Tamanho: px
Começar a partir da página:

Download ""

Transcrição

1 UNIVERSIDADE DE LISBOA A Faculdade de Ciências Departam mento de Informática FERRAMENTA DE BUSINESSS ANALYTICS PARA UM SISTEMA DE ATENDIMENTO João Paulo Figueiras Ribeiro DISSERTAÇÃO VERSÃO PÚBLICA MESTRADO EM INFORMÁTICAA 2013

2

3 UNIVERSIDADE DE LISBOA Faculdade de Ciências s Departamento de Informática FERRAMENTA DE BUSINESS ANALYTICS PARAA UM SISTEM MA DE ATENDIMENTO João Paulo Figueiras Ribeiro DISSERTAÇÃO Trabalho orientado pela Prof. Doutoraa Ana Luísa do Carmo Correia C Respício e co-orientado por Prof. Doutor João Carlos Balsaa da Silva MESTRADO EM INFORMÁTICA 2013

4

5 Agradecimentos Aos meus pais por me terem apoiado em tudo neste projeto e aos meus Professores Orientadores por terem tido a paciência por me aturarem neste projeto.

6

7 Este trabalho é dedicado aos funcionários que possam organizar atempadamente o seu trabalho.

8 Resumo Em qualquer tipo de prestação de serviços existe sempre o problema da formação de filas de espera, resultantes dum aumento da procura do serviço face a disponibilidade do atendimento. A capacidade de antecipar as necessidades faz-se principalmente recorrendo a uma análise do histórico de acontecimentos ocorridos no serviço em causa, recorrendo, por exemplo, a técnicas de data mining. Neste trabalho, é desenvolvida uma aplicação que incorpora técnicas de data mining e teoria das filas de espera, constituindo uma ferramenta auxiliar na gestão de um sistema de atendimento, com três funcionalidades principais: monitorização do estado corrente; fornecimento de indicações sobre o fluxo esperado; e fornecer informação histórica do sistema. Em particular, este trabalho pode vir a contribuir para melhorar o desempenho de um sistema de atendimento, permitindo uma melhor organização do tempo dos funcionários no que diz respeito à sua afetação a tarefas de atendimento ao público. A ferramenta desenvolvida utiliza os dados guardados pelo sistema de senhas existente para determinar, em tempo real, o fluxo de pessoas a aceder a um serviço concreto, de modo a poder adaptar o número de balcões abertos. Palavras-chave: filas de espera, prospeção de dados, análise preditiva, monitorização, Aplicações de análise de negócio i

9 ii

10 Abstract In any type of service there is always the problem of queue formation resulting from a rise in demand for the service relatively to service availability. The ability to anticipate the needs is done mainly through the analysis of historical events of the service in question using, for instance, data mining techniques. In this work, we developed an application that incorporates data mining techniques and queuing theory, constituting an auxiliary tool in the management of a service system with three main functionalities: monitoring its current state, providing guidance on the expected flow of arrivals; and provide historical information. In particular, this work is meant to assist the attendance system, allowing for a better organization of the employees working time regarding their assignment to service tasks. The developed tool uses the historical data stored by the system to determine, in real time, the flow of people expected to access a specific service, in order to adapt the number of open services. Keywords: queues, data mining, predictive analyses, monitoring, Business Analytics applications iii

11 iv

12 Índice Capítulo 1 Introdução Motivação e contexto do projeto Contribuições Estrutura do documento Objetivos Contexto subjacente Metodologia Planeamento... 3 Capítulo 2 Trabalho Relacionado Prospeção de dados Rexer Analytics Analytic and CRM Consulting KDNuggets.com Adequação ao problema em estudo Teoria das filas de espera Capítulo 3 Análise dos dados históricos do sistema Análise do sistema de atendimento Análise dos Dados Capítulo 4 Aplicação Introdução Arquitetura Funcionalidades Capítulo 5 Simulação e Avaliação Capítulo 6 Conclusões Capítulo 7 Bibliografia v

13 vi

14 Lista de Figuras Figura 1: Instantes de chegada de clientes num sistema de filas marcados no eixo dos tempos Figura 2: Tempos entre chegadas de clientes num sistema de filas marcados no eixo dos tempos Figura 3: Esquema conceptual da aplicação vii

15 viii

16 Lista de Tabelas Tabela 1 - Algoritmos de data mining encontrados no survey [3]... 6 Tabela 2 - Áreas aplicacionais de data mining... 8 Tabela 3 - Popularidade de Linguagens de programação/estatística... 9 Tabela 4 - Popularidade de Software para data mining ix

17 Capítulo 1 Introdução 1.1 Motivação e contexto do projeto Existe um Serviço de Atendimento ao público que presta serviço a mais de 5000 pessoas. Tendo em conta este número e o fato que existirem alturas de grande afluência de pessoas, considerou-se este Serviço de Atendimento como caso de estudo para a conceção de uma ferramenta informática que permita analisar o comportamento do sistema de atendimento e que pudesse informar atempadamente a afluência que o serviço pudesse vir a ter. Como o Serviço de Atendimento possui um sistema de gestão de senhas próprio, este tem vindo a registar informação de senhas tiradas para uma base de dados o que torna possível identificar períodos de maior afluência e padrões de ocorrências para um determinado serviço. Fazer a análise a um histórico de acontecimentos é considerado uma unidade de negócio nas grandes empresas e esta informação pode ajudar as empresas nos processos de tomada de decisão, isto é Business Intelligence. Visto que se trata de um serviço de atendimento, faz sentido que os atributos para a análise provenham da Teoria de Filas de Espera. Este é um ramo da probabilidade que estuda a formação de filas, através de análises matemáticas precisas e propriedades mensuráveis, permitindo criar modelos para demonstrar previamente o comportamento de um sistema que oferece serviços cuja exigência cresce aleatoriamente, o que possibilita dimensionar o serviço de modo a satisfazer os clientes e a ser viável economicamente para o prestador do serviço, evitando desperdícios, congestionamentos e desistências de clientes. 1

