Ma ia Nelson de Lemos Co eia
Fe amen as pa a Análise de
Posicionamen o de Pessoas em
Cen os Come ciais
Depa amen o de Ciência de Compu ado es
Faculdade de Ciências da Uni e sidade do Po o
Se emb o de 2013
Ma ia Nelson de Lemos Co eia
Fe amen as pa a Análise de
Posicionamen o de Pessoas em
Cen os Come ciais
Rela ó io de es ágio subme ido à Faculdade de Ciências da
Uni e sidade do Po o como pa e dos equisi os pa a a ob enção do g au de
Mes e em Ciência de Compu ado es
O ien ado : D . Robe o Colazinga i
Co-o ien ado : P o . Dou o Alípio Jo ge
Depa amen o de Ciência de Compu ado es
Faculdade de Ciências da Uni e sidade do Po o
Se emb o de 2013
Pa a odos aqueles que gos am e que não gos am de mim, aqueles que
me apoia am e aqueles que não es i e am po pe o.
Ob igada po se em como são!
3
Ag adecimen os
De en e as mui as pessoas que me ecem os meus ag adecimen os po e em acom-
panhado e apoiado o desen ol imen o des e es ágio, gos a ia de des aca , em p imei o
luga , o meu co-o ien ado P o esso Dou o Alípio Jo ge, pela de oção p ossional e
em especial pela pa ilha de sabe e conhecimen o. Ag adeço ao meu o ien ado D .
Robe o Colazinga i, pela pacien e ajuda e des emida o ien ação. Gos a ia ambém de
ag adece aos elemen os da emp esa A ound Knowledge em especial os D s. Fe nando
F ei as, Luis Co eia, Ilídio Sil a, Jo ge Gonçal ez, José Viei a e Hugo Sil a, pela
ajuda disponibilizada semp e que es a oi solici ada.
Não posso e mina sem um ag adecimen o especial ao D . Celso Fe ei a pela paciên-
cia, ca inho e empo disponibilizado.
4
Resumo
Os cen os come ciais (CCs) começam a en en a um no o pa adigma de ido às
al e ações dos hábi os de consumo. Os consumido es po ugueses endem a ol a
ao comé cio adicional, o que pa alelamen e diminui o uxo de pessoas nos CCs.
Os come cian es es o çam-se po encon a o mas de adqui i conhecimen o sob e os
seus usuais ou po enciais clien es de modo a com eles omen a uma boa elação, com
a nalidade de aumen a as ecei as e p omoção da lealdade dos consumido es. A ual-
men e es ão disponí eis algumas e amen as que pe mi em a ecolha, o ganização
e análise do uxo de pessoas em de e minados pon os, que ão dos mais simples e
ba a os como um o nique e, aos mais complexos e ca os, po exemplo as câma as
de ideo que cap am in o mação (
ideo-analy ics
). Es as ap esen am algumas alhas,
encon ámos em alguns casos e os associados à con agem e e uada ou ao ac o de não
ap esen a em os dados em empo eal.
Conscien es des es p oblemas a A ound Knowledge (AK)
1
decidiu c ia um p odu o
que colma e as mencionadas lacunas. Su giu en ão o
Business In elligence Posi ioning
Sys em
(BIPS) como e amen a na á ea de es udos de me cado. Pa a a ecolha
de in o mação, o BIPS, u iliza os sinais de adio equência emi idos po disposi i os
mó eis que se encon am no espaço em es udo.
A AK ealizou um es e pilo o onde os dados es udados o am ecolhidos numa g ande
supe ície come cial com mais de 70 mil me os quad ados. Nes e es ágio explo ámos
os dados de localização dos disposi i os e desenhámos e implemen ámos uma API
(
Applica ion p og amming in e ace
) que pe mi e ecebe os dados dos disposi i os,
a á-los e en iá-los pa a uma Base de Dados (BD) que se á acedida pela in e ace
g áca (IG). Pa a en a esponde às pe gun as de negócio ele an es explo ámos
écnicas de análise de dados e algo i mos de
da a mining
.
Es e documen o ap esen a o es udo e e uado, os algo i mos implemen ados e os seus
1
www.a oundknowledge.com
5

esul ados pa a uma amos a de dados, bem como a in eg ação na e amen a de
análise cons uída pela emp esa.
Pala as cha e
:
Da a Mining
, Análise de Compo amen o, Análise de dados, Local-
ização de disposi i os mó eis.
6
Abs ac
Shopping cen e s (SCs) a e now acing a new pa adigm due o changes in consume
habi s. Po uguese consume s end o e u n o adi ional comme ce, which simul a-
neously dec eases he ow o people in SCs.
T ade s s i e o nd ways o gain knowledge abou hei usual o po en ial cus ome s
in o de o encou age hem wi h a good ela ionship, aiming o inc ease e enues and
p omo e consume loyal y.
Cu en ly he e a e some ools a ailable which enable he collec ion, o ganiza ion and
analysis o he ow o people in ce ain poin s. F om he simples and cheape , as
a ou nique , o he mo e complex and mo e expensi e, o example by cap u ing
in o ma ion using ideo came as ( ideo analy ics) . The ools which enable he
collec ion, o ganiza ion and analysis o he ow o people ha e some aws. Among
hese aws we can nd some e o associa ed wi h he coun s made o he he dicul y
o ob aining he da a in eal ime.
Awa e o hese p oblems A ound Knowledge (AK)
1
decided o c ea e a p oduc o
ll in he gaps men ioned. Business In elligence Posi ioning Sys em (BIPS) sp ung
o wa d as a ool in he eld o ma ke esea ch. To collec in o ma ion, BIPS uses
adio equency signals emi ed by mobile de ices ha a e in he space unde s udy.
AK conduc ed a pilo es w h da a collec ed om a shopping cen e wi h mo e han
70 housand squa e me e s. Du ing his in e nship we explo ed he loca ion da a o
he de ices and we ha e designed and implemen ed algo i hms o an in e ace. This
in e ace enables he collec ion o posi ion da a and hei ea men . The esul s a e
sen o a da abase ha will be accessed by he GUI (G aphical use in e ace) . To
p o ide answe s o he ele an business ques ions we explo ed da a analysis echniques
and da a mining algo i hms.
This epo p esen s he s udy we ca ied ou , he implemen ed algo i hms, he es s
7
made and he in eg a ion in he analysis ool buil by he company .
Key wo ds
: Da a Mining, Beha io al Analysis, Da a Analysis, Mobile de ices loca-
ion.
8
Ac ónimos
AK
A ound Knowledge
BD
Base de Dados
BIPS
Business In elligence Posi ioning Sys em
CC
Cen o Come cial
C isp-DM
CRoss-Indus y S anda d P ocess o Da a Mining
DBI
Da aBase In eg a ion
GSM
Global Sys em Mobile Communica ions
GSP
Gene alized Sequen ial Pa e ns
IG
In e ace G áca
KDD
Knowledge Disco e y in Da abases
P exSpan
P ojec ed Sequen ial Pa e ns
RJDNC
R Ja a Da abase Connec i i y
ss
Recei ed Signal S eng h
RTLS
Sis ema de Localização em Tempo Real
SEMMA
Sample, Explo e, Modi y, Model, Assess
SGBD
Sis ema de Ges ão de Base de Dados
SPAM
Sequen ial Pa e n Mining
SPMF
Sequen ial Pa e n Mining F amewo k
Weka
Waika o En i onmen o knowledge Analysis
XML
eX ensible Ma kup Language
9
Capí ulo 1
In odução
O bem es a e a sa is ação do clien e são, cada ez mais, as p io idades dos come -
cian es, conhece o me cado e as necessidades dos clien es é uma p eocupação de
pequenos e g andes lojis as. No que espei a ao clien e, a an agem é do pequeno
come cian e. Bom exemplo disso é o da me cea ia, onde há uma elação de p oximi-
dade p opo cionando uma p e isão das necessidades da p ocu a. Po ou o lado os
g andes come cian es, ais como os ges o es de um cen o come cial (CC), não êm a
possibilidade de sabe /conhece essa in o mação. Podemos po isso conclui que uma
melho elação com o clien e pe mi e delização po pa e des e, consequen emen e
exis indo um aumen o de luc os.
