A História da Inovação e do Empreendedorismo no Brasil (livro grátis FREE E-BOOK)

Apresento aqui meu livro mais recente, mais importante e mais trabalhoso. Foram 5 anos de pesquisa, buscando dados históricos e estatísticos para compreender a situação atual do Brasil. A ideia inicial era pesquisar por que alguns países são ricos e outros são pobres. Mas eu queria situar o Brasil neste contexto. Por isto, busquei a história da inovação e do empreendedorismo no Brasil, desde Cabral até hoje. Mas também pesquisei a situação em outros países, sejam ricos ou em desenvolvimento (os grupos BRICS e MINT). Por isto então, são também apresentados dados de outros países para comparação com o Brasil.

Para baixar o livro grátis, clique aqui. 

Resumo do livro:
Este não é um livro de economia. É um livro de história que trata de questões econômicas e ajuda a entender a situação atual do Brasil reconstruindo sua trajetória. Em especial o livro procura refazer esta trajetória comparando nossas escolhas com os caminhos percorridos por outros países.

São 5 anos de pesquisa que resultaram em mil páginas sobre o assunto. A 1a parte do livro faz um resumo dos eventos principais em relação a inovação e empreendedorismo desde a descoberta do Brasil até os dias atuais. A 2a parte discute em detalhe os fatores que distinguem países ricos e pobres, posicionando o Brasil através de dados históricos e estatísticos e comparando nossas situações passada e presente com as de países desenvolvidos e em desenvolvimento. Os fatores incluem: tamanho territorial e da população, geografia, clima, recursos naturais, colonização, imigrantes, comércio exterior, capital externo, agricultura, indústria, serviços, dívidas, exportações e importações, inflação, participações em guerras, educação, saúde, desigualdade e pobreza, pesquisa e desenvolvimento, patentes, influência e poder do governo X liberdade, corrupção e privilégios, legislação e burocracia, pirâmide populacional e previdência social, força e estabilidade das instituições, influência das religiões, infraestrutura, produtividade, violência e crimes, cultura e criatividade do povo. São quase mil páginas, contendo também mais de 150 gráficos e mais de 200 tabelas com dados históricos, estatísticos e atualizados.

Para baixar o livro grátis, clique aqui. 

Formas de citação:

Loh, Stanley. A História da Inovação e do Empreendedorismo no Brasil - e comparações com outros países. Porto Alegre, 2016.

Loh, Stanley (2016) A História da Inovação e do Empreendedorismo no Brasil - e comparações com outros países. Porto Alegre, 2016.

Prefixo Editorial: 916683

Número ISBN: 978-85-916683-5-9

Copyright © by Stanley Loh

Todos os direitos reservados.

 

Big Data x Complexidade

O fenômeno Big Data possui 3 características principais conhecidas como 3Vs das informações. São elas:

- volume: cada vez mais a Humanidade gera e armazena mais informações. As tecnologias como rádio, TV e telefone geraram mudanças na comunicação (velocidade e volume de informações). Mas a Internet aumentou tudo isto e ainda permite que pessoas gerem informações que ficam disponíveis publicamente. É a explosão de informações.

- velocidade: hoje em dia é possível escrever um post  num blog como este e divulgá-lo instantaneamente para milhares de pessoas em diferentes partes do mundo.

- variedade: a variedade de informações acontece porque nosso mundo está se tornando mais complexo. Geramos e armazenamos informações em formatos diferentes como textos, diagramas, figuras, sons, planilhas, tabelas, gráficos, etc. Além disto, nossos conceitos estão evoluindo para estados menos estáveis ou concretos. Por exemplo: como definir hoje em dia uma família ? E um casamento ? Como armazenar a filiação de uma pessoa ? Seriam 2 ou 3 valores possíveis ? Pode haver uma pessoa só com um pai ou uma mãe ? E sexo então. Há hospitais que trabalham com 12 diferentes tipos de sexo.

Já escrevi sobre o colapso do consenso, termo cunhado por Alvin Toffler na década de 1980.

http://miningtext.blogspot.com.br/2014/07/o-colapso-do-consenso-como-conviver-com.html

Os 3Vs são consequência de um mundo mais complexo.

A complexidade aumenta na proporção direta a:

- número de elementos ou itens envolvidos;

- diferentes tipos dos elementos;

- número de relações entre os elementos;

- diferentes tipos de relações entre os elementos.

Uma equipe de trabalho com homens e mulheres de diferentes profissões é mais complexo que um time de futebol masculino. Uma sala de aula com 20 alunos é menos complexa que uma sala com 40 alunos. Uma rede social que permite ligar amigos e inimigos é mais complexa que uma rede onde somente amigos estão relacionados.

