Data Mining na Web.
|
|
- Bernadete Lage Pais
- 8 Há anos
- Visualizações:
Transcrição
1 Data Mining na Web Aparecido Jorge Jubran 1, Laura Martinson Provasi Jubran 1, Flávio Almeida de Magalhães Cipparrone 1, Jorge Rady de Almeida Júnior 1 1 Escola Politécnica da Universidade de São Paulo (USP) Av. Prof. Almeida Prado, 128 Tr.2 Biênio 2 andar São Paulo - SP - Brazil jjubran@uol.com.br, flavio@lps.usp.br; jorge.almeida@poli.usp.br Abstract. This study consists of a four phase outlining for the development of a Data Mining for e-commerce environment. At first it is proposed the modeling and structuring of the database, which will support the project. Then, the forms of incorporation of information to the data base object will be described. In the third phase, it is proposed the creation of a Data Warehouse for the analysis of big quantities of data. Finally, the characteristics of the performance of the Data Mining in WEB environment will be described as well as its adequacy to many methodologies and techniques of Data Mining. Resumo. Este estudo consiste no delineamento em quatro fases para o desenvolvimento de um Data Mining para o ambiente de e-commerce. Inicialmente é proposta a modelagem e estruturação da base de dados que dará sustentação ao projeto. A seguir são descritas as formas de incorporação das informações às bases de dados objeto do Data Mining. Na terceira fase é proposta a realização de um Data Warehouse para a análise de grandes quantidades de dados. Finalmente, são descritas as características da realização do Data Mining em ambiente WEB, e comentada a adequação deste modelo às várias metodologias e técnicas de Data Mining. Palavras Chave: Data Mining, E-commerce, Business Intelligence. Introdução A informação passa cada vez mais a ter um papel fundamental na definição das estratégias empresariais. A sua utilização juntamente com técnicas matemáticas de modelagem permitem a obtenção de um diferencial competitivo. A vanguarda nestes tipos de análises chamadas de Data Mining possibilita um grande passo à frente dos concorrentes, viabilizando a conquista de uma parcela maior do mercado. O modelo de Data Mining na WEB, objeto deste estudo, visa proporcionar um melhor conhecimento dos clientes, do mercado e da concorrência no ambiente de e-commerce, tornando-se assim em uma ferramenta poderosa no suporte a tomada de decisões. Neste estudo são descritos os conceitos de KDD (Knowledge Discovery in Database), Data Warehouse, Data Mining, Data Mining na WEB com proposta de quatro fases para a sua realização, seguidos dos resultados e referências bibliográficas. 1. O Knowledge Discovery in Database (KDD) O esforço em automatizar o processo de análise de grandes quantidades de dados tem incentivado pesquisas em um campo de estudos promissor chamado Extração de
2 Conhecimento em Bases de Dados (KDD Knowledge Discovery in Database). Os pesquisadores desta área do conhecimento buscam produzir técnicas, metodologias e instrumentos que apóiem a descoberta de conhecimento inédito e acrescentem informações a um domínio de aplicação específica.a extração de conhecimento de bases de dados é uma área multidisciplinar que visa incorporar e relacionar técnicas adotadas em diversas áreas do conhecimento como Banco de Dados, Inteligência Artificial, Business Intelligence e Estatística. Desse modo, as técnicas utilizadas em KDD não devem ser vistas como substitutas de outros métodos de análise, mas sim, como aplicações que buscam melhorar os resultados das explorações feitas com ferramentas convencionais.de acordo com as definições de Frawley & Piatetsky- Shapiro & Matheus (1992), a Extração de Conhecimento de Bases de Dados é um processo não convencional de identificar padrões desconhecidos, potencialmente úteis e compreensíveis, embutidos em bases de dados. Extrair conhecimento dessas bases de dados envolve, entre outras técnicas, a utilização de algoritmos de aprendizado de máquina com a capacidade de generalizar os fatos encontrados em um grande repositório de dados na forma de regras de alto nível, passíveis de compreensão ao ser humano. Essas técnicas incentivam pesquisadores e participam do processo de KDD oferecendo substancialmente maiores contribuições científicas. Ao se tentar realizar descobrimento de conhecimento em aplicações do mundo real, observa-se que elas podem ser extremamente complexas e que a tarefa de descoberta de novas informações representa apenas uma porção de um extenso processo. O processo de extração de conhecimento pode ser aplicado de forma interativa e iterativa, envolvendo diversas fases de preparação que englobam a definição e compreensão do domínio de aplicação, seleção e amostragem dos dados, limpeza, enriquecimento e preparação dos mesmos, extração de padrões, até a etapa em que os resultados são interpretados, avaliados e consolidados pelos especialistas do domínio. As etapas do processo KDD são geralmente realizadas de forma seqüencial, ou seja, é necessário obter compreensão a respeito do domínio de aplicação, selecionar e transformar os dados para somente depois encontrar padrões. Mesmo observando estas recomendações, podem ocorrer iterações entre as tarefas. É por se tratar de um processo interativo que o grupo de pessoas envolvidas na sua realização deve possuir um canal de comunicação que viabilize a máxima troca de informações. Estes usuários possuem diferentes especialidades, necessidades e expectativas, desempenhando o seu papel dentro do processo. Os dados que fornecerão a base para a realização do processo de KDD podem ser diversas origens. Essas origens podem ainda ser consideradas internas ou externas. Os dados de origem interna normalmente são fornecidos por repositórios de dados que já estão incorporados ao sistema de aplicação do domínio em questão e, normalmente são constituídas por Data Warehouse, bases de dados operacionais e dados históricos. Os dados de origem externa são compostos por todos os outros tipos de localidades que habitualmente não estão incorporados ao sistema de aplicação, como por exemplo, documentos e informações do especialista do domínio. Um problema que deve ser resolvido envolve o tamanho do conjunto de dados, pois a grande quantidade de dados reunida pode inviabilizar a realização do processo de KDD, pois alguns algoritmos de Data Mining processam apenas um número limitado de registros. Assim, devem ser utilizadas técnicas de amostragem de dados que reduzam o tamanho do conjunto de dados, obtendo um subconjunto relevante e representativo para toda a base de dados.
