UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO

Tamanho: px
Começar a partir da página:

Download "UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO"

Transcrição

1 UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO DESENVOLVIMENTO DE UM DATA MINING QUE AUXILIE NA MELHORIA DOS ÍNDICE DA OCUPAÇÃO DO SETOR HOTELEIRO Inteligência Artificial por Jociel Gamba Anita Maria da Rocha Fernandes, Dra Orientadora São José (SC), Julho de 2007

2 UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO DESENVOLVIMENTO DE UM DATA MINING QUE AUXILIE NA MELHORIA DOS ÍNDICE DA OCUPAÇÃO DO SETOR HOTELEIRO Área de Inteligência Artificial por Jociel Gamba Relatório apresentado à Banca Examinadora do Trabalho de Conclusão do Curso de Ciência da Computação para análise e aprovação. Orientador: Anita Maria da Rocha Fernandes Dra Itajaí (SC), Julho de 2007

3 SUMÁRIO LISTA DE ABREVIATURAS E SIGLAS...v LISTAS DE FIGURAS... vi LISTAS DE TABELAS... vii RESUMO... viii ABSTRACT... ix 1 INTRODUÇÃO CONTEXTUALIZAÇÃO PROBLEMA OBJETIVOS Objetivo geral Objetivos específicos Escopo e delimitação do trabalho JUSTIFICATIVA ASPECTOS METODOLÓGICOS FUNDAMENTAÇÀO TEÓRICA CRM O CICLO DE NEGÓCIO DE CRM Entenda e diferencie Desenvolva e Personalize Interaja e Entregue Adquira e Retenha CRM ANALÍTICO e CRM OPERACIONAL PERFIL DO CRM NO BRASIL O CRM NO SETOR TURÍSTICO DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS (DCBD) FASES DA DCBD Modelo de DCBD segundo Paula(2004) DATA MINING Objetivos primários da mineração de dados Técnicas utilizadas no processo de mineração de dados Associação Seqüência Agrupamentos Classificação Técnicas de Auxílio a Mineração de Dados Redes Neurais Algoritmos Genéticos...42

4 Métodos Estatísticos Métodos Lineares A RELEVÂNCIA DO DATA MINING PARA O CRM DM NO CONTEXTO DO CRM Benefícios da Utilização da Técnica Exemplos de Utilização de CRM e DM Rede de lojas Companhia Telefônica TURISMO Fatores determinantes da Demanda Turística Inventário Turístico Softwares Analizados Ferramenta de CRM Ferramentas DM FERRAMENTA WEKA Descrição dos pacotes Weka Arquivos de Entrada Algoritmos WEKA Associação Cluster Classificadores Interface do WEKA DIFICULDADE DE INTERAÇÃO INVENTÁRIO TURÍSTICO E SOFTWARES DE CRM/DM DESENVOLVIMENTO ENTREVISTAS JUNTO AOS PROFISSIONAIS DE HOTELARIA SELEÇÃO DOS DADOS Tabelas Suplementares PRÉ-PROCESSAMENTO TRANSFORMAÇÃO MINERAÇÃO DE DADOS Interpretação e Validação MODELAGEM DO SISTEMA Requisitos Funcionais dos Sistema Requisitos não Funcionais do Sistema Regras de Negócio Use Cases DATA MINING Arquivos do Sistema Mineração dos Dados...96 iii

5 3.7.3 Protótipo Escolha do Algoritmo CONCLUSÃO REFERÊNCIAS BIBLIOGRÁFICAS iv

6 LISTA DE ABREVIATURAS E SIGLAS ABEMD CRM DCBD DM EMBRATUR IBRE KDD MD RB RNA SFA SQL TCC TFA TI UML WWW Associação Brasileira de Marketing Direto Customer Relationship Management Descoberta de Conhecimento em Base de Dados Data Mining Empresa Brasileira de Turismo Instituto Brasileiro de Economia Knowledge Discovery in Databases Mineração de Dados Rede Bayesiana Rede Neural Artificial Sales Force Automation Structured Query Language Trabalho de Conclusão de Curso Techinical Force Automation Tecnologia da Informação Unified Modeling Language Wold Wide Web v

7 LISTAS DE FIGURAS Figura 1.Tempo de vendas. MANUAL x CRM...12 Figura 2. Ciclo do CRM...13 Figura 3. Custos dos Clientes...18 Figura 4 CRM Operacional, Analítico e Colaborativo...20 Figura 5. CRM do Brasil...21 Figura 6. Pirâmide do conhecimento...24 Figura 7. Fases DCBD...26 Figura 8. Fases DCBD...27 Figura 9. Fases DCBD...29 Figura 10. Fases Mineração de dados...31 Figura 11. Exemplo de Regra de Associação...35 Figura 12. Modelo de Rede Neural Artificial...41 Figura 13. RNA no DM...42 Figura 14. Ciclo Algoritmo Genético...44 Figura 15 Árvore de Decisão...48 Figura 16 Ciclo do CRM...53 Figura 17.CRM Gráfico de Ganho...54 Figura 18. Relação dos pacotes...63 Figura 19. Arquivo entrada.csv...65 Figura 20.Tela Explorer WEKA...67 Figura 21. Tela 2 WEKA...68 Figura 22. Tela 3 WEKA...69 Figura 23. Tela 4 WEKA...70 Figura 24 Arquivo.CSV...83 Figura 25 Teste Algoritmo Classificação...84 Figura 26 Teste Algoritmo Clusterização...85 Figura 27 Teste Algoritmo Apriori...86 Figura 28 Use Case Operador...89 Figura 29: Use Case Gerente...90 Figura 30: Diagrama de Atividade...91 Figura 31. Tela de Login do Sistema...96 Figura 32: Tela Principal do Sitema...97 Figura 33: Tela Perfil dos Hóspedes x Estatística...98 Figura 34: Integração Protótipo x WEKA...99 Figura 35: Minerando Dados ASSOCITE Figura 36: Tela Visualização Resultados WEKA Figura 37: Menu Cadastro Figura 38: Tela Padrão Procura Figura 39: Tela Cadastro Acontecimento vi

8 LISTAS DE TABELAS Tabela 1. Exemplo de Associação...33 Tabela 2. Exemplo de Regra de Classificação...39 Tabela 3: Funções...72 Tabela 4: Tempo de Atuação...73 Tabela 5: Número de Apartamentos...73 Tabela 6: Publico Habitue...73 Tabela 7: Faixa Etária...74 Tabela 8: Meses de Baixa Ocupação...74 Tabela 9: Principais Estados Freqüentadores...75 Tabela 10: Levantamento de Dados para Cruzamento...76 Tabela 11: Feriados nacionais e municipais...77 Tabela 12: Informações para melhoria da ocupação vii

9 RESUMO GAMBA, Jociel. Desenvolvimento de um Data Mining que auxilie na Melhoria Dos Índice Da Ocupação Do Setor Hoteleiro. São José, Trabalho de Conclusão de Curso (Graduação em Ciências da Computação) Centro de Ciências Tecnológicas da Terra e do Mar, Universidade do Vale do Itajaí, São José, Com a análise do mercado hoteleiro pode-se observar a grande necessidade de um melhor aproveitamento dos dados, onde através destes muitas informações importantes até então desconhecidas poderiam ser observadas, e assim fornecer um suporte a toma de decisões e possíveis campanhas de marketing direcionadas, onde seus resultados possibilitariam proporcionar uma melhoria dos índices de ocupação nos períodos de sazonalidade. Assim a proposta de um protótipo que efetua o cruzamento desta base de dados juntamente com dados do inventário turístico regional, e posteriormente aplique as técnicas de data mining nos mesmos. Visando resultados com que possibilitem a descoberta do conhecimento até então implícito nos dados, conhecimento o qual forneceria base para o entendimento de determinadas oscilações, e assim possibilite a tomada de decisões, visando a melhoria destes índices de baixa ocupação. Como base para o tipo de informação necessária e útil para os gestores da área tomarem estas decisões, foram entrevistados diversos especialistas da área de hotelaria, através destes resultados, foram identificados campos existentes na base de dados do hotel o qual é alimentado pelo sistema DESBRAVADOR, e os dados referentes ao inventário turístico regional Aplicando ainda diversos conceitos e conhecimentos sobre mineração de dados e CRM, retirados de diversos autores os quais muitas vezes possuem opiniões e conceitos diferentes para o mesmo assunto. viii

10 ABSTRACT With the analysis of the hotel market the great necessity of one better exploitation of the data of the same ones for improvement of its indices of occupation and for one better application of the CRM concepts can be observed. In virtue of this the proposal of an archetype that assists in the improvement of these indices through the crossing of data which the companies already possess in its great databases, date technique manning. Such application still integrates the data of the regional tourist Inventory with the data base of the hotel, and on of a crossing of the same ones it applies the date algorithms mining in order to discover information that until then were not observed, or even though known For such, the work explores diverse concepts and knowledge on mining of data and CRM, removed of diverse authors which many times the same possess different opinions and concepts for subject. ix

11 1 INTRODUÇÃO Pode-se caracterizar a atividade de uma empresa hoteleira como sendo prestadora de serviços, tendo como principal meta o aluguel de unidades habitacionais. Diferencia-se por apresentar grande interação entre o prestador e o usuário do serviço, constante simultaneidade entre a aquisição e a utilização do serviço, e impossibilidade de estocagem do serviço produzido, com conseqüente total perecibilidade do serviço oferecido ao mercado consumidor. A empresa hoteleira constitui-se como essencial à infra-estrutura da atividade turística, tornando-se um dos sustentáculos principais para a fixação e o desenvolvimento desse mercado turístico. (OLIVEIRA, 2000). Aliadas à atividade principal, que é a de oferecer hospedagem, as empresas hoteleiras possuem a capacidade de atuar fortemente nas áreas de alimentação, bebidas e eventos, completando e qualificando a prestação dos seus serviços. Permitem um envolvimento contínuo com o seu mercado consumidor, caracterizando uma atividade completa e complexa, em constante transformação e adaptação às novas realidades tecnológicas e de mercado, que aumentam as possibilidades de disputar o mercado e diminuem a previsibilidade de conquista desse mercado (BRESOLIN, 2001). Devido a maioria dos empreendimentos hoteleiros possuir fases de alta e baixa temporada, a descontinuidade ocupacional impossibilita a sobrevivência operacional completa. Isto descaracteriza e reduz a mão-de-obra treinada e a participação no mercado, com conseqüentes perdas financeiras, por falta de faturamento, e perdas materiais de patrimônio e equipamentos, pela ociosidade imposta. Caracteriza-se assim, os períodos chamados de alta e baixa temporada (ibidem). A realidade com que se deparam o administradores dos empreendimentos hoteleiros, força os mesmos a necessidade de criar a possibilidade de operar e ocupar o negócio de hospedagens juntamente com seus eventos associados, em regime contínuo, de forma a superar as diferentes estações climáticas, adaptando e adequando o serviço prestado ao uso de seus hóspedes. Com isso, fomenta-se existência do turismo receptivo no período de baixa temporada, superando deficiências e criando afinidades do produto com o consumidor. 1

12 Estratégia que se constitui num desafio a mercados concorrentes estruturados, numerosos e variados, num ambiente altamente competitivo e exigente. A sazonalidade que ocorre nos diversos centros turísticos, depara-se sempre com situações semelhantes de ociosidade ocupacional e operacional, com as conseqüentes perdas financeiras, patrimoniais e de mão-de-obra, em que cada região procura soluções que resolvam a descontinuidade operacional, em situações particularizadas e exclusivas de resultados. Portanto, cada região deve procurar descobrir suas vantagens disponibilizadas e específicas, próprias do seu ambiente estabelecido. Cada uma delas deverá buscar sua solução específica adequada, aproveitando-se de suas particularidades individualizadas. Assim como as causas do problema de descontinuidade ocupacional são distintas e específicas para cada região, a busca por soluções para o problema deve contar com as características locais, para dar suporte e continuidade aos resultados positivos esperados. Dentro deste contexto, as empresas de automação do setor hoteleiro vêm buscando novas técnicas para auxiliar em tomadas de decisão estratégicas que ajudem na diminuição da ociosidade dos hotéis na baixa temporada. Atualmente a nível regional existem algumas empresas que se destacam na automação hoteleira: Desbravador CM Soluções e HMax. O software da CM Solução é utilizado basicamente por redes de hotéis, tais como IBIS, ACCOR entre outras (CM, 2006). O HMAX já e um programa mais recente no mercado e possui uma quantidade restrita de recursos, e atende a demanda de pequenos e médios hotéis (HMAX, 2006). Já o DESBRAVADOR é um produto de alguns anos de mercado que atende desde pequenas pousadas ate hotéis maiores, principalmente os que são mono hotéis (hotéis que não possuem redes). Suas funções atendem a diversas áreas dentro do mesmo, porém sua parte de CRM (Customer Relationship Management) apresenta algumas restrições quanto ao cruzamento e levantamento dos relacionamentos entre as variáveis da base. Desta forma, para uma tomada de decisão estratégica fica restrita a sua principal função, que é a confecção de 2

13 mala direta para clientes com características específicas, a partir de grupos de afinidades previamente definidos (grupos de clientes, grupos de afinidades, grupos de preferências) (DESBRAVADOR,2006). O envio de malas diretas sem um direcionamento bem definido e compatível com o cliente, geralmente leva a perda de dinheiro e não traz o retorno ocupacional desejado. Há necessidade de um conhecimento profundo dos clientes e das alternativas de situações para que os mesmos freqüentem o hotel fora da temporada. Para evitar tais problemas, o projeto propõe o desenvolvimento de um data mining, o qual cruzará e levantará possíveis relacionamentos na base de dados que facilitem a identificação dos perfis dos clientes com grande potencial de retorno mediante uma ação de mala direta. 1.1 CONTEXTUALIZAÇÃO Com o início da baixa temporada, os empreendimentos hoteleiros experimentam uma época de ociosidade operacional, devido ao período sazonal de pouca densidade de ocupação, tendo como conseqüência a ocupação inadequada dos empreendimentos que se caracteriza como um período de despesas contínuas de manutenção e operação, aliada a uma drástica redução de receitas que desequilibram completamente as suas capacidades financeiras (AULICINO, 2001). A questão maior que passa a ser enfocada, tornando-se o grande desafio do gestor do empreendimento hoteleiro, é justamente a possibilidade de criar mecanismos que incrementem a utilização dos empreendimentos hoteleiros no período de baixa temporada, visando a um crescimento da ocupação nessa época sazonal que permita a geração de receitas suficientes para fazer frente às despesas e operar, cada vez mais, os empreendimentos com qualidade de serviços prestados, de modo a caracterizar a região como um destino turístico de lazer procurado e disputado pelo mercado (LARA, 2001). Para isto, faz-se necessário que os hotéis trabalhem melhor com as informações disponibilizadas em suas bases de dados, a fim de descobrir o perfil ou grupos de perfis corretos dos seus hóspedes e a partir daí estabelecer políticas mais eficientes que aumentem o índice de ocupação na baixa temporada, bem como incremente a ocupação na alta temporada. 3

14 Neste sentido este projeto usa a técnica de data mining (mineração de dados). A mineração de dados é uma descoberta eficiente de informações válidas e não óbvias de uma grande coleção de dados (BIGUS, 1996). A proposta de extrair conhecimento de banco de dados surgiu devido a explosão do crescimento da quantidade de dados armazenados em meios magnéticos e da necessidade de aproveitá-los, motivada pela fome de conhecimento. Outro fator que contribuiu em muito para aumento do interesse em mineração de dados foi o desenvolvimento das técnicas de machine learning - redes neurais artificiais, algoritmos genéticos, entre outras, que tornaram a descoberta de relações interessantes em bases de dados mais atrativa. Quando se fala de mineração de dados não está se considerando apenas consultas complexas e elaboradas que visam ratificar uma hipótese gerada por um usuário em função dos relacionamentos existentes entre os dados, e sim da descoberta de novos fatos, regularidades, restrições, padrões e relacionamentos. Para a descoberta destes padrões, o executor da mineração dos dados, pode utilizar várias ferramentas e técnicas para atingir o seu objetivo e ser bem sucedido, entre tais, as ferramentas mais utilizadas são aquelas baseadas em consulta a bases de dados, linguagem SQL (Structured Query Language), pois permite que o executor possa obter uma análise preliminar dos dados. 1.2 PROBLEMA Os hotéis de uma maneira geral, possuem um banco de dados com informações referentes aos seus hóspedes. Informações estas, que estão desvinculadas de muitos elementos do inventário turístico da cidade, tais como datas comemorativas ou eventos regionais, nacionais e internacionais que possam ocorrer. Novos empreendimentos de entretenimento, tais como parques temáticos não são cruzados e analisados com o perfil do hóspede destes hotéis. As informações referentes a empresas existentes na região, para efeito de reuniões de negócios também não são consideradas. Os hotéis se restringem em sua maioria a criar grupos de afinidades de clientes, porém estes grupos não são vinculados ao inventário turístico da cidade. 4

15 Sendo assim, a utilização de data mining auxilia o cruzamento e análise destes dados, gerando uma associação entre o perfil dos hóspedes e o inventário turístico da cidade e/ou região. 1.3 OBJETIVOS Objetivo geral Desenvolver um data mining que auxilie na melhoria do índice de ocupação do setor hoteleiro, através da descoberta de conhecimento na base de dados, visando utilizar deste conhecimento para tomadas de decisões e ações de CRM Objetivos específicos Analisar a estrutura de dados do DESBRAVADOR, por ser este o software de automação ser o mais lembrado no setor hoteleiro segundo pesquisa da Revista Hotelaria DESBRAVADOR², Analisar os elementos que compõem o inventário turístico de uma cidade; Estabelecer os dados dos hóspedes e do inventário que devem compor o sistema, baseado nas entrevistas com profissionais da área; Analisar a importação dos dados relativos ao hóspede à partir da base de dados do DESBRAVADOR; Modelar o sistema considerando os dados que serão importados, os dados do inventário que serão cadastrados, e os relatórios que serão gerados; Estabelecer qual algoritmo de Data Mining a ser utilizado; Implementar o sistema; e Efetuar os devidos testes para a validação do sistema. 5

16 1.3.3 Escopo e delimitação do trabalho Este trabalho enfoca os dados pré-estabelecidos na base de dados do sistema DESBRAVADOR, no que se refere a hóspedes e informações provenientes dos mesmos. Isso se deve ao fato de que se necessita de dados reais para uma análise coerente do Data Mining. Em virtude de autorização de uso da base de dados, este trabalho é baseado nos dados de apenas um hotel. Não sendo considerado aqui os casos de redes hoteleiras. 1.4 JUSTIFICATIVA Devido ao conhecimento e experiência do acadêmico na área de gestão hoteleira ao longo de cinco anos, verificou-se a deficiência em alguns aspectos estratégicos dos sistemas utilizados pelos hotéis no que se refere ao CRM. As ferramentas atuais conhecidas não fazem um relacionamento entre algumas informações tais como os dados dos Hóspedes x Informações do inventário turístico regional, bem como a análise automática de algumas informações para a classificação do cliente em grupos de afinidades. Sendo assim a aplicação de data mining se faz pertinente para este problema. 1.5 ASPECTOS METODOLÓGICOS A metodologia a ser seguida para o desenvolvimento deste trabalho contemplou as etapas descritas a seguir. Analisou-se toda a estrutura de dados do sistema DESBRAVADOR, com suas respectivas tabelas e relacionamentos. Foram estudados os dados que compõem o formulário RINTUR estabelecido pela EMBRATUR para inventários turísticos. Em seguida foram estabelecidos todos os dados dos hóspedes e do inventário que compõe o sistema, e quais seriam os cruzamentos de informações efetuados. Foram analisados quais os pontos mais relevantes para um melhoramento na taxa de ocupação, juntamente com gerentes da área hoteleira. Em seguida analisou-se quais os dados 6

17 relativos aos hóspedes que eram realmente importados da base de dados do sistema DESBRAVADOR, e quais seriam inseridos manualmente. Após este levantamento de dados efetuou-se a modelagem do sistema através de UML(Unified Modeling Language) considerando os dados que seriam importados, os dados do inventário que seriam cadastrados, e os relatórios que seriam gerados, com suas respectivas interfaces. O passo seguinte foi a análise do algoritmo que melhor se aplicava ao problema, e assim foi escolhido o Apriori. Em seguida implementou-se o sistema utilizando a tecnologia JAVA, e o banco de dados MYSQL. Para validar os resultados foi utilizado o conhecimento e experiência do gerente do hotel do qual foram utilizados todos os dados, onde o mesmo efetuou a análise e aceitação ou não dos resultados. 7

18 2 FUNDAMENTAÇÀO TEÓRICA 2.1 CRM Devido à globalização, modificações significativas vêm ocorrendo nos padrões de mercado em todos os setores. Tais alterações afetam tanto os padrões das empresas, quanto os padrões de mercado, tornando o cliente um alvo móvel, de difícil identificação. Neste novo mercado o cliente não adquire um produto baseado apenas nos meios tradicionais, ou seja, considerando produto, preço e local de venda, mas também observa vendas, serviço, imagem percebida, suporte e atendimento, com altos padrões de qualidade e exigência, buscando a melhor relação custo/beneficio (FALCÃO, 2006). Por sua vez, as empresas para poderem atingir tais padrões necessitam adequar-se constantemente aos padrões impostos pelo mercado, e para isso surge a necessidade de arquivar todas as informações dos clientes. Informações estas que ficam cada vez mais difíceis de serem gerenciadas. Pois, em tempos passados tudo era controlado de forma extremamente fácil sem qualquer tipo de utilização da informática, simplesmente utilizando uma pequena ficha cadastral com algumas informações pessoais, que posteriormente eram arquivadas e manipuladas manualmente, entretanto, atualmente nas grandes redes onde a quantidade de clientes com padrões pessoais diferentes é muito grande, tal controle manual ficou extremamente complicado devido o tamanho das bases de dados e a velocidade com que elas aumentam(ibidem). Mediante tal problema surge a necessidade da implementação de uma ferramenta tecnológica cujo intuito é auxiliar a gerência de relacionamento comunicar-se de forma mais eficiente com seus clientes, utilizado para isso as informações já conhecidas armazenadas na base de dados da empresa. Tal ferramenta deve tratar, processar, analisar e distribuir os resultados dessa análise de forma que tal conhecimento obtido seja utilizado para interagir com os clientes através da melhor forma possível. (BUCCI, 2000, p.2). Surge então através da tecnologia da informação e do marketing de relacionamento a criação do CRM (Customer Relationship Management).