O mundo está mais complexo porque:

- há mais pessoas no mundo;

- nossos grupos sociais estão aumentando, passando o limite de 150 para nossa capacidade intelectual (conforme Robin Dunbar);

- as interações entre as pessoas estão mais diversificadas usando diferentes mídias, tecnologia e redes sociais.

A quem isto tudo vai impactar ?

Campanhas de marketing precisarão entender os diferentes segmentos de clientes. Haverá mais microssegmentação. Veja quantas revistas diferentes existem sobre esportes

https://www.google.com.br/search?q=revista+nautica&safe=active&espv=2&biw=1199&bih=700&source=lnms&tbm=isch&sa=X&ved=0ahUKEwjFq_Pj3tDPAhXHHZAKHThPBEoQ_AUIBygC#safe=active&tbm=isch&q=revistas+de+esporte

O atendimento a clientes deverá ser mais personalizado. Jeff Bezos da Amazon disse que precisa ter 3 milhões de lojas diferentes se tiver 3 milhões de clientes.

A inovação de produtos e serviços ficará cada vez mais especializada, para finalidades e públicos específicos.

A diversidade é boa. Ela aumenta a criatividade, amplia oportunidades de negócios. A padronização não funciona mais. O que se quer hoje é personalização. Mas a padronização é boa porque facilita nossa vida. Imagina atravessar ruas numa cidade onde em cada esquina há um tipo diferente de sinaleira ? A diversidade é boa mas dificulta nosso viver (precisaríamos tomar decisões sobre o que fazer em cada nova situação). Ou seja, a Humanidade procura padronização. Foi por isto que inventamos e nos adaptamos bem à agricultura. Para entender a natureza e poder obter alimento de uma forma mais tranquila e regular.

Mas o Big Data só cresce. Cada vez temos mais sensores espalhados para monitorar nosso mundo. São sensores de luminosidade para acender ou pagar lâmpadas nas ruas automaticamente, sensores de temperatura para acionar condicionadores de ar, sensores de chuva e intensidade solar para melhor adaptar nossa agricultura. E tudo isto feito com diferentes máquinas interligadas. É a Internet das Coisas (Internet of Things – IoT).

Para poder entender tantos dados sendo gerados e armazenados vamos precisar de técnicas de análise de dados mais modernas e eficientes, como Data Mining e BI. Será necessário dividir uma coleção grande de dados em amostras menores.

Mas também o mundo novo nos trouxe aumento na complexidade da análise. As necessidades das pessoas estão mais complexas. Antes uma pessoa queria saber somente o endereço de um cliente. Depois, passou a querer saber quem são os clientes com determinado perfil. Hoje, quer saber quais os perfis de clientes que existem num grupo.

Comportamento complexo emerge de comportamentos simples

Esta excelente reportagem da revista National Geographic Brasil, explica o que é a Teoria dos Enxames e a Sabedoria Coletiva. Ali há exemplos de comportamentos simples em animais que geram comportamentos complexos nos grupos.

http://viajeaqui.abril.com.br/materias/teoria-dos-enxames?pw=1&utm_campaign=redesabril_ngbrasil&utm_medium=facebook&utm_source=redesabril_viagem

Eu mesmo já escrevi um pouco sobre isto em

http://miningtext.blogspot.com.br/2013/07/sabedoria-das-massas-e-inteligencia.html

Com as pessoas também acontece o mesmo. Apesar de cada indivíduo ser um ser inteligente e com comportamento complexo (veja como as pessoas tomam decisões complexas aqui http://miningtext.blogspot.com.br/2013/09/como-as-pessoas-tomam-decisoes.html), há também comportamento de enxame nas multidões de humanos, como por exemplo em clientes comprando por promoções.

Isto também pode acontecer com o Big Data que a gente coleta e armazena. Uma forma de entender o caso do Big Data seria procurando por padrões simples nas partes. Assim, não seria necessário procurar por um comportamento complexo, mas apenas buscar entender como as partes funcionam. Um formigueiro ou uma colmeia funcionam bem aos olhos de quem está de fora (como explicado na reportagem da NatGeo). Mas este comportamento complexo é gerado por ações simples de cada elemento no enxame. Apesar de haver diferentes funções, elas não são muitas. Cada indivíduo repete as mesmas funções que seus colegas de mesma função. Por exemplo, ao limpar um terreno, cada formiga coloca o item que encontra (ex. pedra, resto de alimento, sujeira), próximo de outro item similar gerando amontoados (isto é um comportamento simples). Se cada indivíduo fizer isto, teremos montes de itens classificados (um comportamento complexo), sem uma autoridade central ou alguém com visão holística.