3 Esse processo de amostragem é crítico dentro do processo de KDD, pois, a não utilização de técnicas estatísticas adequadas, pode gerar um subconjunto de dados de características não representativas, comprometendo as análises que não representariam a verdadeira situação dos fatos registrados. 2. O Data Warehouse A capacidade de processamento e armazenamento de dados tem apresentado um significativo crescimento nos últimos anos. Como resultado dessa evolução constata-se que aplicações científicas ou comerciais têm gerado gigabytes e até terabytes de dados em poucas horas, sendo que esse volume excede em muito a capacidade de pesquisadores e analistas de mercado em analisá-los. Para superar estas dificuldades, são adotadas técnicas e ferramentas que possibilitam a realização de análises em grandes quantidades de dados, apoiando o processo decisório. A realização de Data Warehouse é um dos passos iniciais para a viabilização de análises em grandes quantidades de dados em sistemas de apoio à decisão. As ferramentas utilizadas em analises de um Data Warehouse são orientadas às consultas, ou seja, o usuário sabe o que pretende consultar ou comprovar. Esses procedimentos dependem do usuário e pode impedir que padrões escondidos nos dados sejam encontrados de forma inteligente, uma vez que este analista não terá condições de imaginar todas as possíveis relações e associações existentes em um volume muito grande de dados. Desta forma, é necessária a utilização de técnicas de análise dirigidas por computador que possibilitem a extração automática (ou semi-automática) de novos conhecimentos. 3. O Data Mining Segundo Data Distilleries (1999), Data Mining é a descoberta de conhecimento interessante, mas escondido em grandes bases de dados. Bases de dados corporativas freqüentemente contêm tendências desconhecidas, relações entre objetos, como clientes e produtos, que são de importância estratégica para a organização. O Data Mining utiliza técnicas estatísticas e de aprendizado de máquinas para construir modelos capazes de predizer o comportamento de clientes. Hoje em dia, a tecnologia consegue automatizar o processo de mineração, integrá-lo a Data Warehouses comerciais e apresentá-lo de forma relevante aos usuários de Business Intelligence. Um Data Mining busca descobrir padrões e relacionamentos num banco de dados, de modo que a organização possa ter um melhor embasamento para a tomada de decisões. Segundo o MCT ([01/11/2002]), O conhecimento de transações comerciais na era da competição global e das comunicações on-line, passou a ser chamado de Business Intelligence (BI) ou Inteligência de Negócios (IN), sendo que a inteligência é o resultado de um processo que começa com a coleta de dados, que podem ser trabalhados matematicamente por meio de algoritmos de otimização. O armazenamento de enormes volumes de dados em bases de clientes não resulta necessariamente no aumento de conhecimento, pois segundo Taurion ([16/04/2003]), um Data Mining pode ser uma... arma poderosa para extração de informações úteis perdidas em toneladas de dados aparentemente sem relacionamentos entre si. E por outro lado, um uso incorreto desta tecnologia pode gerar muito mais confusão, levando a empresa a tomar decisões erradas. Para a implementação de um projeto de Data Mining são necessárias diversas tecnologias. Uma ferramenta essencial é o Data Warehouse, que integra dados de múltiplas fontes e assegura a qualidade dos dados que serão garimpados. Este aspecto é importante, pois se a base de dados não for válida, não será extraída nenhuma informação útil. Ou seja,
4 não vale a pena garimpar em um local que não tenha ouro (Taurion, [16/04/2003]). Segundo Taurion, [16/04/2003]), no âmbito internacional existem aplicações de sucesso que incluem uma... aplicação que analisa empréstimos baseados nos padrões de compra, crédito e endividamento dos clientes; [...] supermercado que organiza suas gôndolas de acordo com os padrões de compras associadas entre produtos; [...] laboratório farmacêutico americano que envia material promocional baseado nas prescrições médicas e padrões de vida dos clientes; [...] empresa financeira que analisa fraudes baseada nos padrões de compra de seus clientes; [...] empresa aérea que usa informações sobre padrões e tendências de viagens para maximizar a ocupação de seus vôos; [...] empresa de telefonia celular que, baseada em padrões de uso dos telefones e outros fatores de mercado, faz previsões de quais clientes estão propensos a migrar para os concorrentes. O Data Mining viabiliza a extração das bases de dados do conhecimento focado no cliente, onde descreve suas preferências individuais. A base de dados é automaticamente explorada a partir da análise de milhares de pontos multidimensionais. Isto possibilita que informações escondidas e relacionadas ao comportamento dos clientes sejam mapeadas e enfatizadas. Atualmente, o foco das companhias passou dos produtos para os clientes. Isto quer dizer que as organizações devem realizar esforços para oferecer a seus consumidores os produtos e serviços que eles necessitam, disponibilizando-os em canais apropriados e no momento certo. Para alcançar este objetivo é necessário compreender as preferências dos clientes. Assim, uma empresa que possui marketing orientado ao cliente, em lugar de focar um produto por vez para tentar encontrar o maior número possível de clientes, deverá direcionar seu foco a um cliente por vez e procurar satisfazer o maior número de necessidades individuais. Segundo a Data Distilleries (1999), para competir com sucesso em um mundo interativo, as organizações precisam compreender como os clientes agregam valor ao negócio e, ao mesmo tempo, como obter valor a partir dele. As organizações precisam conhecer como alocar tempo e esforço para os clientes que trarão um maior retorno. Então, seus esforços em relação à retenção dos clientes mais valiosos, precisam ser aumentados, buscando incrementar o valor derivado de outros clientes. Assim, a tecnologia da informação torna possível a diferenciação de cada cliente através de bases de dados que podem ajudar a lembrar e manter um grande número de interações complexas de forma individualizada. Dados sobre os clientes são obtidos de diferentes fontes na organização. Por exemplo, em arquivos do back-office sobre compras de produtos, transações financeiras, etc. O front-office registra interações comercias com os clientes como, por exemplo, em campanhas de marketing, armazenando as respostas dos clientes a cada campanha. Novas técnicas de análise como Data Mining oferecem a oportunidade de descobrir padrões escondidos e tendências em grandes volumes de dados. Com estas informações, é possível melhorar a interação com os clientes e otimizar as ações de marketing. O computador disponibiliza um grande número de ferramentas de comunicação. Com a tecnologia de Internet, pode ser modificada a comunicação com os clientes transformando interações unidirecionais em bidirecionais, possibilitando assim, o atendimento aos clientes de forma individualizada. Com a nova tecnologia da informação, podem ser disponibilizados produtos e serviços direcionados às necessidades de um usuário específico com certa freqüência. Por meio da combinação destas capacidades, cria-se um ciclo de feedback do cliente, no qual o cliente provê informações sobre suas preferências e necessidades. A
