong>, ainda que nem sempre associado aos maiores custos anuais, representa um risco importante para a operação das empresas, afetando produtividade, continuidade dos processos e clima organizacional.</p><p><strong><em>Insight:</em></strong><em> impacto em saúde vai além do custo assistencial direto.</em></p><p><strong><em>Recomendação:</em></strong><em><br> Programas de reabilitação, ergonomia, saúde mental, acompanhamento multiprofissional e integração com ações de medicina ocupacional.</em></p><p><strong>4- A heterogeneidade da população exige estratégias segmentadas</strong></p><p>A análise evidencia que tratar a população de forma homogênea pode levar a decisões ineficientes, tanto do ponto de vista financeiro quanto assistencial. Cada cluster demanda <strong>estratégias específicas</strong>, alinhadas ao seu perfil de risco e impacto.</p><p><strong><em>Insight:</em></strong><em> segmentação é um pilar fundamental para a gestão integrada da saúde corporativa.</em></p><p><strong><em>Recomendação:</em></strong><em><br> Estruturação de políticas de saúde baseadas em perfis, integrando dados assistenciais, ocupacionais e comportamentais para decisões mais precisas.</em></p><p><strong>5- Dados como suporte à gestão integrada de saúde</strong></p><p>Este estudo reforça o papel do <strong>Health Analytics</strong> como ferramenta estratégica na gestão de benefícios e saúde ocupacional. A combinação de análise exploratória, visualização de dados e técnicas de machine learning possibilita transformar informações complexas em <strong>insights acionáveis</strong>, alinhados à redução de custos e à promoção da qualidade de vida.</p><p><strong><em>Insight:</em></strong><em> Health Analytics permite integrar dados assistenciais e ocupacionais, apoiando decisões estratégicas baseadas em evidência.</em></p><p><strong><em>Recomendação:</em></strong><em><br> Fortalecer o uso contínuo de análises de dados para monitoramento da população, avaliação de programas de saúde e direcionamento de investimentos preventivos.</em></p><h3>8- Conclusão</h3><p>Este estudo demonstrou como a aplicação de <strong>Health Analytics</strong> pode apoiar a tomada de decisão na gestão de saúde corporativa, a partir da análise integrada de indicadores de <strong>custo anual</strong> e <strong>dias de afastamento</strong>. Por meio de uma análise exploratória dos dados e da aplicação de técnicas de <strong>clusterização</strong>, foi possível segmentar a população em <strong>perfis analíticos distintos</strong>, definidos por padrões semelhantes de impacto assistencial e ocupacional.</p><p>Os resultados evidenciaram que <strong>indicadores analisados de forma isolada</strong> são insuficientes para capturar a complexidade dos fenômenos relacionados à saúde corporativa. A segmentação permitiu uma leitura mais precisa da heterogeneidade da população, mostrando que custos elevados nem sempre estão associados a afastamentos prolongados, e que afastamentos significativos podem ocorrer mesmo em faixas de custo moderado.</p><p>A partir dessa leitura, torna-se possível orientar <strong>estratégias diferenciadas</strong>, mais alinhadas aos perfis identificados, contribuindo para ações de prevenção, promoção da saúde, gestão de riscos e otimização de custos. Nesse contexto, o uso de dados como suporte à decisão favorece abordagens mais eficientes e sustentáveis, tanto do ponto de vista financeiro quanto assistencial.</p><p>Por fim, este case reforça o papel do <strong>Analista de Health Analytics</strong> como um profissional capaz de traduzir dados complexos em <strong>insights acionáveis</strong>, conectando análise técnica, compreensão do contexto de saúde corporativa e apoio à tomada de decisão estratégica.</p><p><strong>Gostaria de continuar essa conversa?</strong></p><ul><li>Como sua organização tem lidado com a segmentação de perfis de risco hoje?</li><li>Você acredita que o cruzamento de dados assistenciais e ocupacionais é o próximo grande passo para a sua gestão?</li></ul><p><strong>Deixe sua opinião nos comentários ou conecte-se comigo para trocarmos experiências sobre como os dados podem transformar a saúde nas empresas.</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cd61dae00b22" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Projeto de Dados — Adventure Works]]></title>
            <link>https://medium.com/@schulzj30/projeto-de-dados-adventure-works-72c91a4bfd70?source=rss-df7b2c9e57c4------2</link>
            <guid isPermaLink="false">https://medium.com/p/72c91a4bfd70</guid>
            <category><![CDATA[estatistica]]></category>
            <category><![CDATA[data-analysis]]></category>
            <category><![CDATA[analytics-engineering]]></category>
            <category><![CDATA[modern-data-stack]]></category>
            <dc:creator><![CDATA[Juliana Schulz]]></dc:creator>
            <pubDate>Sat, 21 Sep 2024 22:43:41 GMT</pubDate>
            <atom:updated>2025-03-16T17:55:45.005Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/259/0*dtjxtcX8z0zQVhhT" /></figure><h3>Projeto de Dados — Adventure Works</h3><p>Projeto desenvolvido para um processo seletivo, baseado no Modern Data Stack, com dados de uma empresa fictícia, disponibilizada pela Microsoft, onde segui alguns critérios de abordagem e desenvolvimento do projeto.</p><h4>1. Introdução — Contexto da Empresa</h4><p>A <strong>Adventure Works (AW)</strong> é uma indústria de bicicletas em franco crescimento, com operações robustas e variadas. A empresa, reconhecendo a importância de dados para a competitividade no mercado, busca modernizar seus sistemas e tornar-se uma organização orientada por dados (data-driven). A transformação de dados em insights estratégicos irá suportar decisões mais assertivas, otimizando a operação e aumentando a competitividade.</p><p>A empresa possui um ecossistema de dados que abrange sistemas como:</p><ul><li><strong>PostgreSQL</strong> (Banco de dados transacional)</li><li><strong>SAP</strong> (Sistemas de gestão empresarial)</li><li><strong>Salesforce</strong> (Gestão de relacionamento com o cliente)</li><li><strong>Google Analytics</strong> (Monitoramento de interações digitais)</li><li><strong>WordPress</strong> (Plataforma de marketing e conteúdo)</li></ul><p>Essa diversidade de fontes de dados apresenta tanto oportunidades quanto desafios, especialmente no que tange à integração e análise eficiente dos dados gerados.</p><h4>2. Alinhamento com Stakeholders</h4><p>O alinhamento estratégico foi garantido por meio de reuniões com os principais líderes da Adventure Works. As necessidades e expectativas dos envolvidos foram cuidadosamente documentadas para garantir que o projeto atendesse aos requisitos de negócios e proporcionasse valor tangível à empresa.</p><p>Participantes chave:</p><ul><li><strong>João Muller</strong>: Diretor de Inovação</li><li><strong>Carlos Silveira</strong>: CEO</li><li><strong>Silvana Teixeira</strong>: Diretora Comercial</li><li><strong>Nilson Ramos</strong>: Diretor de TI</li><li><strong>Gabriel Santos</strong>: Analista de TI</li></ul><p>Esses líderes forneceram diretrizes sobre as áreas de maior prioridade, como eficiência operacional, suporte à tomada de decisão e competitividade.</p><h4>3. Objetivos do Projeto</h4><p>Os objetivos foram estabelecidos a partir das reuniões com os stakeholders e refletem as necessidades estratégicas da empresa. São eles:</p><ul><li><strong>Engajamento dos Stakeholders</strong>: Garantir o apoio contínuo dos principais stakeholders, demonstrando o valor do projeto e os benefícios do uso de dados para guiar decisões estratégicas e operacionais.</li><li><strong>Modernização das Ferramentas de Dados</strong>: O foco aqui foi a integração e centralização dos dados em um <strong>Data Warehouse</strong> robusto, possibilitando uma visão unificada dos dados da empresa. Isso inclui a adoção de ferramentas avançadas de transformação e limpeza de dados, bem como a criação de tabelas otimizadas para análises futuras.</li><li><strong>Aumento da Competitividade</strong>: Explorar os dados de vendas e operacionais para identificar novas oportunidades de mercado, aprimorar a experiência do cliente e responder rapidamente às mudanças nas preferências dos consumidores.</li><li><strong>Suporte à Tomada de Decisão Estratégica</strong>: Implementação de <strong>dashboards</strong> e <strong>relatórios interativos</strong> que forneçam insights em tempo real para os diretores e equipe operacional. Os dashboards serão projetados para fornecer uma visão clara das vendas, tendências e oportunidades de melhoria.</li><li><strong>Desenvolvimento de Cultura Data-Driven</strong>: Capacitar colaboradores para tomarem decisões informadas, baseadas em dados concretos e insights precisos. Isso envolve treinamentos e a introdução de novas ferramentas de análise e visualização.</li><li><strong>Preparação para Expansão e Crescimento</strong>: Construção de uma infraestrutura de dados escalável, que possa suportar a expansão dos negócios da Adventure Works em novos mercados e linhas de produtos.</li></ul><h4>4. Ferramentas Utilizadas</h4><p><strong>a) Armazenamento de Dados — Snowflake:</strong> O Snowflake foi escolhido como o Data Warehouse central da Adventure Works, devido à sua capacidade de auto-escalonamento e de processar grandes volumes de dados em tempo real. Ainda, pela facilidade de integração com outras ferramentas, como dbt Cloud e Power BI.</p><p><strong>b) Transformação de Dados — dbt Cloud:</strong> O dbt Cloud foi implementado para gerenciar as transformações de dados. Esta ferramenta permite criar modelos SQL reutilizáveis e configuráveis, garantindo a consistência e padronização das transformações. A integração do dbt Cloud com GitHub facilita a colaboração entre equipes, enquanto a documentação automática e testes de qualidade asseguram a confiabilidade dos dados.</p><p><strong>c) Versionamento de Código — GitHub:</strong> O GitHub foi utilizado para o controle de versão e colaboração entre os membros da equipe. As práticas de versionamento foram rigorosamente seguidas, garantindo que cada mudança no código fosse revisada por meio de <strong>pull requests</strong>.</p><p><strong>d) Visualização de Dados — Microsoft Power BI:</strong> O Power BI foi a ferramenta escolhida para a construção dos dashboards interativos, fornecendo aos gestores da Adventure Works uma interface intuitiva e de fácil uso. Sua integração direta com o Snowflake garantiu que as visualizações fossem atualizadas em tempo real. A flexibilidade do Power BI em criar visualizações personalizadas permitiu que os dashboards fossem moldados de acordo com as necessidades da empresa, como análises por vendas, regiões, clientes e outros critérios relevantes.</p><h4>5. Análise Exploratória dos Dados</h4><p>O primeiro passo no desenvolvimento do projeto foi a análise exploratória do esquema de dados da Adventure Works, fornecido pela equipe de TI. Este processo permitiu a seleção das tabelas mais relevantes para responder às perguntas de negócio e criar o <strong>modelo conceitual</strong>. Com base neste modelo, foram definidas as tabelas de dimensão, fato e agregadas que dariam suporte às análises posteriores.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/689/1*kxC_weLnswnRpg0Y0xWCGQ.png" /></figure><h4>6. Processo de Extração e Transformação dos Dados</h4><p>Os dados foram extraídos do banco de dados transacional e carregados no dbt Cloud. O processo foi dividido em:</p><ul><li><strong>Seeds</strong>: Os dados iniciais foram extraídos do banco de dados transacional PostgreSQL e organizados em arquivos <strong>CSV</strong>. Esses arquivos foram divididos em 68 tabelas, distribuídas em 5 schemas (HR, Sales, Production, Purchasing e outros). Para o projeto de vendas, selecionamos apenas as tabelas essenciais para a análise.</li><li><strong>Tabelas Staging</strong>: Essa camada intermediária foi criada no dbt para preparar os dados antes da transformação final. Foram realizadas operações de limpeza e ajustes nos dados, como renomeação de colunas e concatenação de campos. As 17 tabelas staging criadas incluem:<strong> </strong><em>stg_salesorderdetail, stg_product, stg_customer, stg_countryregion, stg_store</em>, entre outras.</li><li><strong>Tabela Intermediate: </strong>Essa camada intermediária foi criada no dbt para a implementação de algumas métricas, renomeação de algumas informações das tabelas, para ficar mais intuitivo e a aplicação de alguns joins, facilitando a etapa de criação do relatório.</li><li><strong>Tabelas Dimensão</strong>: Foram criadas sete tabelas de dimensão para fornecer contexto e permitir a análise dos dados transacionais. As dimensões incluem: <em>dim_data, dim_cliente, dim_produto, dim_motivo_venda, dim_vendedor, dim_localização, e dim_cartao_credito.</em></li><li><strong>Tabela Fato</strong>: A tabela <em>fato_vendas</em> foi criada para centralizar os dados transacionais de vendas, incorporando as chaves estrangeiras das dimensões e métricas calculadas.</li><li><strong>Tabelas Agregadas</strong>: Para otimizar consultas específicas, como vendas por região e desempenho de vendedores, criamos tabelas agregadas que fornecem dados pré-calculados. As agregadas incluem: <em>agg_vendas_por_regiao</em> e <em>agg_vendas_por_vendedor</em>.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*E7TtyHnRrQ1ahujq" /></figure><p>Após a finalização das transformações, executamos os comandos <strong>dbt run</strong> e <strong>dbt test</strong> para garantir que os dados estavam consistentes e prontos para análise.</p><h4>7. Desenvolvimento do Dashboard</h4><p>Com os dados já disponíveis e transformados no Snowflake, foi desenvolvido o <strong>dashboard</strong> no Power BI. O processo envolveu:</p><ul><li>Conexão direta com o Snowflake para garantir dados atualizados em tempo real.</li><li>Criação de relações entre as tabelas na camada semântica do Power BI.</li><li>Desenvolvimento de dashboards interativos focados em três áreas principais:</li><li><strong>Dashboard Operacional</strong>: Focado em análises de vendas por pedido, produto, cliente e região. Proporciona ao time, uma visão consolidada, abordando KPIs importantes para a tomada de decisão como, <em>receita, ticket médio, produtos mais vendidos </em>e muitos outros valores<em>.</em></li></ul><p>O dashboard possui navegação interativa com filtros por data, local, produto, cliente e outros parâmetros.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DGhUgXX9AFLlLh52yccJig.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/591/1*jKjYCRYgMBLZU7Oy92WgrA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/593/1*HkdwcgN0GOl3CxOPXcBfSw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/595/1*V1ZIAf6YGH67WJOqbE0ZvA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/593/1*ootTFJFzTbzrABua9irSbA.png" /></figure><p>Foi publicado no Power BI Service, no Workspace mais adequado para as áreas e está conectado ao Data Warehouse, garantindo a atualização automática dos dados, conforme imagem abaixo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*KJhYj6FT6UrkNHw3" /></figure><h4>8. Conclusão</h4><p>O projeto de desenvolvimento de dados para a <strong>Adventure Works</strong> proporcionou uma modernização significativa na forma como a empresa gerencia e utiliza suas informações. A implementação de um <strong>Data Warehouse</strong> centralizado no <strong>Snowflake</strong>, juntamente com a transformação de dados pelo <strong>dbt Cloud</strong> e visualizações estratégicas no <strong>Power BI</strong>, forneceu à empresa uma infraestrutura robusta e escalável, capaz de suportar seu crescimento e a tomada de decisões informadas.</p><p>Além disso, o dashboard interativo construído oferece uma visão clara e em tempo real das operações e vendas, permitindo aos gestores e executivos identificar tendências, melhorar a eficiência operacional e explorar novas oportunidades de mercado. O projeto foi concluído com sucesso, atendendo aos objetivos iniciais e preparando a <strong>Adventure Works</strong> para se tornar uma empresa cada vez mais orientada por dados, pronta para enfrentar os desafios de um mercado em constante mudança.</p><p>Segue o link do projeto desenvolvido, publicado no GitHub: <br><a href="https://github.com/JuSchulz30/AE_CERTIFICACAO"><strong>https://github.com/JulianaSchulz</strong></a><br>Nesse projeto, foi criado uma pasta <strong><em>Entregas</em></strong>, onde está organizada a documentação (dashboard, modelo conceitual, relatório de planejamento de projeto e um vídeo explicativo).</p><p>Segue o link para o dashboard: <br><a href="https://app.powerbi.com/view?r=eyJrIjoiYmZkNGNmOTItYjgxNC00MmRhLWE5NDQtMDU1NTE0Yjc2NDA1IiwidCI6ImZhMjYwNjcyLTM1ZWMtNGI2Zi1hN2JhLWE3ZjJmMjI2N2U1ZiJ9"><strong>ADW-dashboard</strong></a></p><h4>9. Contato:</h4><p>Estou à disposição para esclarecimento de dúvidas em meu perfil no LinkedIn, através do link <a href="http://www.linkedin.com/in/julianaschulz30">www.linkedin.com/in/julianaschulz30</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=72c91a4bfd70" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Análise dos dados do banco “BanVic”]]></title>
