Você Decide ou os Dados Decidem?

Você Decide ou os Dados Decidem?

Uma conversa sobre lógica fuzzy e apoio à decisão

Carolina Oliveira

Formação Acadêmica

Processamento de Dados, Pedagogia e LetrasEsp. Eng. de Dados, Informática em Saúde e Ciências da Ling. em EaD e Estatística Aplicada Mestrado em Eng. de Produção Doutorado em Modelo Decisão e Saúde Cientista de Dados / Pesquisadora / Professora / Coord. Turmalinas Tech e Mentora

Área Profissional

Agenda

Provocar reflexão sobre como tomamos decisões

Apresentar a lógica fuzzy como ferramenta para lidar com incertezas

Mostrar como os dados podem apoiar decisões mais humanas e eficazes

Funções, Análises e Competências em Dados

Quais são as principais responsabilidades de um engenheiro de dados, cientista de dados e analista de dados, e como essas funções se complementam para alcançar os objetivos de negócios ?

Como garantir que todos estão aptos a realizar análises, mesmo que simples, sem comprometer resultados, evitando vieses e atendendo aos requisitos fundamentais de analises ?

Quais tipos de análises um time de dados pode realizar e como essas análises podem beneficiar a tomada de decisões negocial ?

Você já tomou uma decisão que parecia lógica, mas depois percebeu que ignorou dados importantes?

Qr- code

Alinhamento de Visões

89% dos executivos esperam que os membros de sua equipe sejam capazes de explicar como os dados influenciaram sua decisão.

11% dos funcionários afirmam ter capacidade de ler, analisar, trabalhar e comunicar com dados.

Fonte: Plataforma Qlink.

Natureza das Decisões

Decisões Programadas

Decisões Não Programadas

• São aquelas que exigem julgamento humano, análise contextual e adaptação. São únicas ou complexas, sem uma regra clara.
• Exemplo: Pandemia, Escolha de tecnologia para novo produto.

• São aquelas que seguem regras fixas, procedimentos ou políticas já estabelecidas. Costumam ser repetitivas e previsíveis.
• Exemplo: Campanha de vacinação, Backup diário de servidores.

Situação ou problema identificado

Como os dados ajudam a decidir?

Ex: queda nas vendas, atraso no projeto, reclamações da qualidade do atendimento.

Análise subjetiva

“Acho que é por causa do preço”.“Talvez o time esteja desmotivado”.

Implementação da ação

Decisão sem Dados

Sem validação prévia.

Resultado incerto

Pode funcionar, mas também pode gerar retrabalho, desperdício ou novos problemas.

Situação ou problema identificado

Como os dados ajudam a decidir?

Ex: queda nas vendas, atraso no projeto, reclamações da qualidade do atendimento.

Identificar padrões e causas prováveis

Queda de vendas em uma região especifica, atraso por gargalo em uma etapa do projeto, longos tempos de espera, etc.

Simulação

Decisão com Dados

Se a avaliação for boa e o preço razoável então eles podem propor um prmoção, etc.

Decisão baseada em evidências

Mais alinhada com a realidade.Aprendizado contínuo.

Como surgiu a Lógica Fuzzy?

• Criada na década de 1960 por Lotfi Askar-Zadeh, professor da Universidade de Berkeley.

• Zadeh percebeu que a lógica clássica não era suficiente para modelar problemas com linguagem natural e subjetividade. Exemplo: Como representar termos como frio, morno ou quente?

• Em 1965, publicou o primeiro artigo “Fuzzy Sets” na revista Information and Control.

• Inicialmente, a comunidade científica (especialmente nos EUA) foi cética e crítica.

O que é a lógica fuzzy?

Lógica difusa, nebulosa ou fuzzy

É uma forma de raciocínio que lida com o "grau de verdade" das coisas, em vez de uma verdade absoluta. Ela permite que um objeto ou uma condição pertença parcialmente a diferentes categorias, reconhecendo que o mundo real é complexo, impreciso e cheio de nuances.

Nem tudo é zero ou um. Às vezes é mais ou menos.

A Arquitetura da Lógica Fuzzy

Conjunto Fuzzy: A Base de Tudo

Definição: Uma extensão do conjunto clássico. Permite que um elemento tenha graus de pertencimento a um conjunto.Pertinência: Em vez de ser apenas 0 (não pertence) ou 1 (pertence), a pertinência de um elemento é um valor contínuo no intervalo [0, 1]. Função: Modela conceitos imprecisos e a transição gradual entre "pertencer" e "não pertencer".

– Qual é o tipo de tomate que você prefere?Bem vermelho Vermelho Meio verde e meio vermelho Mais verde que vermelho Verde Bem verde

A Arquitetura da Lógica Fuzzy

Função de Pertinência (μ): A Regra de Medição

Definição: A função matemática que define o grau com que um elemento (x) pertence a um conjunto fuzzy (A).Mapeamento: Associa cada elemento do universo de discurso a um valor de pertinência. Notação: μ (x):U→[0,1] Formas: Pode ter diversos formatos (Triangular, Trapezoidal, Gaussiana) para representar a semântica do conceito.