5 organização possui dados a respeito do cliente e pode antecipar suas preferências e necessidades. A organização direcionada ao cliente deve ser capaz de integrar os processos de produção e entrega com base no feedback que recebe através desta interação. A relação de aprendizado entre um cliente e uma organização fica mais e mais inteligente a cada nova interação, definindo, em maior nível de detalhe, as necessidades e gostos de cada um. Uma relação de aprendizado possibilita que a empresa aumente a retenção de clientes, por meio da melhoria de seu relacionamento. Desta maneira, a lealdade se tornará mais conveniente para o cliente do que a deslealdade. Assim, o mecanismo do Data Mining funciona da seguinte forma: O cliente diz o que ele quer, implícita ou explicitamente, através da interação e feedback. A criação de diálogo com o cliente é um pré requisito para solicitação de feedback. Mas o próprio diálogo tem que ser integrado no conhecimento da empresa já existente sobre aquele cliente e sua necessidade de informações adicionais. Todas as informações coletadas através de sucessivos contatos com o cliente, como informações sobre transações, reclamações, preferências, compras, etc., são armazenadas em bases de dados. Através do uso de Data Mining pode analisar a resposta do cliente para aprender sobre seu comportamento como: quais clientes compram determinados produtos? ; que canal é utilizado? ; quem são os clientes mais valiosos?. Os perfis de Data Mining gerados podem ser usados no front-office, como call centers e força de venda, para melhorar ações de marketing. A resposta do cliente a estas ações é armazenada na base de dados e o processo se repete. Isso permite que a empresa se adapte rapidamente e de forma flexível às demandas e necessidades de cada cliente. Dessa forma, a empresa será capaz de melhorar a prospecção, a retenção e a aquisição de clientes, resultando na redução de custos e aumento de lucros. De acordo com Oliveira (1999), a previsão e a descrição podem ser realizadas por meio de tarefas. A Classificação é uma tarefa preditiva que pode ser usada para encontrar um modelo que classifique um item de dados entre várias classes previamente definidas. As regras de associação encontram relações entre os campos de um conjunto de dados. Pode-se aplicar regras de associação, por exemplo, para relacionar itens que são comumente comprados com outros produtos de um supermercado. A caracterização encontra as características relevantes a partir de análises quantitativas, propiciando uma descrição compacta do conjunto. O objetivo da regressão é encontrar uma função que mapeie um item de dado (normalmente numérico), possibilitando a previsão dos valores numéricos deste item. As tarefas de agregação ou segmentação têm o objetivo de procurar identificar um conjunto de categorias finitas ou agrupamentos naturais para descrever dados. Estas categorias podem ser mutuamente exclusivas ou exaustivas, ou podem consistir de uma representação hierárquica. Resumo (Síntese) é a tarefa que visa obter uma descrição compacta de um conjunto de dados. As técnicas de resumo são freqüentemente aplicadas em análises explorativas de dados e geração automática de relatórios. A tarefa de modelagem de dependência visa encontrar um modelo que descreva dependências significantes entre variáveis. Os modelos de dependência existem em dois níveis: a nível estrutural, onde são especificadas quais variáveis são localmente dependentes uma das outras, e a nível quantitativo, onde são especificadas as forças das dependências através de alguma escala numérica. A evolução e o desvio são tarefas focadas em descobrir as mudanças mais significativas nos dados através de medidas anteriores ou de valores normativos. O objetivo é modelar o processo gerando uma seqüência ou relatando tendências do processo ao longo do tempo. Uma vez definida qual tarefa da Data Mining será usada no processo de extração de conhecimento, é preciso escolher
6 qual algoritmo ou a combinação de algoritmos que deve ser aplicada. Segundo Data Distilleries (1999), diferentes técnicas existem para analisar os dados dos clientes. O valor de Data Mining pode ser melhor compreendido se comparado a técnicas convencionais. As técnicas estatísticas são as mais utilizadas na construção de modelos preditivos. Contudo, técnicas estatísticas têm a desvantagem de necessitar de premissas sobre os modelos. A maior parte das bases de dados contêm muita informação sobre clientes, geralmente armazenada em algumas centenas de variáveis. Se for preciso construir um modelo, terá que selecionar as variáveis a serem incorporadas e indicar como devem ser as relações entre estas variáveis. Por causa desta restrição, relações potencialmente interessantes são facilmente esquecidas. Em outras palavras, o estatístico gera uma série de relações e padrões hipotéticos, e usa técnicas estatísticas para verificá-los ou refutá-los. Quando se está lidando com dezenas ou mesmo centenas de variáveis, torna-se mais difícil e trabalhoso formular uma boa hipótese, e analisar as bases de dados com técnicas estatísticas para comprová-la ou refutá-la. Segundo Data Distilleries (1999), o Data Mining difere de técnicas estatísticas porque, ao invés de verificar padrões hipotéticos, utiliza os próprios dados para descobrir tais padrões. Bases de dados armazenam conhecimento que podem auxiliar na melhoria dos negócios. Técnicas tradicionais permitem a verificação de hipóteses, e aproximadamente 5% de todas as relações podem ser encontradas por estes métodos. Data Mining pode descobrir outras relações anteriormente desconhecidas, os 95% restantes. Em outras palavras, pode-se dizer que técnicas convencionais falam à base de dados, enquanto Data Mining ouve a base de dados. Se não for feita uma pergunta específica, nunca terá a resposta. Data Mining explora as bases de dados através de dezenas de centenas de pontos de vista diferentes. O Data Mining não substitui as técnicas estatísticas tradicionais, sendo uma extensão dos métodos estatísticos, que por sua vez é uma mudança maior na comunidade de estatística. O poder cada vez maior dos computadores com custos mais baixos, aliado à necessidade de análise de enormes conjuntos de dados com milhões de linhas, permitiu o desenvolvimento de técnicas baseadas na exploração de soluções possíveis pela força bruta. Muitas dessas técnicas de Data Mining foram desenvolvidas no passado para extrair informações de dados armazenados. Desta forma, Data Mining é a combinação de diferentes técnicas de sucesso comprovado como inteligência artificial, estatística e banco de dados. Segundo Félix (1998), pode ser observada a delimitação da etapa de Data Mining em três subetapas: redução de instância e/ou atributos (features); descoberta de padröes; e préavaliação do conhecimento obtido por parte do especialista do processo KDD. Segundo Data Distilleries (1999), desde o início dos anos 60, a comunidade de Inteligência Artificial (IA) tem pesquisado sistemas capazes de aprender. Uma classe destes sistemas é chamada de algoritmos de indução. Estes são capazes de induzir um modelo do processo de decisão de um especialista, com base em um conjunto de exemplos. Os algoritmos modelam o processo de decisão do especialista. Então, dado um conjunto de exemplos, os algoritmos podem gerar modelos que o auxiliam a fazer predições e a compreendê-las. Os algoritmos usados em IA são adequados para descobrir regras e modelos em conjuntos de dados artificiais e relativamente pequenos. A premissa feita é a de que todas as informações necessárias estão disponíveis. Toda a informação utilizada pelo especialista para tomar uma decisão é armazenada na base de dados. Nestas condições, o algoritmo de indução gera modelos que fazem predições corretas para cada exemplo no conjunto de dados e modela corretamente o processo de decisão do especialista. Conjuntos de dados reais não contém toda a informação
7 necessária para a tomada de decisões corretas. Isto não significa que alguns dados têm ruído ou que algumas variáveis são desconhecidas para alguns clientes. Significa que algumas informações relevantes simplesmente não estão disponíveis para a organização. Data Mining é uma tarefa computacionalmente cara. Durante o processo de busca, a qualidade de muitos modelos tem de ser validada. Informações estatísticas sobre os dados são necessárias para avaliar a precisão do modelo gerado. Desta forma, Data Mining tipicamente envolve o envio de milhares de consultas aos bancos de dados da organização, resultando em altos tempos de resposta e carga de trabalho pesada. Técnicas de Data Mining avançadas utilizam métodos de otimização para reduzir a interação com as bases de dados. Por exemplo, o resultado de uma consulta é temporariamente armazenado, de forma que consultas subseqüentes a informações similares podem ser atendidas sem que a base de dados seja acessada. De acordo com a Data Destilleries (1999), o uso de Data Mining para a construção de um modelo traz vantagens a pessoas sem conhecimento estatístico (por exemplo, analistas financeiros ou pessoas que trabalham com database marketing) que podem interpretar o modelo e compará-lo com suas próprias idéias. O usuário ganha mais conhecimento sobre o comportamento do cliente e pode usar esta informação para otimizar os processos dos negócios. Grandes conjuntos de dados, de até vários gigabytes de informação podem ser analisados com Data Mining. Por exemplo, para cada cliente é possível ter centenas de atributos que contenham informações detalhadas em bases de dados que por sua vez podem ser muito extensas também. Assim, é possível minerar uma base de dados contendo milhões de registros sobre informações de clientes. 