19 Segundo o Gartner Group ( 2002, apud VALENTE,2002), CRM é uma estratégia de negócios voltada ao entendimento e a antecipação das necessidades dos clientes atuais e potenciais de uma empresa. Do ponto de vista tecnológico, CRM significa capturar os dados do cliente ao longo de toda a empresa, consolidar todos os dados capturados interna e externamente em um banco de dados central, analisar os dados consolidados, distribuir os resultados dessa análise aos vários pontos de contato do cliente e usar essa informação ao interagir com o cliente através de qualquer ponto de contato com a empresa. Para Thompson (2001,p.4 apud VALENTE,2002) Customer Relationship Management(CRM) é o processo de negócio que visa selecionar e gerenciar as mais valiosas relações com os clientes. Esta estratégia requer uma filosofia de negócios centrada no cliente e uma cultura empresarial que de suporte aos processos de marketing, vendas e serviços. As aplicações de CRM permitem um relacionamento bem sucedido com o cliente, desde que as empresas possuam liderança, estratégia e cultura. A acirrada concorrência e as mudanças constantes que ocorrem com o comportamento do consumidor, forçou para que as informações armazenadas nas grandes bases de dados fossem utilizadas visando melhor os serviços prestados para com o cliente, e diante de tal situação foi onde a utilização do CRM ganhou grande ênfase. Isso não significa que outras atividades não tenham importância nas organizações. Entretanto, como o CRM é que está diretamente ligado aos clientes, possui uma força que impulsiona as outras funções, o mesmo deve possuir um papel fundamental nos processos de gestão absorvendo e mantendo a lealdade e fidelidade dos consumidores a empresa. O CRM é a concentração total ao cliente, respeito total por ele. Não a bajulação, o sorriso forçado frente ao mesmo. Mas sim uma preocupação constante em identificar suas reais necessidades, direcionando todas as atividades das empresas a essas necessidades, visando explorar uma nova oportunidade de negócio (TEIXEIRA, 1999, np). Com a utilização de tal ferramenta, além do grande benefício direto proporcionado por um atendimento mais ágil devido a empresa saber exatamente qual o nível de exigência, as preferências, os defeitos, as dúvidas e o potencial econômico de seu cliente, também proporciona um grande potencial de ganho indireto a diversos outros setores. Este ganho provem das possibilidades de programações distintas, como a adequação exata ao mercado mediante os períodos decorrentes ou até mesmo a programação de vendas futuras mediante promoções realizadas. Tal programação proporciona ganhos no estoque mediante controle das compras vendas e negociações de preços frente as grandes compras efetuadas. Melhora o gerenciamento pessoal, mantendo sempre quadros fixos de funcionários, 9

20 que por sua vez, com um maior conhecimento dos padrões da empresa proporcionam uma melhor excelência no atendimento dos clientes, aumentando diretamente os seus índices de satisfação e proporcionando aumento da fidelização dos mesmos. De maneira geral as empresas através dos tempos vinham desenvolvendo sempre suas campanhas de marketing em cima do produto, e posteriormente aplicando as técnicas conhecidas como marketing de massa. Tal técnica provinha da utilização dos dados resultantes das pesquisas de mercado focalizadas por segmentos e não por individualização (SANTOS, 2005, p ). Após tal pesquisa eram lançadas tais campanhas para tipo de público exato, observando uma pequena margem de erros. Porém tais campanhas não levavam em consideração um fator muito importante o qual deve ser observado, que cada ser é único e possui gostos e hábitos diferentes uns dos outros. Tais aspectos começaram a ser então observados e as estratégias começaram a ser modificadas, mas este processo é lento e faz com que a visão do foco deixe de ser o produto e comece a ser o cliente (Bayer, 2002 apud PEDRON, 2003, p.23-25). Esta visão também possibilitou que empresas obtivessem a concepção de identifica os clientes mais rentáveis para a mesma. Alguns acabam tendo um alto custo e geram uma pequena margem de lucro, já outros apresentam um custo menor e uma alta lucratividade. Estes clientes devem ser tratados de forma privilegiada, continuando sempre tal lucratividade, e para isso o ponto certo é conhecê-los muito bem, conhecendo ao máximo seus gostos, seus hábitos, enfim todas suas informações pessoais que possam ser utilizadas em forma de um marketing direcionado a agradá-lo tornando um cliente habitue e fiel (SANTOS, 2005, P.29-31). O CRM também pode auxiliar no aumento da lucratividade, ganhando vantagem competitiva, melhoria da tecnologia, automatizando diversos processos, como vendas, marketing, serviços entre outros. Auxilia na integração de pessoas, processos e tecnologias para otimizar o gerenciamento de todos os relacionamentos, incluindo consumidores, parceiros de negócios e canais de distribuição. (SANTOS,2005, p.30) Para Bucci, ( 2000,p.2), CRM consiste em: 10

21 Ajudar a empresa permitindo que ela venha a identificar e alvejar seus melhores clientes, controlar campanhas do marketing com objetivos e metas claras, gerar leads da qualidade para a equipe das vendas, melhorar as estratégias visando transformar clientes menores em melhores clientes e ainda recuperar clientes perdidos aumentando a lucratividade; e Ajudar a melhorar a gerência de vendas, otimizando o compartilhamento das informações nas diversas áreas da empresa, dinamizando os processos existentes reduzindo os custos. Permitindo a formação de relacionamentos individualizados com clientes, com o alvo de melhorar a satisfação do cliente e de maximizar lucros; identificando os clientes mais lucrativos e fornecendo o nível o mais adequado do serviço. Atualmente o CRM vem comportando-se como um grande diferencial competitivo. Para maioria das empresas é difícil, se não impossível, competir sem ele. Os avanços da tecnologia permitiram a réplica próxima e muito rápida das funções do produto. Pois em período curtos de tempo um produto acaba saturando no mercado. Por isso a Gerência do relacionamento do cliente torna se cada vez mais importante onde a habilidade de vender mais inteligentemente e de prestar serviços de suporte aliado à experiência diferenciar-se. Afim de tornar possível a razão para os clientes freqüentarem seu negócio mais do que o dos seus concorrentes. De acordo com Kotler (1998, p.617 apud VALENTE, 2002, p.82) os princípios da venda pessoal e da negociação são descritos como orientados para a transação. Isto é, seu propósito é ajudar o vendedor a fechar uma venda específica com um cliente. No entanto o interesse da empresa não é apenas efetuar uma venda, mas sim fidelizar o cliente. Segundo Valente (2003, p.82), os resultados da pesquisa realizada pela Direct Marketing Education Foundation em conjunto com algumas universidades americanas, comparou um grupo de empresas que trabalhava de forma tradicional e outro que utilizava o CRM como apoio a vendas. No primeiro grupo que trabalhava de forma manual foi observado que a equipe de vendas gasta 2/3 de seu tempo para identificar e qualificar clientes e apenas 1/3 na negociação a qual é a parte mais importante. 11

22 a na Figura 1. Figura 1.Tempo de vendas. MANUAL x CRM FONTE Adaptado de Valente (2002). O CRM engloba diversas áreas da empresa, e requer que todas trabalhem juntos em harmonia, mas CRM requer também que todas as áreas da organização trabalhem com o objetivo comum de um relacionamento mais forte com o cliente. Pois se um dos setores da empresa não se comprometer devidamente como deve, possibilita o risco de quebrar com todo o trabalho realizado pelo restante da equipe. 12

23 2.2 O CICLO DE NEGÓCIO DE CRM O CRM pode ser demonstrado através de um ciclo onde todos os estágios são interdependentes e contínuos. Enquanto ocorre a mudança de um estágio para o seguinte, existe o ganho de conhecimento e entendimento e isso realça o esforço posterior (Figura 2). Após a execução do mesmo, a prática faz com que o processo torne-se cada vez mais Figura 2. Ciclo do CRM FONTE Bucci (2000). sofisticado, e com o passar do tempo fique cada vez mais lucrativo fazer o processo continuamente. O negócio começa com a aquisição dos clientes. Entretanto, toda a iniciativa 13

24 bem sucedida de CRM é altamente dependente de uma compreensão contínua dos clientes.(bucci, 2000). A seguir serão descritas as etapas do ciclo do CRM, de acordo com Bucci (2000) Entenda e diferencie A empresa somente poderá ter um relacionamento com o cliente a partir do momento que conseguir compreendê-lo, entendendo os seus gostos, o que ele avalia, que tipos de serviço são importantes para ele, analisando como e quando gosta de interagir, e o que querem comprar. Por isso a cada contato com o mesmo, há necessidade de aprender mais sobre ele, e para que isso ocorra deve ser levado em consideração que cada cliente é único, e avaliar cada um deles, e não tomar como referência a média de mercado, identificar os seus valores de referência, ajustar os produtos e serviços buscando satisfazer cada vez mais as necessidades individuais de cada cliente. Pois é indispensável para o sucesso do CRM conhecer cada cliente e conseguir reconhecê-lo em todas formas de contato feitas com ele, evitando erros como o cliente informar a mesma coisa mais de uma vez (BUCCI, 2000, p.5). Entretanto a maioria das empresas passa dificuldade para poder captar as informações dos clientes, pois os mesmos têm medo que as informações disponibilizadas possam ser utilizadas de formas indevidas. Para resolver este problemaas empresas criam campanhas específicas, onde os clientes ganham de diversas formas de gratificações através de descontos e brindes. Posteriormente com os dados já captados com o intuito de facilitar o trabalho do CRM, faz-se a criação de perfis para os clientes através de áreas demográficas, padrões financeiros, padrões de serviços e padrões de compras. Isto leva a segmentação mediante grupos lógicos onde tendem a ter características semelhantes e a se comportarem de uma forma parecida como grupos de clientes. Outras formas como pesquisas, são utilizadas para identificar algumas características iniciais, até mesmo podendo já fornecer um potencial inicial, conseguindo avaliar sua lucratividade, poder de expressão social na chamada mídia boca-a-boca. Alguns dos itens básicos que já podem ser previamente implantados e analisados são: potencial de compras, formador ou não de opinião, potencial econômico (renda), número de transações por período (hospedagens, vendas, visitas), comportamentos (agressivo, mau humorado, 14

25 conservadorismo), estado civil, idade, nível cultural, estação preferida, esportes, entre muitos outros. Além de todos estes, deve-se também buscar coletar e armazenar informações que foram desprezadas em algum momento pelos operadores do sistema. Para atingir então um resultado ótimo, a empresa deve ter ações e planos de metas distintas para suas diferentes categorias de clientes, tratando com prioridade sempre os clientes os quais dão mais retorno, para que o mesmo perceba que não vale a pena trocar de fornecedor, pois nesta empresa ele é tratado de forma personalizada e com uma série de vantagens. Através de todos os dados já previamente recolhidos pode-se atribuir valores ponderados aos mesmo de forma a que cada item categorize um segmento distinto tal como região, serviços, produtos entre outros. Para já estabelecer um primeiro perfil de cada cliente o qual com o passar dos tempos, deve ser refinado e agregado a novas informações, a fim de tratar cada cliente cada vez melhor para que ele se sinta único e exclusivo, garantindo assim sua satisfação Desenvolva e Personalize Nas visões anteriores para produtos, as companhias desenvolviam produtos e serviços e tinham a expectativa que os clientes iriam comprá-los a forma na qual os mesmos se encontrassem. Em um mundo foco-no-cliente, o desenvolvimento do produto e do canal de comunicação com o cliente, deve seguir a ligação e os sinais deixados pelo mesmo. As empresas estão incrementando cada vez mais produtos e serviços, e também novos canais baseados nas necessidades de cada cliente e em suas expectativas de serviço (BUCCI,2000). Grande parte das empresas ainda não podem personalizar produtos a custos permissíveis para clientes individuais, porém a tendência é a customização em massa. Entretanto, os produtos, os serviços, os canais e as médias podem personalizá-los baseando-se nas necessidades de segmentos quantitativos de cliente. A extensão da personalização deve ser baseada no valor potencial integrado pelo segmento do cliente (ibidem). A personalização facilita o atendimento ao cliente, e auxilia para tratá-lo de forma particular e de acordo com suas necessidades no relacionamento com a empresa. Pode-se personalizar os produtos, os serviços, a distribuição, a forma de pagamento, o atendimento no 15

26 Suporte ao Cliente, a forma como a empresa se apresenta pela Internet, entre outros benefícios. A Personalização tende a desenvolver um tratamento para cada cliente baseado, na percepção de valor de cada um. Embora não seja o único canal de relacionamento do cliente com a empresa, o Suporte ao Cliente é um dos mais poderosos pontos de contato. O contato iniciado pelo cliente indica a predisposição em interagir naquele momento, o que deve ser aproveitado para obter o máximo possível de informações para conhecê-lo ainda melhor (BUCCI,2000). Infelizmente, de maneira geral, raramente essa valiosa oportunidade é utilizada já que as principais preocupações atuais são as informações que devem ser passadas, o tempo médio de atendimento o tempo médio de espera, a quantidade de ligações ou vendas entre outras que até mesmo na visão do CRM podem ser irrelevantes Interaja e Entregue A cada interação, a oportunidade deve ser utilizada para fortalecer ainda mais a relação da empresa com o cliente. Toda interação deve manter a continuidade, independentemente, do prazo em que foi efetuada, e da forma efetuada. A interação permite identificar as necessidades particulares, bem como as mudanças de necessidades de cada cliente. Essa é a única maneira de obter informações sobre seu cliente. A interação é também um componente crítico de uma iniciativa bem sucedida de CRM. A interação não ocorre apenas com os canais do marketing e de vendas, os clientes interagem de muitas maneiras diferentes com muitas áreas diferentes da empresa, incluindo áreas de apoio indireto, serviço ao cliente e internet. Para promover relacionamentos, as organizações necessitam assegurar que todas as áreas da empresa possuam acesso fácil às informações relevante, e acesso a incrementá-las com novas informações importantes, que todas as áreas sejam devidamente treinadas sobre como utilizar estas informação, saibam do que o cliente necessita e qual é o valor potencial do mesmo (BUCCI,2000). 16

27 Utilizando a informação corretamente e constantemente, oferecendo aos colaboradores um treinamento apropriado, as empresas serão preparadas para um ótimo relacionamento com os clientes Adquira e Retenha Com o passar dos tempos as empresas estão aprendendo sobre clientes, que é mais fácil localizar aqueles que estão dando mais retorno, sendo que estes são os principais clientes para os critérios de segmentação de uma empresa. E assim continuarão a aprender sobre o que é valioso para cada segmento, onde será muito mais provável alcançar os objetivos concentrando esforços em canais diretos, medidas direitas, produtos específicos, ofertas direitas. A importância do estabelecimento de relação a longo prazo pode ser vista e classificada de várias maneiras diferentes. Um exemplo para o mesmo é : Supondo que o custo por cliente prospectado é de R$ 500,00 e que a empresa em questão possui 4000 clientes, mas que historicamente perde 50% em cinco anos, ou seja 2000 clientes. Tal empresa tem que reconquistar em 5 anos o equivalente a R$ 1 milhão ( 2000 x 500 ). Levando em consideração que na média histórica a manutenção de um cliente custa 10 vezes menos (R$ 50,00), mantendo 50% (aumento de 50% no índice de retenção) da base perdida teria uma economia de R$ ,00 que é o necessário para a conquista de novos 1000 clientes (R$ ) menos o custo de retenção ( R$ ,00 ) (BUCCI,2000). Assim pode-se perceber que a manutenção dos clientes já existentes é muito mais viável do que ficar perdendo e reconquistando, isso sem analisar os fatores de risco. A retenção bem sucedida dos clientes envolve basicamente atingir diretamente em princípio a empresa que possua uma base já constituída, para poder assim mantê-la bem satisfeita com os produtos e serviços oferecidos. Para isso deve-se manter a interação com o cliente, nunca deixando de escutar suas opiniões, continuar a entregar o produto e/ou serviço na definição de valor do ponto de vista do cliente, recordar que os clientes mudam e enquanto se movem, os estágios de relacionamento com a organização também vão diferindo, sempre estar atento as mudanças e preparado pra enfrentá-las da melhor forma possível, e tudo isso sempre na forma de um ciclo contínuo (BUCCI,2000). 17

28 A Figura 3 apresenta um exemplo sobre a diferença de custos entre aquisição e manutenção dos clientes. Figura 3. Custos dos Clientes Fonte: Adaptado Peppers e Rogers (2000 apud (Valente 2002). 2.3 CRM ANALÍTICO e CRM OPERACIONAL O CRM operacional é a fase onde as empresas buscam abrir canais de comunicação com o cliente, implantando call-centers e soluções de automação da força de vendas, especialmente. Estes processos e tecnologias são os que melhor ajudam na eficiência e eficácia das operações cotidianas com o cliente. É onde a maioria das empresas estão focadas. E quando bem implementadas, essas iniciativas podem trazer agilidade no atendimento, o que pode em última análise traduzir-se em benefício para o cliente, mas a maioria delas envolve métricas que nada têm a ver com isso (VALENTE,2002; BUCCI,2000). A função do CRM analítico é adicionar a inteligência a sua solução de CRM, conhecendo os clientes e os tratando de forma personalizada. Poucas empresas hoje estão investindo nesta infra-estrutura necessária à implementação de sistemas de CRM analítico, devido a diversos fatores, entre eles a falta de mão de obra especializada, falta de recursos físicos e financeiros falta de tempo e a dificuldade em manipular determinada quantidade informacional tão grande. Entretanto, sem essa estratégia todos os outros esforços são nulos (VALENTE,2002; BUCCI,2000). 18

29 Por último o CRM Colaborativo é o que vai englobar todos os pontos de contatos com o cliente, é onde ocorre a interação dele com a empresa. Os vários canais de contato com o cliente devem estar preparados para não só permitir essa interação, mas também garantir o fluxo adequado dos dados resultantes dela para o resto da empresa. Pode-se ver um exemplo na Figura 4. 19

30 Figura 4 CRM Operacional, Analítico e Colaborativo. Fonte: Valente (2002).

31 2.4 PERFIL DO CRM NO BRASIL Esta seção apresenta os dados referentes a pesquisa realizada pela Fundação Getúlio Vargas IBRE em parceria com a U-NEAR em fevereiro de 2002 ( ABEMD, 2002). Em relação à área de atuação das empresas que usam o CRM (Figura 5), as prestadoras de serviços aparecem em primeiro lugar com 44%. Isto se deve ao grande número de empresas de consultorias e atendimento a clientes. Em segundo lugar (22%), aparece a área de tecnologia, e finalmente o mercado de telecomunicações, com 9%. De acordo com a pesquisa, os dados referentes a 40% das empresas analisadas revelaram que a interferência de uma empresa especializada em CRM é fundamental para auxiliar no direcionamento da estratégia. Os entrevistados afirmaram ainda que uma consultoria é imprescindível no momento de decidir o investimento na implementação de ferramentas que possam, de maneira rápida e eficiente, ajudar nos projetos de CRM. O levantamento contou com a participação de mais de 100 executivos das áreas de planejamento, tecnologia, marketing e outros departamentos de diversas empresas. 44% 22% 15% Prestadoras de Serviços Tecnologia Telecomunicação 9% Outras Figura 5. CRM do Brasil Fonte: adaptado ABEND 2002). 21

32 2.5 O CRM NO SETOR TURÍSTICO O turismo é um dos maiores movimentos da história da humanidade e se caracteriza por sua taxa de crescimento constante. Ele responde a uma série de necessidades humanas: de espaço, movimento, bem-estar, expansão e repouso, longe das tarefas impostas pelo trabalho cotidiano ou rotina. Porém, o mesmo não atinge a todas as classes sociais, e as que atinge possuem padrões diferentes de comportamentos, exigências e disponibilidades de gastos para os mesmos. Mas a política dos pacotes turísticos, proporcionou um notável aumento na possibilidade destas diferentes classes viajarem (FEIJÓ, 2002, n.p). Neste sentido, o CRM auxilia a comunicação personalizada de todas estas classes, possibilitando o envio de malas diretas, visitas, promoções de uma forma pessoal, como se através dele fosse possível atingir públicos alvos como por exemplo: locais, por cidades, regional, nacional e internacional, profissional, por preferências, por poder econômico, entre muitos outros visando à satisfação das necessidades de determinados grupos de consumidores, obtendo, com isso, um lucro apropriado (Krippendorf apud FEIJÓ, 2002, n.p). O CRM ainda auxilia no tratamento ao hóspede de forma muito agradável, onde os colaboradores da empresa que o utilizam, antecipadamente podem conhecer as principais características de cada turista a ponto de sempre tentar agradá-lo em todos os aspectos. Tais conhecimentos do CRM utilizados para o ramo hoteleiro provém de configurações pré-estabelecidas de forma manual, as quais os colaboradores do hotel buscam de diversas formas, como a ficha cadastral que o hóspede preenche na sua hospedagem, fichas com questionários de satisfação e preferências, como esportes, áreas preferidas no hotel, profissão, preferências alimentícias, e outras as quais os próprios colaboradores conseguem observar no próprio hóspede ao longo do tempo, e informam no sistema. Entretanto todas estas informações são meramente utilizadas pelo hotel, devido a grande diversificação dos hóspedes, com períodos diferentes de hospedagem, gostos diferentes, poder econômico diferente, motivos diferentes da viajem entre muitos outros fatores os quais fazem com que o agrupamento de hóspedes em características similares se torne muito difícil e ate mesmo impossível. Desta forma, a aplicação do CRM vai sendo deixada de lado, a ponto de que somente ações muito simples, e de fácil aplicação acabam sendo feitas, como por exemplo 22