18 1.2 Contribuições Como contribuições desta dissertação destacam-se: i. Uma análise do histórico de atendimentos; ii. Um protótipo de uma ferramenta computacional para monitorizar o sistema. Esta ferramenta vem contribuir para uma melhor gestão de recursos humanos no escalonamento de trabalho para o serviço ao público ou no trabalho de BackOffice, ou seja, permite fornecer aos funcionários informações sobre quais os serviços que são mais requisitados num determinado dia ou semana, permitindo assim saber que funcionários específicos devem estar mais tempo a atender visto que existem funcionários específicos para cada tipo de serviço que existe no Serviço de Atendimento. 1.3 Estrutura do documento Este documento está organizado da seguinte forma: Capítulo 2 Trabalho Relacionado Capítulo 3 Análise de dados históricos Capítulo 4 Aplicação Capítulo 5 Validação e Avaliação Capítulo 6 Conclusões 1.4 Objetivos 1) Analisar os dados do passado tentando encontrar padrões de comportamento; 2) Desenvolver uma aplicação que auxilie os serviços de atendimento a fornecerem informação sobre o estado de afluência de pessoas aos serviços e assim tomarem as decisões necessárias para cada estado em que os serviços se encontrem. 1.5 Contexto subjacente Em grandes empresas, é normal fazerem-se estudos de mercado para analisar quais são os períodos em que certos produtos são mais vendidos numa época ou que produtos são mais vendidos com outros, e esta análise ajuda os gestores das empresas a tomarem a decisão de que produtos e respetivas quantidades devem disponibilizar naquela altura porque preveem que a procura dos mesmos possa vir a ser muito grande. O mesmo sucede com os serviços de atendimento a pessoas. A afluência de pessoas nem sempre é constante devido a prazos de entregas ou pagamentos, por exemplo. Nos serviços de atendimento é preciso então ter em conta estas variações de afluência, para que não 2

19 existam filas de espera demasiado grandes que possam levar a que pessoas desistam de serem atendidas. Tem-se assim como objetivo manter uma determinada qualidade de serviço. 1.6 Metodologia A metodologia aplicada neste trabalho é a que é normalmente aplicada por gestores de projeto em empresas, ou seja, o projeto está dividido em 3 fases importantes: 1. Observação e análise análise dos requisitos dos clientes, análise do sistema onde é implementada a ferramenta, análise dos dados para verificação se é possível satisfazer os requisitos dos clientes. 2. Planeamento e desenvolvimento fase onde se elabora um plano de construção da ferramenta e desenvolvimento da mesma. 3. Implementação e avaliação fase de implementação da ferramenta e avaliação desta com os requisitos definidos pelos clientes. 1.7 Planeamento O planeamento definido inicialmente foi: 1. Estudar a por bibliografia na área da Prospeção de Dados e analisar o software existente na área mencionada para verificar qual se adequa melhor para integrar a ferramenta final. 2. Desenvolver processos de análise de dados e identificação de padrões. 3. Desenvolver um modelo de simulação para análise preditiva. 4. Criação da ferramenta protótipo. 5. Validação/avaliação. O trabalho foi iniciado em Dezembro de Os dados foram disponibilizados apenas no final de Janeiro de 2013, após autorização da Direção da instituição e atendendo à observância dos dispositivos legais vigentes. O primeiro ponto levou cerca de 2 meses a realizar, que depois resultou no relatório preliminar. O tempo consumido foi maioritariamente ocupado com variados testes sobre os diferentes softwares mencionados no relatório preliminar. Estive a verificar a facilidade, usabilidade, propriedades e recursos que os softwares podem oferecer aos utilizadores e que estão acessíveis em termos de licenças para depois decidir sobre a necessidade de usar certos aplicativos para a ferramenta final. O resto tempo estive a estudar sobre a Teoria de Filas de Espera que foi uma matéria que nunca tinha estudado academicamente. Ao mesmo tempo que pesquisava sobre as teorias de Filas de Espera, estive a pesquisar igualmente informação sobre o que se fazia e o que se usava em Data Mining. 3

20 O segundo ponto foi o que levou mais tempo em dias, cerca de 4 meses, mas foi o que menos tempo estive dedicado a ele por causa do tempo ocupado com cadeiras que estava ainda a realizar. Este ponto foi o mais complicado de realizar, visto que precisei de arranjar um sistema rápido de poder trabalhar com os dados que me foram fornecidos em Excel, e a melhor solução que eu encontrei era mesmo simular as tabelas fornecidas num sistema de base dados, onde apliquei vários processos de ETL 1 sobre os dados originais para criar outra informação que não se encontra explícita nos mesmos. A partir dos dados criados, procurei vários métodos de agrupamento com diferentes atributos selecionados para ver se encontrava grupos distintos nos dados que me pudessem identificar diferentes tipos de acontecimentos, mas o estudo tornou-se inconclusivo e difícil de analisar a informação. Mais tarde e com um pouco mais de estudo e aplicar com o que se pretendia com o trabalho inicial, verifiquei que é possível ainda fazer data mining sobre os dados. Neste caso falo de aplicar modelos de classificação sobre um atributo e usá-los para previsão de acontecimentos. Uma vez feita a análise dos dados e estabelecidos os requisitos que pretendia na criação da aplicação passei para o quarto ponto do planeamento. O terceiro ponto decidi realizá-lo durante a criação da aplicação para assim verificar que o produto final cria o que se pretendia com este ponto. O quarto ponto demorou cerca de 3 meses devido à pouca experiência que tenho com a programação em Java e a falta de conhecimento de existência de bibliotecas Java. Por isso, levei tempo para pesquisar e aprender como utilizar as respetivas bibliotecas para tirar proveito delas da melhor forma possível para os requisitos da aplicação. Depois de ter tudo o que precisava a criação da aplicação ficou mais simples e foi só montar e testar para procurar defeitos da aplicação e corrigi-los. O quinto ponto não foi possível de realizar porque não se encontrou tempo de testar a aplicação junto do cliente. No entanto, no capítulo 5, apresentam-se alguns resultados de testes. 1 Extract, Transform and Load significa Extração, Transformação e Carregamento de dados. Normalmente este processo ocorre quando um utilizador retira informação de diferentes tipos de sistemas de informação para um sistema de informação próprio, transformando e limpando os dados conforme a necessidade do utilizador precise. 4