4. O Data Mining na WEB Concretizando as previsões de Cezar (2000:8), os fabricantes de software e hardware se movimentam para oferecer a hospedagem, o processamento e a manutenção remota dos sistemas de seus clientes corporativos por meio dos ASPs Aplication Service Providers. Esta acirrada competição envolve fornecedores de software de banco de dados, vendedores de ERP (Enterprise Resource Planning), fabricantes de hardware, integradores de sistemas, os Internet Solution Providers (ISPs) e as companhias de telecomunicações que estão implementando estratégias para atrair os ASPs. Os objetivos a serem alcançados por meio dos esforços no desenvolvimento e implantação de Data Minings para o ambiente WEB, são principalmente o aumento da competitividade da empresa promovido pelo desenvolvimento e aprimoramento de ferramentas de análise de sensibilidade da demanda em relação as variáveis do mercado de e-commerce. Entendendo o e-commerce como a disponibilização de meios eletrônicos onde os produtos e serviços são divulgados, demonstrados e comercializados, possuindo a capacidade de realizar transações que envolvem a troca de bens e serviços entre duas ou mais partes. Inúmeros fatores contribuem para o desenvolvimento da aplicação Data Mining na WEB, entre eles observa-se o mercado globalizado, a concorrência na disputa pelo mercado consumidor, o alto nível de competitividade entre as empresas, um mercado consumidor exigente e as conseqüências deste novo cenário. Assim, as empresas de e- commerce têm que se adequarem às novas realidades de mercado, adotando ferramentas como o Data Mining dentro de suas atividades. Obtendo desta forma agilidade na tomada de decisões, maior conhecimento sobre as necessidades e exigências dos
8 clientes, amplo conhecimento sobre o mercado/concorrentes, características de produtos com qualidade/preços competitivos e realização de campanhas de marketing eficientes. 4.1 As 4 Fases do modelo O modelo Data Mining na WEB é implementado em 4 fases distintas. Na primeira fase ocorre a modelagem e estruturação da base de dados que dará sustentação ao modelo. Nesta fase é decidida a metodologia de obtenção dos dados, as variáveis que comporão a análise, a abrangência do projeto e a estrutura do banco de dados. Na segunda fase ocorre a incorporação das informações às bases de dados com o desenvolvimento de rotinas que garantam a consistência e confiabilidade destas, pois são de vital importância para a validação dos resultados das análises estatísticas. Nesta fase os dados são obtidos pelas transações comerciais rotineiras via WEB, transformando-se na principal fonte de informação e centro de analises. É prevista a obtenção de informações do ambiente corporativo (interno), bem como daquelas relacionadas ao ambiente externo da organização. Por meio do monitoramento eletrônico, também são obtidas informações sobre o comportamento do consumidor, tais como a freqüência com que realiza visitas ao Site, a freqüência com adquire determinado produto, e a sua reação diante de uma ação de marketing pela WEB (campanhas via s, banners, etc.). Na terceira fase, a partir das bases de dados operacionais, é criado um Data Warehouse que servirá de base para a realização do Data Mining, pois a realização de Data Warehouse torna factível a análise em grandes quantidades de dados no apoio ao processo decisório. Nesta fase, são integrados os dados de múltiplas fontes, sendo assegurada a qualidade dos dados que serão garimpados. Esta etapa é se suma importância para a validação dos dados a serem trabalhados pelo Data Mining. Na quarta fase são aplicadas técnicas de Data Mining, como a otimização e estatística, onde objetiva-se obter informações como elasticidade dos produtos e padrões não percebidos de consumo do cliente WEB. Nesta última fase é importante a validação dos resultados obtidos através de análises complementares, pois além da elasticidade, podemos obter resultados da segmentação dos concorrentes por perfil de consumo, share de mercado, impacto das atividades de marketing na WEB, preços e atividades de marketing dos concorrentes na WEB e margem de lucro dos concorrentes. A implementação deste modelo de quatro fases torna possível a aplicação de várias metodologias para a realização de um Data Mining, como as apontadas por Carvalho (2001:17-30). Pode-se adotar a metodologia da descoberta não supervisionada onde o grau de conhecimento sobre a base de dados é pequeno e deseja-se observar novas relações entre os dados. Na metodologia de teste de hipóteses, onde o grau de conhecimento sobre as relações entre os dados é considerado razoável, podem ser testadas as possíveis relações entre os padrões já encontrados. Na metodologia baseada em modelagem de dados onde o grau de conhecimento sobre as relações entre os dados é considerada grande, busca-se criar relações matemáticas entre os dados, permitindo por exemplo a verificação de margens de lucros e previsões de vendas. Assim, observando o trabalho de Carvalho (2001:17-30), várias técnicas de Data Mining se adaptam à este modelo para a WEB, entre elas encontra-se a de classificação, que consiste em verificar com que grupo de entidades já classificadas
9 anteriormente um determinado objeto mais se assemelha. A técnica de estimativa baseia-se em avaliar uma grandeza, tendo como parâmetro casos semelhantes nos quais estas grandezas são encontradas. A técnica de previsão que baseada no comportamento de um determinado índice, o projeta para o futuro. A análise por afinidade é uma técnica destinada a descobrir qual é a possibilidade de fatos simultâneos ocorrerem novamente. A técnica de análise por agrupamento tem por objetivo definir quantas e quais classes existem em um conjunto de entidades. 5. Resultados O Data Mining na WEB trará inúmeras vantagens aos profissionais de marketing através do acesso às informações sobre o comportamento do cliente no e-commerce. Possibilitará uma ação rápida e direcionada a perfis individualizados de clientes. Entre outras análises, será possível prever o aumento ou redução nas vendas no ambiente WEB de um determinado produto em virtude da variação dos seus preços, determinar o preço ótimo de forma a maximizar o lucro da empresa virtual, determinar a influência nas vendas de uma atividade de marketing, conhecer a influência da variação de preço dos concorrentes nas suas vendas e conhecer a influência da variação do seu preço nas vendas dos concorrentes. Também será possível obter conhecimento das atividades de marketing dos concorrentes e sua influência nas vendas, segmentar o mercado em função do comportamento de seus clientes, de modo a possibilitar campanhas de marketing específicas para cada segmento e extrair conhecimento da estratégia dos concorrentes na formação de preço. 6. Bibliografia Carvalho, Luiz Alfredo Vidal de. (2001) Datamining: a mineração de dados no marketing, medicina, economia, engenharia e administração, São Paulo, Érica, 234 págs. Cezar, Genilson. (2000). Os ASPs chegam para tomar conta das aplicações corporativas, Informática Hoje, Nº 492, São Paulo, Plano Editorial, p Data Distilleries. (1999). Introduction to data mining: discover hidden value in your databases, Dezembro. Félix, L. C. M. (1998). Data Mining no processo de extração do conhecimento de base de dados, São Carlos - SP, EESC/USP. Dissertação de mestrado. Information Discovery, Inc. (2000), Information Discovery, Dezembro. Macoratti, J. C. (2000). ASP, ADO e banco de Dados na Internet, Florianópolis SC, Visual Books, 296 págs. MCT- Ministério da Ciência e Tecnologia. (2002). Internet Comercial: Conceitos Estatísticas e Aspectos Legais, Secretaria de Política de Informática, Novembro. Oliveira, R. B. T. (1999). O processo de extração de conhecimento de base de dados apoiado por agentes de software, São Carlos SP, EESC/USP, Dissertação de mestrado.