33 agrupamentos por cidade, ou envio de mala direta mensal com intuído de parabenizar os hóspedes pelo seu aniversário. Desta forma fica fácil perceber que a maioria dos hotéis possui uma imensa base de dados com milhares de informações as quais não são utilizadas, mas que se fossem poderiam gerar centenas de possibilidades de estratégias de ações, opções de utilização para CRM, e facilitar a tomada de decisão em diversas área. Porém devido a tanta informação, manualmente isso não pode ser efetuado de maneira adequada, e assim entra a possibilidade da aplicação do DM (Mineração de Dados). 2.6 DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS (DCBD) Devido ao crescimento substancial da quantidade de dados armazenados pelas empresas, tornou se inviável a análise destes através de métodos manuais, surgindo então a necessidade de um processamento automatizado para sua análise, visando ao máximo o aproveitamento de suas informações. E para aproveitar estes milhões de megabytes armazenados, deve-se explorar o conhecimento escondido neles. Após adquirido este conhecimento, o mesmo deve ser capaz de sugerir hipóteses por conta própria, e apresentar aos usuários os resultados descobertos auxiliando-o na tomada de decisão. Este processo então começou a ser conhecido como processo de descoberta de conhecimento em base de dados (Knowledge Discovery in Databases KDD) e foi utilizado pela primeira vez em 1989 para enfatizar que o conhecimento é o produto final de uma descoberta baseada nos dados (VASCONCELOS, 2002). Com o intuito de buscar tal conhecimento foram desenvolvidas técnicas de DM, que auxiliam na exploração destas informações úteis normalmente não visíveis no meio de tanta informação. Em meio a diversas áreas de aplicação, a Mineração de Dados, vem sendo cada vez mais utilizada e ganhando credibilidade no mercado do CRM que hoje é uma das principais ferramentas para as empresas obterem sucesso na conquista de clientes e consumidores (MARSON,2003). 23

34 base de dados. A Figura 6 apresenta um exemplo de entendimento de extração de conhecimento em Figura 6. Pirâmide do conhecimento. Fonte: Adaptado de Dias (2002). 2.7 FASES DA DCBD O processo de DCBD (Descoberta deconhecimento em bases de dados) tem sido discutido atualmente por vários autores, os quais apresentam opiniões diferentes em suas fases. Para Carvalho (2001, p. 11 apud SANTOS, 2005, p. 31), o processo de definição de objetivos não é uma das fases da DCBD mas sim pertence a fase de Mineração de Dados. Já para Groth(2000, p. 46 apud SANTOS, 2005, p. 31) o DCBD começa com a preparação dos dados. Para Amaral (2001, p.15 apud SANTOS, 2005, p. 31), a definição do objetivo é a definição do conhecimento que o usuário deseja obter sobre os dados, e é a primeira fase do DCBD. Segundo Santos (2003, p ), as fases do DCBD são compostas por: 24

35 Definição dos objetivos Fase em que são traçadas as metas. Normalmente fase desenvolvida com auxílio de um especialista. Seleção Fase onde é feito, a seleção do conjunto de dados, ou foca um subconjunto de atributos /instância de dados com o objetivo de criar um conjunto de dados alvo na qual a descoberta será efetuada. Purificação Segundo Han & Kamber (2001, p.109 apud SANTOS, 2003,p.32) é a etapa na qual é feita a limpeza dos dados e envolve, o tratamento de campos de dados perdidos, a redução ou eliminação de ruídos e a correção de inconsistências nos dados. Transformação - Segundo Han & Kamber (2001, p.109 apud SANTOS 2003,p.32) é a etapa na qual os dados são transformados de forma a se tornarem apropriados à tarefa de mineração, para qual serão submetidos. Pode envolver: agregação, criação de atributos, generalização dos dados. Mineração de Dados Etapa onde a descoberta do conhecimento ou dos padrões ocorre. Neste momento as técnicas são escolhidas de acordo com o tipo de problema a ser resolvido.etapa de fundamental importância. Interpretação Nesta etapa ocorre a interpretação dos conhecimentos descobertos e possivelmente o retorno aos passo anteriores. São removidos os padrões redundantes ou irrelevantes e traduzem-se os padrões úteis em termos compreensíveis aos usuários. A Figura 7 ilustra as fases do DCBD segundo Santos (2001, p.31). 25

36 Figura 7. Fases DCBD Fonte: Santos(2003) Já para Amo (2004) as etapas do DCBD são: 1. Limpeza dos dados: etapa onde são eliminados ruídos e dados inconsistentes. 2. Integração dos dados: etapa onde diferentes fontes de dados podem ser combinadas produzindo um único repositório de dados. 3. Seleção: etapa onde são selecionados os atributos que interessam ao usuário. Por exemplo, o usuário pode decidir que informações não são relevantes para decidir se um cliente é um bom comprador ou não. 4. Transformação dos dados: etapa onde os dados são transformados num formato apropriado para aplicação de algoritmos de mineração (por exemplo, através de operações de agregação). 5. Mineração: etapa essencial do processo consistindo na aplicação de técnicas inteligentes a fim e se extrair os padrões de interesse. 6. Avaliação ou Pós-processamento: etapa onde são identificados os padrões interessantes de acordo com algum critério do usuário. 26

37 7. Visualização dos Resultados: etapa onde são utilizadas técnicas de representação de conhecimento a fim de apresentar ao usuário o conhecimento minerado. A Figura 8 apresenta as fases da DCBD, segundo Amo(2004). Figura 8. Fases DCBD Fonte: Amo ( 2004). Porém, neste trabalho foi seguido o modelo proposto por Paula(2004), o qual será descrito em seguida Modelo de DCBD segundo Paula(2004) O modelo adaptado por Paula(2004) define as seguintes etapas: Seleção: Devido ao grande volume de dados armazenados, esta etapa e fundamental para o processo, pois nesta estabelece qual o conjunto de dados que deve ser utilizado, definindo-se quais tabelas, atributos, relacionamentos e conteúdo serão utilizados. E ainda a qualidade dos dados armazenados deve ser verificada. Pré-Processamento: Já selecionado o conjunto de dados que será utilizado, pode ser necessário efetuar atividades de pré-processamento no sentido de permitir viabilizar as etapas anteriores. Devido a quanto mais colunas utilizadas, maior a complexibilidade. Ainda a importante questão de eliminar os ruídos nos dados de entrada deve ser analisada nesta fase. Transformação: Para aumentar a produtividade na obtenção de padrões, modificações dos dados das tabelas de origem podem ser implementadas, tal como eliminação de 27

38 reduncancias. A padronização de variáveis também e necessária para evitar erros de interpretação e desvios de padrões. Mineração de Dados: Esta etapa é onde o processo de descoberta de padrões e realmente aplicado. Com o uso de algoritmos específicos, os dados são previamente selecionados, pré-processados, transformados, passam por várias interações até a descoberta dos padrões de relacionamentos, agrupamentos e tipos de comportamentos. Tal etapa pode ser considerada a principal etapa da DCBD. Interpretação e Avaliação: Os resultados da MD são examinados e interpretados por especialistas ou profissionais que conheçam profundamente o negócio, para a identificação da veracidade ou não dos padrões descobertos. Nesta etapa, e avaliado o conjunto de padrões devido aos objetivos iniciais, assim posteriormente decidindo quais deles serão ou não interessantes para serem interpretados e tornarem-se claros para os usuários finais do sistema, ou ate mesmo torna-los acessíveis para aplicações que os utilizarão. Utilização do conhecimento obtido: Esta fase é a esperada desde o começo da aplicação, pois é nesta que se incorpora o conhecimento obtido ao longo do trabalho para melhora-la de performance da empresa, adotando ações baseadas em tal, ou simplesmente documentando e reportando este conhecimento para grupos interessados. 28

39 A Figura 9 representa as fases do DCBD, segundo Paula (2004). Figura 9. Fases DCBD Fonte: Paula(2004). 2.8 DATA MINING A Mineração de dados é conhecida como o processo de busca de relacionamentos e padrões globais existentes nas bases de dados, onde devido as grandes quantidades de dados dos sistemas de bancos de dados atuais, os relacionamentos entre estes dados e as informações potencialmente úteis ficam escondidos (AMARAL, 2001, p.22-23). É considerada o coração do processo de DCBD (Descoberta de conhecimento em base de dados), situado, entre a preparação dos dados e a interpretação dos resultados obtidos. Caracteriza-se pela escolha e aplicação do modelo do algoritmo minerador, com intuito de ser o método adequado ao problema que se está resolvendo. O mesmo, visa extrair o conhecimento implícito e potencialmente útil dos dados proporcionando assim, a descoberta eficiente de informações válidas e até então não conhecidas na coleção de dados que posteriormente serão transformados em possíveis ações e prováveis aumentos nos lucros. 29

40 Ao tratar-se de mineração de dados não se considera apenas consultas complexas e elaboradas que visam ratificar hipóteses geradas por usuários em função dos relacionamentos existentes entre os dados, mas sim na descoberta de novos fatos, simetrias, restrições e padrões e relacionamentos (PACHECO, VELLASCO e LOPES, 1999). Devido a quantidade de possíveis relacionamentos existentes em um banco de dados ser muito grande, a busca dos relacionamentos corretos via simples validação de cada um deles é proibitiva. E com o aumento expressivo da capacidade necessária de processamento, este se torna-se um dos primeiros problemas da mineração de dados. Assim, para a solução deste tipo de problema, podem ser utilizadas estratégias de buscas inteligentes, que tiveram sua origem na área chamada de aprendizado de máquinas (Fayyad, Pietsky-Sharino, Smyth e Uthurusamy, 1996 apud AMARAL, 2001). Outro problema também relevante refere-se ao fato das as informações dos dados geralmente serem corrompidas ou esquecidas. Onde devido a tal problema, as técnicas estatísticas devem ser aplicadas para estimar a confiança dos relacionamentos encontrados (AMARAL, 2001). A mineração de dados utiliza várias técnicas, métodos e ferramentas para alcançar seus objetivos. 2.9 Objetivos primários da mineração de dados Os objetivos primários da mineração de dados na prática são a descrição e a préelaboração. Por pré-elaboração, entende-se a utilização de algumas variáveis ou campos na base de dados para prognosticar o desconhecimento ou valores futuros de outras variáveis de interesse (AMARAL, 2001). A descrição, é responsável por encontrar os padrões de interpretação humana a partir da descrição dos dados. De acordo com o processo de KDD, a descrição tende a ser mais importante que a pré-elaboração. Entretanto aplicações de aprendizado de máquina, como 30

41 reconhecimento de fala, a pré-elaboração é geralmente o objetivo principal (Fayyad, 1996 apud Amaral 2001). A Figura 10 demonstra taxonomia da fase de mineração de dados. Os algoritmos estão representados pelo símbolo ( ), enquanto que as caixas representam áreas e técnicas (PACHECO, VELLASCO e LOPES, 1999). Figura 10. Fases Mineração de dados Fonte: Pacheco, Vellasco e Lopes (1999) 2.10 Técnicas utilizadas no processo de mineração de dados Indiferentemente da técnica de mineração de dados, a mesma utiliza dados sobre o passado (conjunto de treinamento) para gerar dados futuros (conjunto de execução do modelo), ou seja, dados que não pertencem ao conjunto de treinamento. Estes dados de forma geral foram coletados cronologicamente para poderem ser analisados com as que são descritas a seguir. 31

42 Associação A técnica de Mineração de Dados através da forma de associação representa os padrões onde a ocorrências de eventos em conjunto é alta, ou seja, visa a descoberta de elementos que ocorrem (ou não) em comum, nas coleções de dados (MARSON, 2003, p.13-15). Esta técnica é uma das mais utilizadas para a descoberta de padrões em base de dados. Para a sua execução, utiliza-se princípios de indução, não determinando um atributo como alvo de classificação, pois todos os atributos em regras de associação podem aparecer tanto no antecedente quanto no conseqüente da regra. Nesta técnica não é realizado nenhum tipo de classificação, mas sim a extração de associações existentes entre os itens de uma base de dados (MARSON, 2003). Uma demonstração clássica é o caso de produtos que freqüentemente são vendidos em conjunto onde torna-se mais fácil e visível sua identificação devido a associações usuais por seu uso comum: pão francês e manteiga, café e leite, entretanto as associações mais interessantes são as não usuais (ibidem). Na Tabela 1, retirada do relatório de vendas de uma determina rede de lojas, apresenta-se um exemplo de associação que ocorre entre determinados itens. 32

43 Tabela 1. Exemplo de Associação Loja Caixa Transação Compras PAO RANCES PAO RANCES PAO RANCES PAO FRANCÊS, FLV PIMENTAO VERDE, LEITE SERRAMAR S, DANONE DANETTE, CANTE DOCE MENOR LI, MANTEIGA, PAO FRANCÊS, LEITE PAST. SERRAMAR S, MARGARINA, CAFÉ MELITA, ACUCAR BEB. REF.COCA COLA 1L, PAO FRANCES, LEITE LEITE PAST. PAULI TIPO, PAO FRANCES, MANTEIGA PAOFRANCES, ÁCUCAR, LEITE TIROL ACUCAR REFINADO 1K, PAO RANCES, BISC. TRIUNFO C.CRACKE, LEITE DES. PAO FRANCÊS, ACUCAR REFINADO A. ALE, MORTA-DELA, DELA MARBA, MANTEIGA PAO FRANCES, ACUCAR REFINADO A. ALE, MANTEIGA Fonte: Adaptado de Santos (2005, p.13) No exemplo, segundo Navega (2002 apud MARSON, 2003) pode-se observar como funciona a técnica de associação para casos não usuais. Considerando a seqüência original de informações, pode-se fazer algumas conclusões: ABCXUABCZKABDKCABCTUABEWLABCWO Analisando a seqüência podem ser encontradas algumas seqüências de dados que podem ser consideradas como padrões dentro desta estrutura. Os padrões mais encontrados são as seqüências AB e ABC pois estas ocorrem com uma freqüência superior a outras seqüências. Depois de identificar estas seqüências, pode-se notar que elas segmentam o padrão original em diversas unidades independentes: ABCXY / ABCZK / ABDKC / ABEWL / ABCWO 33

44 Através de induções são geradas algumas representações mais genéricas destas unidades, onde? pode representar qualquer letra: ABC?? / ABD?? / ABE?? / AB???. Em tal exemplo pode ser demonstrado como extrair padrões de associações em bases de dados, que é um dos pontos essenciais na Mineração de Dados. A importância desta descoberta é que com este processo pode-se prever futuras ocorrências de padrões. Para conversão de tal exemplo para um exemplo mais prático, pode se utilizar o padrão verificado no exemplo anteriormente descrito e imaginar a seqüência de letras citada, como uma seqüência de vendas feita em um supermercado num certo período onde cada caractere representa um produto da loja. Pode-se entender a letra A representando a compra de pão e a letra B representando a compra de leite. Pode-se perceber que para toda venda de pão, também ocorreu em grande escala a venda de leite. Considera-se, então, que estes dois atributos estão associados e verifica-se isto através do processo de descoberta de padrões. Com este conhecimento em mãos, o gerente do supermercado colocaria então, pão e leite mais próximos, facilitando e induzindo a aquisição destes dois itens em conjunto. Continuando com a mesma seqüência de letras, supõe-se que X seja manteiga sem sal e Z manteiga com sal. A letra T pode representar margarina. Unificando todas estas letras através de um único conceito, uma característica próxima que todos tenham em comum, pode-se então, substituir estes atributos acima por uma única letra V que pode significar manteiga,margarina. Neste caso, faz-se uma indução orientada a atributos, substituindo uma série de valores distintos (mas similares) por um valor só que representa todos. Neste caso, é possível demonstrar também que na Mineração de Dados, ainda é necessária a presença humana, pois a introdução deste atributo requer um conhecimento do domínio do negócio da empresa e da base de dados avaliada. Com esta mudança, pode-se perder algumas características originais da seqüência, como por exemplo: já não sabe-se a venda foi de manteiga ou margarina. Mas esta perda é fundamental na indução de fatores que ajudarão na descoberta de padrões mais gerais. 34

45 Faz-se então, tais substituições na seqüência em questão: ABCVUABCVKABDKCABCVUABEWLABCWO Analisando novamente a seqüência através da Mineração de Dados, descobre-se o padrão ABCV, que acaba dizendo que A maioria dos clientes que compraram pão e leite também compraram manteiga ou margarina. Através de tal conhecimento fica mais fácil a tomada de determinadas decisões em um supermercado, como por exemplo a disposição destes produtos nas prateleiras, com intuito de induzir mais facilmente a compras destes três itens juntos. Em linguagem lógica, diz-se que pão e leite implicam em manteiga: SE pão, leite ENTÃO manteiga. Outro exemplo interessante a ser apresentado é o da Figura 11. Pessoas que compraram esse produto também compraram: Parachutes - COLDPLAY Stars The Best of THE CRANBERRIES Tribalistas - MARISA MONTE & CARLINHOS BROW & ARNALDO ANTUNES Camilo Palmero - THE CALLING Com Away Whith Me - NORAH JONES Figura 11. Exemplo de Regra de Associação Fonte: Adaptado Submarino ( apud MARSON,2003) Este exemplo foi extraído do site de compras on-line Submarino (www.submarino.com.br). Neste, demonstrasse um caso típico de associação, que quando um cliente esta comprando um determinado produto, o site oferece um quadro que diz: Pessoas que compraram esse produto também compraram: indicando mais alguns produtos que outros clientes adquiriram em associação com o produto pesquisado. Estes dados foram descobertos com base na busca de padrões, pesquisando os históricos de compras de seus clientes. 35

46 Tal sugestão de compras na verdade oferece para o cliente uma listagem de possíveis compras as quais tentem a se encaixar no seu perfil com o intuito de que o cliente veja estes produtos e até os adquira. Entretanto nem sempre os padrões extraídos na Mineração de Dados podem ter explicação lógica. Algumas vezes, os padrões de associações encontrados podem ser meras coincidências na base e devem ser relevados Seqüência A técnica de Mineração de Dados por Seqüência é a Técnica de Associação agregando o fator tempo, isso devido a que os dados de uma seqüência podem ser transformados de forma que permitam que os algoritmos associação sejam aplicados. Como exemplo tem-se a utilização do Cartão de Crédito: Quem compra um computador hoje poderá comprar uma impressora daqui a alguns meses (MARSON, 2003) Agrupamentos Segundo Pacheco, Vellasco e Lopes, (1999), agrupamento é a forma com que as pessoas visualizam os dados segmentados em grupos discretos, como por exemplo, tipos de plantas ou animais. Na criação desses grupos discretos pode-se notar a semelhança dos objetos de cada grupo. Enquanto a análise de grupos é frequentemente feita manualmente em pequenos conjuntos de dados, para grandes conjuntos existe um processo automático o qual é chamado de clustering. Segundo Carlantonio (2001, apud MARSON,2003) uma das tarefas primárias de análise de dados é a chamada análise de agrupamentos, destinada a ajudar um usuário a entender o agrupamento ou estrutura natural em um conjunto de dados. A metodologia de análise por agrupamento efetua a análise dos dados e através destes separa seus elementos em grupos onde seus atributos são semelhantes, ou seja, os elementos com propriedades de interesse comuns ficam agrupados no mesmo grupo. Esta análise possibilita determinar então qual o número de grupos e quais os grupos existentes no conjunto analisado, e devido a sua semelhança torna possível a identificação das características comuns 36

47 aos seus elementos. Um bom agrupamento caracteriza-se pela produção de segmentos de alta qualidade, onde a similaridade intra-classe é alta e a inter-classe é baixa. Para a utilização de tal técnica citasse as categorias mais utilizadas: Partição, basicamente enumera várias partições e então cria uma nota para cada uma delas segundo algum critério. Hierarquia, cria uma decomposição hierárquica do conjunto de dados usando algum critério. Modelo, um modelo é hipoteticamente criado para cada cluster (grupo) e a idéia é encontrar o que melhor se enquadra quando comparados entre si (PACHECO, VELLASCO, LOPES, 1999). O método por agrupamento pode ser utilizado em diversas áreas, como compras efetuadas em um supermercado, especificações físicas e químicas de petróleo, sintomas de doenças, às características de seres vivos, funcionalidades de genes, aspectos da personalidade de indivíduos, transações bancárias realizadas por clientes de um banco, entre outras, fornecendo a todos possibilidade de redução de dados (reduzindo uma grande quantidade de dados para um número de subgrupos característicos), permitindo o desenvolvimento de esquemas de classificação e sugerindo ou apoiando hipóteses para tomada de decisões Classificação Classificação é o processo em que se encontra propriedades comuns entre um conjunto de instâncias num banco de dados e classifica-os em diferentes classes, de acordo com um modelo de classificação (VASCONCELOS, 2002). A técnica de mineração de dados por classificação procede da utilização de dados sobre o passado (conjunto de treinamento) para classificar dados futuros (conjunto de execução de um modelo de classificação, ou simplesmente conjunto de execução). Os dados sobre o passado são dados já concretamente conhecidos, tais como experiências de vendas passadas como resultados de acompanhamento de alguns clientes. Estes então são passados como dados entrada para o conjunto de treinamento, que através do classificador irá gerar o conhecimento para ser usando na classificação dos novos dados, ou seja, dados que não pertencem ao conjunto de treinamento e ainda não estão classificados em classe alguma, após 37

