IMPLEMENTAÇÃO DE UM MÓDULO DE MINERAÇÃO DE DADOS EM UM ERP

Tamanho: px
Começar a partir da página:

Download "IMPLEMENTAÇÃO DE UM MÓDULO DE MINERAÇÃO DE DADOS EM UM ERP"

Transcrição

1 IMPLEMENTAÇÃO DE UM MÓDULO DE MINERAÇÃO DE DADOS EM UM ERP Luiz Paulo Rech Guindani Prof. Christiano Cadoná Universidade Luterana do Brasil (ULBRA) Curso de Análise e Desenvolvimento de Sistemas Campus Canoas Av. Farroupilha, 8001 Bairro São José CEP Canoas - RS RESUMO 30 de novembro de 2011 Este artigo apresenta um estudo realizado com o objetivo de esclarecer conceitos ligados a gestão de conhecimento, passando por tópicos como descoberta do conhecimento e mineração de dados, para auxiliar no desenvolvimento de um módulo de mineração de dados para um sistema comercial já existente, com o objetivo de disponibilizar para os usuários finais a descoberta de relações entre as operações comerciais executadas no sistema. Palavras-chave: Mineração de Dados, Gestão do Conhecimento, Descoberta do Conhecimento. ABSTRACT Title: IMPLEMENTATION OF A MODULE IN A DATA MININGERP This article presents a study aiming to clarify concepts related to knowledge management, through topics such as knowledge discovery and data mining to assist in developing a data mining module for an existing commercial system, with order to provide end users the discovery of relationships between the business operations performed in the system. Key-words: Data Mining, Knowledge Management, Knowledge Discovery. 1 INTRODUÇÃO O mercado, cada vez mais competitivo entre as corporações, está obrigando gerentes e administradores de empresas a utilizarem técnicas e metodologias que oportunizem diferenciais competitivos, a fim de desenvolver ações que coloquem sua empresa em destaque, seja pela oferta de produtos, seja pela excelência do atendimento. E um fator importante para elaboração de ações comerciais é o conhecimento dos produtos envolvidos no processo de venda. Em geral os responsáveis por tomar decisões e promover ações nesse sentido costumam valer-se de relatórios estatísticos em que apresentam, por exemplo, relações de produtos mais vendidos, lista de clientes que mais compraram em determinado período e outros, como ferramentas para a elaboração de ações e melhorias. Estes relatórios estão presentes na maioria dos sistemas de gerenciamento comercializados. Contudo, existem técnicas que possibilitam ir além do que relacionar alguns somatórios. Dentre essas técnicas se destaca a mineração de dados, que busca descobrir informações em base de dados. A ferramenta de mineração de dados desenvolvida é capaz de descobrir e apresentar informações gerenciais que ajudem os tomadores de decisão a utilizar suas informações. A técnica de mineração de dados se baseia num sistema já existente de ERP que visa a gerenciar os processos da organização Este artigo descreve os processos envolvidos na elaboração e desenvolvimento do módulo de mineração de dados em uma aplicação comercial já existente. Sendo assim, está dividido em cinco seções. Na segunda seção, são apresentados os conceitos relativos ao tema, objetivo deste trabalho. A seção 3 apresenta o módulo desenvolvido, descrevendo suas funcionalidades. E a seção 4 apresenta uma avaliação do módulo de mineração de dados realizada por um grupo de clientes que já possuíam o sistema comercializado. Por fim, são apresentadas as conclusões e os futuros trabalhos relacionados à solução desenvolvida..

2 2 REFERENCIAL TEÓRICO Como forma de apresentar os conceitos relacionados com o objetivo deste trabalho, estão sendo abordados aqui temas como a situação do mercado comercial, a gestão de conhecimento como diferencial competitivo, a descoberta de conhecimento em sistemas de informação, a aplicação da mineração de dados e exemplos de ferramentas que promovem a mineração de dados. 2.1 SITUAÇÃO DO MERCADO COMERCIAL Com o aquecimento do mercado e o advento da internet como forma de comunicação e propaganda, as empresas de grande porte passaram a ter a concorrência de empresas de pequeno e médio porte, pela atenção no atendimento e pela fidelização dos clientes. Os clientes, atentos a estas brigas, passaram a exigir produtos com maior qualidade, produtos que atendam de forma direta as suas necessidades e expectativas. Antes de comprarem um produto, passaram a prestar mais atenção a questões como praticidade, beleza, preço e adequação. Em geral as empresas estão sempre procurando desenvolver produtos e serviços que correspondam às expectativas e comportamentos do mercado, investindo fortemente em tecnologia de gestão do conhecimento, como forma de compreender o contexto em que os clientes vivem e, consequentemente, suas necessidades. Segundo Alvarenga (2005), para uma empresa ser bem sucedida é necessário que ela conheça seus clientes. Se uma empresa não conhece seu público alvo, não conseguirá criar produtos e serviços sob medida e atraentes eles. Desta forma, afrouxam-se os laços que os mantém unidos, facilitando a aproximação do seu cliente ao seu concorrente. Para estreitar esta relação empresa-cliente, muito tem sido investido na tentativa de conhecer o cliente e de padronizar seus atos e estilo de vida. A informática tem exercido um papel muito importante neste processo ao armazenar informação das mais variadas fontes sobre seus clientes, costumes, preferências e até mesmo locais que frequentam. Mas, só recursos tecnológicos não garantem o conhecimento sobre o cliente. Torna-se necessário um capital humano bem treinado e com experiência de mercado para interpretar as informações e conhecimentos disponibilizados pela tecnologia, para assim tomar as melhores decisões. Todas as informações guardadas pelas empresas podem ser utilizadas para aprimorar o conhecimento sobre os clientes. Algumas empresas utilizam enormes bancos de dados, com informações que, se analisadas, podem gerar conhecimentos muito úteis, como as características regionais dos clientes e as tendências para o futuro dos negócios, além de gerar uma vantagem competitiva invejável ERP Segundo Davenport (1998), o ERP é um software com o objetivo de integrar todas as informações que fluem pela organização. Esse sistema impõe sua própria lógica à estratégia, cultura e organização da empresa, podendo ser considerado como uma solução genérica, pois procura atender a todo tipo de empresa. Seu projeto se baseia em uma série de hipóteses sobre como operam as organizações e costuma ser adotar e desenvolver as melhores praticas de negócio. Porém, do ponto de vista do autor, quem deveria definir essas melhores práticas para a empresa são os próprios clientes que utilizam seu serviço. O sistema ERP tem como principal objetivo a integração de toda uma organização em seus diversos níveis funcionais, através do armazenamento de informações colhidas em todos os setores da organização (LAUDON, 2004). O ERP tem como função o monitoramento de todos os processos da organização, gerenciando informações de todos os setores da organização, assim fazendo com que as informações fiquem armazenadas em um único sistema, tornando mais fácil o processo de análise empresarial como um todo. Por exemplo, podem ser detectados problemas na gestão de estoque da organização, ocasionados pela não solicitação de reposição de determinados produtos com maior volume de venda.

3 É possível identificar como vantagens de um sistema ERP: Integração dos processos As informações antes dispersas pelos fluxos dos processos têm maior visibilidade, desta forma os setores passam a ter uma noção maior se seu papel nas operações da organização. Melhorias no fluxo das informações Identificação de problemas de comunicação entre setores da organização para posterior análise de formas de correção dos problemas para que a comunicação seja feita de forma satisfatória. Melhorias no processo de decisão Com as informações centralizadas torna-se mais fácil o processo de tomada de decisão e avaliação das consequências. Padronização dos processos Com a adoção de padrões de dados e negócios entre os módulos, percebe-se uma melhora na eficiência. Redução de custos Com o monitoramento de processos executados pela organização, torna-se mais fácil a identificação dos processos que devem receber mais atenção e a avaliação do impacto financeiro, caso este seja alterado. Neste âmbito, pode ser considerado também o fato de ganho de escala, uma vez que o custo de licenças e manutenção de sistemas é reduzido, pois trata-se de um único sistema padrão e não mais N sistemas. Acessibilidade à informações Com o fim do isolamento dos sistemas, torna-se mais simples a consulta de informações a diferentes setores, pois os dados da organização passam a ser integrados em uma única base de dados. Velocidade da informação As informações podem ser acessadas em tempo real, agilizando o processo de tomada de decisões e eliminando o tempo de espera por informações, desta forma tornando o processo mais eficiente. Maior controle dos Processo Os sistemas permitem o rastreio de deficiências e erros, permitindo um maior controle sobre as operações. É possível identificar como desvantagens de um sistema ERP os itens seguintes: Custo de implantação Para que seja realizada a implantação de um sistema de ERP, os custos costumam ser elevados, e o consumo de tempo também. Imposições de padrão Os sistemas de ERP forçam as organizações a mudar suas rotinas e práticas de trabalho para que os módulos possam ser implementados. Erros com grande repercussão Um registro incorretamente introduzido no sistema pode ocasionar problemas em todos os demais processos, em cascata. Desta forma, se um módulo for parado, todos os módulos da organização ficarão indisponíveis também. Desmotivação A redefinição dos processos da organização aos padrões do sistema pode gerar desmotivação por parte dos usuário que o utilizam 2.3 GESTÃO DO CONHECIMENTO Gestão do Conhecimento é um modo ou sistema usado para capturar, analisar, interpretar, organizar, mapear e difundir a informação de forma que ela seja útil e esteja disponível como forma de conhecimento. (Drucker, 1998), Segundo Georg van Krogh (2002), Gestão do Conhecimento está relacionada a diversas áreas da informação tais como Sistemas de Informação, Gestão Estratégica, Gestão da Tecnologia, Sociologia, Marketing e Economia, entre outras. Já Alvarenga (2005), define como sendo o conjunto de processos que governam a criação, disseminação e utilização do conhecimento. O autor afirma que estes processos existem mesmo que não os identifiquem em ações, e ainda têm grande impacto sobre as decisões e ações que são realizadas as quais, por sua vez, são normalmente baseadas em conhecimento - ou seja, entender, compreender e avaliar os processos, para que desta forma possam melhorar a qualidade dos mesmos.