O comportamento do todo é gerado pelas pequenas ações de cada indivíduo.

É claro que a complexidade não é a mera soma das partes. Há uma sinergia entre as partes ou diferentes comportamentos simples. O comportamento é simples nas unidades mas destas relações emerge um comportamento complexo.

Existe o que se chama auto-organização em sistemas complexos. Os indivíduos ajustam seu comportamento ao avaliar o comportamento dos outros indivíduos. Por exemplo, uma formiga pode mudar sua função (de forrageira para soldado) se entender que há poucos indivíduos na outra função.

O feedback e a adaptação são duas características importantes em sistemas cibernéticos. Eles estão presentes em seres vivos mas também estão sendo incorporados em máquinas. Um robô que explora um planeta ou um satélite no céu não podem esperar alguém reprogramar seu comportamento ou mesmo vir corrigir um defeito. Eles precisam ser autossuficientes e para isto devem ser programados para se adaptarem a novos ambientes.

Aí é que o Big Data pode ser muito útil. Quanto mais informações sobre o ambiente e quanto mais retorno ou reações (feedback) de nossas ações, melhor podemos nos adaptar. Precisamos acelerar o retorno vindo de diferentes e várias fontes, para melhorar as nossas decisões. Sobrevive quem se adapta melhor, já dizia Darwin. Mas nos seres vivos a adaptação ou evolução pode demorar milhões de anos. Precisamos de adaptação rápida. E o Big Data pode ajudar. Isto também é chamado de “retorno acelerado” (increasing returns).

A descentralização também pode ajudar. Quanto mais partes colhendo dados, de mais fontes e mais variadas, melhor o feedback.

Será possível controlar um sistema complexo, por exemplo, de clientes ?

Os sistemas complexos impõem dificuldades para entender causalidade (quem causa o que). O comportamento final é imprevisível se analisarmos apenas as partes (o todo não é a mera soma das partes).

Por isto, os sistemas de simulação podem ajudar a entender ou mesmo gerar um comportamento coletivo com muitas partes ou interações. Podemos fazer simulação de sistemas complexos com NetLogo (https://ccl.northwestern.edu/netlogo/). É possível programar o comportamento dos tipos de elementos e então simular o que aconteceria numa multidão. Podemos variar parâmetros e ver o que acontece em novas simulações. Os parâmetros podem ser: o número inicial de cada tipo de elemento, os padrões de comportamento (exemplo: probabilidade com que um elemento consegue mudar o comportamento de outro, ou o quanto um indivíduo muda seu comportamento em certas situações), o número de interações entre os indivíduos (por exemplo, quantos vizinhos ou elementos cada indivíduo encontra).

Axelrod utilizou simulações computacionais para tentar entender como a cooperação poderia sobreviver em um mundo egoísta. Biólogos simulam sistemas predador-presa para entender se haverá ou não extinção de espécies. Economistas simulam mercados. Analistas de Marketing poderiam simular como uma campanha viral se espalharia, por exemplo, se houvessem tantos eleitos influenciando o todo (para entender os eleitos, ver livro “O Ponto da Virada” de Malcolm Gladwell).

Paco Underhill e sua equipe usam mineração de dados sobre observações de comportamentos de clientes. Suas descobertas estão documentadas no livro “Why we buy”. Eles extraem padrão do caos. Em resumo, pode-se entender que clientes se comportam como gado, inclusive sendo direcionados dentro de lojas. Pessoas são autônomas mas acabam tendo comportamento similar. E uma multidão ainda pode engessar o comportamento das pessoas pelo chamado Groupthinking ou condicionamento de manadas.  

Um roteiro para tentar entender clientes pela análise de complexidade:

1.      Observar o comportamento dos indivíduos;

2.      Identificar ações simples que se repetem (classificar, reduzir, simplificar);

3.      Simular em computador como o todo irá se comportar com vários comportamentos simples iguais.

A simulação permite testar ideias mas também a evolução de sistemas dinâmicos, onde indivíduos podem mudar seu comportamento. As regras básicas da evolução são: diferenciação e seleção. Indivíduos mudam mas só sobrevivem certos tipos de comportamentos ou características.