48 passarem pelo processo de classificação, serão comparados de acordo com o aprendizado adquirido e ao final já serão classificados em classes conhecidas (VASCONCELOS, 2003). Diversas formas podem ser adotadas para se resolver o problema de classificação, entretanto segundo Vasconcelos (2003) as mais utilizadas são: Regras de classificação stricto sensu, na forma SE <condição> ENTÃO <classificação>, cuja interpretação é se os valores assumidos pelos atributos de um registro do conjunto de treinamento satisfazem as condições do antecedente da regra, então o registro recebe a classe indicada pelo valor do atributo de classificação ; Regras de classificação indiretas, sob a forma de árvores de decisão, ou seja, uma seqüência hierárquica de testes construídos ao longo de uma estrutura em árvore (condições), com os nós folhas da árvore representando as diferentes classes. Notase então que uma árvore pode exprimir diferentes regras de classificação (cada regra é um caminho na árvore, da raiz até uma das folhas). Pacheco, Vellasco e Lopes (1999), mostram um exemplo onde uma editora de livros publicou um livro. O livro é publicado em inglês, francês e alemão, de acordo com o país onde ele está sendo vendido. Suponha que a editora ira utilizar sua base de dados para atingir os clientes mais interessados dos três países, Inglaterra, França e Alemanha. Para prever se o cliente irá ou não comprar o livro, quando eles receberem um material de propaganda, a editora necessita de alguns dados sobre o efeito dessa técnica de propaganda em alguns de seus clientes na sua base de dados. A partir desses dados, um algoritmo de classificação pode descobrir regras que prevêem se um novo cliente provavelmente irá ou não comprar esse novo livro. Para coletar esses dados a editora pode enviar o material de propaganda para alguns de seus clientes e monitorá-los para saber se eles compram ou não o livro. Essa informação é então armazenada em um novo atributo, nesse caso o atributo objetivo (na questão é COMPRAR). Seu valor pode assumir dois possíveis valores: SIM, significando a compra do livro, ou NÃO, caso contrário. Uma vez determinando este atributo, o próximo passo é selecionar um subconjunto de atributos preditivos entre todos os atributos dos clientes no banco de dados. Claramente alguns atributos, tais como: nome do cliente, são de modo geral irrelevantes para a previsão da compra ou não do livro. No exemplo apresentado na Tabela 2 38

49 serão considerados apenas os atributos SEXO, PAÍS e IDADE dos clientes como relevantes para a previsão. Conforme Frei (1998 apud PACHECO, VELLASCO e LOPES, 1999), os dados apresentados na Tabela 2 correspondem a dez clientes, aos quais algum material de propaganda foi enviado sobre o novo livro. Um algoritmo de classificação pode analisar os dados e determinar que valores dos atributos preditivos (sexo, país e idade) tendem a ser relacionados, ou associados, com o atributo objetivo (comprar). Esta descoberta de conhecimento pode então ser aplicada para prever se um cliente da base de dados da editora comprará ou não o novo livro. Tabela 2. Exemplo de Regra de Classificação SEXO PAÍS IDADE COMPRAR Masculino França 25 Sim Masculino Inglaterra 21 Sim Feminino França 23 Sim Feminino Inglaterra 34 Sim Feminino França 30 Não Masculino Alemanha 21 Não Masculino Alemanha 20 Não Feminino Alemanha 18 Não Feminino França 34 Não Masculino França 55 Não Se (País = Alemanha) então COMPRAR = Não Se (País = Inglaterra) então COMPRAR = Sim Se (País = França e IDADE <= 25) então COMPRAR = Sim Se (País = França e IDADE > 25) então COMPRAR = Não Fonte: Frei, (1998 apud PACHECO, VELLASCO e LOPES, 1999). O conhecimento descoberto é representado na forma de regras SE- ENTÃO. Essa regra é interpretada da seguinte maneira: SE os atributos preditivos de uma tupla satisfazem as condições no antecedente da regra, ENTÃO a tupla tem a classe indicada no consequente da regra. 39

50 2.11 Técnicas de Auxílio a Mineração de Dados Redes Neurais Rede Neural Artificial (RNA) é uma técnica computacional que constrói um modelo matemático, emulado por computador, com capacidade de aprendizado, generalização, associação e abstração. As RNAs tentam aprender padrões diretamente dos dados através de um processo de repetidas apresentações dos dados à rede, ou seja por experiência. Dessa forma, uma RNA procura por relacionamentos, constrói modelos automaticamente, e os corrige de modo a diminuir seu próprio erro (PACHECO, VELLASCO e LOPES, 1999). Esta técnica é composta por várias unidades de processamento, cujo processamento é simples. Estas unidades também conhecidas como nós, geralmente conectadas por canais de comunicação calculam o somatório dos pesos de suas entradas e realiza uma transformação na saída efetuando assim operações apenas sobre seus dados Gurney (1997, apud FERNANDES, 2003, p.59-60). Através do procedimento de aprendizado do algoritmo de retro-programação Werbos (1974 apud AMARAL, 2001, p.32), utiliza um padrão de cada vez, onde os erros são usados para ajustar os pesos dos nós de saída, proporcionalmente as suas contribuições (magnitude). Assim os pesos são ajustados similarmente, e o erro final retorna a primeira camada. Os pesos iniciais são tipicamente randômicos (AMARAL, 2001, p.32). Como demonstra a Figura 12 segundo Holl (1992) e Dhar (1997) apud (PACHECO, VELLASCO e LOPES, 1999), através de convenção define-se que a camada que recebe os dados é chamada camada de entrada, a camada que mostra o resultado é chamada camada de saída e a camada interna, onde localiza-se o processamento interno, é tradicionalmente chamada de camada escondida. Uma RNA pode conter uma ou várias camadas escondidas, de acordo com a complexidade do problema. 40

51 Figura 12. Modelo de Rede Neural Artificial Fonte: Holl (1992) e Dhar (1997) apud (PACHECO, VELLASCO e LOPES, 1999). O procedimento de ajuste de peso é conhecido com um método gradiente local, seqüêncial e interminável. Sendo gradiente local, devido a esquecer a otimização geral, seqüencial por que, permite que os casos iniciais tenham muita influência; e é interminável devido a lidar com um tipo inicial de regularização, onde a moderação do tempo de processamento e o modo principal de permitir sobrecarga. Entretanto, essas características permitem o cancelamento e parâmetros como a lenta busca local e não permite que o excesso de parâmetros sobrecarregue facilmente a rede, entretanto o perigo da sobrecarga pode depender da duração do treinamento (AMARAL, 2001, p.32). Segundo Pacheco, Vellasco e Lopes, (1999) uma das principais aplicações de Redes Neurais no DM é através da classificação, clustering, aproximação de funções, previsão e verificação de tendências, e é demonstrada através do exemplo na Figura

52 Figura 13. RNA no DM Fonte: Pacheco, Vellasco e Lopes (1999). Para Ávila (1998, apud FERNANDES, 2003, p.135), existem algumas desvantagens no uso de redes neurais para DM, devido ao seu processo de aprendizado ser muito lento comparado com alguns outros sistemas de aprendizado simbólico Algoritmos Genéticos Algoritmos genéticos, como o próprio nome diz, são algoritmos que simulam o processo de seleção natural proposto por Charles Darwin, em Segundo Darwin, a seleção natual e um processo que privilegia os organismos que melhor se adaptam ao meio ambiente, isto é, quanto mais adaptado o organismo esta ao seu ambiente, maior a chance de sobrevivência e mais características ele ira transmitir para seus sucessores por meio de seus cromossomos. Com isso, a tendência de aprimoramento pode ser verificada nas diversas espécies existentes (AMARAL, 2001, p.33). Para Pacheco, Vellasco e Lopes (1999), os Algoritmos Genéticos são modelos estocásticos e probabilísticos de busca e otimização, inspirados na evolução natural e na 42

53 genética, aplicados a problemas complexos de otimização o qual tipicamente envolvem 3 componentes: Variáveis Este componente descreve os vários aspectos do problema; Restrições - Monitora os valores que as variáveis podem ter; e Funções Essas são utilizadas para avaliar a solução. As funções objetivas geralmente envolvem a minimização ou a maximização de algum tipo de recurso. São as funções objetivas que medem a qualidade de uma regra gerada num Algoritmo Genético. As variáveis, as restrições e as funções objetivas, descritas em um problema de otimização definem a geografia básica do espaço de busca, e determinam que técnicas podem ser usadas. Técnicas baseadas em heurísticas como Algoritmos Genéticos não garantem uma ótima solução, mas conseguem soluções próximas, ou aceitáveis. Além disso, Algoritmos Genéticos são mais facilmente aplicados em problemas complexos com muitas variáveis e restrições ou com grandes espaços de busca. Para Amaral (2001, p.34) as características gerais desse tipo de algoritmo são coincidentes com as características gerais da evolução das espécies, que são: A evolução e um processo que ocorre basicamente nos cromossomos; O processo de seleção natural codifica as estruturas mais aptas a reprodução com mais freqüência do que aquelas que não são aptas; O processo de reprodução se estabelece de três modos: Mutação, Reprodução e Cruzamento, e A evolução genética não tem memória. Conforme Pacheco, Vellasco e Lopes (1999, p.27), é demonstram um exemplo de Algoritmo Genético na Figura

54 Figura 14. Ciclo Algoritmo Genético Fonte: Pacheco, Vellasco e Lopes, (1999, p.27) Métodos Estatísticos Métodos Estatísticos são basicamente aplicados em problemas de descoberta de conhecimento, onde o interesse esta centrado em uma simples variável de saída y e uma coleção pré-editada. Onde os modelos assumem a viabilidade dos dados treinados e têm como objetivo encontrar um modelo para prognosticar o valor y a partir de x, que seja executado e produza bons resultados a partir de novos dados.tal problema possuía uma solução definida antes que avanços da computação tornassem possível o relaxamento das suposições existentes. A partir disso, estatísticos vem tentado suprir a vontade de inventar novos métodos 44

55 de estimativas e modelos para explorar uma formulação menos restrita (AMARAL, 2003, p ). Segundo Pacheco, Vellasco e Lopes (1999, p ), são abordados de maneira concisa alguns dos principais métodos estatísticos, conforme descrição a seguir Classificadores Bayesianos O princípio básico desse método está fundamentado na teoria da probabilidade bayesiana (Shen, 1993 apud PACHECO, VELLASCO e LOPES, 1999, p.30-31), e é demonstrado na Equação 1: P(AB C) = P(A C)P(B AC) = P(B C)P(A BC) Equação 1 Onde P esta relacionado a probabilidade de um evento. A, B, e C são subconjuntos do espaço de amostras e a notação P(AB C) significa a probabilidade dos eventos A e B acontecerem dado que o evento C acontece. De modo análogo P(A C) significa a probabilidade do evento A acontecer dado que C acontece. Desse modo, sejam A1,..., Ak atributos, [a1,..., ak] uma tupla do banco de dados, e C uma classe a ser prevista. A previsão ótima é uma classe de valor c (Equação 2), tal que P(C = c A1 = a1... Ak = ak) é máxima. Equação 2 Transformado a Equação 2 através da regra de bayes, tem-se a Equação 3: Equação 4 P(A B) = P(B A) * P(A) / P(B), e em seguida tem-se a Equação 3 P(A1 = a1... Ak = ak C = c) * P(C = c) / P(A1 = a1... Equação 4 45

56 Ak = ak) Analisando a Equação 4: P(C = c) é fácil de estimar através do conjunto de treinamento, pois simplesmente é a razão do número de vezes em que c ocorre pelo número de tuplas do conjunto de treinamento; P(A1 = a1... Ak = ak) é irrelevante, pois é o mesmo para todos os c, já que independe da classe a que a tupla pertence, nesse caso uma constante do processo. P(A1 = a1... Ak = ak C = c) Equação 5 em: Assume-se que os atributos são independentes, nesse caso a Equação 5 transforma-se P(A1 = a1 C = c) * P(A2 = a2 C = c) *... P(Ak = ak C = c) Equação 6 Onde cada termo da Equação 6 pode ser estimado como: P(Aj = aj C = c) = Contador(Aj = aj C = c) / Contador(C = c) Equação 7 Contador é uma função que conta o número de vezes, ou a frequência, que um dado evento ocorre na base de dados Redes Bayesianas A maioria das técnicas de KDD baseiam-se apenas nos dados, enquanto sistemas especialistas geralmente baseia-se unicamente em um especialista. Uma representação de 46

57 conhecimento utilizando uma arquitetura baseada em Rede Bayesiana (RB) combina o melhor destas duas áreas, aproveitando o conhecimento do domínio do especialista e a estatística dos dados (Heck 1996 e Alif 1994 ( apud PACHECO, VELLASCO e LOPES, 1999, p. 32). A descoberta do conhecimento através de RB segundo Pacheco, Vellasco e Lopes (1999, p ) segue os seguintes passos: Primeiro, codifica-se o conhecimento existente de um especialista ou um conjunto de especialista numa RB. Segundo, utiliza-se uma base de dados para atualizar esse conhecimento, criando novas RBs. Terceiro, o resultado inclui um refinamento do conhecimento original do especialista e algumas vezes da identificação de novos relacionamentos. O processo de descoberta de conhecimento utilizando RB é muito parecido com a descoberta por Redes Neurais Artificiais. Porém RB apresenta duas vantagens. A primeira é poder facilmente codificar o conhecimento de um especialista em RBs e usar esse conhecimento para aumentar a eficiência e a qualidade do conhecimento descoberto. Segundo, os nós e arcos em uma RB treinada geralmente correspondem a distinções de variáveis e relacionamentos causais, assim facilitando a interpretação e compreensão do conhecimento codificado na representação (PACHECO, VELLASCO e LOPES, 1999, p ) Árvore de Decisão Árvores de decisão e regras que usam podas, são apresentadas de forma simples, possibilitando a compreensão do modelo de forma fácil para ao usuário. Porém o principal problema das árvores e que elas eliminam dados e uma razão exponencial profunda. Desse modo, para cobrir estruturas complexas, extensos conjuntos de dados são utilizados. Estes métodos que envolvem estruturas de cultivo e poda, são tipicamente empregados a exploração do espaço exponencial dos modelos possíveis. As árvores e as regras basicamente são apenas 47

58 usadas na modelagem de pré-elaboração, de classificação e de regressão, embora elas possam ser aplicadas para modelagem descritiva resumida (AMARAL, 2003,p. 31). As árvores da decisão possibilitam a representação de uma série de regras que conduzem a uma classe ou a um valor. Permitindo assim a utilização em diversas áreas. Conforme Sanches (2003) pode-se observar um exemplo de árvore de decisão na classificação de pretendentes a um empréstimo, conforme mostra a Figura 15. Figura 15 Árvore de Decisão Fonte: Adaptado Sanches (2003). No exemplo ilustrado na Figura 15, o primeiro componente do topo da árvore de decisão, chamado de raiz, especifica o teste a ser efetuado. O nó raiz do exemplo é Income > $40,000 e o resultado deste teste divide a árvore em duas ramificações, cada uma representando uma ou mais respostas possíveis. Neste caso, o teste Income > $40,000 pode ser respondido tanto como yes ou no, onde apartir deste irá prosseguir para as outras ramificações. Uma árvore de decisão pode ter duas ou mais ramificações. Tal forma depende do algoritmo a ser utilizado. Por exemplo, CART (Classification AndRegression Trees) gera árvores de decisão com apenas duas ramificações por nó. Tal árvore é chamada de árvore 48

59 binária. Quando mais de duas ramificações são permitidas, a árvore é chamada de multi-nível (SANCHES, 2003, p.25) Métodos Lineares Os exemplos clássicos de elaboração e classificação são regressões lineares e análise linear de discriminante, respectivamente. Em tais o termo linear é derivado do fato da superfície de regressão ou classificação ser um plano. A flexibilidade e a computação diretamente envolvidas na regressão linear, são elaboradas sem a utilização de outras técnicas associativas. Por exemplo, as funções radiais básicas de redes neurais são meras regressões lineares de um conjunto de características do núcleo (AMARAL, 2001). A análise linear descritiva, que permite o pré e pós processamento, pode ser formulada como um aprendizado de regressão linear (Hastie, Tibshirani, Buja, 1994 apud AMARAL 2001). A mesma permite trocar o módulo de regressão linear por um método de estimação não paramétrico e não linear avançado, desta forma então aumentando consideravelmente os tipos de padrões que podem ser manuseados pelas técnicas de classificação A RELEVÂNCIA DO DATA MINING PARA O CRM Em virtude da constante mudança a nível de mercado mundial, métodos os quais no passado eram extremamente eficientes para o bom desenvolvimento da organização hoje já não satisfazem mais a maior parte da realidade. Tal realidade fez com que diversas organizações mudassem suas formas de atuação, mudando sua forma agir e pensar em relação aos clientes. Neste mercado onde não ocorre mais fidelidade do cliente, suas vontades e necessidades alteram-se constantemente. Sua exigência por melhores padrões de qualidade aumentou e a grande variedade de mercado possibilita uma busca por melhores preços, força as empresas a se preocuparem em entender melhor seus clientes de forma muito mais ágil, compreendendo suas necessidades e vontades, fazendo-os estarem sempre atentos as sugestões e seu grau de satisfação ou insatisfação. Tais mudanças não mais permitem a empresa ficar a espera de uma insatisfação obvia que vem se repetindo a longo prazo, mas sim anteciparem-se a tal (ALMEIDA,SIQUEIRA e ONUSIC, 2005). 49

60 Este novo mercado aumentou a quantidade de clientes, produtos e competidores não mais proporcionando o que em tempos passados era possível: vendedores de pequenas lojas conseguiam armazenar em suas mentes os gostos e comportamentos de seus clientes, proporcionando sempre um atendimento que atingisse as necessidades do mesmo de forma rápida e eficiente. Desta forma a complexidade com o cliente aumentou e segundo Trearling (2000) a empresa precisa ficar atenta também a: Tempo de ciclo de marketing comprimido. O período de atenção do cliente diminuiu, a lealdade já não ocorre mais. Uma empresa bem sucedida precisa reforçar o valor que ela provê aos seus clientes continuamente. Além disso, o tempo entre o surgimento de um novo desejo e o prazo para a empresa realizá-lo também está encolhendo; Custos de marketing elevados. Todos os custos aumentaram. Impressão, postagem, ofertas especiais (e, se você não fizer ofertas especiais, seus concorrentes farão). Muitos produtos novos. Os clientes querem coisas que vão ao encontro de suas exatas necessidades e não coisas que "se encaixam" com o que querem. Isso significa que o número de produtos e o número de maneiras que eles são ofertados têm crescido significativamente; Competidores de nicho. Seus melhores clientes também são ótimos para seus concorrentes. Eles irão focar em pequenos e lucrativos segmentos de seu mercado e tentarão manter o melhor para eles; Empresas bem sucedidas precisam reagir a cada uma dessas demandas em um tempo adequado. O mercado não esperará pelas suas respostas e os clientes que você tem hoje podem desaparecer amanhã (TREARLING,2000). Segundo Thearling (2000) para avaliar como proceder mediante a tais problemas a empresa deve automatizar: A oferta certa: gerenciando múltiplas interações com seus clientes, dando prioridade às ofertas certas, certificando-se que as ofertas irrelevantes serão minimizadas. 50

61 Para pessoa certa: nem todos os clientes têm a mesma importância. Suas interações com eles precisam caminhar para campanhas de marketing altamente segmentadas que objetivem os desejos e necessidades individuais. Na hora certa: as interações com o cliente devem acontecer de forma contínua, pois assim a chance de o cliente receber a novidade na hora que ele estava procurando aumenta em muito. Isso é significativamente diferente do passado, quando correspondências trimestrais eram a tônica do marketing. Pelo canal correto: a empresa pode comunicar-se com seus clientes de várias maneiras (mala direta, , telemarketing, etc.). Entretanto, é necessario ter certeza que está escolhendo a mídia mais efetiva para uma interação particular. As empresas começaram a tentar resolver este problema da melhor forma possível, diversas técnicas foram criadas e adotadas. Entre elas a união do Marketing utilizando os conhecimentos de CRM (marketing de relacionamento que ao invés de estratégias de marketing em massa opta pela forma individualizada cliente-empresa focando os anseios de cada cliente) e da TI (Tecnologia da Informação com o uso de DM possibilitando que cada cliente seja tratado de maneira personalizada, mesmo que com uma realidade de centenas de clientes). Esta união encontrou uma das melhores formas de aproveitar eficientemente todo o conhecimento oculto nas bases de dados afim de otimizar processos e proporcionando uma grande vantagem competitiva (ALMEIDA,SIQUEIRA e ONUSIC, 2005). O CRM gerência as interações entre a empresa e o cliente e ao efetuar tal função vai agregando as informações recolhidas nas bases de dados, entretanto tal armazenamento impede que o setor de Marketing consiga filtrar manualmente quais das informações armazenadas que são valiosas, podendo-as utilizar de formas distintas. Para resolver este detalhe é acrescentado ao software a técnica de data mining que automatiza os processos de buscas nas montanhosas bases de dados encontrado os padrões que sejam bom preditores de comportamentos de compras. O Data Mining diferencia-se de outras técnicas de busca de dados, pois seu processo extrai informações desconhecidas do banco de dados. Relações entre variáveis e 51

62 comportamentos de clientes que não são intuitivas. Relações estas, que são de grande valia e após compreendidas são utilizadas pelos usuários do marketing para focar suas campanhas de marketing de maneira precisa aproximando-se ao máximo das necessidades, desejos e atitudes de seus clientes (TREARLING, 2000). Campanhas estas que quando bem aplicadas podem fazer uma grande diferença para a empresa, tendem a medir índices importantes como satisfação, taxas de respostas, proporcionam aumento das vendas, planejamentos de estoque, planejamentos gerenciais administrativos diversos( grandes vendas as vezes exigem funcionários extras, materiais de escritórios extra entre outros) DM NO CONTEXTO DO CRM Segundo Almeida,Siqueira e Onusic (2005) a DM e uma das principais atividades que extrai conhecimentos dos dados gerados pelo cliente, e esta pode ser compreendida como um dos 4 elementos do ciclo do CRM. Conforme mostra a Figura 16 52