4 Gestão do conhecimento não é uma questão tecnológica, ou necessariamente ligada à computação. Entende-se a premissa de que a gestão do conhecimento está preocupada com todo o processo de descoberta, criação, disseminação e utilização desse conhecimento, então é possível concluir que a gestão do conhecimento é muito mais do que uma questão de tecnologia. A importância estratégica na tomada de decisões para os negócios depende das informações disponibilizadas aos gestores de uma organização, e também da capacidade dos mesmos para compreendêlas e da experiência para utilizá-las de maneiras convenientes para os negócios da companhia. Segundo Santos et al (2001), Gestão do Conhecimento é o processo sistemático de identificação, criação, renovação e aplicação dos conhecimentos que são estratégicos na vida de uma organização. Ainda conforme Santos, a administração dos ativos de conhecimento das organizações permite a elas gerenciar seu conhecimento, conduzindo-as a tomadas de decisão com relação à melhor estratégia a ser adotada em relação aos seus clientes, concorrentes e ciclos de vida de produtos e serviços. Além disso, permitem identificar as fontes de informação, a saberem administrar dados e informações e a gerenciar seus conhecimentos. Trata-se da prática de agregar valor à informação e de distribuí-la. Na Gestão do Conhecimento são utilizadas muitas técnicas de Inteligência Computacional, entre elas destacam-se: Lógica Fuzzy: a Lógica Fuzzy é baseada na teoria dos conjunto Fuzzy, que na verdade é uma generalização da teoria dos conjuntos tradicionais para resolver os paradoxos gerados à partir da classificação verdadeiro ou falso da lógica clássica. Tradicionalmente em uma proposição lógica tem-se dois extremos, ou completamente verdadeiro ou completamente falso. Entretanto, na lógica Fuzzy, uma premissa varia em grau de verdade de 0 a 1, o que leva a ser parcialmente verdadeira ou parcialmente falsa. Métodos Estatísticos: são adotados sistematicamente no meio acadêmico auxiliando na validação de hipóteses, principalmente no processo de indução. O objetivo dos métodos estatísticos é tornar as pesquisas cientificas o mais eficiente possível. Redes Neurais Artificiais: são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência. Uma grande rede neural artificial pode ter centenas ou milhares de unidades de processamento. O foco comum entre os sistemas destinados à descoberta do conhecimento é a preocupação com a melhora no desempenho das empresas, através da organização do conhecimento adquirido pelas mesmas, utilizando processos de tratamento, identificação de padrões ou classes, extração, compartilhamento e criação do conhecimento. 2.4 DESCOBERTA DO CONHECIMENTO Segundo Thomé (2002), a Descoberta de Conhecimento em Bancos de Dados (Knowledge Discovery in Databases KDD) surgiu no ano de 1989, tendo como foco a representação do processo de descoberta de conhecimento, através das aplicações de técnicas e algoritmos que fazem a extração sobre os dados buscando encontrar relação entre os mesmos. A extração do conhecimento é uma área dinâmica e evolutiva, envolvendo integrações com outras áreas de conhecimento tais como Estatística, Inteligência Artificial e Banco de Dados. Os padrões extraídos devem ser, além de confiáveis, compreensíveis e úteis, podendo empregar o conhecimento com utilidade e tirar proveito de alguma vantagem, seja científica ou comercial. Segundo FAYYAD (1996), o processo de KDD é constituído de diversas fases, explicadas a seguir, e tem início na análise do entendimento do domínio da aplicação e dos objetivos a serem realizados. Desta forma, antes de aplicar o processo, torna-se necessário que os objetivos estejam definidos. O especialista da informação repassa os dados e os requisitos necessários para que o analista que irá desenvolver o KDD possa entender melhor seu ambiente de atuação. Neste momento deve ser definido: Reconhecimento do ambiente Tipo de conhecimento desejado Verificação do conhecimento já existente. A figura 1 apresenta o fluxo que deve ser executado para que dados de um repositório de informação

5 se tornem possíveis conhecimentos, que subsidiarão tomadores de decisão na elaboração de prováveis ações. Figura 1 Etapas do processo KDD (Fayyad et al. (1996)) Na etapa de seleção, os dados são centralizados em uma única base de dados com o objetivo de facilitar e agilizar a execução de algoritmos, os quais tentarão localizar e identificar padrões que dividam os dados em grupos por similaridade. Ainda nessa etapa, são identificados dados relevantes a serem analisados. É comum nesse momento a criação de um novo banco de dados, tabelas e ou visões de dados contendo as informações selecionadas, para facilitar e otimizar as demais etapas do processo. Já na etapa de pré-processamento, existem várias tarefas que podem ou não ser executadas dependendo do algoritmo de mineração de dados que irá ser aplicado na fase seguinte, mas basicamente é executada uma limpeza dos dados, retirando-se possíveis inconsistências e dados sem importância. Segundo Freitas (2001), o pré-processamento é formado de alguns processos: integração dos dados, limpeza dos dados, fragmentação e seleção de atributos e suas respectivas motivações, que vão desde a simples junção dos dados disponíveis até a transformação dos dados para torná-los mais compreensíveis. No pré-processamento deve ser definido: Verificação de inconsistência Correção de erros Preenchimento de valores desconhecidos A etapa de transformação possui como objetivo a transformação linear ou até não linear nos dados, identificando assim as informações com mais relevância aos negócios. Faz parte desta etapa a eliminação de informações redundantes e a eliminação de valores não pertencentes ao domínio da aplicação. Esta etapa muitas vezes acaba por ser diluída no processo de pré-processamento, contudo é evidenciada a diferença entre cada uma das etapas. (Thomé, 2003) Somente após os dados estarem devidamente preparados ocorre a etapa de mineração de dados. Segundo Fernandes (2003), a Mineração de Dados (Data Mining - DM) é a principal etapa do KDD. Nesta etapa o conhecimento é de fato extraído dos dados através da aplicação de um algoritmo de mineração de dados. Todas as técnicas de Data Mining têm em comum a elaboração de um modelo para representar um conjunto de dados, diferenciando-se pela maneira como esse modelo é construído. A escolha da técnica de mineração de dados a ser utilizada está relacionada com a tarefa de mineração que se deseja executar, já que são essas tarefas que definem o relacionamento entre os dados - ou seja, o modelo. Existem diversas tarefas de mineração de dados entre elas: classificação, clusterização e associação. Em específico, a tarefa de classificação gera regras indutivas do tipo IF-THEN (SE-ENTÃO), o que em geral facilita a compreensão do usuário. Segundo Noda (1999), o ato de descobrir conhecimento compreensível pode ser facilitado quando se utiliza algoritmos baseados em regras de indução. Por outro lado, a descoberta de conhecimento que realmente possua valor interessante para a organização é uma tarefa considerada desafiadora, principalmente

6 pela sua subjetividade. Segundo o autor, na etapa de mineração de dados devem ser definidos os seguintes itens: Técnica e o algoritmo a serem utilizados. Avaliação do algoritmo escolhido, no sentido de verificar a necessidade de adaptação do mesmo. Aplicação do algoritmo com a modelagem necessária ao tipo de conhecimento a ser descoberto. Os algoritmos de mineração de dados percorrem o banco de dados em busca de padrões que atendam às condições pré-estabelecidas nas etapas anteriores. A interpretação é a última etapa do processo. Nesta etapa são avaliados os resultados e o desempenho da etapa de Mineração de Dados. Neste momento o especialista em KDD e o especialista da informação analisam as novas descobertas e verificam a necessidade de novas alternativas de investigação dos dados. A interpretação, em geral ocorre muitas vezes integrada à etapa de mineração. Neste momento ocorre a consolidação dos conhecimentos extraídos e são elaborados, em geral, relatórios, gráficos e diagramas que representam os conhecimentos adquiridos TAREFAS DO KDD Segundo Schneider (2003), as tarefas estão ligadas ao interesse do usuário e ao software de Mineração de Dados, pois cada tarefa do KDD extrai informações diferentes do banco de dados e desta forma necessitam de algoritmos diferentes para extração. São exemplos de tarefas que podem ser aplicadas: Associação: a tarefa de associação percorre o banco de dados atrás de relações entre os itens armazenados. Para identificar estas relações, os itens do banco de dados são identificados como atributos binários. Neste caso, os itens podem assumir um valor verdadeiro ou falso. Assim é possível compreender que o item X implica ou não no item Y. Esta regra pode ser visualizada da seguinte forma: se ((X = verdadeiro) e (Y = verdadeiro)) então os itens possuem relação. Como forma deixar os dados mais consistentes, é realizada a soma de todas as incidências desta condição presente no banco de dados - o resultado deste cálculo é chamado de suporte. Outro valor importante ao processo é denominado confiança, que consiste na divisão do total de vezes em que a incidência dos dois parâmetros testados é verdadeira, dividido pelo número de vezes em que apenas uma das condições é verdadeira. Classificação: a classificação pode ser compreendida como a busca por uma função que permita associar corretamente cada registro X de um banco de dados a um único rótulo categórico Y, denominado classe. Na tarefa de classificação são elaboradas classes de atributos através do mapeamento de dados de entrada. Estas classes são compostas de atributos preditivos e um atributo objetivo que indica à qual classe o item pertence. O algoritmo aplicado nesta tarefa tem com objetivo encontrar relações entre os itens do banco ainda não classificados e as classes definidas, através da comparação dos atributos preditivos, para desta forma aprimorar a classificação (Goldschmidt & Passos, 2005). Regressão: A tarefa de regressão é muito similar à de classificação, porém a única diferença é que o atributo a ser predido é contínuo ao invés de discreto. A tarefa de regressão pode ser caracterizada pela busca de uma função que represente de forma aproximada o comportamento apresentado pelo fenômeno em estudo, onde a forma mais comum deste algoritmo é a linear, quando, por exemplo, temos uma linha reta entre os valores de atributos estudados, desta forma minimizando o erro médio entre todos os atributos estudados. O objetivo do algoritmo de regressão é encontrar uma relação entre um item do banco de dados e itens já classificados anteriormente. Agrupamento: No agrupamento (Clusterização) não existem classes pré-definidas, os itens do banco de dados são agrupados considerando similaridade entre seus atributos. A principal diferença entre esta abordagem e a classificação é que no agrupamento não se pode prever o número de classes possíveis, nem a possível pertinência dos exemplos usados na modelagem. Descobrir grupos homogênios de clientes pode ser uma de suas possíveis aplicações e pode ser usada na definição das estratégias de marketing a serem utilizadas pela empresa. O agrupamento costuma ser realizado antes da execução de alguma forma de Mineração de Dados, pois considera-se que com os dados agrupados o algoritmo terá mais agilidade na execução. A tabela 1 apresenta os métodos utilizados para implementação de algoritmos para o processo KDD mostrando exemplos de algoritmos.

7 Tabela 1 Métodos atrelados a técnicas de Mineração Estratégia Algoritmo Exemplos Associação Estatísticos e Teoria de Conjuntos Apriori, Gri e Carma Classificação Árvores de Decisão e Redes Neurais Regras de Indução e Arvore Regressão Regressão e Redes Neurais Regras Neurais, Predição e Detecção de Sequências Agrupamento Estatísticos e Redes Neurais Kohonen, K-Mens e Two-Step Dentre as técnicas listadas é possível perceber que os algoritmos de Redes Neurais são os que apresentam maiores abrangências de aplicação, podendo ser aplicados em quase todos os exemplos mencionados. 2.5 FERRAMENTAS DE KDD A comercialização de aplicativos que executam a mineração de dados vem aumentando conforme evolui a necessidade de adequação das empresas à necessidade de conhecer seus dados. Diferentemente do que no principio era comercializado, estes sistemas estão possuindo um custo acessível e seu uso se tornado mais comum entre as organizações. Como forma de identificar e caracterizar algumas ferramentas comercializadas no mercado foi realizada uma pesquisa e tabuladas suas características. Foi realizada a análise das seguintes ferramentas: SPSS Clementine: Ferramenta de mineração de dados integrada desenvolvida pela empresa DMSS, posteriormente vendida para a empresa IBM, fornece diversas técnicas de mineração de dados, com um foco especial na visualização e facilidade de utilização. Possui como principal característica a associação. PolyAnalyst: Sistema de mineração de dados que contempla diversas técnicas de mineração em um único programa, apresenta seus conhecimentos na forma de relatórios e utiliza modelos preditivos. Foi desenvolvido pela Megaputer e possui como principal característica a Mineração de Textos e Mineração Web. Weka: O sistema Weka é uma ferramenta com enfoque acadêmico, e contempla uma série de algoritmos de análise e modelagem de dados. Foi desenvolvida em 1997 pela Universidade de Waikato, na Nova Zelândia, e possui como principal característica a classificação e o fato de ser uma ferramenta open source. Darwin: Esta ferramenta desenvolvida pela Oracle é descrita em seu site como uma poderosa ferramenta de mineração de dados que ajuda a transformar grandes massas de dados em inteligência corporativa. Darwin ajuda a encontrar padrões significativos e correlações em dados corporativos, padrões que permitem um melhor entendimento e previsão do comportamento de clientes. Utiliza algoritmos de aprendizagem. Intelligent Miner: Aplica modelos de PMML (Predictive Model Markup Language) em grandes bancos de dados e subconjuntos de bancos de dados. Desenvolvido pela IBM, possui como principal característica a sumarização. WizRule: Com interface intuitiva de fácil utilização, o sistema executa limpeza e auditoria de banco de dados, além de realizar análises complexas da base de dados com rapidez e facilidade para identificar e apresentar as inconsistências do banco de dados. Desenvolvido pela WizSoft Inc, possui como principal característica a detecção de erros. Bramining: desenvolvida pela Graal Corp, possui como principal característica a clusterização. SAS Enterprise Miner: Agiliza o processo de mineração através da criação de modelos preditivos altamente descritivos e precisos, oferece um grande conjunto de funcionalidades de fácil utilização com o objetivo de criar e compartilhar informações, costuma ser utilizado para detecção de fraudes, antecipação de demandas de recurso, minimização de riscos e aumento das respostas de campanhas de marketing, foi desenvolvido pela empresa SAS e possui como principal característica a detecção de falhas. Oracle Data Mining: Uma ferramenta desenvolvida pela Oracle, conta com varias técnicas de mineração de dados e algoritmos de análise de dados, fornece meios para gerenciamento, criação e funcionamento dos modelos de mineração de dados dentro do ambiente de banco de dados, possui como principal característica a mineração de textos e detecção de falhas.

8 A tabela 2 apresenta um comparativo das ferramentas avaliadas e alguns parâmetros que foram considerados inportantes na análise. Tabela 2 Características de Ferramentas de Mineração de dados Característica Analisada Clementine PolyAnalyst Weka Darwin Intelligent Miner WizRule Bramining SAS Enterprise Miner Associação Classificação Clusterização Desvio Sumarização Regressão Detecção de Erros Mineração de Textos Open Source Oracle Data Mining Ao observar a tabela 2, percebe-se que todas as ferramentas analisadas possuem técnicas de classificação e em sua maioria também se aplicam técnicas de associação, porém apenas uma das ferramentas possui técnicas de detecção de erros. Assim, conclui-se que as técnicas menos utilizadas nas ferramentas analisadas são as técnicas de mineração de textos e detecção de erros. 2.6 DATA WAREHOUSE Podendo ser traduzido como depósito de dados, sua função principal é o armazenamento de informações de um banco de dados referente a uma ou mais atividades de uma organização de forma consolidada, voltada à tomada de decisões. É como um agrupamento inteligente de dados de diversas fontes diferentes, tais como origem, formato, nomes, tipo de negócio, regras, conexões, entre outros dados. Por definição, os dados armazenados em um Data Warehouse não mudam por serem dados históricos, salvo quando é necessário executar correções em alguma informação específica. Um detalhe importante é que esses dados estão disponíveis somente para consulta - uma base modificável deixa de ser um Data Warehouse. O que faz a leitura dessa base histórica e inalterável é chamado de OLAP (On-line Analytical Procesing), nada mais do que um processador das informações contidas no Data Warehouse. É através dele que o usuário consegue visualizar resultados palpáveis, através de relatórios consistentes e inteligentes (consolidando a possibilidade de tomada de decisão descrita acima). Segundo William Immon (1999), um Data Warehouse é um conjunto de dados baseado em assuntos, integrado, não volátil, e variável em relação ao tempo, de apoio às decisões gerenciais. A figura 2 apresenta a estrutura e fluxo de dados de um Data Warehouse. Na figura, os processos à esquerda mostram possíveis fontes de dados que compõem um Data Warehouse, que pode ser tanto um sistema de ERP quanto outra base de dados e demais sistemas; já os processos à direita mostram a apresentação destes dados através de relatórios ou de análise OLAP, como anteriormente mencionado. Figura 2. Estrutura de um Data Warehouse

