MENU

| BR

Campus

Cursos

Programas Executivos

Programas Executivos

Paises

8 ferramentas de BI para analisar dados

8 ferramentas de BI para analisar dados
#Dados
17 de junho - min de leitura

Para transformar os dados em informação, é essencial utilizar ferramentas de BI. Confira quais são e como elas funcionam.


Geralmente utilizadas para consultas e relatórios mais simples diretos de dados comerciais, bancos de dados e dados de negócios, as ferramentas de business intelligence podem ser utilizadas para combinar um amplo conjunto de funcionalidades de análise de dados, incluindo consultas e análises pontuais, relatórios empresariais, processamento analítico online (OLAP), BI operacional, BI móvel, BI em tempo real, nuvem e software como BI de serviço, BI de software livre, BI colaborativo e inteligência de localização.

Elas também podem incluir software de visualização de dados que permitem a criação de gráficos, bem como ferramentas para criação de painéis de BI e tabelas de desempenho que exibem as métricas e KPIs do negócio para fornecer dados essenciais à empresa de uma forma simples e prática.



Qual a importância das ferramentas de BI?

Boas ferramentas de Business Intelligence ajudam as empresas e analistas a obter os melhores insights, criar relatórios efetivos e visuais e, principalmente, garantir um trabalho de inteligência estratégico e contínuo. Por isso, escolher a melhor opção de ferramenta é muito importante.

Saber escolher e usar essas ferramentas é um desafio, pois muitas exigem conhecimentos que nem sempre são familiares aos profissionais que conhecem as questões estratégicas do negócio, como processos de Extract Transform Load (ETL). A demanda por ferramentas fáceis de usar e que tenham uma boa relação custo-benefício ainda é uma das dificuldades desse mercado.

Separamos 8 ótimas opções para que você decida qual é a mais adequada para sua necessidade. Confira!

Google Data Studio

O Google Data Studio é uma das poucas ferramentas de BI gratuitas. Para utilizá-la, basta ter uma conta no Gmail.

O interessante do Data Studio é que ele se conecta às outras fontes de dados do Google, como o Google Sheets, o Analytics, Ads e o Trends, para criar um dashboard totalmente personalizável que pode beneficiar times das mais diversas áreas. Por isso, o Google Data Studio acabou se tornando uma das ferramentas de BI mais utilizadas.

Você vai conseguir desenvolver relatórios de fácil compreensão, personalizados e que podem ser compartilhados ou até mesmo publicados em um site. Com o Data Studio, você pode criar muitos relatórios com edição e compartilhamento ilimitados.

Microsoft Power BI

O Microsoft Power BI é uma coleção de serviços de softwares, aplicativos e conectores que funcionam juntos para transformar suas fontes de dados não estruturadas em informações coerentes, interativas e visualmente atrativas.

Não importa se os seus dados são um simples arquivo do Microsoft Excel ou uma coleção de data warehouses híbridas locais e na nuvem, o Power BI permite que você se conecte facilmente às suas fontes de dados, visualize (ou descubra) o que é importante para o seu negócio e compartilhe suas descobertas com quem você quiser.

Mantenha seus dados seguros com os principais recursos de segurança de dados da indústria, incluindo o rótulo de confidencialidade, a criptografia de ponta a ponta e o monitoramento de acesso em tempo real.

Encontre e compartilhe insights significativos com centenas de visualizações de dados, funcionalidades internas de IA, forte integração com o Excel e conectores de dados personalizados e pré-criados.

O Power BI permite utilizar a versão Desktop de forma gratuita para elaboração de relatórios, mas você não consegue publicá-los, para isso é necessário contratar a versão Pro que pode ser testada por 60 dias. 

Tableau

Para obter o verdadeiro autoatendimento, é necessária uma plataforma de análise comercial que as pessoas realmente usem na prática, fácil de implantar e gerenciar, que garanta a governança e a segurança dos dados. O Tableau é exatamente essa plataforma: uma solução empresarial que atende às necessidades de toda a empresa pela facilidade de entendimento das funcionalidades e na forma intuitiva de visualizar dados, criar métricas e obter respostas, sem precisar da manutenção de uma pessoa de TI. 