21 Capítulo 2 Trabalho Relacionado 2.1 Prospeção de dados Como referido anteriormente, os dados que foram analisados se encontram numa base de dados e o método que é utilizado para analisar os dados é usar a técnica de Prospeção de Dados [1], que é um processo de explorar grandes quantidades de dados à procura de padrões consistentes, como regras de associação ou sequências temporais, para detetar relacionamentos sistemáticos entre variáveis, detetando assim novos subconjuntos de dados. É um tópico recente em ciências da computação, mas utiliza várias técnicas da estatística, recuperação de informação, inteligência artificial e reconhecimento de padrões. Assim sendo, existem ferramentas que usam algoritmos de aprendizagem ou classificação baseados em redes neuronais e estatística que são capazes de explorar conjuntos de dados, extraindo ou evidenciar padrões nesses dados e criar nova informação. Essa informação pode ser apresentada pelas mesmas ferramentas de diversas formas: agrupamentos, regras, árvores de decisão, grafos ou dendrogramas Rexer Analytics Analytic and CRM Consulting A empresa Consultora Norte Americana Rexer Analytics Analytic and CRM Consulting e o sítio da Internet kdnuggets.com dedicam-se a realizar inquéritos e levantamento de informação sobre data mining, que processos de análise de dados são mais utilizados, que aplicações são mais usadas, que tipos de linguagem são mais usados para o processo de análise de dados, etc. O último survey que a Rexer Analytics fez foi em 2011 [2] e obtiveram-se os seguintes resultados para os seguintes aspetos: 1) ALGORITMOS: árvores de decisão, regressão e análise de cluster continuam a formar uma tríade de algoritmos básicos para os data miners na maioria dos dados. No entanto, uma grande variedade algoritmos está a ser utilizada. Um terço dos data miners estão atualmente usar a text-mining e outro terço planeiam num futuro 5

22 próximo ussá-lo. Text mining m é maais frequenteemente usad do para anaalisar inquérritos a clientes e blogs b / ferram mentas sociiais. 2) FERRAME ENTAS: A aplicação R continuou u a sua ascensão nessee ano de e agora está a ser usadaa por cercaa de metadee de todos os data miiners (47% %). Os utilizadoress relatam qu ue preferem m o R por ser gratuito, open-sourcce, e porque tem uma grandde variedadee de algoriitmos. Muiitos utilizad dores tambéém citam a sua flexibilidadde e a força da comuniidade de utiilizadores. STATISTIC S CA é selecio onada como a prinncipal ferraamenta usadda pela maio oria dos datta miners (117%). A maaioria dos data miiners relatam m que usam m uma médiia de quatro ferramentaas de softwaare no total. As ferramentas f STATISTIICA, KNIM ME, Rapid Miner e SSalford Sisttemas receberam fortes f índices de satisfa fação em Tabelaa 1 - Algoritmoos de data minin ng encontrados no survey [3] 3) TECNOLO OGIA USADA: Nestee survey [2] verificou-se que fazzer data mining m ocorre maais frequen ntemente nnum deskto op ou num m computtador lapto op e, frequentem mente, os dados sãoo armazen nados locaalmente. O Os modelos de Classificaçãão são criaados tipicam mente usan ndo o mesm mo softwarre utilizado para desenvolveer os modelo os. 4) VISUALIZ ZAÇÃO DE E RESULT TADOS: Os O data min ners usam frequentem mente técnicas de visualizaçãão de dadoss. Mais de quatro q em cada c cinco uutilizam téccnicas de visualizzação para explicar oss resultados. O MS Office O é a fferramenta mais utilizada paara visualizzação de daados. O uso o extensivo de visualizzação de daados é menos prevvalente na reegião da Ássia-Pacífico do que em outras partees do mund do. 6