            <link>https://medium.com/@schulzj30/an%C3%A1lise-dos-dados-do-banco-banvic-5b5830864f26?source=rss-df7b2c9e57c4------2</link>
            <guid isPermaLink="false">https://medium.com/p/5b5830864f26</guid>
            <dc:creator><![CDATA[Juliana Schulz]]></dc:creator>
            <pubDate>Mon, 01 Apr 2024 15:57:35 GMT</pubDate>
            <atom:updated>2024-04-01T15:57:35.150Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Case Fictício para um processo seletivo de uma determinada empresa, onde ele foi aprovado, lembrando que tive poucos dias para desenvolver o projeto, onde o foco foi realizar o básico, bem feito.</strong></p><p><strong>Sumário</strong></p><p>1 — Metodologia.</p><p>2 — Ferramentas utilizadas para análise.</p><p>3 — Entendimento do Negócio.</p><p>3.1 — Perguntas de Negócio.</p><p>4 — Entendimento dos Dados.</p><p>5 — Preparação dos Dados.</p><p>5.1 — EDA(Análise Exploratória dos Dados)</p><p>6 — Validação</p><p>7 — Respondendo Problemas de Negócio.</p><p>8 — Considerações Finais.</p><p><strong>1 — Metodologia</strong></p><p>A abordagem metodológica escolhida para conduzir esta análise é a CRISP-DM, um modelo amplamente reconhecido que promove boas práticas, permitindo uma análise de dados eficaz. A estrutura desta metodologia se desdobra em seis etapas distintas, cada uma cuidadosamente projetada para otimizar a eficiência do processo, conforme ilustrado no gráfico a seguir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/886/1*V6EiYDFbDaDjHMdSGv-ChA.png" /></figure><p><strong>2 — Ferramentas utilizadas.</strong></p><p>Para realizar esta análise, as principais ferramentas adotadas serão o<strong> Excel</strong> da <strong>Microsoft</strong>, pois ele é uma ferramenta ágil e versátil para a manipulação e análise dos dados; e para uma apresentação visual mais impactante e elucidativa, será empregado o <strong>Power BI</strong>, que permitirá a criação e exibição de gráficos representativos.</p><p>Essa combinação estratégica de ferramentas, além de proporcionar uma abordagem abrangente e eficaz na interpretação dos dados, permite ainda ser usada em qualquer ambiente empresarial, onde não há a necessidade de grandes investimentos em ferramentas mais sofisticadas, pois elas por si só, garantem uma análise robusta e insights valiosos.</p><p><strong>3 — Entendimento do Negócio.</strong></p><p><strong>BanVic — A Jornada dos Dados Financeiros. </strong>O Banco Vitória S.A., também conhecido como Banvic, foi fundado em São Paulo em 2010, com uma visão inovadora de oferecer serviços bancários eficientes tanto em agências físicas quanto no ambiente digital. Com uma equipe de 100 colaboradores dedicados, o BanVic cresceu para se tornar uma instituição financeira nacional de destaque.<br>O banco sempre foi focado em proporcionar aos clientes experiências bancárias transparentes e convenientes. No entanto, à medida que a instituição expandiu suas operações e serviços, surgiu a necessidade de aprimorar a compreensão de seus dados para impulsionar ainda mais a excelência em seus serviços.<br>Nossa história começa quando a CEO do BanVic, Sofia Oliveira, percebe que a análise de dados é a chave para elevar o banco a novos patamares. Ela acredita que entender profundamente as operações e comportamentos dos clientes pode levar a melhorias significativas nos serviços oferecidos.</p><p>Sofia convoca uma reunião com a equipe de liderança, incluindo o Diretor de Tecnologia, André Tech, a Diretora Comercial, Camila Diniz, e o recém-contratado Analista de Dados, Lucas Johnson. Cada um deles traz perspectivas únicas para a mesa.<br>André Tech, o especialista em tecnologia, está animado com a ideia de implementar técnicas avançadas de análise de dados para otimizar as operações internas do banco. Há tempos André e sua equipe fazem análises manuais para o banco e ele não gostaria de seguir dessa forma por já conhecer os riscos deste formato.<br>Camila Diniz, por outro lado, não está convencida que este é o caminho. Ela acredita que o BanVic pode investir mais em marketing e melhorar a segmentação dos clientes nas cidades que o banco já está estabelecido, sendo esse um caminho mais rápido e já conhecido pelo BanVic. Sua postura pode colocar em risco o projeto, pois sua equipe hoje detém parte dos dados comerciais importantes para a estruturação digital da empresa e isso pode acarretar em burocracias e atrasos em relação a acessos e permissões.<br>Por fim, Lucas Johnson, apaixonado por dados, propõe uma abordagem abrangente para compreender não apenas as transações financeiras, mas também o comportamento dos clientes em diversos canais. Ele sugere explorar como o PIX afetou as transações, identificar padrões de inatividade e avaliar a popularidade da agência digital em comparação com a agência física.</p><p>A equipe concorda que a implementação de um projeto de análise de dados bem-sucedido pode proporcionar insights valiosos, melhorando a eficiência operacional e a experiência do cliente. No entanto, todos são conscientes dos desafios técnicos e da importância de escolher as ferramentas certas.<br>Em um servidor da nuvem estão os dados do ERP, CRM e marketing. Atualmente as análises do BanVic são realizadas em planilhas e apresentações, sendo que não possuem nada em ferramentas de BI, mas estão abertos a utilizar ferramentas como Metabase, Data Studio, PowerBI, entre outros.</p><p><strong>3.1 -Perguntas de Negócio.</strong></p><ul><li><strong><em>Qual o perfil comportamental do cliente e como podemos trabalhar esse perfil de forma que impacte na lucratividade da empresa?</em></strong></li><li><strong><em>Como está o desempenho das agências, em relação aos seus clientes? Ela está atuando de forma eficaz no que vem oferecendo?</em></strong></li><li><strong><em>As bases de dados que temos hoje, são adequadas e nos permitem analisá-las de forma confiável?</em></strong></li></ul><p><strong>4 -Entendimento dos dados.</strong></p><p>As análises foram realizadas, com embasamento em 7 planilhas cedidas pelas equipes responsáveis, sendo elas: (“Agências”, “Clientes”, “Colaboradores”, “Contas”, “Propostas_crédito”, “Transações”, “Colaborador_agência”), com o intuito de aprimorar a compreensão dos dados da empresa para impulsionar ainda mais a excelência em seus serviços.</p><p><strong>5 -Preparação dos dados (ETL).</strong></p><p>Iniciei a preparação dos dados, através do <strong><em>Power Query</em></strong>, ambiente de preparação e transformação de dados, identificando possíveis dados nulos ou duplicados, dados faltantes ou em branco nas tabelas. Para realizar essa verificação, criei filtros específicos para cada variável; classifiquei as variáveis em qualitativas (ordinais/nominais) ou quantitativas (discretas/contínuas); apliquei uma limpeza de espaços em excesso, dentro de cada célula; criei algumas novas variáveis como, “Nome Completo”, onde uni o primeiro nome com o último nome, que estavam em colunas separadas; limpei as colunas com datas, deixando somente o ano, mês e dia; criei a coluna “Idade”, na planilha Colaboradores, usando as informações da coluna “Data de Nascimento”, com o intuito de agregar na exploração do perfil do colaborador; nas colunas com valores de saldo total, saldo disponível, valor de financiamento, taxa de juros, valor de entrada, valor de prestação, transformei os dados em formato de moeda brasileira (estavam em formato inglês_americano).</p><p><strong>5.1 — Análise Exploratória de Dados (EDA)</strong></p><p>Após o processo de ETL, prossegui para a etapa crucial da Análise Exploratória de Dados <strong>(EDA)</strong>. Nesta fase, dediquei-me a estudar cada variável individualmente (análise unidimensional), visando compreender suas nuances. A seguir, detalho algumas delas:</p><p>5.1.1 — <strong>Perfil Comportamental do Cliente</strong></p><p>Para explorar o perfil do cliente, realizei algumas análises de variáveis que me trouxeram algumas informações importantes.</p><ul><li><strong>Quantidade de cliente por agência/ Média de idade dos clientes</strong></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/947/1*6roMbPl9V5UUfjrcLg50TA.png" /></figure><p>Essa tabela dinâmica, seguido do gráfico de barras, me mostra que são 998 clientes atualmente, com idade média de 49 anos e estão distribuídos entre as agências, com uma concentração maior na agência Digital (47,1%), sendo os outros 53%, distribuídos entre as 9 agencias físicas, pelo país.