9 3 MÓDULO DE MINERAÇÃO DE DADOS EM UM ERP Como já caracterizado no capítulo anterior, um ERP apresenta uma série de vantagens para empresas que o utilizam, tendo em vista o gerenciamento das informações de maneira integrada e proporcionando maior controle sobre as informações armazenadas. Este tipo de sistema também se destaca pelo número de relatórios gerenciais que disponibiliza, facilitando a atividade dos tomadores de decisão de uma organização. Também podem ser identificadas as vantagens competitivas da utilização de tecnologias que se utilizam dos dados armazenados em sistemas, como insumo para aplicação de ações em busca de conquistar novos clientes. Exemplo disto é a aplicação da técnica de mineração de dados, que consiste em encontrar relações/padrões existentes entre as informações de um sistema. Como forma de disponibilizar esta vantagem competitiva aos clientes de uma empresa que mantém um sistema de ERP, foi elaborado um módulo de mineração de dados, que se utiliza das informações geradas pelo próprio sistema de ERP como base de conhecimento para descoberta de informação. A empresa também utilizará a solução desenvolvida como forma de proporcionar um diferencial competitivo em relação às demais empresas fornecedoras de sistemas ERP. Atualmente a empresa possui em torno de 50 clientes, e baseado no histórico de seu crescimento, estima-se um aumento anual de 30% em número de clientes. O módulo desenvolvido segue os parâmetros pré-estabelecidos no processo de KDD, onde serão identificados na exemplificação que segue cada uma das etapas do processo. Conforme o próprio processo KDD salienta, a descoberta de conhecimento inicia na definição dos objetivos a serem alcançados na aplicação do método. O principal objetivo do módulo de mineração de dados desenvolvido para o ERP existente faz referência à análise dos dados de produtos comercializados nos módulos de orçamento, pedido, ordem de serviço e notas fiscais comercializadas. A ferramenta desenvolvida fará mineração em cada um dos módulos em separado, tendo em vista o objetivo que cada um dos módulos se propõe. 3.1 SELEÇÃO, PRÉ-PROCESSAMENTO E TRANSFORMAÇÃO DE DADOS Conforme já destacado na seção anterior, na etapa de seleção, pré-processamento e transformação dos dados são identificadas e tratadas as informações relevantes para execução dos algoritmos de mineração de dados. Ocorre também, durante estas etapas, a eliminação de valores não pertencentes ao domínio. Para realização destas atividades, o módulo desenvolvido inicialmente executa uma cópia da base de dados original, de forma a manter integridade e deixar os dados disponíveis às demais funcionalidades do ERP. Em seguida, ocorre a criação de um Data Warehouse com o objetivo de ser o repositório de busca das informações que receberão a aplicação do algoritmo de mineração de dados. A estrutura do Data Warehouse desenvolvido varia de acordo com o módulo a ser utilizado (Orçamento, Pedido, Ordem de Serviço e Nota Fiscal). A figura 3 apresenta um exemplo da estrutura de uma das tabelas do módulo de orçamento, que é utilizada pela ferramenta como base para mineração de dados sobre as marcas dos produtos comercializados. Figura 3. Estrutura da tabela de mineração Pode ser identificado na figura 3 que as informações foram armazenadas de forma linear, onde cada registro da tabela refere-se a um único orçamento. Além disso, em cada registro (ou seja, em cada orçamento) são armazenadas as informações relativas às quantidades orçadas para cada marca existente. Para permitir o armazenamento das quantidades orçadas, foram criadas tantas colunas quantas são as

10 marcas disponíveis para orçamento. Essas colunas são identificadas através do prefixo M acrescido do código da marca cadastrada por exemplo, para a marca cadastrada com o código 26, será criada a coluna M26. No exemplo apresentado na figura 3 a ferramenta criou 5 colunas, variando de M1 a M5. Da mesma forma, se existissem 40 marcas cadastradas seriam criadas 40 colunas para representá-las, variando de M1 a M40. Também podem ser identificados na figura 3 atributos que fazem relação com atributos do resultado da mineração desenvolvida. São eles: PkCodOrcamento; identificador único do número do orçamento realizado DataOrcamento: data em que ocorreu o orçamento ValorOrcamento: valor total do orçamento realizado A figura 4 apresenta parte de um conteúdo armazenado na tabela gerada no Data Warehouse. Figura 4. Exemplo de dados armazenados em tabela do Data Warehouse No registro selecionado na figura 4 podem ser identificadas informações como o número do orçamento, sua data de realização, o valor total do orçamento, além das quantidades de cada uma das marcas existentes no orçamento. Neste exemplo, o orçamento de número 4, que foi realizado no dia 09/11/2011, tendo um valor total igual a , possuiu 6 unidades da marca 2 (definido na coluna M2 ) e 1 unidade da marca 4 (definido na coluna M4 ). Também é identificado na figura 4 que os valores que representam o total de cada orçamento foram tratados. Para que seja possível minerar informações referentes a valores, torna-se necessário que estes sejam tratados de forma que estejam agrupados, de acordo com parâmetros pré-estabelecidos. Desta forma, foi criada uma tabela contendo um intervalo de valores e o valor que se deseja armazenar como resultante na tabela do Data Warehouse. A figura 5 apresenta a tabela base para a realização desta transformação. Figura 5. Exemplo da tabela de valores O valor total do registro que armazena o orçamento de número 4 da figura 4 é de R$ ,00. Ao avaliar os parâmetros definidos na tabela de tratamento criada (figura 5), o valor total do orçamento 4 foi alterado para conforme pode ser observado na figura 4. Os valores para tratamento de dados podem variar entre os clientes que preparam seus dados para aplicação de uma ferramenta de mineração. 3.2 MINERAÇÃO DE DADOS Somente após a criação e população da estrutura de Data Warehouse o sistema passará para o próximo passo do processo, a mineração de dados. Como já mencionado no item 2.4, uma das atividades importantes no desenvolvimento de um aplicativo de mineração de dados refere-se na definição da técnica a ser aplicada na implementação do algoritmo. Esta escolha deve ser baseada no objetivo do módulo e considerar o cenário disponível para aplicação do algoritmo. Como o objetivo do módulo é a descoberta de relação entre itens armazenados no Data Warehouse, a técnica escolhida foi a de associação, tendo em vista que esta tem como objetivo a identificação de interconexões entre registros na tentativa de expor características e tendências.

11 No desenvolvimento da ferramenta de mineração a técnica de associação foi adaptada de forma a atender a algumas necessidades da aplicação. A modificação ocorreu na troca do tipo de informação a ser armazenada nos atributos que representam o grupo de informações-base que se deseja minerar. Segundo capitulo 2.4.1, em geral a tarefa de associação utiliza dados binários (também conhecidos como booleanos ou lógicos) para representar o grupo de informações a ser comparado. Contudo, este projeto armazena a quantidade comercializada de cada grupo de informações. No exemplo apresentado na figura 4, o grupo de informações está sendo representado por marcas, onde marcas iguais a 0 (zero) representam que não ocorreu a comercialização da referida marca no orçamento, e valores maiores que zero representam a quantidade de itens da referida marca que foram comercializados. Desta forma, além de executar a mineração, torna-se possível aprimorar a técnica, como por exemplo, procurar informações relevantes somente em marcas que representam mais do que 50% da quantidade de itens comercializados em cada orçamento. Outra informação importante para aplicação da técnica de associação faz referencia à definição do suporte e confiança que devem ser aplicados para encontrar e agrupar os dados como sendo informações relevantes. Para implementação do suporte apenas foi gerada uma soma de todas as ocorrências existentes nas relações pesquisadas. Já a confiança, que representa o grau de associatividade entre os parâmetros de pesquisa, será definida pelo usuário através de uma caixa de texto específica onde o mesmo informa o grau mínimo de associatividade desejado. O grau definido da confiança representa o grau mínimo de relação que o usuário final quer que ocorra. Quanto maior foi o grau, maior deverá ser o nível de associação, e com isto menor será o número de incidências da relação. A figura 6 apresenta um exemplo da aplicação do suporte e da confiança, onde estão sendo selecionados os registros resultantes da mineração de dados das marcas 3 e 11. Figura 6. Exemplo da aplicação da confiança 50% nas Marcas 3 e 11 Neste exemplo, o cenário está configurado da seguinte forma: Existem 100 ocorrências de orçamentos comercializados; Deste total, 10 orçamentos possuem a marca 3 ou a marca 11 comercializados; Destes 10 registros, 6 formam comercializados com a marca 3 e a marca 11 ao mesmo tempo. Com base nestas informações, foi gerada uma solicitação de mineração de dados nas marcas 3 e 11, atribuindo um grau de confiança de 80%. A ferramenta definirá que o suporte será igual a 10, tendo em visa a existência de 10 ocorrências de marcas 3 ou 11, e não retornará nenhum registro como sendo informação relevante, pois não atende os 80% de confiança configurado pelo usuário. Caso a confiança seja alterada para 50%, a ferramenta novamente verificará que o suporte é 10 (uma vez que os dados não foram alterados) e retornará uma relação de 60% de incidência da marca 3 sobre a marca 11 e vice-versa. Outro parâmetro que foi adaptado no algoritmo de associação na ferramenta desenvolvida diz respeito ao percentual de ocorrências existentes de um determinado grupo de informações em um único registro. Este parâmetro foi definido na ferramenta como sendo o percentual de significância de um grupo de informação. Assim que habilitado, o usuário pode definir o percentual mínimo existente de informações sobre um determinado grupo de informação que se deseja minerar.