23 5) CAPACIDADE ANALÍTICA E SUCESSO: Apenas 12% dos correspondentes empresariais classificam a sua empresa como tendo uma capacidade de análise com um elevado nível de sofisticação. No entanto, empresas com melhores capacidades analíticas estão a superar os seus pares. Os entrevistados relatam que analisam o seu sucesso analítico através do indicador Retorno sobre o Investimento (ROI), e através da análise da validade preditiva ou precisão dos seus modelos. Os desafios para medir o sucesso analítico incluem cooperação dos clientes ou utilizadores e na disponibilidade de dados e na qualidade destes. As cinco metodologias mencionadas pela maioria dos data miners foram: a) Modelos de desempenho; b) Desempenho financeiro (ROI e outras medidas financeiras); c) Desempenho de um grupo de controlo ou outro; d) O feedback dos utilizadores, clientes ou gestão; e) Validação cruzada. 6) FUTURO: Os data miners estão otimistas sobre o crescimento continuado na adoção do data mining e o impacto positivo que o data mining terá. Como em anos anteriores, tem-se observado um crescimento no número de projetos nesta área. Alguns participantes apontaram para o cuidado que deve ser tomado para proteger a privacidade quando se está a fazer data mining. Os data miners também compartilharam muitos exemplos de impacto positivo que o data mining pode trazer para beneficiar a sociedade. A Saúde foi a área de maior impacto positivo identificado pela maioria dos data miners. As cinco áreas mais frequentemente mencionadas foram: a) Saúde / Medicina; b) Negócios/Finanças; c) Comunicações personalizadas e Marketing; d) Deteção de Fraude; e) Ambiental KDNuggets.com Quanto ao site KDNuggets.com, o que o site faz é criar vários tipos de inquéritos diferentes e comparar resultados com os obtidos em anos anteriores. Visto que o site é reconhecido mundialmente como o site líder em data mining e com registo de mais de visitantes mensais, os inquéritos que realiza conseguem obter uma distribuição 7

24 de respondentess a nível mundial, de variadíssimos tipos de d empresass e sectores. Os inquéritos mais relevantes para este trabalho e começando pelo mais recente foram: A Tabela 2 apresenta os resultados do inquérito [4] realizado emm 2012 sobre as industrias/áreas de maior aplicação do data mining. Comparando com os resultados r de 2011 notou-se que a área de maior uso de data mining continua a ser o CRM 2 /Análise de Consumidor, mas m as áreas da Saúde e o Comércio aumentaram de popularidad de. Indústrias / Áreas onde foi aplicado mais o data mining em 2012? [196 eleitores] 2012 % de eleitores 2011 % de eleitores CRM/Análise de Marketing Direto/ Angariações 28.6% Consumidor (56) (19) 25.0% 2 Saúde/ Recursos Motores dee busca / Conteúdo 16.3% Humanos (32) Web mining (16) 16.7% Comércio (29) 14.8% 10.5% Biotecnologia/Genética (15) Banca (28) 14.3% 18.9% Seguros (15) Educação (28) 14.3% 16.2% Crédito Financeiro (14) Publicidade (26) 13.3% 7.0% Manufaturação (14) Deteção de Fraude Medicina/ Farmacologia (13) 12.8% (25) 14.0% Redes Sociais e Media Telecomunicações / Cabo (13)) 12.2% (24) 13.2% Ciência (23) 11.7% 13.6% Utilização Web mining (13) Finanças (20) 10.2% Software (11) 11.4% Tabela 2 - Áreas aplicacionais de data mining Comércio Eletrónico (10) 9.7% 12.3% Governo/Militar (10) 8.2% 5.3% Entretenimento / Musica/ 7.7% TV/Filmes (9) 9.2% Investimento / Stocks (8) 7.7% 12.3% Segurança / Anttiterrorismo 7.1% (7) 12.7% Viagens / Hospittalidade (6) 7.1% 5.3% 6.6% 9.6% 6.6% 11.0% % 6.6% 7.0% 5.6% 7.0% Politica Social /Análise de inquéritos (2) Junk / Anti ti-spam (1) Outros (20) 5. 1% 5. 3% 5. 1% 7.5% 4.6% 3.5% 4.1% 4.4% 3.6% 1.8% 3.1% 7.5% 1.0% 1.8% 0.5% 1.3% 10.2% 7.5% Os maiores aumentos de 2012 em relação a 2011, calculados da forma f (percentagem 2012 percentagem 2011)/percentagem 2011, foram: 1. Publicidade, 89.0% 2. Motores de busca / Conteúdo Web mining, 55.1% 3. Comércio, 40.6% 4. Outros, 36.9% 5. Manufaturação, 35.7% 2 CRM significa Customer Relationship Management que em Portugal é conhecido por Gestão de Relação com o Cliente. [21] 8

25 As indústrias com o maior declínio em popularidade foram: 1. Medicina / Farmacologia, -31.3% 2. Governo/Militar, -31.6% 3. Seguros, -37.7% 4. Telecomunicações / Cabo,, -39.5% 5. Crédito Financeiro, -43.8% A Tabela 3 apresenta os resultados do inquérito relativo àss linguagens de programação/estatística que foram utilizados nos últimos 12 meses [5]. Este inquérito foi realizado em 2012 e apresentam-se tambémm as respetivas percentagens para o ano de Que linguagens de programação/estatística foram usadas em data mining nos passados 12 meses? [579 eleitores] % utilizadores em 2012 % utilizadores em 2011 R (304 voters in C/C++ (83) Ruby 52.5% % 14.3% 2012) (22) 45.1% 12.8% Python ( 209) MATLAB (76) Scala 36.1% 13.1% (14) 24.6% 14.6% SQL (186) 32.1% 32.3% Perl (52) 9.0% 7.9% Julia (2) Java (123) Pig, Hive, or otherr Hadoop-based Other 21.2% 6.7% languages (39) (66) 24.4% 6.1% SAS (114) GNU Octave (34) None 19.7% 5.9% (4) N/A N for % Unix shell/awk/sed Lisp/Clojure (25) 14.7% (85) 4.4% 10.4% 0.7% (Lisp only) Tabela 3 - Popularidade de Linguagens de programação/estatística 3.8% N/A for % N/A for % N/A for % 12.3% 0.7% 1.2% Comparando com os resultados r do ano de 2011, as linguagens usadas com o maior aumento de uso foram: 1. Lisp/Clojure, aumentou 525%,, para 4.4% em 2012 (para( Lisp/Clojure) de 0.7% em 2011 (só Lisp). No entanto, o uso desta linguagem é pouco significativo (< 5%) ). 2. Python, aumentou 47%, de 24. 6% para 36.1%. 3. Unix shell/awk/sed,, aumentou 44%, de 10.4% para 14.5%. 4. R, aumentou 16%, de 45.1% para 52.5%. A Tabela 4 apresenta um comparativo das ferramentas em projetos, entre oss anos de 2011 e 2012, de acordo com o inquérito [6]. Dentro das propostas, 28% usaram software comercial e não gratuito, 30% usou software gratuito e não comercial e 41% usou ambos. 9