Um sistema vivo não é aquele que está estável ou em equilíbrio, mas sim estabelecido na instabilidade. Os gases na Terra não estão estáveis. Sua proporção (por exemplo, 21% de oxigênio) é resultado justamente da instabilidade, ou seja, das muitas reações que estão acontecendo. É o equilíbrio na corda bamba. O sistema morre se estabilizar.

O atendimento a clientes deve ser também um sistema vivo. Se for padronizado, morre. Qual estratégia funciona melhor ? Precisamos testar em ambientes reais (com clientes reais em necessidades e situações reais). Ou então simular em computador.

Referências sobre Complexidade:

KELLY, Kevin. Bootstrapping Complexity. Amazon (e-book Kindle), 2011.

WALDROP, M. Mitchell. Complexity: The Emerging Science at the Edge of Order and Chaos. Simon and Schuster, 1993.

Como analisar dados de vendas com ferramentas de BI

Aqui vão dicas de como fazer análise de dados relativos a vendas, segundo uma abordagem proativa.

Vendas de produtos X tempo

O normal é cruzar produtos (cada um especificamente) X tempo, gerando um gráfico que dê o ritmo das vendas ao longo do tempo, ou seja, plotar no gráfico a quantidade vendida do produto a cada unidade de tempo.

A unidade de tempo em geral é mês, o que permite inclusive comparar o ritmo em vários anos, a fim de se identificar um padrão de sazonabilidade (por exemplo, o produto KLM sempre vende mais no verão). O interessante na comparação entre anos diferentes é que pode surgir uma exceção ou outlier. Por exemplo, a venda de refrigerantes é sempre baixa no inverno, mas no ano de 2014 as vendas subiram no Brasil. Aí deve-se procura um evento que pode ter gerado esta discrepância. No exemplo, o evento foi a Copa do Mundo.

Se a unidade de tempo for dia, poderemos ver o ritmo das vendas dentro do mês, e por exemplo descobrir se se vende mais no início, meio ou fim do mês. Aí o interessante seria somar todos os meses e colocar a quantidade por dia do mês. Por exemplo, a quantidade do dia 1º seria a soma das vendas nos dias primeiro de todos os meses do ano (ou período sendo considerado).

O cruzamento de vendas de produtos no tempo permite saber os produtos mais vendidos em cada época.

O problema desta abordagem é quando há muitos produtos para analisar. Aí deve-se selecionar alguns por algum critério (por exemplo, os mais vendidos ou mais lucrativos).

Vendas X tempo – usando tipos de produtos

Uma forma de analisar uma base com muitos produtos diferentes é classificá-los, ou seja, criar grupos ou classes de produtos.

Exemplos de classes ou grupos que podem ser criados/usados:

- pelo preço: caros, médios e baratos;

- pela lucratividade: mais lucrativos, médios, menos lucrativos;

- por tamanho ou tipo de volume ou pacote;

- por setor: eletrônico, alimentação, ferramentas, etc.;

Produtos X Clientes

Da mesma forma que o dito antes, podemos criar classes ou grupos para clientes, por exemplo: separação por sexo, faixas etárias, classe social, região geográfica (país, cidade ou bairro).

Aí o interessante é comparar os grupos entre si (por exemplo, comportamento de homens X mulheres) ou cada subgrupo X todo, como explicado a seguir.

Comparação Todo X Parte

Uma análise tradicional é verificar a média (quantidade vendida ou lucro) para toda uma coleção ou grupo. Por exemplo, média de vendas para todos os produtos X tempo.

Aí, o interessante passa a ser o caso de elementos específicos (por exemplo, produtos) que se desviam da média (tem comportamento diferente do todo). Por exemplo, quais produtos vendem menos ou mais que a média em cada mês.

O mesmo pode ser feito para cidades ou clientes ao invés de produtos.

Comparação Parte X Parte (subgrupos entre si)

Além de comparar cada subgrupo com o todo, é interessante comparar os subgrupos entre si. Por exemplo, ao separar clientes por faixa etária, verificar se os grupos possuem comportamentos semelhantes ou diferentes.

A separação em partes também pode ser feita por período de tempo. Por exemplo, comparar os meses de verão X inverno, anos de eleições com outros anos.

Vendas (quantidade) X Cidades

A análise geográfica é um caso interessante à parte. Podemos analisar as vendas por cada cidade para descobrir onde cada produto vende mais (ou menos).

Se fizermos uma planilha (matriz ou cubo) cruzando produtos X cidades, podemos analisar não somente os valores absolutos mas também o percentual.

Aí temos (lembrando que produtos estão nas linhas e cidades nas colunas):

- % por linha: neste caso, o todo está no final da linha, ou seja, se refere à soma vendida para o produto em questão (da linha sendo considerada). Então o % diz respeito à fatia de vendas de cada cidade. Neste caso, podemos descobrir em que cidade cada produto vende mais ou menos (acima da média do todo).

- % por coluna: neste caso, o todo está na coluna, ou seja, é a soma das vendas por cidade. Então o % indica a fatia de cada produto vendido na cidade em questão (coluna). Isto permite descobrir qual produto é mais vendido (ou menos) em cada cidade.

Ao invés de usar produtos específicos ou cidades, podemos fazer grupos como sugerido antes neste post. Por exemplo, colocar nas linhas grupos de produtos (por exemplo, divisão por faixa de preço) e nas colunas grupos de cidades (por exemplo, por tamanho da população, PIB, índice IDH, longe ou perto do litoral, índices de violência, etc.).

Usando a base do IBGE

Esta base pública permite gerar grupos de cidades pois possui informações de população, PIB, e também indicadores sócio-demográficos das cidades como número de homens-mulheres e classes sociais.

Análise de sentimento - TCC do Rafael Silva

Aqui vai o link para o documento referente ao TCC (Trabalho de Conclusão de Curso) de Rafael Silva da Silva pela ULBRA (Campus Canoas).

http://www.intext.com.br/tcc-rafael-silva.pdf

O sistema pode ser testado em
http://analisedesentimento.com.br/

Aqui o resumo do TCC:
Este artigo descreve o desenvolvimento de uma ferramenta para coleta de textos públicos na Internet com a finalidade de identificar sentimentos e opiniões presentes nestes conteúdos. Os textos são extraídos de sites de notícias, blogs e redes sociais, através de consultas a ferramentas disponíveis na Internet. O sistema realiza uma análise probabilística com o auxílio de uma ontologia, para qualificar o sentimento dominante acerca da pesquisa realizada pelo usuário. Esses sentimentos podem ser, por exemplo, amor, ódio, vergonha, felicidade, medo entre outros, que são baseados no modelo de Ortony, Clore e Collins (OCC). Por fim é disponibilizado o resultado classificando por tipo de sentimento, que poderá envolver diversos tipos de sentimentos propostos por um modelo de ontologia mais abrangente. Ao final serão apresentados os resultados obtidos demonstrando a eficácia da ontologia e do método utilizado para a análise de sentimentos.

Análise de Sentimentos: Michel Temer X Lava Jato

Os gráficos abaixo foram montados pelo sistema
http://www.analisedesentimento.com.br

feito pelo Rafael Silva (no seu TCC na ULBRA).
O sistema analisa vários sentimentos em textos extraídos da Web.
Neste exemplo, comparei "Michel Temer" x "Lava Jato".

O 1o gráfico mostra o radar dos principais sentimentos encontrados nos textos que falavam do Michel Temer. Em vermelho, a pesquisa no dia 2 de junho de 2016 (em amarelo, a pesquisa anterior, de um dia antes).

Neste próximo gráfico, fica melhor visualizar a evolução dos sentimentos.

A seguir, o gráfico para a pesquisa sobre "Lava Jato".

E o gráfico da mudança temporal.

Text Mining (Análise Textual) da Votação do Impeachment na Câmara – Resultados

Aqui vão os resultados da análise textual (text mining) da votação do Impeachment da Presidente Dilma, ocorrida dia 17 de abril de 2016 na Câmara dos Deputados em Brasília.

O texto corresponde às transcrições dos áudios, feitas pelos taquígrafos.

Etapas do processo de Text Mining

- coletar o arquivo pdf com as transcrições de áudio da votação (neste link)

- preparar o arquivo e os textos (extrair texto do pdf, separar os textos por deputado, eliminar palavras muito repetidas e stopwords) (lista de stopwords neste link)

- criação dos conceitos (lista ao final deste post)

- identificação dos conceitos nos textos

- separação em listas (voto sim, voto não, por região, por partido)

- mineração dos textos utilizando o software Text Mining Suite  (download aqui).

Em vez de fazer a análise por palavras, o que pode gerar erros semânticos, fiz a análise por conceitos, conforme proposta nos artigos abaixo:

LOH, S., WIVES, Leandro Krug, OLIVEIRA, José Palazzo Moreira de

Concept-based Knowledge Discovery in Texts Extracted from the Web. SIGKDD Explorations. , v.2, p.29 - 39, 2000.

LOH, S., OLIVEIRA, José Palazzo Moreira de, GAMEIRO, M. A.

