Big Data – Tutorial e Aplicaçãoes
O seu mundo é Big Data!
Josias Oliveira
Executive Director LATAM
Apresentação
A história de Big Data
Hadoop – O Elefante
Big Data na atualidade
O futuro de Big Data
Aplicações
Fraude no e-commerce
Inovar no Processo de Pelotização
Estratégias Inteligentes para Venda Direta
Apresentação
Formação
Bacharelado e Licenciatura em MatemáticaUSP – Universidade de São Paulo
Estatística* – Início em Jan/2003, interrompido em Mar/2004UNICAMP – Universidade Estadual de Campinas
MBA Gestão de Negócios – Início em 2010FIA – Fundação Instituto de Administração (com fim em Jun/2012)
Experiência Profissional
Executive Director LATAMStatSoft South America
Gerente Geral de Modelagem EstatísticaUOL - PagSeguro
Gerente de Administração de Vendas e Inteligência de Mercado
Coordenador de Segmentação de MercadoAVON Cosmetics Inc.
Consultor em Modelagem de FraudeItaú-Unibanco
Consultor Data MinerStatSoft South América
Analista de DadosNEPP/UNICAMP – Núcleo de Estudo de Políticas Públicas da Unicamp
A StatSoft é uma empresa especializada em Analytics, Data Mining e Big Dataque está no mercado há 30 anos, em 30 escritórios no mundo e, recentemente,foi incorporada à DELL Group.
A nossa missão é transformar a
Cultura Analítica de nossos clientes:
elevando o capital intelectual,
tornando mais eficiente a tomada de
decisão e agregando valor com
produtos e processos mais
inteligentes.
Os pilares
para
desenvolver
a Cultura
Analítica
com alto
padrão de
excelência
em nossos
clientes,
são 4.
Coaching
Tecnology
Training
Analytics
A História de Big Data
1944
1961
1967
1971
1975
1980 2000
20101990
2011Fevereiro 2011
Maio
2012Abril 2012
Maio
Hadoop – O Elefante
Pontos críticos com a quantidade massiva de dados
Processamento Disponibilidade
Uma solução para gestão operacional da computação paralela deve:
Dependência
entre os dadosBalancear a carga e
escalonamentoInterrupção de máquinas
Jeffrey
Dean
MapReduce(Fevereiro, 2003)
Google File System(Outubro, 2003)
Simplified Data Processing
on Large Clusters(Dezembro, 2004)
Sanjay
Ghemawat
Este é Hadoop!
Doug em evento da Cloudera8 May 2014 - CeBIT Australia
Hadoop Distributed File System - HDFS
Big Data
Extraindo “reviews” do website www.carreview.com
Não Estruturados
Estruturados
Exemplo de Aplicação Simples de MapReduce
Descobrir padrões de palavras que são comumente usados por
compradores para descrever suas experiências com marcas compradas por
eles.
Quatro Marcas – Mercedes, Lexus, BMW e CarZZ
Nota: Uma das marcas foi renomeada, “CarZZ”, por motivos éticos.
Identificar palavras importantes que claramente discriminem diferenças
entre marcas usando algoritmos de Data Mining.
Identificar a marca que acumulou um número maior de conotações
“negativas”
O STATISTICA Text Miner é uma extensão opcional do
STATISTICA Data Miner. Ao tratar com dados de textos não
estruturados, o Text Miner dá significado ao conjunto de dados,
tornando possível a tomada de decisão sob informações
lapidadas pela tecnologia e análise estatística desta solução.
As palavras
que
aparecem
próximas
umas das
outras são
relacionadas
em um
espaço
semântico
definido por
sua
ocorrência.
Neste gráfico
podemos ver
que os clientes
usam mais
palavras de
conotação
negativa em
“CarZZ” e
“Mercedes
Benz”
comparativame
nte aos outros
dois carros.