26 R, Excel, e RapidMiner são as ferramentas mais populares, com Statsoft Statistica a tornar-se na ferramenta comercial maiss popular, obtendo mais votos quee SAS. Por entre as ferramentas com até 10 eleitores, as ferramentas com o maior aumento em percentagem de utilização foram: Oracle Data Miner o que aumentou 505% de 0.7% emm 2011 paraa 4.4% em 2012; Orange o que aumentou 315% de 1.3% em 2011 paraa 5.3% em 2012; TIBCO Spotfire / S+ / Minero que aumentou 169% de d 1.7% emm 2011 para 4.6% em 2012; Stata o que aumentou 130% dee 0.8% em 2011 para 1.9% em 2012; Bayesia o que aumentou 115% de 0.8% em 2011 paraa 1.8% em Que Software foi usado para data mining noss passados 12 meses num projeto e não para avaliação? [798 eleitores] Legenda: Software Gratuito/Open Source Software Comercial R (245)) Excel (238) Rapid-I RapidMiner (213) KNIME (174) Weka / Pentaho (118) StatSoft Statistica (112) SAS (101) Rapid-I 10.4% RapidAnalytics not asked in 2011 (83) MATLAB (80) IBM SPSS Statistics (62) IBM SPSS Modeler (54) SAS Enterprise Miner (46) Orange (42) 6.8% 8.3% 5..8% 7.1% 5.3% 1.3% 8.5% 12.1% 10.0% 7.2% 7.8% 7.2% 14.8% 11.8% 14.0% 12.7% 13.6% 30.7% 23.3% 29.8% 21.8% 21.8% 26.7% 27.7% Microsoft Server (40) Other r free analytics/data miningg software (39) TIBCOO Spotfire / S+ / Miner (37) Oraclee Data Miner (35) Tableau (35) JMP (32) Other r commercial analytics/data miningg software (32) Mathematica (23) Miner3D (19) IBM Cognos (16) Stata (15) Bayesia (14) KXENN (14) SQL 4.4% 0..7% 2.9% 1.6% 11 Ants Analytics A (4) 2.4% 1.3% Teradata Miner (4) 2.0% not asked in % 0..8% 1.8% 0..8% 1.8% 1.4% 5.0% 4.9% 4.9% 4.1% % utilizadores em 2012 % utilizadores em 2011 Zementiss (14) C4.5/C5. 0/See5 (13) Revolution Computing (11) 4.6% 1.7% 4.4% 2.6% 4.0% 5.7% 4.0% 3.2% Salford SPM/CART/MARS/ S TreeNet/ RF (9) Angoss ( 7) SAP (including BusinessObjects/Sybase/Hana)(7) XLSTAT (7) RapidInsight/Veera (5) Predixionn Software (3) WordStatt (3) Tabela 4 - Popularidade de Software para dataa mining 1.8% 3.7% 1.6% 1.9% 1.4% 1.4% 1.1% 0.9% 0.8% 0.9% not asked inn % 0.9% 0.6% not asked inn % 5.6% 0.5% not asked inn % 0.5% 0.4% 0.5% 10.6% 10

27 2.2 Adequação ao problema em estudo A análise dos dados depende muito das aplicações que o analista está mais familiarizado em usar para analisar e de como os dados são fornecidos, se estão numa base de dados ou ficheiros Excel e se os mesmos precisam de serem tratados. Para entregar uma aplicação ou uma solução para o cliente é preciso ter em conta onde a aplicação vai estar, a quê que se tem de ligar e se está acessível para os clientes puderem trabalhar. Assim sendo, para a análise dos dados, usei o Rattle e para a aplicação desenvolvida usei o Weka. O Rattle [7] é uma aplicação de código aberto com uma interface gráfica que faz uso da linguagem de programação estatística do R. O Rattle fornece consideráveis funcionalidade em data mining ao explorar a linguagem R através de uma interface gráfica. O Rattle é usado como mecanismo de ensino para aprender a linguagem R visto que a aplicação contém um sistema de registo de atividade que replica o código R para qualquer atividade feita na interface. O Rattle pode ser usado para análise estatística ou geração de modelos, e permite que o conjunto de dados possa ser particionado como dados de treino, validação e teste, e permite que os dados possam ser visualizados e editados. O Weka (Waikato Environment for Knowledge Analysis) [8] é uma aplicação conhecida em data mining escrita em Java, desenvolvida na Universidade de Waikato, Nova Zelândia. O Weka contém uma coleção de ferramentas de visualização e de algoritmos para análise de dados e modelação preditiva, acessível através de uma interface gráfica própria. O Weka é usado em muitos áreas aplicacionais, em particular em educação e investigação. As suas vantagens incluem a sua gratuitidade através da licença GNU [9], portabilidade visto que é implementada através da linguagem Java e com isso funcionar em qualquer plataforma computacional, uma coleção considerável de pré processamento de dados e técnicas de modelação e a facilidade de uso graças à sua interface gráfica. O Weka suporta várias tarefas usadas em data mining como aglomeração, classificação, regressão, visualização e seleção de atributos. 2.3 Teoria das filas de espera Então para a Prospeção de Dados que queremos, precisamos de definir qual é a informação relevante e necessária para um sistema de atendimento quando a maior preocupação é a monitorização e gestão das filas de espera. Para isso precisamos de saber como estas funcionam através de uma teoria já bem estudada e formulada na área das probabilidades que é a Teoria das Filas de Espera. A matéria abordada de seguida é adaptada da Ref. [10]. 11

