quinta-feira, 11 de junho de 2020

Estratégias e cuidados para análise de dados




Essa figura nos remete a alguns cuidados e dicas de estratégias para análise de dados.

1) Nunca tome decisões com base em somente um indicador.
Neste caso, analise também o número de infectados, mortos, recuperados que voltaram a ter a doença, etc.
Para outro exemplo, veja o post

2) Seguindo a dica de Hans Rosling (livro "Factfulness: O hábito libertador de só ter opiniões baseadas em fatos"), o melhor é utilizar índices que são divisões entre 2 indicadores. Isto permite comparar ou considerar dois indicadores num só.
Por exemplo, recuperados dividido por número de infectados (ou mortos ou população).

3) Faça comparações mas dentro do mesmo contexto.
Exemplo: número de recuperados no Brasil x algum país semelhante (por população, localização geográfica, economia semelhante, etc).
E lembre: não há 2 casos exatamente iguais (até mesmo gêmeos são diferentes em vários aspectos como comportamento, por exemplo).
Adjetivos como bom/ruim, grande/pequeno, belo/feio, perto/longe são relativos; então só podem ser usados quando há uma comparação.

4) Cuidado com diferenças internas.
O Brasil é muito grande. Analise os indicadores por regiões e estados.
No Amazonas e Pará, capitais são bem diferentes do interior. Assim também em vários outros estados. Compare capitais x cidades do interior, litoral x interior, cidades grandes x pequenas.
E mesmo dentro de uma mesma cidade, há muitas diferenças entre bairros (centro x periferia, bairros ricos x pobres, bairro residencial x industrial).

5) Procure analisar a evolução dos indicadores ao longo do tempo.
Um dado é uma foto de um momento. Após ela, tudo pode ter mudado.
Analise tendências, desvios (outliers), picos, vales, platôs, normal x exceções.

terça-feira, 21 de abril de 2020

Como fazer previsões


Este texto é para iniciantes que querem entender como é que se faz previsões.
Atenção: esta é uma forma de fazer previsões (leia até o fim). 

1o passo é ter registros históricos


Vamos pegar como exemplo os casos confirmados de Covid-19.
Esses registros serão representados num gráfico/plano bidimensional, ou seja, com duas variáveis: X (eixo horizontal) e Y (eixo vertical).

No nosso exemplo, o eixo X terá os dias em sequência, e o eixo Y terá o número de casos.
Como depois vamos usar uma função matemática aplicada sobre os valores de X, o melhor é não usar a própria data mas sim a ordem do dia (por exemplo, o número 1 é o primeiro dia dos registros). Na figura a seguir, são os números em vermelho.





2o passo é encontrar uma função matemática que passe pelos pontos

Por todos os pontos ou o mais próximo deles



Isso pode ser representado por uma função como
y = f(x)

Essa f(x) provavelmente será um número que multiplicado por cada valor de X nos dará os correspondentes valores de Y.

O Excel e outras planilhas possuem funcionalidades para extrair este tipo de função.
Veja a regressão linear no Excel usando a função Proj.Lin


3o passo é usar esta função para calcular valores futuros


Ou seja, um valor que não temos ou não sabemos ainda.
Esse valor é o Y que  será calculado a partir do valor de X  usando a tal função y=f(x) identificada antes. Deve ser um ponto em cima da reta que foi traçada.
Essa função também pode ser chamada de modelo, por isso a expressão de modelo de predição.





1o Cuidado: registros históricos são confiáveis?

Estamos nos baseando em dados passados para identificar a função matemática. Se estes dados estiverem errados, a função identificada será condizente com os dados (estará certa sob este ponto de vista) mas não será condizente com a realidade.
No caso da Covid-19, já se sabe que os casos registrados são bem menores que os casos reais. Primeiro, porque nem todas as pessoas com a doença fizeram testes. Segundo, porque nem todos com a doença registraram seus casos. Terceiro, porque há pessoas com a doença que não apresentaram sintomas, ou seja, nem sabem que estão com a doença.


2o Cuidado: quantos pontos usar? mais recentes ou todos?