Permite conexão a dados armazenados localmente ou na nuvem, sejam eles Big Data, um banco de dados SQL, uma planilha ou aplicativos na nuvem, como o Google Analytics e o Salesforce. Você pode acessar e combinar diversos tipos de dados sem precisar escrever código. Usuários avançados podem dinamizar, dividir e gerenciar metadados para otimizar fontes de dados.

Adobe Analytics

O Adobe Analytics é uma das ferramentas de BI que possibilita implementar, em tempo real, diversas análises e segmentações mais detalhadas em todos os canais de marketing.

Além disso, permite identificar qual é o público-alvo de maior relevância para a sua campanha.

Os relatórios são personalizados e podem ser compartilhados por e-mail ou pelo smartphone.

De atribuição e modelagem preditiva a análise de contribuição e pontuação de propensão, o Adobe Analytics está imerso em aprendizado de máquina e inteligência artificial. Por exemplo, com recursos de Analista virtual, oferecido pelo Adobe Sensei, monitora e analisa seus dados constantemente, além de avisar quando e por qual motivo ocorreu uma anomalia.

SAP

Uma das ferramentas mais avançadas, a SAP é uma das líderes na gestão de empresas, estendendo seus serviços à Business Intelligence. A ferramenta permite uma análise preditiva em tempo real, utilizando Machine Learning para oferecer insights e programar alertas sobre padrões em dados.

Software robusto, o SAP é indicado para empresas de grande porte.

Oracle BI

Outra ferramenta de Business Intelligence considerada gigante do setor, a Oracle BI é uma das mais robustas opções do mercado. Se sua empresa processa dados em volumes realmente grandes, há boas chances dessa ferramenta atender perfeitamente às suas necessidades.

Ela se integra diretamente com os dados da Oracle, facilitando muito o seu trabalho.

Com a Oracle BI você pode:

• criar dashboards dinâmicos e completos;

• utilizar ferramentas proativas para conseguir insights valiosos;

• carregar um volume de dados maior do que o que outras ferramentas permitem;

• programar alertas em relação a comportamento de dados.

SAS Business Intelligence

Outra ferramenta de destaque, a SAS tem foco em análise preditiva e permite criar gráficos de visualização de dados avançados e de alto desempenho.

A utilização da ferramenta é bastante simples, com relatórios interativos e dashboards que podem ser criados de acordo com as necessidades de cada time de Marketing.

Vale a pena conhecer algumas funcionalidades de destaque da SAS, como:

• capacidade de analisar textos e captar insights;

• ampla seleção de ferramentas em que a integração é possível.

• acesso por mobile ou desktop;

• independentemente do acesso, o dashboard se mantém intacto e responsivo;

QlikView

A Qlik é uma das principais desenvolvedoras de ferramentas de Business Intelligence, e a QlikView é uma ótima opção para times de Marketing. Com alto desempenho, a plataforma é capaz de descobrir dados sem utilizar recursos de consultas.

Com foco em segurança de dados e precisão nos resultados, sem dúvidas essa é uma das mais poderosas opções de software na categoria. Entre suas funcionalidades e destaques estão:

• combinar e carregar dados facilmente,

• criar visualizações inteligentes e arrastar e soltar para criar apps de analytics avançados, acelerados por sugestões e automação.

• integração com várias fontes de dados;

• capacidade de carregar diversos tipos de arquivos;

• criação de interfaces flexíveis e facilitadas;

• visualização de gráficos totalmente interativa e com grande liberdade ao usuário.

• segurança garantida, independentemente do ponto de acesso;

Aprenda Data Analytics na prática

Na Digital House, você aprende na prática sobre Frameworks de BI, UX,  Banco de dados, Power BI e Tableau, entre outras coisas. As aulas do curso de Data Analytics são ao vivo e com especialistas de mercado.

Leia mais no blog DH:

+ SEO para E-commerce: como ranquear sua loja virtual

+ Brand Personas: o que são e como fazer?