63 Figura 16 Ciclo do CRM Fonte: Almeida, Siqueira e Onusic (2005) Para o início das atividades do CRM é necessário que a empresa já tenha clientes, onde tais clientes já são frutos de uma estratégia de relacionamento existente atualmente na empresa (Etapa 4). A partir da obtenção dos clientes, inicia-se um relacionamento empresacliente (Etapa 1). Por meio da utilização de recursos de TI, a empresa poderá captar dados sobre seus clientes e armazená-los em bases de dados gerenciais (data warehouses e data marts - Etapa 2). O passo final é a exploração desses dados, que permite aprender com a relação desenvolvida na Etapa 3, com o intuito de aumentar o conhecimento sobre o cliente. Há retroalimentação no processo, pois, ao coletar dados sobre os clientes (etapa 3), a empresa procurará aprender e conhecer o cliente a partir do processo de DM (Etapa 4). Isso irá incrementar a eficácia de seu processo de obtenção do cliente (Etapa 4) e de sua estratégia de relacionamento (Etapa 1), levando à obtenção de novos dados (novamente a Etapa 3) com uma nova estratégia de relacionamento (ALMEIDA,SIQUEIRA e ONUSIC, 2005). 53

64 2.14 Benefícios da Utilização da Técnica O uso da técnica de CRM com DM proporciona para a empresa diversas vantagens as quais aumentam as chances de um sucesso da empresa. Trearling (2000) apresenta o gráfico de ganho que mostra alguns benefícios gerados pela implantação do data mining. Conforme mostra a Figura 17 Figura 17.CRM Gráfico de Ganho Fonte: adaptado de Trealing (2000). A linha diagonal demonstra o número de respostas esperadas de um público alvo selecionado aleatoriamente. Sob este cenário, o número de respostas cresce linearmente com o tamanho do alvo. A curva superior representa a resposta utilizando as técnicas de DM para 54

65 determinarem o público alvo. O alvo provavelmente incluirá mais respostas positivas que em uma seleção aleatória do mesmo tamanho. A área sombreada entre a curva e a linha indica a qualidade do modelo. Quanto mais acentuada é a curva, melhor o modelo. Outras representações do modelo freqüentemente incorporam custos e rendimentos esperados Exemplos de Utilização de CRM e DM Rede de lojas Uma determinada rede varejista de lojas brasileiras sofria com a dificuldade de dispor em suas prateleiras cerca de produtos que mantinha em seu catálogo segundo Com (1997 apud SANCHES, 2003). O problema era meramente de espaço físico em suas lojas. Depois de um processo de automação que teve um custo de aproximadamente um milhão de dólares, a cadeia de lojas, que contava na época com setenta lojas espalhadas por todo o Brasil, descobriu que muitas dessas mercadorias não rendiam quase nenhum retorno em vendas. Entre os ítens de pouca venda estavam guarda-chuvas, sombrinhas e malhas de lã. O motivo, descoberto mais tarde, era que tais produtos se encontravam expostos em lojas do nordeste, onde chuva e frio são raros. Outra descoberta foi o fato de estarem sendo vendidas batedeiras com voltagem de 110 Volts em Santa Catarina e no Rio Grande do Sul, onde a voltagem padrão é de 220 Volts. Nos dias atuais, segundo informações, o grupo mantém itens em exposição nas lojas. Em uma única operação, foram eliminados produtos. Seus executivos utilizaram a mineração de dados para conseguirem estes resultados. Com base em relatórios a respeito dos hábitos de consumo dos clientes, seus hobbies e informações sobre suas transações comerciais e financeiras foi possível traçar associações que revelaram grandes nichos de mercado. Em conjunto foi utilizado um banco de dados baseado em data warehouse, modelado sobre as informações transacionais do conjunto das lojas da rede. 55

66 Companhia Telefônica Uma empresa tinha como sua maior preocupação a perda de clientes. Para resolver tal problema a empresa adotou a medida a qual o cliente entendesse qual o valor da empresa para ele. Para tal eles precisavam dar a cada cliente o que ele realmente precisava. Como cada cliente possui diferentes características precisou-se adaptar a tais. Para isso a empresa adotou o uso do DM e CRM, onde o DM relacionava as características de cada cliente, identificava o que realmente tal cliente necessitava entre todos os produtos e serviços oferecidos, e o CRM disparava uma mala direta relacionada diretamente a tal, onde por exemplo diferenciava clientes que valorizavam a confiabilidade dos serviços e clientes que utilizavam sempre tecnologias todo de linha TURISMO Antigamente, o turismo era simplesmente sinônimo de fazer uma excursão ou viagem de recreio a lugares interessantes. Hoje, mais do que uma sofisticada atividade de prestação de serviços, o turismo é um mega-negócio o qual gera milhões de empregos e atinge centenas de milhões de pessoas, estendendo seu impacto a área social, política e cultural (Rabahy, 1990 apud FERNANDES, 2000). O Turismo desempenha um papel prioritário no desenvolvimento econômico, gerando divisas, renda e empregos, além de interferir na distribuição regional, nas finanças públicas e até nos níveis gerais dos preços. E ainda exerce forte influência no campo sócio-cultural, com destaque para a preservação do meio ambiente e do patrimônio histórico, também influenciando nos recursos humanos e na mudança de atitudes dos recursos humanos, hábitos de consumo, estilo de vida e padrões de comportamento (ibidem). Como no restante do mundo, o turismo vem crescendo a cada dia no Brasil, possibilitando assim a abertura de atividades múltiplas e diferenciadas proporcionando melhorias para diversas áreas e a conseqüente melhoria dos lucros. Segundo a Organização Mundial de Turismo (OMT, 1994 apud FERNANDES, 2000) turismo compreende as atividades que as pessoas realizam durante suas viagens e estadias em 56

67 locais distintos de seu entorno habitual, por um período de tempo consecutivo inferior a um ano, com fins de descanso, esportes, negócios entre outros Fatores determinantes da Demanda Turística Segundo a OMT (1998, apud FERNANDES, 2000), a própria complexidade na hora de definir a demanda turística como um conceito global, faz necessária uma análise prévia de como os fatores distintos condicionam a decisão de viajar e influenciam sobre a estrutura da viagem. Desta forma, segundo Sancho & Pérez (1995, apud FERNANDES, 2000) os fatores determinantes de uma demanda turística, podem ser agrupados como : Fatores econômicos: abrangem o nível de renda disponível, os níveis de preços, a política fiscal e controle dos gastos em turismo, financiamento e tipos de troca, isto é câmbio. Fatores relativos a unidades demandantes: são os que abrangem os fatores de motivação, sociológicos, psicológicos, formas de estilo de vida, tempo de lazer, níveis culturais, costumes, crenças e fatores demográficos. Fatores aleatórios: são relativos as variáveis imprevisíveis que afetam o comportamento sistemático dos consumidores e que incidem, portanto, na demanda turística. Estes fatores são determinados por guerras e cataclismas. Fatores relativos aos sistemas de comercialização e de produção: fazem parte os fatores relativos aos sistemas de comercialização propriamente ditos (conhecimento e implantação do produto, comunicação global realizada, investimos em publicidade, tecnologias disponíveis para alcançar as vendas imediatas, marketing, etc); fatores relativos a produção (satisfação das necessidades concretas, qualidade técnica dos produtos, relação qualidade/preço, meios de transporte para distribuição, distância a percorrer até os mercados de origem, segurança cívica e política, higiene) e fatores relativos a produção da concorrência (possibilidade de substituição real em relação aos próprios projetos, 57

68 possibilidade de cobrir as necessidades, tecnológicas, notoriedade, imagem política, estratégica de gastos com marketing, etc) Inventário Turístico Segundo a Fernandes (2000, p.22) o inventário turístico e composto por: atrativos turísticos equipamentos e serviços turísticos Atrativos Turísticos Os atrativos turísticos por sua vez são compostos por: Acontecimentos: congressos e convenções, feira e exposição, festa e comemoração. Atrativos naturais: arquipélagos, morro, rochedo, ruína, baías, mangue, fonte hidromineral, fonte termal, gruta, caverna, pântano, área de caça, ilha, sítio, queda d agua, área de pesca e praia. Atrativos histórico-culturais: escultura, monumento, compra, artesanato, dança, folclore, escola de música, coral, orquestra, instituição cultural, cultos Equipamentos e serviços turísticos Os equipamentos e serviços turísticos são compostos por: Hospedagem: hotel, motel, pousada, pensão, acampamento, hotel fazenda, spa, albergue e hotel escola. Alimentação: bar, lanchonete, fast food, café, confeitaria, sorveteria, churrascaria, restaurante de frutos do mar, comida típica, rodízio de pizzas, rodízio de massas, café colonial, cervejaria e pizzaria. Entretenimento: parque aquático, cinema, teatro, instalação desportiva, área de recreação, shopping, parque temático, zoológico, jardim botânico, danceteria e boliche. 58

69 Serviços turísticos: operadora, agência de viagens, transporte turístico, posto de informação, locadora de imóveis, locadora de veículos, vídeo locadora, cada de câmbio, banco, locais de convenções e exposições e loja de artesanato. Serviços gerais: água, gás, eletricidade, borracharia, saneamento, posto de abastecimento e oficina Infra-estrutura de apoio turístico A infra-estrutura de apoio turístico é composta por: Comunicação: correios, posto telefônico, provedor de internet e agências postais. Segurança: delegacia de polícia, postos policiais rodoviários, quartel exército e corpo de bombeiros. Transporte: terrestres, aéreos e rodoviários. Saúde:maternidade, pronto-socorro, farmácia, hospital, laboratório de análise, posto de saúde, clínica odontológica, clínica pediátrica e clínica veterinária Softwares Analizados A seguir tem-se algumas ferramentas que foram analisadas para dar um melhor embasamento a este trabalho, tanto no aspecto de CRM quanto no aspecto de DM Ferramenta de CRM Advanced Protheus 7.10 Segundo Marson (2003) a empresa Microsiga, empresa brasileira, líder no mercado de ERP (Enterprise Resource Planning) no segmento Low-End (pequenas empresas), dentro de seu pacote ERP denominado Protheus, oferta diversos módulos para uma melhor interação da empresa com o cliente. Algumas ferramentas de CRM Operacional contida em seu ERP são: 59

70 Call-Center: Engloba todo o atendimento do operador, incluindo telemarketing, telecobrança, televendas, TEF (Transferência Eletrônica de Fundos), promoções, contatos, histórico, prospects, etc.; Field Service: Sistema que contempla o controle da manutenção técnica de base instalada no cliente. Engloba orçamentos, ordens de serviços, contratos, manutenção preventiva e corretiva, entre outras funcionalidades; TFA Techinical Force Automation: Sistema móvel que permite o registro automático para os procedimentos relacionados à assistência técnica. Faz a integração entre o Field Service com handheld, permitindo uma maior mobilidade; SFA Sales Force Automation: Permite a comunicação com o ERP através de handhelds, possibilitando que as equipe de vendas externas possam executar suas atividades de venda on-line ou off-line, com tecnologia wireless; A escolha da melhor ferramenta para CRM varia muito de acordo com o negócio e também com o porte da empresa. Mas o CRM não é composto apenas de softwares Ferramentas DM Foram analisadas as seguintes ferramentas: O WizRule é um software de auditoria, descrição e limpeza de dados que, de forma automática, revela todas as regras que modelam a base de dados e indica os casos de desvio encontrados com relação ao conjunto de regras geradas. Criado pela empresa WizSoft, o programa gera relatórios que descrevem a base de dados através de regras, dentre elas, regras do tipo se A então B, regras matemáticas e erros ortográficos de nomes e valores. Pode também calcular o nível de incerteza de cada desvio evitando assim os casos em que um registro é considerado um desvio a regra (SANCHES, 2003). O MineSet é formado por um conjunto de ferramentas integradas, que permitem a realização de mineração e visualização de dados contidos em um banco de dados ou arquivos de texto com um formato específico. Essas ferramentas aplicam as técnicas de DM para garimpar dados e mostrar os resultados de forma gráfica, de tal forma que permita ao usuário uma melhor visualização, compreensão e com 60

71 isso descoberta de informações ocultas contidas nestes dados. Desenvolvido pela empresa americana Silicon Graphics e adquirido pela empresa Purple (ibidem). Ulyssèa (2002 apud MARSON, 2003) descreve entre os melhores softwares de mineração de dados os listados a seguir: DataEngine da MIT GmbH: Utiliza a lógica difusa e algoritmos de rede neural para executar a mineração de dados que ajuda a analisar e controlar processos técnicos de tempo real. Data/Logic da Reduct: Marca padrões automaticamente, gerando regras que tem afinidades com a análise difusa de conjuntos. IDIS da IntelligenceWare: Formula, testa e modifica suas próprias hipóteses até queregras de classificação, regras com intervalos ou regras mais inexatas surjam. Clementine da SPSS: modela o processo da descoberta de conhecimento e realiza a mineração. Possui uma linguagem onde os componentes são algoritmos de aprendizado, métodos de preparação e ferramentas de visualização. Aira da Hycones: Gera regras IF...THEN, possui QUERY WINDOWS, detecta erros na base de dados e representa o conhecimentos na forma gráfica e relatórios. Go Mining da Go Digital: A Go Digital é uma empresa especializada em Marketing de Precisão, que possui o primeiro software de Data Mining desenvolvido na América Latina, Go Mining que tem por objetivo transformar dados em conhecimento visando gerar um maior valor no relacionamento com os clientes. Seu software utiliza princípios de inteligência artificial, que busca descobrir na base de dados regras de negócios que serão utilizadas em ações de marketing FERRAMENTA WEKA O WEKA (Waikato Environment for Knowledge Analysis), é um projeto desenvolvido pela Universidade de Wiakato Nova Zelândia. Implementa alguns dos principais algoritmos que podem ser utilizados na técnica de mineração de dados e provê uma GUI (Graphical User 61

72 Interface) para realização de experimentos de mineração utilizando API (Aplication Program Interface) desenvolvida de maneira independente, podendo ser utilizada em aplicações Java (BRAGA et al, 2004). Devido a sua implementação ser em linguagem JAVA, o WEKA possui alta portabilidade podendo ser executado na maior parte dos sistemas operacionais existentes, sem a necessidade de recompilação ou alteração do aplicativo, desde que o computador possua instalada a JVM (Java Virtual Machine). Ele efetua suas análises utilizando técnicas de classificação, regressão, agrupamento e associação. Podendo ainda ser utilizado tanto com instruções em linha de comando,quanto a partir de interface gráfica desenvolvida também em JAVA. Seus algoritmos podem ser utilizado também em outros programas, podendo importar as suas bibliotecas. Este projeto encontra-se disponível gratuitamente para a comunidade cientifica, no site do próprio WEKA(WEKA, 2003 apud PAULA, 2004) Descrição dos pacotes Weka A estrutura do WEKA segue os padrões de construção de aplicativos orientados a objetos, e os padrões JAVA, por que foi desenvolvido nesta tecnologia. O WEKA é formado por diversos pacotes de classes Java, que podem ser compreendidos como os módulos do sistema e que implementam os métodos sobre os tipos de dados tratados PAULA, 2004 (apud WITTE, 1999). Na Figura 18 pode observar a estrutura dos pacotes 62

73 Figura 18. Relação dos pacotes Fonte: Salga (2002, apud PAULA, 2004) Segundo a estrutura da Figura 18 as descrições dos pacotes são: Associations Implementa regras de associação entre os dados. AttributeSelection Implementa algoritmos para seleção de atributos de um conjunto de treinamento. Classifiers Implementa vários tipos de classificadores: árvores de decisão, redes neurais, tabelas de decisão, algoritmos bayesianos, bagging, boosting. Clusterers Implementa os seguintes algorimos para clustgering: EM, SimpleKMeans e ConWeb. 63

74 Core Implementa funções de IO (Input Output) e de estatísticas de instâncias. Calcula por exemplo o número de atributos com determinado valor, e o número de instâncias com alguns valores ausentes. Filters - Implementa vários filtros aplicados na fase de pré processamento dos dados. Gui Implementa toda a parte de interface com o usuário. É importante ressaltar que estas classes não dispõem de nenhum algoritmo de mineração de dados implementado, o que torna o software mais flexível para eventuais mudanças. Estimador Diferentes tipos de cálculos para distribuição de probabilidades. É usada, por exemplo pelo algoritmo Naive Bayes Arquivos de Entrada O WEKA define padrão de entrada específico que deve ser obedecido para o correto processamento das informações. Este padrão possui a extensão.arff, ou.csv onde para tal existem uma série de regras a serem seguidas para um correta leitura do mesmo. Em virtude de o arquivo.csv possuir menos restrições quando a cabeçalho e ser mais prático para ser gerado o sistema seguira esta extensão. Basicamente o arquivo é sub-dividido em dua partes: No primeiro passo, a primeira linha do arquivo contém uma descrição de todos dos dados que o mesmo possui, separados por vírgula. No segundo passo, após, começam então os dados que serão processados. Sendo que as linhas devem conter os valores correspondentes aos atributos já declarados na mesma ordem que a primeira linha, separados por virgulas. A seguir na Figura 19 exemplo de arquivo de entrada do WEKA. 64

75 Evento_Esterno, InicioAcont, FimAcont,TipoAcontecimento, CidadeAcontecimento, Feira_Nacional_Medicina, _ _, _ _, Reuniao, Florianopolis Feira_Nacional_Medicina, _ _, _ _, Reuniao, Florianopolis ANIVERSARIO_CURITIBA, _ _, _ _, ANIVERSARIO, CURITIBA Figura 19. Arquivo entrada.csv 2.21 Algoritmos WEKA O Weka implementa uma série de algoritmos para efetuar a mineração de dados, onde o usuário pode aplica-los de acordo com o desejado, estes algoritmos encontram-se em três pacotes específicos: Associação, Classificador e Cluster (PAULA, 2004) Associação Implementa um algoritmo que prevê relacionamentos significativos entre informações da mesma natureza. Onde grandes bases de dados necessitam de um algoritmo ainda mais eficiente para a mineração em tempo aceitável. Assim o WEKA implementa o algoritmo Apriori, proposto por Agrawal e Srikant em 1994 visando percorrer e encontrar regras de associação com mais eficiência em grandes bases de dados Agraw(1994 apud PAULA 2004). O C4.5 gera um classificador na forma de árvore de decisão, onde adota para tal uma tática top-down que permite efetuar a classificação em partes da estrutura, possibilitando assim a criação de árvores de estrutura relativamente simples Cluster O Weka ainda contem pacotes que possuem algoritmos de agrupamento, chamado weka.clusteres,este pacote possui alguns algoritmos que são eles: O Cobweb, o qual é um algoritmo de agrupamento incremental baseado em conceitos probabilísticos que possui um conjunto de atributos com seus prováveis valores. A busca dos melhores agrupamentos é direcionada devido a mensuração da qualidade das partições de dados. O EM, algoritmo que assume que os atributos do conjunto de dados representam variáveis randômicas independentes, diferentemente de outros algoritmos (PAULA, 2004). 65

76 Classificadores Os algoritmos de classificação tendem por base efetuar a associação de uma determinada instância a uma determinada classe, tais rotinas normalmente apresentam como resultados árvores de decisão ou um conjunto de regras que definam os critérios necessários para realizar a associação do item considerado com a classe apropriada. Witte(1999 apud PAULA, 2004) cita alguns algoritmos de classificação implementados pelo WEKA: weka.classifiers.zeror, weka.classifiers.oner, weka.classifiers.naivebayes, weka.classifiers.decisiontable, weka.classifiers.ibk, weka.classifiers.j48.j48, weka.classifiers.j48.part, weka.classifiers.smo, weka.classifiers.linearregression, weka.classifiers.m5.m5prime, weka.classifiers.lwr, weka.classifiers.decisionstump 2.22 Interface do WEKA O WEKA fornece aos usuários uma interface gráfica que facilita muito sua utilização, principalmente para testes de arquivos e análises. A seguir apresenta-se algumas das telas da versão 3.5.5, nas figuras de 20 a

77 Figura 20.Tela Explorer WEKA Na Figura 20 pode-se observar a tela do explorer do WEKA, onde podem ser efetuados diversos experimentos. No botão OPEN file... pode ser aberto o arquivo direto.csv ou ainda através do botão OPEN DB... pode ser aberto uma base de dados, entretanto para tal é necessário a utilização do JDBC para efetuar a comunicação com o banco de dados. 67

78 Figura 21. Tela 2 WEKA Na Figura 21 com um arquivo.csv aberto, pode-se observar na parte dos Attributes os atributos referentes ao arquivo, onde se pode selecionar com quais vão ser trabalhados. Já na Aba superior estão divididos os pacotes de mineração e seus respectivos algoritmos. 68

79 Figura 22. Tela 3 WEKA Clicando na aba referente ao pacote desejado, pode-se clicar no botão Choose e selecionar com qual algoritmo daquele pacote serão realizados os testes. 69

80 Figura 23. Tela 4 WEKA Após a seleção do algoritmo clicando no botão Start pode-se observar alguns resultados referente a mineração efetuada DIFICULDADE DE INTERAÇÃO INVENTÁRIO TURÍSTICO E SOFTWARES DE CRM/DM Com o estudo de caso levantado, foram analisados softwares que implementam soluções de CRM e softwares que implementam soluções de DM. Entretanto no levantamento observou-se que dentre todos os analisados, os mesmos são específicos apenas em uma das duas áreas. Dificuldades surgiram em analisar softwares que realmente integrassem CRM e DM, pois dos levantados esta integração não ficou muito satisfatória. 70

81 De acordo com estudo feito sobre hotelaria e o grande problema da sazonalidade foi possível verificar que uma grande possibilidade para aumentar o índice de ocupação é utilizando as técnicas de DM com CRM e confrontando também com o inventário turístico. Entretanto, de todos os softwares analisados tal técnica não pode ser observada devido aos softwares utilizarem pouco ou quase nada os dados que compões o inventario turístico. Devido a tal fator a solução a ser desenvolvida irá analisar através da técnica de mineração de dados os dados do inventario turístico e da base de dados do hotel, gerando relatórios que auxiliem na tomada de decisão, auxiliando também na utilização do CRM. 71