A figura a seguir mostra duas funções que foram extraídas a partir dos dados registrados.
A reta vermelha usou mais dados, ou seja, um período maior.
Enquanto que a reta azul foi extraída usando dados mais recentes.
Note que no dia X futuro (linha verde), os valores de Y são diferentes nas duas retas.
Como o comportamento do sistema pode mudar, o mais correto é usar dados mais recentes. Por isso, a previsão do tempo acerta para dias mais próximos e erra mais para dias mais distantes.
Entretanto, se usarmos poucos dados, fica mais difícil encontrar a função (veja o próximo cuidado).




3o Cuidado: qual função, se há mais de uma possível?

Ao extrair uma função que passe o mais próximo dos pontos registrados, é possível que tenhamos como resultado mais de uma função possível (com o mesmo grau, ou seja, mesma distância para todos os pontos).
E notem que no dia futuro X, os valores de Y são diferentes nas duas funções (vermelha e azul).




4o Cuidado: é linear?

Aqui eu mostrei um exemplo extraindo uma reta (função linear) dos pontos registrados. E se não for possível extrair uma reta porque os pontos estão muito distantes? (como na figura a seguir).

Neste caso, ainda temos que procurar uma função mas usando outros métodos.
Talvez a nossa função seja algo como
y = B . (x2 + C)




Talvez a função seja tão complexa que seja necessário dividi-la em partes (diferentes funções).







5o Cuidado: mudança com o tempo

Cuide que uma função exponencial começa muito parecida com uma função linear.
Em certo momento, ocorre  o que Malcolm Gladwell chama de Ponto da Virada. É quando a função passa de linear para exponencial (explosão de casos).



6o Cuidado: simples x complexo (mais de uma variável influencia)

Nem sempre a função Y depende só de uma variável (X, por exemplo).
A venda de refrigerantes não depende só da temperatura. Há outros fatores que podem influenciar (promoções, dia da semana, eventos na cidade, etc.)
Aí é que o modelo de predição fica mais complexo e talvez tenhamos uma função tipo:
y = X.Z + W(K + L.M2)

onde as letras são variáveis ou fatores que influenciam Y.


7o Cuidado: % de erro

Ao fazer previsões, é preciso saber se quanto o modelo está errando ou acertando, ou seja, calcular a margem de erro ou a taxa de precisão/acurácia.
Então, continue registrando os casos reais e compare com suas previsões. Qual foi o percentual de erro. Faça uma média e verifique se essa média ou esse erro diminuiu ou aumenta.
Talvez seja necessário calibrar a função ou usar dados mais recentes.


8o Cuidado: efeito Borboleta

Em sistemas complexos, que usam muitas variáveis, uma pequena diferença no valor de uma das variáveis pode gerar um resultado bem diferente no final.
Veja a figura a seguir. Vamos admitir que o modelo é a função azul e está correta.
Uma variação (ex.  0,0001 de diferença) numa variável pode gerar valores corretos no início mas depois gerar erros muito maiores (função vermelha).



9o Cuidado: cisnes negros - mediocristão x extremistão

Se um sistema está se comportamento de maneira previsível por muito tempo, não significa que será sempre assim.
O peru analisa o ano inteiro e acredita que a família gosta dele, pois tratam bem, dão comida, cuidam da segurança e saúde dele. Mas tudo isso muda no dia de Natal.

Segundo Taleb, existem 2 tipos de sistemas que se contrapõem: Mediocristão e Extremistão.

1) Mediocristão
É um sistema que tem comportamento médio, com poucos picos ou vales (e não muito distantes do ponto médio).
Exemplo: Venda de pães
Nenhuma ação de marketing conseguirá fazer as vendas de pães subirem numa curva exponencial. E também nenhum evento conseguirá diminuir drasticamente a venda de pães (se uma região deixar de produzir ou algumas padarias forem fechadas, por exemplo, a curva cai mas não drasticamente como num Efeito Sêneca).

2) Extremistão
Um sistema onde um único evento pode desorganizar tudo.
Exemplos: autores que tinham publicado alguns livros sem muito sucesso e depois um livro fez suas vendas estourarem: Dan Brown e JK Rowling.