12 Por exemplo, na figura 7 é apresentada uma relação de ocorrências em uma tabela do Data Warehouse de categorias de produtos comercializados nos Pedidos. Figura 7. Percentual de Significância de um item No exemplo da figura 7, quando aplicada à ferramenta desenvolvida para encontrar alguma possível relação entre as categorias 1 e 3, com confiança de 50%, o sistema retornaria como resposta que o suporte será de 3 registros (pois representa o número de registros que possuem as categorias 1 ou 3, não necessariamente ao mesmo tempo no conjunto) e a relação existente é de, portanto, 66,66% uma vez que, dos 3 registros identificados, 2 deles possuem a incidência das duas categorias ao mesmo tempo. Contudo, se o usuário habilitar a opção que define o percentual mínimo de significância de um item em um grupo de informação, e este estiver definido como sendo 30%, os resultados da mineração serão alterados. Somente o registro de número 553 será listado, pois a quantidade de produtos comercializados nas categorias 1 e 3 representam 55,55% do total do registro comercializado. Neste caso o sistema mostrará que o suporte é 3 e a relação existente supera os 66,66% e deste total 50% dos registros analisados representam mais de 30% do resultado total de cada orçamento. Como o processo de mineração de dados não é um processo habitual para a maioria das empresas de pequeno e médio porte (clientes do ERP já desenvolvido), foi elaborado um esquema que apresenta a ordem em que deve ser executada para gerar os resultados da mineração de dados. Este esquema pode ser observado na figura 8 que apresenta a interface de interação entre o usuário do sistema e o módulo desenvolvido. Sabendo da possível necessidade da explicação de como utilizar o módulo de mineração de dados, foi implementado um pequeno texto que é visualizado ao selecionar um dos itens constantes na ordem de execução. Foi elaborada a mineração de dados para os módulos de orçamento, pedido, ordem de serviço e notas fiscais comercializadas, e para cada um destes módulos, foi elaborada uma interface contendo o mesmo layout apresentado na figura 8. Figura 8. Interface de mineração de dados

13 Como pode ser constatado, as informações apresentadas na interface de mineração de dados, apresentada na figura 8, estão agrupadas em três grupos de informações. O primeiro grupo faz referência ao padrão de configuração a ser aplicado como regra de mineração. Neste grupo, são identificadas as informações: Item 1 Minerar por: Define o grupo de informações a ser minerada, possibilitando minerar dados por marca, categoria e ou produtos constantes em cada módulo(orçamento, pedido, ordem serviço e Notas fiscais comercializadas); Item 2 Grau de Confiança: Define o grau de confiança a ser aplicado nas relações entre o grupo de informação informado. No exemplo apresentado na figura 2 o grau de confiança está setado como 80% de relação entre cada uma das marcas ARANYI e ARTCLUX aplicadas as marcas AVANT, BIANCA e BRONZEART. Como resposta, pode ser observado o item selecionado como resultado da mineração que apresenta um percentual de 89,67% de relação entre a marca ARANYI e BRONZEARTE. Item 3 Relação: A relação apresenta a quantidade de implicações que serão realizadas entre as o grupo de informações informadas. No exemplo 8 está sendo selecionado a relação 1x1 (um para um), onde o sistema executa para cada marca selecionada no item 7 da interface, um teste de relação em apenas um elemento selecionado no item 9 da figura 8. Neste caso, somente repostas que envolvam 2 marcas serão analisadas. Caso tenha sido marcada a relação 1x2 (um para dois), o sistema executará relações do tipo para cada registro selecionado no item 7 da figura 8 verifique a incidência de até 2 grupos de informações selecionadas no item 9 da figura 8. É normal deste caso a existência de resposta como de um total de registros, 91,97% que compraram ARANYI e não compraram BIANCA também não compraram AVANT, isto representa 47,91% de todas as negociações realizadas. Item 4 Período de Busca: Foi acrescentada a possibilidade de definir o período de busca que a ferramenta irá utilizar para minerar as informações. Esta funcionalidade, não é identificada na maioria das ferramentas de mineração estudadas na seção 2.5. Em geral as ferramentas aplicam a mineração de dados sobre todas as informações armazenadas. Caso seja necessário, a aplicação da mineração de dados em uma amostra temporal de informação, a base de dados deve ser tratada de modo que apenas possua as informações desejadas. Já utilizando o módulo desenvolvido, é possível minerar apenas informando a data inicial e final que deseja que a ferramenta encontre ocorrências de relações. Item 4 Análise de datas: uma das informações armazenadas no Data Warehouse, de todos os módulos desenvolvidos, faz referência a data em que ocorreu a operação. Um campo data em uma ferramenta de mineração, pode ser explorada de diversas formas. Nesta ferramenta ao selecionar o item 4 da figura 8, o sistema fará além da mineração já exemplificada, a associação desta com informações temporais compreendias em dia da semana, dia do mês, quinzena, meses, bimestres, trimestres, semestres e ano. Para cada uma das associações que a ferramenta executar sobre o grupo de informações, esta fará mais 8 novas associações em busca de encontrar um novo padrão de relação. Item 4 Percentual de Significância: sabendo que para cada um dos registros armazenados no Data Warehouse são identificadas as quantidades de cada grupo de informação, ao marcar o item 4 da interface apresentada na figura 8, a ferramenta aplicará um cálculo nas associações encontradas como resposta da mineração que possuem sua quantidade comercializada em cada um dos registros do banco, superior ao valor informado como parâmetro para este item. Desta forma, além da relação encontrada na aplicação da mineração de dados, em cada uma das relações de reposta, será testada o percentual de significâncias dos itens relacionados, em relação ao total do módulo, seja ele orçamento, pedido, ordem de produção e ou nota fiscal comercializada. O segundo grupo de informações presentes na interface faz referência à seleção de quais são os conjuntos de informações que podem ser analisados. Estas informações estão vinculadas a seleção do item 1 da figura 8. A cada seleção diferente no item 1 é preenchido o conjunto de informações no item 7. No exemplo apresentado na figura 8, estão sento listadas todas as marcas comercializadas nos orçamentos. A ferramenta desenvolvida possui, outra característica. Sabendo do volume de informação armazenada na base de dados, foi definido que a relação deveria ocorrer entre itens que já possuíssem relações. Desta forma após selecionar um uma marca do item 7 da interface principal da ferramenta, o usuário deverá pressionar o botão avançar, definido como o item 8 da interface. Será executada uma rotina que listará somente no item 9 outro grupo de informações que possui algum tipo de relação com o item selecionado na opção 7 da

14 interface. Um exemplo é identificado na figura 9, onde após selecionar a marca ANTIQUA e pressionar o botão Avançar, o sistema listou apenas as categorias que fazem relação a própria ANTIQUA e marca SÃO JOSÉ. Figura 9. Opções de relação entre o grupo de informações Como ação, somente será possível encontrar uma relação entre as informações marcadas, no item 7 que implicam no item 9. Desta forma, o volume de trabalho do usuário da ferramenta de mineração, será reduzido, pois, diminui significativamente a possibilidade de executar uma mineração de forma desnecessária. O último grupo de informação é responsável pela apresentação ou resultado da aplicação da mineração de dados. É com base nestas informações que são adquiridos o conhecimento do processo KDD, estas informações são apresentadas de forma textual, apresentando dados estatísticos sobre a informação extraída da base de dados. 3.3 INTERPRETAÇÃO DOS DADOS A última etapa do processo KDD é caracterizada pela avaliação dos dados apresentados. Somente nesta etapa pode ser avaliada se a aplicação da técnica de mineração de dados resultou em informações que caracterizaram novos conhecimentos. Quanto maior for o grau de conhecimento do negócio e a experiência pessoal do usuário, maiores podem ser os conhecimentos adquiridos. A análise deve ser executada sobre a relação de resultados obtidos da mineração de dados. A figura 10 apresenta um exemplo de resultados gerados pela ferramenta. Figura 10. Apresentação das informações resultantes No exemplo o usuário pode encontrar informações relevantes de seu negócio, como por exemplo as respostas 32 e 34. Quando avaliamos apenas estas condições, o usuário pode chegar a várias conclusões, o que caracteriza conhecimento e com base nestas conclusões executar uma determinada ação. Por exemplo, na resposta 32 a ferramenta retornou de 98,08% das vezes em que foi efetuada a comercialização da marca Alvorada, não foi comercializado produtos da marca FLC,e o grau de suporte é muito alto, pois representa 31% do total de todas as operações realizadas. Com base nestas informações o usuário poderia verificar o porque, não ocorre a relação e propor por exemplo uma ação de marketing