10 Taurion, C. (2003). Qual a definição para data mining?, Abril. Frawley, W. & Piatetsky-Shapiro, G. & Matheus, C. (1992) Knowledge Discovery in Databases: An Overview, AI Magazine. Pg
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 maisDATA WAREHOUSE NO APOIO À TOMADA DE DECISÕES
DATA WAREHOUSE NO APOIO À TOMADA DE DECISÕES Janaína Schwarzrock jana_100ideia@hotmail.com Prof. Leonardo W. Sommariva RESUMO: Este artigo trata da importância da informação na hora da tomada de decisão,
Leia maisADM041 / EPR806 Sistemas de Informação
ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes
Leia maisExemplo de Aplicação do DataMinig
Exemplo de Aplicação do DataMinig Felipe E. Barletta Mendes 19 de fevereiro de 2008 INTRODUÇÃO AO DATA MINING A mineração de dados (Data Mining) está inserida em um processo maior denominado Descoberta
Leia maisA Grande Importância da Mineração de Dados nas Organizações
A Grande Importância da Mineração de Dados nas Organizações Amarildo Aparecido Ferreira Junior¹, Késsia Rita da Costa Marchi¹, Jaime Willian Dias¹ ¹Universidade Paranaense (Unipar) Paranavaí PR Brasil
Leia maisPlanejamento 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 maisData Mining. Origem do Data Mining 24/05/2012. Data Mining. Prof Luiz Antonio do Nascimento
Data Mining Prof Luiz Antonio do Nascimento Data Mining Ferramenta utilizada para análise de dados para gerar, automaticamente, uma hipótese sobre padrões e anomalias identificadas para poder prever um
Leia maisFATEC Cruzeiro José da Silva. Ferramenta CRM como estratégia de negócios
FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Cruzeiro SP 2008 FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Projeto de trabalho de formatura como requisito
Leia maissrbo@ufpa.br www.ufpa.br/srbo
CBSI Curso de Bacharelado em Sistemas de Informação BI Prof. Dr. Sandro Ronaldo Bezerra Oliveira srbo@ufpa.br www.ufpa.br/srbo Tópicos Especiais em Sistemas de Informação Faculdade de Computação Instituto
Leia maisPlanejamento Estratégico de TI. Prof.: Fernando Ascani
Planejamento Estratégico de TI Prof.: Fernando Ascani BI Business Intelligence A inteligência Empresarial, ou Business Intelligence, é um termo do Gartner Group. O conceito surgiu na década de 80 e descreve
Leia maisSistemas 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 maisAdministração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados
Universidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática 2006.2 Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento
Leia maisO que é a ciência de dados (data science). Discussão do conceito. Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.
O que é a ciência de dados (data science). Discussão do conceito Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.3, Outubro, 2015 Nota prévia Esta apresentação tem por objetivo, proporcionar
Leia maisPlanejamento Estratégico de TI. Prof.: Fernando Ascani
Planejamento Estratégico de TI Prof.: Fernando Ascani Data Mining Os métodos tradicionais de Data Mining são: Classificação Associa ou classifica um item a uma ou várias classes categóricas pré-definidas.
Leia maisADMINISTRAÇÃO 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 maisInteratividade aliada a Análise de Negócios
Interatividade aliada a Análise de Negócios Na era digital, a quase totalidade das organizações necessita da análise de seus negócios de forma ágil e segura - relatórios interativos, análise de gráficos,
Leia maisCAPÍTULO 1 - CONTABILIDADE E GESTÃO EMPRESARIAL A CONTROLADORIA
CAPÍTULO 1 - CONTABILIDADE E GESTÃO EMPRESARIAL A CONTROLADORIA Constata-se que o novo arranjo da economia mundial provocado pelo processo de globalização tem afetado as empresas a fim de disponibilizar
Leia maisCRM. Customer Relationship Management
CRM Customer Relationship Management CRM Uma estratégia de negócio para gerenciar e otimizar o relacionamento com o cliente a longo prazo Mercado CRM Uma ferramenta de CRM é um conjunto de processos e
Leia maisSAD. Paulo Silva, Rodolfo Ribeiro, Vinicius Tavares
SAD Paulo Silva, Rodolfo Ribeiro, Vinicius Tavares DataWarehouse Armazena informações relativas a uma organização em BD Facilita tomada de decisões Dados são coletados de OLTP(séries históricas) Dados
Leia maisMódulo 15 Resumo. Módulo I Cultura da Informação
Módulo 15 Resumo Neste módulo vamos dar uma explanação geral sobre os pontos que foram trabalhados ao longo desta disciplina. Os pontos abordados nesta disciplina foram: Fundamentos teóricos de sistemas
Leia maisInstituto de Educação Tecnológica Pós-graduação Gestão e Tecnologia da Informação - Turma 25 20/03/2015. Big Data Analytics:
Instituto de Educação Tecnológica Pós-graduação Gestão e Tecnologia da Informação - Turma 25 20/03/2015 Big Data Analytics: Como melhorar a experiência do seu cliente Anderson Adriano de Freitas RESUMO
Leia maisANEXO 1: Formato Recomendado de Planos de Negócios - Deve ter entre 30 e 50 páginas
ANEXO 1: Formato Recomendado de Planos de Negócios - Deve ter entre 30 e 50 páginas 1) Resumo Executivo Descrição dos negócios e da empresa Qual é a ideia de negócio e como a empresa se chamará? Segmento
Leia maisSistemas Integrados de Gestão Empresarial
Universidade Federal do Vale do São Francisco Curso de Administração Tecnologia e Sistemas de Informação - 05 Prof. Jorge Cavalcanti jorge.cavalcanti@univasf.edu.br www.univasf.edu.br/~jorge.cavalcanti
Leia maisTRABALHOS TÉCNICOS Coordenação de Documentação e Informação INOVAÇÃO E GERENCIAMENTO DE PROCESSOS: UMA ANÁLISE BASEADA NA GESTÃO DO CONHECIMENTO
TRABALHOS TÉCNICOS Coordenação de Documentação e Informação INOVAÇÃO E GERENCIAMENTO DE PROCESSOS: UMA ANÁLISE BASEADA NA GESTÃO DO CONHECIMENTO INTRODUÇÃO Os processos empresariais são fluxos de valor
Leia maisMATERIAL DIDÁTICO: APLICAÇÕES EMPRESARIAIS SISTEMA DE APOIO À DECISÃO (SAD)
AULA 07 MATERIAL DIDÁTICO: APLICAÇÕES EMPRESARIAIS SISTEMA DE APOIO À DECISÃO (SAD) JAMES A. O BRIEN MÓDULO 01 Páginas 286 à 294 1 AULA 07 SISTEMAS DE APOIO ÀS DECISÕES 2 Sistemas de Apoio à Decisão (SAD)
Leia maisMASTER IN PROJECT MANAGEMENT
MASTER IN PROJECT MANAGEMENT PROJETOS E COMUNICAÇÃO PROF. RICARDO SCHWACH MBA, PMP, COBIT, ITIL Atividade 1 Que modelos em gestão de projetos estão sendo adotados como referência nas organizações? Como
Leia maisCorporativo. Transformar dados em informações claras e objetivas que. Star Soft. www.starsoft.com.br
Corporativo Transformar dados em informações claras e objetivas que possibilitem às empresas tomarem decisões em direção ao sucesso. Com essa filosofia a Star Soft Indústria de Software e Soluções vem
Leia maisO que significa esta sigla?