A Economia é um sistema tipo Extremistão.
Sistemas assim são difíceis de serem previstos. Pequenos eventos podem fazer grandes estragos (bolha imobiliária nos EUA, um vírus que vira pandemia).


10o Cuidado: esta é uma maneira de fazer previsões

Ela usa modelos de regressão e precisa que as variáveis sejam valores numéricos.

Para  ver outro tipo de previsão, mas sobre eventos, acesse o link abaixo.
https://miningtext.blogspot.com/2019/10/categorizacao-de-eventos-para-analise.html?m=0


quinta-feira, 16 de abril de 2020

Seleção de Amostras para Análise


1.1       O que é uma amostra e para quê


Uma amostra é um subconjunto de um conjunto (universo de casos).
Ela é útil para analisar dados quando não temos condições de ter todo o conjunto para análise por um desses motivos:
a) não sabemos quem faz parte do Universo
ex. infectados por uma doença, clientes em potencial

b) não temos condições de coletar dados de todos elementos do Universo por limitações de custo ou tempo
ex. avaliar a qualidade de cada peça feita numa indústria, fazer pesquisa com todos as pessoas que já compraram na nossa loja


1.2       Tamanho da amostra


Como determinar o número ideal de elementos numa amostra ? Se olharmos para as pesquisas para presidente do Brasil, a amostra normalmente é composta por aproximadamente 2 mil pessoas. Isto quer dizer que cada pessoa representa em torno de 50 mil outras.
O cálculo estatístico do tamanho da amostra depende do erro amostral (a diferença entre o valor estimado pela pesquisa e o verdadeiro valor e isto pode ser um valor estabelecido como meta); do nível de confiança (a probabilidade de que o erro amostral efetivo seja menor do que o erro amostral admitido pela pesquisa); da população (número de elementos existentes no universo da pesquisa, valor que pode não ser conhecido); entre outros (percentuais máximo e mínimo). Há algumas calculadoras online para fazer tais cálculos.

Tversky e Kahneman (1971) discutem os problemas com amostras muito pequenas. Por exemplo, se você jogar uma moeda não viciada três vezes e der duas vezes cara e uma vez coroa, você estará inclinado a acreditar que a probabilidade é 66,66% contra 33,33%. Mas se jogar mil vezes a mesma moeda, certamente haverá uma proporção próxima de 50/50. Pior seria se nas três primeiras jogadas, desse somente um lado. Como sabemos que, no caso da moeda, a probabilidade é 50/50, isto pode gerar a chamada "falácia do jogador": acreditar que o jogo vai mudar para reverter uma tendência e voltar ao padrão estatístico. Por exemplo, jogando 5 vezes a mesma moeda e dando sempre o mesmo lado (digamos, cara), vamos acreditar que na 6a vez irá dar o outro lado (coroa). E na 7a também vamos estar inclinados que dará coroa para equilibrar o jogo e voltar à proporção 50/50. Entretanto, a proporção só acontece com amostrar maiores. Então, as próximas jogadas só minimizam os desvios e não os corrigem logo em seguida.

Um presidiário lançou 10 mil vezes uma moeda e anotou os resultados. A figura a seguir representa isso. O eixo horizontal X mostra o tempo (quantidade de lançamentos) e o eixo vertical Y mostra o número de vezes de um dos lados da moeda. Conclusão: com o passar do tempo (mais lançamentos), o resultado converge para 50% para cada lado.




1.3       Tipos de amostras


Existem 4 tipos de técnicas de seleção de amostras. Discutiremos elas através de um exemplo: uma loja querendo analisar a satisfação de seus clientes. Também discutiremos duas situações possíveis: a loja já ter um cadastro de clientes e o caso de a loja não conhecer seus clientes (porque entram e saem da loja sem mesmo a loja saber se são homens ou mulheres).

·         Amostras aleatórias
Neste caso, são selecionados aleatoriamente elementos do universo (conjunto todo). Por exemplo, a loja determina o tamanho da amostra (valor N) e a seleção é feita sorteando os N primeiros clientes da base de dados (do cadastro).
Entretanto, para que a técnica seja utilizada adequadamente, a aleatoriedade deve ser total. No caso de clientes saindo da loja, não se pode selecionar clientes apenas num dia. Deve-se levar em conta as variedades (dia da semana, dia do mês, mês, turno, etc).
Esta técnica só deve ser usada quando não se pode utilizar uma técnica melhor.