Big Data na Atualidade
O Futuro de Big Data
Folha de São Paulo, 27 de Abril de 2014
O caso
Snowden
Edward Joseph Snowden é um analista
de sistemas, ex-funcionário da CIA e ex-
contratado da NSA que tornou público
detalhes de vários programas que
constituem o sistema de vigilância global
da NSA americana
http://www.pewinternet.org/2012/07/20/the-future-of-big-data/
Aplicações
Fraude no e-commerce
Aut
oriz
ador Negada
Aprovada
Referida
Falcon
Satélite
Bank NET
CA
TC
H
Aprovada
Negada
Referida(FraudCatch)
Leitura: BIN
ICA - 1048
UNIBANCO
Adquirente
VISANET / REDECARD
Sem Conexão
Lista Restritivos
Lista VIP
Regras Padrão
Tra
nsa
ção
Análise e Detecção de Fraude
Autorização
I4
I3
I6
I5
Intercâmbio: Fila de EstornosVI
M4
Executa Estorno
Gera Base I
1 seg
Sco
res High Score
Aut Default
Outros0 a
999
Gera Fila de Suspeitos
200 estornos / dia
Ag
uar
da
Bas
e II
Operador
tem poder
de decisão
Lista Hierárquica de Ações
• Ligar para Cliente
• Enviar Telegrama
• Bloquear Cartão
• Cancelar Cartão
• Reemissão
Sco
res
0 a
99 O operador define a faixa que
deseja trabalhar.
Histórico de Falso/Positivo
Abr –
Mai –
Jun –
10/1
11/1
13/1
Katch
13/1
12/1
12/1
Falcon
Estes valores são totais, porém há o
cálculo de falso/positivo por regra.
Planejamento
Atividades
• Realiza Estudos
• Acompanha Casos
• Análises Simples
• Recebe e envia alertas
• Direciona operador para
acompanhar um PV ou
POC suspeito de fraude
• Analisa maior ocorrência
de fraude por PUC.
Relatórios e Indicadores
• Transações domésticas
por Faixa de Valor e Tipo
de Fraude
• Impacto de regras sobre
clientes
• Falso/Positivo por regra
Consulta Histórico
• Validade
• Trilha
• CVC2, CVM2
• Status Conta
• Status Cartão
• Senha
• Nº do Cartão
• Saldo Disponível
Co
mb
inaç
ão d
e P
arâm
etro
s • BIN
• País
• Moeda
• POS
• R. de Atividade - MCC
• Estabelecimento
• Qt. de Habitualidade
• Habitualidade
• Qt. Transações
• Valor
• MS
LynxVisanet
Banco de
Estornos
I1
I2
Cliente Identifica Irregularidade
e entra em contato.
Relatórios e atividades• Enviar e-mail, com teor gerencial, de
valores consolidados : Percentual,
Quantidade e Total em R$.
• Recuperar Fraude.
• Feedback: Adquirente e Segurança.
• Decidir sobre pedidos de estornos:
Cópia de papeleta com assinatura;
Charge Back para cartão não
presente; BO e documentos do
cliente.
Envia Base II em
até 3 dias para
Bank Net
Disputa de
Intercâmbio
Dev. ao Cliente
Perda
Charge Back
• Estorna em Confiança
• Levanta histórico do cliente
• Aguarda comprovante com assinatura
• Em caso de esquecimento do cliente, a
cobrança é efetuado no mês posterior
• Se a fraude é identificada, o registro
sofre crítica: 1. Guarda no VI ou 2.
segue para Disputa de Intercâmbio
P2
I7
R1
P3
Visão Cliente
Visão Estabelecimento
P1
I1 : Indicador de transações quando não há conexão com Banco;
I2 : Indicadores de transações que chegam no autorizador;
I3 : Indicadores de autorizações: Negadas, Aprovadas e Referidas;
I4 : Indicadores do Catch: Falso-Positivo e outros;
I5 : Indicadores do Falcon: Falso-Positivo e outros;
I6 : Indicadores do Lynx.