+ Estrátegia para gerar leads: do básico ao avançado

E aí, já segue a gente no Twitter? Vem pra rede, vamos conversar sobre habilidades digitais! ;)




Outras notícias

Qual a linguagem de programação mais difícil de aprender? img
#Tecnologia

Qual a linguagem de programação mais difícil de aprender?

Não podemos negar: as possibilidades que o desenvolvimento oferece são muito atrativas. Porém, para se tornar um especialista, é necessário muito esforço. Acompanhe o artigo de hoje, e, além de saber qual a linguagem de programação mais difícil, entenda como avançar neste caminho da melhor maneira, fazendo boas escolhas para os desafios que chegarão.Qual a linguagem de programação mais difícilNa verdade, essa é uma questão bastante pessoal, onde a resposta varia de pessoa para pessoa. Quando pensamos em distinções entre as linguagens de programação, devemos saber que a forma como se escreve um determinado comando é o que diferencia elas, mas a lógica de programação é a mesma e permanece inalterada.O que faz com que as pessoas concluam o que é mais difícil ou não é a quantidade de trabalho manual exigida para determinadas funções básicas, pois algumas linguagens podem trazê-las de forma embutida e outras exigem que sejam construídas do zero pelo programador. Portanto, quando se pergunta qual a linguagem de programação mais difícil para um grupo de profissionais, as respostas diferem pela especialização da pessoa e de como foi o desenvolvimento de sua jornada.Mesmo assim, para deixar as coisas mais claras e ajudarmos em sua jornada, ao pesquisar a pergunta em fóruns e comunidades de tecnologia, algumas linguagens são mais comuns de serem apontadas como mais difíceis, principalmente pela maior complexidade em aprendê-las. São elas: Coffeescript, Lua, Malbolge, Erlang, Peri, entre outras.Alguns programadores gostam de praticar linguagens mais difíceis, a fim de se desafiar, aprender mais e se desenvolver. Outros preferem a rapidez, optando por linguagens mais simples.Por que é mais demorado aprender?Tomando como referência as linguagens do tópico anterior, no processo de aprendizagem, caso o profissional tenha alguma dúvida ou pare seu processo em algum ponto, é mais difícil encontrar respostas, discutir com outro colega ou encontrar informações nos fóruns de programação, por exemplo.Além disso, por haver poucos desenvolvedores que utilizam essas linguagens, as demandas são reduzidas, o que torna ainda menos vantajoso optar por aprendê-las.Ao escolher qual linguagem de desenvolvimento aprender primeiro, considere qual será a sua especialidade e foque em dominar a lógica de programação, que servirá como base para qualquer uma delas. Outro ponto importante é que, assim como qualquer área escolhida dentro do setor de tecnologia da informação, na carreira de programação, o profissional deve estudar constantemente, uma vez que o campo não para de avançar e as linguagens estão sempre lançando novas atualizações no mercado.Acessibilidade: linguagem SwiftAté agora, falamos sobre qual a linguagem de programação mais difícil de aprender, mas falando sobre o outro