Knowledge discovery in texts for constructing decision support systems. Applied Intelligence (Boston). , v.18, p.357 - 366, 2003.

LOH, S., OLIVEIRA, José Palazzo Moreira de, GASTAL, F. L.

Knowledge discovery in textual documentation: qualitative and quantitative analyses. Journal of Documentation. , v.57, p.577 - 590, 2001.

A ideia é analisar os conceitos ou temas ou assuntos citados e não a presença de palavras, pois somente a presença pode confundir a análise. Por exemplo, o tema “família” pode aparecer através de diversas palavras tais como pai, mãe, filho, etc.

Resultados da Análise

Temas/Conceitos mais citados: (número de deputados que citaram o tema)

País ou Brasil: 288

Povo ou eleitor: 213

família ou algum parente: 193

respeito: 141

impeachment: 126

democracia: 123

Dilma: 89

Golpe: 75

Corrupção: 68

Constituição: 66

Deus: 64

Governo: 64

Crime: 53

Eleições: 26

Progresso: 26

Agricultura: 16

Em 189 votos, houve palmas.

Palavras que apareceram somente uma vez (seleção):

Ricos, maçons, gaúcho, gaúcha, jango, pesquisa, inovação, horror, farroupilha, prisão, cristianismo, pronatec, investimentos, fascistas, oportunistas, picareta, picaretas, moderno, covardia, oligarquia, marginais, suicídio, pelegagem, raposas, favores, sistêmica, estrutural, destemido, autoestima, insegurança, retrocesso, independência, universidade, carteira assinada, energia, corintianos, recessão, petróleo, estudantes, revolucionários, cassação, boquinha, mérito, desigualdades, inocente, inocência, promessas, profetizo, futebol, luther king, comunismo, aliança, sacrifício, analfabetos, cultura, empreendedorismo, bandido, suspeito, circo, assalto

Associações entre temas ou assuntos ou conceitos:

60,94%  dos votos que falam em deus também falam em povo-eleitor. Isto aconteceu em 0039 voto(s) (07,63% do total)

59,38%  dos votos que falam em deus também falam em familia. Isto aconteceu em 0038 voto(s) (07,44% do total)

58,49%  dos votos que falam em crime também falam em povo-eleitor. Isto aconteceu em 0031 voto(s) (06,07% do total)

57,58%  dos votos que falam em constituicao também falam em povo-eleitor. Isto aconteceu em 0038 voto(s) (07,44% do total)

55,06%  dos votos que falam em dilma também falam em povo-eleitor. Isto aconteceu em 0049 voto(s) (09,59% do total)

54,55%  dos votos que falam em constituicao também falam em respeito. Isto aconteceu em 0036 voto(s) (07,05% do total)

54,41%  dos votos que falam em corrupcao também falam em povo-eleitor. Isto aconteceu em 0037 voto(s) (07,24% do total)

51,59%  dos votos que falam em impeachment também falam em povo-eleitor. Isto aconteceu em 0065 voto(s) (12,72% do total)

50,94%  dos votos que falam em crime também falam em dilma. Isto aconteceu em 0027 voto(s) (05,28% do total)

50,00%  dos votos que falam em agricultura também falam em familia. Isto aconteceu em 0008 voto(s) (01,57% do total)

47,06%  dos votos que falam em corrupcao receberam palmas. Isto aconteceu em 0032 voto(s) (06,26% do total)

46,15%  dos votos que falam em eleicoes também falam em impeachment. Isto aconteceu em 0012 voto(s) (02,35% do total)

43,75%  dos votos que falam em deus receberam palmas. Isto aconteceu em 0028 voto(s) (05,48% do total)

43,40%  dos votos que falam em crime receberam palmas. Isto aconteceu em 0023 voto(s) (04,50% do total)

43,40%  dos votos que falam em crime também falam em impeachment. Isto aconteceu em 0023 voto(s) (04,50% do total)

42,42%  dos votos que falam em constituicao também falam em democracia. Isto aconteceu em 0028 voto(s) (05,48% do total)

42,28%  dos votos que falam em democracia receberam palmas. Isto aconteceu em 0052 voto(s) (10,18% do total)

42,19%  dos votos que falam em deus também falam em respeito. Isto aconteceu em 0027 voto(s) (05,28% do total)

41,18%  dos votos que falam em corrupcao também falam em familia. Isto aconteceu em 0028 voto(s) (05,48% do total)

40,38%  dos votos que falam em povo-eleitor também falam em respeito. Isto aconteceu em 0086 voto(s) (16,83% do total)