I7 : Indicadores de Intercâmbio.
P1 : Procedimentos para estabelecer regras;
P2 : Procedimentos das atividades dos operadores;
P3 : Procedimentos para estorno sob confiança de reclamação do cliente.
R1 : Relatórios consolidados.
• Ii : Indicadores
• Pj : Procedimentos
• Rk : Relatórios
Cliente
Pedido de
Autorização
Po
nto
de
Ven
da
Informações
Cadastrais
Nome
Endereço
Identidade
CPF
Nascimento
Nome da Mãe
...18
Consulta a Bureau’s
de Crédito
SERASA
Boa Vista
Endereços Antigos
Carros Financiados
Pai e Mãe
Condição Familiar
Educação
...97
Informações de
Pagamento
Nome no Cartão
CPF – Dono do CC
CVV
End de Fatura
Nascimento
Bandeira
Parcelamento
...11
Consulta a Histórico
de Compras
Compras nas últimas
X horas
Produtos comprados
Y compras nas
últimas X horas com
Z cartões distintos
258
Consulta a Histórico
nas Redes Sociais
Comportamento
Palavras Negativas
Relacionamentos
etc
113
Device Finger Print
Device ID
Hash
Histórico
Unicidade
Frequência
Associação44
O universo de variáveis observadas para tomar decisão sobre
uma única transação é Big Data. Portanto, soluções triviais não
são satisfatórias no combate à Fraude no e-commerce.
A estrutura desenvolvida
para este tipo
inteligência envolve:
Políticas, Processos,
Procedimentos, Gestão
de KPI’s, Modelagem
avançada e Matriz de
Decisão.
1. Amostragem Balanceada
2. Construção de Base com 5 anos de histórico
Fraudes mais recentes recebem peso maior
Fraudes mais antigas recebem peso menor
3 meses mais recentes foram separados para validação
3. Seleção de variáveis usando Regressão Logística Stepwise
Buscamos um modelos com assertividade maior que 70%
4. Usamos o score do modelo de Regressão para construir Modelo de CHAID
Aplicamos o modelo em meses recentes e avaliamos o resultado
Acompanhamos o tempo de vida do modelo das bases históricas
Incrementamos o modelo com ocorrências recentes a cada mês
7,2
Mai 12
5,0
4,5
1,7
Ago 12
3,9
Jul 12Jun 12
5,5
Abr 12
4,3
Mar 12
3,5
Fev 12
2,1
Jan 12
1,6
Dez 11
1,3
Nov 11
1,1
Out 11
Aplicações
Inovar no Processo de Pelotização
Geoestatística Planejamento de
Mina
Despacho de Mina
VIRADOR DE VAGÕES
PILHA DE MINÉRIOS
RECUPERADORA DE FINOS
MOINHO DE BOLASHIDROCICLONES
TANQUE
HOMOGENEIZADOR
ESPESSADOR
REIRCULAÇÃO DE ÁGUA
FILTROS A VÁCUO
POLPA
RETIDA
SILO DE AGLOMERANTE
SILOS DO PELOTAMENTO
DISCOS DE PELOTAMENTO
PELOTAS CRUAS
FORNO DE GRELHA MÓVEL
PENEIRAMENTO
PELOTAS QUEIMADAS
EMPILHADEIRA DE PELOTAS
PÁTIO DE PELOTAS
QUEIMADAS
PELOTAS PARA CAMADA DE FORRAMENTO
FINOS DE PENEIRAMENTO
MISTURADORES
PRENSA DE
ROLOS
EMBARQUE
PLANEJAMENTO
PRODUÇÃO