lado, você já ouviu falar na linguagem Swift e sua acessibilidade para domínio e uso no dia a dia?Ela foi lançada em 2014, pela Apple, com o objetivo de trazer mais facilidade e usabilidade aos desenvolvedores, promovendo também a área de programação como algo mais descomplicado e acessível para um número maior de pessoas. Desde então, a linguagem tem sido cada vez mais utilizada, atraindo novos profissionais que veem a Swift como uma alternativa para construir seus projetos, usufruindo também de seus benefícios.Sua sintaxe é simples, clara, limpa e concisa, proporcionando um desenvolvimento com menos codificação, além da performance ser rápida e eficiente, de modo que os apps criados com a linguagem oferecem uma ótima experiência aos seus usuários.A Digital House entende a importância da Swift para o mercado atual e, no curso de Desenvolvimento Mobile iOS, os alunos são capacitados a dominar seu uso, podendo construir aplicativos incríveis para o mercado.Confira a grade do curso, caso você possua interesse em aprender e ingressar na área. Não há dúvidas de que esse é um caminho certeiro para o sucesso e a estabilidade profissional e financeira que muitos almejam.Quais as linguagens mais usadas para programar?Além da Swift, outras linguagens de programação também são mais adequadas para determinados negócios ou empresas. Nós separamos 4 opções para aprender e garantir uma boa posição e estabilidade profissional no mercado. Confira:JavaDesenvolvida na década de 1990, o Java é uma linguagem de programação orientada a objetos e, sem dúvida, a mais solicitada pelas empresas e a mais popular entre os desenvolvedores, por ser uma das principais opções para a criação de aplicativos Android.JavascriptCriado também na década de 1990, o Javascript foi a primeira linguagem de script utilizada na web e veio com o objetivo de trazer mais dinamismo às páginas que, até então, eram marcadas somente com o HTML.PythonMesmo tendo sido criada há mais de 30 anos, o Python é uma das opções preferidas da nova geração de programadores. É uma linguagem versátil e bastante simples de ser compreendida, sendo também muito popular na inteligência artificial.RubyEsta também é mais uma linguagem presente nas queridinhas das novas gerações. Sua sintaxe é simples, exigindo que um desenvolvedor escreva menos códigos para que suas aplicações funcionem. Além disso, são inúmeras bibliotecas e frameworks disponíveis para utilização.A área da programação está superaquecida e, atualmente, carente de profissionais qualificados no mercado. Durante a leitura, você se interessou em se aprofundar ainda mais sobre a linguagem Swift? Recomendamos que você leia nosso artigo em que contamos todos os seus detalhes e sua importância na área de desenvolvimento.Leia mais no blog DH:+ Google Analytics Dashboard: crie e personalize com o nosso passo a passo+ O que é brand equity e como as empresas geram valor de marca em seus produtos e serviços+ Marketing digital para iniciantes: 10 dicas de como começar na carreiraE aí, já segue a gente no Twitter? Vem pra rede, vamos conversar sobre habilidades digitais! ;)

A nova corrida espacial img
#Tecnologia

A nova corrida espacial

Quem viu a disputa recente de bilionários, sobre quem fazia o primeiro voo espacial turístico, talvez não saiba que estamos no meio de uma disputa espacial. Essa nova corrida pode nos levar até Marte em alguns anos e definitivamente redefinir a visão de liderança espacial entre as nações da Terra.Estações EspaciaisA humanidade foi ao espaço pela primeira vez em 1961, chegou na lua em 1969, e de 1998 a 2011 montou uma estação espacial que já foi visitada por 249 astronautas de 19 países.A atual estação espacial internacional (ISS) tem apenas mais 3 anos de vida útil. É possível que ela dure mais algum tempo com alguma manutenção, mas é um tipo de risco que geralmente não se corre com esse tipo de empreendimento. Se já é perigoso morar numa casa com problemas em terra firme, imagine no espaço?A ISS não é a primeira estação espacial e nem será a última, antes tivemos a Salyut, Almaz, Skylab e MIR e já faz algum tempo que a China está trabalhando na sua própria estação espacial.A estação espacial chinesa se chama Tiangong, que em tradução livre significa Palácio Celeste. Os últimos astronautas (ou taikonautas, termo usado pelos chineses) que chegaram lá em 17/junho devem ficar por 10 anos no espaço. A partir de 2024, com a desativação da ISS, a China colocou à disposição da ONU sua estação para pesquisas. Até o momento 9 projetos de 23 instituições em 9 países já foram selecionados.MarteA exploração de Marte começou com a Mariner 4 em 1964, a primeira sonda a passar pela órbita marciana, e a partir de 1997 começaram a enviar veículos (rovers) para explorar o planeta em solo.A Nasa já enviou 5 veículos: Sojourner, Spirit e Opportunity, Curiosity, e Perseverance. Este último chegou lá em fevereiro de 2021. Porém, o veículo mais recente em Marte é dos chineses, se chama Zhurong e aterrissou em maio de 2021.Além dos Estados Unidos e China, temos Rússia (nos tempos da URSS), Agência Espacial Européia, Índia e Emirados Árabes Unidos que já enviaram sondas espaciais com sucesso para a órbita de Marte.E voltando a falar em bilionários, um dos grandes obcecados com a exploração do planeta vermelho é Elon Musk, a ponto de ter uma página oficial e uma página na Wikipedia dedicadas especificamente a esse tema.Uma das ambições do multiempreendedor Musk (SpaceX; Tesla Motors; OpenAI, Neuralink e SolarCity) é colonizar Marte. Isso envolve aquecimento, água, oxigênio, cultivo e mineração entre muitas outras coisas.Se você tem curiosidade sobre o tema, recomendo a minissérie Marte da Netflix. Ela é parte documentário (entrevistando cientistas, políticos e ativistas) e parte ficção-científica (mostrando uma jornada de colonizadores no planeta vizinho).Turismo EspacialO capítulo mais recente (e polêmico) dessa história envolve as viagens espaciais de Richard Branson e Jeff Bezos. Ambos disputam quem ocupa o lugar na história da primeira companhia a levar regularmente turistas ao espaço.Por um lado é um empreendimento fútil, ao contrário da exploração espacial que pode trazer descobertas científicas, o turismo espacial é puro entretenimento para ricos. Por outro lado, populariza a conversa sobre o espaço e chama mais atenção para a ciência, e (espero que) definitivamente, acabe com o terraplanismo.Richard Branson, fundador do Grupo Virgin, largou na frente. Sua nave chegou a 86 km de altitude, acima dos 80 km reconhecidos pelos Estados Unidos como limite do espaço. Ele pretende realizar 400 voos por ano e já vendeu 600 ingressos ao preço de US$250 mil.Jeff Bezos, fundador da Amazon, chegou depois, mas alfinetando seu oponente dizendo que ele não chegou no espaço. Acontece que o limite internacional, conhecido como Linha de Kármán, é de 100 km, altitude que a nave de Bezos alcançou. Ele ainda não deixou claro quantos voos fará por ano nem quanto custará o ingresso.Enfim, o importante é você saber que a atual conquista do espaço não se resume a uma disputa de egos entre quem tem muito dinheiro. Envolve pesquisa científica, envolve geopolítica e com certeza mexe com o sonho de muita gente que olha para as estrelas e fica pensando no que existe lá fora.Leia mais no blog DH:+ Google Analytics Dashboard: crie e personalize com o nosso passo a passo+ O que é brand equity e como as empresas geram valor de marca em seus produtos e serviços+ Marketing digital para iniciantes: 10 dicas de como começar na carreiraE aí, já segue a gente no Twitter? Vem pra rede, vamos conversar sobre habilidades digitais! ;)

Máquina de vetores de suporte: o que é? img
#Dados

Máquina de vetores de suporte: o que é?

