[Projeto] Faça como eu fiz: construindo uma Rede Bayesiana

Olá, Marcelo! Como vai?

Parabéns pela realização das atividades!

Você apresentou uma explicação muito clara sobre Redes Bayesianas, trouxe exemplos práticos com código em Python e destacou de forma precisa a diferença entre probabilidade de compra e probabilidade conjunta. Isso mostra domínio conceitual, aplicação prática e preocupação em conectar teoria com uso real em marketing e vendas.

Se quiser aprofundar ainda mais, algumas boas práticas são:

• Validação com dados reais: testar o modelo com históricos de clientes para verificar a precisão das previsões.
• Ajuste dinâmico: atualizar probabilidades conforme novos dados entram, mantendo o sistema adaptativo.
• Visualização gráfica: usar bibliotecas como networkx ou pgmpy para representar a rede e facilitar a interpretação.

Ah uma pergunta: O que você considera mais interessante para evoluir esse modelo, incluir mais variáveis de comportamento do cliente ou explorar técnicas de aprendizado de parâmetros automáticos?

Fico à disposição! E se precisar, conte sempre com o apoio do fórum.

Abraço e bons estudos!

Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!

Olá Daniel, obrigado pelo feedback

essa resolução esta mais pra uma didática do que aplicação, eu não conheço essas duas bibliotecas que falou, vou pesquisar. O ajuste conforme os dados entram é bem interessante pode ser algo mais realista utilizando dados históricos de alguma base com essas caracteristicas.

Sobre incluir variáveis , penso que um sistema realista realmente vai ter muito mais caracteristicas pra analisar, e quando mais dados alguma técnica de aprendizado automático pode ser um caminho.

Você tem exemplo com essas bibliotecas e caracteristicas?

Bom dia, Marcelo!

Vou deixar aqui dois exemplos completos e independentes para executar no Google Colab usando as bibliotecas que citei. Antes de executar, instale as bibliotecas:

!pip install networkx matplotlib pgmpy -q

Exemplo 1 | Visualizando uma Rede Bayesiana com networkx

• Este exemplo cria uma rede simples representando a influência de Marketing Digital sobre Leads e Compras.

import networkx as nx
import matplotlib.pyplot as plt

# Criando um grafo direcionado
G = nx.DiGraph()

# Adicionando nós
G.add_nodes_from([
    "Marketing Digital",
    "Leads",
    "Compra"
])

# Adicionando conexões
G.add_edges_from([
    ("Marketing Digital", "Leads"),
    ("Leads", "Compra")
])

# Configuração da figura
plt.figure(figsize=(8, 5))

# Layout automático
pos = nx.spring_layout(G, seed=42)

# Desenhando a rede
nx.draw(
    G,
    pos,
    with_labels=True,
    node_size=4000,
    font_size=10,
    arrows=True
)

plt.title("Rede de Influência em Marketing")
plt.show()

O resultado será um diagrama simples mostrando a relação:

Marketing Digital → Leads → Compra

Exemplo 2 | Rede Bayesiana com Inferência usando pgmpy

• Neste exemplo, será calculada a probabilidade de uma pessoa realizar uma compra sabendo que ela clicou em um anúncio.

from pgmpy.models import DiscreteBayesianNetwork
from pgmpy.factors.discrete import TabularCPD
from pgmpy.inference import VariableElimination

# Estrutura da rede
modelo = DiscreteBayesianNetwork([
    ("Anuncio", "Clique"),
    ("Clique", "Compra")
])

# Probabilidade de visualizar um anúncio
cpd_anuncio = TabularCPD(
    variable="Anuncio",
    variable_card=2,
    values=[[0.4], [0.6]]
)

# Probabilidade de clicar dado o anúncio
cpd_clique = TabularCPD(
    variable="Clique",
    variable_card=2,
    values=[
        [0.8, 0.3],  # Não clica
        [0.2, 0.7]   # Clica
    ],
    evidence=["Anuncio"],
    evidence_card=[2]
)

# Probabilidade de compra dado o clique
cpd_compra = TabularCPD(
    variable="Compra",
    variable_card=2,
    values=[
        [0.9, 0.2],  # Não compra
        [0.1, 0.8]   # Compra
    ],
    evidence=["Clique"],
    evidence_card=[2]
)

# Adicionando CPDs ao modelo
modelo.add_cpds(
    cpd_anuncio,
    cpd_clique,
    cpd_compra
)

# Verificando consistência
print("Modelo válido:", modelo.check_model())

# Criando mecanismo de inferência
inferencia = VariableElimination(modelo)

# Probabilidade de compra sabendo que houve clique
resultado = inferencia.query(
    variables=["Compra"],
    evidence={"Clique": 1}
)

print("\nProbabilidade de Compra dado que houve Clique:")
print(resultado)

Saída esperada:

Modelo válido: True

Probabilidade de Compra dado que houve Clique:
+-----------+---------------+
| Compra    |   phi(Compra) |
+===========+===============+
| Compra(0) |        0.2000 |
+-----------+---------------+
| Compra(1) |        0.8000 |
+-----------+---------------+

Nesse caso, a rede conclui que a probabilidade de compra é de 80% quando o usuário clicou no anúncio.

Esses dois exemplos mostram tanto a visualização estrutural (networkx) quanto a modelagem probabilística e inferência (pgmpy).

Olá Daniel,

obrigado pelo sensacional conjunto de exemplos de uso das bibliotecas, bem interessante.
A questão maior agora seria, como chegar nas probabilidades para criar as tabelas, por exemplo, da onde que veio a probailidade de clicar no anuncio, de visualizar etc... eu sei aqui é didático, mas e uma forma real como seria essa extração?

Oi, Marcelo!

Nesse caso, as fontes das probabilidades poderiam ser das campanhas de anúncios no Meta Ads (anúncios no Instagram e Facebook), por exemplo.

O profissional de dados iria analisar as campanhas junto ao gestor de tráfego e concluir esses números com base nas estatísticas que eles têm em mão (CPA, CPC, CPM...).

Aliás, está aí uma excelente ideia de negócio hein! 😄

Olá Daniel,

obrigado por responder, de fato acho que tenho algo pra levantar com meu irmão, que é do marketing e tem um negócio ahahahah
um abraço