15 aproximando os produtos destas categorias. Na informação referente à resposta número 34 da figura 10, onde foi apresentado que no ano de 2011 foram encontradas apenas 2 relações entre a aquisição simultânea das marcas Alvorada e Germanny. Isto representa que somente neste ano ocorreu a relação destes itens em uma quantidade insignificante. Desta foram o usuário poderia tomar como ação a eliminação dos produtos ou tentar avaliar o motivo da da falta de interesse na busca de produtos de ambas as marcas para verificar a real necessidade de telas no estoque ou ainda buscar produtos de outras marcas com melhor aceitação comercial. Sendo assim, todos os itens gerados pela ferramenta podem ser interpretados e avaliados como importantes ou não, de forma a possibilitar ao usuário a tomada de ações embasadas em dados estatísticos concretos. 4 AVALIAÇÃO DO MÓDULO DE MINERAÇÃO DE DADOS Segundo a proposta apresentada, havia sido programada uma avaliação da implantação deste módulo em pelo menos cinco clientes que utilizavam o ERP. Contudo, ocorreram atrasos no desenvolvimento da ferramenta, o que inviabilizou a aplicação no número mínimo de clientes projetados. A ferramenta foi implantada em um cliente que utiliza o ERP e atende o segmento de varejo com produtos para iluminação residencial. Esta empresa possui duas unidades de negócio, ambas situadas na cidade de Gravataí. Participaram quatro pessoas: Dois proprietários da empresa, um com formação superior em contabilidade e outro com nível técnico em gerenciamento comercial, ambos com idade superior a 45 anos. Duas gerentes, ambas com nível superior incompleto e idade entre 25 e 30 anos. Nenhum dos usuários possuía conhecimento sobre o funcionamento ou o tipo de resultado que uma ferramenta de mineração disponibilizaria. Inicialmente, todos os usuários tiveram um treinamento sobre como operar a ferramenta e que tipo de informação é apresentado como reposta. Também ocorreu o processo de interpretação de resultados gerados, como forma de exemplificar de forma prática os exemplos analisados. E foi promovida uma discussão sobre um grupo de resultados, a fim de promover alguma ação a partir da informação gerada. Após o treinamento, os usuários responderam um questionário com cinco perguntas objetivas, uma delas envolvendo considerações sobre a ferramenta. As questões avaliadas foram as que seguem: Questão 1 - A ferramenta retornou informações que você já conhecia? Questão 2 - A ferramenta retornou informações que você não possuía? Questão 3 - Com base nos resultados gerados, a ferramenta atendeu as expectativas a que se propõe? Questão 4 - As informações apresentadas são relevantes? Questão 5 - Dê um conceito entre 0 a 5 para o módulo desenvolvido, sendo 0 completamente insatisfeito e 5 completamente satisfeito. O gráfico apresentado na Figura 11 demonstra a tabulação das respostas das questões 1 a 4, em que são evidenciadas algumas conclusões relevantes.

16 Figura 11 Tabulação das repostas das questões 1 à 4 A ferramenta obteve a média de 4,8 na questão 5, em que apenas um usuário deu um conceito 4 e o restante definiu como conceito 5. Algumas considerações foram apresentadas pelos usuários, entre elas está a lentidão na execução de mineração pelo grupo de produtos. Outra consideração relevante está na melhor explicação na interface de ajuda criada para cada um dos campos. Segundo um usuário, mesmo após o treinamento, alguns termos existentes na interface ainda não estavam claros, o que ocasionou demora no entendimento e na execução das atividades. Um usuário achou válida a discussão ocorrida no momento da interpretação da informação e sugeriu que sempre seja realizado treinamento utilizando essa metodologia. 5 CONCLUSÃO Vive-se a era da informação, e a análise correta de dados armazenados tem impacto direto nos diferenciais competitivos dentro de uma organização. Poderosos sistemas de gerenciamento de grandes volumes de dados estão disponíveis na maioria das grandes organizações. No entanto, estas ferramentas necessitam de investimentos, muitas vezes elevados para empresas de pequeno porte, o que inviabiliza a aquisição da tecnologia por parte destas empresas de menor faturamento. Diante desse cenário, foi implementado o objetivo deste trabalho. Através da análise do problema, foi desenvolvido um algoritmo de mineração de dados baseado no processo KDD utilizando tarefas de associação de registros para tornar visíveis informações já existentes no banco de dados, porém ainda não de forma acessível. O módulo foi vinculado a um sistema comercial pré-existente de ERP, que o tornou mais completo e lhe forneceu um grande diferencial competitivo, se comparado aos demais softwares de ERP existentes no mercado. Os testes realizados durante o processo de desenvolvimento levantaram diversas dúvidas com relação aos algoritmos utilizados, o que gerou muitas horas de estudos e reestudos para compreender de forma mais clara o funcionamento e as complexidades dos algoritmos envolvidos na ferramenta. A definição do layout demandou várias trocas de avaliações e considerações com relação ao grau de dificuldade na compreensão do preenchimento dos parâmetros necessários para a utilização do sistema. Como mostrado na Figura 8, ao final, a ferramenta ficou com uma interface extremamente intuitiva e simples, de forma que um usuário com conhecimentos mínimos de informática consiga operá-la de forma confiável e precisa, necessitando apenas conhecer seu objetivo. Havia ainda a necessidade de homologar e avaliar a ferramenta em clientes, para a apresentação dos resultados neste trabalho. Porém, por questões burocráticas, o sistema foi implantado em apenas um cliente da empresa fornecedora de ERP, as sugestões, impressões e informações prestadas pelo usuário foram consideradas e avaliadas. Outra questão abordada pelo trabalho foi o custo de investimento, que neste caso ficou consideravelmente reduzido, uma vez que o sistema foi implementado usando banco de dados free e a licença da interface de desenvolvimento já havia sido paga.

17 Como proposta de futuras melhorias a realizar, destaca-se a mineração de dados entre os módulos, encontrando, por exemplo, cruzamentos de informações entre produtos orçados e vendidos, tornando o sistema ainda mais completo e competitivo. Pode se considerar também customizações de código, com o objetivo de melhorar o desempenho da ferramenta e a exportação das informações em um formato ainda não estabelecido. Isso vai facilitar a utilização e a interpretação dos resultados obtidos. 6 REFERÊNCIAS ALVARENGA NETO, R. C. D. de. Gestão do conhecimento em organizações: proposta de mapeamento conceitual integrativo f. Tese (Doutorado em Ciência da Informação) PPGCI, Escola de Ciência da Informação da UFMG, Belo Horizonte. DAVENPORT, T.; PRUSAK, L. Conhecimento empresarial. Rio de Janeiro: Campus, DAVENPORT, T. H. Reengenharia de Processos. Rio de Janeiro: Campus,1994. FAYYAD, U. M.et al (Eds.), Advances in knowledge discovery and data mining. [s.i.] FERNANDES, A. M. da R., COSTA Jr., I. Algoritmos Genéticos. In: Inteligência Artificial - noções gerais FERNANDES, A. M. da R., RAMPELOTTI, F. M. Data Mining. In: Inteligência Artificial - noções gerais FREITAS, A. A. A Survey of Evolutionary Algorithms for Data Mining and Knowledge Discovery. Curitiba, GEORG VAN KROGH, Enabling Knowledge Creation. Oxford University Press, GOLDSCHMIDT, R.; PASSOS, E. Data Mining: Um Guia Prático. Rio de Janeiro: Elsevier, LAUDON, Kenneth C. Sistemas de Informações gerenciais: administrando a empresa digital. São Paulo: Prentice Hall, LINDEN, R. Algoritmos Genéticos. Uma importante ferramenta da Inteligência Computacional. Brasport, MARCEL HOLSHEMIER & ARNO SIEBES. Lecture for Level 3 Students of the Faculty of Computing, Engineering and Tecnology, Stanffordshire University, UK NODA, E., FREITAS, A. A., LOPES, H. S. Discovering Interesting Prediction Rules with a Genetic Algorithm. In: Proceedings of the Congress on Evolutionary Computation. Washington, D.C., USA, SANTOS, ANTÔNIO R. dos (Org.). Gestão do Conhecimento: uma experiência para o sucesso empresarial. Curitiba. Editora Universitária Champagnat SCHNEIDER, Luís F. (2009) Aplicação do processo de descoberta de conhecimento em dados do poder judiciário do Rio Grande do Sul. Disponível em: acessado em 15/10/2011. THOMÉ, ANTÔNIO C. G. Data Warehouse, Data Mining. In: Redes Neurais Uma ferramenta para KDD e Data Mining. [s.i.] TURBAN, E.; SHARDA, R.; ARONSON, J.; KING, D. Business Intelligence: Um enfoque gerencial para a inteligência do negócio. Porto Alegre, UUSI-RAUVA, E., PARANKO, J., VILOMA, H. Activity-Based Costing. TTKK Teollisuustalous. Opetusmonisteita 3/ WILLIAM H. INMON. Building the Data Warehouse, 4th Edition WONG, K. Y. ; ASPINWALL, E. Development of a knowledge management initiative and system: A case study. Expert Systems with Applications. May, WU, J.-H.; WANG, Y.-M. Measuring KMS success: A respecification of the DeLone and McLean's model. Information & Management. ABI/INFORM Global database, 2006.

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

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

Planejamento Estratégico de TI. Prof.: Fernando Ascani

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

Leia mais

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO

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

Leia mais

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

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

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

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

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

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

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

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

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

Leia mais

Data Mining. Origem do Data Mining 24/05/2012. Data Mining. Prof Luiz Antonio do Nascimento

Data 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 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

XIII Encontro de Iniciação Científica IX Mostra de Pós-graduação 06 a 11 de outubro de 2008 BIODIVERSIDADE TECNOLOGIA DESENVOLVIMENTO

XIII Encontro de Iniciação Científica IX Mostra de Pós-graduação 06 a 11 de outubro de 2008 BIODIVERSIDADE TECNOLOGIA DESENVOLVIMENTO XIII Encontro de Iniciação Científica IX Mostra de Pós-graduação 06 a 11 de outubro de 2008 BIODIVERSIDADE TECNOLOGIA DESENVOLVIMENTO EPE0147 UTILIZAÇÃO DA MINERAÇÃO DE DADOS EM UMA AVALIAÇÃO INSTITUCIONAL

Leia 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

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

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

Leia mais

Capítulo 5. 5.1 Laudon, Cap. 5

Capítulo 5. 5.1 Laudon, Cap. 5 Capítulo 5 Fundamentos da Inteligência de Negócios: Gerenciamento da Informação e de Bancos de Dados 5.1 Laudon, Cap. 5 OBJETIVOS DE ESTUDO Descrever como um banco de dados relacional organiza os dados

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

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

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

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

Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1 Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1 SISTEMA DE APOIO À DECISÃO Grupo: Denilson Neves Diego Antônio Nelson Santiago Sabrina Dantas CONCEITO É UM SISTEMA QUE AUXILIA O PROCESSO DE DECISÃO

Leia mais

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

ERP. Enterprise Resource Planning. Planejamento de recursos empresariais

ERP. Enterprise Resource Planning. Planejamento de recursos empresariais ERP Enterprise Resource Planning Planejamento de recursos empresariais O que é ERP Os ERPs em termos gerais, são uma plataforma de software desenvolvida para integrar os diversos departamentos de uma empresa,

Leia mais

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

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

Leia mais

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

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

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

Leia mais

Padronização de Processos: BI e KDD

Padronização de Processos: BI e KDD 47 Padronização de Processos: BI e KDD Nara Martini Bigolin Departamento da Tecnologia da Informação -Universidade Federal de Santa Maria 98400-000 Frederico Westphalen RS Brazil nara.bigolin@ufsm.br Abstract:

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

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

DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS

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

Leia mais

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

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

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

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

No mundo atual, globalizado e competitivo, as organizações têm buscado cada vez mais, meios de se destacar no mercado. Uma estratégia para o DATABASE MARKETING No mundo atual, globalizado e competitivo, as organizações têm buscado cada vez mais, meios de se destacar no mercado. Uma estratégia para o empresário obter sucesso em seu negócio é

Leia mais

18. Qualidade de Dados em Data Warehouse - Objetivos e Sucesso

18. Qualidade de Dados em Data Warehouse - Objetivos e Sucesso 18. Qualidade de Dados em Data Warehouse - Objetivos e Sucesso Uma das características das Ciências Exatas é a precisão das informações obtidas; a segurança dos dados extraídos nos processos usados. Cálculos

Leia mais

Introdução. Capítulo 1

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

Leia mais

Utilização de ferramentas de colaboração para Gestão do Conhecimento

Utilização de ferramentas de colaboração para Gestão do Conhecimento Utilização de ferramentas de colaboração para Gestão do Conhecimento Carlos Roberto de Souza Tavares 1 Carlos Mário Dal Col Zeve 2 RESUMO Um dos maiores problemas que as empresas atuais enfrentam refere-se

Leia mais

ADM041 / EPR806 Sistemas de Informação

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

Leia mais

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

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

Leia mais

Business Intelligence e ferramentas de suporte

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

Leia mais

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

MATERIAL DIDÁTICO: APLICAÇÕES EMPRESARIAIS SISTEMA DE APOIO À DECISÃO (SAD)

MATERIAL 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 mais

ERP. Planejamento de recursos empresariais

ERP. Planejamento de recursos empresariais ERP Enterprise Resource Planning Planejamento de recursos empresariais ERP Enterprise Resource Planning -Sistema de Gestão Empresarial -Surgimento por volta dos anos 90 -Existência de uma base de dados

Leia mais

A PERCEPÇÃO DOS GESTORES EM RELAÇÃO À IMPLANTAÇÃO DO E-LEARNING: UM ESTUDO EM EMPRESAS EM DIFERENTES ESTÁGIOS DE IMPLANTAÇÃO

A PERCEPÇÃO DOS GESTORES EM RELAÇÃO À IMPLANTAÇÃO DO E-LEARNING: UM ESTUDO EM EMPRESAS EM DIFERENTES ESTÁGIOS DE IMPLANTAÇÃO 1 A PERCEPÇÃO DOS GESTORES EM RELAÇÃO À IMPLANTAÇÃO DO E-LEARNING: UM ESTUDO EM EMPRESAS EM DIFERENTES ESTÁGIOS DE IMPLANTAÇÃO Porto Alegre RS Abril 2010 Bianca Smith Pilla Instituto Federal de Educação,

Leia mais

Utilização de Ferramentas de KDD para Integração de Aprendizagem e Tecnologia em Busca da Gestão Estratégica do Conhecimento na Empresa

Utilização de Ferramentas de KDD para Integração de Aprendizagem e Tecnologia em Busca da Gestão Estratégica do Conhecimento na Empresa 1 Utilização de Ferramentas de KDD para Integração de Aprendizagem e Tecnologia em Busca da Gestão Estratégica do Conhecimento na Empresa Fabiano Saldanha Gomes de Alfredo Nazareno Pereira Boente José

Leia mais

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

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

Leia mais

Sistemas Integrados de Gestão Empresarial

Sistemas 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 mais

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

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

Leia mais

Como conduzir com sucesso um projeto de melhoria da qualidade

Como conduzir com sucesso um projeto de melhoria da qualidade Como conduzir com sucesso um projeto de melhoria da qualidade Maria Luiza Guerra de Toledo Coordenar e conduzir um projeto de melhoria da qualidade, seja ele baseado no Seis Sigma, Lean, ou outra metodologia

Leia mais

Módulo 4: Gerenciamento de Dados

Módulo 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 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

Modelagem de Sistemas de Informação

Modelagem de Sistemas de Informação Modelagem de Sistemas de Informação Professora conteudista: Gislaine Stachissini Sumário Modelagem de Sistemas de Informação Unidade I 1 SISTEMAS DE INFORMAÇÃO...1 1.1 Conceitos...2 1.2 Objetivo...3 1.3

Leia mais

Inteligência Empresarial. BI Business Intelligence. Business Intelligence 22/2/2011. Prof. Luiz A. Nascimento

Inteligência Empresarial. BI Business Intelligence. Business Intelligence 22/2/2011. Prof. Luiz A. Nascimento Inteligência Empresarial Prof. Luiz A. Nascimento BI Pode-se traduzir informalmente Business Intelligence como o uso de sistemas inteligentes em negócios. É uma forma de agregar a inteligência humana à

Leia mais

MINERAÇÃO 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 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 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

ERP: Pacote Pronto versus Solução in house

ERP: Pacote Pronto versus Solução in house ERP: Pacote Pronto versus Solução in house Introdução Com a disseminação da utilidade e dos ganhos em se informatizar e integrar os diversos departamentos de uma empresa com o uso de um ERP, algumas empresas

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

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais.

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais. 1. Introdução A previsão de vendas é fundamental para as organizações uma vez que permite melhorar o planejamento e a tomada de decisão sobre o futuro da empresa. Contudo toda previsão carrega consigo

Leia mais

GUIA ATS INFORMÁTICA: GESTÃO DE ESTOQUE

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

Leia mais

ADMINISTRAÇÃO MERCADOLÓGICA II

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

Leia mais

ERP é um sistema de gestão empresarial que gerencia as informações relativas aos processos operacionais, administrativos e gerenciais das empresas.

ERP é um sistema de gestão empresarial que gerencia as informações relativas aos processos operacionais, administrativos e gerenciais das empresas. Introdução Sistemas de Informação é a expressão utilizada para descrever um Sistema seja ele automatizado (que pode ser denominado como Sistema Informacional Computadorizado), ou seja manual, que abrange

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

Autor: Júlio Battisti www.juliobattisti.com.br

Autor: Júlio Battisti www.juliobattisti.com.br Autor: Júlio Battisti www.juliobattisti.com.br Livro: Aprenda com Júlio Battisti: Excel 2010 Avançado, Análise de Dados e Cenários, Tabelas e Gráficos Dinâmicos, Macros e Programação VBA - Através de Exemplos

Leia mais

A evolução da tecnologia da informação nos últimos 45 anos

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

Leia mais

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

Uma visão abrangente dos negócios. Solução para superar barreiras e otimizar recursos na sua empresa

Uma visão abrangente dos negócios. Solução para superar barreiras e otimizar recursos na sua empresa Uma visão abrangente dos negócios Solução para superar barreiras e otimizar recursos na sua empresa Negócios sem barreiras O fenômeno da globalização tornou o mercado mais interconectado e rico em oportunidades.

