O Uso Estratégico de Técnicas de Extração de Conhecimento em Base de Dados na Gestão de Projetos de P&D
|
|
- Herman Bayer Barateiro
- 8 Há anos
- Visualizações:
Transcrição
1 O Uso Estratégico de Técnicas de Extração de Conhecimento em Base de Dados na Gestão de Projetos de P&D Management of R&D Projects Using the Data Mining Strategy MARTIUS VICENTE RODRIGUEZ Y RODRIGUEZ Universidade Federal Fluminense (Rio de Janeiro, Brasil) martius@vm.uff.br NELSON FRANCISCO FAVILLA EBECKEN Universidade Federal do Rio de Janeiro (Rio de Janeiro, Brasil) nelson@ntt.ufrj.br RESUMO Em um ambiente global, onde ocorre uma intensa competição entre as empresas, o processo de inovação, o desenvolvimento tecnológico e a gestão de valores intangíveis tornam-se fundamentais para a competitividade. Assim, este trabalho apresenta uma metodologia para o estabelecimento de regras que possam contribuir para a priorização de projetos tecnológicos, objeto de um estudo de caso no Centro de Pesquisas da Petrobras. Para este trabalho, foram utilizadas informações físicas e de custos dos projetos de P&D Pesquisa e Desenvolvimento, além da avaliação de clientes, importantes dados de entrada para a análise de critérios de priorização dos projetos. Com estudos futuros e pesquisas a serem desenvolvidas, abre-se um espaço para a construção de ferramentas computacionais baseadas em sistemas especialistas que possam ser úteis na priorização de projetos de pesquisa, que possuem elevado número de variáveis e, normalmente, são de alto risco e recompensa. Palavras-chave DATA MINING CONHECIMENTO PROJETOS P&D. ABSTRACT In a global environment, with intense competition between companies, the innovation process, the technological development and the administration of intangible values are basic for competitiveness. Thus, this work presents a methodology for the establishment of rules to aid in the technological project priorities, which is the object of a case study from Petrobrás Research Center. In this work, physical and cost information of R&D projects and customers analysis were used, being important data to determine the criteria of project priority. Through future studies and researches to be developed, a new space is opened for the building of computational tools based on expert systems that can be useful in determining the priority of technology projects, generally with high risks and high reward, besides susceptible to a great number of external variables. Keywords DATA MINING KNOWLEDGE R&D PROJECTS. REVISTA DE CIÊNCIA & TECNOLOGIA V. 12, Nº 23 pp
2 INTRODUÇÃO Oregistro de fatos e dados vem de milhares de anos, quando, há anos, às margens dos rios Tigre e Eufrates, os homens da época utilizavam tabletes de lama seca para registrar os tributos cobrados (Pyle, 1999). O desejo do homem em entender o modo como o conhecimento se forma e, também, a obtenção desse conhecimento vem de muitos séculos, sendo iniciado o efetivo uso de experimentos com máquinas para o acúmulo e tratamento do conhecimento explícito, como o realizado por Charles Babbage, um matemático que nasceu em Já em 1823, Babbage obteve suporte econômico para trabalhar no desenvolvimento de uma máquina para o tratamento de funções matemáticas, mas somente em 1834 ele desenvolveu a ferramenta denominada calculating engine que, apesar de ser uma brilhante idéia, possuía muitos problemas. Babbage veio a falecer em 1871 sem ver totalmente o seu invento funcionando (Peat, 1985). A semente lançada por Babbage se transformou no primeiro computador chamado Electronic Numerical Integrator and Calculator-Eniac, construído em 1944 por J. P. Eckert e J. W. Mauchy, com a ajuda de John von Neumann durante a fase de projeto. Seguindo o ENIAC, vieram os EDVAC, BINAC e UNIVAC, produzidos pelo Departamento dos Estados Unidos para realizar o Censo Americano. Em seguida, veio a IBM, que dominou o mercado de informática por um bom período até a explosão de crescimento dos computadores pessoais e o surgimento da Microsoft (Peat, 1985; Rodriguez, 1996). O que podemos ver hoje é que, com a evolução dos recursos computacionais, a quantidade de dados no mundo tem dobrado a cada ano, trazendo uma grande quantidade de informações sem importância, poluindo e obscurecendo aquelas realmente de grande importância para as organizações. Há casos em que a produção de informação gerada por uma organização em uma semana é bem maior do que o volume de informações que uma pessoa poderia ler durante toda a sua vida (Adriaans, 1998; Rodriguez, 1996). Certamente o aumento da quantidade de dados e informações é de grande importância para podermos gerar mais conhecimento sobre um determinado assunto e, com isso, decidir de forma mais acertada. Ocorre, no entanto, um paradoxo: o de se ter cada vez mais elementos, com um volume de informações sempre inferior ao crescimento desses dados. Assim, o que veremos a seguir será a apresentação e a utilização de técnicas computacionais que permitam extrair o conhecimento escondido em grandes volumes de dados históricos que, se analisados sem transformação e cruzamento adequados, nada poderão significar. A EVOLUÇÃO DA TECNOLOGIA PARA A MINERAÇÃO DE DADOS A partir de 1950, houve esforços no sentido de desenvolver ferramentas computacionais que possuíssem inteligência, os denominados sistemas baseados em inteligência artificial. Em 1958, foi desenvolvido por Frank Rosenblatt, do Laboratório de Aeronáutica de Cornell, o chamado percetron, uma das implementações que, mais tarde, seriam denominadas redes neuronais (Peat, 1985). No entanto, esses primeiros esforços não foram positivos e as pesquisas, suspensas. Somente em 1969 Minsky e Papert conseguiram provar que os percetrons desenvolvidos na década anterior poderiam aprender algumas regras bem simples, mas que não poderiam ser chamados de ferramentas que pudessem ter algum benefício prático. Restou, assim, apenas a idéia de learning machine e novamente não avançaram as pesquisas nesse sentido (Adriaans, 1998). No final da década de 1970, surgiu o conceito de analista do conhecimento, quando esse profissional tratava de explicitar o conhecimento de determinados especialistas, traduzindo esse conhecimento em regras do tipo se-então (if-then). Esse procedimento funcionou razoavelmente bem para sistemas de diagnósticos bem especializados, como a classificação geológica de amostras e o diagnóstico de falhas em equipamentos. No entanto, ele se mostrou bem limitado e bastante demorado, servindo, assim, para o acúmulo de conhecimento explícito que possuísse uma certa estabilidade no tempo. 38 jan./jun. 2004
3 Somente no início da década de 1980, quando surgiu uma nova geração de cientistas, começou a ter nova vida a idéia de máquinas que podiam aprender, por meio do desenvolvimento e uso de algoritmos para criar árvores de decisão a partir de uma classificação arbitrária de objetos. Ressurgiu, então, uma nova arquitetura, baseada, agora, à semelhança dos percetrons, tão criticados no passado por Minsky e Papert, aparecendo diversos outros algoritmos voltados para artificial neural networks (Peat, 1985). A forma das redes neuronais denominadas percetrons possui três camadas de nós: as unidades de entrada são chamadas fotorreceptores, as unidades intermediárias são denominadas associators e as unidades de saída, responders. Já as redes neuronais que utilizam o algoritmo de back-propagation possuem nós de entrada e saída e nós intermediários escondidos, sendo esse tipo de rede auto-ajustada, o que permite que ela mesma possa aprender a resolver questões apresentadas a partir de um processo de ajuste automático de suas funções internas (Adriaans, 1998). Já em 1981, Tuevo Kohonen demonstrou uma nova versão de rede neuronal, conhecida como Kohonen s self-organizing maps, que é uma coleção de neurônios ou unidades em que cada uma é conectada a um pequeno número de outras unidades, denominadas vizinhas (Adriaans, 1998). Em 1982, John Hopfield apresenta um primeiro trabalho sobre redes neuronais na Academia Nacional de Ciências dos EUA. A posição respeitada de Hopfield na comunidade científica contribuiu para que outros pesquisadores se interessassem pelo tema, além de um aumento significativo no suporte às pesquisas (Rodrigues, 1992). Em 1986, Rumelhart desenvolveu um algoritmo que aprendia as regras a partir de fatos e resultados, para uma rede de múltiplos níveis baseada no perceptron. Esse algoritmo é um dos mais utilizado atualmente e é denominado backpropagation (Sundararajan, 1998). Com esses novos recursos tecnológicos, criou-se a possibilidade de obtenção de um conhecimento que estivesse escondido hidden knowledge em uma grande quantidade de dados, surgindo os conceitos de KDD Knowledge Discovery in Databases e de data mining. Assim, com a utilização de uma base de dados contendo fatos e dados que irão auxiliar na busca de uma solução, usando o processo de KDD, conforme definição fornecida na Primeira Conferência Internacional sobre KDD em Montreal (1995), qual seja: KDD é um processo de extração não trivial, a partir de uma base de dados, de um conhecimento implícito previamente desconhecido e potencialmente útil (Adriaans, 1998). O objetivo do processo de KDD é a obtenção de informações escondidas nos dados, que não estão aptas a ser distinguidas em um primeiro momento. Assim, esse conhecimento não estará visível se for utilizada uma linguagem de consulta estruturada SQL Structure Query Language ou se analisados os dados a partir de uma ferramenta OLAP Online Analytical Processing Tool. Nesse caso, são usadas ferramentas de reconhecimento de padrões para a obtenção dos hidden data, sendo utilizados os pontos e as referências considerados importantes para a focalização da busca e a obtenção de um conhecimento ainda mais profundo deep knowledge, encontrado somente em pequenos pontos de conexão dos dados. Para efeito de definição, serão usadas aquelas contidas no Adriaans (1998): hidden knowledge: dados que podem ser facilmente encontrados a partir do uso de ferramentas de reconhecimento de padrões ou algoritmos de aprendizagem por computador machine learning; deep knowledge: informação armazenada em base de dados, mas que só pode ser localizada por meio de dicas ou cola que diga onde devemos procurar. Assim, podemos definir que a técnica de data mining é bastante multidisciplinar, composta por diversas especialidades, e utiliza o processo de KDD a partir de diversas tecnologias já desenvolvidas, como apresentado na figura 1. REVISTA DE CIÊNCIA & TECNOLOGIA V. 12, Nº 23 pp
4 Fig. 1. A extração do conhecimento escondido. Como principais vantagens identificadas no uso de data mining no estudo em questão, temos (Adriaans, 1998): grande quantidade de dados disponíveis em base de dados e relatórios, contendo informações de grande valor que, se mineradas e tratadas, podem contribuir para o direcionamento dos esforços na gestão da tecnologia; apesar de as informações estarem dispersas em algumas bases de dados e até em formato tipo texto, as tecnologias hoje disponíveis facilitam o seu agrupamento em uma única base de dados para estudo; diversidade de soluções tecnológicas aplicáveis, que vão desde a utilização de árvores de decisão, redes neuronais até algoritmos genéticos, ampliando para uma gama enorme de possibilidades de sucesso, em termos dos resultados a serem obtidos; capacidade de agrupar as diversas experiências pessoais dos profissionais que trabalharam nos diversos projetos, obtendo-se um somatório de experiências que nos indicará várias soluções possíveis e com maiores chances de sucesso em sua aplicação, já que retratará as diversas experiências registradas. O CARÁTER INOVADOR A prospecção do conhecimento contido em uma base de dados com centenas de projetos de tecnologia concluídos e avaliados pelos clientes constitui uma enorme fonte potencial para a obtenção de métricas relacionadas aos projetos de tecnologia. Portanto, a interpretação desses dados, as regras de formação que os unem, aqueles relacionados aos projetos que obtiveram sucesso, entre outras diversas informações e correlações possíveis, representam uma oportunidade única de obtenção do conhecimento escondido a partir dessa realidade registrada ao longo dos anos pela Petrobras/Cenpes. Vale notar que, nessa análise dos dados, é considerado como premissa que o sucesso de um projeto de tecnologia está diretamente relacionado ao fato de ele ter sido concluído e implantado. Assim, o caráter inovador deste trabalho encontra-se na metodologia ora desenvolvida, que utiliza o processo de mineração do conhecimento em base de dados para a identificação e apresentação das regras para o apoio à priorização dos projetos de tecnologia, conforme apresentado na figura jan./jun. 2004
5 Fig. 2. O caráter inovador metodologia e processos utilizados. MOTIVAÇÃO PARA USO DE ÁRVORES DE DECISÃO Especificamente para a pesquisa objeto deste estudo, foi utilizada a técnica baseada na construção de árvores de decisão, pelos seguintes motivos: uso de base de dados: facilidade na utilização de bases de dados, obtidos a partir de uma pesquisa de campo para o objeto de análise o Centro de Pesquisas da Petrobras. simplicidade no uso: explicitação de regras de forma eficiente, o que possibilitou a análise sob diversos pontos de vista a partir da indução de elementos desejados na árvore de decisão. capacidade de indução: além da simplicidade acima apresentada, foi possível a indução dos dados em função do grau de interesse desejado. Ou seja, a possibilidade de gerar uma árvore de decisão, eliminar alguns dos seus ramos e induzir outros dados para que uma nova análise fosse feita. precisão: possibilidade de obtenção dos resultados dentro do grau de precisão necessário à extração do conhecimento escondido nos dados. verificação das regras obtidas: possibilidade de verificação das regras obtidas a partir de uma massa de dados de validação. No caso, foram utilizados 80% dos dados para a obtenção das regras e os demais 20%, para validar as regras obtidas. No objeto deste estudo, foram geradas mais de cinqüenta árvores de decisão com o uso do software XpertRule Miner. Desse total, vinte foram selecionadas. Das vinte árvores de decisão, foram identificadas 63 regras que foram, depois, consolidadas em 14, observando-se os critérios abaixo relacionados para sua consolidação: interesse, completeza, precisão e compreensibilidade das regras (Nagai, 2000; Han, 2000; Fayyad, 1996). REVISTA DE CIÊNCIA & TECNOLOGIA V. 12, Nº 23 pp
6 O PROCESSO DE MINERAÇÃO DE DADOS O interesse no processo de KDD aumentou significativamente a partir da First International Conference on Knowledge Discovery and Data Mining. O termo KDD foi criado em 1989, para se referir ao processo, na sua forma mais ampla, de encontrar o conhecimento em dados e para enfatizar o alto nível da aplicação de métodos particulares de data mining (Fayyad, 1996). O interesse das organizações em estruturar seus dados de forma a poder tomar decisões seguras fez com que o uso de datawarehouse fosse uma evolução natural. Para tanto, essa grande base de dados com os diversos registros operacionais deve possuir uma estrutura de forma a ser: dependente do tempo: contém informações coletadas dentro de um período de tempo; não volátil: os seus dados não são atualizáveis, somente usados para consulta. por assunto: os seus dados são relativos a um determinado assunto e com base em informações coletadas de banco de dados operacionais. integrado: o seu modelo de dados deve ser integrado e consistente, mesmo que, externamente, haja sistemas não integrados. Para isso, a coleta dos dados deve ser criteriosa, de forma a garantir um armazenamento totalmente consistente e íntegro. Fig. 3. Estruturas de dados e técnicas de prospecção do conhecimento. A construção de um data warehouse ocorre a partir de bases de dados operacionais. Um subconjunto de um data warehouse pode se transformar em um datamart. Com técnicas de OLAP Online Analytical Processing ou o uso de queries estruturadas com o uso de SQL Standard Structured Query Language, os dados do datamart podem ser acessados pelo usuário e, por meio de técnicas de data mining, é possível extrair o conhecimento escondido em um datawarehouse, conforme apresentado na figura 3. A seguir, são descritas as etapas realizadas no processo de mineração de dados, conforme esquema apresentado na figura 4. Problema a ser resolvido Essa etapa [explicitar qual é a etapa] é uma das mais importantes de todo o processo de KDD, pois a identificação inadequada do problema certamente irá fazer com que o resto do processo que demandará maior tempo seja perdido ou não aproveitado integralmente, chegando a situações em que o objetivo inicialmente definido não seja atingido. Nestes casos, é necessário, portanto, retroceder ao ponto de partida. Essa etapa representa, em média, 20% do tempo total investido no processo de KDD, mas significa 80% em termos de importância para o processo como um todo (Pyle, 1999). 42 jan./jun. 2004
7 No estudo apresentado, foram investidos cinco meses (mar.-jul./99) na investigação do problema a ser tratado, com interações junto aos clientes, identificação de potenciais ferramentas computacionais para a solução do problema e um dos pontos fundamentais de todo o processo dos dados a serem utilizados para o estudo, além dos potenciais problemas que seriam enfrentados em sua coleta, para a construção de uma base de dados integrada e consistente. Nessa fase, foram determinadas algumas ferramentas computacionais a serem utilizadas, mas o mais importante foi a identificação do problema e a forma como ele poderia ser resolvido, com o uso de ferramentas computacionais disponíveis para cada etapa de solução do problema. Assim, foi mais importante saber a regra de formação dos dados, pois o que se buscava era o entendimento do comportamento dos dados para a explicitação de critérios que pudessem auxiliar na priorização futura dos projetos. Fig. 4. Etapas da metodologia adotada (Pyle, 1999). Seleção dos dados de base de dados operacionais No processo de seleção dos dados, as dificuldades que ocorreram foram as mais diversas, o que é reflexo da forma como ocorreu a evolução do armazenamento dos dados de projetos. No período de setembro de 1999 a abril de 2000, foram selecionados os dados a partir de: relatórios de avaliação de projetos, realizados pelos CTOs Comitês Tecnológicos Operacionais, disponibilizados em papel; relatórios resumo das atividades anuais do Cenpes; bases de dados em MS-Access obtidas junto à atividade de análise de consolidação dos projetos tecnológicos. Estas bases de dados foram utilizadas para a geração de relatórios de acompanhamento de projetos pelo Cenpes/Diplat/Seplat; bases de dados estruturadas de forma a atender a geração de relatórios de acompanhamento mensal e anual de projetos do Cenpes; e base de dados em Ingres do Sistema de Acompanhamento de Projetos do Cenpes, que vem sendo aprimorado a cada ano, a partir de 1996, permitindo que sua alimentação e consulta possa ser feita por cada profissional, de forma totalmente descentralizada. Denominado programa GPROJ Gerenciamento de Projetos, é utilizado para o acompanhamento de projetos do Cenpes. Dos dados obtidos dessas diversas fontes, foram consolidadas duas bases de dados em MS-Access, sendo uma relacionada a dados físico-financeiros dos projetos e a outra, a dados de avaliação dos clientes, conforme apresentado nas figuras 5 e 6, respectivamente. Os dados físico-financeiros correspondem àqueles acumulados pelo Cenpes no período de 1 de janeiro de 1996 até abril de REVISTA DE CIÊNCIA & TECNOLOGIA V. 12, Nº 23 pp
8 Os dados físicos e de custo dos projetos foram consolidados em uma base de dados contendo 619 registros de projetos com 37 campos, totalizando dados. Eles correspondem a projetos iniciados de 1996 até 2000 e com prazos de conclusão referentes ao período de 1996 a Já os dados de avaliação foram consolidados em uma segunda base de dados em MS-Access porque os projetos avaliados já haviam sido retirados da base de dados daqueles que estavam em andamento ou em fase final de conclusão e ainda não haviam migrado para aqueles com ficha de avaliação completada pelo cliente. Como os dados armazenados para os projetos concluídos e avaliados pelos clientes eram diferentes daqueles que se encontravam em andamento ou ainda na base de dados dos projetos ativos ou até concluídos, mas sem a avaliação dos clientes, foi necessário manter as duas bases de dados para efeito de análise. Já os dados de avaliação dos projetos pelos clientes foram consolidados em uma base de dados contendo 714 registros de projetos com 52 campos de dados, totalizando dados, relativos aos projetos iniciados de 1983 até 1998 e com os prazos de conclusão relativos ao período de 1985 a Fig. 5. Dados físico-financeiros dos projetos de tecnologia. Fig. 6. Dados de avaliação dos projetos de tecnologia pelos clientes. 44 jan./jun. 2004
9 Apesar de os dados coletados estarem no quinto ano consecutivo de armazenamento, o processo evolutivo de sua identificação e armazenagem o reflexo da evolução do processo de gestão da função tecnologia evoluiu muito, fazendo com que a base de dados de projetos armazenada em 1996 represente, no máximo, 10% daquela disponível no ano Ou seja, evoluiu muito em conteúdo e estrutura dos dados. Assim, se comparados os diversos anos em que os dados foram coletados, foram ocasionados os seguintes problemas: falta de integração dos dados: alguns dados estavam em banco de dados em MS-Access, outros migrando para uma base de dados em Ingress e outros, apenas em relatórios técnicos de avaliação dos projetos; falta de atualização dos dados: havia, até pelo próprio processo evolutivo da estrutura dos dados, uma não atualização de alguns dados e dados perdidos. Esse fato é plenamente entendido devido ao processo gradativo em que os alimentadores dos dados efetivamente foram assumindo esse papel, ao longo dos cinco anos de sua implantação; tempo de atualização dos dados: alguns dados demoraram muito para ser atualizados, por vezes devido à própria característica do projeto, que demandava um tempo mais longo para implantação e efetiva identificação do cumprimento do seu objetivo e do resultado final; falta de uma visão de longo prazo: como a construção da estrutura dos dados foi evoluindo a cada ano, a visão, em termos da estrutura dos dados, estava por vezes restrita às necessidades da época, dentro de óticas segmentadas e, por vezes, não sistêmicas do processo como um todo. Por exemplo, as perguntas relativas à avaliação dos projetos são pertinentes aos processos de execução e término, mas não estavam totalmente integradas com os critérios que priorizaram e fizeram com que um determinado projeto fosse executado. A visão de longo prazo se limitou ao processo de execução de um determinado projeto, e não ao processo mais abrangente, incluindo os critérios que o elegeram para ser executado; significado diferente: alguns dados possuíam significados diferentes, até por serem altamente subjetivos e de difícil quantificação, como o benefício potencial de um determinado projeto, que, dependendo do entendimento, poderia assumir qualquer valor. Por exemplo, uma nova tecnologia que viabilizasse todo um empreendimento poderia ser considerada como tendo um benefício no valor do projeto, pois sem ela o empreendimento não seria possível. Por outro lado, não seria somente essa nova tecnologia que viabilizaria o empreendimento, já que ele depende de vários outros componentes e recursos físicos e financeiros. Limpeza, consistência, enriquecimento e codificação dos dados A etapa seguinte à coleta e seleção dos dados foi o processo de limpeza, consistência, enriquecimento e codificação dos dados, iniciado nas seguintes datas: limpeza e consistência (jan.-ago./00); enriquecimento (mai.-ago./00); e codificação (mai.-ago./00). No processo de ajuste dos dados, cada etapa ocorreu seguindo a seqüência limpeza e consistência, enriquecimento e codificação. No entanto, esse ciclo foi realizado mais de uma vez, já que, após o primeiro ciclo, verificou-se, pelo resultado obtido, que novas análises deveriam ser feitas. Assim, foram executados três ciclos para a base de dados físico-financeiros e quatro ciclos para a base de dados de avaliação de clientes. As etapas de limpeza e consistência dos dados, enriquecimento e codificação ocorreram de forma cíclica, sendo que, a cada ciclo, uma melhoria incremental era proporcionada. Para tanto, foram geradas mais de trinta árvores de decisão, sendo que, a cada uma delas, um novo enriquecimento e codificação poderia ocorrer, em função de sua análise. Como exemplo de ações efetivamente realizadas nos diversos ciclos desse processo, temos: Agrupamento de dados Com relação aos dados de atraso de projeto, foi verificada a possibilidade de seu agrupamento, ficando em um único dado a informação de se houve atraso ou não, juntando-se, assim, os atrasos relativos ao planejamento, operacional ou por mudança de prioridade. De forma similar ao item acima, os dados referentes às causas dos atrasos nos projetos inicialmente descritos como atraso devido ao planejamento deficiente, atraso devido à falta de prioridade interna, atraso devido à falta de prioridade externa, atraso devido a problemas operacionais, atraso devido a acréscimo de REVISTA DE CIÊNCIA & TECNOLOGIA V. 12, Nº 23 pp
10 escopo do projeto, atraso devido à mudança nas bases de projeto, atrasos devido à espera de informações externas e atraso devido a outros problemas, como problemas operacionais, de pessoal, de cronograma, administrativos, de escopo, interrupção do projeto, indefinição do cliente quanto ao produto, dificuldades técnicas, dificuldades financeiras e decisão gerencial, entre outras foi simplificado para três tipos: o primeiro relativo à fase de planejamento; o segundo devido à mudança de prioridades e o terceiro, à execução do projeto. Os dados relativos à forma de transmissão das informações durante o projeto foram obtidos a partir da ficha de avaliação dos clientes e geraram perguntas específicas para cada tipo de transmissão das informações, ou seja: via reunião formal, via comunicação formal, via relatório ou outras formas, como a informal. Visando simplificar esses dados, eles foram agrupados em uma única entidade, denominada transmissão dos resultados. Os tipos de benefícios foram agrupados em voltados para o conhecimento, ou inovação, e em tangível operacional, ou melhoria contínua. Para as causas da não implantação, também havia cinco tipos de dados que puderam ser agrupados em um único: não implantação devido ao não alcance dos objetivos e não atendimento às expectativas dos clientes; não priorização pelos clientes e decisão gerencial; e não viabilidade econômica. Nesse caso, foram observadas nove formas de identificação das causas de atraso, mas, em termos de dados alimentados, somente foram identificados os três tipos de atraso acima, denotando que, quando da preparação da pesquisa, a expectativa era a de que houvesse um maior leque de opções para quem posteriormente fosse fazer os registros, o que não ocorreu na prática. Duplicidade de dados Dando continuidade à verificação de campos duplicados, os campos benefício e característica do benefício possuíam similaridades no seu conteúdo, sendo que o campo benefício era mais específico em relação ao tipo de benefício gerado pelo projeto. Assim sendo, foi eliminado o campo característica do benefício. No campo benefício instantâneo, havia o dado previsto e contabilizado ou efetivamente realizado. Nesse caso, foram eliminados os dados relativos à previsão, criando-se uma única coluna com os dos benefícios instantâneos, priorizando os referentes ao realizado e verificando aqueles relativos à previsão, antes da sua inserção em uma tabela única. Idem para os benefícios contínuos. Isso fez com que só ficasse uma informação relativa aos benefícios instantâneos e contínuos. Os dados que informavam sobre a situação dos projetos estavam em duplicidade com aqueles relativos ao projeto implantado, denotando a duplicidade de informações. Assim, eliminaram-se os dados referentes aos projetos implantados e essa informação foi incorporada, dependendo do caso, aos dados relativos à situação dos projetos, que, pelas possíveis respostas, mostrou-se mais completa, englobando os dados relativos ao projeto implantado. Inconsistência dos dados Foram verificados os registros relacionados a situação do projeto, objetivos propostos atendidos, qualidade de projeto, causas da não implantação do projeto e o seu tempo de implantação, sendo identificadas algumas inconsistências que foram corrigidas, como um projeto que tinha sido não implantado ou cancelado e que tinha atingido os seus objetivos, ou então um projeto que tinha sido implantado, mas que possuía uma causa da sua não implantação. Inconsistência e agrupamento de dados Foi verificado, após a criação de dez árvores de decisão, que os registros relativos à participação dos clientes nos projetos não estavam consistentes, havendo casos em que essa participação era apresentada como esporádica em um registro e também como não participante. Assim, os três registros referentes à participação do cliente foram unificados em um único registro que informa se a participação do cliente ocorreu ou não. 46 jan./jun. 2004
11 Inconsistência e falta de dados Foram verificados mais alguns dados faltantes, como os referentes aos objetivos atendidos. Por exemplo, o projeto foi cancelado e os objetivos atendidos não foram informados. Padronização na codificação Os dados relativos a órgão cliente e órgão avaliador foram estruturados de forma a possuírem a mesma codificação, sendo que, na grande maioria dos projetos, os órgãos clientes são também avaliadores. Ruído na geração de regras Os dados referentes às causas de não implantação dos projetos apresentaram uma grande quantidade de ruído, sendo necessária a sua eliminação da base de dados. Havia casos de projetos implantados que registravam as causas da não implantação e vice-versa. O número do projeto e o total de revisões foram eliminados do banco de dados, pois, na primeira árvore de decisão gerada, essa informação gerava muito ruído, já que eram listados, por exemplo, todos os projetos da base de dados de avaliação dos projetos, não trazendo um padrão de comportamento que pudesse ser traduzido em um conjunto de regras consistente. Assim, no processo de KDD, foram executados os seguintes procedimentos: limpeza: eliminação de erros nos dados coletados, duplicação, inconsistência; enriquecimento: com a inclusão de dados faltantes e a agregação de dados de outras bases; codificação: cada campo de dados foi codificado de forma a facilitar a geração das árvores de decisão, sendo observado que a codificação foi feita dentro de um padrão que facilitou a análise final das regras geradas. Por exemplo, a utilização de um mesmo código para a identificação dos clientes e órgãos da companhia terminou por facilitar o processo de análise das informações geradas no processo de KDD. Mineração dos dados Data mining No processo de data mining, foram construídas mais de cinqüenta árvores de decisão em que, a partir do nó topo ou nó raiz, estavam divididos os dados em cada nível, criando novos nós, que formavam os ramos e, finalmente, os nós que estavam no final, denominados nós folhas. O resultado primário do algoritmo é a própria árvore de decisão e, a partir dela, é aplicado o processo de indução. No caso, foi utilizado o software XpertRule Miner. Normalmente, a partir da primeira árvore gerada, havia necessidade de poda, com a eliminação de ramos que não demonstravam relevância ao problema analisado, e, na medida da necessidade, eram induzidos alguns nós, de forma a verificar o comportamento da árvore e a conseqüente correlação entre os dados apresentados. A utilização do XpertRule Miner para o estudo em questão deveu-se aos seguintes fatores: facilidade de acesso aos dados: apresenta uma interface com acesso a diferentes estruturas de dados, desde banco de dados até a formatação tipo texto, facilitando bastante o acesso a informações externas; interface amigável: apresenta uma interface amigável de grande capacidade gráfica e de interação durante o processo de construção das árvores de decisão, facilitando esta tarefa; facilidade de indução: apresenta uma excelente facilidade de indução de dados a árvores de decisão previamente definidas, permitindo uma grande agilidade no processo de obtenção do conhecimento escondido nos dados; massa de testes: permite a utilização de uma massa de dados para testes, facilitando o processo de verificação da robustez das regras obtidas. No caso, foi usada uma massa de dados correspondente a 80% do total de dados. Para a massa de dados de teste, foram usados os demais 20%; explicitação das regras: permite a explicitação das regras dentro do processo desejado de KDD. No processo de data mining, a árvore de decisão era gerada em um primeiro momento e, depois de sua poda, se necessário, eram forçados alguns nós adicionais em função dos objetivos desejados. Como resultado do processo de KDD, são apresentadas, a seguir, algumas das regras selecionadas a partir de mais de cinqüenta árvores de decisão geradas, que foram objeto de análise. Para efeito de verificação REVISTA DE CIÊNCIA & TECNOLOGIA V. 12, Nº 23 pp
12 da robustez das regras obtidas, foi realizado em pelo menos 40% das árvores geradas um teste que usou 20% dos dados coletados aleatoriamente da base de dados para validação e teste das regras. Foram obtidos resultados positivos, devido a alterações não significativas, ou seja, que variaram de 0-10% das regras selecionadas. Soluções e alternativas obtidas Finalmente, a partir de um conjunto de análises das árvores de decisão, foram obtidas mais de oitenta regras a partir do conhecimento escondido nas bases de dados dos projetos de tecnologia. Quadro 1. Regras consolidadas priorizando os projetos concluídos e não implantados, cancelados ou interrompidos. PROJETOS CONCLUÍDOS E NÃO IMPLANTADOS, CANCELADOS OU REGRAS OCORRÊNCIA DA REGRA NOS PROJETOS INTERROMPIDOS 100% 100% 100% Se o custo de overhead for < US$ ,48 e HH de nível médio realizado for >= 119 e HH de nível superior realizado for < 182 e Benefício continuo >= US$ ,80 e com recursos próprios Se o total de HH de nível superior for >= 483 e O projeto for cancelado ou não implantado 82,6% dos benefícios são voltados para os intangíveis - conhecimento e inovação e 17,40% dos benefícios são votados para os tangíveis - melhoria contínuo ou operacional Se tempo de implantação for < 1 ano e O total de HH de nível superior for < 138 e com recursos próprios No processo de formação das árvores, o XpertRule gerava uma primeira árvore, com a definição do seu nó de topo, para, então, ser criada a árvore de decisão. A geração de uma árvore de decisão demandava, em média, noventa minutos. Em seguida, eram efetuadas as devidas podas e inclusões de novos nós, forçando a explicitação de regras que poderiam trazer um resultado importante para o objetivo a ser atingido, que era a identificação de regras que fossem interessantes, dentro da precisão desejada e pouco complexa, e que pudessem auxiliar na priorização dos projetos de tecnologia. Do total de 85 regras inicialmente obtidas, algumas foram descartadas pela sua obviedade ou pouca significância. Foram selecionadas 63 regras e obteve-se um conjunto consolidado de regras relacionadas aos projetos concluídos e não implantados, cancelados ou interrompidos, conforme apresentado no quadro 1. As regras consolidadas referentes aos projetos concluídos e implantados ou em implantação são apresentadas no quadro 2. Análise das regras obtidas para os projetos que não obtiveram sucesso Em relação às regras obtidas para o auxílio na priorização dos projetos de tecnologia, foram feitas as análises descritas a seguir (Han, 2000; Nagai, 2000). Quanto ao interesse das regras: as regras obtidas possuem uma lógica utilizável quando as correlacionamos ao objeto deste estudo, que é a identificação de projetos que não obtiveram sucesso, ou seja, projetos que foram concluídos e não implantados, cancelados ou interrompidos. Modelos de regras: os modelos apresentados casam com os objetivos deste estudo, que é a identificação de regras que auxiliem na priorização dos projetos de tecnologia. Utilizando uma das regras, observamos que os projetos com tempo de implantação inferior a um ano, um total de homens-hora de nível superior abaixo de 138 e desenvolvidos com recursos próprios possuem 100% de chance de serem concluídos e não implantados, cancelados ou interrompidos. 1,2% 3,2% 6% 48 jan./jun. 2004
13 Cobertura de regras mínimas: de um conjunto de 63 regras, foram selecionadas aquelas que cobrem o maior número de exemplos do conjunto de dados. Desse conjunto, foram escolhidas três regras, conforme apresentado no quadro 2. Acionabilidade das regras: as regras obtidas são consideradas úteis ao uso, pois auxiliam os usuários na identificação de possíveis projetos de fracasso. Inesperabilidade das regras: a primeira e terceira regras do quadro 2 apresentaram um fator de inesperabilidade relacionado aos recursos que validam as regras somente quando os recursos foram próprios da companhia, não sendo aplicáveis àqueles projetos que utilizam verbas externas. Completeza: a completeza das regras está relacionada ao total de exemplos que elas cobrem dentro de um conjunto de dados. Nas regras acima identificadas, a completeza varia de 1,2% a 6%. Apesar desse baixo indicador, a taxa de acerto da regra é de 100%, em todos os casos. Precisão: considerando os dados utilizados e o grau de precisão que se deseja no processo de seleção de projetos, as regras obtidas e consolidadas atendem plenamente ao desejado. Compreensibilidade: é adequado um grau de compreensibilidade inferior a cinco quando utilizada a fórmula para a identificação da complexidade das regras, qual seja: 0,6 x número de regras (= 3) + 0,4 x número de cláusulas (= 4 ( )/3), que é igual a 1,8 + 1,6 = 3,4. Portanto, abaixo do valor recomendado, que é de cinco (Han, 2000; Fayyad, 1996). Assim, estão demonstrados os critérios de interesse, de precisão e de compreensibilidade necessários para que o conjunto de regras selecionadas seja utilizável e possua uma lógica adequada ao entendimento humano. Quadro 2. Regras consolidadas priorizando os projetos concluídos e implantados e em implantação. PROJETOS CONCLUÍDOS E IMPLANTADOS OU EM IMPLANTAÇÃO REGRAS OCORRÊNCIA DA REGRA NOS PROJETOS 100% Se o total HH nível superior for > 138 e < 510 e o total de HH nível médio for < 116 HHNM; 63,7% o tempo de implantação for < 1 ano 91,1% Se o total de HH nível superior for > 138 e < 674 e o benefício for intangível 53,6% 89,3% Se o total de HH nível superior for > 138 e < 630 e não tiver a participação do cliente 62,2% 88,8% Se o total de HH nível superior for > 138 e < 504 e tiver a participação do cliente 68,8% 100% Se o total HH nível superior for >= 1023 e <4425 e o total HH nível médio for >= 360 e < 5832 e 13,2% o tempo de implantação for =< 1 ano 100% Se o tempo de implantação for > = 3 anos e tiver a participação do cliente 36,6% 100% Se o total de HH nível superior for >= 6667 e tiver a participação do cliente 3,5% 97,2% Se o total de HH nível superior for >= 504 e < 1521 e tiver a participação do cliente e o projeto com plena qualidade 59,7% 95,7% Se o total de HH nível superior for >= 4384 e O total de HH nível médio for < 576 HHNM e 66,4% O objetivo plenamente atendido 87,1% Se o total HH nível superior for >= 182 e O total de HH nível médio for < 119 e 23,9% O overhead for < US$ 242mil 80,3% Se o total de HH nível médio for < 6494 e O total de HH nível superior for > 138 O overhead for >= US$ 242mil 25,5% REVISTA DE CIÊNCIA & TECNOLOGIA V. 12, Nº 23 pp
14 Análise das regras obtidas para os projetos que obtiveram sucesso Em relação às regras obtidas para o auxílio na priorização dos projetos de tecnologia, em especial os que obtiveram sucesso, ou seja, aqueles concluídos e implantados ou em implantação, foram feitas as análises descritas a seguir (Han, 2000; Nagai, 2000). Quanto ao interesse das regras: as regras obtidas possuem uma lógica utilizável quando as correlacionamos ao objeto deste estudo, que é a identificação de projetos que obtiveram sucesso, ou seja, os que foram concluídos e implantados ou estão em fase de implantação. Analisando as medidas de interesse nas dimensões abaixo apresentadas, temos: Modelos de regras: os modelos apresentados combinam com os objetivos deste estudo, que é a identificação de regras que auxiliem na priorização dos projetos de tecnologia. Cobertura de regras mínimas: foram selecionadas, de 63 regras, aquelas que cobrem o maior número de exemplos do conjunto de dados. Desse conjunto, foram escolhidas 11 regras; Acionabilidade das regras: as regras obtidas são consideradas úteis ao uso, pois auxiliam os usuários na identificação de possíveis projetos de sucesso; Inesperabilidade das regras: apresentaram um fator de inesperabilidade relacionado à participação dos clientes nos projetos. Observando as terceira e quarta regras, verifica-se que a participação do cliente reduz o limite superior de homens-hora de nível superior de 630 para 504, sinalizando que sua participação nos projetos reduz os gastos, provavelmente pelo fato de haver um melhor direcionamento às suas necessidades, diminuindo as perdas de tempo e de recursos. Completeza da regra: a proporção do número de exemplos cobertos por uma determinada regra, demonstrada pela equação a seguir, sendo esse percentual identificado na coluna de ocorrência da regra nos projetos: Completeza = número de exemplos cobertos pela regra Número total de exemplos A completeza das regras está relacionada ao total de exemplos que elas cobrem dentro de um conjunto de dados. Nas regras acima identificadas, a completeza varia de 63,7% a 3,5%. Nesse conjunto, o índice de completeza apresentado é bem elevado, em especial se considerada a taxa de acerto da regra, que varia de 80,3% a 100%. Ou seja, é bastante elevada, tornando o conjunto de regras bem robusto. Precisão: considerando os dados utilizados e o grau de precisão que se deseja no processo de seleção de projetos, as regras obtidas e consolidadas atendem plenamente ao desejado. Compreensibilidade: possuem um grau de complexidade inteligível ao ser humano. Entendendo-se que a complexidade de uma regra é medida pelo número de cláusulas que ela possui associada ao total de regras, ou seja, Complexidade das regras = 0,6* número de regras + 0,4* número de cláusulas uma complexidade menor do que cinco é considerada a adequado para os seres humanos terem um perfeito entendimento da regra apresentada. Quanto menor o grau de complexidade das regras, maior será o grau de compreensibilidade das regras obtidas, e quanto mais simples e com menos nós for a árvore, mais compreensíveis serão as regras obtidas. Para tanto, o ajuste do número de nós da árvore possibilita a obtenção de regras de adequadas complexidade e abstração. É adequado um grau de compreensibilidade inferior a cinco quando utilizada a fórmula para a identificação da complexidade das regras, qual seja: 0,6 x número de regras (= 5 conjuntos de regras) + 0,4 x número médio de cláusulas (= 2,54), que é igual a 3 + 1,02 = 4,02. Portanto, abaixo do valor recomendado, que é de 5 (Han, 2000). São, assim, demonstrados os critérios de interesse, de precisão e de compreensibilidade necessários para que o conjunto de regras selecionadas seja utilizável e possua uma lógica adequada ao entendimento humano. 50 jan./jun. 2004
15 A grande vantagem da definição de critérios por um fórum decisório para a seleção de projetos de P&D é a explicitação das metas e dos objetivos da instituição (Lee, 1996). Além disso, a proposição de projetos considerando esses critérios garante o foco nos negócios para a carteira de projetos. Um processo de seleção articulado e conciso, com critérios bem definidos, facilita o relacionamento entre os que propõem, os que decidem e os que executam os projetos, uma vez que ficam claros os motivos da aceitação ou rejeição das solicitações (Gonzaga, 1997). Dessa forma, com as regras obtidas a partir do processo de KDD, é disponibilizado um conjunto de informações para o aprimoramento do processo atual de priorização dos projetos de tecnologia. CONCLUSÕES E RECOMENDAÇÕES FINAIS O trabalho ora apresentado, fortemente construído a partir do conhecimento tácito de especialistas e de fatos e dados registrados ao longo dos anos, demonstram que é possível, a partir de fatos, dados e conhecimento, identificar padrões de comportamento que possam nortear a priorização de projetos sujeitos a uma grande quantidade de variáveis endógenas e exógenas, aprimorando, a cada nova medição, os resultados obtidos. Para tanto, é necessário trabalhar sistematicamente na estrutura dos dados a serem coletados, dentro de uma visão futura do seu uso, que servirá não somente para correções de rumo específicas de cada projeto, mas também para o aprimoramento na definição de padrões de comportamento e a identificação, com maior precisão, dos projetos que tendem a ter sucesso e daqueles que não terão. Assim, com base neste estudo, são válidas as observações listadas a seguir. A importância dos clientes: é de fundamental importância identificar e classificar os clientes dos projetos tecnológicos e seus possíveis sonhos e aplicação para a solução de questões relacionadas aos processos, produtos e mercado. Isso significa que, acima dos ideais de dispor de uma tecnologia de ponta, sempre é necessário considerar as necessidades dos clientes. É possível observar isso de uma outra forma quando se verifica que a participação do cliente no desenvolvimento dos projetos faz com que o total de recursos gastos em homens-hora seja menor, indicando que ele é de grande importância para o adequado direcionamento dos empreendimentos. Com fatos e dados, é possível identificar similaridades importantes para a melhoria dos processos de gestão: isso significa que a forma como os recursos são demandados para a execução de um projeto e o processo de execução e implantação podem trazer fortes sinalizações sobre a melhor forma de gerir um processo tecnológico futuro. Assim, a coleta sistemática e a análise de dados podem dar uma grande contribuição, em termos das melhores práticas de gestão. Assim como os clientes, os projetos possuem certas similaridades que, em muitos casos, poderão ser explicitadas a partir de um processo de KDD. Por isso, a necessidade de construir e manter uma base de dados de projetos é de grande importância para que essas similaridades aflorem e possam ser aprimoradas as regras que levam os projetos tecnológicos ao sucesso. Validação das regras: a validação das regras obtidas pela metodologia de mineração de dados é de grande importância. Considerando que os processos e seus contextos mudam a cada momento e que as regras obtidas são o resultado desse conjunto de fatores internos e externos, a sua validação de forma sistêmica e dinâmica é de grande importância, já que o mercado e as suas necessidades se modificam continuamente. Acúmulo do conhecimento tácito e escondido: a metodologia proposta permite a explicitação do conhecimento escondido e do conhecimento tácito, criando um processo de melhoria contínua e acumulativa, sendo uma ferramenta poderosa no auxílio à priorização de projetos de elevado risco e, normalmente, de elevada recompensa para os que obtiverem sucesso. Alinhamento dos projetos às diretrizes tecnológicas: a utilização de comitês tecnológicos estratégicos e operacionais, tendo como base de sustentação tecnológica uma rede de inteligência constituída de especialistas, tem se apresentado como uma fórmula de sucesso na gestão de projetos tecnológicos. Assim, a metodolo- REVISTA DE CIÊNCIA & TECNOLOGIA V. 12, Nº 23 pp
16 gia proposta, baseada em um sistema balanceado de métricas, com poucos macroindicadores (no máximo dez) e atrelado ao modelo existente, torna o sistema de grande valia, pelo fato de possibilitar o estabelecimento de um direcionamento único conhecido por todos e quantificável, facilitando a visualização, por cada um, de quanto a sua colaboração está contribuindo para o resultado global da função tecnologia. Visão sistêmica na estruturação da base de dados: desde a fase de levantamento das demandas tecnológicas, a partir das estratégias tecnológicas emanadas do CTE Comitê Tecnológico Estratégico até a conclusão e avaliação final do projeto pelo cliente, são necessárias várias informações, que são usadas em cada momento específico. Mas, para o aprimoramento da identificação dos projetos que obtiveram sucesso ou não, é necessário compatibilizar os dados relacionados em cada uma dessas etapas. Assim, é possível garantir que o critério definido para a seleção de um determinado projeto seja posteriormente avaliado pelo cliente, de forma a verificar se ele foi realmente eficaz na fase de conclusão e implantação. Finalmente, como conclusões e recomendações finais, temos: sucesso na extração do conhecimento com os dados coletados: o processo de mineração de dados obteve sucesso ao extrair, de um conjunto de dados não inicialmente preparado para tal, um conjunto de regras que podem ser utilizadas como subsídio e apoio à priorização de projetos de tecnologia. a necessidade de estruturar uma base de dados com a intenção de prospectar conhecimento: foi verificado que os ganhos a serem alcançados com a construção de uma base de dados já com o objetivo futuro de extrair o conhecimento para a priorização dos projetos de tecnologia poderá redundar em uma enorme economia, em função da obtenção do conhecimento escondido nos dados e da eliminação da coleta de dados não necessários ao processo e que acabam por demandar tempo e dinheiro sem um retorno efetivo do investimento praticado. validação das regras: o processo de consolidar e validar as regras é fundamental para garantir a robustez das regras obtidas a partir da massa de dados minerada. Assim, o processo de separar, aleatoriamente, 20% dos dados para posterior validação é de grande importância para o resultado final do processo. validação com outra base de dados: após a constituição e validação das regras para um conjunto específico de dados, a sua validação com outras bases de dados irá trazer resultados ainda melhores e mais apurados, dependendo, novamente, do conhecimento tácito dos especialistas que irão analisar as normas obtidas. No estudo em questão, a validação de uma norma obtida da massa de dados relativos à avaliação dos clientes junto à massa de dados físicos e de custos dos projetos fez com que fosse necessário complementar a regra inicialmente obtida. Como exemplo: foi obtida a regra que projetos com < 138 HHNS e com um tempo de implantação < um ano seriam projetos concluídos e não implantados, ou interrompidos ou cancelados. O fato é que, ao validar essa norma com a base de dados físicos e de custos, surgiram projetos que estavam em andamento, o que não correspondia à regra inicialmente obtida. Analisando em maior profundidade, verificou-se que os projetos em andamento usavam recursos externos à companhia. Logo, foi necessário incluir na regra que ela era válida somente para projetos realizados com recursos próprios. TRABALHOS FUTUROS Com relação aos dados: com base nas regras obtidas, pode ser verificado, à luz das características da sociedade do conhecimento, que novos dados devem ser considerados em futuras análises em bases de dados de projetos de tecnologia, como: química das pessoas: a explicitação se as equipes responsáveis pelos projetos possuíam a sinergia adequada a um eficiente desenvolvimento do projeto; competências: a explicitação se as competências necessárias à execução do projeto estavam presentes durante sua execução; 52 jan./jun. 2004
17 capital intelectual: o acréscimo no valor do capital intelectual proporcionado pelo projeto após sua conclusão e implantação; liderança: o esforço de liderança desenvolvido ao longo da execução do projeto. Com relação às técnicas: trabalhos futuros podem ser desenvolvidos, com base neste estudo, visando ao aprimoramento das técnicas usadas para a extração do conhecimento de base de dados, quais sejam: estruturação de um sistema integrado de projetos: a arquitetura de informações relacionada ao processo de gestão de projetos de tecnologia poderá estar apoiada nas dimensões operacional, colaborativa e analítica, de forma similar ao processo CRM Customer Relationship Management; ferramenta de inferência ou verificação da priorização dos projetos: a utilização de uma ferramenta que permita a entrada de potenciais projetos e a saída de projetos já priorizados baseada nas regras obtidas do processo de KDD e nos critérios de priorização dos projetos, na percepção de especialistas. Essas regras poderão ser dinamicamente atualizadas. Vale a observação de que mesmo essa ferramenta deverá servir de apoio ao processo decisório, não visando à substituição do processo decisório, já que todo o conhecimento tácito não estará presente nesse processo. Assim, somente parte do conhecimento explícito estará disponível, mesmo sendo periodicamente incrementado; ferramenta de seleção automatizada de regras: a obtenção de regras utilizando o processo de KDD é demorada e complexa. No entanto, sua automatização poderá ser obtida a partir do uso de algoritmos genéticos, usando para tanto a definição de uma função de adequabilidade e dos critérios de formação das regras a serem obtidas para o algoritmo genético a ser utilizado; uso de redes neuronais: o aprendizado por meio de redes neuronais poderá ser uma solução quando, em um primeiro momento, a explicitação das regras não for fundamental. E, adicionalmente, mesmo sendo necessária a explicitação das regras, poderá ser feito a partir da extração dos pesos em cada ponto nodal, o que, apesar de demandar mais tempo, é perfeitamente viável. REFERÊNCIAS BIBLIOGRÁFICAS ADRIAANS, P. & ZANTINGE, D. Data Mining. England: Addison-Wesley Press, FAYYAD, U. et al. Advances in Knowledge Discovery and Data Mining. Massachusetts: AAAI Press/The MIT Press, GONZAGA, S.M. & MENEZES, A.C. Metodologia de Priorização de Projetos no Cenpes. Petrobras/Cenpes (artigo divulgado internamente), Rio de Janeiro, HAN, J. & KAMBER, M. Data Mining concepts and techniques. San Diego: Academic Press, LEE, M. & OM, K. Different Factors Considered in Project Selection at Public and Private R&D Institutes. England, Technovation: an international journal of technical innovation and entrepreneurship, NAGAI, W.A. Avaliação do conhecimento extraído de problemas de regressão. São Carlos: Universidade de São Paulo, [Tese de mestrado]. PEAT, D. Artificial Intelligence: how machines think. New York: Baen Enterprises, PYLE, D. Data Preparation for Data Mining. San Francisco: Morgan Kaufmamm Publishers, RODRIGUES, F.S. & Neto, I.A.Q. Aplicações de inteligência artificial na identificação de eletrofácies redes neuronais versus análise discriminante. Boletim de Geociências, Rio de Janeiro, Petrobras, RODRIGUEZ, M.V.R. & FERRANTE, A. Information Technology for the 2 st Century: managing the change. Inglaterra: CM Publications, RODRIGUEZ, M.V.R. Gestão Empresarial organizações que aprendem. Rio de Janeiro: Qualitymark, SUNDARARAJAN, N. & SARATCHANDRAN, P. Parallel architetures for artificial neural networks. Paradigms and Implementations, California, IEEE Computer Society, Dados dos autores MARTIUS VICENTE RODRIGUEZ Y RODRIGUEZ Teacher and Research Engineer of UFF Universidade Federal Fluminense REVISTA DE CIÊNCIA & TECNOLOGIA V. 12, Nº 23 pp
18 NELSON FRANCISCO FAVILLA EBECKEN Teacher and Senior Research Engineer of UFRJ Universidade Federal do Rio de Janeiro Recebimento do artigo: 29/ago./03 Consultoria: 22/set./03 a 18/dez./03 Aprovado: 18/dez./03 54 jan./jun. 2004
DATA WAREHOUSE. Introdução
DATA WAREHOUSE Introdução O grande crescimento do ambiente de negócios, médias e grandes empresas armazenam também um alto volume de informações, onde que juntamente com a tecnologia da informação, a correta
Leia maisPlanejamento Estratégico de TI. Prof.: Fernando Ascani
Planejamento Estratégico de TI Prof.: Fernando Ascani BI Business Intelligence A inteligência Empresarial, ou Business Intelligence, é um termo do Gartner Group. O conceito surgiu na década de 80 e descreve
Leia maisPROCESSO DE DESENVOLVIMENTO DE SOFTWARE. Modelos de Processo de Desenvolvimento de Software
PROCESSO DE DESENVOLVIMENTO DE SOFTWARE Introdução Modelos de Processo de Desenvolvimento de Software Os modelos de processos de desenvolvimento de software surgiram pela necessidade de dar resposta às
Leia maisAdriano Maranhão BUSINESS INTELLIGENCE (BI),
Adriano Maranhão BUSINESS INTELLIGENCE (BI), BUSINESS INTELLIGENCE (BI) O termo Business Intelligence (BI), popularizado por Howard Dresner do Gartner Group, é utilizado para definir sistemas orientados
Leia maisAbordagem de Processo: conceitos e diretrizes para sua implementação
QP Informe Reservado Nº 70 Maio/2007 Abordagem de Processo: conceitos e diretrizes para sua implementação Tradução para o português especialmente preparada para os Associados ao QP. Este guindance paper
Leia maisCRM. Customer Relationship Management
CRM Customer Relationship Management CRM Uma estratégia de negócio para gerenciar e otimizar o relacionamento com o cliente a longo prazo Mercado CRM Uma ferramenta de CRM é um conjunto de processos e
Leia maisISO/IEC 12207: Gerência de Configuração
ISO/IEC 12207: Gerência de Configuração Durante o processo de desenvolvimento de um software, é produzida uma grande quantidade de itens de informação que podem ser alterados durante o processo Para que
Leia maisLaudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1
Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1 SISTEMA DE APOIO À DECISÃO Grupo: Denilson Neves Diego Antônio Nelson Santiago Sabrina Dantas CONCEITO É UM SISTEMA QUE AUXILIA O PROCESSO DE DECISÃO
Leia maisPós-Graduação em Gerenciamento de Projetos práticas do PMI
Pós-Graduação em Gerenciamento de Projetos práticas do PMI Planejamento do Gerenciamento das Comunicações (10) e das Partes Interessadas (13) PLANEJAMENTO 2 PLANEJAMENTO Sem 1 Sem 2 Sem 3 Sem 4 Sem 5 ABRIL
Leia maisMetodologia de Gerenciamento de Projetos da Justiça Federal
Metodologia de Gerenciamento de Projetos da Justiça Federal Histórico de Revisões Data Versão Descrição 30/04/2010 1.0 Versão Inicial 2 Sumário 1. Introdução... 5 2. Público-alvo... 5 3. Conceitos básicos...
Leia maisAdministração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados
Universidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática 2006.2 Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento
Leia maisFATEC Cruzeiro José da Silva. Ferramenta CRM como estratégia de negócios
FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Cruzeiro SP 2008 FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Projeto de trabalho de formatura como requisito
Leia maisProfissionais de Alta Performance
Profissionais de Alta Performance As transformações pelas quais o mundo passa exigem novos posicionamentos em todas as áreas e em especial na educação. A transferência pura simples de dados ou informações
Leia maisGestão do Conhecimento A Chave para o Sucesso Empresarial. José Renato Sátiro Santiago Jr.
A Chave para o Sucesso Empresarial José Renato Sátiro Santiago Jr. Capítulo 1 O Novo Cenário Corporativo O cenário organizacional, sem dúvida alguma, sofreu muitas alterações nos últimos anos. Estas mudanças
Leia maisDATA WAREHOUSE NO APOIO À TOMADA DE DECISÕES
DATA WAREHOUSE NO APOIO À TOMADA DE DECISÕES Janaína Schwarzrock jana_100ideia@hotmail.com Prof. Leonardo W. Sommariva RESUMO: Este artigo trata da importância da informação na hora da tomada de decisão,
Leia maisUniversidade de Brasília Faculdade de Economia, Administração, Contabilidade e Ciência da Informação e Documentação Departamento de Ciência da
Universidade de Brasília Faculdade de Economia, Administração, Contabilidade e Ciência da Informação e Documentação Departamento de Ciência da Informação e Documentação Disciplina: Planejamento e Gestão
Leia maishttp://www.microsoft.com/pt-br/case/details.aspx...
Casos de Sucesso A Cyrela está completamente focada no pós-venda e a utilização do Microsoft Dynamics 2011 só reflete mais um passo importante na busca pela qualidade do atendimento ao cliente Roberto
Leia maisMetodologias de Desenvolvimento de Sistemas. Analise de Sistemas I UNIPAC Rodrigo Videschi
Metodologias de Desenvolvimento de Sistemas Analise de Sistemas I UNIPAC Rodrigo Videschi Histórico Uso de Metodologias Histórico Uso de Metodologias Era da Pré-Metodologia 1960-1970 Era da Metodologia
Leia maisMODELO CMM MATURIDADE DE SOFTWARE
MODELO CMM MATURIDADE DE SOFTWARE O modelo CMM Capability Maturity Model foi produzido pelo SEI (Software Engineering Institute) da Universidade Carnegie Mellon (CMU), em Pittsburgh, EUA, por um grupo
Leia maisNo mundo atual, globalizado e competitivo, as organizações têm buscado cada vez mais, meios de se destacar no mercado. Uma estratégia para o
DATABASE MARKETING No mundo atual, globalizado e competitivo, as organizações têm buscado cada vez mais, meios de se destacar no mercado. Uma estratégia para o empresário obter sucesso em seu negócio é
Leia maisMUDANÇAS NA ISO 9001: A VERSÃO 2015
MUDANÇAS NA ISO 9001: A VERSÃO 2015 Está em andamento o processo de revisão da Norma ISO 9001: 2015, que ao ser concluído resultará na mudança mais significativa já efetuada. A chamada família ISO 9000
Leia maisMRP II. Planejamento e Controle da Produção 3 professor Muris Lage Junior
MRP II Introdução A lógica de cálculo das necessidades é conhecida há muito tempo Porém só pode ser utilizada na prática em situações mais complexas a partir dos anos 60 A partir de meados da década de
Leia maisIntrodução à Computação
Aspectos Importantes - Desenvolvimento de Software Motivação A economia de todos países dependem do uso de software. Cada vez mais, o controle dos processos tem sido feito por software. Atualmente, os
Leia maisSETIS- III Seminário de Tecnologia Inovação e Sustentabilidade 4 e 5 de novembro de 2014.
A importância da comunicação no gerenciamento de projetos de softwares: reflexões teóricas Lucas Krüger lucas_kruger-@hotmail.com Resumo: Esse artigo objetiva estudar a comunicação entre cliente e desenvolvedor
Leia maisGESTÃO DAS INFORMAÇÕES DAS ORGANIZAÇÕES MÓDULO 11
GESTÃO DAS INFORMAÇÕES DAS ORGANIZAÇÕES MÓDULO 11 Índice 1. Importância do ERP para as organizações...3 2. ERP como fonte de vantagem competitiva...4 3. Desenvolvimento e implantação de sistema de informação...5
Leia maisUniversidade Federal de Goiás UFG Campus Catalão CAC Departamento de Engenharia de Produção. Sistemas ERP. PCP 3 - Professor Muris Lage Junior
Sistemas ERP Introdução Sucesso para algumas empresas: acessar informações de forma rápida e confiável responder eficientemente ao mercado consumidor Conseguir não é tarefa simples Isso se deve ao fato
Leia maisData Warehouse. Debora Marrach Renata Miwa Tsuruda
Debora Marrach Renata Miwa Tsuruda Agenda Introdução Contexto corporativo Agenda Introdução Contexto corporativo Introdução O conceito de Data Warehouse surgiu da necessidade de integrar dados corporativos
Leia maisCHECK - LIST - ISO 9001:2000
REQUISITOS ISO 9001: 2000 SIM NÃO 1.2 APLICAÇÃO A organização identificou as exclusões de itens da norma no seu manual da qualidade? As exclusões são relacionadas somente aos requisitos da sessão 7 da
Leia maisGerenciamento da Integração (PMBoK 5ª ed.)
Gerenciamento da Integração (PMBoK 5ª ed.) O PMBoK diz que: O gerenciamento da integração do projeto inclui os processos e as atividades necessárias para identificar, definir, combinar, unificar e coordenar
Leia maisDesenvolvimento de um software de gerenciamento de projetos para utilização na Web
Resumo. Desenvolvimento de um software de gerenciamento de projetos para utilização na Web Autor: Danilo Humberto Dias Santos Orientador: Walteno Martins Parreira Júnior Bacharelado em Engenharia da Computação
Leia maisModelo Cascata ou Clássico
Modelo Cascata ou Clássico INTRODUÇÃO O modelo clássico ou cascata, que também é conhecido por abordagem top-down, foi proposto por Royce em 1970. Até meados da década de 1980 foi o único modelo com aceitação
Leia maisSolitaire Interglobal
Solitaire Interglobal POWERLINUX OU WINDOWS PARA IMPLANTAÇÃO SAP Escolher entre as plataformas concorrentes de sistema operacional Linux e Windows para SAP pode ser uma tarefa confusa para as organizações.
Leia maisGestão Estratégica de Marketing
Gestão Estratégica de Marketing A Evolução do seu Marketing Slide 1 O Marketing como Vantagem Competitiva Atualmente, uma das principais dificuldades das empresas é construir vantagens competitivas sustentáveis;
Leia maisUniversidade de Brasília Faculdade de Ciência da Informação Profa. Lillian Alvares
Universidade de Brasília Faculdade de Ciência da Informação Profa. Lillian Alvares Existem três níveis distintos de planejamento: Planejamento Estratégico Planejamento Tático Planejamento Operacional Alcance
Leia maisMÓDULO 9 METODOLOGIAS DE DESENVOLVIMENTO DE SISTEMAS
MÓDULO 9 METODOLOGIAS DE DESENVOLVIMENTO DE SISTEMAS O termo metodologia não possui uma definição amplamente aceita, sendo entendido na maioria das vezes como um conjunto de passos e procedimentos que
Leia maisPLANEJAMENTO OPERACIONAL: RECURSOS HUMANOS E FINANÇAS MÓDULO 16
PLANEJAMENTO OPERACIONAL: RECURSOS HUMANOS E FINANÇAS MÓDULO 16 Índice 1. Orçamento Empresarial...3 2. Conceitos gerais e elementos...3 3. Sistema de orçamentos...4 4. Horizonte de planejamento e frequência
Leia maisBRAlarmExpert. Software para Gerenciamento de Alarmes. BENEFÍCIOS obtidos com a utilização do BRAlarmExpert:
BRAlarmExpert Software para Gerenciamento de Alarmes A TriSolutions conta com um produto diferenciado para gerenciamento de alarmes que é totalmente flexível e amigável. O software BRAlarmExpert é uma
Leia maisü Curso - Bacharelado em Sistemas de Informação
Curso - Bacharelado em Sistemas de Informação Nome e titulação do Coordenador: Coordenador: Prof. Wender A. Silva - Mestrado em Engenharia Elétrica (Ênfase em Processamento da Informação). Universidade
Leia maisCAPÍTULO 1 - CONTABILIDADE E GESTÃO EMPRESARIAL A CONTROLADORIA
CAPÍTULO 1 - CONTABILIDADE E GESTÃO EMPRESARIAL A CONTROLADORIA Constata-se que o novo arranjo da economia mundial provocado pelo processo de globalização tem afetado as empresas a fim de disponibilizar
Leia maisSobre a Universidade Banco Central do Brasil (UniBacen)
Sobre a Universidade Banco Central do Brasil (UniBacen) Histórico A UniBacen é um departamento vinculado diretamente ao Diretor de Administração do Banco Central do Brasil (BCB), conforme sua estrutura
Leia maisMelhoria Contínua PDCA/SDCA e suas ferramentas 06/04/2011
Melhoria Contínua PDCA/SDCA e suas ferramentas 6/4/211 PRODUTIVIDADE O que é o melhoria contínua? Quando se tem o Gerenciamento da Rotina implantado temos a melhoria tipo escada sempre melhorando o resultado
Leia maisOrganização e a Terceirização da área de TI. Profa. Reane Franco Goulart
Organização e a Terceirização da área de TI Profa. Reane Franco Goulart Como surgiu? A terceirização é uma ideia consolidada logo após a Segunda Guerra Mundial, com as indústrias bélicas americanas, as
Leia maisGERENCIAMENTO DE PORTFÓLIO
PMI PULSO DA PROFISSÃO RELATÓRIO DETALHADO GERENCIAMENTO DE PORTFÓLIO Destaques do Estudo As organizações mais bem-sucedidas serão aquelas que encontrarão formas de se diferenciar. As organizações estão
Leia maisGUIA DE CURSO. Tecnologia em Sistemas de Informação. Tecnologia em Desenvolvimento Web. Tecnologia em Análise e Desenvolvimento de Sistemas
PIM PROGRAMA DE INTEGRAÇÃO COM O MERCADO GUIA DE CURSO Tecnologia em Sistemas de Informação Tecnologia em Desenvolvimento Web Tecnologia em Análise e Desenvolvimento de Sistemas Tecnologia em Sistemas
Leia maisGerenciamento de Projetos Modulo VIII Riscos
Gerenciamento de Projetos Modulo VIII Riscos Prof. Walter Cunha falecomigo@waltercunha.com http://waltercunha.com Bibliografia* Project Management Institute. Conjunto de Conhecimentos em Gerenciamento
Leia maisGERIC GERENCIAMENTO DO I.T.I.L E DO COBIT
GERIC GERENCIAMENTO DO I.T.I.L E DO COBIT Angélica A. da Silva, Regiani R.Nunes e Sabrina R. de Carvalho 1 Tathiana Barrére Sistemas de Informação AEDB - Associação Educacional Dom Bosco RESUMO Esta sendo
Leia maisEngenharia de Requisitos Estudo de Caso
Engenharia de Requisitos Estudo de Caso Auxiliadora Freire Fonte: Engenharia de Software 8º Edição / Ian Sommerville 2007 Slide 1 Engenharia de Requisitos Exemplo 1 Reserva de Hotel 1. INTRODUÇÃO Este
Leia mais11 de maio de 2011. Análise do uso dos Resultados _ Proposta Técnica
11 de maio de 2011 Análise do uso dos Resultados _ Proposta Técnica 1 ANÁLISE DOS RESULTADOS DO SPAECE-ALFA E DAS AVALIAÇÕES DO PRÊMIO ESCOLA NOTA DEZ _ 2ª Etapa 1. INTRODUÇÃO Em 1990, o Sistema de Avaliação
Leia maisUnidade III GESTÃO EMPRESARIAL. Prof. Roberto Almeida
Unidade III GESTÃO EMPRESARIAL Prof. Roberto Almeida Esta estratégia compreende o comportamento global e integrado da empresa em relação ao ambiente que a circunda. Para Aquino:Os recursos humanos das
Leia maisO IMPACTO DA UTILIZAÇÃO DE UM SOFTWARE DE GERENCIAMENTO ELETRÔNICO DE PROJETOS NAS EMPRESAS
O IMPACTO DA UTILIZAÇÃO DE UM SOFTWARE DE GERENCIAMENTO ELETRÔNICO DE PROJETOS NAS EMPRESAS Nadia Al-Bdywoui (nadia_alb@hotmail.com) Cássia Ribeiro Sola (cassiaribs@yahoo.com.br) Resumo: Com a constante
Leia maisImplantação. Prof. Eduardo H. S. Oliveira
Visão Geral A implantação de um sistema integrado de gestão envolve uma grande quantidade de tarefas que são realizadas em períodos que variam de alguns meses a alguns anos, e dependem de diversos fatores,
Leia maisAnálise e Projeto de Sistemas. Engenharia de Software. Análise e Projeto de Sistemas. Contextualização. Perspectiva Histórica. A Evolução do Software
Análise e Projeto de Sistemas Análise e Projeto de Sistemas Contextualização ENGENHARIA DE SOFTWARE ANÁLISE E PROJETO DE SISTEMAS ENGENHARIA DA INFORMAÇÃO Perspectiva Histórica Engenharia de Software 1940:
Leia maisEstruturando o modelo de RH: da criação da estratégia de RH ao diagnóstico de sua efetividade
Estruturando o modelo de RH: da criação da estratégia de RH ao diagnóstico de sua efetividade As empresas têm passado por grandes transformações, com isso, o RH também precisa inovar para suportar os negócios
Leia maisAumente sua velocidade e flexibilidade com a implantação da nuvem gerenciada de software da SAP
Parceiros de serviços em nuvem gerenciada Aumente sua velocidade e flexibilidade com a implantação da nuvem gerenciada de software da SAP Implemente a versão mais recente do software da SAP de classe mundial,
Leia maisAUTOR: DAVID DE MIRANDA RODRIGUES CONTATO: davidmr@ifce.edu.br CURSO FIC DE PROGRAMADOR WEB VERSÃO: 1.0
AUTOR: DAVID DE MIRANDA RODRIGUES CONTATO: davidmr@ifce.edu.br CURSO FIC DE PROGRAMADOR WEB VERSÃO: 1.0 SUMÁRIO 1 Conceitos Básicos... 3 1.1 O que é Software?... 3 1.2 Situações Críticas no desenvolvimento
Leia maisPLANEJAMENTO DA MANUFATURA
58 FUNDIÇÃO e SERVIÇOS NOV. 2012 PLANEJAMENTO DA MANUFATURA Otimizando o planejamento de fundidos em uma linha de montagem de motores (II) O texto dá continuidade à análise do uso da simulação na otimização
Leia maisA Grande Importância da Mineração de Dados nas Organizações
A Grande Importância da Mineração de Dados nas Organizações Amarildo Aparecido Ferreira Junior¹, Késsia Rita da Costa Marchi¹, Jaime Willian Dias¹ ¹Universidade Paranaense (Unipar) Paranavaí PR Brasil
Leia mais04/08/2012 MODELAGEM DE DADOS. PROF. RAFAEL DIAS RIBEIRO, M.Sc. @ribeirord MODELAGEM DE DADOS. Aula 1. Prof. Rafael Dias Ribeiro. M.Sc.
MODELAGEM DE DADOS PROF. RAFAEL DIAS RIBEIRO, M.Sc. @ribeirord MODELAGEM DE DADOS Aula 1 Prof. Rafael Dias Ribeiro. M.Sc. @ribeirord 1 Objetivos: Apresenta a diferença entre dado e informação e a importância
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação
SOFT DISCIPLINA: Engenharia de software AULA NÚMERO: 08 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir conceitos relacionados a modelos e especificações. Nesta aula
Leia maisGlossário Apresenta a definição dos termos, siglas e abreviações utilizadas no contexto do projeto Citsmart.
Apresenta a definição dos termos, siglas e abreviações utilizadas no contexto do projeto Citsmart. Versão 1.6 15/08/2013 Visão Resumida Data Criação 15/08/2013 Versão Documento 1.6 Projeto Responsáveis
Leia maisXIII Encontro de Iniciação Científica IX Mostra de Pós-graduação 06 a 11 de outubro de 2008 BIODIVERSIDADE TECNOLOGIA DESENVOLVIMENTO
XIII Encontro de Iniciação Científica IX Mostra de Pós-graduação 06 a 11 de outubro de 2008 BIODIVERSIDADE TECNOLOGIA DESENVOLVIMENTO EPE0147 UTILIZAÇÃO DA MINERAÇÃO DE DADOS EM UMA AVALIAÇÃO INSTITUCIONAL
Leia maisROTEIRO PARA ELABORAÇÃO DE PROJETOS
APRESENTAÇÃO ROTEIRO PARA ELABORAÇÃO DE PROJETOS Breve histórico da instituição seguido de diagnóstico e indicadores sobre a temática abrangida pelo projeto, especialmente dados que permitam análise da
Leia maisCarga Horária :144h (07/04 a 05/09/2014) 1. JUSTIFICATIVA: 2. OBJETIVO(S):
Carga Horária :144h (07/04 a 05/09/2014) 1. JUSTIFICATIVA: Nos últimos anos, o cenário econômico mundial vem mudando significativamente em decorrência dos avanços tecnológicos, da globalização, das mega
Leia maisERP. Enterprise Resource Planning. Planejamento de recursos empresariais
ERP Enterprise Resource Planning Planejamento de recursos empresariais O que é ERP Os ERPs em termos gerais, são uma plataforma de software desenvolvida para integrar os diversos departamentos de uma empresa,
Leia maisSistema de Controle de Solicitação de Desenvolvimento
Sistema de Controle de Solicitação de Desenvolvimento Introdução O presente documento descreverá de forma objetiva as principais operações para abertura e consulta de uma solicitação ao Setor de Desenvolvimento
Leia maisReferências internas são os artefatos usados para ajudar na elaboração do PT tais como:
Plano de Teste (resumo do documento) I Introdução Identificador do Plano de Teste Esse campo deve especificar um identificador único para reconhecimento do Plano de Teste. Pode ser inclusive um código
Leia maisPlanejamento - 7. Planejamento do Gerenciamento do Risco Identificação dos riscos. Mauricio Lyra, PMP
Planejamento - 7 Planejamento do Gerenciamento do Risco Identificação dos riscos 1 O que é risco? Evento que representa uma ameaça ou uma oportunidade em potencial Plano de gerenciamento do risco Especifica
Leia maisPMONow! Serviço de Implantação de um Escritório de Projetos
PMONow! Serviço de Implantação de um Escritório de Projetos PMONow! Serviço de Implantação de um Escritório de Projetos As organizações em torno do mundo estão implantando processos e disciplinas formais
Leia maisGerenciamento de Níveis de Serviço
Gerenciamento de Níveis de Serviço O processo de Gerenciamento de Níveis de Serviço fornece o contato entre a organização de TI e o cliente, para garantir que a organização de TI conhece os serviços que
Leia maisGerenciamento de Riscos do Projeto Eventos Adversos
Gerenciamento de Riscos do Projeto Eventos Adversos 11. Gerenciamento de riscos do projeto PMBOK 2000 PMBOK 2004 11.1 Planejamento de gerenciamento de riscos 11.1 Planejamento de gerenciamento de riscos
Leia maisGARANTIA DA QUALIDADE DE SOFTWARE
GARANTIA DA QUALIDADE DE SOFTWARE Fonte: http://www.testexpert.com.br/?q=node/669 1 GARANTIA DA QUALIDADE DE SOFTWARE Segundo a NBR ISO 9000:2005, qualidade é o grau no qual um conjunto de características
Leia maisCorporativo. Transformar dados em informações claras e objetivas que. Star Soft. www.starsoft.com.br
Corporativo Transformar dados em informações claras e objetivas que possibilitem às empresas tomarem decisões em direção ao sucesso. Com essa filosofia a Star Soft Indústria de Software e Soluções vem
Leia maisMONITORAMENTO 2008. Este documento visa indicar as alterações no módulo do monitoramento para o exercício 2008.
MONITORAMENTO 2008 O Módulo de Monitoramento no SIGPlan apresenta algumas alterações em relação aos anos anteriores. Estes ajustes visam incorporar a estrutura do PPA 2008 2011 e facilitar o acesso e a
Leia maisMódulo 2. Origem do BSC, desdobramento do BSC, estrutura e processo de criação do BSC, gestão estratégica e exercícios
Módulo 2 Origem do BSC, desdobramento do BSC, estrutura e processo de criação do BSC, gestão estratégica e exercícios Origem do BSC Cenário Competitivos CONCORRENTE A CONCORRENTE C VISÃO DE FUTURO ESTRATÉGIA
Leia maisGestão da Qualidade Políticas. Elementos chaves da Qualidade 19/04/2009
Gestão da Qualidade Políticas Manutenção (corretiva, preventiva, preditiva). Elementos chaves da Qualidade Total satisfação do cliente Priorizar a qualidade Melhoria contínua Participação e comprometimento
Leia maisMódulo 15 Resumo. Módulo I Cultura da Informação
Módulo 15 Resumo Neste módulo vamos dar uma explanação geral sobre os pontos que foram trabalhados ao longo desta disciplina. Os pontos abordados nesta disciplina foram: Fundamentos teóricos de sistemas
Leia maisForneça a próxima onda de inovações empresariais com o Open Network Environment
Visão geral da solução Forneça a próxima onda de inovações empresariais com o Open Network Environment Visão geral À medida que tecnologias como nuvem, mobilidade, mídias sociais e vídeo assumem papéis
Leia maisProcessos Técnicos - Aulas 4 e 5
Processos Técnicos - Aulas 4 e 5 Trabalho / PEM Tema: Frameworks Públicos Grupo: equipe do TCC Entrega: versão digital, 1ª semana de Abril (de 31/03 a 04/04), no e-mail do professor (rodrigues.yuri@yahoo.com.br)
Leia maisBanco de Dados - Senado
Banco de Dados - Senado Exercícios OLAP - CESPE Material preparado: Prof. Marcio Vitorino OLAP Material preparado: Prof. Marcio Vitorino Soluções MOLAP promovem maior independência de fornecedores de SGBDs
Leia maisUniversidade de Brasília. Faculdade de Ciência da Informação. Prof a Lillian Alvares
Universidade de Brasília Faculdade de Ciência da Informação Prof a Lillian Alvares Fóruns Comunidades de Prática Mapeamento do Conhecimento Portal Intranet Extranet Banco de Competências Memória Organizacional
Leia maisGerência de Projetos Prof. Dr. Sandro Ronaldo Bezerra Oliveira srbo@ufpa.br www.ufpa.br/srbo
Gerência de Projetos Prof. Dr. Sandro Ronaldo Bezerra Oliveira srbo@ufpa.br www.ufpa.br/srbo Laboratório de Tecnologia de Software LTS www.ufpa.br/lts Rede Paraense de Pesquisa em Tecnologias de Informação
Leia maisProva de Conhecimento para Consultores de Implementação MPS.BR INSTRUÇÕES
Implementação MPS.BR 26 de maio de 2008 4 horas de duração e-mail: (DEIXAR EM BRANCO) RESULTADO: Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10 Nota INSTRUÇÕES Para a maioria das questões você tem mais de uma opção e
Leia maisPESQUISA-AÇÃO DICIONÁRIO
PESQUISA-AÇÃO Forma de pesquisa interativa que visa compreender as causas de uma situação e produzir mudanças. O foco está em resolver algum problema encontrado por indivíduos ou por grupos, sejam eles
Leia maisPLANOS DE CONTINGÊNCIAS
PLANOS DE CONTINGÊNCIAS ARAÚJO GOMES Capitão SC PMSC ARAÚJO GOMES defesacivilgomes@yahoo.com.br PLANO DE CONTINGÊNCIA O planejamento para emergências é complexo por suas características intrínsecas. Como
Leia maisTERMO DE REFERÊNCIA Nº 4031 PARA CONTRATAÇÃO DE PESSOA FÍSICA PROCESSO DE SELEÇÃO - EDITAL Nº
Impresso por: RAFAEL DE SOUZA RODRIGUES DOS SANTOS Data da impressão: 10/08/015-14:4:5 SIGOEI - Sistema de Informações Gerenciais da OEI TERMO DE REFERÊNCIA Nº 401 PARA CONTRATAÇÃO DE PESSOA FÍSICA PROCESSO
Leia maisA Importância do CRM nas Grandes Organizações Brasileiras
A Importância do CRM nas Grandes Organizações Brasileiras Por Marcelo Bandeira Leite Santos 13/07/2009 Resumo: Este artigo tem como tema o Customer Relationship Management (CRM) e sua importância como
Leia maisAVALIAÇÃO DE INTERFACES UTILIZANDO O MÉTODO DE AVALIAÇÃO HEURÍSTICA E SUA IMPORTÂNCIA PARA AUDITORIA DE SISTEMAS DE INFORMAÇÕES
AVALIAÇÃO DE INTERFACES UTILIZANDO O MÉTODO DE AVALIAÇÃO HEURÍSTICA E SUA IMPORTÂNCIA PARA AUDITORIA DE SISTEMAS DE INFORMAÇÕES Rafael Milani do Nascimento, Claudete Werner Universidade Paranaense (Unipar)
Leia maisSoluções em. Cloud Computing. Midia Indoor. para
Soluções em Cloud Computing para Midia Indoor Resumo executivo A Midia Indoor chegou até a Under buscando uma hospedagem para seu site e evoluiu posteriormente para uma solução cloud ampliada. A empresa
Leia maisGerenciamento de projetos. cynaracarvalho@yahoo.com.br
Gerenciamento de projetos cynaracarvalho@yahoo.com.br Projeto 3URMHWR é um empreendimento não repetitivo, caracterizado por uma seqüência clara e lógica de eventos, com início, meio e fim, que se destina
Leia maisGerenciamento de Problemas
Gerenciamento de Problemas O processo de Gerenciamento de Problemas se concentra em encontrar os erros conhecidos da infra-estrutura de TI. Tudo que é realizado neste processo está voltado a: Encontrar
Leia maisINDICADORES FINANCEIROS NA TOMADA DE DECISÕES GERENCIAIS
INDICADORES FINANCEIROS NA TOMADA DE DECISÕES GERENCIAIS ANA BEATRIZ DALRI BRIOSO¹, DAYANE GRAZIELE FANELLI¹, GRAZIELA BALDASSO¹, LAURIANE CARDOSO DA SILVA¹, JULIANO VARANDAS GROPPO². 1 Alunos do 8º semestre
Leia maisPrograma de Capacitação em Gestão do PPA Curso PPA: Elaboração e Gestão Ciclo Básico. Elaboração de Planos Gerenciais dos Programas do PPA
Programa de Capacitação em Gestão do PPA Curso PPA: Elaboração e Gestão Ciclo Básico Elaboração de Planos Gerenciais dos Programas do PPA Brasília, abril/2006 APRESENTAÇÃO O presente manual tem por objetivo
Leia mais