82 3 DESENVOLVIMENTO Este capítulo apresentará as etapas de desenvolvimento deste sistema: levantamento dos dados (entrevistas); análise das tabelas do sistema Desbravador, criações das tabelas suplementares; modelagem do sistema; mineração de dados. 3.1 ENTREVISTAS JUNTO AOS PROFISSIONAIS DE HOTELARIA Para seleção dos dados do inventário turístico e do DESBRAVADOR, efetuou-se um levantamento das necessidades dos profissionais da área de hotelaria em relação ao cruzamento dos dados no sistema proposto, foi feita uma entrevista com 30 profissionais atuantes em hotéis de diversas cidades do estado de Santa Catarina e Rio Grande do Sul, tais estados e profissionais foram selecionados devido a facilidade de interação com os mesmos, onde o contato e a disponibilidade destes foram de fácil acesso. O Instrumento utilizado na entrevista encontra-se no Anexo V. Os entrevistados exercem funções variadas, conforme mostra a Tabela 3. Tabela 3: Funções Função Freqüência Percentual Gerente geral 8 27% Gerente Comercial: 4 13% Chefe Recepção 5 17% Recepcionista Sênior 3 10% Sub gerente geral 3 10% Recepcionista 3 10% Assistente Comercial 2 7% Gerente Operacional 2 7% Total % Os tempos de atuação na área dos mesmos também encontra-se em faixas diferentes como mostra a Tabela 4. 72

83 Tabela 4: Tempo de Atuação Tempo de atuação na área Freqüência Percentual 0 a 2 Anos: 3 10% 3 a 4 Anos: 6 20% 5 a 6 Anos: 3 10% 7 a 8 Anos: 5 17% 9 a 10 Anos: 3 10% 11 a 12 Anos: 3 10% 13 a 14 Anos: 3 10% 15 ou mais : 4 13% TOTAL % A quantidade de apartamentos de cada hotel também é diferente, sendo assim foi efetuado um agrupamento como mostra a Tabela 5. Tabela 5: Número de Apartamentos Número de Apartamentos do hotel Freqüência Percentual 0 a 100 Unidades: 8 27% 100 a 200 Unidades: 11 37% 200 a 300 Unidades: 9 30% 300 ou mais 2 7% TOTAL % O tipo de público freqüentador do hotel também foi questionado, tendo diferença entre os resultados como mostra a Tabela 6. Tabela 6: Publico Habitue Público Habitue Freqüência Percentual Executivo: 22 44% Eventos: 17 34% Lazer: 11 22% TOTAL % 73

84 A faixa etária dos empreendimentos hoteleiros varia também, sendo assim foram criadas faixas etárias como mostra a Tabela 7 Tabela 7: Faixa Etária Faixa etária que mais freqüenta o hotel Freqüência Percentual 20 a 30 Anos: 9 14% 31 a 40 Anos: 17 26% 41 a 50 Anos: 16 25% 51 a 60 Anos: 13 20% 61 ou mais 10 15% TOTAL % Como o perfil dos empreendimentos hoteleiros são diferentes, e até mesmo em cidades diferentes, os meses de sazionalidade também são diferentes, como mostra a Tabela 8. Tabela 8: Meses de Baixa Ocupação Meses que diminuem a ocupação do hotel Freqüência Percentual Janeiro: 8 8% Fevereiro: 9 9% Março: 9 9% Abril: 7 7% Maio: 12 12% Junho: 13 13% Julho: 9 9% Agosto: 10 10% Setembro: 7 7% Outubro: 7 7% Novembro: 4 4% Dezembro: 4 4% TOTAL % A origem do publico freqüentador dos mesmos também é de estados diferentes, sendo assim formam tabulados os estados como mostra a Tabela 9 74

85 Tabela 9: Principais Estados Freqüentadores Principais Estados que freqüentam o hotel Freqüência Percentual SP: 18 25% RJ: 6 8% PR: 17 23% RS: 12 16% SC: 12 16% MG 4 5% DF 2 3% Todo pais 2 3% TOTAL % O questionamento de quais dados seriam mais importantes para serem cruzados com intuído de descobrir informações importantes nos mesmos foi deixado livremente para que cada um coloca-se o que na sua visão profissional seria melhor para o hotel, as respostas foram agrupadas como mostra a Tabela

86 Tabela 10: Levantamento de Dados para Cruzamento Quais dados seriam interessantes para serem cruzados, com o intuito de descobrir informações relevantes nos mesmos Freqüência Percentual Procedência: 10 6% Hobby: 4 3% Sexo: 11 7% Idade 13 8% Trabalho 6 4% Lazer 6 4% Gostos 4 3% Onde Compram 3 2% Como Conheceu o hotel 4 3% Motivação 3 2% Eventos por período 10 6% Hóspedes por periodo x região 11 7% Profissão 6 4% Utiliza por opcao ou não 6 4% Tarifas mais elevadas 5 3% Indice de retorno 4 3% Período livre para viajem 3 2% hoteis Preferidos 4 3% Media de gasto por viajem 4 3% Motivo da viajem 5 3% Numero de viajens a lazer por ano 3 2% Preferencia em um evento 3 2% ocupacao x cidade x período 15 10% Segmento de mercado 3 2% Potencia de eventos por empresa 3 2% Poder aquisitivo dos hóspedes 5 3% TOTAL % Os feriados nacionais e municipais são fatores que alteram significativamente a ocupação de diversos hotéis, desta forma na Tabela 11 mostra as respostar referente aos feriados municipais e nacionais. 76

87 Tabela 11: Feriados nacionais e municipais. Feriados nacionais, municipais diferencia a ocupação do hotel Freqüência Percentual Sim 25 83% Não 5 17% Quais principais feriados nacionais Freqüência Percentual Todos nacionais 13 9% Proximos a finais de semana 12 9% Revellion 18 13% Carnaval 16 11% Páscoa 16 11% Natal 16 11% 7 de Setembro 10 7% Finados 6 4% Dia dos namorados 5 4% ferias Julho 7 5% Ferias Janeiro 6 4% 12 De Outubro 6 4% Dia do trabalho 8 6% Diminuem a ocupação 2 1% TOTAL % Quais principais feriados municipais Freqüência Percentual Santo antonio 3 10% Sao joão 3 10% Da cidade 9 30% Somente outra cidades, os locais não influenciam: 15 50% TOTAL 30 Uma questão de resposta livre, na qual cada profissional diz quais informações seriam importantes ter-se o conhecimento mais claro para poder aumentar a ocupação da empresa, as respostas foram agrupadas por tipos como mostra na Tabela 12 os resultados. 77

88 Tabela 12: Informações para melhoria da ocupação. Que tipo de informação poderia contribuir para a melhoria da ocupação do hotel Freqüência Percentual Grau Satisfação 7 7% Fator de motivacao para consumo 6 6% Facilitadores para hospedarem no hotel: 6 6% Áreas de interesse 7 7% Gastronomia 8 8% Qualidade da hospedagem 5 5% Opcionais para lazer 4 4% Opcionais para crianças 4 4% Atrações regionais 3 3% Eventos realizados na cidade 7 7% Tipo de publico por evento 9 9% Tipo de apartamento por tipo de hóspede 7 7% se é fumante 5 5% Preferencias dos hóspedes 9 9% Expectativa de cada grupo ( executivos x lazer) 5 5% Eventos festivos em finais de semana 4 4% TOTAL % Com relação aos dados da pesquisa, as questões englobaram focos diferentes, visando uma visão mais ampla do perfil de cada hotel, algumas perguntas enfocaram o perfil dos entrevistados e outras a visão dos mesmos referente a qual tipo de informações auxiliaria a tomada de decisão. 3.2 SELEÇÃO DOS DADOS Como nesta etapa o conhecimento e as metas da aplicação são de grandes relevância, foi utilizado o conhecimento dos profissionais da área através dos formulários de entrevista, e através destes foram retirados os dados relacionados pelos mesmos, os quais são: Através de uma análise do banco de dados do sistema Desbravador e sua respectiva estrutura, foram levantas todas as tabelas as quais fazem parte do sistema. Estas somam no 78

89 total 285 tabelas as quais armazenam diversos tipos de informações. No Anexo I encontra-se um descritivo com o nome de todas elas. Após tal passo, foram confrontadas tais informações e dentre as tabelas do sistema, foram escolhidas algumas para serem utilizadas no processo de mineração de dados, tabelas as quais armazenavam a maior quantidade de dados citado pelos especialistas. Tabela CadHóspedes: Contém todos os dados referente ao cadastramento do hóspedes. Tais dados são retirados da FRNH (Ficha Nacional de Registro de Hóspedes) a qual o hóspede preenche na sua entrada. Tabela DetEstat: Contém dados os quais contém informações do tipo se o hóspede veio de forma particular ou através de empresa, data da entrada e data da saída, o apartamento utilizado, valores gastos (entretanto não serão apresentado valores, apenas informações como os hóspedes de qual cidade que gastam mais). Tabela Estatistica: Contém dados os quais contém informações como, a data da entrada, data da saída, se veio através de reserva ou não, procedência do hóspede, se foi uma hospedagem que foi paga ou não comissão, ReservasEventos: Contem os dados relevantes aos eventos realizados internamente no hotel, tais como datas, numero de pessoas e o tipo do evento Hóspedes: Contém dados os quais contém informações como se o hóspede veio (por reservas, eventos ou outro), se é adulto ou criança, se é pagante ou cortesia, se e titular da conta ou acompanhante, se solicitou para não ser identificado, quais refeições foram contratadas na hospedagem, e se a hospedagem foi vinculada ou não a algum cadastro de hóspede. CadPofição: Contem o cadastro das profissões as quais correspondem aos cadastros dos hóspedes. No Anexo II, segue descrição completa de todas as tabelas utilizadas para este projeto. 79

90 3.2.1 Tabelas Suplementares Após a análise das tabelas do sistema Desbravador através das ferramentas fornecidas pelo Microsoft SQL Server 2000, constatou-se a deficiência de algumas informações adicionais relevantes para auxiliar na mineração dos dados informações estas que fazem parte do inventário turístico, assim então foram criadas as seguintes tabelas: Tabela Entacontecimento: Descreve os acontecimentos regionais, tais como os eventos realizados em qual cidades em quais períodos, com a possibilidade de se minerar por tipo de acontecimento também. Baseado no questionário onde as respostas referenciaram a necessidade do conhecimento dos eventos regionais, tais como festas, reuniões, congressos entre outros. E referente ao inventário turístico, Atrativos Turísticos: Acontecimentos. Tabela Entatrativo: Tabela que contem o cadastro dos atrativos regionais, tais como atrativos históricos culturais, e atrativos turísticos. Baseado no questionário onde as respostas referenciaram-se a atrativos regionais, tais como atrativos para crianças, opcionais para lazer, atrações regionais e outras. E referente ao inventário turístico, Atrativos Turísticos e Serviços Turísticos: Atrativos naturais, atrativos histórico culturais e Entretenimento. Tabela Feriado: Tabela que permite o cadastro de todos os feriados, especificando se for em alguma cidade especifica. Baseado no questionário onde as respostas referenciaram a necessidade do conhecimento dos feriados municipais e nacionais. Tabela Entlogin: Tabela que contem os usuários de acesso ao sistema, e o seu nível de acesso. Necessária para o armazenamento dos usuários. 80

91 Tabela DadosHosped: Tabela de trabalho, contém dados já pré-selecionadas do banco de dados principal, contém dados do cruzamento das tabelas: CADHÓSPEDE, CADPROFISSAO, HÓSPEDE e DETESTAT. Tabela de trabalho, utilizada para a geração do arquivo de mineração de dados. Tabela EventosEestatistica: Tabela de trabalho, contém dados já pré-selecionados do banco de dados principal, contém dados do cruzamento das tabelas: RESERVASEVENTOS e ESTATISTICA. Tabela de trabalho, utilizada para a geração do arquivo de mineração de dados. No Anexo III e segue descrição completa das tabelas suplementares descritas. 3.3 PRÉ-PROCESSAMENTO A partir dos dados obtidos na etapa de seleção, iniciou-se então uma das atividades desta etapa, que é a seleção das principais tabelas e suas respectivas colunas a serem utilizadas. E a partir de tal foram geradas tabelas de trabalho, contendo as informações selecionadas de algumas das colunas das tabelas principais, informações estas que são consideradas necessárias para o estudo de caso. Foram tratados ainda, nesta etapa, os registros cujas colunas selecionadas apresentavam algum tipo de problema (ruído), ou seja alguma inconsistência. Foram encontrados registros com datas incoerentes, informações incompletas, em branco, ou até mesmo um problema de falta de vínculos totalmente estabelecidos entre tabelas. Devido a isso a quantidade de registros a qual foram minerados foram reduzidos significativamente em alguns relatórios, podendo acarretar até mesmo em uma determinada mudança nos resultados esperados, fazendo que assim não se descubra todas as possibilidades existentes entre os dados. 81

92 3.4 TRANSFORMAÇÃO Após as tabelas escolhidas, e respectivamente quais colunas das mesmas seriam utilizadas, fez-se necessário efetuar uma série de alterações nos dados, tanto na sua forma de apresentação quanto no conteúdo de algumas colunas, e até mesmo a conversão de alguns campos. Foram realizadas as seguintes atividades: a) Conversão da data de aniversário dos hóspedes: alguns problemas com a datas de aniversário no cadastro de alguns hóspedes, onde algumas datas estavam com ano maior que o atual, parcialmente e parcialmente preenchidas, desta forma as datas foram convertidas para a idade, e seguindo o princípio que menores de idade não podem se hospedar em hotéis sem acompanhantes de maior idade, descartados todos os registros com menos de 18 anos de idade. b) Vínculo Cadastros: Um grande problema encontrado foi a forma em que se encontram os dados das hospedagens vinculadas aos cadastros dos hóspedes. O sistema desbravador trata de forma diferenciada a tabela HÓSPEDES, da CADHÓSPEDES e DA DETESTAT, desta forma para poder verificar as hospedagens de um hóspede cadastrado, o vínculo entre o mesmo deve ser efetuado corretamente no sistema desbravador no momento da entrada do mesmo no sistema, entretanto grande parte das hospedagens não estavam vinculadas a nenhum cadastro. Para a análise da mineração dos perfis dos hóspedes, apenas os corretamente vinculados formam analisados. c) Tratamento de datas: Para facilitar o processo de mineração, o padrão de armazenamento das datas seguiu o do banco de dados MYSQL. d) Eliminação dos registros que não tivessem pais: Alguns registros apresentavam campos em branco, então adotou-se o padrão de eliminação de todos os que não tivessem o país, adotouse este padrão pois nem todos países possuem estados, então se fossem eliminados por estado eliminaria se a maior parte dos registros. Posteriormente, para que a ferramenta de mineração de dados pudesse ser utilizada, foi necessário preparar os arquivos no formato especifico para ser minerado, tal formato segue 82

93 alguns padrões específicos do WEKA, e tem a extensão. Porém para gerar este arquivo, algumas modificações dos dados armazenados nas tabelas também foram efetuadas: Alteração da data e hora: para gerar o arquivo.csv, o campo que era datetime( data e hora), foi eliminado a hora, trabalhando assim apenas com as datas armazenadas no banco de dados. Alteração de campos numérico: Para gerar o arquivo, foi criado um critério onde os campos que estivessem com valoresnuméricos foram colocados _0_, uma restrição do WEKA. Alteração para string: Devido ao algoritmo ARPRIORI não trabalhar com valores numéricos, os campos com datas e valores numéricos, receberam o símbolo _ antes e depois do valor. Na Figura Erro! Fonte de referência não encontrada. tem-se um exemplo de um arquivo gerado a partir de alguns dados selecionados. Figura 24 Arquivo.CSV 3.5 MINERAÇÃO DE DADOS Após a base de dados do sistema já consolidada e o sistema já estar gerando os arquivos no formato especifico, testou-se os algoritmos para a escolha do que apresenta-se melhor desempenho. 83

94 Testando o algoritmo de classificação, pode-se observar conforme Figura 25 que o mesmo não retornou nem um tipo de regra, devido a não trabalhar corretamente com strings. Figura 25 Teste Algoritmo Classificação Testando o algoritmo de clusterização, pode-se observar conforme Figura 26, que também não gerou nem um tipo de regra, e que o mesmo sempre pega um atributo como base, não fazendo a verificação entre todos os atributos. 84

95 Figura 26 Teste Algoritmo Clusterização Com os testes, optou-se pelo algoritmo de mineração de dados APRIORI, a escolha de tal foi devido a apresentar melhores desempenhos conforme Figura 27, onde o mesmo não adotar um atributo como base para comparar aos outros, mas sim trabalhar com comparação entre todos, trabalhar com STRING, DATAS e campos NUMÉRICOS, efetuando comparações entre eles Interpretação e Validação Como na Descoberta de Conhecimento em Bases de Dados, esta etapa da mineração requer a participação de especialistas, porém para a interpretação dos resultados, apenas foram efetuadas algumas comparações dos resultados da pesquisa dos profissionais da área com as regras produzidas pelo algoritmo. 85

96 Após várias sessões de mineração de dados executadas, o resultado obtido foi significativo, entretanto os dados onde efetuados a mineração podem distorcer muito o resultado, devido ao grande problema de muitos registros terem sido descartados por estarem incompletos, e assim a interpretação dos resultados e a veracidade dos mesmos se estivessem corretamente preenchidos serem outros. Figura 27 Teste Algoritmo Apriori Conforme Figura 27 onde demonstra as regras produzidas pelo arquivo Eventos externos por período, podem ser observados alguns itens: a) As regras geradas confirma a veracidade das as entrevistas com os profissionais da área, onde o estado do Paraná ficou em segundo lugar na ocupação (23%), e 83 % dos entrevistados apontaram que feriados melhoram a ocupação. 86

97 b) Pode-se utilizar também estas regras para identificar em determinadas épocas do ano o por que da melhor ocupação, no caso proporcionado por um feriado em uma cidade próxima. 3.6 MODELAGEM DO SISTEMA Requisitos Funcionais dos Sistema RF01 O sistema ira permitir que o operador e o gerente possam cadastrar, excluir ou alterar os cadastros efetuados pelo sistema. RF02 O sistema ira minerar os dados com base em períodos e mostrar os resultados da analise na tela para o gerente. RF03 O sistema ira minerar os dados com base em eventos que aconteceram e mostrar os resultados da analise na tela para o gerente. RF04 O sistema ira importar os dados do sistema Desbravador quando o usuário com permissão solicitar Requisitos não Funcionais do Sistema RNF01 A importação dos dados deve ser efetuado o mínimo de vezes possíveis devido a sua grande exigência de performace. RNF02 Os perfis de usuário para acesso ao sistema são: Gerente possui todas as permissões, de cadastro relatórios e importações de dados. Operador o operador tem permissão apenas para cadastrar, excluir e alterar cadastros. RNF03 O sistema utiliza banco de dados MYSQL. RNF04 Para importação dos dados, o computador deve estar em ligado a rede que tenha um servidor com SQL Server 2000 e o sistema Desbravador instalado. RNF05 O sistema para efetuar a mineração dos dados necessita do sistema WEKA versão instalada no computador. 87

98 3.6.3 Regras de Negócio Para garantir um melhor funcionamento do sistema, algumas regras de negócios formam efetuadas, que são elas: RNE.01 - Para efetuar login no sistema o usuário e a senha precisam estar cadastrados no banco de dados. RNE2 - Quando o sistema valida usuário e senha, ele verifica o nível de acesso e libera somente permissões referentes ao nível correspondente. RNE.03 O sistema acessa o banco de dados e verifica qual o código disponível para fornecer na tela de cadastro. RNE.04 Para poder salvar os dados o sistema confere se todos os dados estão preenchidos, e a sim salva-os na base de dados. RNE.05 Para poder efetuar a mineração dos dados o sistema, verifica se foram importados os dados, se foi gerado o arquivo.csv e então libera a mineração utilizando a API do algoritmo Apriori importada do sistema Weka Use Cases O operador do sistema possui funções diferentes do gerente, onde suas funções são restritas, assim a Figura 28 Use Case Operador mostra o use case do mesmo. 88

99 ud USC Sistema Acontecimentos Feriados Operador USC.02 Cadastra/Altera USC.03 Cadastra/Altera USC.04 Cadastra/Altera Atrativ os Figura 28 Use Case Operador O gerente do sistema possui funções a mais que o operador do sistema, como pode ser visto no use case da Figura

100 ud USC Sistema Cadastra/Altera Cadastra/Altera Cadastra/Altera Gerente Figura 29: Use Case Gerente USC.02 Acontecimentos USC.03 Feriados USC.04 Atrativ os USC.05 Importa Dados e Gera Arquiv o.arff, Minera Dados A Figura 30 demonstra o diagrama de atividade do sistema, onde mostra os passos que podem ser seguidos pelo gerente. As descrições dos cenários relativos a estes use cases encontram-se no Anexo IV. 90

101 ad Visão lógica Inicio Mensagem de erro Logon - Tela de Login do sistema Valida Login e Password [NÃO] [SIM] Valida Permissões Inserir/Editar/Excluir Ja efetuou importação de dados? Importa Dados Cadastros [NÃO] [SIM] [SIM] Gerou Arquivo.ARFF Efetuar Mineração Continuar no sistema? Efetuou Mineração [NÃO] [NÃO] [SIM] [SIM] [SIM] [SIM] [SIM] Verifica Resultados FIM Apresenta Erro Importou? Continuar no sistema? Figura 30: Diagrama de Atividade [NÃO] [NÃO] [SIM] [NÃO] [SIM] [NÃO] 3.7 DATA MINING Conforme a análise demonstrada anteriormente, entre os vários algoritmos os quais já podem ser utilizados através da ferramenta WEKA, observou-se que o algoritmo Apriori foi o que melhor teve resultados, devido a algumas de suas associações apresentarem resultados já 91

