Please enable JavaScript.
Coggle requires JavaScript to display documents.
CRISP-DM - Coggle Diagram
CRISP-DM
🚀 6. Implantação (Deployment)
✔️ Objetivo:
Colocar o modelo em produção, de modo que seus resultados sejam utilizados para gerar valor no negócio.
🔍 O que é feito:
Integração do modelo aos sistemas da empresa (ex.: dashboards, APIs, aplicativos, processos automatizados).
Geração de relatórios periódicos.
Treinamento dos usuários para interpretação e uso dos resultados.
Monitoramento contínuo do modelo (drift, perda de desempenho, necessidade de atualização).
Planejamento de manutenção e atualização do modelo.
🛠️ Entregas:
Solução implantada e funcionando.
Documentação técnica e de uso.
Plano de monitoramento e manutenção.
🧹 3. Preparação dos Dados (Data Preparation)
✔️ Objetivo:
Transformar os dados brutos em um conjunto de dados limpo, organizado e adequado para a modelagem.
🔍 O que é feito:
Seleção dos dados relevantes.
Tratamento de dados faltantes (remoção, imputação, preenchimento).
Correção de inconsistências e erros.
Criação de variáveis derivadas (feature engineering).
Normalização, padronização e transformação dos dados.
Junção de diferentes bases e fontes de dados.
🛠️ Entregas:
Dataset final pronto para modelagem.
🤖 4. Modelagem (Modeling)
✔️ Objetivo:
Aplicar algoritmos de mineração de dados e construir modelos preditivos ou descritivos.
🔍 O que é feito:
Escolha das técnicas de modelagem (ex.: regressão, árvores de decisão, redes neurais, SVM, clustering).
Divisão dos dados (ex.: treino, validação e teste).
Treinamento dos modelos nos dados.
Ajuste de parâmetros (tunning) e escolha do melhor modelo.
Avaliação preliminar do desempenho dos modelos (métricas como acurácia, precisão, recall, RMSE, etc.).
🛠️ Entregas:
Modelos treinados e configurados.
Relatórios com os desempenhos dos modelos.
🧐 5. Avaliação (Evaluation)
✔️ Objetivo:
Garantir que o modelo escolhido atende aos objetivos do negócio e está pronto para ser utilizado.
🔍 O que é feito:
Análise crítica dos resultados obtidos.
Verificação se o modelo resolve de fato o problema de negócio.
Análise de erros e possíveis melhorias.
Verificação se os dados utilizados não possuem viés ou problemas ocultos.
Validação com especialistas do negócio.
🛠️ Entregas:
Relatório final de avaliação.
Aprovação (ou não) para implantação.
🏢 1. Entendimento do Negócio (Business Understanding)
✔️ Objetivo:
Compreender claramente os objetivos do negócio, seus desafios e necessidades, transformando isso em um problema que pode ser solucionado com dados.
🔍 O que é feito:
Entendimento dos objetivos estratégicos da empresa.
Identificação de problemas específicos a serem resolvidos.
Definição dos objetivos de um projeto de mineração de dados (ex.: reduzir cancelamentos, aumentar vendas, prever demanda).
Planejamento das etapas do projeto, recursos necessários e cronograma.
🛠️ Entregas:
Documento de entendimento do problema.
Plano do projeto de análise de dados.
📊 2. Entendimento dos Dados (Data Understanding)
✔️ Objetivo:
Coletar dados, conhecê-los profundamente e verificar sua qualidade, relevância e utilidade para o problema.
🔍 O que é feito:
Coleta dos dados iniciais (bancos, planilhas, APIs, sistemas).
Análise exploratória dos dados (estatísticas, gráficos, distribuições).
Identificação de problemas como dados faltantes, erros, outliers, inconsistências.
Avaliação se os dados são suficientes e relevantes para atingir os objetivos.
🛠️ Entregas:
Relatórios exploratórios.
Diagnóstico dos dados e suas limitações.