Leia mais

Tecnologia e Sistemas de Informações ERP e CRM

Tecnologia e Sistemas de Informações ERP e CRM Universidade Federal do Vale do São Francisco Tecnologia e Sistemas de Informações ERP e CRM Prof. Ricardo Argenton Ramos Aula 6 ERP Enterprise Resource Planning Sistemas Integrados de Gestão Empresarial

Leia mais

Prof. Lucas Santiago

Prof. Lucas Santiago Classificação e Tipos de Sistemas de Informação Administração de Sistemas de Informação Prof. Lucas Santiago Classificação e Tipos de Sistemas de Informação Sistemas de Informação são classificados por

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

A Computação e as Classificações da Ciência

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

Leia mais

Tecnologias e Sistemas de Informação

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

Leia mais

SISTEMA DE INFORMAÇÕES DE MARKETING

SISTEMA DE INFORMAÇÕES DE MARKETING SISTEMA DE INFORMAÇÕES DE MARKETING DESAFIOS PARA O SÉC. XXI A globalização, que obrigará a empresa a comparar-se com o que há de melhor no mundo. A necessidade de educar, treinar, motivar e liderar talentos.

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

ERP Enterprise Resourse Planning Sistemas de Gestão Empresarial

ERP Enterprise Resourse Planning Sistemas de Gestão Empresarial ERP Enterprise Resourse Planning Sistemas de Gestão Empresarial Prof. Pedro Luiz de O. Costa Bisneto 14/09/2003 Sumário Introdução... 2 Enterprise Resourse Planning... 2 Business Inteligence... 3 Vantagens

Leia mais

ERP & BI ENTENTENDO A BUSCA CONSTANTE DAS EMPRESAS POR UM SISTEMA QUE FORNEÇA INFORMAÇÕES CONFIÁVEIS PARA TOMADA DE DECISÃO*

ERP & BI ENTENTENDO A BUSCA CONSTANTE DAS EMPRESAS POR UM SISTEMA QUE FORNEÇA INFORMAÇÕES CONFIÁVEIS PARA TOMADA DE DECISÃO* ERP & BI ENTENTENDO A BUSCA CONSTANTE DAS EMPRESAS POR UM SISTEMA QUE FORNEÇA INFORMAÇÕES CONFIÁVEIS PARA TOMADA DE DECISÃO* RESUMO Marilia Costa Machado - UEMG - Unidade Carangola Graciano Leal dos Santos

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

Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka

Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka 1 Introdução A mineração de dados (data mining) pode ser definida como o processo automático de descoberta de conhecimento em bases de

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

Prof. Cláudio ERP/CRM e Supply Chain PRINCÍPIOS DE SISTEMAS DE INFORMAÇÃO

Prof. Cláudio ERP/CRM e Supply Chain PRINCÍPIOS DE SISTEMAS DE INFORMAÇÃO Prof. Cláudio ERP/CRM e Supply Chain PRINCÍPIOS DE SISTEMAS DE INFORMAÇÃO Sistemas de ERP Enterprise Resource Planning Pacote de ferramentas que integram toda a empresa, a grande vantagem é que os dados

Leia mais

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

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

Leia mais

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

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

Leia mais

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

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

Leia mais

Construção de um Sistema de Informações Estratégicas, Integrando Conhecimento, Inteligência e Estratégia.

Construção de um Sistema de Informações Estratégicas, Integrando Conhecimento, Inteligência e Estratégia. Construção de um Sistema de Informações Estratégicas, Integrando Conhecimento, Inteligência e Estratégia. Introdução Sávio Marcos Garbin Considerando-se que no contexto atual a turbulência é a normalidade,

Leia mais

Banco 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 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 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

OTIMIZAÇÃO DA GESTÃO PÚBLICA ATRAVÉS DE TÉCNICAS DE BUSINESS INTELLIGENCE

OTIMIZAÇÃO DA GESTÃO PÚBLICA ATRAVÉS DE TÉCNICAS DE BUSINESS INTELLIGENCE OTIMIZAÇÃO DA GESTÃO PÚBLICA ATRAVÉS DE TÉCNICAS DE BUSINESS INTELLIGENCE Guimarilza Barbosa de Souza João Gabriel Ribeiro Luiz Cláudio de Arruda Isoton II Congresso Consad de Gestão Pública Painel 5:

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

Tecnologia da Informação

Tecnologia da Informação Tecnologia da Informação Gestão Organizacional da Logística Sistemas de Informação Sistemas de informação ERP - CRM O que é ERP Os ERPs em termos gerais, são uma plataforma de software desenvolvida para

Leia mais

Business Intelligence. BI CEOsoftware Partner YellowFin

Business Intelligence. BI CEOsoftware Partner YellowFin Business Intelligence BI CEOsoftware Partner YellowFin O que é Business Intelligence Business Intelligence (BI) é a utilização de uma série de ferramentas para coletar, analisar e extrair informações,

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

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

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

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

Leia mais

05/06/2012. Banco de Dados. Gerenciamento de Arquivos. Gerenciamento de Arquivos Sistema Gerenciador de Banco de Dados Modelos de Dados

05/06/2012. Banco de Dados. Gerenciamento de Arquivos. Gerenciamento de Arquivos Sistema Gerenciador de Banco de Dados Modelos de Dados Banco de Dados Gerenciamento de Arquivos Sistema Gerenciador de Banco de Dados Modelos de Dados Gerenciamento de Arquivos Gerenciamento de Arquivos 1 Gerenciamento de Arquivos Em uma indústria são executadas

Leia mais

SISTEMAS DE INFORMAÇÃO GERENCIAIS

SISTEMAS DE INFORMAÇÃO GERENCIAIS SISTEMAS DE INFORMAÇÃO GERENCIAIS O PODER DA INFORMAÇÃO Tem PODER quem toma DECISÃO Toma DECISÃO correta quem tem SABEDORIA Tem SABEDORIA quem usa CONHECIMENTO Tem CONHECIMENTO quem possui INFORMAÇÃO (Sem

Leia mais

GRADUAÇÃO E PÓS-GRADUAÇÃO APRESENTAÇÃO E GRADE CURRICULAR DOS CURSOS

GRADUAÇÃO E PÓS-GRADUAÇÃO APRESENTAÇÃO E GRADE CURRICULAR DOS CURSOS GRADUAÇÃO E PÓS-GRADUAÇÃO APRESENTAÇÃO E GRADE CURRICULAR DOS CURSOS Graduação PROCESSOS GERENCIAIS 1.675 HORAS Prepara os estudantes para o empreendedorismo e para a gestão empresarial. Com foco nas tendências

Leia mais

Projetos (PMO) : Oportunidades de Sinergia

Projetos (PMO) : Oportunidades de Sinergia Escritórios de Processos (BPM Office) e de Projetos (PMO) : Oportunidades de Sinergia Introdução...2 Uniformizando o entendimento dos conceitos... 4 Entendendo as principais similaridades... 5 Entendendo

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

SISTEMAS INTEGRADOS DE GESTÃO EMPRESARIAL E A ADMINISTRAÇÃO DE PATRIMÔNIO ALUNO: SALOMÃO DOS SANTOS NUNES MATRÍCULA: 19930057

SISTEMAS INTEGRADOS DE GESTÃO EMPRESARIAL E A ADMINISTRAÇÃO DE PATRIMÔNIO ALUNO: SALOMÃO DOS SANTOS NUNES MATRÍCULA: 19930057 INTRODUÇÃO SISTEMAS INTEGRADOS DE GESTÃO EMPRESARIAL E A ADMINISTRAÇÃO DE PATRIMÔNIO ALUNO: SALOMÃO DOS SANTOS NUNES MATRÍCULA: 19930057 Há algum tempo, podemos observar diversas mudanças nas organizações,

Leia mais

PROJETO DE COOPERAÇÃO TÉCNICA INTERNACIONAL. Diretrizes e Estratégias para Ciência, Tecnologia e Inovação no Brasil

PROJETO DE COOPERAÇÃO TÉCNICA INTERNACIONAL. Diretrizes e Estratégias para Ciência, Tecnologia e Inovação no Brasil PROJETO DE COOPERAÇÃO TÉCNICA INTERNACIONAL Diretrizes e Estratégias para Ciência, Tecnologia e Inovação no Brasil Projeto 914 BRA5065 - PRODOC-MTC/UNESCO DOCUMENTO TÉCNICO Nº 01 ASPECTOS DE MUDANÇA CULTURAL

Leia mais