Tipo de pelota
Local de produção (planta)
Período de produção
Mix de minérios
Aditivos
Controle dos lotes de minério recebidos
Controle da formação das pilhas
Controle da adição de aditivos
Composição física e química da pilha
MOAGEM E
CLASSIFICAÇÃO
Taxa de alimentação
Densidade de descarga
Adição de bolas
Pressão nos hidrociclones
Distribuição granulomética e superfície específica do
over size
ESPESSAMENTO
Densidade de polpa
Torque do
espessador
HOMOGENEIZAÇÃO
Nível de polpa dos tanques
Adição de polpa de
antracito Quantidade adicionada
% carbono fixo
FILTRAGEM
Densidade alimentação
Pressão de vácuo
Pressão de sopro
Rotação do filtro
Polpa retida:
Umidade
% carbono fixo
Superfície específica
PELOTAMENTO
Distrib. Granulométrica
das pelotas
% retorno
Pelotas verdes (cruas):
Umidade
N° quedas
Resistência pelota crua
Resistência pelota seca
QUEIMA
Perfil térmico
Velocidade de grelha
Altura camada de fundo
Permeabilidade
Pressão e temperatura
dos gases
Pelotas queimadas:
Distrib. granulométrica
Resistência à compressão
Índice de abrasão
Análise química
Metallurgical properties
FORMAÇÃO DE
PILHAS DE PELOTAS
Controle diário do
produto
Controle das áreas
de estocagem
Identificação dos
produtos estocados
EMBARQUE
Controle da qualidade e
quantidade do produto
Pelota embarcada:
Umidade
Distrib. granulométrica
FORMAÇÃO
PILHA MINÉRIO
Resistência à compressão
Índice de abrasão
Análise química
Metallurgical properties
Tree graph for Compressao_med
Num. of non-terminal nodes: 23, Num. of terminal nodes: 24
Model: C&RT
ID=1 N=710
Mu=294,682925
Var: 512,065977
ID=2 N=213
Mu=311,512927
Var: 542,210473
ID=4 N=72
Mu=298,841977
Var: 552,434983
ID=6 N=61
Mu=293,652190
Var: 433,921830
ID=8 N=31
Mu=302,844119
Var: 397,894744
ID=9 N=30
Mu=284,153864
Var: 293,623683
ID=5 N=141
Mu=317,983199
Var: 413,140528
ID=15 N=124
Mu=321,042299
Var: 339,150206
ID=16 N=117
Mu=319,101888
Var: 285,514221
ID=3 N=497
Mu=287,470067
Var: 325,729167
ID=20 N=44
Mu=267,111635
Var: 166,176490
ID=22 N=32
Mu=262,462032
Var: 114,058879
ID=21 N=453
Mu=289,447486
Var: 297,059210
ID=26 N=53
Mu=305,851201
Var: 318,099567
ID=29 N=30
Mu=313,654190
Var: 255,892044
ID=27 N=400
Mu=287,273994
Var: 253,893950
ID=32 N=154
Mu=294,501883
Var: 262,834539
ID=34 N=48
Mu=286,204452
Var: 214,655779
ID=35 N=106
Mu=298,259211
Var: 239,357659
ID=38 N=99
Mu=296,664747
Var: 207,626775
ID=41 N=54
Mu=291,396531
Var: 161,577299
ID=33 N=246
Mu=282,749218
Var: 195,118815
ID=45 N=185
Mu=280,248515
Var: 187,876497
ID=10 N=16
Mu=313,191582
Var=312,872719
ID=11 N=15
Mu=291,806824
Var=252,555031