Nas úl imas décadas o am desen ol idas o mas de ecolhe , o ganiza e analisa o
uxo de pessoas em de e minados pon os, que ão dos mais simples e ba a os como,
um o nique e ou a con abilização manual de pessoas, a ou os mais complexos e
ca os como, a a és da in e upção de dois eixes pa alelos de aios de in a e melhos,
ou ainda a a és de câma as de ideo que cap u am a in o mação (
ideo-analy ics
).
Es as pla a o mas êm algumas alhas - e o associado às con agens, p oblemas em
ap esen a os dados em empo eal ou le a em à aglome ação de pessoas em ce os
pon os - e po isso a A ound Knowledge (AK)
1
(gu a 1.1) decidiu c ia um p odu o
que pe mi a con o na es es obs áculos.
A AK, uma emp esa de consul ado ia in o má ica, com is a a ajuda à omada de
decisão dos ges o es de g andes emp esas de comé cio a e alho, a ançou com um
p ojec o na á ea de es udos de me cado. Su giu o
Business In elligence Posi ion-
ing Sys em
(BIPS), uma pla a o ma que pe mi e con agens mais p ecisas e acesso
1
www.a oundknowledge.com
16

CAPÍTULO 1. INTRODUÇÃO
17
à in o mação em empo eal, mais ba a o que pla a o mas equi alen es. O BIPS
u iliza adio equência pa a en a de e mina a posição de disposi i os mó eis que
a a essam um de e minado pe íme o. Com essa in o mação é possí el a u ilização
de écnicas de Análise de Dados pa a a de eção de pad ões ú eis que pe mi am ajuda
os ges o es a oma em decisões luc a i as.
Nes e es ágio es endemos o BIPS com um conjun o de e amen as de explo ação e
análise de dados de localização.
Figu a 1.1: Logo da emp esa A ound Knowledge (AK)
1.1 Objec i os
Milha es de pessoas ci culam dia iamen e num CC e em lojas, os seus pe cu sos podem
se egis ados e analisados de o ma a o nece aos seus ges o es in o mação ele an e
pa a os seus negócios. O BIPS consegue ecolhe dados a a és de ânco as que de e am
disposi i os po ádio equência e, seguindo o pe cu so des es disposi i os, ob êm-se
dados que após o a amen o e análise apoiam a decisão do ges o . O BIPS es ima com
meno e o o núme o de isi as que são e e uadas num de e minado espaço delimi ado
iden icando o aje o e ec uado pelo isi an e, o nando-o po isso mais á el do que
as es an es pla a o mas.
A análise explo a ó ia dos dados espaço- empo ais, a a és de écnicas de es a ís ica e
de
Da a Mining
, pe mi e iden ica pad ões e endências que podem ajuda os ges o es
nas suas decisões.
Nes e es ágio zemos o desenho e a implemen ação de algo i mos pa a uma API de
explo ação e análise de dados de localização. Es es algo i mos pe mi em o a amen o
de dados en iados pelas ânco as (disposi i o que ag ega um mic o-con olado e uma
an ena pa a a de eção dos disposi i os mó eis) e o en io dos esul ados pa a uma BD.
Em pa icula , esponde às seguin es ques ões:
CAPÍTULO 1. INTRODUÇÃO
18
1. Qual o núme o de isi as po dia, ho a, zona, piso ou acesso?
2. Qual o núme o de isi an es a passa na p aça da alimen ação?
3. Quais as cinco lojas mais isi adas?
4. Qual a loja escolhida como p imei a pa agem pela maio ia dos clien es?
5. Qual o empo gas o numa isi a?
6. Qual o empo médio passado a aze comp as (
ShoppingTime
)?
7. Qual o empo médio de passeio (
DwellTime
)?
8. Qual o empo despendido na p imei a pa agem?
9. Qual o empo despendido po loja?
10. Qual o caminho mais u ilizado pelos clien es a pa i de um acesso?
11. Qual o caminho mais u ilizado pelos clien es?
O obje i o des e es ágio oi a implemen ação de um conjun o de e amen as que
pe mi am apoia o ges o a encon a espos as pa a as ques ões ap esen adas. Es-
as o am desen ol idas u ilizando, como caso de es udo, os dados ecolhidos num
g ande CC do no e de Po ugal. Impo a menciona que, a ualmen e, o conjun o de
e amen as implemen adas es ão já in eg adas no BIPS que se encon a em ase de
p odução.
1.2 Es u u a des e documen o
Es e documen o encon a-se di idido em se e pa es, desc e endo desde o es udo
e e uado à implemen ação do conjun o de e amen as. O capí ulo 1 o nece uma b e e
desc ição sob e o es ágio. O capí ulo 2ap esen a a me odologia seguida, as e amen as
e ecnologias u ilizadas no deco e des e es ágio e ainda algo i mos de
da a mining
es udados. O capí ulo 3ap esen a duas pla a o mas come ciais equi alen es ao BIPS,
a sua es u u a e si uação a ual e a compa ação en e os p odu os. O capí ulo 4,
po sua ez e e e-se à comp eenção e a amen o dos dados. Já o capí ulo 5expõe
a modelação po ques ão p opos a pelo clien e. O capí ulo 6ap esen a pa es do
p odu o nal a se come cializado pelo BIPS. Como úl imo capí ulo 7 emos uma
b e e conclusão sob e o abalho e e uado.
Capí ulo 2
Fe amen as e Tecnologias U ilizadas
Pa a o desen ol imen o des e es ágio oi necessá io deni as es a égias a segui e
escolhe e amen as a u iliza . Es uda am-se possí eis me odologias e e amen as
pa a p ocede à expansão do BIPS.
Com base em c i é ios denidos pela AK, como po exemplo a escolha p é ia do
Sis ema de Ges ão de Base de Dados (SGBD) Cassand a, o am escolhidas as á ias
e amen as u ilizadas. As suas unções ão desde o a mazenamen o dos dados, in-
e ligação en e odas as pa es do p oje o, ans e ência dos dados à BD, ao es udo
das possí eis soluções pa a a c iação da e amen a.
A me odologia de
da a mining
escolhida e as e amen as de desen ol imen o e im-
plemen ação, bem como a sua u ilização se ão desc i as nes e capí ulo.
2.1 Me odologia de
Da a Mining
Nas componen es do nosso abalho em que zemos análise de dados, seguimos a
me odologia
CRoss-Indus y S anda d P ocess o Da a Mining
(C isp-DM), modelo
de p ocesso que dene abo dagens, no malmen e u ilizadas po especialis as de
Da a
Mining
, com o in ui o de esol e p oblemas[Co 11]. Após o es udo de mais duas
me odologias,
Knowledge Disco e y in Da abases
(KDD) e
Sample, Explo e, Modi y,
Model, Assess
(SEMMA), oi escolhido es e p ocesso. Es a escolha ecaiu sob e a
me odologia C isp-DM de ido ao esul ado do es udo compa a i o e e uado po A.
Aze edo e M. F. San os [AS08] e po e sido p opos a po um consó cio que inclui
á ias g andes e pequenas emp esas, uni e sidades e especialis as de
Da a Mining
.
19
CAPÍTULO 2. FERRAMENTAS E TECNOLOGIAS UTILIZADAS
20
Figu a 2.1: Ciclo C isp-DM
Es e p ocesso consis e num ciclo de seis ases (Figu a 2.1):
•
Fase 1 -
Business Unde s anding
- Comp eensão do negócio;
•
Fase 2 -
Da a Unde s anding
- Comp eensão os Dados;
•
Fase 3 -
Da a P epa a ion
- P epa ação dos Dados;
•
Fase 4 -
Modelling
- Modelação;
•
Fase 5 -
E alua ion
- A aliação;
•
Fase 6 -
Deploymen
- Implemen ação e Execução.
A sequência das ases não é ígida, pe mi indo a mo imen ação li e en e ases.
1.
Business Unde s anding
É o momen o em que se de e mina os obje i os do
negócio, quais os equisi os necessá ios, os iscos e con ingências e o cus o/bene-
ício do negócio, e a alia a si uação. de e minamos a me a undamen al do
Da a
Mining
e p ocedemos à a aliação inicial de e amen as e écnicas a u iliza .
CAPÍTULO 2. FERRAMENTAS E TECNOLOGIAS UTILIZADAS
21
2.