28 Mas o que é uma fila de espera? Forma-se uma fila de espera quando a procura de um serviço excede num dado instante a capacidade do sistema de fornecer o serviço. Em análises de sistemas de filas de espera normalmente desejamos obter informações objetivas sobre a capacidade de serviço que deve ser disponibilizada aos clientes e os custos operacionais envolvidos desde a espera até o atendimento. A teoria de filas de espera trabalha, portanto, com objetivos conflituosos. Dado um modelo, a principal motivação para o seu estudo está na pesquisa de soluções que representem um ponto de equilíbrio entre os conflitos. O comportamento que os clientes tomam para acederem a um sistema de filas de espera pode ser descrito por uma distribuição de probabilidades empírica e este pode ser representada por um modelo analítico conhecido da probabilidade. O modelo de Poisson é comumente usado para descrever a forma como os clientes entram para o sistema. Para definir completamente essa distribuição, é necessário ter apenas a taxa média de chegadas. Um aspeto importante associado à fila é a ordem com que os clientes são selecionados para o atendimento. Isto é referido como disciplina da fila. Por exemplo, o critério adotado pode ser primeiro a chegar, primeiro a ser atendido (FIFO), ou alguma outra ordem. No caso em estudo, usa-se esta política. O tempo transcorrido desde o começo do atendimento até a sua conclusão para um consumidor que está usar o serviço é o tempo de serviço. Para descrever o atendimento, devemos especificar uma distribuição de probabilidade para os tempos de serviço. A distribuição mais comumente especificada para tempos de serviço é a distribuição exponencial. Falemos agora de parâmetros usados na teoria das filas. O primeiro parâmetro é a taxa de chegada a um sistema que é definida pelo número de utilizadores ou clientes que chegam ao sistema num determinado tempo, e é normalmente representado por λ. = A frequência ou a velocidade com a qual os clientes são atendidos ou recebem o serviço é denominado por taxa de atendimento, representada por μ. = Os problemas de filas de espera consistem em ajustar adequadamente a taxa de atendimento do processo com a taxa de chegada do trabalho a ser feito. Do ponto de vista do programador, isto é feito através do correto dimensionamento do número de servidores do sistema de filas. 12

29 O parâmetro λ é um dado de entrada muito importante nas análises de sistemas de filas. Vamos supor a chegada de, por exemplo, 5 clientes num sistema de filas hipotético. Suponhamos também que os instantes de chegada dos clientes, são t i, com i=1, 2, 3, 4, 5, medidos a partir do instante zero. Esses tempos são marcados no eixo dos tempos, como ilustra a Figura 1. Figura 1: Instantes de chegada de clientes num sistema de filas marcados no eixo dos tempos Identificamos na Figura 2 os tempos entre chegadas consecutivac as, de modoo que para cada cliente é possível associar um único dessess tempos. Neste exemplo, associamos os tempos entree chegadas aos clientes na seguintee ordem: 1º º cliente: T 1 = t 1 0 2º cliente: T 2 = t 2 t 1 3º cliente: T 3 = t 3 t 2 4º cliente: T 4 = t 4 t 3 5º cliente: T 5 = t 5 t 4 Ou seja: Figura 2: Tempos entre chegadas de clientes num sistema de filas marcados no eixo dos tempos Se aplicarmos este exemplo à definição do parâmetro λ, obtemos então: 5 = Daqui constatamos que a taxa dee chegada é o inverso da média dos tempos entre chegadas (TMC), e visto que a taxa de atendimento segue a mesma lógica de taxa de chegada, a taxaa de atendimento é igualmente o inverso da média dos tempos de atendimento ou serviço (TMS): = 1 = 1 É interessante notar que a taxa de chegadas λ em geral g não permite qualquer controlo, uma vez que este valor é determinado pela fonte de clientes. Já a taxa de 13

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

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

Esri Maps para Inteligência de Negócios Conceitos e Produtos Esri. Rodrigo Barrionuevo

Esri Maps para Inteligência de Negócios Conceitos e Produtos Esri. Rodrigo Barrionuevo Esri Maps para Inteligência de Negócios Conceitos e Produtos Esri Rodrigo Barrionuevo O que é Business Intelligence? Plataforma apoio a decisão Online Analytic Process OLAP Reporting & Ad Hoc Query Business

Leia mais

MBA Analytics em Big Data

MBA Analytics em Big Data MBA Analytics em Big Data Inscrições Abertas Início das Aulas: 04/06/2015 Dias e horários das aulas: Segunda-Feira 19h00 às 23h00 Semanal Sexta-Feira 19h00 às 23h00 Semanal Carga horária: 600 Horas Duração:

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

PENTAHO. História e Apresentação

PENTAHO. História e Apresentação PÓS-GRADUAÇÃO LATO SENSU Curso: Banco de Dados Disciplina: Laboratório de Data Warehouse e Business Intelligence Professor: Fernando Zaidan Unidade 2 2012 Crédito dos Slides: Clever Junior 2 PENTAHO História