ID=12 N=17
Mu=276,085884
Var=212,796408
ID=13 N=13
Mu=294,704299
Var=202,888509
ID=7 N=11
Mu=327,621706
Var=232,010815
ID=14 N=17
Mu=295,669768
Var=386,686426
ID=18 N=99
Mu=321,648967
Var=258,727468
ID=19 N=18
Mu=305,092955
Var=200,909275
ID=17 N=7
Mu=353,474873
Var=120,833031
ID=24 N=18
Mu=255,762863
Var=42,964847
ID=25 N=14
Mu=271,075250
Var=73,576560
ID=23 N=12
Mu=279,510575
Var=93,772924
ID=28 N=23
Mu=295,673389
Var=216,234608
ID=30 N=15
Mu=324,913017
Var=178,694754
ID=31 N=15
Mu=302,395362
Var=79,566937
ID=36 N=24
Mu=294,703750
Var=163,997937
ID=37 N=24
Mu=277,705154
Var=120,837490
ID=40 N=45
Mu=302,986606
Var=189,615317
ID=42 N=33
Mu=295,925506
Var=155,680178
ID=43 N=21
Mu=284,279569
Var=87,960515
ID=39 N=7
Mu=320,809487
Var=143,652472
ID=44 N=61
Mu=290,333315
Var=140,599114
ID=46 N=13
Mu=295,019969
Var=195,413450
ID=47 N=172
Mu=279,132068
Var=169,568842
Adicao_CAL_Med
<= 7,636095 > 7,636095
Silica_PQ
<= 2,367279 > 2,367279
Pren_Gran_PP_m0045
<= 92,499999 > 92,499999
Qma_Temp_Grupo_G01
<= 473,598341 > 473,598341
Emp_Carvao_Cinzas
<= 17,996099 > 17,996099
Emp_Carvao_Cinzas
<= 17,969667 > 17,969667
Qma_RotVT_5Q110
<= 550,854063 > 550,854063
Adicao_Bent_Med
<= 1,749371 > 1,749371
Pel_TxAlim_Med
<= 127,710437 > 127,710437
Emp_Carvao_Cinzas
<= 16,030539 > 16,030539
Qma_Pres_Resf_Queima
<= -8,638964 > -8,638964
Silica_PQ
<= 2,333043 > 2,333043
Filt_Carb_Fix_PR_US5
<= 0,979375 > 0,979375
Qma_Temp_Grupo_G05
<= 1248,724974 > 1248,724974
Qma_Temp_Ar_Desc
<= 349,329585 > 349,329585
Basicidade_Bin
<= 1,089080 > 1,089080
Hom_Carvao_Nivel_TQ
<= 49,535481 > 49,535481
Qma_Temp_Grupo_G05
<= 1232,398933 > 1232,398933
Qma_Temp_Grupo_G04
<= 1149,760033 > 1149,760033
Qma_PRES_Ar_Resf
<= 419,175878 > 419,175878
Pren_Gran_PP_m0045
<= 88,178946 > 88,178946
Filt_Prod_Filtragem
<= 574,016412 > 574,016412
Hom_Minerio_Nivel_TQ_5E5B
<= 57,116642 > 57,116642
Bar/Column Plot of Importance
Selected predictor spreadsheet 02/03/2011 05:47:16
in Base220_DataMinerRecipe2.stw 2v*94c
0,0 0,2 0,4 0,6 0,8 1,0 1,2
Emp_Carvao_Cinzas (%)
Basicidade_Bin
Moag_Prod_Media (t/h)
Silica_PQ
Pel_Num_Quedas_PelVD_US6
Produtivid_Grelha
Prensa_5PR2 (t/h)
Pel_TxAlim_5P20A
Filt_Prod_Filtragem (t)
Adic_TX_CAL
Qma_Temp_Ar_Asc
Moag_Tot_CMoe_5M5C
Emp_Carvao_Volateis (%)
Hom_Carvao_Densidade
Qma_PRES_5Q8
Pel_Func_Rasp_5P17E
Qma_RotVT_5Q9 (rpm)
Filt_Carb_Fix_PR_US6 (%)
Pel_TxAlim_5P20C
Line Plot of Compressao_med
2008a2010_Geral.sta 355v*17852c
Compressao_med = Distance Weighted Least Squares
Trinca_5_PQ (%) = Distance Weighted Least Squares
1-J
an
-08
5-M
ar-