·         Amostras por conveniência
Neste caso, a seleção é feita pelo que for mais fácil. Por exemplo, a loja seleciona os N primeiros clientes que saírem da loja num determinado dia ou liga para N clientes cadastrados que tiverem telefone e só utiliza dados dos N primeiros que atenderem o telefone.
É a pior técnica pois o critério de escolha é definido por pessoas, o que pode levar a tendências (selecionar somente elementos de um tipo).
Esta técnica só deve ser usada quando não se pode utilizar uma técnica melhor.

·         Amostras por julgamento
As amostras por julgamento são formadas por elementos que satisfaçam regras previamente determinadas. Por exemplo, analisar somente a satisfação de clientes mulheres que compraram mais de um produto até uma semana após o Dia das Mães.
Neste caso, o critério de seleção está bem definido e é justificado (por exemplo, só querer analisar certos tipos de elementos do conjunto todo). E portanto os resultados da análise serão condizentes somente com as regras definidas (não valem para o universo todo).

·         Amostras estratificadas
Esta é a forma correta de gerar amostras. Para tanto, precisa-se identificar que variáveis podem interferir na análise. Por exemplo, no caso da loja, atributos como sexo, idade, classe sócio-econômica, bairro e cidade, valor gasto e forma de pagamento podem fazer diferença para entender os tipos de clientes. E talvez altura, peso e escolaridade não sejam diferenciais para campanhas de marketing ou para entender comportamentos de compra.
Depois de identificadas as variáveis, precisa-se saber a proporção de elementos no universo todo para cada variável. Por exemplo, digamos que há 50% de mulheres e 50% de homens entre todos os clientes da loja, e que 25% são da classe A, 50% da classe B e 25% da classe C, e assim por diante nas demais variáveis.
Então, a amostra será definida com a mesma proporção que a divisão no universo. Ou seja, a amostra deve conter 50% de mulheres, 50% de homens, 25% de pessoas da classe A, 50% de pessoas da classe B, 25% da classe C e assim por diante.
Como na figura a seguir.







1.4       Cuidado na coleta de amostras: normal x exceções

Se quisermos saber como é o funcionamento de uma Biblioteca, temos que ter o seguinte cuidado: se formos observar num dia normal, não estaremos coletando as exceções. E o pior caso é ir num dia que é exceção acreditando que aquilo é o normal.


1.5       Cuidado na coleta de amostras: diversidade

Imagine que queiramos saber a qualidade da água de uma piscina que está fechada há vários dias. Se formos fazer a coleta num único dia, seria adequado coletar amostras da água em pontos diferentes (da parte mais funda X mais rasa, superfície X fundo) se puder haver diferença entre pontos.

Assim, se quisermos avaliar se uma praia (enseada) está própria para banho, se houver diferença entre parte esquerda, centro e direita, temos que coletar amostras nas 3 partes. Temos que verificar se há algum tipo de dejeto em alguma parte, se alguma parte é mais frequentada que as outras, se há vegetação próxima, etc.


1.6       Cuidado na coleta: como saber o que está influenciando

Imagine que uma empresa quer avaliar a qualidade de peças feitas na sua fábrica. Se as peças forem feitas em máquinas diferentes, temos que ter elementos na amostra representando cada máquina.

Se for apenas uma máquina com muitos operadores, a amostra precisa de elementos produzidos por operadores diferentes.

Se a temperatura puder interferir no resultado, temos que coletar amostras em dias ou momentos com temperaturas diferentes.