39,90%  dos votos que falam em familia receberam palmas. Isto aconteceu em 0077 voto(s) (15,07% do total)

39,84%  dos votos que falam em democracia também falam em golpe. Isto aconteceu em 0049 voto(s) (09,59% do total)

39,84%  dos votos que falam em democracia também falam em respeito. Isto aconteceu em 0049 voto(s) (09,59% do total)

39,39%  dos votos que falam em constituicao receberam palmas. Isto aconteceu em 0026 voto(s) (05,09% do total)

Análise por segmentos (Conceitos mais citados):

SIM: 367;

NÃO: 137;

ABSTENÇÕES: 7;

AUSENTES: 2;

Total: 511 votos

Por voto

O % indica quantos deputados citaram o tema em cada lado da votação

(% em relação ao seu próprio grupo)

Voto SIM	Voto NÃO
pais-brasil - 67,2% familia - 48,9% povo-eleitor - 45,9% palmas - 40,0% respeito - 29,5% impeachment - 27,9% democracia - 16,1% deus - 16,1% governo - 15,4% corrupcao - 14,4% dilma - 14,4% constituicao - 11,5% crime - 10,8% progresso - 5,9% golpe - 5,9% eleicoes - 3,3% agricultura - 2,0%	democracia - 57,8% pais-brasil - 44,0% povo-eleitor - 40,5% golpe - 38,8% respeito - 37,1% palmas - 34,5% dilma - 27,6% impeachment - 23,3% constituicao - 21,6% familia - 19,0% crime - 16,4% corrupcao - 13,8% governo - 10,3% eleicoes - 8,6% deus - 7,8% agricultura - 5,2% progresso - 2,6%

Observações:

- em termos percentuais (dentro do seu grupo), os que votaram “sim” citaram muito mais os familiares (48,9%) que os que votaram “não” (19%)

- em termos percentuais (dentro do seu grupo), os do “não” citaram mais a democracia que os do “sim” (57,8% contra 16,1%)

- os do “não” falaram mais em golpe (38,8%) do que os do “sim” (5,9%)

- os do “não” falaram mais em crime (16,4%) do que os do  “sim” (10,8%)

- as citações sobre corrupção foram parelhas

- os do “sim” falaram mais em Deus que os do “não” (16,1% contra 7,8%)

- a constituição foi mais citados pelos que votaram “não” (21,6% contra 11,5%)

Por regiões

O % indica quantos deputados da região citaram o tema

Nordeste: 150 votos	Sudeste: 170	Sul: 79
pais-brasil - 62,7% povo-eleitor - 48,7% palmas - 42,0% familia - 35,3% respeito - 30,7% impeachment - 28,7% democracia - 28,7% dilma - 20,7% governo - 18,0% crime - 14,7% constituicao - 14,7% golpe - 12,7% corrupcao - 10,0% deus - 9,3% eleicoes - 6,7% progresso - 6,0% agricultura - 1,3%	pais-brasil - 58,8% familia - 46,5% povo-eleitor - 39,4% respeito - 30,0% impeachment - 25,3% palmas - 24,7% democracia - 21,8% dilma - 20,6% deus - 17,6% constituicao - 17,1% golpe - 15,9% corrupcao - 15,9% governo - 14,1% crime - 12,4% eleicoes - 5,9% progresso - 5,9% agricultura - 3,5%	pais-brasil - 57,0% palmas - 41,8% povo-eleitor - 38,0% familia - 26,6% democracia - 21,5% impeachment - 20,3% respeito - 19,0% corrupcao - 16,5% golpe - 15,2% dilma - 13,9% governo - 8,9% agricultura - 7,6% constituicao - 5,1% deus - 3,8% crime - 3,8% eleicoes - 3,8% progresso - 2,5%

Observações:

- os deputados da região sudeste foram os que menos levantaram palmas (apenas 24,7%, contra 42% dos deputados do nordeste e 41,8% do sul)

- os que mais citaram a família foram os do sudeste (46,5%)

- os deputados do sul foram os que mais citaram a agricultura (7,6%, contra 1,3% e 3,5%)

- os que mais citaram Deus foram os do sudeste (17,6% contra 9,3% e 3,8%)

- os que menos citaram a presidente Dilma foram os do Sul (13,9% contra 20,7% e 13,9%)

- os do Sul foram os que menos citaram a constituição (apenas 5,1% contra 14,7% e 17,1%)

- e também foram os do sul que menos falaram em crime (apenas 3,8% contra 14,7% e 12,4%)