Da a Unde s anding
Inicía-se a ecolha dos dados e a explo ação e e i-
cação da sua qualidade, de e am-se os conjun os de dados cu iosos dando, des a
manei a, espos a a algumas ques ões in e essan es do negócio.
3.
Da a P epa a ion
Após a ase an e io , de ecolha de dados, os mesmos
se ão abalhados e es udados, pe mi indo e ica aqueles que se i á u iliza
no p ocesso de
Da a Mining
e/ou aqueles que i ão se exce uados, exis indo
uma jus icação admissí el pa a essas exclusões, em suma, es a ase passa po
odas as a i idades que pe mi em cons ui o conjun o de dados nais a pa i
dos dados em b u o.
4.
Modelling
São selecionadas e aplicadas á ias écnicas de modelação, os seus
pa âme os são es ados e o modelo a aliado.
5.
E alua ion
P ocede-se à a aliação dos esul ados e, endo em con a o negócio
em is a, analisa-se os c i é ios u ilizados de o ma a en ende se os mesmos
o am bem sucedidos. Após es a análise são ap o ados os modelos cujos c i é ios
iun a am.
6.
Deploymen
O ganização dos dados ob idos nas ases an e io es, de o ma a
que o clien e os possa u iliza e comp eende .
2.2 Base de Dados
Pa a gua da os dados indos do CC, oi necessá io escolhe uma BD. A AK, em
de imen o dos SGBDs elacionais, apos ou nos SGBD não elacionais, es es são
cada ez mais nume osos e mais u ilizados. A sua p incipal ca ac e ís ica é não
possuí em elações en e as en idades. Após o es udo de alguns SGBDs não elacionais
- MongoDB, Cassand a e o HBase - a AK op ou pela u ilização do Cassand a como
mé odo de a mazenamen o de dados.
O Cassand a é um SGBD não elacional [ e gu a 2.2] que o ganiza os dados po
Keyspaces
- podem se conside adas BDs num SGBD elacional - e
Column Families
- co espondendo a uma abela num SGBD elacional. A escolha de eu-se, em g ande
pa e, ao ac o de se um sis ema cujas ope ações de esc i a são mais ápidas que as de

CAPÍTULO 2. FERRAMENTAS E TECNOLOGIAS UTILIZADAS
22
lei u a
1
, uma an agem quando se p e ende a análise de g andes quan idades de dados.
Finalmen e, não de emos esquece que es e SGBD se encon a em cons an e e olução.
Realça ainda que o ac o des e SGBD pe mi i pa icionamen o, aumen ando a ca-
pacidade de eplicação dos dados, oi ambém uma azão pa a a sua escolha[Cas]. Pa a
gua da mos os dados nes e SGBD emos de colocá-los em
Keyspaces
, es as êm um
conjun o de
Column Families
e, den o das úl imas emos
Columns
- egis os - es as
Columns
são compos as po um nome e um alo [ e gu a 2.2].
Figu a 2.2: Es u u a do Cassand a
1
Quando são limi adas pela elocidade do disco
CAPÍTULO 2. FERRAMENTAS E TECNOLOGIAS UTILIZADAS
23
2.3 Linguagens de P og amação
2.3.1 Py hon
O Py hon é uma linguagem de p og amação de ácil ap endizagem e ecaz no que se
e e e a p og amação o ien ada a obje os. A sua sin axe e na u eza de in e p e ação
o na-o uma linguagem ideal pa a
sc ip ing
e desen ol imen o ápido de aplicações
em mui as á eas, bem como na maio ia das pla a o mas.
Es a linguagem oi escolhida como e amen a pa a o a amen o dos dados,
i.e.
, pa a
acede à
keyspace
no SGBD Cassand a e ans o ma os dados ob idos de o ma a
acili a a análise dos mesmos.
Fo am á ias as azões que le a am à sua escolha, des acamos: a sua ácil u ilização;
possui biblio ecas que pe mi em a ligação ao Cassand a de uma o ma ápida e limpa;
se de u ilização li e e se po á el.
A escolha da biblio eca pa a acede ao Cassand a, le an ou um no o p oblema - oi
necessá io p ocede à análise da biblio eca
lazyboy
[Gi 12a] - ina i a há mais de dois
anos - e a
pycassa
[Gi 12b], es a úl ima oi a nossa escolha.
2.3.2 R
O R é um ambien e e linguagem de p og amação que é u ilizado pa a compu ação
es a ís ica, disponibiliza um conjun o de comodidades in eg adas pa a a manipulação
de dados, cálculos e exibição g áca, pe mi indo uma ex ensa a iedade de écnicas
de análise es a ís ica.[GIea97]
RCassand a e RJDBC
Tan o o RCassand a como o
R Ja a Da abase Connec i i y
(RJDBC) são paco es
disponibilizados pa a a linguagem R, o seu obje i o é a ligação a SGBD's.
O RCassand a p o idencia uma ligação di e a às uncionalidades mais básicas do
Cassand a, al como
login
,
upda es
e pesquisas di e as[U b12a,U b12b], o RJDBC
é um paco e que implemen a uma
Da abase In eg a ion
(DBI
2
).
2
Componen e de so wa e que pe mi e que uma aplicação Ja a in e aja com uma BD.
CAPÍTULO 2. FERRAMENTAS E TECNOLOGIAS UTILIZADAS
24
Um dos equisi os necessá ios do RJDBC é a u ilização da linguagem de p og amação
Ja a, as duas o mas de acesso o am es adas, caindo a escolha sob e o RCassand a.
Es a de eu-se, em g ande pa e, ao ac o de es a o ma de ligação se mais ápida.
2.4
Da a Mining
2.4.1 WEKA -
Waika o En i onmen o Knowledge Analysis
O WEKA oi desen ol ido na Uni e sidade de Waika o na No a Zelândia
3
, a a-se de
uma coleção de algo i mos de
machine lea ning
, di igidos a a e as de
Da a Mining
.
Os algo i mos podem se aplicados di e amen e a um conjun o de dados a pa i do
nosso p óp io código[MHW09].
2.4.2 RapidMine
O RapidMine é um dos lide es mundiais em sis emas
open sou ce
pa a
Da a Mining
,
encon a-se disponí el como uma aplicação au ónoma pa a análise de dados e con em
um mo o de
Da a Mining
pa a a in eg ação de p odu os p óp ios. U iliza esque-
mas de ap endizagem, a aliado es de a ibu os da e amen a WEKA e esquemas de
modelação es a ís ica da linguagem R.
Disponibiliza uma IG que ge a um a qui o
eX ensible Ma kup Language
(XML) que
dene os p ocessos analí icos que o u ilizado deseja aplica aos dados, al e na i-
amen e, o mo o pode se chamado a pa i de ou os p og amas ou usado como
uma aplicação e as unções indi iduais podem se chamadas a pa i da linha de
comandos.[RI]
2.4.3 SPMF -
Sequen ial Pa e n Mining F amewo k
O SPMF é uma pla a o ma
open sou ce
, esc i a em Ja a po Philippe Fou nie -Vige ,
que o nece a implemen ação de 52 algo i mos de
Da a Mining
:
•
de eção de pad ões sequenciais (
sequen ial pa e n mining
);
3
www.waika o.ac.nz
CAPÍTULO 2. FERRAMENTAS E TECNOLOGIAS UTILIZADAS
25
•
o mulação de eg as de associação (
associa ion ule mining
);
•
de eção de conjun os de i ens equen es (
equen i emse mining
);
•
de eção de eg as sequenciais (
sequen ial ule mining
);
•
clus e ing
.
Pode se u ilizado como um p og ama independen e a a és de uma in e ace simples
ou a a és da linha de comandos, pe mi indo a in eg ação do código de cada um dos
algo i mos nou os p og amas ou aplicações.[FV13a]
2.4.4 Algo i mos de De eção de Pad ões -
Sequen ial Mining
Pa e ns
Um dos mui os p oblemas do
Da a Mining
é a descobe a de sequências equen es a
pa i de uma BD. O obje i o é descob i sequências de e en os equen es, concei o
in oduzido po Ag awal e S ikan . No seu modelo uma BD é um conjun o de
ansações, cada ansação é um conjun o de i ens e es á associado a um iden icado
de clien e e um iden icado de empo[AS95]. Se p ocede mos à o denação dos dados
po iden icado de clien e e depois po iden icado de empo, ob emos um conjun o
de sequências de clien es, cada sequencia de cada clien e mos a as suas ações po
o dem de acon ecimen o.