08
12
-Ma
y-0
8
7-J
ul-0
8
1-S
ep
-08
24
-Oct-
08
29
-De
c-0
8
5-J
un
-09
27
-Ju
l-0
9
19
-Se
p-0
9
21
-No
v-0
9
4-F
eb
-10
18
-Ap
r-1
0
29
-Ju
n-1
0
26
-Au
g-1
0
200
220
240
260
280
300
320
340
360
380
400
Co
mp
ressa
o_
me
d
0
10
20
30
40
50
60
70
80
90
100
Trin
ca
_5
_P
Q (%
)
Compressao_med(L)
Trinca_5_PQ (%)(R)
Graphical Summary for Pel_RotDisc_5P20E (rpm)
0,0
0,8
1,6
2,4
3,2
4,0
4,8
5,6
6,4
7,2
8,0
8,8
9,6
10,4
11,2
12,0
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
-2 -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Median, Inter-quartile Range & Non-outlier Range
Mean & 95% Confidence Interval
Mean & 95% Prediction Interval
Shapiro-Wilk p: n/a
Mean: 8,026
Std.Dev.: 1,483
Variance: 2,198
Std.Err.Mean 0,0113
Skewness: -1,861
Valid N: 17226
Minimum: 0
Lower Quartile 7,484
Median: 7,826
Upper Quartile 8,410
Maximum: 12,00
95% Confidence for Std Dev
Lower 1,467
Upper 1,498
95% Confidence for Mean
Lower 8,004
Upper 8,048
95% Prediction for Observation
Lower 5,120
Upper 10,93
Projection of the variables on the factor-plane ( 1 x 2)
Active and Supplementary variables
-1,0 -0,5 0,0 0,5 1,0
Factor 1 : 24,90%
-1,0
-0,5
0,0
0,5
1,0
Fa
cto
r 2
: 1
9,6
4%
Emp_Silo_Finos_Nivel_US5_S3
Moag_Prod_MED_Peso (t/h)
Espess_Corr_Espessador_MED
Hom_Carvao_Volateis (%)
Hom_Carvao_Cinzas (%)
Hom_Pos_Distr_Polpa_MED
Filt_Gran_PR_m0045 (%>325#)
Filt_Pres_Sopro_Geral (mBar)
Filt_Prod_Filtragem (t)
Pren_Gran_PP_m0045 (%>325#)
Prensa_MED (t/h)Adicao_Niv_CAL_5A2A (t/h)
Adicao_Niv_CAL_5A2B (t/h)
Pel_Gran_PC_M16_MED
Pel_Num_Quedas_PelVD_MED
Qma_Camada_Forra_med
Qma_Pres_Resf_Queima
Qma_Pres_CxVento_CV18
Qma_RotVT_5Q9 (rpm)
Qma_Temp_Ar_Desc
*Compressao_med
Aplicações
Estratégias inteligentes para Venda Direta
Onde
ganhamos
mais?
Os líderes estão de olho onde o ganho é maior.
Nenhum líder ousa arriscar sua carreira
com ganhos marginais inferiores a 35%.
Toda decisão tem um alvo: maior recompensa!
Princípios elementares de conquista de participaçãode mercado:
Flexibilidade
Inovação
Capacidade de emulação
Diligência por Participação de Mercado
Portanto, há que se dividir todo o potencial e lutar deforma distinta em cada parte.
Explorar oportunidades de avançarprodutos de categoria e construir maior
participação de mercado em todo Brasil.
Cluster 1 – 189 Municípios Cluster 2 – 757 Municípios
Cluster 3 – 1.981 MunicípiosCluster 4 – 2.624 Municípios
Usamos indicadores sócio-econômicos (renda percapita,
classe social, mercado de varejo, população, densidade
demográfica etc) para construir 4 grupos com os 5.565 municípios
do Brasil.
