Por fim, nesta seção tem – se a visualização espacial segmentada pelo volume de compradores e vendedores. O usuário tem a opção de visualizar o mapa do Brasil por estado ou município, escolhendo a visualização por compradores ou vendedores. Para o gráfico da Figura 15 abaixo, foi escolhida a segmentação por compradores e visualizando as informações por estado.
38
Figura 15 – Visualização Espacial.
Para corroborar a informação apresentada na seção onde apresenta os dados em um contexto nacional, observa-se que a região sudeste possui o maior volume de clientes, seguido pela região sul e posteriormente a região nordeste.
5 CONSIDERAÇÕES FINAIS
Visto que a constante evolução da tecnologia viabiliza o armazenamento de uma grande massa de dados dificultando o processo de visualização, torna - se necessário o uso de mecanismos de visualizações com o objetivo de contribuir com a melhoria deste processo.
O trabalho realizado buscou identificar como o uso de algumas técnicas de visualização de dados podem ser úteis para facilitar a compreensão até mesmo para quem não os conhecem em detalhes, sumarizando as principais características por meio de métodos visuais identificando se estas representações são eficazes na transmissão das informações e como podem ser importantes para auxiliar na gestão estratégica de uma empresa que atua no e-commerce brasileiro.
A partir dos resultados da análise exploratória dos dados, pecebeu - se que o mês de novembro possui o maior número de pedidos por dia, dentro do período estudado (2016-2018). Sugere-se que esse pico pode ser devido a promoção da Black Friday, também cabe uma análise
39
mais profunda a fim de verificar as vendas em outros feriados nacionais onde costuma - se ter um grande volume de vendas. O método de pagamento mais utilizado é o de cartão de crédito, podendo estar relacionado a facilidade de utilização do meio e por opções de parcelamento, mesmo a maioria preferindo pagar apenas de 1x, essa parcela pode ser descontada no mês seguinte, diferente da opção de débito e boleto, em que é descontado no mesmo dia. As regiões com mais clientes realizando compras são as do Sudeste, seguido pelo Sul e os com menos clientes são os da região Norte.
Com os resultados já analisados, as empresas podem extrair possíveis insights que auxiliarão no seu processo de tomada de decisão. Como exemplo, criar políticas de pagamentos, de acordo com os interesses dos vendedores, como oferecer porcentagens de descontos em débito e boletos bancários, não sendo necessário esperar dias pelo recebimento do produto ou serviço. Adicionar porcentagens de juros à medida que aumentam os números de parcelas também é uma opção, pois recebendo o dinheiro de imediato ele pode ser utilizado para pagamentos ou reinvestido no mercado. Também a necessidade de buscar mais participação dos clientes da região Norte nas compras, investindo em ações de marketing e de prospecção de clientes nas regiões de baixas porcentagens, oferecendo descontos e condições personalizadas de pagamentos até atrair o público desejado.
Importante ressaltar que existem várias outras técnicas de visualização de dados que não foram abordadas neste trabalho, e que o dataset utilizado pode ser utilizado em diferentes cenários além da visualização de dados, sendo um assunto para possíveis trabalhos futuros.
40
6 REFERÊNCIAS
KAGGLE. Conjunto de dados públicos de comércio eletrônico brasileiro por Olist. Disponível em: https://www.kaggle.com/olistbr/brazilian-ecommerce. Acesso em: 15 set. 2020.
ALBERTIN, A. L. Comércio Eletrônico: Modelo, Aspectos e Contribuições de sua Aplicação. 7 ed. São Paulo: Atlas, 2016.
BAOHUA, G.; FEIFANG, H.; HUAN, L. Sampling and its application in data mining: A survey. [S.l.], 2000. Disponível em: http://dl.comp.nus.edu.sg/bitstream/handle/1900.100/1408/report.pdf?s equence=3&isAllowed=y. Acesso em: 18 set. 2020.
BARNETT, V.; LEWIS, T. Outliers in statistical data. [S.l.]: Wiley, 1974.
BERRY, M. J.; LINOFF, G. Data mining techniques: for marketing, sales, and customer support 1997. John Willey & Sons, 1997.
CAMERON, D. Eletronic Commerce: the New Business Platform of the Internet. Charleston: Computer Technology Research Corp., 1997.