</p><ul><li><strong>Porcentagem de Tipos de Transações das contas Ativas</strong></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/506/1*GCE26YlKDwScvbPgugNTIw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/551/1*aPD-8jVRJ33nHOHDfansXg.png" /></figure><p>Analisando os tipos de transações, observei que as transações que o cliente mais utiliza são: <strong>Compra (crédito e débito) e Pix (recebimento e realizado)</strong>, cada um com seus percentuais explanados no gráfico; <strong>39% das transações estão concentradas no PIX (26,1% + 12,9%).</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/552/1*_bctmiPXwEZTww_8EMitMA.png" /></figure><p>Ainda sobre as transações, o gráfico de Pareto, mostra claramente que <strong>89,4% das transações</strong>, estão concentrados entre <strong>Compra (crédito e débito) e Pix (recebimento e realizado).</strong></p><p>5.1.2 — <strong>Perfil Comportamental/Desempenho das Agências</strong></p><p>Utilizei algumas variáveis das bases em busca de entender o comportamento e até mesmo o desempenho das agências, onde foi possível levantar alguns insights:</p><ul><li><strong>Status das Contas/Saldo Total</strong></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/454/1*6ryuBOaZV6Xg_tpvIUF0SQ.png" /></figure><p>Precisei considerar como “conta ativa”, aquelas que foram movimentadas no último ano, através da variável “Data de Transação”, pois se considerasse os últimos 120 dias (padrão bancário), não teríamos nenhuma conta ativa.<br>Podemos observar ainda, uma diferença grande entre os valores de saldo das contas inativas e ativas, oque já é esperado, devido o número baixo de contas ativas no momento.<br>Observei ainda, na base que, todas as contas que o banco tem hoje, são de pessoa física, através da variável “tipo de Conta”.</p><ul><li><strong>Número de Propostas de Crédito distribuídos por agência</strong></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/702/1*QxHDlUsawdYqaRDh0ha1lw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/615/1*p9b56cr7_2id6ItJeAeELg.png" /></figure><p>A tabela dinâmica, juntamente com o gráfico, mostra que desde que o banco foi inaugurado, em 2010, foram 2000 propostas de crédito e, avaliando o desempenho das agências, em relação às propostas de crédito, observamos que a agência Digital, não apresenta um bom desempenho, pois das propostas que o banco tem hoje, somente 7,5% corresponde à clientes com conta nessa agência que, inclusive, já mostrado no item Perfil comportamental dos clientes, retém 47,1% dos clientes.</p><ul><li><strong>Status das Propostas de Crédito</strong></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/806/1*L4yzXoVJ2K9rXqvQ1uUu6g.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/629/1*pkgTPpb3_INNUQWyv9AbVQ.png" /></figure><p>Nessa tabela/gráfico observo uma coisa muito interessante e me traz uma reflexão: <strong>Será que as bases de dados não estão com inconsistências? </strong><br>Essa análise nos mostra claramente a quantidade de propostas que temos nas bases dde dados e notamos que existem propostas em análise ou na validação de documentos, há mais de 10 anos.<br>Independente dessa possibilidade, focando somente nas análises que esses dados me traz, pude observar um número frequente de propostas ainda em análise ou na validação de documentos, no decorrer dos anos.</p><p>5.1.3 — <strong>Perfil dos Colaboradores</strong></p><p>Em busca de insights sobre o perfil e desempenho dos colaboradores, pude observar o seguinte:</p><ul><li><strong>Média de Idade e Desempenho</strong></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/705/1*ilPrLRgRb_9I4q_YJhPaSA.png" /></figure><p>A empresa conta com 100 colaboradores distribuídos entre suas agências e a média de idade dos colaboradores é de 43 anos e eles estão em maior número na agência Matriz (16 colaboradores).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/627/1*S87sHuZm5AR-2vhJtlcHwg.png" /></figure><p>As propostas de crédito são apenas um de vários produtos a oferecer ao cliente e, quando avaliamos, notamos uma baixa quantidade nas agências “Osasco”, “Jardins”, “Digital” e “Florianópolis”, com no máximo 7,5% das propostas de crédito ofertadas desde a abertura do banco, em 2010. Será que essa baixa quantidade está relacionada ao desempenho do colaborador? Ou pode ser inconsistência dos dados?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/267/1*lMLJwczw-xD0Ak5IH6vHoA.png" /></figure><p>Levantei a média e a mediana de propostas oferecidas aos clientes por colaborador, me certificando com a mediana que, 50% dos valores estão acima de 19 propostas realizadas e os outros 50% estão abaixo desse valor.</p><p><strong>6 — Validação</strong></p><p>Nessa fase do projeto, devemos validar as análises exploratórias realizadas até o momento, criando modelos que possam ser implementados e que permitam acompanharmos os principais KPIs das áreas em questão, porém, como se trata de uma empresa que não tem seus dados estruturados ainda, sugiro, após conhecer melhor esses dados, uma reestruturação e a implantação de um setor de BI, pois já é possível enxergarmos varias melhorias a serem implantadas, mas que só terão sucesso, se estiverem embasadas em dados confiáveis.</p><p><strong>7 — Respondendo os Problemas de Negócio</strong></p><p><strong><em>Qual o perfil comportamental do cliente e como podemos trabalhar esse perfil de forma que impacte na lucratividade da empresa?</em></strong></p><p>O cliente da empresa tem em média 49 anos, gosta do formato digital de conta bancária (47,1% deles estão concentrados nela) e tem nas compras (débito e crédito) e no pix, seus principais formatos de transações (pix afetando as transações de forma positiva, sendo uma ótima oportunidade para o banco trabalhar esse produto).</p><p>Podemos criar várias campanhas de incentivo ao cliente como:</p><p>1- Campanhas de educação financeira para informar os clientes sobre como aproveitar ao máximo as funcionalidades do Pix e as vantagens das compras eletrônicas.<br>2-Criar programas de recompensas ou cashback para clientes que utilizam o Pix ou fazem compras frequentes.<br>3-Estabelecer parcerias com estabelecimentos comerciais para oferecer descontos exclusivos aos clientes do banco.<br>4- Aprimorar o aplicativo móvel do banco para tornar as transações mais rápidas, intuitivas e seguras.<br>5-Integrar funcionalidades como lembretes de pagamento, categorização de gastos e relatórios de despesas para auxiliar os clientes na gestão financeira.<br>6-Investir em um atendimento ao cliente eficiente, proporcionando canais de suporte rápido e acessível para solucionar dúvidas ou problemas relacionados às transações.<br>7-Enviar pesquisas de satisfação após cada transação ou compra, buscando feedback para melhorar continuamente a experiência do cliente.<br>8-Implementar programas de fidelidade baseados no volume e frequência de transações.<br>Essas estratégias podem contribuir para criar um ambiente favorável e atraente para os clientes que preferem utilizar compras e pix como principais formas de transações bancárias.</p><p><strong><em>Como está o desempenho das agências, em relação aos seus clientes? Ela está atuando de forma eficaz no que vem oferecendo?</em></strong></p><p>Com os resultados levantados nas análises de perfil das agências, pude perceber que a popularidade da agência digital em comparação com a agência física, é grande e uma sugestão é, aproveitar essa alta popularidade da agência digital, porém, trabalhar também para aumentar essa taxa de clientes nas agências físicas, atraindo novos clientes, com a implantação de campanhas específicas.<br>Para melhorar essas métricas e consequentemente aumentar a carteira de clientes sugiro algumas atuações:</p><p>1-Ofertas de Contas Gratuitas, como isentar taxas de manutenção de conta por um período inicial, oferecer contas correntes sem taxas para determinados segmentos demográficos, como estudantes ou idosos.<br>2-Destacar taxas de juros competitivas em produtos de investimento, como contas de poupança, CDBs e fundos de investimento.<br>3-Utilizar estratégias de marketing digital, como anúncios nas redes sociais, marketing por e-mail e SEO, para alcançar um público mais amplo.</p><p>Outra questão a ser trabalhada em relação às agências, é aumentar a oferta dos produtos aos clientes, em especial as linhas de créditos, pois foi observado uma mediana de 19 propostas por colaborador, desde a abertura da empresa.</p><p><strong><em>As bases de dados que temos hoje, são adequadas e nos permitem analisá-las de forma confiável?</em></strong></p><p>De forma geral, observei um histórico de dados com algumas inconsistências, como por exemplo as propostas de crédito “em aberto” com status de “Em análise”, “Enviadas” e “Validação de documentos” desde 2010. O gráfico em questão mostra que o CRM parece não estar sendo bem utilizado, pois não é normal ter propostas antigas em aberto, ou seja, existe uma falta de acompanhamento.