MBA em Gestão de Empreendimentos Turísticos

Tamanho: px
Começar a partir da página:

Download "MBA em Gestão de Empreendimentos Turísticos"

Transcrição

1 Prof. Martius V. Rodriguez y Rodriguez, DSc MBA em Gestão de Empreendimentos Turísticos Gestão do Conhecimento e Tecnologia da Informação Gestão do Conhecimento evolução conceitual. Níveis de maturidade da organização. Conhecimento tácito e explícito. Tecnologia da Informação no Turismo. Sistemas especialistas na indústria do Turismo. Principais Sistemas: Sistemas de agenciamento e sistemas de reservas (transportes e hospedagem); Sistema de Informações Gerenciais; Mapeamento e modelagem de processos; Princípios do e-business e do E-commerce. Alavancagem de negócios na internet; Gestão da tecnologia da Informação: Sistemas de gestão: ERP, Soluções de SCM Supply Chain Management, Soluções de CRM Customer Relationship Management e Soluções de Portais Corporativos; Gerenciamento de projetos tecnológicos e Gestão do Conhecimento.

2 AGENDA SOCIEDADE DO CONHECIMENTO ARQUITETURA TIC PRÁTICAS - 2

3 Martius V. Rodriguez y Rodriguez, DSc 03-3 O PROCESSO DE DATAMINING

4 20% - T 80% - I 70% - T 18% - I Seleção dos dados de base de dados operacionais Enriquecimento dos dados Codificação Data mining - Cluster - Segmentação - Predição Relatórios (Pyle, 1999) Soluções e Alternativas O PROCESSO UTILIZADO Problema a ser resolvido Limpeza e consistênca dos dados T - TEMPO DISPENDIDO I - IMPORTÂNCIA PARA O SUCESSO 10% - T 2 % - I Martius V. Rodriguez y Rodriguez, DSc 03-4

5 PERGUNTAS QUE PODERÃO SER o VENDAS RESPONDIDAS o Identificar padrões de comportamento dos consumidores. o Encontrar características dos consumidores de acordo com a região demográfica. o Prever quais consumidores serão atingidos nas campanhas de marketing. o Prever demandas em função das características dos clientes, personalizando o atendimento. o FINANÇAS o Detectar padrões de fraudes. o Identificar os consumidores que estão tendendo a mudar para a concorrência. o Identificar regras de estocagem a partir dos dados do mercado. o Encontrar outras correlações escondidas nas bases de dados. Martius V. Rodriguez y Rodriguez, DSc 03-5

6 PERGUNTAS QUE PODERÃO SER o TRANSPORTE o Determinar a distribuição dos horários entre os vários caminhos. o Analisar padrões de sobrecarga. o SEGUROS E PLANOS DE SAÚDE o Determinar quais procedimentos médicos são requisitados ao mesmo tempo. o Prever quais consumidores comprarão novas apólices. o Identificar comportamentos fraudulentos. o MEDICINA RESPONDIDAS o Caracterizar o comportamento dos pacientes para prever novas consultas. o Identificar terapias de sucessos para diferentes doenças Martius V. Rodriguez y Rodriguez, DSc 03-6

7 DADO - INFORMAÇÃO CONHECIMENTO Dado Informação Conhecimento BANCO DE DADOS ANÁLISE E RECUPERAÇÃO DE DADOS SQL, OLAP DATA MINING Knowledge Management Martius V. Rodriguez y Rodriguez, DSc 03-7

8 A DEFINIÇÃO DE CONHECIMENTO É A CAPACIDADE DE AGIR CONHECIMENTO 10 9 bits INFORMAÇÃO CONHECIMENTO 10 2 bits EXPLÍCITO EXTERIORIZADO TÁCITO INTERIORIZADO REGRAS EVENTOS INFORMAÇÃO DADOS MICHAEL POLANYI e LUDWIG WITTGENSTEIN CONHECIMENTO HUMANO É : tácito, orientado para a ação, baseado em regras, individual e em constante mutação. MICHAEL POLANYI e LUDWIG WITTGENSTEIN - FIALHO, 1998 Martius V. Rodriguez y Rodriguez, DSc 03-8

9 MOTIVAÇÃO PARA O KDD EVOLUÇÃO DOS SISTEMAS ESPECIALISTAS EVOLUÇÃO DAS TÉCNICAS DE KDD EM BD EVOLUÇÃO DAS BD FACILIDADE DE INTEGRAÇÃO DE DADOS AUMENTO DO FLUXO DE INFORMAÇÕES Martius V. Rodriguez y Rodriguez, DSc 03-9

10 MOTIVAÇÃO PARA O USO DO KDD A EXPLOSÃO DAS INFORMAÇÕES Produção de Terabytes por ano (2 Exabyte) Aproximadamente 250 MB por pessoa no planeta. US$ 10,00 por GB armazenado em 2000 US$ 1,00 por GB armazenado em EXABYTES = TODAS AS PALAVRAS JÁ FALADAS PELOS SERES HUMANOS = GB 1 GB = Um caminhão cheio de papel 100 MB = 1 metro de livros organizados em uma prateleira 1 bilhão de PCs no mundo jun2008 Gartner 2 bilhões de PCs no mundo até Gartner LESK, Michael, How much information is there in the world ref ESTATÍSTICA VISUALIZADORES BANCO DE DADOS REDES NEURONAIS SISTEMAS ESPECIALISTAS INFRAESTRUTURA DE HW/SW Martius V. Rodriguez y Rodriguez, DSc 03-10

11 MOTIVAÇÃO KDD o o GRANDE VOLUME DE DADOS DE CLIENTES, COMPETIDORES, PROCESSOS, EMPREGADOS E PROJETOS ARMAZENADOS EM BASES DE DADOS. FACILIDADE DE INTEGRAR BASES DE DADOS: ERP, CRM, SCM, B2B, B2E, B2C o o OS OS ALGORÍTMOS DE DE DATAMINING PODEM ENCONTRAR CLUSTERS E PADRÕES DE DE COMPORTAMENTOS EM EM CONJUNTO DE DE DADOS. NOVAS TÉCNICAS COMO: ÁRVORES DE DE DECISÃO, REDES REDES NEURAIS, ALGORITMOS GENÉTICOS... ÁRVORES DE DECISÃO REDES NEURAIS ALGORÍTMOS GENÉTICOS LÓGICA FUZZY REGRAS DE ASSOCIAÇÃO... MÉTODOS CLUSTERIZAÇÃO CLASSIFICAÇÃO PREDIÇÃO SUMARIZAÇÃO... TAREFAS Fayyad, 1996 Martius V. Rodriguez y Rodriguez, DSc 03-11

12 CLUSTERIZAÇÃO 1 2 Martius V. Rodriguez y Rodriguez, DSc

13 CLASSIFICAÇÃO E PREDIÇÃO Grau de Instrução Nível Médio Nível Superior Martius V. Rodriguez y Rodriguez, DSc

14 CLASSIFICAÇÃO E PREDIÇÃO Renda Baixa Renda Alta Renda Martius V. Rodriguez y Rodriguez, DSc 03-14

15 CLASSIFICAÇÃO E PREDIÇÃO RESPOSTA Grau de Instrução ão Nível Superior Nível Médio Renda Renda Baixa Renda Alta Renda Martius V. Rodriguez y Rodriguez, DSc 03-15

16 MOTIVAÇÃO KDD Ambiente Analítico Como alinhar a empresa em torno do cliente? Como integrar as descobertas a cada interação do cliente? Valor do Negócio Quantos clientes nós perdemos? Query & reporting Medição Em quais cidades eles moram? OLAP Data mining Predição Quais tipos de clientes possuem risco de deixar a empresa? Real-time distribution O que devo oferecer ao meu cliente hoje? Tempo Martius V. Rodriguez y Rodriguez, DSc 03-16

17 CONHECENDO O CLIENTE E SUA HISTÓRIA Data Warehouse Data Mart 1 Vendas Data Mart 2 Marketing Data Mart 3 Logística Data Mining Martius V. Rodriguez y Rodriguez, DSc 03-17

18 ONDE APLICAR O DATA MINING? Passado Previsão Descobrimento ANÁLISE & RELATÓRIOS (OLAP) MODELAGEM ESTATÍSTICA DATA MINING MINERAÇÃO DO CONHECIMENTO Martius V. Rodriguez y Rodriguez, DSc 03-18

19 DESCOBRIMENTO DO CONHECIMENTO + SIMPLES OLTP TRANSAÇÕES SQL - QUERIES TÉCNICAS ESTATÍSTICAS (ELEMENTARES) OLAP ANALISES DATA MINING + DIFÍCIL E INCERTO Martius V. Rodriguez y Rodriguez, DSc 03-19

20 HIDDEN & DEEP KNOWLEDGE SHALLOW DATA - SQL MULTI-DIMENSIONAL DATA - OLAP HIDDEN DATA - KDD DEEP DATA - CLUES Martius V. Rodriguez y Rodriguez, DSc 03-20

21 PROCESSOS TRANSACIONAIS OLTP OLAP Quantos clientes existem por filial? Quantos clientes por tipo de produto existem? Quantos clientes por tipo de produto e por região por filial? Quantos clientes por tipo de produto, região, atendente, valor,...? excel, access,... consulta relatório/consulta relatório/consulta arquivo Martius V. Rodriguez y Rodriguez, DSc 03-21

22 DO CONTROLE A ANÁLISE Data Mining Predição Correlação Descoberta Histórico Data Warehouse Analítico Capacidades Martius V. Rodriguez y Rodriguez, DSc 03-22

23 TECNOLOGIA Martius V. Rodriguez y Rodriguez, DSc 03-23

24 DATA WAREHOUSE Histórico pequeno Granularidade alta ETL Fontes Integração Sincronismo Transformação Composição Data Warehouse CONTEXTOS Separação Agregação Ação Executivo Histórico intermediário rio Granularidade intermediária ria Alta capacidade de relatório rio Histórico grande Granularidade baixa Alta capacidade analítica Data Marts Cubos VISÕES Separação Agregação Martius V. Rodriguez y Rodriguez, DSc 03-24

25 MODELO MULTIDIMENSIONAL Quantidade de Cliente Quantidade de Débito Segmento Código Descrição Estrutura Organizacional Código Regional Descrição regional Código Filial Descrição Filial Tempo Ano Semestre Mês Semana Grupo Código Descrição Em novembro de 2003, qual a quantidade de clientes em cada filial, agrupados por segmento? Martius V. Rodriguez y Rodriguez, DSc 03-25

26 FERRAMENTAS ROLAP Martius V. Rodriguez y Rodriguez, DSc 03-26

27 ARQUITETURA TECNOLOGICA Martius V. Rodriguez y Rodriguez, DSc 03-27

28 DIRECIONAMENTO AO NEGÓCIO Objetivos de Negócio Resultados de Negócio Objetivos do Data Mining Resultados do Data Mining O projeto de Data Mining deve estar direcionado aos objetivos de negócio! Martius V. Rodriguez y Rodriguez, DSc 03-28

29 SISTEMÁTICA DE MINERAÇÃO DE DADOS MINERAÇÃO DOS DADOS ORIENTADA PARA VERIFICAÇÃO ORIENTADA PARA DESCOBERTA GERADORES DE SQL SQL FERRAMENTAS DE CONSULTA OLAP PREDIÇÃO DESCRIÇÃO CLASSIFICAÇÃO ESTRUTURAS DE DECISÃO VISUALIZAÇÃO AGRUPAMENTO ASSOCIAÇÃO AVALIAÇÃO SUMARIZAÇÃO ESTRUTURAS DE DECISÃO REDES NEURAIS REGRESSÃO ESTATÍSTICA Martius V. Rodriguez y Rodriguez, DSc 03-29

30 KDD - DATA MINING KDD - Knowledge Discovery in Databases: É UMA EXTRAÇÃO NÃO TRIVIAL, A PARTIR DE UMA BASE DE DADOS, DE UM CONHECIMENTO IMPLÍCITO, PREVIAMENTE DESCONHECIDO E POTENCIALMENTE ÚTIL Primeira Conferência Internacional sobre KDD Montreal (Adriaans, 1998) O CONHECIMENTO OBTIDO PELO PROCESSO DE KDD NÃO ESTARÁ VISÍVEL SE UTILIZADA UMA LINGUAGEM DE BUSCA ESTRUTURADA - SQL (STRUCTURE QUERY LANGUAGE) OU SE ANALISADOS OS DADOS A PARTIR DE UMA FERRAMENTA OLAP - (ONLINE ANALYTICAL PROCESSING TOOL) Martius V. Rodriguez y Rodriguez, DSc 03-30

31 HIDDEN & DEEP KNOWLEDGE o HIDDEN KNOWLEDGE: SÃO DADOS QUE PODEM SER FACILMENTE ENCONTRADOS A PARTIR DO USO DE FERRAMENTAS DE RECONHECIMENTO DE PADRÕES OU ALGORÍTMOS DE APRENDIZAGEM POR COMPUTADOR :: MACHINE-LEARNING DEEP KNOWLEDGE: É UMA INFORMAÇÃO QUE ESTÁ ARMAZENADA EM BASE DE DADOS MAS QUE SÓ PODE SER LOCALIZADA POR MEIO DE DICAS OU COLA QUE DIGA ONDE DEVEMOS PROCURAR (Adriaans, 1998) Martius V. Rodriguez y Rodriguez, DSc 03-31

32 DATA MINING DIFICULDADES DE IMPLEMENTAR FALTA DE INTEGRAÇÃO DOS DADOS Diversas formas de armazenagem e inconsistência entre elas FALTA DE ATUALIZAÇÃO DOS DADOS Dados perdidos ou incorretos TEMPO DE ATUALIZAÇÃO Os dados são atualizados em um tempo muito longo DISPUTA ENTRE DEPARTAMENTOS Não cessão dos dados FALTA DE UMA VISÃO DE LONGO PRAZO O que queremos obter dos dados no futuro? CONECTIVIDADE E INTEROPERABILIDADE DIFICULTADA Dificuldades de acesso as redes internas PRIVACIDADE DOS DADOS Por questões legais alguns dados não podem ser utilizados FRACA COOPERAÇÃO ENTRE AS ÁREAS DE TECNOLOGIA DE INFORMAÇÃO Restrições no acesso aos dados SIGNIFICADO DIFERENTES Administração de dados falha Martius V. Rodriguez y Rodriguez, DSc 03-32

33 DATA MINING É INTERDISCIPLINAR E UTILIZA AS DIVERSAS TECNOLOGIAS Explicito - Tácito Banco de Dados Estatística Extração de novas regras Visualizadores KDD Redes Neuronais Sistemas Especialistas Conhecimento Tácito AÇÃO Conhecimento Explícito Tácito - Explicito Martius V. Rodriguez y Rodriguez, DSc 03-33

34 CARACTERÍSTICAS Aprendizagem por aproximação (K-nearest neighbor) Árvores de decisão (Decision trees) Regras de Associação (Association Rules) Redes Neuronais (Neural Networks) Algorítmos genéticos (Algorítmos genéticos) QUALIDADE-DADOS DE ENTRADA Habilidade de manipular uma MÉDIA BOA BOA MÉDIA MÉDIA grande quantidade de registros Habilidade de manipular uma MÉDIA BOA MÉDIA RUIM RUIM grande quantidade de atributos Habilidade de manipular atributos BOA BOA RUIM BOA RUIM numéricos Habilidade de manipular caracteres RUIM RUIM RUIM MÉDIA MÉDIA QUALIDADE-DADOS DE SAÍDA Habilidade para aprender regras transparentes Habilidade para aprender incrementalmente Habilidade para estimar a significância estatística dos dados TÉCNICAS DE KDD RECOMENDADAS (Adriaans, 1998) RUIM BOA BOA RUIM BOA RUIM RUIM BOA MÉDIA MÉDIA BOA BOA BOA RUIM RUIM DESEMPENHO DE APRENDIZAGEM Carga de armazenagem dos dados BOA MÉDIA MÉDIA MÉDIA MÉDIA Carga de CPU BOA MÉDIA MÉDIA RUIM RUIM DESEMPENHO DA APLICAÇÃO Carga de armazenagem dos dados RUIM BOA BOA BOA BOA Carga de CPU MÉDIA BOA BOA MÉDIA MÉDIA Martius V. Rodriguez y Rodriguez, DSc 03-34

35 Geradas + 50 árvores de decisão das quais 20 utilizadas Martius V. Rodriguez y Rodriguez, DSc 03-35

36 MOTIVAÇÃO PARA USO DE ÁRVORES DE DECISÃO USO DE BASE DE DADOS: Facilidade na utilização de base de dados, obtidas a partir da pesquisa de campo. SIMPLICIDADE: A explicitação de regras de forma eficiente, o que possibilitou a análise sob diversos pontos do objeto de análise. CAPACIDADE DE INDUÇÃO: Além da simplicidade permitiu a indução dos dados em função do grau de interesse desejado. PRECISÃO: Obtenção dos dados dentro do grau de precisão necessário para extração do conhecimento dos dados. VERIFICAÇÃO DAS REGRAS OBTIDAS: Possibilidade de verificação das regras. Utilizando 80% dos dados para obtenção e outros 20% para validação. Martius V. Rodriguez y Rodriguez, DSc 03-36

37 MOTIVAÇÃO PARA USO DO XpertRule Miner o FACILIDADE DE ACESSO AOS DADOS o INTERFACE AMIGÁVEL o FACILIDADE DE INDUÇÃO o PRECISÃO o MASSA DE TESTES o EXPLICITAÇÃO DAS REGRAS Martius V. Rodriguez y Rodriguez, DSc 03-37

38 Nó NÓ DE TOPO ou NÓ DE RAIZ NÓ DE FOLHA Martius V. Rodriguez y Rodriguez, DSc 03-38

39 Martius V. Rodriguez y Rodriguez, DSc 03-39

40 EXEMPLO DE REGRA Leaf #5 : (Custo_overhead_realizado >= , ) and (Hh_realizado_nm < 6494) REGRA 1.8# Se o Custo de Overhead Realizado for >= US$ ,48 e HH de nível médio realizado for < 6494 e Prioridade for alta. 80,3% dos projetos são Concluídos e Implantados ou em implantação 19,7% dos projetos concluídos e não implantados ou cancelados (do total de 25,5% dos 514 projetos analisados). Martius V. Rodriguez y Rodriguez, DSc 03-40

41 CRITÉRIOS PARA OBTENÇÃO DAS REGRAS INTERESSABILIDADE COMPLETEZA PRECISÃO COMPREENSIBILIDADE (Nagai, 2000) Martius V. Rodriguez y Rodriguez, DSc 03-41

42 CRITÉRIOS PARA OBTENÇÃO DAS REGRAS Interessabilidade: possuem uma lógica utilizável no entendimento do conhecimento relacionado à priorização de projetos de tecnologia Modelos de regras: interessam somente as regras que "casam" com os objetivos definidos inicialmente. Cobertura de regras mínimas: Interessam o conjunto de regras que possam representar o objeto de estudo para o conjunto de dados analisado. Acionabilidade de regras: as regras devem trazer vantagens quando utilizadas. Inesperabilidade de regras: as regras interessam se possuem um fator de inesperabilidade. (Nagai, 2000) Martius V. Rodriguez y Rodriguez, DSc 03-42

43 CRITÉRIOS PARA OBTENÇÃO DAS REGRAS Completeza = # de exemplos cobertos / # total de exemplos. Cobertura entre regras: as regras devem se complementar. Precisão: possuem a precisão necessária para a imediata utilização das regras obtidas. Correspondem a diferença entre os valores reais e valores preditos pela regra. Compreensibilidade: possuem um grau de complexidade inteligível ao ser humano. Sendo entendido que a complexidade de uma regra é medida pelo número de cláusulas que a mesma possuí associada ao total de regras, ou seja: Complexidade = 0,6 * # de regras + 0,4* # de clausulas (Nagai, 2000) Martius V. Rodriguez y Rodriguez, DSc 03-43

44 TÉCNICAS PARA SUPORTAR O PROCESSO ANALÍTICO UTILIZAÇÃO DE REDES NEURONAIS CARACTERÍSTICAS DOS CLIENTES PRODUTOS/ SERVIÇOS UTILIZADOS Camadas : entrada escondida saída NOVO CLIENTE PROVÁVEL SITUAÇÃO FINAL Martius V. Rodriguez y Rodriguez, DSc 03-44

45 CRM CRM Operacional CRM Analítico Interação Mobile Front Back com o cliente Office Office Office ERP/ERM Gerência de Pedidos Automação de Atendim. Voz URA, ACD Gerência de Supply Chain Produto Automação de Marketing Sistema Móvel de Vendas Conferência Conferência via Web Sistemas Legados Automação de vendas Atendimento em Campo e- mail Gerência de Estoques Processamento em Loop Fechado Fax Cartas Atividade de Clientes Data Warehouse Aplicações Verticais Gerência de Categorias Clientes Interação Direta Produtos Automação de Marketing Gerência de Campanhas CRM Colaborativo Fonte: Apllication Delivery Strategies, META Group Martius V. Rodriguez y Rodriguez, DSc 03-45

Business Intelligence para Computação TítuloForense. Tiago Schettini Batista

Business Intelligence para Computação TítuloForense. Tiago Schettini Batista Business Intelligence para Computação TítuloForense Tiago Schettini Batista Agenda Empresa; Crescimento de Dados; Business Intelligence; Exemplos (CGU, B2T) A empresa Empresa fundada em 2003 especializada

Leia mais

MBA em Gestão de Empreendimentos Turísticos

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

Leia mais

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

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

Resumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence

Resumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence É um conjunto de conceitos e metodologias que, fazem uso de acontecimentos e sistemas e apoiam a tomada de decisões. Utilização de várias fontes de informação para se definir estratégias de competividade

Leia mais

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

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

Leia mais

Sistemas de Apoio à Decisão (SAD) - Senado

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

Leia mais

APLICATIVOS CORPORATIVOS

APLICATIVOS CORPORATIVOS Sistema de Informação e Tecnologia FEQ 0411 Prof Luciel Henrique de Oliveira luciel@uol.com.br Capítulo 3 APLICATIVOS CORPORATIVOS PRADO, Edmir P.V.; SOUZA, Cesar A. de. (org). Fundamentos de Sistemas

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

KDD UMA VISAL GERAL DO PROCESSO

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

Leia mais

Aline França a de Abreu, Ph.D

Aline França a de Abreu, Ph.D Aline França a de Abreu, Ph.D igti.eps.ufsc.br 07 / 10/ 04 Núcleo de estudos Criado em 1997 - UFSC/EPS Equipe multidisciplinar, com aproximadamente 20 integrantes OBJETIVO Gerar uma competência e uma base

Leia mais

O Uso Estratégico de Técnicas de Extração de Conhecimento em Base de Dados na Gestão de Projetos de P&D

O Uso Estratégico de Técnicas de Extração de Conhecimento em Base de Dados na Gestão de Projetos de P&D O Uso Estratégico de Técnicas de Extração de Conhecimento em Base de Dados na Gestão de Projetos de P&D Management of R&D Projects Using the Data Mining Strategy MARTIUS VICENTE RODRIGUEZ Y RODRIGUEZ Universidade

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

FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO:

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

Leia mais

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

Data Warehouse Processos e Arquitetura

Data Warehouse Processos e Arquitetura Data Warehouse - definições: Coleção de dados orientada a assunto, integrada, não volátil e variável em relação ao tempo, que tem por objetivo dar apoio aos processos de tomada de decisão (Inmon, 1997)

Leia mais

Motivação: inundação de informação. Data warehouse. Inteligência computacional aplicada em finanças, comércio e indústria

Motivação: inundação de informação. Data warehouse. Inteligência computacional aplicada em finanças, comércio e indústria Programa de Especialização em Inteligência Computacional Motivação: inundação de informação Morrendo de sede por conhecimento em um oceano de dados Inteligência computacional aplicada em finanças, comércio

Leia mais

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

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

Leia mais

Dados como recurso para a organização

Dados como recurso para a organização Faculdade Pitágoras de Uberlândia Pós-graduação Sistemas de Informação Gerenciais Segunda Aula Prof. Me. Walteno Martins Parreira Júnior www.waltenomartins.com.br waltenomartins@yahoo.com Maio -2013 Dados

Leia mais

Estudar os Sistemas de Processamento de Transação (SPT)

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

Leia mais

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE

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

Leia mais

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

Capítulo 1 - A revolução dos dados, da informação e do conhecimento 1 B12 4

Capítulo 1 - A revolução dos dados, da informação e do conhecimento 1 B12 4 Sumário Capítulo 1 - A revolução dos dados, da informação e do conhecimento 1 B12 4 Capítulo 2 - Reputação corporativa e uma nova ordem empresarial 7 Inovação e virtualidade 9 Coopetição 10 Modelos plurais

Leia mais

Gerenciamento de Dados e Gestão do Conhecimento

Gerenciamento de Dados e Gestão do Conhecimento ELC1075 Introdução a Sistemas de Informação Gerenciamento de Dados e Gestão do Conhecimento Raul Ceretta Nunes CSI/UFSM Introdução Gerenciando dados A abordagem de banco de dados Sistemas de gerenciamento

Leia mais

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

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

Leia mais

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

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

Leia mais

Extração de Conhecimento a partir dos Sistemas de Informação

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

Leia mais

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

BUSINESS INTELLIGENCE -Inteligência nos Negócios-

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

Leia mais

Tópicos Avançados Business Intelligence. Banco de Dados Prof. Otacílio José Pereira. Unidade 10 Tópicos Avançados Business Inteligence.

Tópicos Avançados Business Intelligence. Banco de Dados Prof. Otacílio José Pereira. Unidade 10 Tópicos Avançados Business Inteligence. Tópicos Avançados Business Intelligence Banco de Dados Prof. Otacílio José Pereira Unidade 10 Tópicos Avançados Business Inteligence Roteiro Introdução Níveis organizacionais na empresa Visão Geral das

Leia mais

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

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

Adriano Maranhão BUSINESS INTELLIGENCE (BI),

Adriano Maranhão BUSINESS INTELLIGENCE (BI), Adriano Maranhão BUSINESS INTELLIGENCE (BI), BUSINESS INTELLIGENCE (BI) O termo Business Intelligence (BI), popularizado por Howard Dresner do Gartner Group, é utilizado para definir sistemas orientados

Leia mais

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

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

Leia mais

SISTEMAS DE APOIO À DECISÃO SAD

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

Leia mais

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

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

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

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

Leia mais

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

srbo@ufpa.br www.ufpa.br/srbo

srbo@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 mais

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

Leia mais

SEQUÊNCIA:1 ENTERPRISE RESOURCE PLANNING. PROF. MARTIUS V R Y RODRIGUEZ, DSc SCM - CRM - ERP BPM - B P TECNOLOGIA DE INFORMAÇÃO

SEQUÊNCIA:1 ENTERPRISE RESOURCE PLANNING. PROF. MARTIUS V R Y RODRIGUEZ, DSc SCM - CRM - ERP BPM - B P TECNOLOGIA DE INFORMAÇÃO ENTERPRISE RESOURCE 4 PLANNING Martius V. Rodriguez y Rodriguez, DSc - 1 TECNOLOGIA DE INFORMAÇÃO 1. TIPOS DE SISTEMAS DE INFORMAÇÃO 2. ARQUITETURAS DE SISTEMAS - CRM 3. KNOWLEDGE DISCOVERY IN DATABASE

Leia mais

Bloco Administrativo

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

Leia mais

OqueéBI? QualéoobjetivodeBI? 15/03/2009

OqueéBI? QualéoobjetivodeBI? 15/03/2009 Profª. Kelly Business Intelligence (BI) OqueéBI? É um conjunto de conceitos e metodologias que, fazendo uso de acontecimentos (fatos) e sistemas baseados nos mesmos, apóia a tomada de decisões em negócios;

Leia mais

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

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

Leia mais

Criação e uso da Inteligência e Governança do BI

Criação e uso da Inteligência e Governança do BI Criação e uso da Inteligência e Governança do BI Criação e uso da Inteligência e Governança do BI Governança do BI O processo geral de criação de inteligência começa pela identificação e priorização de

Leia mais

Módulo 2. Definindo Soluções OLAP

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

Leia mais

TÉCNICAS DE INFORMÁTICA WILLIAN FERREIRA DOS SANTOS

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

Leia mais

Curso Superior de Tecnologia em BD

Curso Superior de Tecnologia em BD Curso Superior de Tecnologia em BD Arquitetura de Business Intelligence Aula 2 Definindo Sistemas de Business Intelligence, suas Fronteiras e Aplicações Objetivos Entender os Tipos de Processos de Decisão

Leia mais

DATA WAREHOUSE. Introdução

DATA WAREHOUSE. Introdução DATA WAREHOUSE Introdução O grande crescimento do ambiente de negócios, médias e grandes empresas armazenam também um alto volume de informações, onde que juntamente com a tecnologia da informação, a correta

Leia mais

Data Warehouses Uma Introdução

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

Leia mais

Trata-se de uma estratégia de negócio, em primeira linha, que posteriormente se consubstancia em soluções tecnológicas.

Trata-se de uma estratégia de negócio, em primeira linha, que posteriormente se consubstancia em soluções tecnológicas. CUSTOMER RELATIONSHIP MANAGEMENT Customer Relationship Management CRM ou Gestão de Relacionamento com o Cliente é uma abordagem que coloca o cliente no centro dos processos do negócio, sendo desenhado

Leia mais

Sistemas de Informações

Sistemas de Informações Sistemas de Informações Prof. Marco Pozam- mpozam@gmail.com A U L A 0 5 Ementa da disciplina Sistemas de Informações Gerenciais: Conceitos e Operacionalização. Suporte ao processo decisório. ERP Sistemas

Leia mais

Sistemas de Informação. O uso de sistemas de informações como ferramentas de gestão

Sistemas de Informação. O uso de sistemas de informações como ferramentas de gestão Sistemas de Informação O uso de sistemas de informações como ferramentas de gestão Objetivos Impactos na gestão das empresas: Macro mudanças no ambiente Novas tecnologias de comunicação e informática Macro

Leia mais

Data Warehouse. Diogo Matos da Silva 1. Universidade Federal de Ouro Preto, Ouro Preto, MG, Brasil. Banco de Dados II

Data Warehouse. Diogo Matos da Silva 1. Universidade Federal de Ouro Preto, Ouro Preto, MG, Brasil. Banco de Dados II Data Warehouse Diogo Matos da Silva 1 1 Departamento de Computação Universidade Federal de Ouro Preto, Ouro Preto, MG, Brasil Banco de Dados II Diogo Matos (DECOM - UFOP) Banco de Dados II Jun 2013 1 /

Leia mais

Capítulo 13: Tecnologia da Informação. Prof.: Roberto Franciscatto

Capítulo 13: Tecnologia da Informação. Prof.: Roberto Franciscatto Capítulo 13: Tecnologia da Informação Prof.: Roberto Franciscatto Introdução Uma informação é um arranjo de dados (nomes, palavras, números, sons, imagens) capazes de dar forma ou sentido a algo do interesse

Leia mais

Data Mining: Conceitos e Técnicas

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

Leia mais

Tecnologia no processo decisório

Tecnologia no processo decisório Universidade do Contestado Campus Concórdia Curso de Sistemas de Informação Prof.: Maico Petry Tecnologia no processo decisório DISCIPLINA: Sistemas de Apoio a Decisão SIG - Funcionamento ERP GOV BI MERC

Leia mais

BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING

BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING http://www.uniriotec.br/~tanaka/tin0036 tanaka@uniriotec.br Introdução a Data Warehousing e OLAP Introdução a Data Warehouse e Modelagem Dimensional Visão

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

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

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

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

Leia mais

O uso consciente da tecnologia para o gerenciamento. Fonte dos dados: ASI - Emerson de Oliveira Batista - Editora Saraiva

O uso consciente da tecnologia para o gerenciamento. Fonte dos dados: ASI - Emerson de Oliveira Batista - Editora Saraiva Sistemas de Informação O uso consciente da tecnologia para o gerenciamento Fonte dos dados: ASI - Emerson de Oliveira Batista - Editora Saraiva o ponto de venda fixo loja, agência bancária, hospital móvel

Leia mais

Business Intelligence

Business Intelligence 1/ 24 Business Intelligence Felipe Ferreira 1 Nossa empresa Jornal O Globo Jornais Populares Parcerias Grupo Folha Grupo Estado 2 1 Fundada em 1925 3100 funcionários 2 Parques Gráficos e SP Globo: 220

Leia mais

Inteligência de Negócio. Brian Cowhig

Inteligência de Negócio. Brian Cowhig Inteligência de Negócio Brian Cowhig Inteligência de Negócio O Que é Inteligência de Negócio? Três Níveis de Inteligência de Negócio Database Query OLAP Data Mining Produtos de Inteligência de Negócio

Leia mais

Pós-Graduação Lato Sensu em ENGENHARIA DE MARKETING

Pós-Graduação Lato Sensu em ENGENHARIA DE MARKETING Pós-Graduação Lato Sensu em ENGENHARIA DE MARKETING Inscrições Abertas: Início das aulas: 28/03/2016 Término das aulas: 10/12/2016 Dias e horários das aulas: Segunda-Feira 18h30 às 22h30 Semanal Quarta-Feira

Leia mais

Sumário. Mineração de Dados aplicada à Gestão de Negócios. 1) Mineração de Dados

Sumário. Mineração de Dados aplicada à Gestão de Negócios. 1) Mineração de Dados Aula 1 Introdução -Mineração de Dados Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1) Mineração de Dados 1) Atividades Relacionadas; 2) Desafios; 3) Exemplos de aplicativos; 4) Últimos assuntos;

Leia mais

Sistema de Bancos de Dados. Conceitos Gerais Sistema Gerenciador de Bancos de Dados

Sistema de Bancos de Dados. Conceitos Gerais Sistema Gerenciador de Bancos de Dados Sistema de Bancos de Dados Conceitos Gerais Sistema Gerenciador de Bancos de Dados # Definições # Motivação # Arquitetura Típica # Vantagens # Desvantagens # Evolução # Classes de Usuários 1 Nível 1 Dados

Leia mais

Data Warehouse Mineração de Dados

Data Warehouse Mineração de Dados Data Warehouse Mineração de Dados Profa. Roberta Macêdo M. Gouveia robertammg@gmail.com 1 18/12/2014 Data Warehouse Data Mining Big Data A mina de ouro debaixo dos bits 2 Data Warehouse: A Memória da Empresa

Leia mais

Estratégias em Tecnologia da Informação. ERP, CRM, BI, Data mining, Data warehouse, ETL Gerenciamento de Dados e Conhecimento

Estratégias em Tecnologia da Informação. ERP, CRM, BI, Data mining, Data warehouse, ETL Gerenciamento de Dados e Conhecimento Estratégias em Tecnologia da Informação Capítulo 7 ERP, CRM, BI, Data mining, Data warehouse, ETL Gerenciamento de Dados e Conhecimento Material de apoio 2 Esclarecimentos Esse material é de apoio para

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

Dados x Informações. Os Sistemas de Informação podem ser:

Dados x Informações. Os Sistemas de Informação podem ser: CONCEITOS INICIAIS O tratamento da informação precisa ser visto como um recurso da empresa. Deve ser planejado, administrado e controlado de forma eficaz, desenvolvendo aplicações com base nos processos,

Leia mais

Profº Aldo Rocha. Banco de Dados

Profº Aldo Rocha. Banco de Dados Profº Aldo Rocha Banco de Dados AULA 02 SBD Turma: ASN102 BELÉM, 12 DE AGOSTO DE 2011 Aula Passada Na aula passada nós trabalhamos a introdução a Banco de dados e a AGENDA FOI: Níveis de abstração; Dado,

Leia mais

DATA WAREHOUSE. Rafael Ervin Hass Raphael Laércio Zago

DATA WAREHOUSE. Rafael Ervin Hass Raphael Laércio Zago DATA WAREHOUSE Rafael Ervin Hass Raphael Laércio Zago Roteiro Introdução Aplicações Arquitetura Características Desenvolvimento Estudo de Caso Conclusão Introdução O conceito de "data warehousing" data

Leia mais

Administração de Sistemas de Informação I

Administração de Sistemas de Informação I Administração de Sistemas de Informação I Prof. Farinha Aula 04 Conceito Sistema de Informação é uma série de elementos ou componentes inter-relacionados que coletam (entrada), manipulam e armazenam (processo),

Leia mais

Aula 02: Conceitos Fundamentais

Aula 02: Conceitos Fundamentais Aula 02: Conceitos Fundamentais Profa. Ms. Rosângela da Silva Nunes 1 de 26 Roteiro 1. Por que mineração de dados 2. O que é Mineração de dados 3. Processo 4. Que tipo de dados podem ser minerados 5. Que

Leia mais

Complemento I - Noções Introdutórias em Data Warehouses

Complemento I - Noções Introdutórias em Data Warehouses Complemento I - Noções Introdutórias em Data Warehouses Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

Sistemas. ções Gerenciais

Sistemas. ções Gerenciais Sistemas Como elaborar seu currículo? de Informaçõ 04/2006 ções Gerenciais Um currículo bem feito não garante sua contratação mas um currículo mal elaborado elimina-o do processo seletivo. Novas Tecnologias...

Leia mais

Planejamento Estratégico de TI. Prof.: Fernando Ascani

Planejamento 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 mais

MAPA DE PROBLEMAS Administração de Sistemas de Informações Profa.MS.c. Cláudia Brazil Marques

MAPA DE PROBLEMAS Administração de Sistemas de Informações Profa.MS.c. Cláudia Brazil Marques MAPA DE PROBLEMAS Administração de Sistemas de Informações Profa.MS.c. Cláudia Brazil Marques Nr. DESCRIÇÃO DO PROBLEMA CONHECIMENTOS COMPE TÊNCIAS PERFIS AULA 1 Qual o comportamento da organização como

Leia mais

SAD. Paulo Silva, Rodolfo Ribeiro, Vinicius Tavares

SAD. 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 mais

Universidade de Brasília Departamento de Ciência da Informação e Documentação Profa.:Lillian Alvares

Universidade de Brasília Departamento de Ciência da Informação e Documentação Profa.:Lillian Alvares Universidade de Brasília Departamento de Ciência da Informação e Documentação Profa.:Lillian Alvares Comunidades de Prática Grupos informais e interdisciplinares de pessoas unidas em torno de um interesse

Leia mais

Prof. Ronaldo R. Goldschmidt. ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt

Prof. Ronaldo R. Goldschmidt. ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt Prof. Ronaldo R. Goldschmidt ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt Prof. Ronaldo Ribeiro Goldschmidt REVISÃO DE BD RELACIONAIS E SQL! "" #!$ #%! $& #

Leia mais

Interatividade aliada a Análise de Negócios

Interatividade 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 mais

CRM Customer Relationship Management

CRM Customer Relationship Management CRM Customer Relationship Management C R M : DEFINIÇÃO TEÓRICA NO PASSADO CONHECÍAMOS NOSSOS CLIENTES PELO NOME, ONDE VIVIAM, QUE TIPO DE PRODUTOS NECESSITAVAM, COMO SERIAM ENTREGUES, COMO QUERIAM PAGAR

Leia mais

Universidade 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 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 mais

Business Intelligence Conceitos, Metodologia de Desenvolvimento e Exemplos de BI

Business Intelligence Conceitos, Metodologia de Desenvolvimento e Exemplos de BI Matriz: Av. Caçapava, 527 CEP 90.460-130 Tecnopuc: Av. Ipiranga, 6681 Prédio 32 Sala 109 CEP 90.619-900 Porto Alegre - RS, Brasil Contate-nos: +55 (51) 3330.7777 contato@dbccompany.com.br www.dbccompany.com.br

Leia mais

Sistemas de Apoio à Inteligência do Negócio

Sistemas de Apoio à Inteligência do Negócio Sistemas de Apoio à Inteligência do Negócio http://www.uniriotec.br/~tanaka/sain tanaka@uniriotec.br Visão Geral de Business Intelligence Evolução dos Sistemas de Informação (computadorizados) 1950 s:

Leia mais

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

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan Faculdade INED Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan 1 Unidade 4.2 2 1 BI BUSINESS INTELLIGENCE BI CARLOS BARBIERI

Leia mais

Colaboração nas Empresas SPT SIG Aplicações Empresariais

Colaboração nas Empresas SPT SIG Aplicações Empresariais Capítulo 3: Sistemas de Apoio Gerenciais Colaboração nas Empresas SPT SIG Aplicações Empresariais Objetivos do Capítulo Explicar como os SI empresariais podem apoiar as necessidades de informação de executivos,

Leia mais

Banco de Dados - Senado

Banco de Dados - Senado Banco de Dados - Senado Exercícios OLAP - CESPE Material preparado: Prof. Marcio Vitorino OLAP Material preparado: Prof. Marcio Vitorino Soluções MOLAP promovem maior independência de fornecedores de SGBDs

Leia mais

Sistemas Empresariais. Capítulo 3: Sistemas de Negócios. Colaboração SPT SIG

Sistemas Empresariais. Capítulo 3: Sistemas de Negócios. Colaboração SPT SIG Capítulo 3: Sistemas de Negócios Colaboração SPT SIG Objetivos do Capítulo Explicar como os SI empresariais podem apoiar as necessidades de informação de executivos, gerentes e profissionais de empresas.

Leia mais

Sobre o que falaremos nesta aula?

Sobre o que falaremos nesta aula? Business Intelligence - BI Inteligência de Negócios Prof. Ricardo José Pfitscher Elaborado com base no material de: José Luiz Mendes Gerson Volney Lagmman Introdução Sobre o que falaremos nesta aula? Ferramentas

Leia mais

Data Warehouse. Estudo Comparativo das Ferramentas. Cristiano Silva Castro. Uberlândia, Dezembro/2001.

Data Warehouse. Estudo Comparativo das Ferramentas. Cristiano Silva Castro. Uberlândia, Dezembro/2001. Data Warehouse Estudo Comparativo das Ferramentas Cristiano Silva Castro Uberlândia, Dezembro/2001. Data Warehouse Estudo Comparativo das Ferramentas Cristiano Silva Castro Monografia apresentada ao Curso

Leia mais

SEQUÊNCIA: TIPOS DE SISTEMAS DE INFORMAÇÃO. PROF. MARTIUS V R Y RODRIGUEZ, DSc TECNOLOGIA DE INFORMAÇÃO

SEQUÊNCIA: TIPOS DE SISTEMAS DE INFORMAÇÃO. PROF. MARTIUS V R Y RODRIGUEZ, DSc TECNOLOGIA DE INFORMAÇÃO TIPOS DE SISTEMAS DE INFORMAÇÃO 1 Prof. Martius Vicente Rodriguez y Rodriguez, DSc - 1 TECNOLOGIA DE INFORMAÇÃO 1. TIPOS DE 2. ARQUITETURAS DE SISTEMAS - CRM 3. KNOWLEDGE DISCOVERY IN DATABASE 4. SISTEMAS

Leia mais

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

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

Leia mais

Mineração de Dados. Prof. Júlio Cesar Nievola Especialização em Inteligência Computacional PPGIA - PUCPR

Mineração de Dados. Prof. Júlio Cesar Nievola Especialização em Inteligência Computacional PPGIA - PUCPR Mineração de Dados PPGIA - PUCPR Agenda 1. Histórico 2. Definições e Características 3. Processo e Tarefas de DM 4. Pré-Processamento 5. Representação do Conhecimento 6. Principais Tarefas 7. Procedimentos

Leia mais

Quem estiver interessado favor mandar currículo para sabrina.rodrigues@neogrid.com. As vagas são as seguintes: *Analista de BI (2 vagas)*

Quem estiver interessado favor mandar currículo para sabrina.rodrigues@neogrid.com. As vagas são as seguintes: *Analista de BI (2 vagas)* Quem estiver interessado favor mandar currículo para sabrina.rodrigues@neogrid.com. As vagas são as seguintes: *Analista de BI (2 vagas)* Buscamos candidatos com interesse e experiência na área de desenvolvimento,

Leia mais

Uma Ferramenta Web para BI focada no Gestor de Informação

Uma Ferramenta Web para BI focada no Gestor de Informação Uma Ferramenta Web para BI focada no Gestor de Informação Mikael de Souza Fernandes 1, Gustavo Zanini Kantorski 12 mikael@cpd.ufsm.br, gustavoz@cpd.ufsm.br 1 Curso de Sistemas de Informação, Universidade

Leia mais

Projeto 6.12 Aplicação de Data Mining a Dados de Avaliação da Qualidade de Produtos de Software

Projeto 6.12 Aplicação de Data Mining a Dados de Avaliação da Qualidade de Produtos de Software Programa Brasileiro de Qualidade e Produtividade Projeto 6.12 Aplicação de Data Mining a Dados de Avaliação da Qualidade de Produtos de Software Maria Teresa Villalobos Newton Roy Pampa Quispe Regina Maria

Leia mais