O tema de hoje sucede outro importante modelo de classificação em aprendizado supervisionado, o Naïve Bayes. Classificador probabilístico baseados na aplicação do teorema de Bayes, o Naïve Bayes supõe a independência entre os atributos. Por ser simples e rápido o Naïve Bayes está entre os modelos mais aplicados para a classificação. Modelos de classificação têm aplicações diversas na sociedade moderna, da análise de sentimentos à classificação de documentos. A seguir apresentamos mais um interessante modelo, o Support Vector Machine.Support Vector Machine. As Máquinas de Vetores de Suporte ou Support Vector Machines, como o algoritmo é conhecido, são ferramentas de classificação e regressão. Uma SVM constrói hiperplanos em um espaço n-dimensional para classificar ou regredir dados. Os vetores de suporte de classificação constituem o SVC e os vetores de suporte de regressão constituem o SVR. Como ambos dependem apenas de um subconjunto dos dados de treinamento, pois a função de custo que constrói modelo não considera os pontos de treinamento que estão distantes da margem de classificação, o regressor se torna uma extensão do modelo de classificação. Nesse artigo concentraremos nossa atenção na propriedade de classificação que as máquinas de suporte nos oferecem.Conhecido como Support Vector Classification (SVC), o classificador SVC é uma ferramenta que usufrui das diferenças de posição entre determinadas observações e de sua disposição no espaço de atributos, determinado por um dataset, para classificar os pontos observados em relação as suas classes. A ideia é encontrar um objeto geométrico separador de classes, que pode ser uma linha em um espaço bidimensional, um plano em um espaço tridimensional ou um hiperplano, em um espaço n-dimensional de atributos.O método dos vetores de suporte é aplicável a áreas tão diversas quanto a detecção facial e classificação de imagens, a categorização de textos e hipertextos e reconhecimento de letras manuscritas, até a detecção de anomalias.Considere a seguinte base dados apresentada na figura a seguir, com um número M de observações, dois atributos, A e B , e um rótulo que se divide entre as classes Cruz Azul e Círculo Vermelho.   Quando visualizamos os dados de nosso dataset no espaço definido pelos atributos A e B, vemos que sua disposição ocorre de maneira a termos dois agrupamentos, um de Círculos Vermelhos e um de Cruzes Azuis. A figura a seguir apresenta essa disposição espacial das observações. À esquerda vemos a dispersão dos pontos e, à direita, vemos como atua o método SVC de classificação.   Note à direita, que os pontos mais próximos da fronteira entre os dois agrupamentos são utilizados como suporte para a criação de uma linha separadora de classificação. Esses pontos formam nossos vetores de suporte, tanto do lado dos Círculos Vermelhos, quanto do lado das Cruzes azuis e não é necessário que o mesmo número de pontos seja adotado em cada vetor de suporte. São esses pontos que fornecem suporte para a linha separadora, influenciando sua posição. A distância entre os pontos de ambas as classes caracteriza a margem que otimiza o processo de classificação. Como o SVC usa distâncias espaciais para realizar sua classificação, pode ser importante considerar o uso de algum método de reescalonamento dos dados.Pode ser intuitivo imaginar que um modelo que maximiza a margem entre o hiperplano de separação e os pontos de treinamento mais próximos das classes, resulta em um separador mais eficiente, pois em geral quanto maior a margem menor o erro de generalização do classificador. Mas é necessário lembrar da troca entre enviesamento e variância, uma margem maior pode resultar em um aumento do enviesamento do modelo, reduzindo sua variância. Por outro lado, uma margem mais reduzida pode implicar em uma redução do enviesamento, mas um aumento da variância do modelo. Há dois métodos adotados para a escolha do tamanho da margem. O primeira, chamado de Margem Rígida (Hard Margin), é mais indicado para bases com dados linearmente separáveis, entretanto elas podem ser mais sensíveis aos outliers. O segundo método, conhecido como Margem Suave (Soft Margin), é mais indicado para datasets com dados linearmente inseparáveis e apresenta maior maleabilidade e melhor tratamento com outliers.  Para manter um bom balanço entre o viés e a variância no método SVC, é necessário dosar dois hiperparâmetros, C e y. Os hiperparâmetros de um modelo contribuem para sua robustez e precisão, evitando que o modelo seja superdimensionado ou de eficiência insuficiente. O hiperparâmetro de regularização C controla a intensidade da regularização, mantendo com ela uma relação inversa. Quanto maior C, menor a intensidade da regularização, do tipo Ridge. O hiperparâmetro C é responsável por controlar o que se pode entender como a suavidade da margem que separa os dois clusters. Essa relação pode ser vista na figura a seguir.   