CRM Para refletir... Só há duas fontes de vantagem competitiva. A capacidade de aprender mais sobre nossos clientes, mais rápido que o nosso concorrente e a capacidade de transformar este conhecimento
Leia maisUniversidade de Brasília. Faculdade de Ciência da Informação. Prof a Lillian Alvares
Universidade de Brasília Faculdade de Ciência da Informação Prof a Lillian Alvares Fóruns Comunidades de Prática Mapeamento do Conhecimento Portal Intranet Extranet Banco de Competências Memória Organizacional
Leia maisDIMENSIONANDO PROJETOS DE WEB-ENABLING. Uma aplicação da Análise de Pontos de Função. Dimensionando projetos de Web- Enabling
DIMENSIONANDO PROJETOS DE WEB-ENABLING Uma aplicação da Análise de Pontos de Função Dimensionando projetos de Web- Enabling Índice INTRODUÇÃO...3 FRONTEIRA DA APLICAÇÃO E TIPO DE CONTAGEM...3 ESCOPO DA
Leia maisCUSTOMER 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 maisProfissionais de Alta Performance
Profissionais de Alta Performance As transformações pelas quais o mundo passa exigem novos posicionamentos em todas as áreas e em especial na educação. A transferência pura simples de dados ou informações
Leia maisProfessor: 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 maisCRM - 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 maisMaterial de Apoio. Sistema de Informação Gerencial (SIG)
Sistema de Informação Gerencial (SIG) Material de Apoio Os Sistemas de Informação Gerencial (SIG) são sistemas ou processos que fornecem as informações necessárias para gerenciar com eficácia as organizações.
Leia maisExtração de Requisitos
Extração de Requisitos Extração de requisitos é o processo de transformação das idéias que estão na mente dos usuários (a entrada) em um documento formal (saída). Pode se entender também como o processo
Leia maisBanco de Dados - Senado
Banco de Dados - Senado Exercícios OLAP - CESPE Material preparado: Prof. Marcio Vitorino OLAP Material preparado: Prof. Marcio Vitorino Soluções MOLAP promovem maior independência de fornecedores de SGBDs
Leia maisTema: Big Data, Analytics...a Tecnologia a Favor do RH Palestrante: Alberto Roitman
Tema: Big Data, Analytics...a Tecnologia a Favor do RH Palestrante: Alberto Roitman Em que consiste o BIG DATA Tratamento de grande conjuntos de dados cuja coleta, gestão e processamento que supera a
Leia maisSistemas de Informação I
+ Sistemas de Informação I Dimensões de análise dos SI Ricardo de Sousa Britto rbritto@ufpi.edu.br + Introdução n Os sistemas de informação são combinações das formas de trabalho, informações, pessoas
Leia maisRoteiro para apresentação do Plano de Negócio. Preparamos este roteiro para ajudá-lo(a) a preparar seu Plano de Negócio.
Roteiro para apresentação do Plano de Negócio Preparamos este roteiro para ajudá-lo(a) a preparar seu Plano de Negócio. Abaixo encontra-se a estrutura recomendada no Empreenda! O Plano de Negócio deverá
Leia maisGestão do Conhecimento A Chave para o Sucesso Empresarial. José Renato Sátiro Santiago Jr.
A Chave para o Sucesso Empresarial José Renato Sátiro Santiago Jr. Capítulo 1 O Novo Cenário Corporativo O cenário organizacional, sem dúvida alguma, sofreu muitas alterações nos últimos anos. Estas mudanças
Leia mais04/08/2012 MODELAGEM DE DADOS. PROF. RAFAEL DIAS RIBEIRO, M.Sc. @ribeirord MODELAGEM DE DADOS. Aula 1. Prof. Rafael Dias Ribeiro. M.Sc.
MODELAGEM DE DADOS PROF. RAFAEL DIAS RIBEIRO, M.Sc. @ribeirord MODELAGEM DE DADOS Aula 1 Prof. Rafael Dias Ribeiro. M.Sc. @ribeirord 1 Objetivos: Apresenta a diferença entre dado e informação e a importância
Leia maisCRM 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 maisSinopse das Unidades Curriculares Mestrado em Marketing e Comunicação. 1.º Ano / 1.º Semestre
Sinopse das Unidades Curriculares Mestrado em Marketing e Comunicação 1.º Ano / 1.º Semestre Marketing Estratégico Formar um quadro conceptual abrangente no domínio do marketing. Compreender o conceito
Leia maisDisciplina: Suprimentos e Logística II 2014-02 Professor: Roberto Cézar Datrino Atividade 3: Transportes e Armazenagem
Disciplina: Suprimentos e Logística II 2014-02 Professor: Roberto Cézar Datrino Atividade 3: Transportes e Armazenagem Caros alunos, Essa terceira atividade da nossa disciplina de Suprimentos e Logística
Leia maisMRP II. Planejamento e Controle da Produção 3 professor Muris Lage Junior
MRP II Introdução A lógica de cálculo das necessidades é conhecida há muito tempo Porém só pode ser utilizada na prática em situações mais complexas a partir dos anos 60 A partir de meados da década de
Leia maisRECONHECIMENTO 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 maiswww.dehterakm.com beatriz@dehtearkm.com
www.dehterakm.com beatriz@dehtearkm.com Quem somos? A BEATRIZ DEHTEAR KM apresenta a seus clientes uma proposta totalmente inovadora para implementar a Gestão do Conhecimento Organizacional. Nosso objetivo
Leia maisA IMPORTÂNCIA DA GESTÃO DE CUSTOS NA ELABORAÇÃO DO PREÇO DE VENDA
553 A IMPORTÂNCIA DA GESTÃO DE CUSTOS NA ELABORAÇÃO DO PREÇO DE VENDA Irene Caires da Silva 1, Tamires Fernanda Costa de Jesus, Tiago Pinheiro 1 Docente da Universidade do Oeste Paulista UNOESTE. 2 Discente
Leia maisFornecendo Inteligência, para todo o mundo, a mais de 20 anos.