E se for somente um operador, numa única máquina, num cidade sempre com o mesmo clima? Talvez ele possa produzir melhor ou pior dependendo do dia. Será que os dias que ele sai brigado com a esposa fazem diferença? E os dias em que ele come fruta no café da manhã é diferente dos dias em que ele só come pão?



sábado, 21 de março de 2020

meus livros grátis



LIVROS GRÁTIS (também disponíveis em formato Kindle na Amazon)


BI na era do big data para cientistas de dados: indo além de cubos e dashboards na busca pelos porquês, explicações e padrões

A verdade está nos dados ou não? : Discussões sobre o que é verdadeiro na era do Big Data, das fake news e da pós-verdade

Volume, velocidade, variedade, veracidade e valor: como os 5 Vs do big data estão impactando as organizações e a sociedade

Disseminação de Conhecimento: como a informação se espalha e por que as pessoas compartilham conhecimento, memes, fofocas e boatos

Memória organizacional: como coletar, armazenar e recuperar conhecimentos explícitos e tácitos

31 tipos de sistemas de informação: 31 maneiras de a tecnologia da informação ajudar as organizações

A História do Lucro: suas origens, evolução e o estado atual

Por que uns países são ricos e outros são pobres

A História da Inovação e do Empreendedorismo no Brasil: e comparações com outros países

O Consertador de Robôs
(livro de ficção sobre IA e robôs)


LIVROS NA AMAZON (formato Kindle)


Planejamento de TI e de Sistemas de Informação: alinhamento com negócios, metodologias, estudo de viabilidade, custos e retorno do investimento (ROI)

Marketing digital: técnicas e ferramentas para analisar comportamentos, disseminar ideias e fazer ofertas personalizadas através de mídias digitais

De onde vem o Conhecimento: depois do diálogo entre Sócrates e Teeteto

A Comunicação entre Usuários e Analistas de Sistemas: (2a edição)


História da Agricultura e da Indústria no Brasil

GESTÃO DA INOVAÇÃO NAS EMPRESAS: O que as empresas precisam ter e saber para inovar

UMA BREVE HISTÓRIA DA INOVAÇÃO E DO EMPREENDEDORISMO NO BRASIL




terça-feira, 1 de outubro de 2019

Categorização de eventos para análise de sequências temporais


A técnica de análise de sequências temporais analisa estatisticamente sequências de eventos com o objetivo de encontrar sequências que se repetem. Cada sequência será representada por uma linha de tempo com eventos que já ocorreram.

A análise pode ser feita dentro de uma mesma linha de tempo ou entre linhas de tempo. Então costuma-se considerar que cada linha de tempo (uma sequência de eventos) é um caso individual.

As linhas de tempo (sequências de eventos) podem corresponder a (exemplos):
·         Eventos de saúde de uma pessoa durante sua vida;
·         Ações de vendedores no relacionamento com um cliente;
·         Ações de vendedores independente de clientes;
·         Decisões tomadas por gestores;
·         Eventos relacionados a clientes (compras, reclamações, etc.);
·         Produtos adquiridos por um cliente;
·         Eventos que ocorreram numa empresa (ex. acidentes);
·         Eventos que ocorreram numa região geográfica (ex. terremotos, chuvas, visitas de governantes).

Na imagem a seguir, pode-se ver um exemplo com alguns padrões encontrados:
a) das 3 vezes que o evento “triângulo azul” ocorreu, o evento “triângulo amarelo” ocorreu depois (não temos o intervalo de tempo)
b) o evento “triângulo amarelo” foi seguido pelo evento “círculo vermelho” duas vezes
c) o evento “triângulo azul” foi sucedido pelo evento “círculo azul” mas bem depois, com alguns eventos entre eles.




Sempre que houver um campo “data” no banco de dados, será possível registrar sequências de eventos. E também será possível analisar com esta técnica (não necessariamente iremos descobrir padrões).

Este tipo de análise permite predizer acontecimentos. Por exemplo, na imagem em questão, há uma probabilidade de que ocorra um evento tipo “círculo vermelho” na linha de tempo de Ana no ano de 2006.

Maltz e Klosak-Mullany (200) utilizaram esta técnica de sequência de tempo para encontrar padrões estatísticos no comportamento de jovens delinquentes nos EUA e antever eventos ruins em suas vidas, para intervir antes que aconteçam.
MALTZ, Michael D.; KLOSAK-MULLANY, Jacqueline. Visualizing Lives: New Pathways for Analyzing Life Course Trajectories. Journal of Quantitative Criminology, v.16, n.2, June 2000, p.255-281.