De uma o ma ge al, o p oblema de de eção de sequências equen es, implica descob i
subsequências que são, de ce o modo, equen es en e odas as sequências dos clien es.
Fo am, po isso, es udados alguns dos algo i mos c iados com o in ui o de esol e o
p oblema de qual o caminho mais equen e.
GSP -
Gene alized Sequen ial Pa e ns
En e os algo i mos mencionados, o GSP[SA96] é conside ado um dos mais ecien es,
es e algo i mo p ocede à consul a da BD um de e minado núme o de ezes.
Du an e uma i e ação (
i
), são encon adas sequências de amanho
i
mais equen es,
des a o ma o núme o de consul as e e uadas à BD é de e minado pelo comp imen o
das sequências mais equen es e mais longas da mesma.
CAPÍTULO 3. SOLUÇÕES PARA ANÁLISE DE COMPORTAMENTO E CONTAGEM DE PESSOAS
32
igilância, igilância acial, econhecimen o de ma iculas, análise compo amen al
ou ainda análise de las de pessoas.
Pa a os ges o es de CCs, es a não é apenas uma pla a o ma de con abilização pois,
pe mi e ambém pe cebe quem é o seu clien e, o nece-lhe a noção da idade, sexo,
compo amen o do seu clien e, en e ou os aspec os. Tudo is o a a és da combinação
de análise e ídeos, in eg ação em con ex o e in eligência social de o ma a en ega a
in o mação i al que os come cian es necessi am.
Pe mi indo-lhes dis ibuí em os seus p odu os nas mon as e/ou p a elei as, p o-
moções a aze e es a égias de ges ão de las. O come cian e em acesso a uma
aplicação que pe mi e acesso às ope ações da loja em empo eal[3VR].
3.2 BIPS
O BIPS (Figu a 3.1) é um Sis ema de Localização em Tempo Real (RTLS), que
pe mi e p ocu a , segui , ge i , analisa e abalha dados e e en es à localização
de indi íduos den o de um edi ício ou espaço abe o, desen ol ido pela AK. Es a
pla a o ma pe mi e, pa a além da elabo ação de es udos de me cado, a con abilização
de clien es. Ela consis e em es uda as o as ealizadas po um de e minado conjun o
de indi íduos e as suas endências de o ien ação em empo eal, a a és de um sis ema
de posicionamen o, em espaços delimi ados, po adio equência.
O sis ema baseia-se na ins alação de disposi i os que, aqui denominados po ânco as,
con êm uma an ena pa a cada ecnologia,
Global Sys em Mobile Communica ions
(GSM), Wi-Fi ou
Blue oo h
, posicionadas em locais especícos. Os dados ob idos
são en iados pa a um se ido cen al, que gua da oda a in o mação pos e io men e
analisada de alhadamen e e é ealizado o egis o das cap u as (impo a e e i que
odo es e p ocesso é ealizado em empo eal).
Como podemos e as po enciais aplicações ão de sis emas de segu ança ao con olo
de á ego passando po usos come ciais[Kno13].
Figu a 3.1: BIPS -
Business In elligence Posi ioning Sys em

CAPÍTULO 3. SOLUÇÕES PARA ANÁLISE DE COMPORTAMENTO E CONTAGEM DE PESSOAS
33
3.2.1 Si uação A ual
O BIPS ajuda os come cian es a pe cebe em o compo amen o dos clien es, a a és da
ecolha de dados e disponibilização de in o mação que pe mi e aos ges o es a omada de
decisões in o madas. Em ge al es as pla a o mas êm a des an agem de não o nece em
in o mação em empo eal e as que o conseguem aze , não espondem a odas as
ci cuns âncias.
Na maio ia das soluções, a con agem das passagens dos isi an es é ei a num único
local. Com o BIPS os come cian es conseguem in o mações sob e o clien e, de o ma
p ecisa e em empo eal, pe mi indo assim uma eação imedia a.
O sis ema da AK az uma diminuição no e o das con agens e pe mi e ob e um
leque maio de in o mação sob e os clien es que ealmen e chegam a en a no es-
abelecimen o. O BIPS o nece moni o ização dos isi an es de o ma anónima e
coloca à disposição do come cian e ela ó ios em empo eal e de uma o ma ápida,
con enien e, p ecisa e menos dispendiosa que soluções equi alen es.
Figu a 3.2: Es u u a do BIPS
CAPÍTULO 3. SOLUÇÕES PARA ANÁLISE DE COMPORTAMENTO E CONTAGEM DE PESSOAS
34
No caso especíco de um CC, o BIPS de e mina qual o uxo de clien es, pe mi indo
assim a o imização de o as. Ajuda os ges o es do CC na análise do esul ado de
e en os publici á ios, moni o iza as zonas menos isi adas, p e ê a mo imen ação
de isi an es pelo CC e escôa zonas de maio conges ionamen o, pe mi indo aos
isi an es a melho expe iência possí el. Os come cian es ao sabe em as zonas de maio
concen ação de isi an es podem di ecciona a a enção des es pa a ce os p odu os,
á eas ou o e as.
O obje i o nal do BIPS é disponibiliza ao come cian e uma aplicação que lhe pe mi a
acede à in o mação ob ida a pa i dos dados adqui idos pelas ânco as. O BIPS es á
es u u ado da seguin e o ma (Figu a 3.2):
1. Disposi i os de de eção de adio equência;
2. Bases de Dados (BD);
3. Fe amen a de a amen o dos dados;
4. API
1
(Middlewa e);
5. In e ace g áca (IG).
3.2.2 Cap u a e Es u u a de Dados
As ânco as en iam os dados pa a uma
keyspace
em Cassand a (que se encon a na
segunda pa e da es u u a), que se ão en iados pa a ou a
keyspace
após a passagem
pelo conjun o de e amen as de a amen o de dados, es a úl ima
keyspace
se á
acedida pela API, que en ia á a in o mação à IG de o ma a que o u ilizado lhe
possa acede . As ânco as p ocedem ao en io de uma iden icação do disposi i o
2
de e ado, pa a um se ido , se nos 10 segundos seguin es o mesmo disposi i o o
encon ado pelo mesmo conjun o de ânco as, a segunda de eção é igno ada. Es e
espaço de empo ga an e que odos os disposi i os que êm de se de e ados se ão
mesmo de e ados. Inicialmen e gua da am-se os dados no se ido , anexando-lhes um
imes amp
, após o a amen o aos dados en iados pelas ânco as, o am anexadas as
1
h p://www.webopedia.com/TERM/A/API.h ml
2
Seguindo as leis da Comissão Nacional de P o eção de Dados - CNPD - Lei n
o
67/98 de 26 de
Ou ub o.
CAPÍTULO 3. SOLUÇÕES PARA ANÁLISE DE COMPORTAMENTO E CONTAGEM DE PESSOAS
35
coo denadas, o g upo de ânco as e o piso em que o disposi i o oi de e ado. Es es
g upos são iden icados po um conjun o de, pelo menos, ês ânco as e os pisos
são iden icados a a és da o ça de sinal en e a ânco a do piso um e o g upo de
ânco as associadas no segundo piso. Os dados são en iados pa a uma
Keyspace
do
SGBD Cassand a[Cas], e numa
Column Family
, são en ão inse idos po da a (
Row
Key
) e, à medida que es es ão chegando, são ac escen ados odos os
imes amps
e
disposi i os de e ados nos 10 segundos seguin es, com a espe i a in o mação. Es e
es ágio cingiu-se à segunda pa e, ou seja, ao es udo e implemen ação de algo i mos
que pe mi am c ia um conjun o de e amen as de a amen o de dados, dados es es
que es ão gua dados numa
keyspace
.
Figu a 3.3: Vis a do Da aS ax: odas as keyspaces gua dadas no SGBD.
Foi c iada uma
Column Family
que gua da oda a in o mação endo como
Row Key
a
da a. Pa a cada da a oi ag egado um conjun o de
imes amps
, e pa a cada um des es
o am anexados os disposi i os de e ados nesses dez segundos e pa a cada disposi i o,
o conjun o de ânco as em que es e oi de e ado.