102 conhecidos e condizerem com realidades já existentes as quais são de grande valia para a melhoria do índice de ocupação Arquivos do Sistema Conforme já mencionado, para se efetuar a mineração dos dados utilizou-se a ferramenta de mineração WEKA, onde para que a mesma pudesse efetuar a mineração gerouse arquivos específicos por tipo de informações a serem comparadas, levando-se em consideração os questionários dos profissionais da área de hotelaria. Para nível de desempenho do sistema, as importações são efetuadas por tipo de arquivo a ser gerado, onde alguns dados já são devidamente filtrados na origem, antes mesmo de importa-los, tal escolha, deu-se para melhora de desempenho, devido a grande quantidade de registros Perfil dos Hóspedes A primeira possibilidade de gerar um arquivo, contém informações proveniente de tabelas diferentes. Através do campo CodProfissao na tabela CADHÓSPEDE foi possível retornar o nome da profissão do hóspedes cadastrado. Através dos campos CodHóspede na tabela HÓSPEDE, foi possível buscar os dados dos hóspedes cadastrados na tabela CADHÓSPEDE que já tiveram hospedagem vinculadas ao cadastro, através do campo Acesso na tabela HÓSPEDE foi possível buscar na tabela DETESTAT as datas das hospedagens destes hóspedes cadastrados. Após tais filtros o sistema importou os dados e os gravou na tabela DADOSHOSP, tabela a qual e utilizada para gerar o arquivo Dados_Hóspedes.csv, o qual cada registro(linha) contém as informações referentes a uma determinada hospedagem. O arquivo contém os seguintes campos: CIDADE: Do tipo string, contém a cidade do hóspede, e quando a mesma estiver em branco assume o valor de?; 92

103 ESTADO: Do tipo string, contém o estado do hóspede, e quando a mesma estiver em branco assume o valor de?; PAIS: Do tipo string, contém o País do hóspede, entretanto apenas hóspedes que tem pais foram integrados no arquivo; SEXO: Do tipo char (M,F,?), contém o sexo do hóspede, quando esta em branco sistema define como?, isso devido ao algoritmo não aceitar campo em branco neste caso; IDADE: Do tipo integer, contem a idade do hóspede, somente serão gerado idades acima de 18 anos, sendo que na hora de gerar o arquivo o sistema lê a data de nascimento e converte para idade, quando a data de nascimento for em branco, a idade vai = 0; PROFISSAO: Do tipo string, contém a profissão do hóspede, quando esta em branco o sistema preenche com?; INCOGNITO: Do tipo char (S,N,?), corresponde se o hóspede pediu ou não para ser identificado caso alguém o procure, quando não preenchido o sistema preenche com? no momento de gerar o arquivo; DATAIN: Do tipo date "yyyy-mm-dd", contém a data do dia da entrada do hóspede; DATAOUT: Do tipo date "yyyy-mm-dd", contém a data do dia da saída do hóspede; e VALDIARIA: Do tipo real, contém o valor da diária do hóspede na determinada hospedagem Eventos Internos por período A segunda possibilidade de gerar um arquivo, contém informações proveniente de tabelas diferentes. Através do campo DataIni e DataFim na tabela RESERVASEVENTOS correspondente ao período inicial e final do evento, foi efetuado o cruzamento entre os campos DataIn e DataOut da tabela ESTATISTICA correspondente a data de entrada e saída do hóspede. Após este cruzamento levanta-se todos os hóspedes que tiveram hospedados no 93

104 hotel no período do evento. Após tais filtros o sistema importou os dados e os gravou na tabela EVENTOSEESTATISCITA, tabela a qual e utilizada para gerar o arquivo Eventos_e_Estatistica.csv, o qual cada registro(linha) contém as informações referentes a uma determinada hospedagem que esteve enquanto ocorria algum evento. O arquivo contém os seguintes campos: EVENTOINTERNO: Do tipo string, contém o nome do evento que ocorreu no hotel; INICIOEVENTO: Do tipo date "yyyy-mm-dd ", contém a data de inicio do evento interno; FIMEVENTO: Do tipo date "yyyy-mm-dd ", contém a data de término do evento interno; NRO_PESSOAS: Do tipo interger, contém o número de pessoas que estiveram no evento; HOSP_DATAIN: Do tipo date "yyyy-mm-dd ", contém a data de ínicio da hospedagem do hóspede; HOSP_DATAOUT: Do tipo date "yyyy-mm-dd ", comtém a data de término da hospedagem do hóspede; CIDADE: Do tipo string, contém a cidade do hóspede, e quando a mesma estiver em branco assume o valor de?; ESTADO: Do tipo string, contém o estado do hóspede, e quando a mesma estiver em branco assume o valor de?; PAIS: Do tipo string, contém o País do hóspede, entretanto apenas hóspedes que tem pais foram integrados no arquivo; Eventos Externos por Período A segunda possibilidade de gerar um arquivo, contém informações proveniente de tabelas diferentes. 94

105 Primeiramente o sistema importou todos os dados da tabela ESTATISTICA do DESBRAVADOR para a base do protótipo. Através do campo DataInicial e DataFinal na tabela ENTACONTECIMENTO correspondente ao período inicial e final dos acontecimentos (cadastrados pelos usuários tais como eventos, congressos e outros), efetuado o cruzamento entre os campos DataIn e DataOut da tabela ESTATISTICA correspondente a data de entrada e saída do hóspede. Após este cruzamento levanta-se todos os hóspedes que tiveram hospedados no hotel no período dos acontecimentos cadastrados. Após tais filtros o sistema gravou tais registros na tabela de trabalho EVENTOSEXTERNOSESTATISCITA, tabela a qual e utilizada para gerar o arquivo Eventos_Externos_e_Estatistica.csv, o qual cada registro(linha) contém as informações referentes a uma determinada hospedagem que esteve enquanto ocorria algum evento. O arquivo contém os seguintes campos: DESCRICAO: Do tipo string, contém o nome do acontecimento; INICIOACONTECIMENTO: Do tipo date "yyyy-mm-dd ", contém a data de inicio do acontecimento; FIMACONTECIMENTO: Do tipo date "yyyy-mm-dd ", contém a data de término do acontecimetno; TIPOACONTECIMENTO: Do tipo String, contém o tipo do acontecimento; CIDADEACONTECIMENTO: Do tipo String, contém aonde ocorreu o acontecimento; HOSP_DATAIN: Do tipo date "yyyy-mm-dd ", contém a data de ínicio da hospedagem do hóspede; HOSP_DATAOUT: Do tipo date "yyyy-mm-dd ", comtém a data de término da hospedagem do hóspede; CIDADE: Do tipo string, contém a cidade do hóspede, e quando a mesma estiver em branco assume o valor de?; 95

106 ESTADO: Do tipo string, contém o estado do hóspede, e quando a mesma estiver em branco assume o valor de?; PAIS: Do tipo string, contém o País do hóspede, entretanto apenas hóspedes que tem pais foram integrados no arquivo; Mineração dos Dados Após serem efetuadas a importação e a geração dos arquivos específicos, o usuário pode executar o passo de mineração, sendo que para tal o sistema irá necessitar do sistema WEKA devidamente instalado no computador Integração do Protótipo com WEKA Para que se possa efetuar a mineração dos dados, existe a necessidade de executar uma seqüência de passos. Primeiramente o usuário necessita ser cadastrado no protótipo, possuindo assim um login e uma senha, conforme mostra a Figura 31. Figura 31. Tela de Login do Sistema 96

107 Após efetuar a validação o protótipo abrirá a tela principal onde possibilitara ao usuário começar a operara-lo. Entretanto para que se possa efetuar a mineração dos dados o primeiro passo é importar os dados e gerar os arquivos.csv, os quais estão disponibilizados no menu principal na aba Mineração de Dados. Porém cada opção do menu, possibilidade de importação e gerações distintas de.csv, conforme mostra a Figura 32. Figura 32: Tela Principal do Sitema No menu principal conforme Figura 32 o usuário seleciona qual a opção desejada, e posteriormente então o sistema apresenta a tela conforme Figura 33 onde realmente se efetua a importação dos dados e a geração do arquivo.csv referente a tais atributos. Na tela conforme Figura 33, o sistema apresenta qual tipo de mineração poderá ser efetuado através de tal arquivo, sendo que somente será liberado a geração do arquivo, após 97

108 ser efetuado o processo de importação e somente após ser gerado o arquivo o sistema ira permitir o processo de mineração, como mostra a Figura 33. Figura 33: Tela Perfil dos Hóspedes x Estatística Ao término da geração do arquivo.csv, o sistema libera o botão Mineração de Dados, que ao ser pressionado, invocará o sistema WEKA, já com todos os atributos disponíveis para serem minerados. O Usuário poderá marcar com quais atributos deseja trabalhar, ou se preferir selecionar todos, conforme mostra letra A, na Figura 34. O Usuário clica na aba do algoritmo ASSOCIATE, conforma mostra a letra B na Figura

109 Figura 34: Integração Protótipo x WEKA Após clicar na aba ASSOCIATE, o usuário deve clicar em STAR, conforme mostra letra A na Figura 35, para que o WEKA efetue a mineração dos dados e disponibilize posteriormente. 99

110 Figura 35: Minerando Dados ASSOCITE. Quando o sistema apresentar a mensagem dos dados minerados conforme letra B na Figura 35, o usuário pode clicar na aba VISUALIZE conforme letra C na Figura 35. Já minerados os dados o usuário poderá efetuar a visualização dos resultados na tela de visualização conforme letra A na Figura 36. Ainda existindo a possibilidade de aumentar o tamanho dos resultados no PlotSize conforme letra B na Figura 36, visualizar os pontos dos agrupamentos um pouco maior conforme PointSize na letra C da Figura

111 Figura 36: Tela Visualização Resultados WEKA Protótipo O protótipo do sistema apresenta ainda algumas funções que visam melhorar o desempenho da mineração de dados, conforme já citado a facilidade de cadastros extras através do protótipo para melhorar o desempenho da mineração de dados. Na Figura 37 as possibilidades de inserções extras para o sistema, onde o usuário pode estar incluindo, alterando ou excluindo acontecimentos, atrativos ou feriados, tais opção são relativos ao inventario turístico regional. 101

112 Figura 37: Menu Cadastro Um exemplo da tela padrão de procura, onde pode-se editar, excluir ou incluir novos registros pode ser visto na Figura 38. Nesta tela ainda pode ser visualizado todos os itens já cadastrados clicando no botão procura sem nem um item no campo descritivo. A procura também pode ser efetuada por palavras chaves. 102

113 Figura 38: Tela Padrão Procura Ainda na Figura 39 pode-se observar a tela de cadastro de acontecimentos. Nesta tela o usuário esta incluindo mais um acontecimento, tal inclusão exige algumas informações as quais são fundamentais para que no momento da interação deste registro com os demais dados possam ser descobertas novas associações. Por isso todos os campos são obrigatórios. 103

114 Figura 39: Tela Cadastro Acontecimento Tais telas são já do protótipo, onde o padrão para as mesmas é sempre o mesmo, mudando apenas o tipo de dado a ser cadastrado ou procurado, Acontecimentos, Atrativos ou Feriados Escolha do Algoritmo A escolha do algoritmo APRIORI teve alguns pontos relevantes. Primeiramente por ele não pega um atributo como base para efetuar as possíveis combinações e descobrir novos padrões de combinações, mas sim trabalha com todos os atributos com mesmo peso, possibilitando assim diversas combinações e automaticamente aumentando as chances de descoberta de novos padrões. Outro ponto extremamente relevante é a possibilidade de trabalhar com Datas, Strings, campos numéricos, e campos definidos, coisa que os demais algoritmos não trabalham. 104

T2Ti Tecnologia da Informação Ltda T2Ti.COM http://www.t2ti.com Projeto T2Ti ERP 2.0. Bloco Comercial. CRM e AFV

T2Ti Tecnologia da Informação Ltda T2Ti.COM http://www.t2ti.com Projeto T2Ti ERP 2.0. Bloco Comercial. CRM e AFV Bloco Comercial CRM e AFV Objetivo O objetivo deste artigo é dar uma visão geral sobre os Módulos CRM e AFV, que fazem parte do Bloco Comercial. Todas informações aqui disponibilizadas foram retiradas

Leia mais

O CRM e a TI como diferencial competitivo

O CRM e a TI como diferencial competitivo O CRM e a TI como diferencial competitivo Nelson Malta Callegari (UTFPR) nelson.estudo@gmail.com Profº Dr. João Luiz Kovaleski (UTFPR) kovaleski@pg.cefetpr.br Profº Dr. Luciano Scandelari (UTFPR) luciano@cefetpr.br

Leia mais

CRM (CUSTOMER RELATIONSHIP MANAGEMENT) E A TECNOLOGIA DA INFORMAÇÃO (TI)

CRM (CUSTOMER RELATIONSHIP MANAGEMENT) E A TECNOLOGIA DA INFORMAÇÃO (TI) CRM (CUSTOMER RELATIONSHIP MANAGEMENT) E A TECNOLOGIA DA INFORMAÇÃO (TI) Nelson Malta Callegari (UTFPR) nelson.estudo@gmail.com Profº Dr. João Luiz Kovaleski (UTFPR) kovaleski@pg.cefetpr,br Profº Dr. Luciano

Leia mais

CRM - gestão eficiente do relacionamento com os clientes

CRM - gestão eficiente do relacionamento com os clientes CRM - gestão eficiente do relacionamento com os clientes Mais que implantação, o desafio é mudar a cultura da empresa para documentar todas as interações com o cliente e transformar essas informações em

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

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

Estratégia De Diferenciação Competitiva Através Do Marketing De Relacionamento. Profa. Dra. Maria Isabel Franco Barretto

Estratégia De Diferenciação Competitiva Através Do Marketing De Relacionamento. Profa. Dra. Maria Isabel Franco Barretto Estratégia De Diferenciação Competitiva Através Do Marketing De Relacionamento Profa. Dra. Maria Isabel Franco Barretto CURRÍCULO DO PROFESSOR Administradora com mestrado e doutorado em engenharia de produção

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

CRM Uma ferramenta tecnológica inovadora

CRM Uma ferramenta tecnológica inovadora CRM Uma ferramenta tecnológica inovadora Nelson Malta Callegari (UTFPR) nelson.estudo@gmail.com Prof Dr. João Luiz Kovaleski (UTFPR) kovaleski@pg.cefet.br Prof Dr. Antonio Carlos de Francisco (UTFPR) acfrancisco@pg.cefetpr.br

Leia mais

CRM. Customer Relationship Management

CRM. 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 mais

TÍTULO: O CRM NA FIDELIZAÇÃO DE CLIENTES EM UMA EMPRESA DE MATERIAL PARA CONSTRUÇÃO

TÍTULO: O CRM NA FIDELIZAÇÃO DE CLIENTES EM UMA EMPRESA DE MATERIAL PARA CONSTRUÇÃO TÍTULO: O CRM NA FIDELIZAÇÃO DE CLIENTES EM UMA EMPRESA DE MATERIAL PARA CONSTRUÇÃO CATEGORIA: CONCLUÍDO ÁREA: CIÊNCIAS SOCIAIS APLICADAS SUBÁREA: ADMINISTRAÇÃO INSTITUIÇÃO: FACULDADE DE AURIFLAMA AUTOR(ES):

Leia mais

CUSTOMER RELATIONSHIP MANAGEMENT

CUSTOMER RELATIONSHIP MANAGEMENT CUSTOMER RELATIONSHIP MANAGEMENT O resultado prático para as empresas que adotam esse conceito de software, baseado no uso da tecnologia é conseguir tirar proveito dos dados de que dispõem para conquistar

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

Sistemas de Informação I

Sistemas de Informação I + Sistemas de Informação I Tipos de SI Ricardo de Sousa Britto rbritto@ufpi.edu.br + Introdução 2 n As organizações modernas competem entre si para satisfazer as necessidades dos seus clientes de um modo

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

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

Atendimento pós-venda: gestão estratégica da ex...

Atendimento pós-venda: gestão estratégica da ex... Atendimento pós-venda: gestão estratégica da ex... (/artigos /carreira/comopermanecercalmosob-pressao /89522/) Carreira Como permanecer calmo sob pressão (/artigos/carreira/como-permanecer-calmosob-pressao/89522/)

Leia mais

INFORMÁTICA APLICADA À CONTABILIDADE

INFORMÁTICA APLICADA À CONTABILIDADE PONTIFICIA UNIVERSIDADE CATÓLICA DE CAMPINAS Curso de Contabilidade INFORMÁTICA APLICADA À CONTABILIDADE Prof. Francisco José Lopes Rodovalho Gerência do Relacionamento com o Cliente CRM CUSTOMER RELATIONSHIP

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

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

RECONHECIMENTO DE ALGUNS SISTEMAS DE INFORMAÇÃO

RECONHECIMENTO DE ALGUNS SISTEMAS DE INFORMAÇÃO WESLLEYMOURA@GMAIL.COM RECONHECIMENTO DE ALGUNS SISTEMAS DE INFORMAÇÃO ANÁLISE DE SISTEMAS ERP (Enterprise Resource Planning) Em sua essência, ERP é um sistema de gestão empresarial. Imagine que você tenha

Leia mais

Data Warehouse - DW ADM. MARTÍN GLASS CRA/MT 4742

Data Warehouse - DW ADM. MARTÍN GLASS CRA/MT 4742 Data Warehouse - DW Data Warehouse (Armazém de Dados) é um depósito integrado de informações, disponíveis para análise e para a construção de filtros de busca; Centraliza informações localizadas em diferentes

Leia mais

Gestão do Atendimento e Relacionamento com o Cliente. Prof. Fernando Paixão UCB 2012 Unidade 02 e 03

Gestão do Atendimento e Relacionamento com o Cliente. Prof. Fernando Paixão UCB 2012 Unidade 02 e 03 Prof. Fernando Paixão UCB 2012 Unidade 02 e 03 Marketing de Relacionamento C.R.M. Custumer Relationship Management Marketing de Assiduidade Programa de milhagens Benefício financeiro Brinde por utilização

Leia mais

FATEC Cruzeiro José da Silva. Ferramenta CRM como estratégia de negócios

FATEC 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 mais

Gestão estratégica por KPIs 1

Gestão estratégica por KPIs 1 Gestão estratégica por KPIs 1 Sumário Introdução 03 Por que usar indicadores na gestão 05 Dado, informação ou indicadores? 07 KPI: Os indicadores chave de desempenho 09 KPIs do PMO Conclusão Sobre a Project

Leia mais

Sistemas de Canais Sistemas de Informação

Sistemas de Canais Sistemas de Informação É necessário o entendimento de como os produtos chegam aos clientes, o que ocorre por meio de uma série de entidades de Marketing conhecidas como canais. Os Sistemas de Canais são todos os sistemas envolvidos

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

Unidade IV MERCADOLOGIA. Profº. Roberto Almeida

Unidade IV MERCADOLOGIA. Profº. Roberto Almeida Unidade IV MERCADOLOGIA Profº. Roberto Almeida Conteúdo Aula 4: Marketing de Relacionamento A Evolução do Marketing E-marketing A Internet como ferramenta As novas regras de Mercado A Nova Era da Economia

Leia mais

Disciplina: Gestão Estratégica de TI Profº: João Carlos da Silva Junior

Disciplina: Gestão Estratégica de TI Profº: João Carlos da Silva Junior Disciplina: Gestão Estratégica de TI Profº: João Carlos da Silva Junior Conceitos Por que eu preciso deste curso? Não sou de TI Sou de TI conteúdo utilizado exclusivamente para fins didáticos 2 Não sou

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

Objetivo da Aula. Enterprise Resource Planning - ERP. Descrever os sistemas ERP, seus módulos e possíveis aplicações e tendências 23/4/2010

Objetivo da Aula. Enterprise Resource Planning - ERP. Descrever os sistemas ERP, seus módulos e possíveis aplicações e tendências 23/4/2010 Enterprise Resource Planning - ERP Objetivo da Aula Descrever os sistemas ERP, seus módulos e possíveis aplicações e tendências 2 1 Sumário Informação & TI Sistemas Legados ERP Classificação Módulos Medidas

Leia mais

ADMINISTRAÇÃO DE SISTEMAS DE INFORMAÇÃO (AULA 04)

ADMINISTRAÇÃO DE SISTEMAS DE INFORMAÇÃO (AULA 04) Prof. Breno Leonardo Gomes de Menezes Araújo brenod123@gmail.com http://blog.brenoleonardo.com.br ADMINISTRAÇÃO DE SISTEMAS DE INFORMAÇÃO (AULA 04) 1 CRM Sistema de Relacionamento com clientes, também

Leia mais

1 UML (UNIFIED MODELING LANGUAGE)

1 UML (UNIFIED MODELING LANGUAGE) 1 UML (UNIFIED MODELING LANGUAGE) Segundo Tonsig (2003), para conseguir desenvolver um software capaz de satisfazer as necessidades de seus usuários, com qualidade, por intermédio de uma arquitetura sólida

Leia mais

Situação mercadológica hoje: Era de concorrência e competição dentro de ambiente globalizado.

Situação mercadológica hoje: Era de concorrência e competição dentro de ambiente globalizado. TECNICAS E TECNOLOGIAS DE APOIO CRM Situação mercadológica hoje: Era de concorrência e competição dentro de ambiente globalizado. Empresas já não podem confiar em mercados já conquistados. Fusões e aquisições

Leia mais

Líder em consultoria no agronegócio

Líder em consultoria no agronegócio MPRADO COOPERATIVAS mprado.com.br COOPERATIVAS 15 ANOS 70 Consultores 25 Estados 300 cidade s 500 clientes Líder em consultoria no agronegócio 1. Comercial e Marketing 1.1 Neurovendas Objetivo: Entender

Leia mais

Profa. Reane Franco Goulart

Profa. Reane Franco Goulart Sistemas CRM Profa. Reane Franco Goulart Tópicos Definição do CRM O CRM surgiu quando? Empresa sem foco no CRM e com foco no CRM ParaqueCRM é utilizado? CRM não é tecnologia, CRM é conceito! CRM - Customer

Leia mais

1º de outubro de 2007 A métrica de CRM correta para a sua organização MÉTRICAS REQUEREM DISCIPLINA PARA A IMPLEMENTAÇÃO DE CRM BEM-SUCEDIDA

1º de outubro de 2007 A métrica de CRM correta para a sua organização MÉTRICAS REQUEREM DISCIPLINA PARA A IMPLEMENTAÇÃO DE CRM BEM-SUCEDIDA 1º de outubro de 2007 A métrica de CRM correta para a sua organização por William Band com Sharyn C. Leaver e Mary Ann Rogan SUMÁRIO EXECUTIVO A Forrester entrevistou 58 executivos sobre as melhores práticas

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

GESTÃO DE RELACIONAMENTO COM O CLIENTE

GESTÃO DE RELACIONAMENTO COM O CLIENTE GESTÃO DE RELACIONAMENTO COM O CLIENTE Professor Wagner Luiz Aula - Como obter sucesso em uma implementação de CRM e o Processo da Comunicação. Março de 2014 São Paulo -SP Call Center & CRM 2007 CRM: do

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

1- O que é um Plano de Marketing?