189 Municípios (49,3% da População)
52% da população é feminina
322 hab/km2
97% é Urbana
87% é alfabetizada
38,5% é A e B - 45,7% é C - 15,8% é D e E
50,8% do Comércio Varejista
29,8% de Mercado de Catálogo
22,2% de Serviços Gerais
757 Municípios (23,9% da População)
50,6% da população é feminina
20 hab/km2
82% é Urbana
80% é alfabetizada
29,1% é A e B - 51,3% é C - 19,5% é D e E
26,8% do Comércio Varejista
37,7% de Mercado de Catálogo
18% de Serviços Gerais
1.983 Municípios (19,1% da População)
49,6% da população é feminina
10 hab/km2
61,6% é Urbana
71,7% é alfabetizada
21,4% é A e B - 54,9% é C - 23,7% é D e E
16,4% do Comércio Varejista
23,0% de Mercado de Catálogo
17,8% de Serviços Gerais
2.636 Municípios (7,7% da População)
49% da população é feminina
7 hab/km2
51,5% é Urbana
73,1% é alfabetizada
19,8% é A e B - 55,6% é C - 24,6% é D e E
6,1% do Comércio Varejista
9,5% de Mercado de Catálogo
20,1% de Serviços Gerais
G1 G2
G4 G3
189 Municípios (49,3% da População)
56,9% de Pedidos
57,7% de Vendas
5,5 de Cobertura média em 2010
24,5% de SOW (R$ 9,5Bi Total)
R$ 4,22 de Venda média por Unidade
39,8 Unidades por Revendedora
5,8 unidades/habitante
757 Municípios (23,9% da População)
24,4% de Pedidos
23,3% de Vendas
7,5 de Cobertura média em 2010
30,2% de SOW (R$ 3,1Bi Total)
R$ 4,00 de Venda média por Unidade
39,3 Unidades por Revendedora
5,1 unidades/habitantes
2.636 Municípios (7,7% da População)
4,5% de Pedidos
4,6% de Vendas
4,3 de Cobertura média
31,1% de SOW (R$ 1,9Bi Total)
R$ 3,69 de Venda média por Unidade
46,1 Unidades por Revendedora
3,4 unidades/habitantes
1.983 Municípios (19,1% da População)
14,4% de Pedidos
14,4% de Vendas
5,6 de Cobertura média
24,0% de SOW (R$ 0,77Bi Total)
R$ 3,87 de Venda média por Unidade
42,7 Unidades por Revendedora
4,0 unidades/habitantes
G1 G2
G4 G3
Abaixo da Média
Cobertura
7,29
SOW
23,6%
Abaixo da Média
Cobertura
8,21
SOW
19,4%
Acima da Média
Cobertura
8,73
SOW
33,4%
Abaixo da Média
Cobertura
3,59
SOW
16,5%
Acima da Média
Cobertura
5,08
SOW
36,2%
Acima da Média
Cobertura
7,75
SOW
41,8%
Abaixo da Média
Cobertura
5,88
SOW
45,3%
Abaixo da Média
Cobertura
5,24
SOW
22,0%
Cobertura
8,5
SOW
24,5%
Cobertura
5,6
SOW
31,1%
Cobertura
4,3
SOW
24,0%
G1 G2
G4 G3
Cobertura
7,5
SOW
30,2%
Cores Claras indicam resultados inferiores à média do grupo.
Cores Escuras indicam resultados superiores à média do grupo.
Portanto, municípios com comportamento econômico similar, deveria ter resultados similares no negócio.
Participação de Mercado
Quantidade de Habitantes para cada Revendedora
Média de Vendas por Revendedora
Preço Médio por Unidade Vendida
Unidades Vendidas por Revendedora
Unidades Vendidas
Quais municípios aderem às estratégias do
negócio em cada Campanha?
Podemos identificar nossas forças e
fraquezas em cada cidade?
É possível aproveitar as oportunidades sendo
mais flexível nas regras de negócio?
Como combater as ameaças de concorrentes
nas grandes cidades e crescer SOW?
Escreva a sua história conosco também!