Potencialidades do Power BI Desktop na análise preditiva

• Autor(a) principal: Pinheiro, Sofia Alexandra Santos
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.14/32123
• topic: Business analytics; Business intelligence; Power BI; Análise preditiva; Predictive analytics; Domínio/Área Científica::Ciências Sociais::Economia e Gestão

Atualmente, é cada vez mais evidente e visível a quantidade de dados, que crescem a um ritmo exponencial dentro das organizações e, como tal, existe a necessidade de implementação de ferramentas de Business Intelligence (BI), capazes de fazerem o seu tratamento e posterior extração de informação e conhecimento, que permitam facilitar e dar suporte ao processo de tomada de decisão. De forma complementar, surge o Business Analytics, que, aliado ao BI se traduz numa reforçada capacidade de análise e criação de valor para o negócio, que neste caso em concreto, se irá refletir na exploração da componente Predictive Analytics baseada em modelos de séries temporais. O objetivo desta investigação foi o de aferir e identificar o potencial que as funcionalidades da ferramenta Power BI Desktop, na sua versão mais elementar, contribuem para um contexto de análise preditiva direcionada para utilizadores com conhecimentos superficiais de matérias de Data Science. Foi, assim, concebido um tutorial explicativo e formativo das etapas imprescindíveis à realização de uma análise preditiva associado a um estudo de investigação exploratória, com testes aos diversos parâmetros de configuração, influenciadores da qualidade da mesma. Para este propósito, adotou-se o método Knowledge Discovery in Databases (KDD) no que respeita ao tratamento de dados e partiu-se do modelo Selecting, Organizing, Integrating (SOI) como base para a elaboração do tutorial. A análise realizada permitiu verificar que existem três parâmetros essenciais, com influência direta no desempenho do algoritmo de previsão e consequente qualidade da mesma, sendo estes o ignorar último, o intervalo de confiança e a sazonalidade.