</p><p><strong>8 — Considerações Finais</strong></p><p>Escolhi a ferramenta <strong>5W2H</strong> que é um conjunto de questões utilizado para compor planos de ação de maneira rápida e eficiente, onde seu principal propósito é a definição de tarefas eficazes e seu acompanhamento, de maneira visual, ágil e simples, para sugerir os próximos passos:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/880/1*MESUZjM6YsFbT75Vsm0yqQ.jpeg" /></figure><p>Considero valioso esse trabalho realizado na empresa, pois nele vejo o primeiro passo em direção ao sucesso e crescimento institucional e na busca do objetivo de amadurecimento na sua cultura e no uso de dados dentro da organização.<br>Deixo claro a importância de expor os indicadores, pois estes podem ajudar a engajar as equipes e consequentemente converter mais clientes, podem ainda, mostrar onde a empresa deve atuar diretamente e quais os indicadores que necessitam de maior atenção e acompanhamento.</p><p>Para investir mais em marketing e melhorar a segmentação dos clientes, não somente nas cidades que o banco já está estabelecido, mas nas outras cidades, inclusive explorar o público de pessoa jurídica, pois atualmente os cliente são 100% pessoa física, pode não ser o caminho mais rápido, mas com certeza será o mais acertivo, se a empresa passar a se basear em dados, contando com time de BI e de Analytics.</p><p>É importante que as campanhas se alinhem à missão, visão e valores da empresa, além de atenderem às necessidades e expectativas dos potenciais clientes. Uma abordagem integrada e focada no cliente geralmente é mais eficaz para atrair e reter novos clientes, consequentemente, trazer lucratividade e crescimento institucional.</p><p>Sugiro que, após a nova reunião com a CEO Sra Sofia Oliveira, após determinar o plano de ação, inicie a implantação de Datasets adequados, com o auxílio de um engenheiro de dados, para a coleta dos novos dados, permitindo que o mais breve possível a equipe de Analytics possa confeccionar os dashboards adequados (analítico, operacional, gerencial, etc) para cada setor e etapa dos processos; estes serão fundamentais para o acompanhamento diário dos KPIs definidos pela Diretoria/BI. E ainda, implementar o quanto antes um acompanhamento das novas campanhas, para realizarmos testes A/B, avaliando dia a dia os resultados das mudanças de estratégias, permitindo com isso, ajustes que se façam necessários ao longo dos meses, de forma pontual.<br>Não considerei a confecção de um dashboard no momento devido a inconsistência nas bases de dados, pois teríamos um dashboard nos trazendo resultados duvidosos.</p><p><strong>9 — Contato:</strong></p><p>Estou à disposição para esclarecimento de dúvidas em meu perfil no LinkedIn, através do link <a href="http://www.linkedin.com/in/julianaschulz30">www.linkedin.com/in/julianaschulz30</a> ou ainda por email: juliana.schulz@hotmail.com.<br>Meu portfólio, inclusive com dashboards: <a href="https://medium.com/@schulzj30">https://medium.com/@schulzj30</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5b5830864f26" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Predição de Performance de Colaboradores]]></title>
            <link>https://medium.com/@schulzj30/predi%C3%A7%C3%A3o-de-performance-de-colaboradores-4ffd1c884842?source=rss-df7b2c9e57c4------2</link>
            <guid isPermaLink="false">https://medium.com/p/4ffd1c884842</guid>
            <category><![CDATA[information-value]]></category>
            <category><![CDATA[people-analytics]]></category>
            <category><![CDATA[data-analytics]]></category>
            <category><![CDATA[hypothesis-testing]]></category>
            <dc:creator><![CDATA[Juliana Schulz]]></dc:creator>
            <pubDate>Wed, 17 Jan 2024 12:21:24 GMT</pubDate>
            <atom:updated>2024-02-13T22:06:00.242Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/774/1*E7nwLUO3mqgTkoEi1C3-cQ.png" /></figure><p><strong>Sumário</strong></p><p>1 — Metodologia.</p><p>2 — Ferramentas utilizadas para análise.</p><p>3 — Entendimento do Negócio.</p><p>3.1 — Perguntas de Negócio.</p><p>4 — Entendimento dos Dados.</p><p>5 — Preparação dos Dados (ETL).</p><p>5.1 — EDA(Análise Exploratória dos Dados)</p><p>6 — Modelagem dos Dados</p><p>6.1 — Análise de IV</p><p>6.2 — Teste de Hipóteses</p><p>7 — Respondendo os Problemas de Negócio.</p><p>8 — Considerações Finais.</p><p>9 — Contato.</p><p><strong>1 — Metodologia</strong></p><p>A metodologia escolhida para conduzir essa análise é a CRISP-DM, muito utilizada por profissionais de dados, pois promove boas práticas e permite uma análise de dados eficaz. Sua abreviação vem de <strong>Cross Industry Standard Process for Data Mining</strong>. Ela foi criada unindo-se as melhores práticas no processo de análise de dados e tem 6 grandes passos distintos em sua estrutura, cada um deles, projetados cuidadosamente para otimizar a eficiência do processo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/695/1*2n7nd_gSPSw9ZdXeolyU2w.png" /></figure><p><strong>2 — Ferramentas utilizadas para análise.</strong></p><p>Para realizar esta análise, as principais ferramentas adotadas serão o<strong> Excel</strong> da <strong>Microsoft</strong>, pois ele é uma ferramenta ágil e versátil para a manipulação e análise dos dados; e para uma apresentação visual mais elucidativa, será empregado o <strong>Power BI</strong>, que permitirá a criação e exibição de gráficos representativos e de um dashboard.<br>Essa combinação estratégica de ferramentas, além de proporcionar uma abordagem abrangente e eficaz na interpretação dos dados, permite ainda ser usada em qualquer ambiente empresarial, onde não há a necessidade de grandes investimentos em ferramentas mais sofisticadas, pois elas por si só, garantem uma análise robusta e insights valiosos.</p><p><strong>3 — Entendimento do Negócio.</strong></p><p><em>Uma empresa de </em><strong><em>Contact Center e Customer Experience</em></strong><em> contrata muitas pessoas por ano. Esse ramo de Contact Center é conhecido por ser a porta de entrada de muita gente no mercado, pois não exige muita experiência.</em></p><p><em>No entanto, o turnover por baixo desempenho dos colaboradores também é muito alto, fazendo com que a empresa tenha que ficar contratando e treinando pessoas constantemente para que a operação de atendimento não fique sem colaboradores e o cliente final não sinta uma demora para ser atendimento nos mais diversos canais de atendimento, desde o telefone até o chat e whatsapp.</em></p><p><em>A empresa gostaria de testar técnicas de People Analytics para ajudar o time de Atração de Talentos a filtrar melhor os perfis de colaboradores no processo seletivo a fim de trazer mais colaboradores com potencial de boa performance no trabalho. Para isso, os analistas de dados devem analisar um histórico de </em><strong><em>7.240</em></strong><em> colaboradores e sua performance após 6 meses a contração para responder:</em></p><p><strong>3.1 -Perguntas de Negócio.</strong></p><p><strong><em>- Quais fatores o time de Atração de Talentos deve olhar para selecionar candidatos com maior chance de ter boa performance após 6 meses à data da contratação?</em></strong></p><p><strong><em>- Com base nisso, qual política de contratação deve passar a valer de forma que a empresa aumente as boas contratações?</em></strong></p><p><strong>4 -Entendimento dos dados.</strong></p><p>Os dados foram extraídos da base da escola Preditiva.ai e já foram extraídos no formato <strong>CSV</strong>.<br> Abaixo seguem os <strong>metadados</strong> extraídos da base:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*crlJpGWgOyItr_-vs0XRfw.png" /><figcaption>Metadados extraídos da base de dados da Preditiva.ai</figcaption></figure><p><strong>5 -Preparação dos dados (ETL).</strong></p><p>Iniciei a preparação dos dados, identificando possíveis dados nulos ou duplicados, dados faltantes ou em branco na tabela, Para realizar essa verificação, criei filtros específicos para cada variável; classifiquei as variáveis em qualitativas (ordinais/nominais) ou quantitativas (discretas/contínuas); apliquei uma limpeza de espaços em excesso, dentro de cada célula; criei uma nova variável “Experiência”, apenas para agrupar as respostas (“não” e “a empresa é meu primeiro emprego”) da coluna “Antes de trabalhar na empresa, você tinha experiência em Contact Center?”, apenas para torná-la mais propícia para as análises, especialmente na construção de uma tabela dinâmica, acrescentei uma coluna com a data de admissão dos colaboradores, após <strong>*</strong>solicitar as informações à equipe de RH, para poder acompanhar as métricas antes e depois da implantação de uma nova política de contratações.<br><strong>*</strong> case de estudo, do curso da Preditiva, informações fictícias.</p><p><strong>5.1 — Análise Exploratória de Dados (EDA)</strong></p><p>Após realizar o Sanity Check, prossegui para a etapa crucial da Análise Exploratória de Dados <strong>(EDA)</strong>. Nesta fase, dediquei-me a estudar cada variável individualmente (análise unidimensional), visando compreender suas nuances. A seguir, detalho <strong>algumas</strong> delas:</p><p><strong>Boa Performance<br></strong>A variável Boa Performance é minha <strong>variável resposta</strong>, onde observei que 56,5% da base analisada apresentou boa performance depois de 6 meses de atuação na empresa, representada no gráfico abaixo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/395/1*PNZYwr6JVYiTwNG8lgAMhA.png" /></figure><p>Na sequência, busquei compreender cada variável, através da construção de tabelas dinâmicas e gráficos para extrair insights que me mostrem a necessidade de aprofundar ainda mais, em relação à variável resposta (análise bidimensional).</p><p><strong>Experiência<br></strong>A variável Experiência mostra que 51,6% dos colaboradores contratados, tinham experiência prévia.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/391/1*YmTn_luB5Gbm4SEv9JHEBA.png" /></figure><p><strong>Área de Atuação Anterior<br></strong>A variável Área de atuação anterior, mostra que 80% dos colaboradores tinham experiência prévia nos setores “Atendimento Receptivo”, Backoffice”, “Ativo de Vendas”, “Chat ou email”, “Cobrança” e “Suporte Técnico”, conforme mostra a tabela abaixo e o gráfico de Pareto.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/651/1*b7_7DWZKBptC7t1ykW0xDw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/520/1*UhONFwGyzdLcL02UcLx5xQ.png" /></figure><p><strong>Possui Dependentes<br></strong>A variável Dependentes mostra que mais da metade dos colaboradores (66,8%) não possuem dependentes.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/396/1*aroCx57718B-h4mzQCM0DQ.png" /></figure><p><strong>Trabalho em equipe<br></strong>A variável Trabalho em equipe, mostra que 80% dos colaboradores, gostam de trabalhar em equipe.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/551/1*F6BMPMrDjlBy03pRzBw6xQ.png" /></figure><p><strong>6 — Modelagem dos Dados</strong></p><p>Análise de Variáveis Impactantes na boa performance.</p><p>Compreendidos os pontos-chave durante a Análise Exploratória de Dados <strong>(EDA)</strong>, torna-se crucial identificar as variáveis que verdadeiramente impactam no desenvolvimento de uma boa performance após 6 meses de trabalho. Para esta análise, empreguei as técnicas de Information Value e Testes de Hipóteses.</p><p><strong><em>Information Value (IV)</em></strong><em>, essa medida é responsável por fornecer o “poder de separação” que uma variável qualitativa de duas ou mais categorias possui sobre outra variável de duas categorias (variável binária), ou seja, quais variáveis são responsáveis por separar a variável Boa Performance.</em></p><p><strong><em>Teste de hipóteses — </em></strong>é<em> uma metodologia estatística que nos auxilia a tomar decisões sobre uma ou mais populações baseado na informação obtida da amostra. Nos permite verificar se os dados amostrais trazem evidências que apoiem ou não uma hipótese estatística formulada.</em></p><p><strong>6.1 — Análise de IV</strong></p><p>Inicie pela análise do <strong>IV</strong> para compreender o quanto as variáveis explicativas contribuem para a variabilidade na “Boa Performance”. Aqui, focarei apenas nas variáveis relevantes para nossa análise, considerando os IVs maiores obtidos, conforme mostra a tabela abaixo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/648/1*0GN5-zsZkuIYB3u4d9Bibg.png" /></figure><p>Experiência: <br>A taxa de boa performance entre os colaboradores sem experiência, foi maior (60,1%) que entre os colaboradores com experiência (53,1%) e o IV da variável “Experiência”, em relação a boa performance foi de 0,020.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*iE58GAQldHv5mGa-pGaf_g.png" /></figure><p>Experiência por área de atuação:<br>Entre os colaboradores com experiência, destaquei as experiências em setores que tiveram a maior taxa de boa performance: Backoffice, Ativo de Vendas, Chat ou email, Multiskill e Suporte Técnico c/ Vendas. Observei ainda os setores com a menor taxa de boa performance como Suporte Técnico e Retenção. O IV da variável “Área de Atuação Anterior”, em relação a boa performance foi de 0,03.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*q-fkGv8bBqbOAQbtPSqm2A.png" /></figure><p>Trabalho em equipe:<br>Focar em colaboradores que gostam de trabalho em equipe, visto que a Taxa de Boa Performance nesse grupo, foi de 55% (concordo) e 59,5% (concordo plenamente). O IV da variável “Gosta de trabalhar em equipe”, em relação a boa performance foi de 0,029.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rQXak4yjh2I5jfAqWHsc1g.png" /></figure><p>Dependentes:<br>Na variável “Possui Dependentes”, como já foi mostrado anteriormente, os colaboradores que não possuem dependentes, representam 66,8% dos colaboradores e nessa análise podemos ver que ela apresenta ainda uma melhor taxa de boa performance (59%), em relação a quem possui dependentes (51%). O IV dessa variável em relação a boa performance é de 0,023.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Q5F6cgs8L0pR7vmsRy-hMA.png" /></figure><p><strong>6.2 — Teste de Hipóteses</strong></p><p>Com o intuito de validar e aprofundar minha compreensão, decidi realizar uma análise mais robusta, empregando a técnica de Teste de Hipóteses para duas variáveis em questão, “Experiência” e “Trabalho em equipe”, de forma a “descobrir” se realmente as diferenças de proporções em questão são significativas para minha conclusão.<br>Nesse caso, vamos utilizar o <strong><em>teste de hipóteses para duas proporções:</em></strong></p><p>Variável Experiência:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/627/1*Xw8Hc8co4YBhYceu5MM7Ew.png" /></figure><p>Variável Trabalho em equipe:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/591/1*xk0DVuuuTC1ziNoSwGJQJg.png" /></figure><p>Neste modelo, pude verificar que em ambas as variáveis, o teste me mostrou a rejeição da Hipótese Nula (H0), ou seja, <strong>as diferenças entre as categorias, em relação ao percentil de Boa Performance, são representativas.</strong></p><p><strong>7 — Respondendo os Problemas de Negócio</strong></p><p>Com isso em mente, posso concluir que as variáveis mais significativas para abordar o problema de negócio são:</p><p><strong>1.Experiência</strong>: Variável que, apesar do percentil de colaboradores com experiência, ser maior (51,6%), em relação aos colaboradores sem experiência (48,4%), quando avaliada em conjunto com a variável “Boa performance”, mostra que, os colaboradores sem experiência tiveram uma maior taxa de boa performance (60,1%). Validei ainda, através do teste de Hipóteses que essa diferença entre as taxas de boa performance ( com experiência = 53,1% e sem experiência = 60,1%) nesse grupo, é significativa para o negócio.</p><p><strong>2. Área de atuação anterior</strong>: Analisando o grupo com experiência, conclui que os colaboradores que tinham experiência nos setores “Backoffice”, “Ativo de Vendas”, “Chat ou email”, “Multiskill” e “Suporte Técnico com Vendas”, apresentaram maior Taxa de Boa Performance.</p><p><strong>3. Trabalho em equipe</strong>: Destacou-se individualmente ao representar pouco mais de 80% (82,6%) dos colaboradores que gostam de trabalhar em equipe. Esse grupo demonstrou ainda, uma taxa de boa performance satisfatória sendo, 55% para os colaboradores que gostam de trabalhar em equipe e 59,5% para os colaboradores que gostam plenamente de trabalhar em equipe. Validei ainda, através do teste de Hipóteses que essa diferença entre as taxas de boa performance (concorda = 57,5% e discorda = 45%), nesse grupo, é significativa para o negócio.</p><p><strong>4. Dependentes</strong>: Optei por não considerar essa variável como critério eliminatório, por questões éticas, embora ela tenha apresentado taxa de boa performance de 59% entre o grupo que não possui dependentes.