Leia mais

DELEGAÇÃO REGIONAL DO ALENTEJO CENTRO DE FORMAÇÃO PROFISSIONAL DE ÉVORA REFLEXÃO 4

DELEGAÇÃO REGIONAL DO ALENTEJO CENTRO DE FORMAÇÃO PROFISSIONAL DE ÉVORA REFLEXÃO 4 REFLEXÃO 4 Módulos 0776, 0780, 0781, 0786 e 0787 1/10 8-04-2013 Esta reflexão tem como objectivo partilhar e dar a conhecer o que aprendi nos módulos 0776 - Sistema de informação da empresa, 0780 - Aplicações

Leia mais

Business Intelligence. Business Intelligence. Business Intelligence. Business Intelligence. Business Intelligence

Business Intelligence. Business Intelligence. Business Intelligence. Business Intelligence. Business Intelligence Juntamente com o desenvolvimento desses aplicativos surgiram os problemas: & Data Warehouse July Any Rizzo Oswaldo Filho Década de 70: alguns produtos de BI Intensa e exaustiva programação Informação em

Leia mais

BusinessRX para Consultores ou Diretores Financeiros

BusinessRX para Consultores ou Diretores Financeiros Business Report expert BusinessRX para Consultores ou Diretores Financeiros Descubra como obter sucesso com o BusinessRX e a modelação de mapas de gestão inteligentes e interativos, que podem ajudá-lo

Leia mais

Softwares de Sistemas e de Aplicação

Softwares de Sistemas e de Aplicação Fundamentos dos Sistemas de Informação Softwares de Sistemas e de Aplicação Profª. Esp. Milena Resende - milenaresende@fimes.edu.br Visão Geral de Software O que é um software? Qual a função do software?

Leia mais

A versão básica disponibiliza a informação criada no Microsoft Navision em unidades de informação

A versão básica disponibiliza a informação criada no Microsoft Navision em unidades de informação O Business Analytics for Microsoft Business Solutions Navision ajuda-o a ter maior controlo do seu negócio, tomar rapidamente melhores decisões e equipar os seus funcionários para que estes possam contribuir

Leia mais

Bem-vindo à apresentação do SAP Business One.

Bem-vindo à apresentação do SAP Business One. Bem-vindo à apresentação do SAP Business One. Neste tópico, responderemos à pergunta: O que é o Business One? Definiremos o SAP Business One e discutiremos as opções e as plataformas disponíveis para executar

Leia mais

Material de Apoio. Sistema de Informação Gerencial (SIG)

Material de Apoio. Sistema de Informação Gerencial (SIG) Sistema de Informação Gerencial (SIG) Material de Apoio Os Sistemas de Informação Gerencial (SIG) são sistemas ou processos que fornecem as informações necessárias para gerenciar com eficácia as organizações.

Leia mais

Inteligência de Negócio. Brian Cowhig

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

Leia mais

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

Data Mining II Modelos Preditivos

Data Mining II Modelos Preditivos Data Mining II Modelos Preditivos Prof. Doutor Victor Lobo Mestre André Melo Mestrado em Estatística e Gestão de Informação Objectivo desta disciplina Fazer previsões a partir de dados. Conhecer os principais

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

Tecnologias de Informação

Tecnologias de Informação Sistemas Empresariais Enterprise Resource Planning (ERP): Sistema que armazena, processa e organiza todos os dados e processos da empresa de um forma integrada e automatizada Os ERP tem progressivamente

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

Sistemas ERP. Conceitos Iniciais

Sistemas ERP. Conceitos Iniciais Sistemas ERP Prof. Breno Barros Telles do Carmo Conceitos Iniciais Sistema de Informação adquirido em forma de pacotes comerciais de software que permite a integração de dados de sistemas de informação

Leia mais

IBM Cognos Business Intelligence Scorecarding

IBM Cognos Business Intelligence Scorecarding IBM Cognos Business Intelligence Scorecarding Unindo a estratégia às operações com sucesso Visão Geral O Scorecarding oferece uma abordagem comprovada para comunicar a estratégia de negócios por toda a

Leia mais

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

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

Leia mais

RESUMO DA SOLUÇÃO CA ERwin Modeling. Como eu posso gerenciar a complexidade dos dados e aumentar a agilidade dos negócios?

RESUMO DA SOLUÇÃO CA ERwin Modeling. Como eu posso gerenciar a complexidade dos dados e aumentar a agilidade dos negócios? RESUMO DA SOLUÇÃO CA ERwin Modeling Como eu posso gerenciar a complexidade dos dados e aumentar a agilidade dos negócios? O CA ERwin Modeling fornece uma visão centralizada das principais definições de

Leia mais

Tema: Big Data, Analytics...a Tecnologia a Favor do RH Palestrante: Alberto Roitman

Tema: Big Data, Analytics...a Tecnologia a Favor do RH Palestrante: Alberto Roitman Tema: Big Data, Analytics...a Tecnologia a Favor do RH Palestrante: Alberto Roitman Em que consiste o BIG DATA Tratamento de grande conjuntos de dados cuja coleta, gestão e processamento que supera a

Leia mais

Banco de Dados, Integração e Qualidade de Dados. Ceça Moraes cecafac@gmail.com

Banco de Dados, Integração e Qualidade de Dados. Ceça Moraes cecafac@gmail.com Banco de Dados, Integração e Qualidade de Dados Ceça Moraes cecafac@gmail.com Sobre a professora CeçaMoraes Doutora em Computação (UFPE) Áreas de atuação Desenvolvimento de Software e Banco de Dados Experiência

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

CURSO DE PÓS-GRADUAÇÃO

CURSO DE PÓS-GRADUAÇÃO CURSO DE PÓS-GRADUAÇÃO EM ANÁLISE DE DADOS E GESTÃO DE INFORMAÇÃO Grupo de trabalho Armando Mendes Áurea Sousa Fátima Brilhante Rita Marques Brandão Osvaldo Silva Fevereiro 2010 Enquadramento e justificação

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

Introdução à Simulação

Introdução à Simulação Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos

Leia mais

Uma Introdução ao Pentaho Business Intelligence e Business Analytics Open Source. Marcio Junior Vieira marcio @ ambientelivre.com.