CAPÍTULO 3. SOLUÇÕES PARA ANÁLISE DE COMPORTAMENTO E CONTAGEM DE PESSOAS
36
Figu a 3.4: Base de Dados Final
3.2.3 T a amen o dos Dados
O a amen o de dados pa a as e amen as de análise desen ol idas nes e es ágio
oi ei o em Py hon, desde a sua aquisição, a pa i do Cassand a, à sua u ilização
na espos a às pe gun as e e uadas pelos ges o es. Já sabendo como os dados são
gua dados no SGBD Cassand a, es a c ia a ligação e p ocede à sua aquisição. Os
dados são gua dados de o ma sequencial, o que acili a o acesso quando apenas se p e-
ende a análise de um de e minado ipo de dados. A sua o ganização es á elacionada
com o obje i o p incipal des e es ágio, a u ilização dos algo i mos desen ol idos pa a o
a amen o dos dados. Mais à en e nes e documen o se á abo dada a implemen ação
des es algo i mos. É de menciona que oi ei a uma en a i a de u iliza a e amen a
R e po isso, escolhida a biblio eca pa a p ocede à ligação ao Cassand a mas, depois
de alguns es es e e uados, de ido a a aso quan o à espos a do Cassand a e en io
dos dados pa a o R, es a e amen a oi colocada de pa e e suplan ada pelo py hon.
3.3 Análise Compa a i a dos P odu os
Sabemos que o Foo Fall é um dos conco en es di e os do BIPS. Em p imei o luga
po que a maio ia dos possí eis clien es da AK u ilizam no momen o es a pla a o ma e
po que os dados disponibilizados pelo Foo Fall são equi alen es aos do BIPS. Sabemos
CAPÍTULO 3. SOLUÇÕES PARA ANÁLISE DE COMPORTAMENTO E CONTAGEM DE PESSOAS
37
ambém que uma das mais alias dos sis emas de análise de ídeo é pe mi i em e
algum conhecimen o sob e o clien e, como o sexo e a idade, algo que o BIPS não
pe mi e. Não podemos deixa de conclui que após a análise dos p odu os o BIPS
ouxe uma g ande ino ação ao me cado. Pa a além do seu po encial e p ecisão na
in o mação que ge a, p ese a a p i acidade dos u ilizado es de equipamen os mó eis,
apesa de consegui sabe quais os passos que os mesmos dão.
Ao analisa mos os p ós e os con as des as pla a o mas pe cebemos que são poucas as
an agens do Foo Fall e do VMS quando nos e e imos a cus o bene ício. O BIPS é uma
pla a o ma que pe mi e acesso a in o mação equi alen e, em empo eal, p ese ando
a p i acidade do clien e e a um cus o mais baixo
3
.
3
Pe mi e economiza a é 89% do cus o a ual em elação aos mé odos adicionais de es udos de
mobilidade. Es a pe cen agem oi conseguida após análise ei a pela AK a alo es de es udos de
me cado bem como a a és de e o no po pa e dosges o es do CC em es udo.

Capí ulo 4
Comp eensão e P epa ação dos Dados
O obje i o des e es ágio oi cons ui e in eg a no BIPs um conjun o de e amen as
que pe mi em esponde a algumas ques ões colocadas pelos ges o es do CC, pa a
isso oi necessá io o ganiza ideias e deni concei os, bem como es uda os dados
pa a encon a possí eis implemen ações. Depois dos concei os e ques ões denidas
analisamos os p oblemas pa a consegui ob e espos as, es udando quais os melho es
algo i mos pa a esol e as ques ões e o mas de ap esen a os esul ado. Nes e
capí ulo amos ap esen a os es udos e e uados.
4.1 Visi as
Exis em alguns a o es que denem uma isi a: o disposi i o que a e e uou e a da a
e ho a de inicio e de m da mesma. Depois do a amen o dos dados, conseguimos
ob e um conjun o de isi as num dia, endo a isi a sido conside ada o pe íodo de
empo em que o disposi i o se encon a a se de e ado po ânco as, o nal da isi a
é denido pela ausência de de eções po , pelo menos, 3 ho as (10.800 segundos). Po
es a azão, e po que os clien es podem aze mais do que uma isi a no mesmo dia
ao CC, um disposi i o pode e mais que uma isi a. Foi de e minado o pe íodo de
3 ho as po que o obje i o é deni isi as, o almen e dis in as e não o esquecimen o
de algo, a ida ao pa que de es acionamen o ou i uma um ciga o.
Es a denição ouxe alguns p oblemas, os disposi i os que passem esse empo nos
cinemas se iam con abilizados como endo e e uado duas isi as, não sendo is o, de
ac o, e dadei o, oi necessá io p ocede à sua e icação. Po isso, se um disposi i o
38
CAPÍTULO 4. COMPREENSÃO E PREPARAÇÃO DOS DADOS
39
desapa ece (deixa de se de e ado) po mais de cinco minu os pe o do cinema e
eapa ece no mesmo local passadas 3 ho as, es á implíci o que es e e no cinema, o
mesmo demons ou se e dade pa a quem az comp as na g ande supe ície anexada
ao CC. É impo an e e ica se um disposi i o ealizou mais do que uma isi a ao
CC.
En e as pe gun as a esponde , encon a-se a ques ão "Qual o núme o de isi as po
dia, ho a, zona, piso ou acesso?". O núme o de isi as e e uadas num de e minado
dia é conseguido a a és da con agem das isi as encon adas, o empo de isi a é
conseguido a a és da sub ação do
imes amp
inicial ao nal.
imes amp Inicial +T imes amp inal =T empo de V isi a
Olhando pa a o exemplo 1conseguimos sabe que o empo de isi a des e clien e oi
de
28 minu os
1
.
Example 1
Um conjun o de de eções e
imes amps
associados
1
Temos uma isi a de um clien e ao CC e as espe i as associações en e
ânco as e acessos.
pisos ⇒< piso1 : z1, piso1 : z2, piso2 : z3, piso2 : z4>
zonas ⇒< z1 :<1,2,3>, z2 :<4,5,6,7>, z3 :<8,9,10 >,
z4 :<11,12,13,14 >>
de ec ions ⇒<1,2,3,5,6,7,7,7,7,7,7,7,9>
imes amps ⇒<1,3,17,18,19,20,21,22,23,24,25,26,29 >
4.2 Acessos
Pa a se sabe qual a po a de acesso e a de saída de cada disposi i o e icou-se qual
a p imei a e úl ima ânco a de de eção, pos e io men e con mou-se qual a associação
exis en e en e as ânco as de de eção e os acessos ob endo o acesso po onde esse
clien e en ou no CC nessa isi a. Ag egamos as isi as po acesso e p ocedemos à
sua con agem.
1
Tomando de p incipio que os
imes amps
es ão em minu os.
CAPÍTULO 4. COMPREENSÃO E PREPARAÇÃO DOS DADOS
40
De ido a alguns p oblemas demons ados pelas ânco as ( alhas na de eção), po ezes
a p imei a ânco a não es á associada a um acesso, quando al acon ece, e ica-se qual
a úl ima ânco a e se es a es i e associada a um acesso, passa a se esse acesso o de
en ada.
Caso con á io é conside ado um acesso desconhecido, i.e., se a ânco a inicial não
es i e associada a um acesso, se á a e iguado qual o acesso associado à ânco a nal
e, no caso de es a não es a associada, a isi a apenas se á con abilizada pa a o núme o
de isi as po acesso, já que a dis ibuição des e ipo de isi as se á ei a segundo a
p obabilidade de e en ado, ou não, po uma de e minada po a. O exemplo a se
es udado acilmen e nos diz que o clien e en ou pela ânco a
1
ou
7
.
4.3 Zonas e Pisos
Inicialmen e di idimos o CC em algumas secções que denimos como zonas, uma das
ques ões que os ges o es que iam e espondida e a "Qual o núme o de isi an es na
p aça da Alimen ação?". Pa a esponde a es a ques ão e a necessá io deni o espaço
ocupado pela p aça de alimen ação, pe mi indo assim uma denição de zonas po odo
o CC. As zonas, al como os pisos, são de enidas no py hon a a és das ânco as, os
pisos pouca explicação necessi am, se o CC i e mais que um piso a iden icação
des es se á o seu núme o, já que o CC, onde deco eu a ecolha dos dados, em mais
que um piso, oi necessá io associa as zonas a um piso. Após a denição das zonas
e pisos, p ocedemos à con agem das isi as que passa am pelas ânco as e aquelas que
passa am pelas zonas associadas a pisos. Conseguimos e ica , a a és do exemplo
1que, du an e es a isi a o clien e es e e nas zonas
z1
,
z2
e
z3
e que es e e nos pisos
piso1
e
piso2
. A a és das condicionan es mencionadas acima, conseguimos espos as
às ques ões 1,2 e 11 (Capí ulo 1).