A análise de sequências temporais pode ser feita de várias formas. Eis algumas:
a)      Um evento sucede outro, não importando se há outros eventos no meio; a reclamação de um cliente no site é sempre seguida por um registro no site ReclameAqui;
b)      Um evento sucede outro logo em seguida (sem outro evento no meio); ex. ministrar o remédio X ao paciente faz a pressão baixar imediatamente;
c)      Um evento sucede outro dentro de um intervalo de tempo X; ex.: quem compra um home theater volta dentro de 3 meses para comprar uma TV de LED.


O objetivo desta postagem é sugerir uma forma de categorizar eventos ao invés de usar eventos individuais ou muito específicos.

Imagine que haja uma sequência com tais eventos:
a)      O ministro da Fazenda (federal) esteve presente na cidade;
b)      Choveu torrencialmente no momento da partida dele;
c)      As vendas do produto W cresceram no dia seguinte à partida.

Talvez seja muito difícil que esta mesma sequência de eventos se repita. Mas talvez outros ministros visitem a cidade.

Então talvez consigamos encontrar um padrão nos nossos registros históricos que seja assim:
Toda vez que um ministro do governo federal visita a cidade
E
Que chove durante sua estada
Então as vendas de produtos do tipo KLM aumentam durante os dias seguintes.


Outros exemplos:

a) Vendas
Categorias de eventos:
- tipos de produtos adquiridos: por setor, tamanho, faixa de preço;
- ações de clientes: consulta de preços, consulta de forma de pagamento, cadastro, reclamações;

b) Atendimentos médicos
Categorias de eventos:
- tipos de pacientes atendidos: ex. faixa etária, sexo
- tipos de sinais e sintomas
- tipos de prescrições médicas
- tipos de especialidades médicas que atenderam
- tipos de exames feitos

c) Atendimentos em uma oficina mecânica
Categorias de eventos:
- tipos de carros: tamanho, cor, modelo, ano
- tipos de serviços prestados
- tipos de problemas, defeitos ou reclamações

d) Eventos gerais significativos
Categorias de eventos:
- catástrofes naturais
- eventos naturais acima/abaixo do normal: neve, chuva, temperatura, seca, umidade
- reuniões ou visitas de líderes políticos ou religiosos
- manifestações ou festas populares (eventuais ou fixas no calendário)

e) Eventos econômicos
- aumento/redução de taxa de juros
- publicação de previsões de índices (inflação ou PIB)
- subida/descida de moedas (dólar, euro)
- falência de uma grande empresa
- anúncios importantes do governo
- votações de projetos importantes

terça-feira, 24 de setembro de 2019

11 razões por que eu só compro e-books (livros eletrônicos)

Eu uso aplicativos como Kindle, Moon Reader ou Mobi Reader, para ler livros eletrônicos (formatos pdf, mobi, etc.).
Estes aplicativos funcionam em qualquer tipo de celular ou tablet e também têm versões para PC (desktop).

Aqui vão as razões por que só compro livros eletrônicos (e-books):

1) são mais baratos que livros em papel e não precisam pagar frete. Tu compra e já recebe no dispositivo móvel, na mesma hora.

2) tenho quase todos os meus livros no dispositivo (celular) ou na nuvem. Não preciso transportar livros físicos.
Se quero reler um livro, ele já está comigo.

3) a leitura é mais fácil, porque não preciso segurar um livro físico que é mais pesado. E passar páginas também é mais fácil. Dá para segurar o celular com uma mão e passar páginas sem usar a outra.

4) pode-se aumentar o tamanho da letra. Além disso, dá para alternar entre fundo e cor de letra (branco x preto). Letra branca no fundo preto é melhor para ambientes com pouca luz.

CUIDADO: em geral, os arquivos pdf aparecem como imagens. Então, ao aumentar o tamanho da letra, na verdade ele aumenta a imagem. E aí a linha fica maior que a largura da tela. Para ler é ruim porque precisa deslocar o texto para os lados. Mas no aplicativo Moon Reader, tem uma opção para extrair o texto da imagem. Assim, é possível colocar o tamanho de letra que quiser, e ele ajusta a linha para caber na largura da tela.