Fornecendo Inteligência, para todo o mundo, a mais de 20 anos. Fundada em 1989, a MicroStrategy é fornecedora líder Mundial de plataformas de software empresarial. A missão é fornecer as plataformas mais
Leia maisComo melhorar a tomada de decisão. slide 1
Como melhorar a tomada de decisão slide 1 P&G vai do papel ao pixel em busca da gestão do conhecimento Problema: grande volume de documentos em papel atrasavam a pesquisa e o desenvolvimento. Solução:
Leia maisISO 9000:2000 Sistemas de Gestão da Qualidade Fundamentos e Vocabulário. As Normas da família ISO 9000. As Normas da família ISO 9000
ISO 9000:2000 Sistemas de Gestão da Qualidade Fundamentos e Vocabulário Gestão da Qualidade 2005 1 As Normas da família ISO 9000 ISO 9000 descreve os fundamentos de sistemas de gestão da qualidade e especifica
Leia maisEmpreenda! 9ª Edição Roteiro de Apoio ao Plano de Negócios. Preparamos este roteiro para ajudá-lo (a) a desenvolver o seu Plano de Negócios.
Empreenda! 9ª Edição Roteiro de Apoio ao Plano de Negócios Caro (a) aluno (a), Preparamos este roteiro para ajudá-lo (a) a desenvolver o seu Plano de Negócios. O Plano de Negócios deverá ter no máximo
Leia maisMódulo 4: Gerenciamento de Dados
Módulo 4: Gerenciamento de Dados 1 1. CONCEITOS Os dados são um recurso organizacional decisivo que precisa ser administrado como outros importantes ativos das empresas. A maioria das organizações não
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS
UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário
Leia maisINSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA
INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA CURSO DE ESPECIALIZAÇÃO EM ANÁLISE DE AMBIENTE ELETROMAGNÉTICO CEAAE /2008 DISCIPLINA EE-09: Inteligência
Leia maisNome: Login: CA: Cidade: UF CARTÃO RESPOSTA QUESTÃO RESPOSTA QUESTÃO RESPOSTA
ANÁLISE E DESENVOLVIMENTO DE SISTEMAS TURMA 2008 3º PERÍODO - 6º MÓDULO AVALIAÇÃO A4 DATA 16/07/2009 SISTEMAS EMPRESARIAIS Dados de identificação do Acadêmico: Nome: Login: CA: Cidade: UF CARTÃO RESPOSTA
Leia maisIntrodução à Computação
Aspectos Importantes - Desenvolvimento de Software Motivação A economia de todos países dependem do uso de software. Cada vez mais, o controle dos processos tem sido feito por software. Atualmente, os
Leia maisSISTEMAS DE GESTÃO São Paulo, Janeiro de 2005
SISTEMAS DE GESTÃO São Paulo, Janeiro de 2005 ÍNDICE Introdução...3 A Necessidade do Gerenciamento e Controle das Informações...3 Benefícios de um Sistema de Gestão da Albi Informática...4 A Ferramenta...5
Leia maisPortaria Inep nº 249, de 02 de junho de 2014. Publicada no Diário Oficial da União em 04 de junho de 2014.
Portaria Inep nº 249, de 02 de junho de 2014. Publicada no Diário Oficial da União em 04 de junho de 2014. O Presidente do Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep),
Leia maisUnidade I FINANÇAS EM PROJETOS DE TI. Prof. Fernando Rodrigues
Unidade I FINANÇAS EM PROJETOS DE TI Prof. Fernando Rodrigues Nas empresas atuais, a Tecnologia de Informação (TI) existe como uma ferramenta utilizada pelas organizações para atingirem seus objetivos.
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação
SOFT DISCIPLINA: Engenharia de software AULA NÚMERO: 08 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir conceitos relacionados a modelos e especificações. Nesta aula
Leia maisSistema. Atividades. Sistema de informações. Tipos de sistemas de informação. Everson Santos Araujo everson@everson.com.br
Sistema Tipos de sistemas de informação Everson Santos Araujo everson@everson.com.br Um sistema pode ser definido como um complexo de elementos em interação (Ludwig Von Bertalanffy) sistema é um conjunto
Leia maisCHECK - LIST - ISO 9001:2000
REQUISITOS ISO 9001: 2000 SIM NÃO 1.2 APLICAÇÃO A organização identificou as exclusões de itens da norma no seu manual da qualidade? As exclusões são relacionadas somente aos requisitos da sessão 7 da
Leia maisPRIAD: GESTÃO DE RELACIONAMENTO COM CLIENTES
PRIAD: GESTÃO DE RELACIONAMENTO COM CLIENTES ALUNO RA: ASSINATURA: DATA: / / AS RESPOSTAS DEVERRÃO SER TOTALMENTE MANUSCRITAS Prof. Claudio Benossi Questionário: 1. Defina o que é Marketing? 2. Quais são
Leia mais)HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR
6LPXODomR GH6LVWHPDV )HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR #5,6. Simulador voltado para análise de risco financeiro 3RQWRV IRUWHV Fácil de usar. Funciona integrado a ferramentas já bastante conhecidas,
Leia maisü Curso - Bacharelado em Sistemas de Informação
Curso - Bacharelado em Sistemas de Informação Nome e titulação do Coordenador: Coordenador: Prof. Wender A. Silva - Mestrado em Engenharia Elétrica (Ênfase em Processamento da Informação). Universidade
Leia maisNa medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia.
1 Introdução aos Sistemas de Informação 2002 Aula 4 - Desenvolvimento de software e seus paradigmas Paradigmas de Desenvolvimento de Software Pode-se considerar 3 tipos de paradigmas que norteiam a atividade
Leia maisIdentificar as mudanças que acontecem na forma e no uso de apoio à decisão em empreendimentos de e-business. Identificar o papel e alternativas de
1 Identificar as mudanças que acontecem na forma e no uso de apoio à decisão em empreendimentos de e-business. Identificar o papel e alternativas de relatórios dos sistemas de informação gerencial. Descrever
Leia maisAnálise do Ambiente estudo aprofundado
Etapa 1 Etapa 2 Etapa 3 Etapa 4 Etapa 5 Disciplina Gestão Estratégica e Serviços 7º Período Administração 2013/2 Análise do Ambiente estudo aprofundado Agenda: ANÁLISE DO AMBIENTE Fundamentos Ambientes
Leia maisGESTÃO DE SUPRIMENTO TECNÓLOGO EM LOGÍSTICA
GESTÃO DE SUPRIMENTO TECNÓLOGO EM LOGÍSTICA Gestão da Cadeia de Suprimento Compras Integração Transporte Distribuição Estoque Tirlê C. Silva 2 Gestão de Suprimento Dentro das organizações, industriais,
Leia maisOS 14 PONTOS DA FILOSOFIA DE DEMING
OS 14 PONTOS DA FILOSOFIA DE DEMING 1. Estabelecer a constância de propósitos para a melhoria dos bens e serviços A alta administração deve demonstrar constantemente seu comprometimento com os objetivos
Leia maisSAM 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 maisPRINCÍPIOS DE SISTEMAS DE INFORMAÇÃO MÓDULO 17
PRINCÍPIOS DE SISTEMAS DE INFORMAÇÃO MÓDULO 17 Índice 1. Conceitos de Ciclo de Desenvolvimento de Sistemas...3 1.1. Principais Fases... 3 1.2. Técnicas... 4 1.3. Papéis de Responsabilidades... 4 1.3.1.