4.4 En ada nas Lojas
Foi necessá io deni as lojas e en a encon a as en adas dos clien es em de e mi-
nada loja, es a a e a oi um pouco complicada já que, pa a a maio eabilidade dos
dados, se ia necessá io in oduzi ânco as nas lojas, al e a impossí el po concessão
dos ges o es do CC, hou e en ão a necessidade de en a ou as ias pa a descob i se
um clien e e ia en ado, ou não, numa de e minada loja, o p oblema oi abo dado de
CAPÍTULO 4. COMPREENSÃO E PREPARAÇÃO DOS DADOS
41
duas o mas di e en es:
•
Inclui coo denadas da de eção do disposi i o. Bas a a e ica se a posição do
clien e es a ia en e as coo denadas limí o es da loja.
•
Se o disposi i o deixa de se de e ado po cinco minu os (300 segundos) ou mais,
signica que o clien e en ou na loja mais p óxima à ânco a em que desapa eceu.
No que se e e e à p imei a solução a exis ência de coo denadas, como já oi men-
cionado em capí ulos an e io es, impôs que, pelo menos ês ânco as, de e em o mesmo
disposi i o no mesmo
imes amp
, al implica que odas as de eções e e uadas po
menos do que ês ânco as sejam desca adas, ou seja, emos pe da de in o mação.
Decidimos pela segunda opção, conseguindo ob e as es adias (pe manência na mesma
ânco a) ou en adas numa loja (deixa de se de e ado po qualque ânco a du an e,
pelo menos, cinco minu os). Depois de denida a di e ença en e en a ou não numa
loja, es amos p on os pa a esponde às ques ões 3,4,7 e 8 (Capí ulo 1).
Pa a isso oi necessá io encon a odas as lojas isi adas po odos os clien es e
p ocede à sua con agem, bas ou pe co e as de eções de cada disposi i o. Se a
dis ância empo al en e uma de ecção e a seguin e o maio que cinco minu os (300
segundos), en ão gua damos a ânco a e e en e à p imei a de eção
2
e essa se á a loja
em que o clien e en ou, no caso de o clien e e sido de e ado pela mesma ânco a
du an e um pe íodo igual ao mencionado é conside ado que es e e den o de uma
loja. A loja se á a que es á associada à ânco a que de ec ou o clien e po esse espaço
de empo, se obse a mos o exemplo 1conseguimos sabe que as lojas isi adas po
es e clien e são as associadas às ânco as
2
e
7
.
4.5
Shopping Time
e
Dwell Time
O
Shopping Time
e e e-se ao empo que um clien e se encon a den o de lojas e o
Dwell Time
é o opos o, é o empo que um clien e passa no co edo a passea ou a
i de uma loja pa a ou a. Es es concei os se ão ú eis pa a se consegui esponde às
ques ões 5 - "Qual o empo gas o numa isi a?"e 6 - "Qual o empo médio passado a
aze comp as (ShoppingTime)?". No caso do
Shopping Time
oi necessá io encon a
o empo passado em odas as lojas e p ocede à sua soma. No que se e e e ao
Dwell Time
, bas ou emo e ao empo o al da isi a o
Shopping Time
, se olha mos
2
As ânco as es ão associadas a lojas.
Capí ulo 5
Modelação
Nes e capí ulo desc e emos os p ocessos de análise de dados e modelação que pe -
mi em esponde às pe gun as colocadas pelos ges o es. Pa a cada pe gun a e emos
um p ocesso que oi implemen ado e in eg ado no BIPS. A escolha do p ocesso de
modelação mais adequado oi ei a u ilizando uma amos a (dados e e en es a um
mês).
C iámos e es udámos g ácos pa a e ica se exis iam su p esas inespe adas, e sabe
a densidade do núme o de isi as, e e como p opósi o sabe se exis iam zonas mais
impo an es, pisos mais u ilizados, lojas mais isi adas e acessos mais u ilizados.
5.1 Qual o núme o de isi as po dia, ho a, zona, piso
ou acesso?
No que se e e e aos dados ele an es pa a esponde a es a ques ão, o am u ilizados
o núme o de disposi i os que passea am num dia no CC, o momen o de en ada e
de saída e as ânco as que de e a am esse disposi i o ao longo da isi a. Todos os
alo es ap esen ados como esul ado des a ques ão (e ap esen ados no p odu o nal)
são conseguidos a a és de écnicas de es a ís ica desc i i a, em especial a a és da
média.
Visi as po Dia
- Pa a sabe mos o núme o de isi as po dia é necessá io e ica ,
em p imei o luga , se o disposi i o ez uma ou mais no mesmo dia. O núme o de isi as
du an e um de e minado pe íodo de empo é ap esen ado num g áco de linhas. No
48

CAPÍTULO 5. MODELAÇÃO
49
caso da amos a desc i a, a gu a 5.1 mos a-nos que, po eg a, aos ns de semana
o núme o de isi as aumen a. Podemos ainda es uda a dis ibuição do núme o de
isi as diá ias usando um his og ama com uma cu a de densidade, a a és das gu as
5.1 e5.2, conseguimos e a noção de que, na maio ia dos dias, o núme o de isi as ao
CC es á en e as 2500 e 3000.
Figu a 5.1: Visi as po dia no mês de Junho
CAPÍTULO 5. MODELAÇÃO
50
Figu a 5.2: Densidade das Visi as no mês de Junho. No eixo dos
x
encon amos o
núme o de isi as.
Visi as po Ho a
Pa a se analisa o núme o de isi as po ho a, di idimos o pe íodo de uncionamen o
diá io em in e alos de uma ho a. Os in e alos são esp esen ados pela sua ho a de
início. Num g áco de linhas como o da gu a 5.3, cada linha ep esen a a e olução
do núme o de isi as numa de e minada ho a ao longo dos dias. Tal como as isi as
po dia u ilizámos es a ís ica desc i i a pa a analisa o núme o de isi as po ho a.
No nosso exemplo (gu a 5.3) conseguimos obse a que em média, encon am-se mais
pessoas a isi a o CC pelas qua o da a de e que o pico de isi as no mês, em quase
odas as ho as, oi no segundo m de semana, de dia 8 a dia 10 de Junho.
Impo a e e i que o dia 10 de Junho, Segunda-Fei a, oi e iado em Po ugal, jus i -
icando o aumen o de isi as nesse dia, p incipalmen e, compa ando com as es an es
Segundas-Fei as. Po ou o lado, a maio pa e das ho as e e uma descida consid-
e á el no Domingo 23 de Junho, es a diminuição pode e uma elação di e a com o
ac o de nos encon a mos no nal do mês, e pa alelamen e com o início da época de
é ias escola es.
Exce uando as ho as de en ada e saída (10h - X10 e 23h - X23), a maio densidade
CAPÍTULO 5. MODELAÇÃO
51
encon a-se en e os 400 e 600 isi an es. Podemos ambém pe cebe pela gu a 5.4
que da pa e da a de, a pa i das 14 ho as, a p obabilidade de obse a mos um
núme o acima das 800 isi as é al a, es a subida de isi an es começa a diminui a
pa i das 18 ho as.
Figu a 5.3: Visi as po Ho a do dia no mês de Junho
CAPÍTULO 5. MODELAÇÃO
52
Figu a 5.4: Densidade das Visi as po Ho a no mês de Junho [ e apêndice A]
Visi as po Zona
Depois de associa mos cada ânco a a uma zona, oi u ilizada es a ís ica desc i i a pa a
se consegui ob e a con agem do núme o de isi as e e uadas em cada uma das zonas.
Analisando a amos a ob ida do CC em es udo, podemos obse a , a a és do g áco
ci cula da gu a 5.5, que as zonas po onde a maio ia dos isi an es passam são as
zonas
z7
e a
z1
.