5) dá para ler no escuro e sem incomodar o parceiro ou parceira. Basta configurar a luminosidade. Assim, posso ler em qualquer lugar. Para ler livros físicos, preciso de um lugar com boa luminosidade.

6) quando eu paro de ler e volto em outra hora, ele volta para a mesma página onde parei.
Se tu estiver usando dispositivos diferentes, ele sincroniza. Ou seja, posso reiniciar a leitura em outro dispositivo que ele "lembra" a página onde parei.

7) eu gosto de fazer resumos. Há opções para fazer COPIAR+COLAR. Copio os trechos que quero e colo num documento texto.
Assim, tenho resumos de todos os livros que leio.

8) há opções para marcar partes do texto com cores (como as canetinhas coloridas em livros de papel). Dá para marcar também páginas. Eu não uso estes recursos porque uso o recurso anterior.

9) pode-se fazer buscas por palavras no texto. Ele traz os trechos onde a palavra aparece.

10) em alguns aplicativos, depois que tu tá lendo há muito tempo, ele bloqueia a tela para tu descansar os olhos.

11) pode-se ver o índice a qualquer momento. E é possível ir para qualquer capítulo ou seção que esteja no índice bastando clicar no título.

Obs: na verdade, eu ainda compro livros físicos. São aqueles que ainda não tem edição em formato eletrônico. Geralmente, são livros mais antigos. Neste caso, procuro olhar os livros usados no site Estante Virtual, que reúne os maiores sebos do Brasil. Ali eles indicam inclusive o estado do exemplar, se tem anotações, se está amarelado, rasgado, etc.

sexta-feira, 6 de setembro de 2019

Livro "Disseminação de Conhecimento"

Disseminação de Conhecimento: como a informação se espalha e por que as pessoas compartilham conhecimento, memes, fofocas e boatos.


Este livro é o terceiro de uma série ou trilogia sobre conhecimento, começando com estes dois:

LOH, Stanley. De onde vem o Conhecimento: depois do diálogo entre Sócrates e Teeteto. Porto Alegre, 2018.

LOH, Stanley. Memória organizacional: como coletar, armazenar e recuperar conhecimentos explícitos e tácitos. Porto Alegre, 2018.

Resumo:

Este livro procura estudar como conhecimentos e informações se espalham, procurando auxiliar os que pretendem melhorar suas técnicas de comunicação, levando informação de mais qualidade, alcançando mais pessoas e as pessoas certas, aumentando a velocidade da disseminação e utilizando os recursos apropriados.
Na parte II, veremos como se deu a evolução da disseminação de conhecimento e informações durante a evolução do próprio gênero Homo, incluindo o surgimento da linguagem, da escrita e do alfabeto.
Na parte III, apresentamos os aspectos e fatores envolvidos na disseminação, tentando explicar como a informação se espalha. Esta seção discute como o tipo de rede física ou social pode interferir, como certos tipos de pessoas impulsionam a disseminação numa rede, a força do hábito e da imitação, a influência do grupo sobre indivíduos, a confiança e a reputação, a atenção e as limitações da memória humana, etc. A seção também defende com argumentos que o meio interfere na disseminação, ou seja, compara formatos como texto, imagens e sons, e debate a comunicação verbal e a não verbal, dando ênfase aos meios digitais.
Na parte IV, o livro debate o que motiva as pessoas a compartilharem informações, sejam boas ou ruins, sejam verdades ou boatos. Esta seção traz estudos científicos sobre técnicas de motivação de pessoas para o trabalho e discute fatores como incentivos financeiros, fama e exibicionismo, cooperação e virtude, altruísmo e reciprocidade, prazer e felicidade.
Na parte V, é discutida uma lista de barreiras à disseminação de conhecimento e informações.
A parte VI trata dos sistemas de recomendação, que são ferramentas e técnicas baseadas em software e sistemas de Inteligência Artificial, responsáveis por filtrar e encaminhar informações para pessoas, sem mesmo que estas precisem solicitar ou dizer do que precisam.
A parte VII traz discussões sobre técnicas e ferramentas para análise da disseminação. O uso de representações gráficas como grafos e diagramas podem ajudar a entender o processo de disseminação e até mesmo auxiliar em cálculos de velocidade e alcance.