Na última terça-feira, 5 de outubro, falei em um webinar sobre o mercado brasileiro de fertilizantes, como parte da oferta da IHS Markit em inteligência de mercado. O evento também contou com a presença de Emerson Wöhlenberg, analista principal de soja da empresa.
Motivado por um desafio interno na SLC Agrícola, resolvi pesquisar mais a fundo sobre otimização de estoques, especificamente em estratégias que diminuem desequilíbrios de oferta e demanda de um determinado item em várias localidades/armazéns. Acontece que este é um dos objetos de estudo da pesquisa operacional, que é uma área do conhecimento que busca aplicar soluções matemáticas e estatísticas à tomada de decisão em geral.
Neste post, vou comentar desafios e experiências pessoais que tive na implantação de uma solução de automação robótica de processos (conhecida também pelo seu acrônimo em inglês, RPA) em uma empresa de grande porte.
Há alguns dias descobri uma ferramenta bem legal para criar apresentações interativas: o reveal.js. Ele é ideal para quem faz apresentações com várias mídias ou código (ele tem suporte a highlight de sintaxe). As apresentações são montadas a partir de código HTML ou Markdown, mas também existe um editor online.
In this notebook I will attempt to predict automobile prices using Python and its data analysis and machine learning packages such as pandas and scikit-learn. Forecasting car prices can be useful for businesses in general: insurance companies can use this information to calculate their premia; websites and enterprises can provide estimates even when asking prices are not available in a specific application; enterprises can set contracts where a car’s resale value must be defined a priori with greater information, or determine if a car is overvalued or undervalued with respect to the market.
Aqui veremos uma análise de dados financeiros e de performance de uma empresa fictícia, para mostrar as capacidades de análise e visualização de dados no Python, através dos pacotes pandas e matplotlib. A empresa possui os seguintes dados:
Olá! Este é um exercício em análise e exploração de dados em Python. Aqui, vamos aplicar as funcionalidades do pacote pandas em um arquivo que contém o histório de concessões de diárias e passagens a pessoas físicas no estado do Rio Grande do Sul, em 2017. Os dados contém informações sobre órgãos responsáveis, origens e destinos de viagens, pessoas beneficiadas e valores pagos em R$ correntes de 2017.
Recentemente o Banco Central do Brasil divulgou a disponibilização dos dados do Sistema de Expectativas de Mercado no seu Portal de Dados Abertos através de uma API, facilitando consultas mais complexas de dados. O Sistema compreende todas as informações sobre projeções de mercado dos principais agregados macroeconômicos (PIB, meta de juros, inflação, balança comercial), coletados em uma série de instituições financeiras, sendo assim um importante termômetro da economia brasileira.
A Penn World Table é uma base de dados que contém variáveis relevantes de desenvolvimento econômico para países ao redor do mundo. Esse post apresenta uma construção em shiny, um pacote que possibilita desenvolver aplicações web a partir do R. O objetivo foi montar uma ferramenta para comparar países visualmente, com dados anuais de 1980 a 2014.
Para gerar ou alterar condicionalmente valores de variáveis no R, comumente usamos a notação de linhas e colunas de um data.frame: