ESTUDO DO PERFIL DO CONSUMIDOR DE MEDICAMENTOS POR REGIÃO, COM BASE EM INFORMAÇÕES DE VENDA DE MEDICAMENTOS.

Tamanho: px
Começar a partir da página:

Download "ESTUDO DO PERFIL DO CONSUMIDOR DE MEDICAMENTOS POR REGIÃO, COM BASE EM INFORMAÇÕES DE VENDA DE MEDICAMENTOS."

Transcrição

1 0 UNIVERSIDADE DO EXTREMO SUL CATARINENSE - UNESC MBA EM GESTÃO DE BANCO DE DADOS EVANDRO LONGO DA SILVA ESTUDO DO PERFIL DO CONSUMIDOR DE MEDICAMENTOS POR REGIÃO, COM BASE EM INFORMAÇÕES DE VENDA DE MEDICAMENTOS. Criciúma, agosto de 2005

2 1 UNIVERSIDADE DO EXTREMO SUL CATARINENSE - UNESC MBA EM GESTÃO DE BANCO DE DADOS EVANDRO LONGO DA SILVA ESTUDO DO PERFIL DO CONSUMIDOR DE MEDICAMENTOS POR REGIÃO, COM BASE EM INFORMAÇÕES DE VENDA DE MEDICAMENTOS. Monografia apresentada a Diretoria de Pós-Graduação da Universidade do Extremo Sul Catarinense UNESC, para a obtenção do título de especialista em MBA em Administração de banco de Dados Orientador: Prof. Mestre Carlos Fernando Barbosa Bus Criciúma, agosto de 2005

3 2 Dedicatória Aos meus pais Vilson e Luzia, aos meus irmãos, a minha noiva Cristiane e ao meu grande amigo Ederson.

4 3 Agradecimentos Agradeço primeiramente a Deus, que me deu forças e saúde para enfrentar mais esta etapa. Em especial agradeço aos meus pais e familiares, pela compreensão nas horas de ausência, pelo apoio nos momentos de dúvida e paciência nas horas de cansaço. Ao meu querido orientador Professor Carlos Fernando Barbosa Buss, pelas pacientes horas de colaboração, até mesmo pelos poucos minutos de conversa, que de alguma forma sempre me deu força para concluir este trabalho. E especialmente ao meu enorme amigo Ederson, que compartilhou boa parte dos momentos vividos durante todo percurso da pós-graduação e se manteve companheiro dede os trabalhos de sala até as baladas.

5 4 RESUMO O conhecimento do público alvo de uma empresa se faz necessário, para que as empresas possam aperfeiçoar suas campanhas de marketing e obterem um maior retorno de investimento. Dentre outras finalidades, o datamining é utilizado justamente para isso: definir entre os clientes, quais são os mais prováveis a adquirir um novo produto ou serviço, é o que se chama de marketing direcionado. A logística de mercado é um fator muito importante e que pode ter muito mais eficiência quando se conhece o perfil dos clientes. Não somente para obter retorno financeiro o datamining é utilizado. Possibilidades de proporcionar um melhoramento na qualidade de vida da população também podem ser conseguidas com técnicas de mineração de dados. Identificar as regiões com índices de consumo de determinados tipos de medicamentos, possibilitando entidades efetuarem campanhas de prevenção e controle de doenças, estão focadas neste trabalho. Palavras-chave: Mineração de dados. Data warehouse. Medicamentos. Perfil consumidor. ABSTRACT The knowledge of the white public of a company if makes necessary, so that the companies can perfect its campaigns of marketing and get a bigger return of investment. Amongst other purposes, datamining is used exactly for this: to define between the customers, which they are most probable to acquire a new product or service, is what flame of directed marketing. The logistic one of market is a very important factor and that it can have much more efficiency when the profile of the customers is known. To not only get financial return datamining is used. Possibilities to provide an improvement in the quality of life of the population also can be obtained with techniques of mining of data. To identify the regions with indices of consumption of determined types of medicines, making possible entities to effect campaigns of prevention and control of illnesses, are focadas in this work. KeyWords: Mining of data. Date warehouse. Medicines. Consuming profile.

6 5 LISTA DE ILUSTRAÇÕES Figura : Técnicas utilizadas em datamining...16 Figura : Constituintes da Célula Neuronal esquema...19 Figura : Etapas do processo DCBD...30 Figura : Neurônio Artificial...30 Figura : Exemplo de uma Rede Neural Artificial de 2 camadas...31 Figura : Visão geral de um algoritmo genético...33 Figura : Fluxo do BD operacional...38 Figura : Fluxo do Data Warehouse...38 Figura : DW Forma de cubo...47 Figura : DW multidimensional...48 Figura : Área de abrangência geográfica...62 Figura : Tabelas dimensões...63 Figura : Modelagem das tabelas do Data Warehouse...63 Figura : Tela de abertura do MineSet 3.2 da Silicon Graphics...65 Figura : Tool Manager...66 Figura : Caixa de diálogo para conexão ao servidor...68 Figura : Caixa de diálogo para conexão ao servidor...68 Figura : Tool Manager mostrando o histórico das transformações...70 Figura: : Splat Visualizer...71 Figura : Scatter Visualizer...72 Figura : Tree Visualizer...74 Figura : Detalhe na árvore do Tree Visualizer...75 Figura : Carga dos dados iniciais...83 Figura : Caixa de diálogo Add Column...84 Figura : Mining tools...85 Figura : Scatter Visualizer aplicação de Assoc Figura : Registros da mineração por estado...86 Figura : Caixa de diálogo Filter Figura : Registros da mineração por estado com filtro...87 Figura : Scatter Visualizer por Estado...88

7 6 Figura : Tree Visualizer por Estado...88 Figura : Scatter Visualizer Ranking por estado (Geral)...89 Figura : Scatter Visualizer Ranking por estado (Paraná)...90 Figura : Scatter Visualizer Ranking por estado (Rio Grande do Sul)...90 Figura : Scatter Visualizer Ranking por estado (Santa Catarina)...91 Figura : Scatter Visualizer Ranking por setor (Geral)...92 Figura : Scatter Visualizer Ranking por setor (Paraná)...93 Figura : Scatter Visualizer Ranking por setor (Rio Grande do Sul)...93 Figura : Scatter Visualizer Ranking por setor (Santa Catarina)...94 Figura : Tree Visualizer Árvore por cidade (Geral)...95 Figura : Scatter Visualizer Ranking por cidade (Geral)...96 Figura : Scatter Visualizer Ranking por cidade (Paraná)...96 Figura : Scatter Visualizer Ranking por cidade (Rio Grande do Sul)...97 Figura : Scatter Visualizer Ranking por cidade (Santa Catarina)...98

8 7 LISTA DE TABELAS Tabela : Relação de classes terapêuticas...59 Tabela : Ranking de venda acima da média por estado...89 Tabela : Ranking de venda acima da média por estado, somente do PR...90 Tabela : Ranking de venda acima da média por estado somente do RS Tabela : Ranking de venda acima da média por estado, somente de SC...91 Tabela : Ranking de venda acima da média por setor...92 Tabela : Ranking de venda acima da média por setor, somente do Paraná...93 Tabela : Ranking de venda acima da média por setor, somente do RS...93 Tabela : Ranking de venda acima da média por setor, somente de SC...94 Tabela : Ranking de venda acima da média por cidade...94 Tabela : Ranking de venda acima da média por cidade, somente Paraná...95 Tabela : Ranking de venda acima da média por cidade, somente RS...96 Tabela : Ranking de venda acima da média por cidade, somente SC....97

9 8 Sumário 1 INTRODUÇÃO PROPOSTA TEMA SITUAÇÃO DO PROBLEMA JUSTIFICATIVA OBJETIVOS Objetivo geral Objetivos específicos FUNDAMENTAÇÃO TEÓRICA DATAMINING (MINERAÇÃO DE DADOS) Conceito Processo de DCBD As fases do processo de DCBD Técnicas de Mineração de Dados Extração com aplicações OLAP Considerações DATA WAREHOUSE (DW) Conceito O ambiente Data Warehouse Características de um data warehouse Desenvolvimento do data warehouse Modelagem de um data warehouse Considerações MEDICAMENTOS Conceito Classificação dos medicamentos internacionalmente Classificação dos medicamentos no Brasil - ANVISA Classificação patentária Casses terapêuticas Considerações DESENVOLVIMENTO METODOLOGIA Coleta de dados O DATA WAREHOUSE O SOFTWARE DE MINERAÇÃO: MINESET Trabalhando com o MineSet Iniciando o MineSet Usando o Tool Manager Visualizando os Dados A MINERAÇÃO As fases do processo de mineração Considerações CONSIDERAÇÕES FINAIS REFERÊNCIAS...105

10 9 1 INTRODUÇÃO Este trabalho vem apresentar a monografia de conclusão da Pós- Graduação da Universidade do Extremo Sul Catarinense UNESC, como requisito para a modalidade de Formação para o magistério Superior. Segundo O BREIN, A tecnologia da informação está redefinindo os fundamentos dos negócios. Atendimento ao cliente, operações, estratégias de produto e de marketing e distribuição, dependem muito, e às vezes até totalmente, dos Sistemas de Informação. A tecnologia da informação e seus custos passaram a fazer parte integrante do dia-a-dia das empresas (O BRIEN, 2001, p. 3). Mas, apesar da informática desempenhar um papel de importância incontestável nas empresas e de conceitos como o de Sistemas de Apoio a Decisão terem sido conceitualmente propostos já no final da década de setenta, a eficácia da informação, que é fornecida pelos sistemas de informação e apoio gerencial, ainda está por ser comprovada. Especialmente no que diz respeito a informação para a alta administração, onde se manipulam variáveis estratégicas e problemas pouco estruturados. Diversas empresas avançam no escuro, sem conhecer o perfil de seus clientes, quais os tipos de produtos e onde eles os adquirem. Utilizam poucas ferramentas que visem o acompanhamento do impacto de suas estratégias sobre o resultado de seus investimentos e a eficácia de suas ações. As ferramentas de datamining podem prever futuras tendências e comportamentos, permitindo as empresas um novo processo de tomada de decisão, baseado principalmente no conhecimento acumulado, e freqüentemente desprezado, contido em seus próprios bancos de dados (DIAS, 2002) A mudança de paradigma, causada por uma conjunção de fatores, como o grande acúmulo e coleta de dados, o relativo barateamento do processamento e dos computadores, e o surgimento de novas oportunidades, como o marketing direto,

11 10 trouxe um desenvolvimento ímpar para as técnicas de descoberta de conhecimento. Com posse dos dados de venda de uma distribuidora de medicamentos, será estudado o consumo por região, relacionando-os por tipo de medicamento. Aplicando-se técnicas de datamining a esses dados, se pretende construir conhecimentos, de modo que possam servir para tomadas de decisões às empresas do ramo, além de prestar um serviço social à população.

12 11 2 PROPOSTA 2.1 Tema Aplicação de datamining na área da saúde. 2.2 Situação do problema A inexistência, até então, de conhecimento a respeito do perfil consumidor dos clientes de medicamentos por região. 2.3 Justificativa Com o aumento da população, das tecnologias e com a globalização, o comércio tem se tornado cada vez mais competitivo. Com isso as empresas devem utilizar o potencial tecnológico, que se tem a disposição, para extrair informações que levem a executar seus processos de maneira eficaz. Mais agilidade na tomada de decisão, ações de marketing e vendas certeiras, retenção e ampliação da base de clientes, conhecimento exato da distância entre as realizações e estratégia da empresa. Provavelmente são esses os desejos da maior parte dos líderes de corporações, independente de sua localização, porte ou área de atuação (CERIONI, 2004, p.27). O conhecimento do público alvo de uma empresa se faz necessário, para que as empresas possam aperfeiçoar suas campanhas de marketing e obterem um maior retorno de investimento. Dentre outras finalidades, o datamining é utilizado justamente para isso: definir entre os clientes, quais são os mais prováveis a adquirir um novo produto ou serviço, é o que se chama de marketing direcionado. Por

13 12 exemplo, uma campanha de mala direta pode ser enviada somente a clientes qualificados, ao invés de enviar a um total de clientes, sem uma análise prévia. A logística de mercado é um fator muito importante e que pode ter muito mais eficiência quando se conhece o perfil dos clientes. A questão de organização de estoque, transporte e até mesmo o valor dos produtos, podem ter interferência do perfil dos clientes. Além de tudo isso, como o estudo é voltado para área da saúde, temos uma colaboração social muito importante, pois está ligada diretamente ao bem estar da população. Na medicina já é possível a criação e manutenção de grandes bancos de dados com informação sobre sintomas, resultados de exames, diagnósticos, tratamentos e curso das doenças para cada paciente. A mineração de dados pode fornecer conhecimento novo, como, por exemplo, a relação entre algumas doenças e certos [...] [...] local de moradia. (Carvalho, 2001, p.10). É muito provável que as autoridades governamentais, de posse dos conhecimentos sobre o consumo de medicamento por região, possam desenvolver campanhas de prevenção de certas doenças. Por exemplo, se em uma determinada região existe um consumo elevado de remédios para doenças transmissíveis, o governo deve tomar providência para amenizar e combater esta patologia com mais intensidade que em regiões que elas não se apresentam.

14 Objetivos Objetivo geral Conhecer o perfil dos clientes consumidores de medicamentos por região, com base em informações de venda de medicamentos Objetivos específicos Identificar as regiões consumidoras de medicação agrupadas por tipo de sal dos medicamentos; Colaborar com a sociedade fornecendo conhecimento acerca do consumo de medicamentos. Aplicar técnicas de datamining sobre base de dados de venda de medicamentos; Avaliar os algoritmos de datamining mais adequados à base de dados de venda de medicamentos;

15 14 3 FUNDAMENTAÇÃO TEÓRICA 3.1 Datamining (Mineração de dados) Atualmente, as organizações têm se mostrado extremamente eficientes em capturar, organizar e armazenar grandes quantidades de dados, obtidos de suas operações diárias ou pesquisas científicas, porém, ainda não usam adequadamente essa gigantesca montanha de dados para transformá-la em conhecimentos que possam ser utilizados em suas próprias atividades, sejam elas comerciais ou científicas. Banco de dados relacionais são responsáveis por armazenar e recuperar dados de forma eficiente. No entanto, somente essas atividades não garantem a continuidade dos negócios. Nos dias de hoje, cada vez mais é necessário que se tire proveito maior dos dados. Surge a tríade dado, informação e conhecimento. O dado é algo bruto, é a matéria-prima da qual podemos extrair informação. Informação é o dado processado, com significado e contexto bem definido. O computador em essência, serve para transformar dados em informações. Por fim, o conhecimento é o uso inteligente da informação, é a informação contextualizada e utilizada na prática. Dessa forma, a qualidade da informação sustenta o conhecimento. (VIANA, 2004, p.16). Diariamente as empresas acumulam diversos dados em seus bancos de dados, tornando-os verdadeiros tesouros de informação sobre os vários processos e procedimentos das funções da empresa, inclusive com dados e hábitos de seus clientes, suas histórias de sucesso e fracassos. Todos estes dados podem contribuir com a empresa, sugerindo tendências e particularidades pertinentes a ela e seu meio ambiente interno e externo, visando uma rápida ação de seus gestores (FELDENS, 1999). Definimos datamining como o uso de técnicas automáticas de exploração de grandes quantidades de dados de forma a descobrir novos padrões e relações que, devido ao voluma de dados, não seriam facilmente descobertos a olho nu pelo ser humano. (CARVALHO, 2001, p.7). Datamining é uma das novidades da Ciência da Computação que veio para ficar. Com a geração de um volume cada vez maior de informação, é essencial tentar aproveitar o máximo possível desse investimento. Talvez a forma mais nobre de se utilizar esses vastos repositórios seja pesquisar se há algum conhecimento

16 15 escondido neles Conceito Os bancos relacionais, quando bem projetados, permitem a extração de diversas informações usando SQL. O mecanismo é simples: elabora-se um problema, é realizado um mapeamento para a linguagem de consulta, e essa consulta ~e submetida ao SGBD. Observe que esse processo resolve questões que necessariamente devem ser definidas, ou seja, as informações extraídas são respostas a uma consulta previamente estruturada. No entanto, dados armazenados podem esconder diversos tipos de padrões e comportamentos relevantes que a princípio não podem ser descobertos utilizando-se SQL. Além disso, por mais que o analista seja criativo, ele irá apenas conseguir elaborar diversas questões de forma que se tenham resultados práticos no final. Neste contexto está inserida a aplicabilidade da mineração de dados. (VIANA, 2004, p.16). A proposta de datamining é de descobrir padrões em dados de forma que esse conhecimento seja aplicado para a solução de problemas. O termo datamining pode causar um certo desconforto, dada a ampla gama de sentidos em que o mesmo pode ser usado. Uma tradução literal de datamining poderia ser: mineração, exploração das minas de dados. Ou ainda, segundo o dicionário Aurélio, mina é num sentido figurativo uma boa fonte de informações e conhecimentos. Porém, em termos técnicos datamining preditivo é a procura por fortes padrões (informações valiosas) em grandes volumes de dados, que possam ser generalizados para decisões futuras acuradas. Para tal, medidas chamadas de features (características) são especificadas e uniformemente examinadas sobre muitos casos. (Oliveira, 1999). A tecnologia tornou relativamente fácil o acúmulo dos dados. Mineração de dados é um termo genérico utilizado para todos os métodos e técnicas computacionais que fazem extração de informações úteis de bilhões de bits de dados através de um resumo compacto dos mesmos (GSI, 1998). Talvez a definição mais importante de datamining tenha sido elaborada por Usama Fayyad (Fayyad et al. 1996): "...o processo não-trivial de identificar, em dados, padrões válidos, novos, potencialmente úteis e ultimamente compreensíveis". Esse processo vale-se de diversos algoritmos que processam os dados e encontram esses "padrões válidos, novos e valiosos". É preciso ressaltar um detalhe que costuma passar despercebido na literatura: embora os algoritmos atuais sejam

17 16 capazes de descobrir padrões "válidos e novos", ainda não temos uma solução eficaz para determinar padrões valiosos. Por essa razão, datamining ainda requer uma interação muito forte com analistas humanos, que são, em última instância, os principais responsáveis pela determinação do valor dos padrões encontrados. Além disso, a condução da exploração de dados é também tarefa fundamentalmente confiada a analistas humanos, um aspecto que não pode ser desprezado em nenhum projeto que queira ser bem sucedido. Para que o conceito seja melhor entendido, vejamos o seguinte exemplo (retirado da revista: SQL Magazine, Reinaldo Viana, 2004): tomemos por base um cadastro com aproximadamente clientes de uma loja de roupas. Através do uso de técnicas de mineração foi descoberto que 7% desses clientes são casados, estão na faixa etária compreendida entre 31 e 40 anos e possuem pelo menos dois filhos. Note que inicialmente não foi elaborada uma questão do tipo identifique os clientes casados com faixa etária entre 31 e 40 anos e que possuam pelo menos dois filhos. O próprio processo de mineração identificou a pergunta e a resposta. Ainda segundo VIANA (2004), mineração de dados pode ser definida como processo automatizado de descoberta de novas informações a partir de grandes massas de dados. A mineração de dados é uma área extensa, interdisciplinar e envolve o estudo de diversas técnicas. Banco de dados Estatística Otimização Mineração de dados Visualização Inteligência Artificial Outras disciplinas Figura 3.1: Técnicas utilizadas em datamining. Datamining significa Mineração de dados e, pode ser entendido como

18 17 parte de um processo de descoberta do conhecimento. Mineração de Dados é um passo no processo de KDD que consiste na aplicação de análise de dados e algoritmos de descobrimento que produzem uma enumeração de padrões (ou modelos) particular sobre os dados. (GSI, 1998) Em diversos livros e artigos, assim como diz também Viana (2004. p.17), a mineração de dados é vista como parte de um processo maior, denominado KDD - Knowledge Discover in Database que significa descoberta de conhecimento em bases de dados. A mineração de dados é um dos passos de um processo maior denominado de Descoberta de Conhecimento em Base de Dados DCBD (Knowledge Discovery in Databases KDD), que é realizado por ferramentas computacionais em desenvolvimento para crescentes volumes de dados.(gsi 1998). DCBD refere-se ao processo geral de descoberta de conhecimento útil a partir de dados enquanto que mineração de dados refere-se à aplicação de algoritmos para extração de padrões de dados sem os passos adicionais do processo de DCBD (tais como a incorporação de conhecimento prévio e interpretação adequada de resultados). (FAYYAD, 1996). Já John (1997), defende a designação de mineração de dados para o processo como um todo, argumentando que a disparidade de termos entre a área de pesquisa e a indústria deve ser resolvida com a concessão dos pesquisadores, passando estes a aceitarem a expressão praticada pela indústria. Do ponto de vista do nosso interesse de pesquisa, consideramos adequada a distinção dada por Fayyad, por permitir uma delimitação bem clara dos alvos de pesquisa. Assim, assumimos mineração de dados como o núcleo do processo maior, DCBD. Sendo assim, para que se entenda melhor a mineração de dados, faz se necessário entender como funciona o processo de descoberta do conhecimento em bases de dados (DCBD) ou mais comumente utilizado: KDD (Knowledge Discovery in Databases).

19 Processo de DCBD Datamining é uma das ferramentas mais utilizadas para extração de conhecimento através de bancos de dados, tanto no meio comercial quanto no meio científico. DCBD é um processo que envolve a automação da identificação e do reconhecimento de padrões em um banco de dados. Sua principal característica é a extração não trivial de informações a partir de uma base de dados de grande porte. Essas informações são necessariamente implícitas, previamente desconhecidas, e potencialmente úteis. Devido a essas características incomuns, todo o processo de DCBD depende de uma nova geração de ferramentas e técnicas de análise de dados, e envolve diversas etapas. A principal, que forma o núcleo do processo, e que muitas vezes se confunde com ele, é a Mineração de dados. O processo DCBD é um conjunto de atividades contínuas que compartilham o conhecimento descoberto a partir de bases de dados. Esse conjunto é composto de 6 (seis) etapas: seleção dos dados, limpeza, enriquecimento, codificação, datamining e interpretação do conhecimento descoberto. (FAYYAD, 1996) Encontramos diversas maneiras de divisão do processo de DCBD. Com uma análise em diversos materiais (livros e artigos), pode-se chegar à uma divisão que entendemos ser a mais adequada. Veja na figura abaixo.

20 19 Seleção Pré-processamento e Limpeza Transformação Mineração de dados Interpretação Avaliação Dados Dados - Alvo Dados Pré-processados Dados Transformados Padrões Conhecimento Preparação dos dados Mineração Pós-processamento Figura 3.2: Etapas do processo DCBD A figura a cima apresenta, resumidamente, todo o processo DCBD, englobando uma fase de Preparação dos dados, que por sua vez é composta pelas etapas de seleção, pré-processamento e limpeza e transformação. A segunda fase é de mineração. É nesta fase que os dados preparados são processados, ou seja, é fazer a mineração dos dados propriamente dita e por fim, a fase de Interpretação/Avaliação, na qual o resultado do datamining é avaliado, visando determinar se algum conhecimento adicional foi descoberto, assim como definir a importância dos fatos gerados As fases do processo de DCBD Para melhor entender, vamos ver cada etapa detalhadamente: Seleção dos dados Na seleção dos dados deseja-se escolher apenas atributos relevantes do conjunto de atributos do banco de dados. Nesta fase, as questões em potencial para a mineração são identificadas. Dependendo do problema a ser minerado e da massa de dados disponíveis, haverá a escolha do tipo de técnica a ser trabalhada. A questão a ser minerada e a própria técnica a ser trabalhada definem qual parte da massa

21 20 de dados inicial vai ser utilizada e, para isso, selecionada. (VIANA, p.17). A seleção de atributos então, consiste na escolha de um subconjunto de atributos disponíveis para o algoritmo DCBD que seja relevante para o objetivo da tarefa. O subconjunto então selecionado é fornecido para o algoritmo de mineração de dados. Um motivo para essa seleção é otimizar o tempo de processamento do algoritmo minerador, visto que ele apenas trabalhará com os dados necessários, diminuindo o seu espaço de busca. Pré-processamento e limpeza dos dados Essa fase é responsável por consolidar as informações relevantes para o algoritmo minerador, buscando reduzir a complexidade do problema. Nesta fase são identificados e removidos os dados duplicados e/ou corrompidos. A execução desta fase corrige a base de dados eliminando consultas desnecessárias que seriam executadas pelo algoritmo minerador e que afetaria o seu processamento. Os métodos de limpeza de dados são herdados e dependentes do domínio da aplicação, desse modo a participação do analista se torna essencial. (VELASCO, p.18) Um exemplo simples de limpeza de dados, é a ocorrência da compra de uma grande quantidade de produtos por apenas um cliente em uma data específica. Essa informação não demonstra nenhum padrão, mas sim uma exceção. Alguns estudos mostram que a etapa de limpeza dos dados pode tomar até 80% do tempo necessário pata todo o processo de descoberta de conhecimento. Ela também é considerada uma das etapas mais importantes par ao sucesso do processo como um todo. (VIANA, p.17). Transformação dos dados Esta fase, converte os dados para a forma mais adequada para a construção e interpretação do modelo. Os dados pré-processados passam ainda por uma transformação com o objetivo de facilitar seu uso pelas técnicas de mineração. Nesta fase, o uso de data warehouse torna-se bastante útil, pois nessas estruturas o préprocessamento dos dados já existe, ou seja, as informações já estão

22 21 por faixas, exemplo: consolidadas num formato mais estatístico e menos transacional. (VIANA, p17). Por exemplo podemos citar o atributo IDADE, ele pode ser classificado Faixa 1: de 0 à 18 anos; Faixa 2: de 18 à 25 anos; Faixa 3: de 26 à 40 anos; e assim por diante. Um algoritmo de codificação divide valores contínuos dos atributos (inteiros ou reais) numa lista de intervalos representados por um código (como no exemplo acima). Efetivamente ocorre uma conversão de valores quantitativos para valores categóricos, ou seja, cada intervalo resulta num valor discreto do atributo. Mineração de dados Pode-se dizer que é a etapa mais importante do processo de DCBD. Caracteriza-se pela existência do algoritmo que diante da tarefa especificada será capaz de extrair eficientemente conhecimento implícito e útil de um banco de dados. Pode-se dizer que a mineração de dados é a fase que transforma dados em informação, conseqüentemente um sistema de suporte à decisão baseado em algoritmos de mineração de dados é o que transforma os dados em possíveis ações. É o que tínhamos estudado anteriormente neste mesmo capítulo. Interpretação / avaliação dos dados Finalmente, a saída do algoritmo minerador pode ser refinada numa fase de pós-processamento. Essa fase envolve a interpretação do conhecimento descoberto, ou algum processamento desse conhecimento. Esse pós-processamento deve ser incluído no algoritmo minerador, porém algumas vezes é vantajoso implementa-lo separadamente. (VALLASCO,1999).

23 22 A interpretação dos dados consiste no processo de tomada de decisão, que é o fator que é esperado com a mineração de dados. Essa tomada de decisão deverá levar em conta as regras de negócio da organização, pois a mineração de dados fornece as informações, mas como trabalhar essas informações, depende dos administradores e analistas. Como exemplo dessa fase, pode-se evidenciar uma situação onde a mineração de dados fornece seguinte informação: Sempre que um médico prescreve um antibiótico, também prescreve um medicamento para o estômago. A interpretação consistirá em formular conhecimento a partir dessas premissas e constatar que se pode fazer uma venda promocional desses produtos caso sejam adquiridos juntos. Esse é apenas um exemplo para demonstrar o sentido dessa etapa do processo DCBD: interpretar os resultados e transformá-los em conhecimento Técnicas de Mineração de Dados Os objetivos principais da mineração de dados são a previsão e descrição. A previsão faz uso de variáveis existentes no banco de dados para prever valores desconhecidos ou futuros. A descrição é voltada para a busca de padrões descrevendo os dados e a subseqüente apresentação para a interpretação do usuário. A relativa ênfase entre previsão e descrição varia de acordo com o sistema de mineração de dados utilizado. Estes objetivos são conseguidos através de vários algoritmos. Tais algoritmos são incorporados em vários métodos de mineração de dados. As ferramentas de mineração ou mecanismos de busca são usualmente

24 23 programas ou agentes automatizados inteligentes, incorporando alguma forma de inteligência artificial em bancos de dados relacionais. Os agentes detectam padrões predefinidos e alertam o usuário sobre variações.(grilo, 1998) Qualquer algoritmo de mineração de dados é composto de três componentes: representação através de modelo, avaliação do modelo e método de busca. Resumidamente, o modelo deve representar limites flexíveis e suposições adequadas, de uma maneira que os padrões possam ser descobertos; o modelo deve ter validade preditiva - que pode ser baseada em validações cruzadas; então, a busca deveria otimizar os critérios de avaliação do modelo de acordo com os dados observados e a representação do modelo. As ferramentas de mineração ou mecanismos de busca são usualmente programas ou agentes automatizados inteligentes, incorporando alguma forma de inteligência artificial (GRILO, 1998) em bancos de dados relacionais. Os agentes detectam padrões predefinidos e alertam o usuário sobre variações. Vários tipos de ferramentas são utilizadas na mineração de dados: redes neurais, árvores de decisão, indução de regras e visualização de dados. Existem vários algoritmos de mineração também chamados técnicas de mineração por alguns autores de dados utilizados para resolver problemas específicos. Veremos agora algumas destas técnicas, ou algoritmos, mais utilizados: Classificação: Algoritmos de classificação ou geração de perfis, desenvolvem e classificam perfis de diferentes grupos. A classificação é uma das técnicas mais utilizadas do datamining, simplesmente porque é uma das tarefas cognitivas humanas mais realizadas no auxílio à compreensão do ambiente em que vivemos. (CARVALHO, p.21)

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO @ribeirord FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO Rafael D. Ribeiro, M.Sc,PMP. rafaeldiasribeiro@gmail.com http://www.rafaeldiasribeiro.com.br Lembrando... Aula 4 1 Lembrando... Aula 4 Sistemas de apoio

Leia mais

Aplicação A. Aplicação B. Aplicação C. Aplicação D. Aplicação E. Aplicação F. Aplicação A REL 1 REL 2. Aplicação B REL 3.

Aplicação A. Aplicação B. Aplicação C. Aplicação D. Aplicação E. Aplicação F. Aplicação A REL 1 REL 2. Aplicação B REL 3. Sumário Data Warehouse Modelagem Multidimensional. Data Mining BI - Business Inteligence. 1 2 Introdução Aplicações do negócio: constituem as aplicações que dão suporte ao dia a dia do negócio da empresa,

Leia mais

http://www.publicare.com.br/site/5,1,26,5480.asp

http://www.publicare.com.br/site/5,1,26,5480.asp Página 1 de 7 Terça-feira, 26 de Agosto de 2008 ok Home Direto da redação Última edição Edições anteriores Vitrine Cross-Docking Assine a Tecnologística Anuncie Cadastre-se Agenda Cursos de logística Dicionário

Leia mais

Professor: Disciplina:

Professor: Disciplina: Professor: Curso: Esp. Marcos Morais de Sousa marcosmoraisdesousa@gmail.com Sistemas de informação Disciplina: Introdução a SI Noções de sistemas de informação Turma: 01º semestre Prof. Esp. Marcos Morais

Leia mais

SUMÁRIO 1. INTRODUÇÃO... 2 2. O QUE É DATA WAREHOUSE?... 2 3. O QUE DATA WAREHOUSE NÃO É... 4 4. IMPORTANTE SABER SOBRE DATA WAREHOUSE... 5 4.

SUMÁRIO 1. INTRODUÇÃO... 2 2. O QUE É DATA WAREHOUSE?... 2 3. O QUE DATA WAREHOUSE NÃO É... 4 4. IMPORTANTE SABER SOBRE DATA WAREHOUSE... 5 4. SUMÁRIO 1. INTRODUÇÃO... 2 2. O QUE É DATA WAREHOUSE?... 2 3. O QUE DATA WAREHOUSE NÃO É... 4 4. IMPORTANTE SABER SOBRE DATA WAREHOUSE... 5 4.1 Armazenamento... 5 4.2 Modelagem... 6 4.3 Metadado... 6 4.4

Leia mais

Planejamento Estratégico de TI. Prof.: Fernando Ascani

Planejamento Estratégico de TI. Prof.: Fernando Ascani Planejamento Estratégico de TI Prof.: Fernando Ascani Data Warehouse - Conceitos Hoje em dia uma organização precisa utilizar toda informação disponível para criar e manter vantagem competitiva. Sai na

Leia mais

Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse

Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse Definição escopo do projeto (departamental, empresarial) Grau de redundância dos dados(ods, data staging) Tipo de usuário alvo (executivos, unidades) Definição do ambiente (relatórios e consultas préestruturadas

Leia mais

Microsoft Innovation Center

Microsoft Innovation Center Microsoft Innovation Center Mineração de Dados (Data Mining) André Montevecchi andre@montevecchi.com.br Introdução Objetivo BI e Mineração de Dados Aplicações Exemplos e Cases Algoritmos para Mineração

Leia mais

Administração de Sistemas de Informação Gerenciais UNIDADE IV: Fundamentos da Inteligência de Negócios: Gestão da Informação e de Banco de Dados Um banco de dados é um conjunto de arquivos relacionados

Leia mais

Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS

Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS Sumário Conceitos / Autores chave... 3 1. Introdução... 3 2. Tarefas desempenhadas por Técnicas de 4 Mineração de Dados...

Leia mais

Sistemas de Apoio à Decisão (SAD) - Senado

Sistemas de Apoio à Decisão (SAD) - Senado Sistemas de Apoio à Decisão (SAD) - Senado DW OLAP BI Ilka Kawashita Material preparado :Prof. Marcio Vitorino Sumário OLAP Data Warehouse (DW/ETL) Modelagem Multidimensional Data Mining BI - Business

Leia mais

Prof. Msc. Paulo Muniz de Ávila

Prof. Msc. Paulo Muniz de Ávila Prof. Msc. Paulo Muniz de Ávila O que é Data Mining? Mineração de dados (descoberta de conhecimento em bases de dados): Extração de informação interessante (não-trivial, implícita, previamente desconhecida

Leia mais

IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES ENTRE PRODUTOS DE UMA BASE DE DADOS REAL

IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES ENTRE PRODUTOS DE UMA BASE DE DADOS REAL Universidade Federal de Ouro Preto - UFOP Instituto de Ciências Exatas e Biológicas - ICEB Departamento de Computação - DECOM IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES

Leia mais

DATA WAREHOUSE. Introdução

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 mais

4. Que tipos de padrões podem ser minerados. 5. Critérios de classificação de sistemas de Data Mining. 6. Tópicos importantes de estudo em Data Mining

4. Que tipos de padrões podem ser minerados. 5. Critérios de classificação de sistemas de Data Mining. 6. Tópicos importantes de estudo em Data Mining Curso de Data Mining - Aula 1 1. Como surgiu 2. O que é 3. Em que tipo de dados pode ser aplicado 4. Que tipos de padrões podem ser minerados 5. Critérios de classificação de sistemas de Data Mining 6.

Leia mais

APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA

APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA Lizianne Priscila Marques SOUTO 1 1 Faculdade de Ciências Sociais e Aplicadas

Leia mais

Revisão Inteligência Artificial ENADE. Prof a Fabiana Lorenzi Outubro/2011

Revisão Inteligência Artificial ENADE. Prof a Fabiana Lorenzi Outubro/2011 Revisão Inteligência Artificial ENADE Prof a Fabiana Lorenzi Outubro/2011 Representação conhecimento É uma forma sistemática de estruturar e codificar o que se sabe sobre uma determinada aplicação (Rezende,

Leia mais

Aula 15. Tópicos Especiais I Sistemas de Informação. Prof. Dr. Dilermando Piva Jr.

Aula 15. Tópicos Especiais I Sistemas de Informação. Prof. Dr. Dilermando Piva Jr. 15 Aula 15 Tópicos Especiais I Sistemas de Informação Prof. Dr. Dilermando Piva Jr. Site Disciplina: http://fundti.blogspot.com.br/ Conceitos básicos sobre Sistemas de Informação Conceitos sobre Sistemas

Leia mais

Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados

Administração 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 mais

Complemento II Noções Introdutória em Redes Neurais

Complemento II Noções Introdutória em Redes Neurais Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

PROJETO DE REDES www.projetoderedes.com.br

PROJETO DE REDES www.projetoderedes.com.br PROJETO DE REDES www.projetoderedes.com.br Centro Universitário de Volta Redonda - UniFOA Curso Tecnológico de Redes de Computadores 5º período Disciplina: Tecnologia WEB Professor: José Maurício S. Pinheiro

Leia mais

Complemento IV Introdução aos Algoritmos Genéticos

Complemento IV Introdução aos Algoritmos Genéticos Complemento IV Introdução aos Algoritmos Genéticos Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações e

Leia mais

5 Estudo de Caso. 5.1. Material selecionado para o estudo de caso

5 Estudo de Caso. 5.1. Material selecionado para o estudo de caso 5 Estudo de Caso De modo a ilustrar a estruturação e representação de conteúdos educacionais segundo a proposta apresentada nesta tese, neste capítulo apresentamos um estudo de caso que apresenta, para

Leia mais

Gestão da Informação. Gestão da Informação. AULA 3 Data Mining

Gestão da Informação. Gestão da Informação. AULA 3 Data Mining Gestão da Informação AULA 3 Data Mining Prof. Edilberto M. Silva Gestão da Informação Agenda Unidade I - DM (Data Mining) Definição Objetivos Exemplos de Uso Técnicas Tarefas Unidade II DM Prático Exemplo

Leia mais

FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO:

FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO: FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO: Bacharelado em Sistemas de Informação DISCIPLINA: Fundamentos de Sistemas de Informação PROFESSOR: Paulo de Tarso Costa de Sousa TURMA: BSI 2B

Leia mais

SISTEMAS DE APOIO À DECISÃO SAD

SISTEMAS DE APOIO À DECISÃO SAD SISTEMAS DE APOIO À DECISÃO SAD Conceitos introdutórios Decisão Escolha feita entre duas ou mais alternativas. Tomada de decisão típica em organizações: Solução de problemas Exploração de oportunidades

Leia mais

Extração de Conhecimento a partir dos Sistemas de Informação

Extração de Conhecimento a partir dos Sistemas de Informação Extração de Conhecimento a partir dos Sistemas de Informação Gisele Faffe Pellegrini & Katia Collazos Grupo de Pesquisa em Eng. Biomédica Universidade Federal de Santa Catarina Jorge Muniz Barreto Prof.

Leia mais

KDD UMA VISAL GERAL DO PROCESSO

KDD UMA VISAL GERAL DO PROCESSO KDD UMA VISAL GERAL DO PROCESSO por Fernando Sarturi Prass 1 1.Introdução O aumento das transações comerciais por meio eletrônico, em especial as feitas via Internet, possibilitou as empresas armazenar

Leia mais

Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado

Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado Alessandro Ferreira Brito 1, Rodrigo Augusto R. S. Baluz 1, Jean Carlo Galvão Mourão 1, Francisco das Chagas Rocha 2

Leia mais

No mundo atual, globalizado e competitivo, as organizações têm buscado cada vez mais, meios de se destacar no mercado. Uma estratégia para o

No 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 mais

Mineração de Dados: Introdução e Aplicações

Mineração de Dados: Introdução e Aplicações Mineração de Dados: Introdução e Aplicações Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br Apresentação Luiz Merschmann Engenheiro

Leia mais

Módulo 2. Definindo Soluções OLAP

Módulo 2. Definindo Soluções OLAP Módulo 2. Definindo Soluções OLAP Objetivos Ao finalizar este módulo o participante: Recordará os conceitos básicos de um sistema OLTP com seus exemplos. Compreenderá as características de um Data Warehouse

Leia mais

Sistema. Atividades. Sistema de informações. Tipos de sistemas de informação. Everson Santos Araujo everson@everson.com.br

Sistema. Atividades. Sistema de informações. Tipos de sistemas de informação. Everson Santos Araujo everson@everson.com.br Sistema Tipos de sistemas de informação Everson Santos Araujo everson@everson.com.br Um sistema pode ser definido como um complexo de elementos em interação (Ludwig Von Bertalanffy) sistema é um conjunto

Leia mais

Data Warehousing. Leonardo da Silva Leandro. CIn.ufpe.br

Data Warehousing. Leonardo da Silva Leandro. CIn.ufpe.br Data Warehousing Leonardo da Silva Leandro Agenda Conceito Elementos básicos de um DW Arquitetura do DW Top-Down Bottom-Up Distribuído Modelo de Dados Estrela Snowflake Aplicação Conceito Em português:

Leia mais

2 Descoberta de Conhecimento em Bases de Dados 2.1. Introdução

2 Descoberta de Conhecimento em Bases de Dados 2.1. Introdução 2 Descoberta de Conhecimento em Bases de Dados 2.1. Introdução De acordo com [FAYY96], o conceito de descoberta de conhecimento em bases de dados pode ser resumido como o processo não-trivial de identificar

Leia mais

Data Warehouses Uma Introdução

Data Warehouses Uma Introdução Data Warehouses Uma Introdução Alex dos Santos Vieira, Renaldy Pereira Sousa, Ronaldo Ribeiro Goldschmidt 1. Motivação e Conceitos Básicos Com o advento da globalização, a competitividade entre as empresas

Leia mais

Introdução. Capítulo 1

Introdução. Capítulo 1 Capítulo 1 Introdução Em computação, muitos problemas são resolvidos por meio da escrita de um algoritmo que especifica, passo a passo, como resolver um problema. No entanto, não é fácil escrever um programa

Leia mais

A evolução da tecnologia da informação nos últimos 45 anos

A evolução da tecnologia da informação nos últimos 45 anos A evolução da tecnologia da informação nos últimos 45 anos Denis Alcides Rezende Do processamento de dados a TI Na década de 1960, o tema tecnológico que rondava as organizações era o processamento de

Leia mais

INF 1771 Inteligência Artificial

INF 1771 Inteligência Artificial Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 04 Algoritmos Genéticos Introdução Algoritmos genéticos são bons para abordar espaços de buscas muito grandes e navegálos

Leia mais

CAPÍTULO 7. SISTEMAS DE APOIO À DECISÃO (SAD) SISTEMAS DE SUPORTE À DECISÃO (SSD)

CAPÍTULO 7. SISTEMAS DE APOIO À DECISÃO (SAD) SISTEMAS DE SUPORTE À DECISÃO (SSD) 1 CAPÍTULO 7. SISTEMAS DE APOIO À DECISÃO (SAD) SISTEMAS DE SUPORTE À DECISÃO (SSD) A necessidade dos SAD surgiu em decorrência de diversos fatores, como, por exemplo: Competição cada vez maior entre as

Leia mais

Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados

Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados slide 1 1 Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall Objetivos de estudo Como um banco de dados

Leia mais

Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining

Pós-Graduação Lato Sensu Especialização em Análise de Dados e Data Mining Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining Inscrições Abertas Início das Aulas: 24/03/2015 Dias e horários das aulas: Terça-Feira 19h00 às 22h45 Semanal Quinta-Feira 19h00

Leia mais

Unidade III PRINCÍPIOS DE SISTEMAS DE. Prof. Luís Rodolfo

Unidade III PRINCÍPIOS DE SISTEMAS DE. Prof. Luís Rodolfo Unidade III PRINCÍPIOS DE SISTEMAS DE INFORMAÇÃO Prof. Luís Rodolfo Vantagens e desvantagens de uma rede para a organização Maior agilidade com o uso intenso de redes de computadores; Grandes interações

Leia mais

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan Faculdade INED Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan 1 Unidade 4.5 2 1 BI BUSINESS INTELLIGENCE BI CARLOS BARBIERI

Leia mais

ADM041 / EPR806 Sistemas de Informação

ADM041 / EPR806 Sistemas de Informação ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes

Leia mais

Bloco Administrativo

Bloco Administrativo Bloco Administrativo BI Business Intelligence Objetivo O objetivo deste artigo é dar uma visão geral sobre o Módulo Business Intelligence, que se encontra no Bloco Administrativo. Todas informações aqui

Leia mais

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é?

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é? KDD Conceitos o que é? Fases limpeza etc Datamining OBJETIVOS PRIMÁRIOS TAREFAS PRIMÁRIAS Classificação Regressão Clusterização OBJETIVOS PRIMÁRIOS NA PRÁTICA SÃO DESCRIÇÃO E PREDIÇÃO Descrição Wizrule

Leia mais

Business Intelligence e ferramentas de suporte

Business Intelligence e ferramentas de suporte O modelo apresentado na figura procura enfatizar dois aspectos: o primeiro é sobre os aplicativos que cobrem os sistemas que são executados baseados no conhecimento do negócio; sendo assim, o SCM faz o

Leia mais

DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS

DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS Tácio Dias Palhão Mendes Bacharelando em Sistemas de Informação Bolsista de Iniciação Científica da FAPEMIG taciomendes@yahoo.com.br Prof.

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem

Leia mais

Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1

Laudon & 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 mais

3 Metodologia de Previsão de Padrões de Falha

3 Metodologia de Previsão de Padrões de Falha 3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar

Leia mais

Visão Geral dos Sistemas de Informação

Visão Geral dos Sistemas de Informação Visão Geral dos Sistemas de Informação Existem muitos tipos de sistemas de informação no mundo real. Todos eles utilizam recursos de hardware, software, rede e pessoas para transformar os recursos de dados

Leia mais

Tecnologias e Sistemas de Informação

Tecnologias e Sistemas de Informação Universidade Federal do Vale do São Francisco Curso de Administração Tecnologia e Sistemas de Informação - 02 Prof. Jorge Cavalcanti jorge.cavalcanti@univasf.edu.br www.univasf.edu.br/~jorge.cavalcanti

Leia mais

SISTEMAS INTELIGENTES DE APOIO À DECISÃO

SISTEMAS INTELIGENTES DE APOIO À DECISÃO SISTEMAS INTELIGENTES DE APOIO À DECISÃO As organizações estão ampliando significativamente suas tentativas para auxiliar a inteligência e a produtividade de seus trabalhadores do conhecimento com ferramentas

Leia mais

SAD orientado a DADOS

SAD orientado a DADOS Universidade do Contestado Campus Concórdia Curso de Sistemas de Informação Prof.: Maico Petry SAD orientado a DADOS DISCIPLINA: Sistemas de Apoio a Decisão SAD orientado a dados Utilizam grandes repositórios

Leia mais

Sistema de mineração de dados para descobertas de regras e padrões em dados médicos

Sistema de mineração de dados para descobertas de regras e padrões em dados médicos Sistema de mineração de dados para descobertas de regras e padrões em dados médicos Pollyanna Carolina BARBOSA¹; Thiago MAGELA² 1Aluna do Curso Superior Tecnólogo em Análise e Desenvolvimento de Sistemas

Leia mais

Sistemas de Informações Gerenciais

Sistemas de Informações Gerenciais Sistemas de Informações Gerenciais Aula 4 Sistema de Informação SI baseado em computadores Organização, administração e estratégia Professora: Cintia Caetano INTRODUÇÃO Sistemas de Informação são parte

Leia mais

BUSINESS INTELLIGENCE, O ELEMENTO CHAVE PARA O SUCESSO DAS ORGANIZAÇÕES.

BUSINESS INTELLIGENCE, O ELEMENTO CHAVE PARA O SUCESSO DAS ORGANIZAÇÕES. Encontro de Ensino, Pesquisa e Extensão, Presidente Prudente, 22 a 25 de outubro, 2012 88 BUSINESS INTELLIGENCE, O ELEMENTO CHAVE PARA O SUCESSO DAS ORGANIZAÇÕES. Andrios Robert Silva Pereira, Renato Zanutto

Leia mais

Sistemas de Informação James A. O Brien Editora Saraiva Capítulo 5

Sistemas de Informação James A. O Brien Editora Saraiva Capítulo 5 Para entender bancos de dados, é útil ter em mente que os elementos de dados que os compõem são divididos em níveis hierárquicos. Esses elementos de dados lógicos constituem os conceitos de dados básicos

Leia mais

Data Mining: Conceitos e Técnicas

Data Mining: Conceitos e Técnicas Data Mining: Conceitos e Técnicas DM, DW e OLAP Data Warehousing e OLAP para Data Mining O que é data warehouse? De data warehousing para data mining Data Warehousing e OLAP para Data Mining Data Warehouse:

Leia mais

Algoritmos Genéticos em Mineração de Dados. Descoberta de Conhecimento. Descoberta do Conhecimento em Bancos de Dados

Algoritmos Genéticos em Mineração de Dados. Descoberta de Conhecimento. Descoberta do Conhecimento em Bancos de Dados Algoritmos Genéticos em Mineração de Dados Descoberta de Conhecimento Descoberta do Conhecimento em Bancos de Dados Processo interativo e iterativo para identificar padrões válidos, novos, potencialmente

Leia mais

MINERAÇÃO DE DADOS. Mineração de Dados

MINERAÇÃO DE DADOS. Mineração de Dados MINERAÇÃO DE DADOS Mineração de Dados Sumário Conceitos / Autores chave... 3 1. Introdução... 4 2. Conceitos de Mineração de Dados... 5 3. Aplicações de Mineração de Dados... 7 4. Ferramentas de Mineração

Leia mais

BUSINESS INTELLIGENCE -Inteligência nos Negócios-

BUSINESS INTELLIGENCE -Inteligência nos Negócios- UNIVERSIDADE SÃO FRANCISCO CENTRO DE CIÊNCIAS JURÍDICAS, HUMANAS E SOCIAIS BUSINESS INTELLIGENCE -Inteligência nos Negócios- Curso: Administração Hab. Sistemas de Informações Disciplina: Gestão de Tecnologia

Leia mais

TÉCNICAS DE INFORMÁTICA WILLIAN FERREIRA DOS SANTOS

TÉCNICAS DE INFORMÁTICA WILLIAN FERREIRA DOS SANTOS TÉCNICAS DE INFORMÁTICA WILLIAN FERREIRA DOS SANTOS Vimos em nossas aulas anteriores: COMPUTADOR Tipos de computadores Hardware Hardware Processadores (CPU) Memória e armazenamento Dispositivos de E/S

Leia mais

MBA em Gestão de Empreendimentos Turísticos

MBA em Gestão de Empreendimentos Turísticos Prof. Martius V. Rodriguez y Rodriguez, DSc martius@kmpress.com.br MBA em Gestão de Empreendimentos Turísticos Gestão do Conhecimento e Tecnologia da Informação Gestão do Conhecimento evolução conceitual.

Leia mais

Requisitos de business intelligence para TI: O que todo gerente de TI deve saber sobre as necessidades reais de usuários comerciais para BI

Requisitos de business intelligence para TI: O que todo gerente de TI deve saber sobre as necessidades reais de usuários comerciais para BI Requisitos de business intelligence para TI: O que todo gerente de TI deve saber sobre as necessidades reais de usuários comerciais para BI Janeiro de 2011 p2 Usuários comerciais e organizações precisam

Leia mais

Relatório Iniciação Científica

Relatório Iniciação Científica Relatório Iniciação Científica Ambientes Para Ensaios Computacionais no Ensino de Neurocomputação e Reconhecimento de Padrões Bolsa: Programa Ensinar com Pesquisa-Pró-Reitoria de Graduação Departamento:

Leia mais

Business Intelligence Um enfoque gerencial para a Inteligência do Negócio.Efrain Turban e outros.tradução. Bookman, 2009.

Business Intelligence Um enfoque gerencial para a Inteligência do Negócio.Efrain Turban e outros.tradução. Bookman, 2009. REFERÊNCIAS o o Business Intelligence Um enfoque gerencial para a Inteligência do Negócio.Efrain Turban e outros.tradução. Bookman, 2009. Competição Analítica - Vencendo Através da Nova Ciência Davenport,

Leia mais

INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA

INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA CURSO DE ESPECIALIZAÇÃO EM ANÁLISE DE AMBIENTE ELETROMAGNÉTICO CEAAE /2008 DISCIPLINA EE-09: Inteligência

Leia mais

Exemplo de Aplicação do DataMinig

Exemplo de Aplicação do DataMinig Exemplo de Aplicação do DataMinig Felipe E. Barletta Mendes 19 de fevereiro de 2008 INTRODUÇÃO AO DATA MINING A mineração de dados (Data Mining) está inserida em um processo maior denominado Descoberta

Leia mais

CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE

CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE Fabio Favaretto Professor adjunto - Programa de Pós Graduação em Engenharia de Produção

Leia mais

Análise e Projeto de. Aula 01. Profa Cristiane Koehler cristiane.koehler@canoas.ifrs.edu.br

Análise e Projeto de. Aula 01. Profa Cristiane Koehler cristiane.koehler@canoas.ifrs.edu.br Análise e Projeto de Sistemas I Aula 01 Profa Cristiane Koehler cristiane.koehler@canoas.ifrs.edu.br Análise e Projeto de Sistemas I Horário das Aulas: 2as feiras das 10h10 às 11h40 e 5as feiras das 08h25

Leia mais

Inteligência Artificial

Inteligência Artificial Inteligência Artificial As organizações estão ampliando significativamente suas tentativas para auxiliar a inteligência e a produtividade de seus trabalhadores do conhecimento com ferramentas e técnicas

Leia mais

CONHECENDO E CONCEITUANDO SISTEMAS DE INFORMAÇÃO

CONHECENDO E CONCEITUANDO SISTEMAS DE INFORMAÇÃO CONHECENDO E CONCEITUANDO SISTEMAS DE INFORMAÇÃO Franco Vieira Sampaio 1 Atualmente a informática está cada vez mais inserida no dia a dia das empresas, porém, no início armazenavam-se os dados em folhas,

Leia mais

Radar de Penetração no Solo e Meio- Ambiente

Radar de Penetração no Solo e Meio- Ambiente UNIVERSIDADE DE SÃO PAULO INSTITUTO DE ASTRONOMIA, GEOFÍSICA E CIÊNCIAS ATMOSFÉRICAS DEPARTAMENTO DE GEOFÍSICA Curso 3ª Idade Radar de Penetração no Solo e Meio- Ambiente Vinicius Rafael Neris dos Santos

Leia mais

SISTEMAS DE NEGÓCIOS B) INFORMAÇÃO GERENCIAL

SISTEMAS DE NEGÓCIOS B) INFORMAÇÃO GERENCIAL 1 SISTEMAS DE NEGÓCIOS B) INFORMAÇÃO GERENCIAL 1. SISTEMAS DE INFORMAÇÃO GERENCIAL (SIG) Conjunto integrado de pessoas, procedimentos, banco de dados e dispositivos que suprem os gerentes e os tomadores

Leia mais

Modelo de dados do Data Warehouse

Modelo de dados do Data Warehouse Modelo de dados do Data Warehouse Ricardo Andreatto O modelo de dados tem um papel fundamental para o desenvolvimento interativo do data warehouse. Quando os esforços de desenvolvimentos são baseados em

Leia mais

Unidade III PLANEJAMENTO ESTRATÉGICO DE. Prof. Daniel Arthur Gennari Junior

Unidade III PLANEJAMENTO ESTRATÉGICO DE. Prof. Daniel Arthur Gennari Junior Unidade III PLANEJAMENTO ESTRATÉGICO DE TECNOLOGIA DA INFORMAÇÃO Prof. Daniel Arthur Gennari Junior Sobre esta aula Gestão do conhecimento e inteligência Corporativa Conceitos fundamentais Aplicações do

Leia mais

Gestão de Contextos Visão Calandra Soluções sobre Gestão da Informação em Contextos White Paper

Gestão de Contextos Visão Calandra Soluções sobre Gestão da Informação em Contextos White Paper Gestão de Contextos Visão Calandra Soluções sobre Gestão da Informação em Contextos White Paper ÍNDICE ÍNDICE...2 RESUMO EXECUTIVO...3 O PROBLEMA...4 ILHAS DE INFORMAÇÃO...4 ESTRUTURA FRAGMENTADA VS. ESTRUTURA

Leia mais

A Computação e as Classificações da Ciência

A Computação e as Classificações da Ciência A Computação e as Classificações da Ciência Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Agenda Classificações da Ciência A Computação

Leia mais

Edições Edge do SAP InfiniteInsight Visão geral Viabilizando insights preditivos apenas com cliques de mouse, sem códigos de computador

Edições Edge do SAP InfiniteInsight Visão geral Viabilizando insights preditivos apenas com cliques de mouse, sem códigos de computador Soluções de análise da SAP Edições Edge do SAP InfiniteInsight Visão geral Viabilizando insights preditivos apenas com cliques de mouse, sem códigos de computador Índice 3 Um caso para análise preditiva

Leia mais

Pós-Graduação em Engenharia Elétrica Inteligência Artificial

Pós-Graduação em Engenharia Elétrica Inteligência Artificial Pós-Graduação em Engenharia Elétrica Inteligência Artificial João Marques Salomão Rodrigo Varejão Andreão Inteligência Artificial Definição (Fonte: AAAI ): "the scientific understanding of the mechanisms

Leia mais

Módulo 6: Inteligência Artificial

Módulo 6: Inteligência Artificial Módulo 6: Inteligência Artificial Assuntos: 6.1. Aplicações da IA 6.2. Sistemas Especialistas 6.1. Aplicações da Inteligência Artificial As organizações estão ampliando significativamente suas tentativas

Leia mais

Simulação Computacional de Sistemas, ou simplesmente Simulação

Simulação Computacional de Sistemas, ou simplesmente Simulação Simulação Computacional de Sistemas, ou simplesmente Simulação Utilização de métodos matemáticos & estatísticos em programas computacionais visando imitar o comportamento de algum processo do mundo real.

Leia mais

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto OLPT x OLAP Roteiro OLTP Datawarehouse OLAP Operações OLAP Exemplo com Mondrian e Jpivot

Leia mais

Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI)

Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI) Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI) Apresentação O programa de Pós-graduação Lato Sensu em Business Intelligence Inteligência Competitiva tem por fornecer conhecimento

Leia mais

UNIVERSIDADE FEDERAL DE MINAS GERAIS BACHARELADO EM SISTEMAS DE INFORMAÇÃO

UNIVERSIDADE FEDERAL DE MINAS GERAIS BACHARELADO EM SISTEMAS DE INFORMAÇÃO UNIVERSIDADE FEDERAL DE MINAS GERAIS BACHARELADO EM SISTEMAS DE INFORMAÇÃO Proposta de Formação Complementar: BUSINESS INTELLIGENCE E SUA APLICAÇÃO À GESTÃO Aluno: Yussif Tadeu de Barcelos Solange Teixeira

Leia mais

EMENTAS DAS DISCIPLINAS

EMENTAS DAS DISCIPLINAS EMENTAS DAS DISCIPLINAS CST SISTEMAS DE INFORMAÇÃO DISCIPLINA: Algoritmo e Programação I A disciplina aborda o estudo de algoritmos, envolvendo os conceitos fundamentais: variáveis, tipos de dados, constantes,

Leia mais

Informativo Bimestral da Siqueira Campos Associados agosto de 2013 - ano VII - Número 21. Catálogo de Treinamentos 2013

Informativo Bimestral da Siqueira Campos Associados agosto de 2013 - ano VII - Número 21. Catálogo de Treinamentos 2013 Informativo Bimestral da Siqueira Campos Associados agosto de 2013 - ano VII - Número 21 Nesta edição Lean Office - Dez dicas para economizar tempo no trabalho Estatística Seis Sigma - Estatística não

Leia mais

Instituto de Educação Tecnológica Pós-graduação Gestão e Tecnologia da Informação - Turma 25 20/03/2015. Big Data Analytics:

Instituto de Educação Tecnológica Pós-graduação Gestão e Tecnologia da Informação - Turma 25 20/03/2015. Big Data Analytics: Instituto de Educação Tecnológica Pós-graduação Gestão e Tecnologia da Informação - Turma 25 20/03/2015 Big Data Analytics: Como melhorar a experiência do seu cliente Anderson Adriano de Freitas RESUMO

Leia mais

INSTITUTO VIANNA JÚNIOR LTDA FACULADE DE CIENCIAS ECONOMICAS VIANNA JUNIOR DATA MINING - EXTRAÇÃO E EXPLORAÇÃO DE CONHECIMENTO.

INSTITUTO VIANNA JÚNIOR LTDA FACULADE DE CIENCIAS ECONOMICAS VIANNA JUNIOR DATA MINING - EXTRAÇÃO E EXPLORAÇÃO DE CONHECIMENTO. INSTITUTO VIANNA JÚNIOR LTDA FACULADE DE CIENCIAS ECONOMICAS VIANNA JUNIOR DATA MINING - EXTRAÇÃO E EXPLORAÇÃO DE CONHECIMENTO. Lúcia Helena de Magalhães 1 Márcio Aarestrup Arbex 2 Resumo Este artigo tem

Leia mais

IC Inteligência Computacional Redes Neurais. Redes Neurais

IC Inteligência Computacional Redes Neurais. Redes Neurais Universidade Federal do Rio de Janeiro PÓS-GRADUAÇÃO / 2008-2 IC Inteligência Computacional Redes Neurais www.labic.nce.ufrj.br Antonio G. Thomé thome@nce.ufrj.br Redes Neurais São modelos computacionais

Leia mais

Identificar as mudanças que acontecem na forma e no uso de apoio à decisão em empreendimentos de e-business. Identificar o papel e alternativas de

Identificar as mudanças que acontecem na forma e no uso de apoio à decisão em empreendimentos de e-business. Identificar o papel e alternativas de 1 Identificar as mudanças que acontecem na forma e no uso de apoio à decisão em empreendimentos de e-business. Identificar o papel e alternativas de relatórios dos sistemas de informação gerencial. Descrever

Leia mais

Data Warehouses. Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos

Data Warehouses. Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos Data Warehouses Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos Conceitos Básicos Data Warehouse(DW) Banco de Dados voltado para

Leia mais

GUIA ATS INFORMÁTICA: GESTÃO DE ESTOQUE

GUIA ATS INFORMÁTICA: GESTÃO DE ESTOQUE GUIA ATS INFORMÁTICA: GESTÃO DE ESTOQUE SUMÁRIO O que é gestão de estoque...3 Primeiros passos para uma gestão de estoque eficiente...7 Como montar um estoque...12 Otimize a gestão do seu estoque...16

Leia mais

Estudar os Sistemas de Processamento de Transação (SPT)

Estudar os Sistemas de Processamento de Transação (SPT) Estudar a Colaboração Empresarial. Objetivos do Capítulo Estudar os Sistemas de Processamento de Transação (SPT) Identificar o papel e alternativas de relatórios dos sistemas de informação gerencial. Estudar

Leia mais

Inteligência de Dados

Inteligência de Dados Inteligência de Dados Apoio Master Transformando Dados em Vantagem Competitiva Leonardo Couto Sócio e Diretor Comercial leo.couto@wiseminer.com +55 21 9 7295 1422 Big Data Bang e os desafios da gestão

Leia mais

Banco de Dados - Senado

Banco 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 mais