Por Partidos

O % indica quantos deputados do partido citaram o tema

PMDB: 65 votos	PT: 63	PSDB: 52 votos	PP: 45	PDT: 19
pais-brasil - 66,2% povo-eleitor - 46,2% palmas - 38,5% familia - 32,3% respeito - 30,8% impeachment - 27,7% democracia - 23,1% deus - 13,8% governo - 12,3% dilma - 12,3% progresso - 10,8% corrupcao - 9,2% crime - 9,2% golpe - 6,2% constituicao - 6,2% agricultura - 3,1% eleicoes - 3,1%	democracia - 68,3% golpe - 66,7% pais-brasil - 55,6% povo-eleitor - 49,2% dilma - 44,4% respeito - 33,3% constituicao - 33,3% corrupcao - 23,8% palmas - 20,6% impeachment - 17,5% crime - 17,5% familia - 14,3% deus - 14,3% agricultura - 11,1% governo - 4,8% eleicoes - 4,8% progresso - 3,2%	pais-brasil - 76,9% respeito - 51,9% povo-eleitor - 48,1% palmas - 46,2% familia - 44,2% impeachment - 44,2% dilma - 30,8% crime - 25,0% constituicao - 21,2% democracia - 19,2% governo - 19,2% corrupcao - 17,3% deus - 15,4% golpe - 7,7% progresso - 3,8%	familia - 62,2% pais-brasil - 57,8% impeachment - 40,0% povo-eleitor - 35,6% palmas - 35,6% respeito - 26,7% deus - 15,6% democracia - 15,6% corrupcao - 8,9% eleicoes - 6,7% progresso - 6,7% governo - 4,4% agricultura - 4,4% dilma - 4,4% crime - 4,4%	palmas - 63,2% pais-brasil - 57,9% povo-eleitor - 42,1% democracia - 36,8% corrupcao - 26,3% impeachment - 21,1% familia - 21,1% respeito - 15,8% deus - 15,8% dilma - 10,5% progresso - 10,5% golpe - 10,5% governo - 10,5% crime - 10,5%

Observações:

- o PSDB se destaca porque foi o partido (seus deputados) que mais citaram o país (76,9%)

- também foi os deputados do PSDB que mais falaram sobre respeito (51,9%)

- os do PP foram os que mais citaram a família (62,2%) e os do PT os que menos citaram (14,3%)

- os do PDT foram os que conseguiram mais palmas (63,2%), com os do PSDB em 2º lugar (46,2%)

Definições dos conceitos conforme regras determinísticas usadas no software Text Mining Suite

--------------------

impeachment

     impeachment |  1,00

     impedimento$ |  1,00

--------------------

pais-brasil

     país |  1,00

     brasil |  1,00

     Brasil |  1,00

     pátria |  1,00

--------------------

familia

     família$ |  1,00

     filho$ |  1,00

     filha$ |  1,00

     pai |  1,00

     neto$ |  1,00

     neta$ |  1,00

     marido |  1,00

     esposa |  1,00

     mãe |  1,00

     irmã$ |  1,00

     sobrinh$ |  1,00

--------------------

democracia

     democr$ |  1,00

--------------------

povo-eleitor

     povo |  1,00

     eleitor |  1,00

     eleitores |  1,00

     população |  1,00

     popular$ |  1,00

     sociedade |  1,00

--------------------

palmas

     palmas |  1,00

--------------------

respeito

     respeit$ |  1,00

     dign$ |  1,00

     honra$ |  1,00

     decent$ |  1,00

     decência$ |  1,00

--------------------

golpe

     golpe$ |  1,00

     golpis$ |  1,00

--------------------

constituicao

     constituição |  1,00

     constituciona$ |  1,00

--------------------

corrupcao

     corrupção |  1,00

     corrup$ |  1,00

--------------------

governo

     governo |  1,00

     república |  1,00

--------------------

crime

     crime$ |  1,00

     roub$ |  1,00

     impunidade |  1,00

     fraude$ |  1,00

     saque$ |  1,00

--------------------

dilma

     presidenta |  1,00

     Dilma |  1,00

--------------------

progresso

     crescimento |  1,00

     desenvolvimento |  1,00

     progresso |  1,00

--------------------

eleicoes

     eleiç$ |  1,00

     urnas$ |  1,00

--------------------

deus

     deus |  1,00

     arquiteto universo |  1,00

     jesus |  1,00

     crist$ |  1,00

     bíbli$ |  1,00

--------------------

agricultura

     agricult$ |  1,00

     rural |  1,00

     rurais |  1,00

     agrári$ |  1,00