Para valores mais elevados de C o classificador comete menos violações de margens, o que acaba reduzindo-a. Por outro lado, valores reduzidos para C aumentam o tamanho da margem, aumentando também o número de violações de margem. Esse manejo está diretamente ligado ao controle do sobreajuste do modelo.O hiperparâmetro y tem a função de calibrar a influência de vetores de suporte mais próximos ou mais distantes da linha separadora. Para entender melhor a importância de y é importante lembrar das funções de kernel, aplicadas em distribuições de pontos não linearmente separáveis. Essas funções realizam transformações nos pontos, tornando possível sua separação por um hiperplano. Esse processo é conhecido como um truque de kernel (kernel trick), e guarda uma relação muito próxima com o conceito de medida de similaridade. As funções de kernel podem ser mais elementares, como a polinomial de grau d, com inclinação a e uma constante de deslocamento c, muito popular em bases normalizadas. As funções de kernel também podem ser mais elaboradas, como a função laplaciana, com seu parâmetro de ajuste o.Os valores de entrada são os atributos originais e o valor de saída é uma medida da similaridade do novo espaço de atributos. Como mostrado na figura a seguir. À esquerda vemos uma distribuição de pontos não linearmente separáveis, mas após a aplicação de uma função de kernel, à direita, ocorre a separação entre os pontos em relação à nova medida de similaridade compondo o espaço de atributos. O SVM entende similaridade em termos de proximidade e com isso consegue realizar a separação dos pontos, mantendo os pontos semelhantes mais próximos entre si e mais afastados dos demais.O parâmetro y tem então um comportamento inverso ao do desvio padrão da função de kernel escolhida. Isso significa que um valor alto de y implica em uma função de kernel com baixa variância, implicando que dois pontos precisam estar relativamente próximos, para serem classificados como semelhantes. Em termos do classificador um valor alto de y fará com que apenas os pontos mais próximos da linha separadora afetaram na classificação dos pontos. Já um valor baixo de y define uma função de kernel com alta variância, o que pode classificar como similares pontos relativamente distantes entre si, o que se traduz numa influência maior dos pontos mais distantes da linha separadora, na classificação de pontos de teste. Como pode ser visto na figura a seguir. Imagine agora que consideremos um dataset semelhante ao apresentado anteriormente, mas agora com a inclusão do atributo C, como pode ser visto a seguir. A extrapolação do conceito bi-dimensional de linha separadora, para um conceito tri-dimensional de plano é apresentado na figura a seguir. Note que a dimensão do objeto geométrico separador das classes tem sempre uma unidade inferior àquela do espaço criado pelos atributos do dataset disponível. Isso quer dizer que em um sistema com n atributos, ou n-dimensional, o objeto separador terá (n-1) dimensões. Perceba que no sistema acima um plano corta o espaço formado pelos atributos A, B e C e separa as observações entre as classes de Círculos Vermelhos, abaixo do plano e Cruzes Azuis, acima do plano. A equação geradora de um plano com n dimensões, ou um hiperplano é apresentada a seguir:Em que Wj=(W0, W1, W2,..., Wn) representa um vetor com os coeficientes associados a cada atributo, a constante W0 representa o coeficiente de interceptação do hiperplano e o vetor X=(X1, X2,..., Xn) contém os atributos de nossas observações. O SVM traça um hiperplano entre os pontos, para separá-los e realizar sua classificação, lembre-se que para pontos originalmente linearmente inseparáveis é importante a aplicação de uma função de kernel.Uma vez que os pontos foram submetidos a uma função de kernel, que permite a criação de um hiperplano separador, o método classifica cada ponto como estando acima ou abaixo do hiperplano construído, como mostrado a seguir: Pontos que recebem valor -1 são classificados como estando abaixo do plano separador, pontos com valores +1 são classificados como estando acima do plano separador.O SVM é um dos métodos mais populares para a classificação de classes, ele tenta discriminar as classes de um dataset através da geração de um plano de separação entre os pontos. Para tanto o SVM pode mapear os dados com uma função de kernel que transforma os pontos e facilita a separação das classes. É importante tomar cuidado com o excesso de dimensões, que podem sobrecarregar o classificador forçando a aplicação de técnicas de análise de bases com alta dimensionalidade.Aprenda sobre SVMNa Digital House você aprende sobre o Support Vector Machines (SVM) com abordagem teórica e prática, através do nosso curso de Data Science.Leia mais no blog DH:+ Google Analytics Dashboard: crie e personalize com o nosso passo a passo+ O que é brand equity e como as empresas geram valor de marca em seus produtos e serviços+ Marketing digital para iniciantes: 10 dicas de como começar na carreiraE aí, já segue a gente no Twitter? Vem pra rede, vamos conversar sobre habilidades digitais! ;)