Sabemos, a a és da gu a 5.6 que, no máximo encon amos 3000 isi an es po zona
e que na maio ia das ezes es e núme o se encon a en e os 1000 e 2000 isi an es.
A espos a à ques ão "
Qual o núme o de isi an es a passa na p aça da
alimen ação?
"pa a a amos a de dados aqui es udada é de 1933 isi an es, al como
podemos obse a na gu a 5.5
1
.
1
Es e g áco mos a-nos a pe cen agem de isi an es (em elação a odos os que apa ece am no
CC) que passa am po cada uma das zonas.
CAPÍTULO 5. MODELAÇÃO
53
Figu a 5.5: Visi as po Zona no mês de Junho
Figu a 5.6: Densidade das Visi as po Zona no mês de Junho [ e apêndice A]

CAPÍTULO 5. MODELAÇÃO
54
Visi as po Piso
Pa a os pisos necessi amos de e as ânco as em que o disposi i o oi de ec ado. A
pa i delas conseguimos sabe em que piso o isi an e se encon a. O CC onde os
dados o am adqui idos es á di idido em dois pisos. Fo am aplicadas ecnicas de
es a ís ica desc i i a pa a alcança o núme o de isi as po Piso. A a és do g áco
da gu a 5.8 sabemos que, no conjun o de dados ecolhido do CC em es udo, o núme o
de isi an es que passam pelos dois pisos é equi alen e, apesa de se um pouco maio
no piso 1 (gu a 5.7) ac o que conside amos ácilmen e jus icá el já que a maio ia
das po as de acesso se encon am no p imei o piso.
Conseguimos e que no piso 1 a p obabilidade do núme o de isi an es es a en e
os 2250 e 2500 é al a, já no piso 2 o núme o encon a-se en e os 2000 e 2250. Como
emos a densidade de isi as nos dois pisos é mui o p oxima.
Figu a 5.7: Visi as po Piso no mês de
Junho
Figu a 5.8: Compa ação do núme o de
isi as po Piso no mês de Junho
CAPÍTULO 5. MODELAÇÃO
55
Figu a 5.9: Densidade das Visi as po Piso no mês de Junho
Visi as po Acesso
Tal como já oi mencionado an e io men e, pa a consegui mos sabe qual o acesso po
onde o isi an e en ou, p ecisamos de e a p imei a ânco a de de ecção do isi an e.
Encon amos qual o Acesso associado a essa ânco a e p ocedemos à di isão das isi as
po Acesso.
Podemos e , pela gu a 5.11, que o acesso mais escolhido pelos isi an es no mês de
Junho é o
K
, na mesma gu a emos que es e acesso
K
se encon a quase semp e
acima dos es an es. Apenas em ês dias do mês o acesso
G
con em maio núme o
que o acesso
K
.
Quan o ao acesso
I
a ânco a e e en e a es e acesso encon ou-se em baixo du an e
o mês a que se e e e a ecolha dos dados, po isso mesmo, ap esen a um núme o de
isi an es nulo.
Um aspe o in e essan e é o ac o de, o acesso nem semp e se o mesmo que a saída
(gu a 5.12). No caso de es a mos a ala do acesso
J
, é mais p o á el que a saída não
seja a mesma, já se ala mos no acesso
G
ou
K
, a p obabilidade é de o isi an e sai
pelo mesmo local. A gu a 5.13 mos a-nos que a densidade mais al a encon a-se nos
acessos
D
e
F
apesa de co esponde a um núme o de isi as mais baixo. Já pa a os
acessos com o núme o de isi as mais al o,
G
e
K
, a densidade é conside a elmen e
mais baixa.
CAPÍTULO 5. MODELAÇÃO
56
Figu a 5.10: Visi as po Acesso no dia do mês de Junho
Figu a 5.11: Visi as po Acesso no mês de Junho
CAPÍTULO 5. MODELAÇÃO
57
Figu a 5.12: Visi as po Acesso Igual a Saída no mês de Junho
Figu a 5.13: Densidade das Visi as po Acesso no mês de Junho [ e apêndice A]
CAPÍTULO 5. MODELAÇÃO
64
5.5 Qual o empo dispendido po Loja?
Tal como an e io men e, o am u ilizadas écnicas de es a ís ica desc i i a. Os dados
u ilizados pa a a espos a a es a ques ão são os mesmo que o am mencionados na
ques ão an e io . O esul ado da aplicação da e amen a, que pe mi e esponde a
es a ques ão, à amos a em es udo é possí el se izualizada a a és da gu a 5.23,
onde a Loja em que as pessoas passam mais empo é a
L17
.
Apesa de al se e dade, podemos obse a que na maio ia dos dias, o empo
despendido nas isi as à loja L13 ul apassam o empo despendido à loja L17, ês
dias (1, 8 e 10 de Junho). Mesmo assim es es ês alo es não ul apassam o maio
empo passado em L17 e po pouco passa a média do empo gas o do mês nas lojas.
Figu a 5.23: Tempo gas o po Loja no mês de Junho.

CAPÍTULO 5. MODELAÇÃO
65
5.6 Qual o caminho mais u ilizado pelos clien es a
pa i de um acesso?
Fo am e e uados es es nas e amen as de
da a mining
mencionadas no capí ulo 2.
Ten ámos ob e esul ados com o RapidMine (gu a 5.24) a pa i de um conjun o de
dados (gu a 5.25) mas, es e não nos pe mi iu ob e esul ados (gu a 5.26), es e e o
de eu-se ao ac o de exis i um p oblema na e amen a que se á co igido na p óxima
e são a se lançada.
Figu a 5.24: U ilização do GSP no RapidMine
CAPÍTULO 5. MODELAÇÃO
66
Figu a 5.25: Conjun o de caminhos e e uados a pa i do acesso A
Figu a 5.26: Resul ado ob ido com o GSP no RapidMine
Quan o à e amen a WEKA, es a oi u ilizada pa a es a o mesmo algo i mo em
de imen o do RapidMine , o es e e e uado ob e e o esul ado ap esen ado nas gu as
5.27 e5.28.
CAPÍTULO 5. MODELAÇÃO
67
Figu a 5.27: Tes e e e uado com os dados do acesso A no Weka
CAPÍTULO 5. MODELAÇÃO
68
Figu a 5.28: Resul ados do es e com o GSP u ilizando o Weka
No que se e e e aos es an es algo i mos, SPAM e P exSPAN, o am es ados com a
e amen a SPMF, em p imei o luga o am u ilizados conjun os de poucos caminhos.
Os esul ados ob idos pelos dois algo i mos num desses es es es á ap esen ados nas
gu as 5.29 e5.30. Depois de co e es es es es, o SPAM demo a mais empo
e necessi a de mais memó ia. Em seguida p ocedeu-se a es es com os dados dos
caminhos e e en es a um acesso que ap esen amos na gu a 5.31. Conseguimos e-
sul ados equi alen es a pa i dos dois algo i mos, apesa de e conseguido esul ados
apidamen e com o P exSpan (gu a 5.32), com o SPAM esses esul ados não o am
a ingidos de ido às azões já e e idas.
CAPÍTULO 5. MODELAÇÃO
69
Figu a 5.29: Resul ados ob idos da u ilização do P exSpan no SPMF em chei os de
es e
Figu a 5.30: Resul ados ob idos da u ilização do SPAM no SPMF em chei os de es e

CAPÍTULO 5. MODELAÇÃO
70
Figu a 5.31: Conjun o de alguns caminhos e e uados a pa i do acesso A, o ma ados
pa a spm
Figu a 5.32: Resul ados ob idos da u ilização do P exSpan no SPMF
CAPÍTULO 5. MODELAÇÃO
71
Pa a consegui mos encon a qual o caminho mais u ilizado pelos isi an es oi c iado
um algo i mo [5.6.1] que u iliza a unção de p é-p ocessamen o [algo i mo 4.6.1].
Pa a além do p é-p ocessamen o (desc i o em capí ulo an e io ), u iliza a unção
mos UsedPa hs
. Es a unção, em p imei o luga co a os caminhos pelo núme o de
zonas mínimas (
minZones
) escolhido, cando com caminhos que con enham apenas
um núme o mínimo de zonas di e en es. Em seguida é encon ado o caminho que
apa ece mais ezes. O ac o dos caminhos ca em denidos po zonas pe mi e que, se
exis i em ânco as a alha , não haja p oblemas com a c iação dos caminhos possí eis.