</p><p>Essa conclusão sugere que, seja considerado <strong>focar nos grupos que não possui experiência; em quem concorda que é bom trabalhar em equipe; em quem tem experiência nos setores listados acima; evitar quem tem experiência nos setores “Suporte Técnico” e “Retenção”.</strong> Com essas conclusões, temos um modelo mais abrangente e preciso para explicar e prever as taxas de boa performance na empresa, oferecendo uma base sólida para futuras decisões estratégicas e intervenções direcionadas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/920/1*XtQzZU3TZHZE_Um0RthzlQ.png" /></figure><p><strong>8 — Considerações Finais</strong></p><p>Ao longo desta análise abrangente, explorei diversos aspectos relacionados à boa performance dos colaboradores, considerando fatores como experiência, área de atuação, gostar de trabalhar em equipe, ter ou não dependentes e a boa performance apresentada ao longo dos meses iniciais de trabalho, após a contratação. Uma observação a ser destacada é que, ter ou não dependentes não foi considerado como critério eliminatório, por motivos éticos como mencionei acima, porém, sugeri um plano de ação para esse grupo que possui dependentes, de forma que ele se sinta mais acolhido nas questões sobre conciliar emprego/filhos.</p><p>Diante desse cenário, propus a implementação de um teste A/B para avaliar a eficácia de uma política de contratações voltada para as características destacadas nessa análise. Essa estratégia, apresenta a oportunidade de não apenas a empresa aumentar as boas contratações, mas também reduzir o turnover e com isso, aumentar ainda mais a taxa de boa performance ao longo dos meses. Esse acompanhamento poderá ser feito através de um <strong>dashboard analítico</strong> que criei, onde será possível acompanhar as métricas, após as alterações no plano de contratação, dando embasamento para tomar melhores decisões, rastreando o desempenho das equipes, diariamente.<br><strong>Aqui, segue o </strong><a href="https://app.powerbi.com/view?r=eyJrIjoiMjQ3ZDkyOGMtMDEyYi00Zjc3LTg2MWUtMjYxNzc1NzllODBkIiwidCI6ImUyNWIyMGRiLTBiY2QtNDRlZS1iMjE1LWFhMzMwNWQ5NWIzMiJ9"><strong>link</strong></a><strong> do dashboard, para acompanhamento:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/902/1*DepnMbj-K5aCdHbpSxvCPA.png" /></figure><h4>9 — Contato:</h4><p>Estou à disposição para esclarecimento de dúvidas em meu perfil no LinkedIn, através do link <a href="http://www.linkedin.com/in/julianaschulz30">www.linkedin.com/in/julianaschulz30</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4ffd1c884842" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Otimização de Custos de Plano de Saúde]]></title>
            <link>https://medium.com/@schulzj30/otimiza%C3%A7%C3%A3o-de-custos-de-plano-de-sa%C3%BAde-dd2bc4fe0c71?source=rss-df7b2c9e57c4------2</link>
            <guid isPermaLink="false">https://medium.com/p/dd2bc4fe0c71</guid>
            <dc:creator><![CDATA[Juliana Schulz]]></dc:creator>
            <pubDate>Sat, 18 Nov 2023 16:42:05 GMT</pubDate>
            <atom:updated>2025-03-16T17:59:04.856Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Case fictício, realizado como parte da formação em Análise de Dados, da escola Preditiva.ai.</em></p><h4>1- Técnicas Estatísticas, ferramentas e métodos utilizados nesse projeto</h4><p>Neste estudo de caso, utilizei a <strong><em>Estatística Descritiva</em></strong> e a <strong><em>Inferência Estatística</em></strong>, aplicando <strong><em>Regressão Linear Múltipla</em></strong> no <strong><em>Excel</em></strong> como ferramenta. Segui a metodologia <strong><em>CRISP-DM</em></strong> (Cross Industry Standard Process for Data Mining), que permite entender com precisão a situação do cliente ou empresa e encontrar respostas para os desafios identificados. Com isso, foram gerados novos modelos de resolução de problemas para apoio à tomada de decisão dos gestores.</p><h4>2- Contexto de Negócio e Objetivo</h4><p>Vamos entender o contexto?</p><p>Em uma empresa do ramo alimentício com mais de 20 mil colaboradores em todo o Brasil, observou-se com o passar dos anos, um aumento no custo do plano de saúde com seus colaboradores, oque começou a gerar preocupação aos diretores da empresa. Na tentativa de entender esse comportamento, a gerência de Benefícios e Bem Estar da Diretoria de Pessoas conduziu uma pesquisa interna com um grupo de 1.338 colaboradores sorteados aleatoriamente (oque nos faz acreditar que não tem viés de seleção) e agora precisa que esses dados sejam analisados minuciosamente para descobrir quais os fatores que estão contribuindo com o aumento nos custos do plano de saúde e então, definir ações corretivas e preventivas de forma a gerar valor com esses dados coletados.</p><p>Após muitos questionamentos ao cliente, para o entendimento do negócio, tenho duas questões a serem respondidas:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/147/1*0bPkL_1CP7qhQUe7kjGBig.png" /></figure><p><strong>1. Quais fatores estão mais relacionados com o Custo do Plano de Saúde na empresa?</strong></p><p><strong>2. Que tipo de ações preventivas a empresa pode fazer de forma a diminuir esse custo?</strong></p><p>A gerência acredita que fatores como fumo e obesidade podem estar relacionados com o maior uso do plano de saúde, o que acaba elevando os custos. Portanto, os colaboradores da pesquisa responderam características pessoais como o Índice de Massa Corpórea (IMC), Qte de Filhos e se fazem uso de cigarros.</p><p>Vamos analisar e descobrir se realmente esses fatores estão relacionados?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/746/1*UT5mHtwVrwGIUNoL6RZvtw.png" /></figure><h4>3- Análise Exploratória e insights obtidos</h4><p>Iniciei com o Entendimento dos dados, através de algumas técnicas de <strong>Estatística Descritiva </strong>para entender cada variável da base (análise unidimensional) e suas relações entre elas (análise bidimensional) como, tabelas de frequência e visualização dos dados, usando gráficos adequados para cada situação, em busca de insights que me tragam valores e, é nesse momento em que, também realizei a preparação dos dados.</p><h4>3.1- Idade</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/464/1*kxx2g1X94taUkct-fslOMQ.png" /></figure><p>A variável Idade mostra que a faixa etária entre 18 e 27 anos, é a faixa com maior número de colaboradores e que 67% dos colaboradores da empresa, tem idade entre 18 e 47 anos.</p><h4>3.2- Gênero</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/380/1*wMbT6lTG0ml7073J9vQoRQ.png" /></figure><p>Conforme o gráfico de Pizza, vejo que o público a ser estudado, está bem dividido entre homens ( 51% ) e mulheres ( 49% ).</p><h4>3.3- IMC</h4><p>Para analisar a variável IMC, categorizei os dados em faixas de valores internacionalmente aceitas e apliquei de acordo com cada faixa.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/305/1*QAQ5bM4qoyAs2-KqIhNxhQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/440/1*vI9nbATfFE7TQzREyr8npw.png" /></figure><p>Pude observar que as faixas com maior percentual se concentram em “Obesidade I” e “Acima do Peso” respectivamente com 29,2% e 28,8%. Observei ainda que 82% dos colaboradores, estão acima do peso, ou seja, distribuídos entre as faixas “Acima do peso”, “Obesidade I”, “Obesidade II” e “Obesidade III”.</p><h4>3.4- Qtd de Filhos</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/493/1*FMnnhy5pVl9a3g8HPLp7Aw.png" /></figure><p>A variável Quantidade de filhos mostra que 43% dos colaboradores não possuem filhos e 85% dos colaboradores tem até 2 filhos.</p><h4><strong>3.5- Fumantes</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/405/1*FKT8TRtzU_PRIMhMzVxf5A.png" /></figure><p>A variável Fumante mostra um público de fumantes que correspondem a 20% dos colaboradores e 80% de não fumantes.</p><h4>3.6- Região</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/436/1*fYEB_ycUOQ7i2JW5EpJlEQ.png" /></figure><p>Esta variável mostra uma certa homogeneidade entre as regiões.</p><h4>3.7- Custo de Saúde</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/564/1*4xPa7zQJhsUBiE8RInxGng.png" /></figure><p>A variável Custo de saúde, é minha variável resposta e fazendo uma análise unidimensional, observei que os custos são relativamente baixos quando noto uma concentração de 58% dos custos totais na faixa de R$112,17 até R$1112,17, e ainda, 80% dos custos totais vão até R$2112,17, tendo somente 20% dos custos totais nas faixas de R$2112,17 até R$7112,17.