Leia maisFaturamento personalizado (Customer Engaged Billing)
Faturamento personalizado (Customer Engaged Billing) Transforme suas comunicações mais lidas em participações multicanais altamente direcionadas que reduzem custos, aumentam a satisfação do cliente e geram
Leia maisINSTRUÇÃO DE TRABALHO PARA INFORMAÇÕES GERENCIAIS
INSTRUÇÃO DE TRABALHO PARA INFORMAÇÕES GERENCIAIS Asia Shipping Transportes Internacionais Ltda. como cópia não controlada P á g i n a 1 7 ÍNDICE NR TÓPICO PÁG. 1 Introdução & Política 2 Objetivo 3 Responsabilidade
Leia maisUniversidade de Brasília. Departamento de Ciência da Informação e Documentação. Prof a.:lillian Alvares
Universidade de Brasília Departamento de Ciência da Informação e Documentação Prof a.:lillian Alvares Fóruns óu s/ Listas de discussão Espaços para discutir, homogeneizar e compartilhar informações, idéias
Leia maisCONCURSO PÚBLICO ANALISTA DE SISTEMA ÊNFASE GOVERNANÇA DE TI ANALISTA DE GESTÃO RESPOSTAS ESPERADAS PRELIMINARES
CELG DISTRIBUIÇÃO S.A EDITAL N. 1/2014 CONCURSO PÚBLICO ANALISTA DE GESTÃO ANALISTA DE SISTEMA ÊNFASE GOVERNANÇA DE TI RESPOSTAS ESPERADAS PRELIMINARES O Centro de Seleção da Universidade Federal de Goiás
Leia maishttp://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 maisCENTRO DE CIÊNCIAS TECNOLÓGICAS CCT
UNIVERSIDADE DO ESTADO DE SANTA CATARINA CENTRO DE CIÊNCIAS TECNOLÓGICAS CCT CURSO DE TECNOLOGIA EM SISTEMAS DE INFORMAÇÃO ENGENHARIA DO PRODUTO FABIANO RAMOS DOS SANTOS SERGIO DA COSTA FERREIRA JOELSON
Leia maisMINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br
MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para
Leia maisPlanejamento e Gerência de Sistemas de Informação sob o Ângulo da Gestão por Processos (*)
Planejamento e Gerência de Sistemas de Informação sob o Ângulo da Gestão por Processos (*) Jaime Robredo 1. Introdução A tradução para o português da expressão inglesa process management não permite evidenciar
Leia maisBanco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados
Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Um Sistema Gerenciador de Banco de Dados (SGBD) é constituído por um conjunto de dados associados a um conjunto de programas para acesso a esses
Leia maisSERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA
SERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA Muitas organizações terceirizam o transporte das chamadas em seus call-centers, dependendo inteiramente
Leia maisERP. Enterprise Resource Planning. Planejamento de recursos empresariais
ERP Enterprise Resource Planning Planejamento de recursos empresariais O que é ERP Os ERPs em termos gerais, são uma plataforma de software desenvolvida para integrar os diversos departamentos de uma empresa,
Leia maisSGQ 22/10/2010. Sistema de Gestão da Qualidade. Gestão da Qualidade Qualquer atividade coordenada para dirigir e controlar uma organização para:
PARTE 2 Sistema de Gestão da Qualidade SGQ Gestão da Qualidade Qualquer atividade coordenada para dirigir e controlar uma organização para: Possibilitar a melhoria de produtos/serviços Garantir a satisfação
Leia maisIntrodução: Conceitos de Processamento de Dados. Curso Técnico em Informática Eduardo Amaral
Introdução: Conceitos de Processamento de Dados Curso Técnico em Informática Eduardo Amaral Sociedade agrícola Sociedade industrial Tempos Modernos satiriza a vida industrial: Carlitos é um operário de
Leia maisPLANO DE EXPANSÃO COMERCIAL DA ÁREA COMERCIAL EMPRESA XYZS
PLANO DE EXPANSÃO COMERCIAL DA ÁREA COMERCIAL EMPRESA XYZS 1. APRESENTAÇÃO: O objetivo deste documento é apresentar o Plano de Expansão Comercial, promovido pela Área Comercial da XYZS, deixando claro
Leia maisIDÉIAS SOBRE IMPLANTAÇÃO DE SISTEMAS EMPRESARIAIS INTEGRADOS. Prof. Eduardo H. S. Oliveira
IDÉIAS SOBRE IMPLANTAÇÃO DE SISTEMAS EMPRESARIAIS INTEGRADOS Introdução Nos últimos seis anos, tem ocorrido no Brasil uma verdadeira revolução na área de gestão empresarial. Praticamente, todas as grandes
Leia maisLaudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1
Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1 SISTEMA DE APOIO À DECISÃO Grupo: Denilson Neves Diego Antônio Nelson Santiago Sabrina Dantas CONCEITO É UM SISTEMA QUE AUXILIA O PROCESSO DE DECISÃO
Leia maisUNG CIC Tópicos Especiais de TI. Aula 13
Aula 13 1. Data Warehouse Armazém de Dados (Continuação) 1 Erros na implantação de um Data Warehouse Segundo o Data Warehousing Institute existem dez erros mais comuns na implantação de um Data Warehouse
Leia maisMicrosoft 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 maisISO/IEC 12207: Gerência de Configuração
ISO/IEC 12207: Gerência de Configuração Durante o processo de desenvolvimento de um software, é produzida uma grande quantidade de itens de informação que podem ser alterados durante o processo Para que
Leia maisMódulo 4. Construindo uma solução OLAP
Módulo 4. Construindo uma solução OLAP Objetivos Diferenciar as diversas formas de armazenamento Compreender o que é e como definir a porcentagem de agregação Conhecer a possibilidade da utilização de
Leia maisTecnologia da Informação. Prof. Odilon Zappe Jr
Tecnologia da Informação Prof. Odilon Zappe Jr Vantagens e Desvantagens do Comércio Eletrônico Vantagens Aumento do número de contatos da empresa com fornecedores e com outras empresas do mesmo ramo, e
Leia maisFACULDADE KENNEDY BACHARELADO EM SISTEMAS DE INFORMAÇÃO
FACULDADE KENNEDY BACHARELADO EM SISTEMAS DE INFORMAÇÃO A Faculdade Kennedy busca sempre melhorar a qualidade, oferecendo serviços informatizados e uma equipe de profissionais preparada para responder
Leia mais