Algo i hm 5.6.1:
Pa hs
(
Da a, AccessName, minZones
)
p ocedu e
Pa hs
(Da a, AccessName, min
_
Zones)











o each
pa h
∈
Da a
do
(AllPa hs ←
P ep ocessPa hs
(pa h, AccessName)
e u nedP a h ←
mos UsedPa h
(AllPa hs, min
_
Zones)
e u n
( e u nedP a h)
A a és do algo i mo desc i o oi possí el ob e os g a os ap esen ados na gu a 5.33 e
a a és des a, concluímos que exis em caminhos que, apesa de pe ence em a acessos
di e en es começam na mesma zona (
H
e
J
ou
A
e
B
), já que exis em zonas com mais
que um acesso.
As zonas
7
e
8
apa ecem em mais de me ade dos caminhos, demons ando se em as
zonas mais isi adas.
CAPÍTULO 5. MODELAÇÃO
72
Figu a 5.33: Caminhos mais u ilizados po Acesso no mês de Junho
No sub-capí ulo 2.4 mencionamos algo i mos de de eção de pad ões, alguns dos esul-
ados ob idos podem se isualizados nas gu as 5.34,5.35 e5.36. Podemos e que
os esul ados ob idos pelo Weka não nos azem nada de no o e que o P exSpan e o
SPAM, a a és do SPMF nos de ol e am esul ados ag adá eis.
Es es caminhos, no p odu o nal, são ep esen ados po um mapa do espaço com o
caminho e e uado pelo isi an es, pe mi indo aos ges o es compa a em acessos.
5.7 Qual o caminho mais u ilizado pelos clien es?
Na gu a 5.34 podemos e os caminhos mais e menos u ilizados no mês de Junho pelos
isi an es do CC e nas gu as 5.35 e5.36 os caminhos cujo núme o de isi an es es á
acima da média de passagens e abaixo, espe i amen e. Olhando pa a a gu a 5.33
conseguimos pe cebe que os melho es caminhos po acesso passam, na sua maio ia,
po caminhos cujo núme o de isi an es se encon a acima da média.
Obse amos que o caminho e e en e ao acesso
G
passa exa amen e pelos caminhos
com maio núme o de isi an es, os caminhos que passam po ligações cujo núme o
CAPÍTULO 5. MODELAÇÃO
73
de isi an es es á abaixo da média, encon am-se, mesmo assim, den o das ligações
com maio alo . O único caminho em que al não acon ece é e e en e ao acesso
I
que con ém a ligação
10 −8
, o núme o de passagens des a ligação encon a-se abaixo
das 600.
Figu a 5.34: Caminhos mais/menos u ilizados no mês de Junho
Figu a 5.35: Caminhos com u ilização
acima da média no mês de Junho
Figu a 5.36: Caminhos com u ilização
abaixo da média no mês de Junho
CAPÍTULO 6. PRODUTO FINAL
80
Figu a 6.5: Mé icas das isi as po piso no mês de Junho

CAPÍTULO 6. PRODUTO FINAL
81
Figu a 6.6: Mé icas das isi as po Zona no mês de Junho
CAPÍTULO 6. PRODUTO FINAL
82
Figu a 6.7: Mé icas das isi as po Acesso no mês de Junho
Figu a 6.8: Posição das Lojas segundo o núme o de isi an es no mês de Junho
Capí ulo 7
Conclusão
Os obje i os p opos os no início do es ágio o am a ingidos endo o conjun o de
e amen as de análise de posicionamen o sido implemen ado. Es as e amen as
podem se usadas pa a esponde às ques ões colocadas pelo clien e, pe mi indo aos
ges o es ob e em conhecimen o mais p eciso sob e o uncionamen o do espaço que
ge em.
Pa a consegui a ingi es es objec i os o am ealizadas as seguin es a e as:
•
Recolha e comp eensão das pe gun as de negócio do clien e;
•
Conecção à Base de Dados;
•
T ans o mação e p é-p ocessamen o dos dados;
•
Es udo e aplicação de algo i mos de
Da a Mining
;
•
Análise dos dados u ilizando es a ís ica desc i i a pa a a ob enção de abelas,
g a os e g ácos;
•
Seleção com o clien e das e amen as ele an es pa a o negócio;
•
In eg ação das e amen as selecionadas na pla a o ma BIPS.
Recolha e comp eensão das pe gun as de negócio do clien e
: Foi necessá io
pe cebe o negócio do clien e e o modelo de negócio do BIPS. To nou-se imp escíndi el
pe cebe co ec amen e cada uma das ques ões colocadas pelo clien e po o ma a
anspôlas numa pe gun a/ a e a de análise de dados.
83
CAPÍTULO 7. CONCLUSÃO
84
Conecção à Base de Dados
: Foi necessá io es uda a es u u a da BD, que so eu
algumas al e ações du an e o pe íodo inicial de es ágio, es uda e escolhe a biblio eca
de ligação do py hon à BD e c ia a ligação ao cassand a.
T ans o mação e p é-p ocessamen o dos dados
: Pa a se pode abalha com
os dados oi necessá io deni es u u as locais pa a o seu a mazenamen o pa a que o
a amen o osse mais céle e e di e o. Es a ans o mação dis ibui os dados po ia-
gens. Es es dados passa am en ão po um p é-p ocessamen o de modo a se consegui
encon a o caminho mais equen ado.
Es udo e aplicação de algo i mos de
Da a Mining
: O es udo de algo i mos de
Da a Mining
oi e ec uado com o in ui o des es se em aplicados na p ocu a do caminho
mais equen e. A possibilidade de os aplica aos dados ob idos exis iu mas, de ido
a es ições empo ais não hou e a possibilidade de os inco po a nas e amen as.
Assim oi c iado o algo i mo
Pa hs
[ e algo i mo 5.6.1], que embo a mais especíco,
pe mi e a ingi os esul ados p e endidos.
Análise dos dados u ilizando es a ís ica desc i i a pa a a ob enção de abelas,
g a os e g ácos
: Fo am aplicadas écnicas de es a ís ica desc i i a com a in enção
de e espondidas algumas das ques ões colocadas pelo clien e.
Seleção com o clien e das e amen as ele an es pa a o negócio
: Após a
aplicação do conjun o de e amen as a uma amos a de dados, a AK e o clien e
p ocede am a uma análise da in o mação ob ida. Es a análise pe mi iu sabe se
exis iam ques ões cujas espos as não p opo ciona am uma an agem pa a o clien e.
T ês das e amen as não o am le adas em con a (mencionadas no capí ulo 5). Es-
as e amen as já es ão p on as e no caso em que um ou o clien e da AK es eja
in e essado, apenas exis e a necessidade de as ac i a .
In eg ação das e amen as selecionadas na pla a o ma BIPS
: Chegados ao
momen o em que sabemos qual o conjun o de e amen as a u iliza , bas ou ac i á-las
e pe mi i a sua execução uma ez ao dia. Des a o ma os ges o es do CC ob êm oda
a in o mação ele an e ao dia an e io , à semana an e io ou mesmo ao ano an e io .
7.1 T abalho Fu u o
A AK desen ol eu a pla a o ma BIPS com o objec i o de p opo ciona uma solução
analí ica pa a auxilia , não apenas os CC mas ambém as cadeias de lojas e os
CAPÍTULO 7. CONCLUSÃO
85
ges o es de espaços ao a li e como Ja dins Zoológicos, Pa ques Temá icos, Fei as
e c. Fu u amen e, o BIPS se á desen ol ido pa a alcança uma maio adap abilidade
às necessidades dos clien es, melho ando a sua implemen ação e pe o mance dos
algo i mos. Com es es desen ol imen os p ocede emos ao es udo de algo i mos e sua
implemen ação pa a alcança mos p e isões de u u as isi as.

Apêndice A
Figu a A.1: Densidade das isi as po ho a no mês de Junho
86
APÊNDICE A.
87
Figu a A.2: Densidade das isi as po zona no mês de Junho
APÊNDICE A.
88
Figu a A.3: Densidade das isi as po Acesso no mês de Junho
APÊNDICE A.
89
Figu a A.4: Densidade das isi as po p imei a pa agem no mês de Junho