1- O que é um Plano de Marketing? 1- O que é um Plano de Marketing? 2.1-1ª etapa: Planejamento Um Plano de Marketing é um documento que detalha as ações necessárias para atingir um ou mais objetivos de marketing, adaptando-se a mudanças

Leia mais

ESPECIFICAÇÃO DO ESCOPO DE SISTEMA DE SOFTWARE A PARTIR DA UTILIZAÇÃO DA ENGENHARIA DE REQUISITOS

ESPECIFICAÇÃO DO ESCOPO DE SISTEMA DE SOFTWARE A PARTIR DA UTILIZAÇÃO DA ENGENHARIA DE REQUISITOS ESPECIFICAÇÃO DO ESCOPO DE SISTEMA DE SOFTWARE A PARTIR DA UTILIZAÇÃO DA ENGENHARIA DE REQUISITOS Rosiane da Silva Biscaia Discente do curso Tecnologia em Análise e Desenvolvimento de Sistemas Faculdades

Leia mais

Os novos usos da tecnologia da informação na empresa

Os novos usos da tecnologia da informação na empresa Os novos usos da tecnologia da informação na empresa Internet promoveu: Transformação Novos padrões de funcionamento Novas formas de comercialização. O maior exemplo desta transformação é o E- Business

Leia mais

2.3. ORGANIZAÇÕES E GESTÃO DOS SISTEMAS DE INFORMAÇÃO

2.3. ORGANIZAÇÕES E GESTÃO DOS SISTEMAS DE INFORMAÇÃO 2.3. ORGANIZAÇÕES E GESTÃO DOS SISTEMAS DE INFORMAÇÃO As Empresas e os Sistemas Problemas locais - impacto no sistema total. Empresas como subsistemas de um sistema maior. Uma empresa excede a soma de

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

CONQUISTAR E MANTER CLIENTES

CONQUISTAR E MANTER CLIENTES 1 CONQUISTAR E MANTER CLIENTES Historicamente, o marketing se concentrou na atração de novos clientes. O pessoal de vendas era mais recompensado por achar um novo cliente do que por prestar muita atenção

Leia mais

ADMINISTRAÇÃO MERCADOLÓGICA II

ADMINISTRAÇÃO MERCADOLÓGICA II ADMINISTRAÇÃO MERCADOLÓGICA II Atividades Gerenciais de MKT Produto Testar Novos Produtos; Modificar Atuais; Eliminar; Política de Marcas; Criar Satisfação e Valor; Embalagem. 2 1 Atividades Gerenciais

Leia mais

2015 Manual de Parceiro de Educação. Suas soluções. Nossa tecnologia. Mais inteligentes juntos.

2015 Manual de Parceiro de Educação. Suas soluções. Nossa tecnologia. Mais inteligentes juntos. 2015 Manual de Parceiro de Educação Suas soluções. Nossa tecnologia. Mais inteligentes juntos. Prêmios Reais, a Partir de Agora Bem-vindo ao Intel Technology Provider O Intel Technology Provider é um programa

Leia mais

Universidade Cruzeiro do Sul. Campus Virtual Unidade I: Unidade: Gerenciamento de Marketing e Vendas

Universidade Cruzeiro do Sul. Campus Virtual Unidade I: Unidade: Gerenciamento de Marketing e Vendas Universidade Cruzeiro do Sul Campus Virtual Unidade I: Unidade: Gerenciamento de Marketing e Vendas 2010 0 Unidade: Gerenciamento de Marketing e Vendas É necessário o entendimento de como os produtos chegam

Leia mais

Considerando que a pesquisa mercadológica é uma ferramenta de orientação para as decisões das empresas, assinale a opção correta.

Considerando que a pesquisa mercadológica é uma ferramenta de orientação para as decisões das empresas, assinale a opção correta. ESPE/Un SERE plicação: 2014 Nas questões a seguir, marque, para cada uma, a única opção correta, de acordo com o respectivo comando. Para as devidas marcações, use a Folha de Respostas, único documento

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

MARKETING MARKETING TRADICIONAL MARKETING ATUAL DEVIDO AO PANORAMA DO MERCADO, AS EMPRESAS BUSCAM: ATRAÇÃO E RETENÇÃO DE CLIENTES

MARKETING MARKETING TRADICIONAL MARKETING ATUAL DEVIDO AO PANORAMA DO MERCADO, AS EMPRESAS BUSCAM: ATRAÇÃO E RETENÇÃO DE CLIENTES MARKETING Mercado Atual Competitivo Produtos / Serviços equivalentes Globalizado Conseqüências Infidelidade dos clientes Consumidores mais exigentes Desafio Conquistar clientes fiéis MARKETING TRADICIONAL

Leia mais

Divulgação Portal - METROCAMP. Você não quer exercer a profissão mais importante do futuro (Bill Gates)?

Divulgação Portal - METROCAMP. Você não quer exercer a profissão mais importante do futuro (Bill Gates)? Divulgação Portal - METROCAMP Você não quer exercer a profissão mais importante do futuro (Bill Gates)? Torne se um Trabalhador de Conhecimento (Kowledge Worker) de Werner Kugelmeier WWW.wkprisma.com.br

Leia mais

"CRM para Inteligência de Mercado

CRM para Inteligência de Mercado "CRM para Inteligência de Mercado Patricia Rozenbojm patricia@consumer-voice.com.br CONSUMER Agenda A Empresa Conceitos CRM como ferramenta para Inteligência de Mercado Benefícios Melhores Práticas A Empresa

Leia mais

Conceitos. - Sistema de Informação, Estruturas e Classificação. - Dados x Informações. Edson Almeida Junior www.edsonalmeidajunior.com.

Conceitos. - Sistema de Informação, Estruturas e Classificação. - Dados x Informações. Edson Almeida Junior www.edsonalmeidajunior.com. Conceitos - Sistema de Informação, Estruturas e Classificação - Dados x Informações Edson Almeida Junior www.edsonalmeidajunior.com.br Definição de Sistema Uma coleção de objetos unidos por alguma forma

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

Autoatendimento Digital. Reduz custos e aprimora as relações com o cliente, criando experiências de autoatendimento personalizadas e significativas.

Autoatendimento Digital. Reduz custos e aprimora as relações com o cliente, criando experiências de autoatendimento personalizadas e significativas. Autoatendimento Digital Reduz custos e aprimora as relações com o cliente, criando experiências de autoatendimento personalizadas e significativas. Oferece aos clientes as repostas que buscam, e a você,

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

O PAPEL DA LOGÍSTICA NAS ORGANIZAÇÕES: UM ESTUDO DE CASO EM UMA DISTRIBUIDORA DE ALIMENTOS

O PAPEL DA LOGÍSTICA NAS ORGANIZAÇÕES: UM ESTUDO DE CASO EM UMA DISTRIBUIDORA DE ALIMENTOS 190 O PAPEL DA LOGÍSTICA NAS ORGANIZAÇÕES: UM ESTUDO DE CASO EM UMA DISTRIBUIDORA DE ALIMENTOS Douglas Fernandes, Josélia Galiciano Pedro, Daryane dos Santos Coutinho, Diego Trevisan de Vasconcelos, Regiane

Leia mais

TÍTULO: GESTÃO DO RELACIONAMENTO COM CLIENTE NO COMÉRCIO DE JALES - CRM

TÍTULO: GESTÃO DO RELACIONAMENTO COM CLIENTE NO COMÉRCIO DE JALES - CRM TÍTULO: GESTÃO DO RELACIONAMENTO COM CLIENTE NO COMÉRCIO DE JALES - CRM CATEGORIA: CONCLUÍDO ÁREA: CIÊNCIAS SOCIAIS APLICADAS SUBÁREA: ADMINISTRAÇÃO INSTITUIÇÃO: CENTRO UNIVERSITÁRIO DE JALES AUTOR(ES):

Leia mais

EMPREENDEDORISMO. Outubro de 2014

EMPREENDEDORISMO. Outubro de 2014 #5 EMPREENDEDORISMO Outubro de 2014 ÍNDICE 1. Apresentação 2. Definição 3. Empreendedorismo: necessidade ou oportunidade? 4. Características do comportamento empreendedor 5. Cenário brasileiro para o empreendedorismo

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

COBIT (CONTROL OBJECTIVES FOR INFORMATION AND RELATED TECHNOLOGY)

COBIT (CONTROL OBJECTIVES FOR INFORMATION AND RELATED TECHNOLOGY) Universidade Federal de Santa Catarina Departamento de Informática e Estatística INE Curso: Sistemas de Informação Disciplina: Projetos I Professor: Renato Cislaghi Aluno: Fausto Vetter Orientadora: Maria

Leia mais

Plataforma da Informação. Finanças

Plataforma da Informação. Finanças Plataforma da Informação Finanças O que é gestão financeira? A área financeira trata dos assuntos relacionados à administração das finanças das organizações. As finanças correspondem ao conjunto de recursos

Leia mais

1. PRÁTICA EFICAZ DE GESTÃO EDUCACIONAL Gestão do ciclo completo de relacionamento com o aluno SRM da Universidade Feevale

1. PRÁTICA EFICAZ DE GESTÃO EDUCACIONAL Gestão do ciclo completo de relacionamento com o aluno SRM da Universidade Feevale RELATÓRIO DE AVALIAÇÃO 1. PRÁTICA EFICAZ DE GESTÃO EDUCACIONAL Gestão do ciclo completo de relacionamento com o aluno SRM da Universidade Feevale 1.1 Histórico da Prática Eficaz Por meio do Departamento

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

CRM - Customer Relationship Management

CRM - Customer Relationship Management Profª Carla Mota UCB 2014 Unid 2 aula1 CRM - Customer Relationship Management Estratégia de negócio voltada ao entendimento e a antecipação das necessidades dos clientes atuais e potenciais de uma empresa.

Leia mais

40% dos consumidores da Copa das Confederações da FIFA 2013 consideraram a agilidade no atendimento como fator mais importante no comércio

40% dos consumidores da Copa das Confederações da FIFA 2013 consideraram a agilidade no atendimento como fator mais importante no comércio 440mil pequenos negócios no Brasil, atualmente, não utilizam nenhuma ferramenta de gestão, segundo o Sebrae Varejo 2012 27% 67% de comerciantes que não possuíam computadores dos que possuíam utilizavam

Leia mais

Professora Débora Dado. Prof.ª Débora Dado

Professora Débora Dado. Prof.ª Débora Dado Professora Débora Dado Prof.ª Débora Dado Planejamento das aulas 7 Encontros 19/05 Contextualizando o Séc. XXI: Equipes e Competências 26/05 Competências e Processo de Comunicação 02/06 Processo de Comunicação

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

Mariana Costa Consultora de Negócios

Mariana Costa Consultora de Negócios Mariana Costa Consultora de Negócios CRM E PÓS-VENDA EM MEIOS DE HOSPEDAGEM CRM é uma estratégia de negócio, voltada ao entendimento e à antecipação das necessidades dos clientes atuais e potenciais de

Leia mais

ERP. Enterprise Resource Planning. Planejamento de recursos empresariais

ERP. 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 mais

Como posso gerenciar melhor os meus ativos de software e reduzir o risco de auditorias de conformidade?

Como posso gerenciar melhor os meus ativos de software e reduzir o risco de auditorias de conformidade? RESUMO DA SOLUÇÃO CA SERVICE MANAGEMENT - GERENCIAMENTO DE ATIVOS DE SOFTWARE Como posso gerenciar melhor os meus ativos de software e reduzir o risco de auditorias de conformidade? O CA Service Management

Leia mais

Uso dos computadores e a Tecnologia da informação nas empresas: uma visão geral e introdutória

Uso dos computadores e a Tecnologia da informação nas empresas: uma visão geral e introdutória Uso dos computadores e a Tecnologia da informação nas empresas: uma visão geral e introdutória Não há mais dúvidas de que para as funções da administração - planejamento, organização, liderança e controle

Leia mais

Mídias sociais nas empresas O relacionamento online com o mercado

Mídias sociais nas empresas O relacionamento online com o mercado Mídias sociais nas empresas O relacionamento online com o mercado Maio de 2010 Conteúdo Introdução...4 Principais conclusões...5 Dados adicionais da pesquisa...14 Nossas ofertas de serviços em mídias sociais...21

Leia mais

AVALIAÇÃO DIAGNÓSTICA DA QUALIDADE DOS SERVIÇOS PRESTADOS NOS HOTÉIS DE CATEGORIA QUATRO ESTRELAS NA CIDADE DE MANAUS

AVALIAÇÃO DIAGNÓSTICA DA QUALIDADE DOS SERVIÇOS PRESTADOS NOS HOTÉIS DE CATEGORIA QUATRO ESTRELAS NA CIDADE DE MANAUS AVALIAÇÃO DIAGNÓSTICA DA QUALIDADE DOS SERVIÇOS PRESTADOS NOS HOTÉIS DE CATEGORIA QUATRO ESTRELAS NA CIDADE DE MANAUS Érica de Souza Rabelo 1 Helen Rita M. Coutinho 2 RESUMO Este artigo científico tem

Leia mais

GESTÃO DO RELACIONAMENTO COM O CLIENTE

GESTÃO DO RELACIONAMENTO COM O CLIENTE O QUE É CRM? GESTÃO DO RELACIONAMENTO COM O CLIENTE CUSTOMER RELATIONSHIP MANAGEMENT É UMA FERRAMENTA ESTRATÉGICA DE NEGÓCIO QUE VISA A GESTÃO DO RELACIONAMENTO ENTRE UMA EMPRESA, SEUS CLIENTES E PROSPECTS.

Leia mais

GESTÃO DE TI NAS ORGANIZAÇÕES CONTEMPORÂNEAS

GESTÃO DE TI NAS ORGANIZAÇÕES CONTEMPORÂNEAS GESTÃO DE TI NAS ORGANIZAÇÕES CONTEMPORÂNEAS WALLACE BORGES CRISTO 1 JOÃO CARLOS PEIXOTO FERREIRA 2 João Paulo Coelho Furtado 3 RESUMO A Tecnologia da Informação (TI) está presente em todas as áreas de

Leia mais

Estratégias para aumentar a rentabilidade. Indicadores importantes. Controle a produção. Reduza filas. Trabalhe com promoções.

Estratégias para aumentar a rentabilidade. Indicadores importantes. Controle a produção. Reduza filas. Trabalhe com promoções. Uma publicação: Estratégias para aumentar a rentabilidade 04 Indicadores importantes 06 Controle a produção 08 Reduza filas 09 Trabalhe com promoções 10 Conclusões 11 Introdução Dinheiro em caixa. Em qualquer

Leia mais

Administração de Banco de Dados

Administração de Banco de Dados Administração de Banco de Dados Professora conteudista: Cida Atum Sumário Administração de Banco de Dados Unidade I 1 INTRODUÇÃO A BANCO DE DADOS...1 1.1 Histórico...1 1.2 Definições...2 1.3 Importância

Leia mais

Extração de indicadores Garantias Ocorrências. Agenda de vendas Gestão de qualidade Históricos Agenda de tarefas

Extração de indicadores Garantias Ocorrências. Agenda de vendas Gestão de qualidade Históricos Agenda de tarefas Fenícia CRM & SRM Introdução O Fenícia CRM (Customer Relationship Management - Sistema de Gerenciamento do Relacionamento com os Clientes) é uma ferramenta de gestão com foco no cliente, essencial para

Leia mais

ITIL na Prática. Quais são os fatores críticos de sucesso para obter valor a partir de um Service Desk? Conhecimento em Tecnologia da Informação

ITIL na Prática. Quais são os fatores críticos de sucesso para obter valor a partir de um Service Desk? Conhecimento em Tecnologia da Informação Conhecimento em Tecnologia da Informação ITIL na Prática Quais são os fatores críticos de sucesso para obter valor a partir de um Service Desk? Conhecimento em Tecnologia da Informação 2010 Bridge Consulting

Leia mais

MINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO

MINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO MINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO Fernanda Delizete Madeira 1 ; Aracele Garcia de Oliveira Fassbinder 2 INTRODUÇÃO Data

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

Sistemas de Gerenciamento do Relacionamento com o Cliente (Customer Relationship Management CRM)

Sistemas de Gerenciamento do Relacionamento com o Cliente (Customer Relationship Management CRM) CRM Definição De um modo muito resumido, pode definir-se CRM como sendo uma estratégia de negócio que visa identificar, fazer crescer, e manter um relacionamento lucrativo e de longo prazo com os clientes.

Leia mais

agility made possible

agility made possible RESUMO DA SOLUÇÃO CA IT Asset Manager como gerenciar o ciclo de vida de ativos, maximizar o valor dos investimentos em TI e obter uma exibição do portfólio de todos os meus ativos? agility made possible

Leia mais

Automação do Processo de Instalação de Softwares

Automação do Processo de Instalação de Softwares Automação do Processo de Instalação de Softwares Aislan Nogueira Diogo Avelino João Rafael Azevedo Milene Moreira Companhia Siderúrgica Nacional - CSN RESUMO Este artigo tem como finalidade apresentar

Leia mais

SAM GERENCIAMENTO DE ATIVOS DE SOFTWARE

SAM GERENCIAMENTO DE ATIVOS DE SOFTWARE SAM GERENCIAMENTO DE ATIVOS DE SOFTWARE Modelo de Otimização de SAM Controle, otimize, cresça Em um mercado internacional em constante mudança, as empresas buscam oportunidades de ganhar vantagem competitiva

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

Tecnologia no Varejo: Oportunidades e Desafios

Tecnologia no Varejo: Oportunidades e Desafios Seminário GVcev Tecnologia no Varejo: Oportunidades e Desafios Tema: Tecnologia para Entender e Atender o consumidor Palestrante: Paulo Nassar HISTÓRICO Cobasi uma empresa brasileira Iniciou suas atividades

Leia mais

O QUE É AUTOMAÇÃO DE MARKETING?

O QUE É AUTOMAÇÃO DE MARKETING? O QUE É AUTOMAÇÃO DE MARKETING? AUTOMAÇÃO DE MARKETING AJUDA A Fechar mais negócios Atrair mais potenciais clientes Entregue mais clientes já qualificados para a equipe de vendas e feche mais negócios

Leia mais

CRM CRM. Marketing. Marketing. Vendas. Vendas. CRM Customer Relationship Management Gerenciamento do Relacionamento com o Cliente

CRM CRM. Marketing. Marketing. Vendas. Vendas. CRM Customer Relationship Management Gerenciamento do Relacionamento com o Cliente Customer Relationship Management Gerenciamento do Relacionamento com o Cliente O mundo passou por profundas e importantes transformações, sobretudo nos últimos cinco anos, impulsionadas pelo crescimento

Leia mais

Aula 03 CLASSIFICAÇÃO DOS SISTEMAS DE INFORMAÇÃO

Aula 03 CLASSIFICAÇÃO DOS SISTEMAS DE INFORMAÇÃO Aula 03 CLASSIFICAÇÃO DOS SISTEMAS DE INFORMAÇÃO Na prática, não existe uma classificação rígida, permitindo aos autores e principalmente as empresas classificar seus sistemas de diversas maneiras. A ênfase

Leia mais

Corporativo. Transformar dados em informações claras e objetivas que. Star Soft. www.starsoft.com.br

Corporativo. 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 mais

Capital Intelectual. O Grande Desafio das Organizações. José Renato Sátiro Santiago Jr. José Renato Sátiro Santiago. Novatec

Capital Intelectual. O Grande Desafio das Organizações. José Renato Sátiro Santiago Jr. José Renato Sátiro Santiago. Novatec Capital Intelectual O Grande Desafio das Organizações José Renato Sátiro Santiago Jr. José Renato Sátiro Santiago Novatec 1 Tudo começa com o conhecimento A gestão do conhecimento é um assunto multidisciplinar

Leia mais

Relacionamento Clientes

Relacionamento Clientes FENÍCIA CRM & SRM O Fenícia CRM (Customer Relationship Management - Sistema de Gerenciamento do Relacionamento com os Clientes) é uma ferramenta de gestão com foco no cliente, essencial para angariar e

Leia mais

Faça com que o CRM trabalhe da mesma maneira que o seu pessoal de vendas

Faça com que o CRM trabalhe da mesma maneira que o seu pessoal de vendas Faça com que o CRM trabalhe da mesma maneira que o seu pessoal de vendas APROVEITE AS TECNOLOGIAS DE HOJE PARA MAXIMIZAR A ADOÇÃO POR PARTE DOS USUÁRIOS Para os profissionais de venda, o tempo nunca havia

Leia mais

E-Business global e colaboração

E-Business global e colaboração E-Business global e colaboração slide 1 2011 Pearson Prentice Hall. Todos os direitos reservados. 2.1 Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall Objetivos de estudo Quais as principais

Leia mais

POR QUE UTILIZAR BUSINESS INTELLIGENCE NO CALL CENTER

POR QUE UTILIZAR BUSINESS INTELLIGENCE NO CALL CENTER POR QUE UTILIZAR BUSINESS INTELLIGENCE NO CALL CENTER ÍNDICE Por que utilizar Business Intelligence no call center? Introdução Business Intelligence na área de saúde Por que usar Business Intelligence

Leia mais