CARDOSO, O. N. P.; MACHADO, R. T. M. Gestão do conhecimento usando data mining: estudo de caso na universidade federal de lavras. Revista de Administração Pública, v. 42, n. 3, p. 495–528, 2008.
CARVALHO, H. M. Aprendizado de Máquina voltado para Mineração de Dados: Árvores de Decisão. 2014. 68 f. Monografia (Graduação em Engenharia de Software) – Faculdade UnB Gama – FGA, Universidade de Brasília, Brasília, 2014.
CARVALHO, M. S. R. M. A trajetória da internet no Brasil: Do surgimento das redes de computadores à instituição dos mecanismos de governança. Dissertação (Mestrado em Ciências de Engenharia de Sistemas e Computação). Universidade Federal do Rio de Janeiro. Rio de Janeiro, 2006.
CASTANHEIRA, L. G. Aplicação de técnicas de mineração de dados em problemas de clas- sificação de padrões. Dissertação (Mestrado), Universidade Federal de Minas Gerais, 2008. Disponível em: https://www.ppgee.ufmg.br/documentos/Defesas/777/. Acesso em: 18 set. 2020.
41
FAYYAD et al. From data mining to knowledge discovery in databases. AI magazine, v. 17, 1996. GOLDSCHMIDT, R. R.; PASSOS, E. Data Mining: Um Guia Prático. Rio de Janeiro: Campus, 2005.
GOLDSCHMIDT, R.; BEZERRA, E.; PASSOS, E. Data mining: Conceitos, técnicas, algoritmos, orientações e aplicações. Rio de Janeiro-RJ: Elsevier, 2015.
GOLDSCHMIDT, R.; PASSOS, E. Data Mining: Conceitos, técnicas, algoritmos, orientações e aplicações. [S.l.]: Elsevier Brasil, 2017.
MENDES, L. Data Mining: Estudo de Técnicas e Aplicações na Área Bancária. Monografia (Tecnólogo em Processamento de Dados), Faculdade de Tecnologia de São Paulo, São Paulo, 2011. ROSA, J. R. C. Marketplace no Brasil: desafios, vantagens e tendências deste modelo de negócio para empresas varejistas. 2019. 68 f. Dissertação (Mestrado em Administração de Empresas) – Programa de Pós-Graduação Stricto Sensu em Administração de Empresas, Faculdade FIA de Administração e Negócios, São Paulo, 2019.
Strategy briefing: Understanding global marketplace trends. Euromonitor International, 2018. TAN, P.-N.; STEINBACH, M.; KUMAR, V. Introdução ao datamining: mineração de dados. [S.l.]: Ciência Moderna, 2009.
TEIXEIRA, C. B. Análise de sentimento dos usuários do twitter em relação à atual situação política do Brasil. 2019. 59 f. Monografia (Graduação em Estatística) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2019.
VARIAN, HAL. The McKinsey Quarterly. 2019 Hal varia non the web challenges managers. Disponível em: < https://www.mckinsey.com/industries/technology-media-and-telecommunicatio ns/our-insights/hal-varian-on-how-the-web-challenges-managers >. Acesso em: 02 fev. 2021. SIMON, PHIL. The Visual Organization: Data Visualization, Big Data, And The Quest For Better Decisions, [S.l.]: 2014.
DEAN, JARED. Big data, Data Mining and Machine Learning: Value Criation for Business Leaders and Practitioners, 2014.
42
RUSSOM, PHILIP. Big Data Analytics, [S.l.]: 2011.
TEAM, R. C. R: A language and environment for statistical computing: The R development Core Team, 2008.
H. Wickham. ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York, 2016. C. Sievert. Interactive Web-Based Data Visualization with R, plotly, and shiny. Chapman and Hall/CRC Florida, 2020.
Winston Chang, Joe Cheng, JJ Allaire, Carson Sievert, Barret Schloerke, Yihui Xie, Jeff Allen, Jonathan McPherson, Alan Dipert and Barbara Borges. shiny: Web Application Framework for R, 2021. R package version 1.6.0. Disponíbvel em: https://CRAN.R-project.org/package=shiny. Richard Iannone, JJ Allaire and Barbara Borges. flexdashboard: R Markdown Format for Flexible Dashboards, 2020. R package version 0.5.2.Disponível em: https://CRAN.R-project.org/package= flexdashboard.