A Arquitetura da Lógica Fuzzy

Variável Linguística: A Semântica do Modelo

Definição: Uma variável cujos valores não são números, mas sim palavras ou sentenças de uma linguagem.Função: Serve para traduzir conceitos qualitativos humanos em uma estrutura formal que o modelo pode processar. Estrutura Formal: Definida por uma tupla (x, T(x), U, G, M), onde x é o nome da variável e T(x) é o conjunto de seus termos. Exemplo: x: Nome da Variável = Temperatura T(x): Conjunto de Termos = T(Temperatura) = { "Muito Frio", "Frio", "Agradável", "Quente"} U: Universo de Discurso U = [-10, 50], significa que a temperatura está em uma escala que vai de -10°C a 50°C. G: Gramática (Regra Sintática) = "Muito Frio" e "Muito Quente" M: Semântica (Regra Semântica) = M ("Agradável") é uma função de pertinência gaussiana (em forma de sino) centrada em 22°C.

A Arquitetura da Lógica Fuzzy

Termos Linguísticos: Os Valores da Variável

Definição: Os valores que uma variável linguística pode assumir.Exemplo de Termos para Temperatura: {Frio, Agradável, Quente} Conexão Crucial: Cada termo linguístico é, na verdade, o rótulo de um conjunto fuzzy. Implementação: O significado de cada termo (ex: "Quente") é definido por sua respectiva função de pertinência.

Arquitetura de um Sistema Especialista Fuzzy

Vamos aplicar o modelo fuzzy?

Situação problemaVocê vai escolher um restaurante para um jantar especial.

Considere três critériosPreço: Muito caro / Razoável / Barato Distância: Muito longe / Perto / Caminhável Qualidade: Excelente / Boa / Regula

Regras

Regra 1: SE o Preço é Barato E a Distância é Caminhável E a Avaliação é Excelente ENTÃO o Resultado é A.Regra 2: SE o Preço é Razoável E a Distância é Perto E a Avaliação é Boa ENTÃO o Resultado é B. Regra 3: SE o Preço é Muito Caro E a Distância é Muito Longe E a Avaliação é Regular ENTÃO o Resultado é C.Regra 4: SE o Preço é Barato E a Distância é Muito Longe E a Avaliação é Boa ENTÃO o Resultado é B. Regra 5: SE o Preço é Razoável E a Distância é Caminhável E a Avaliação é Regular ENTÃO o Resultado é B.

Escolha um restaurante com base em uma combinação dos critérios

Exemplo da Avaliação Preço: 0.8 Distância: 0.5 Avaliação: 0.8

Escolha um restaurante com base em uma combinação dos critérios

Regra 1: Barato, Caminhável, ExcelentePreço (0.8) combina com Barato? Sim, perfeitamente. ✅ Distância (0.5) combina com Caminhável? Sim, é compatível. ✅ Avaliação (0.8) combina com Excelente? Sim, perfeitamente. ✅ Resultado: Todas as condições são compatíveis. Esta regra é uma candidata muito forte.

Regra 2: Razoável, Perto, BoaPreço (0.8) combina com Razoável? Não, o preço é melhor que "razoável". ❌ Distância (0.5) combina com Perto? Sim. Avaliação (0.8) combina com Boa? Sim. Resultado: Falha na condição de preço.

Regra 3: Muito caro, Muito longe, RegularPreço (0.8) combina com Muito caro? Não, é o oposto. ❌ Distância (0.5) combina com Muito longe? Não, é o oposto. ❌ Avaliação (0.8) combina com Regular? Não, é muito melhor. ❌ Resultado: Nenhuma condição é compatível

Escolha um restaurante com base em uma combinação dos critérios

Regra 4: Barato, Muito longe, BoaPreço (0.8) combina com Barato? Sim. Distância (0.5) combina com Muito longe? Não, a distância é média, não "muito longe". ❌ Avaliação (0.8) combina com Boa? Sim. Resultado: Falha na condição de distância.

Regra 5: Razoável, Caminhável, RegularPreço (0.8) combina com Razoável? Não. ❌ Distância (0.5) combina com Caminhável? Sim. Avaliação (0.8) combina com Regular? Não. ❌ Resultado: Falha em duas condições.

Exemplo da Avaliação Preço: 0.8 Distância: 0.5 Avaliação: 0.8

Resultado

A Regra 1 é a única em que os seus dados de entrada (Preço: 0.8, Distância: 0.5, Avaliação: 0.8) são altamente compatíveis com todas as condições da regra (Barato, Caminhável, Excelente). Portanto, um sistema de lógica fuzzy ativaria principalmente essa regra, levando ao Resultado A.

Case Clara Company: Lógica Fuzzy no setor financeiro

Solução:Sistema especialista com lógica fuzzy para definir taxas hiperpersonalizados para clientes.

Contexto: Instituição financeira com problemas de taxa e competitividade.

Problemas: Inconsistência nas ofertas, Falta de personalização e Perda de competitividade.

+Info

Resultados esperados: Mais confiança do cliente, Maior satisfação e Vantagem competitiva

Decidir com dados é decidir com mais clareza, confiança e propósito.

+Info

Obrigada

Do you have an idea?

Use this space to add some awesome interactivity. Include text, images, videos, tables, PDFs… even interactive questions!Premium tip: Get insights on how your audience interacts:

• Visit the Activity preferences
• Enable user tracking
• Let the communication flow!

Here you can put a highlighted title

‘Your content is liked, but it engages much more if it is interactive’-Genially

‘Use this space to write a quote. And remember: always name the author’-Author's name

Here you can put a highlighted title

‘Your content is liked, but it engages much more if it is interactive’-Genially

‘Use this space to write a quote. And remember: always name the author’-Author's name