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/673/1*cXgfjEiZyvYRJgkWLN34NQ.png" /></figure><h4>4- Inferência Estatística com Regressão Linear Múltipla</h4><p>Desenvolvimento — 4ª etapa do CRISP-DM. Como tenho uma variável resposta numérica (custo de saúde) e quero avaliar a sua correlação e causalidade entre ela e outras variáveis numéricas, e também, por se tratar de uma amostra da “população (colaboradores)”, através de <strong>Inferência Estatística</strong>, utilizei a técnica de Regressão Linear Múltipla, que é uma técnica de análise de dados que, calcula o relacionamento estimado entre uma variável dependente e uma ou mais variáveis independentes. Para realizar essa análise, utilizei a ferramenta Knime e obtive o resultado a seguir que será explicado abaixo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/582/1*11kEPDB0F_lCKj0Z7W5rJw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/478/1*kSV1LeVOWGugfBHiB93UFQ.png" /></figure><p>A Regressão Linear Múltipla analisou todas as variáveis disponíveis na base de dados, independente de serem quantitativas ou não, criando variáveis Dummys para as variáveis qualitativas; trouxe seus respectivos coeficientes, inclusive com seus Valores P e mostrou que as variáveis sinalizadas com a seta azul, acima, são as variáveis que apresentaram um P Valor abaixo de 5% (índice de significância ), ou seja, essas variáveis estão altamente relacionadas com a minha variável dependente (custo de saúde), pois valores P &gt; 5%, em teoria, são valores que <strong>na população</strong>, não é possível concluir que existe uma diferença significativa.</p><p>Vale ressaltar que:</p><p>· A variável Fumante, tem um <strong>coeficiente</strong> que nos mostra que só pelo fato do colaborador ser fumante, ele acresce <strong>em média</strong>, R$2.384,85 nos custos de saúde e seu <strong>P Valor é menor que 5%</strong>. Além desses resultados que a regressão me trouxe, calculei também o R2 entre as variáveis fumante e custo de saúde que, se mostrou em 62%, ou seja, a variável fumante, de forma isolada, explica 62% dos custos de saúde (conforme mostra abaixo).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/558/1*pevJLjGPKwGPmb2SusDcYQ.png" /></figure><p>· A variável IMC, tem um <strong>coeficiente</strong> que nos mostra que a cada ponto de IMC a mais, o colaborador acresce <strong>em média</strong> R$33,91 aos custos de saúde e seu <strong>P Valor é menor que 5%</strong>. Ainda na variável IMC, fiz uma <strong>combinação</strong> entre as variáveis fumante e IMC e obtive um R2 de 76,9%, ou seja, as variáveis IMC e Fumante explicam 76,9% dos custos de saúde, quando combinadas entre si.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*9Wghlc14rZ4wcoEcLlD-rA.png" /></figure><p>· A variável Quantidade de filhos, tem um <strong>coeficiente</strong> que nos mostra que a cada filho a mais, o colaborador acresce R$47,55 <strong>em média</strong> aos custos de saúde e seu <strong>P Valor é menor que 5%</strong>.</p><p>· A variável Idade, tem um <strong>coeficiente</strong> que nos mostra que a cada ano a mais, o colaborador acresce R$25,68 <strong>em média</strong> aos custos de saúde e seu <strong>P Valor é menor que 5%</strong> também.</p><p>Como as variáveis IMC e Fumante tiveram um percentual importante quando combinadas, decidi “rodar” mais uma vez a Regressão Linear Múltipla, somente com as variáveis que apresentaram P Valor &lt; 5%, que foram elas: IMC, Fumante, Idade e Qtd de Filhos.</p><p>Ao calcular o <strong>R2 ajustado (0,75)</strong>, na ferramenta Knime, através do “Numeric Scorer”, vejo que as <strong>4 variáveis analisadas conjuntamente (fumante, IMC, idade e qtd de filhos), explicam 75% dos custos de saúde desta empresa.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/844/1*JZr0ykzT5ROUcgQ4yvtYJA.png" /><figcaption><strong>R2 AJUSTADO de 75%</strong></figcaption></figure><p>Com esses resultados então, o gestor pôde validar minha análise (4ª etapa do CRISP-DM), pois a Regressão Linear Múltipla vem para “confirmar” as análises feitas anteriormente e finalmente discutirmos um plano de ação e controle para a empresa (Implantação-6ª etapa do CRISP-DM).</p><h4>5- Solução para o problema de Negócio</h4><p>A análise dos dados revelou que os fatores mais relacionados ao custo do plano de saúde na empresa são a idade, o IMC, a quantidade de filhos e ser fumante. Dentre esses, a condição de ser fumante apresenta a maior influência, seguida pelo IMC e os demais fatores. Com base nessas informações, é possível traçar estratégias para reduzir esses custos por meio de ações preventivas direcionadas.</p><h4>6- Plano de Ação</h4><p>Para minimizar os custos com o plano de saúde e promover o bem-estar dos colaboradores, recomenda-se a implementação das seguintes ações preventivas:</p><p><strong>6.1 — Promoção de hábitos saudáveis:</strong></p><ul><li>Realização de palestras sobre os benefícios de uma vida saudável, impactos da alimentação inadequada e os malefícios do tabagismo.</li><li>Conscientização sobre o gerenciamento do estresse por meio de técnicas de meditação e terapias alternativas, como massagens.</li><li>Implementação de programas de ginástica laboral e convênios com academias próximas ao local de trabalho.</li></ul><p><strong>6.2 — Acompanhamento de colaboradores com IMC elevado:</strong></p><ul><li>Realização de exames de bioimpedanciometria para uma avaliação mais precisa da composição corporal.</li><li>Desenvolvimento de programas específicos para prevenção da obesidade, incluindo acompanhamento nutricional.</li><li>Promoção de gincanas com premiações para colaboradores que atingirem metas de saúde.</li><li>Implementação de atividades físicas regulares na empresa.</li><li>Elaboração de um cardápio balanceado e funcional para as refeições na empresa.</li></ul><p><strong>6.3 — Incentivo à prevenção por meio de consultas e exames periódicos:</strong></p><ul><li>Realização de exames preventivos conforme a faixa etária, como prevenção do câncer de próstata para homens acima de 50 anos, mamografia para mulheres acima de 40 anos e papanicolau para todas as mulheres.</li><li>Monitoramento de doenças crônicas, como doenças cardíacas, hipertensão e diabetes, para permitir um tratamento precoce e reduzir custos futuros.</li></ul><p>Essas ações baseiam-se no conceito de medicina preventiva, que visa evitar o desenvolvimento de patologias e reduzir os custos associados a tratamentos complexos. Ao investir nessas iniciativas, a empresa não apenas diminui seus gastos com plano de saúde, mas também melhora a qualidade de vida e produtividade de seus colaboradores.</p><p><strong>6.4 — Monitoramento por Dashboard</strong></p><p>Para garantir um acompanhamento estratégico das ações implementadas, desenvolvi um <strong>dashboard</strong> que permite à diretoria visualizar os principais <strong>KPIs</strong> relacionados aos custos do plano de saúde e aos impactos das ações preventivas.<br>Visualize o dashboard nesse <a href="https://app.powerbi.com/view?r=eyJrIjoiOWI2Y2Q4MWQtNGFmZC00ODRmLWEzOWEtN2IwYTUzZmE1ZDk2IiwidCI6ImUyNWIyMGRiLTBiY2QtNDRlZS1iMjE1LWFhMzMwNWQ5NWIzMiJ9">link</a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/880/1*pBMHOd396egkf7njiLGdrw.png" /></figure><h4>7- Conclusão</h4><p>Concluí que, ao conhecer o perfil dos colaboradores e identificar as variáveis que impactam os custos de saúde, pode-se adotar medidas preventivas eficazes para reduzir despesas e melhorar a qualidade de vida dos funcionários. Com base nas análises realizadas, sugiro as ações descritas anteriormente à Gerência de Benefícios e Bem-Estar da Diretoria de Pessoas, permitindo o alinhamento e a implementação dessas iniciativas.</p><p>Além disso, recomendo que as melhorias propostas sejam monitoradas continuamente, utilizando um modelo de controle e teste para avaliar a eficácia das ações. Caso os resultados positivos sejam confirmados no grupo teste, a ampliação progressiva dessas medidas para toda a organização será essencial para maximizar os benefícios.</p><h4>8- Referências:</h4><p><a href="https://bvsms.saude.gov.br/bvs/publicacoes/rastreamento_caderno_atencao_primaria_n29.pdf">https://bvsms.saude.gov.br/bvs/publicacoes/rastreamento_caderno_atencao_primaria_n29.pdf</a></p><p><a href="https://pt.wikipedia.org/wiki/%C3%8Dndice_de_massa_corporal">https://pt.wikipedia.org/wiki/%C3%8Dndice_de_massa_corporal</a></p><p><a href="https://ead.preditiva.ai/">https://ead.preditiva.ai</a></p><h4>9- Contato:</h4><p>Estou à disposição para esclarecimento de dúvidas em meu perfil no LinkedIn, através do link <a href="http://www.linkedin.com/in/julianaschulz30">www.linkedin.com/in/julianaschulz30</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=dd2bc4fe0c71" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>