Uma Introdução ao Pentaho Business Intelligence e Business Analytics Open Source. Marcio Junior Vieira marcio @ ambientelivre.com. Uma Introdução ao Pentaho Business Intelligence e Business Analytics Open Source Marcio Junior Vieira marcio @ ambientelivre.com.br Palestrante CEO da Ambiente Livre Tecnologia. Desenvolvedor de Software,Trabalha

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

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

Inteligência de Dados

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

Leia mais

Exemplos de aplicação. Mineração de Dados 2013

Exemplos de aplicação. Mineração de Dados 2013 Exemplos de aplicação Mineração de Dados 2013 Luís Rato Universidade de Évora, 2013 Mineração de dados / Data Mining 1 Classificação: Definição Dado uma conjunto de registos (conjunto de treino training

Leia mais

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

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

Leia mais

IDC Portugal aumenta produtividade e reduz custos operacionais com Microsoft Dynamics CRM em modelo hosted

IDC Portugal aumenta produtividade e reduz custos operacionais com Microsoft Dynamics CRM em modelo hosted Microsoft Dynamics CRM Online Customer Solution Case Study IDC Portugal IDC Portugal aumenta produtividade e reduz custos operacionais com Microsoft Dynamics CRM em modelo hosted Sumário País Portugal

Leia mais

Sistemas de Informação

Sistemas de Informação Sistemas de Informação Informação no contexto administrativo Graduação em Redes de Computadores Prof. Rodrigo W. Fonseca SENAC FACULDADEDETECNOLOGIA PELOTAS >SistemasdeInformação SENAC FACULDADEDETECNOLOGIA

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

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

Introdução. Sumários. Objectivos da cadeira. História das linguagens de programação. Classificação das Linguagens de programação

Introdução. Sumários. Objectivos da cadeira. História das linguagens de programação. Classificação das Linguagens de programação Introdução Sumários Objectivos da cadeira História das linguagens de programação Classificação das Linguagens de programação Aplicação das linguagens de programação Noção de compiladores Software à usar

Leia mais

Ciência dos Dados. bruno.domingues@intel.com. Preparado por Intel Corporation Bruno Domingues Principal Architect. segunda-feira, 5 de agosto de 13

Ciência dos Dados. bruno.domingues@intel.com. Preparado por Intel Corporation Bruno Domingues Principal Architect. segunda-feira, 5 de agosto de 13 Ciência dos Dados Preparado por Intel Corporation Bruno Domingues Principal Architect bruno.domingues@intel.com Homem na Lua Software Data: 1969 64kb, 2kb, RAM, Fortran Tem que funcionar! Apolo XI Velocidade:

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

CA Business Service Insight

CA Business Service Insight CA Business Service Insight Guia de Conteúdo Predefinido da ISO 20000 8.2 A presente documentação, que inclui os sistemas de ajuda incorporados e os materiais distribuídos eletronicamente (doravante denominada

Leia mais

MESTRADO EM PESQUISA DE MERCADOS 2006 2007

MESTRADO EM PESQUISA DE MERCADOS 2006 2007 MESTRADO EM PESQUISA DE MERCADOS 2006 2007 PROGRAMA DAS DISCIPLINAS 1 1º trimestre PESQUISA DE MERCADOS Objectivos Pretende-se que os alunos: (a) adquiram os conceitos e semântica próprios do tema, (b)

Leia mais

GESTÃO. Gestão dos Processos e Operações Gestão de Sistemas e Tecnologias de Informação (dentro do capítulo 6) CLF

GESTÃO. Gestão dos Processos e Operações Gestão de Sistemas e Tecnologias de Informação (dentro do capítulo 6) CLF GESTÃO Gestão dos Processos e Operações Gestão de Sistemas e Tecnologias de Informação (dentro do capítulo 6) Informação e Decisões Gerir envolve tomar muitas e frequentes decisões Para decidir com eficácia

Leia mais

Expanda suas Capacidades Analíticas

Expanda suas Capacidades Analíticas Módulos IBM SPSS Statistics Expanda suas Capacidades Analíticas Um guia resumido dos módulos para o IBM SPSS Statistics Base Destaques Existem vários produtos IBM SPSS para te ajudar em cada fase do projeto

Leia mais

Lucas Nascimento Santos

Lucas Nascimento Santos Lucas Nascimento Santos Mobile Application Developer lucassantoos56@gmail.com Resumo Lucas Nascimento Santos (@ll_ucasn), engenheiro de software. Estudante de Ciência da Computação na Universidade Salvador

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

PALAVRAS CHAVE RESUMO

PALAVRAS CHAVE RESUMO ESIG2001 SPATIAL INTELLIGENCE INFORMAÇÃO GEOGRÁFICA COMO MEIO DE SUPORTE À DECISÃO João Machado Costa, Rui Marques Ferreira Novabase www.novabase.pt joao.machado@novabase.pt PALAVRAS CHAVE Spatial Information

Leia mais

Módulo 6: Inteligência Artificial

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

Leia mais

Semântica para Sharepoint. Busca semântica utilizando ontologias

Semântica para Sharepoint. Busca semântica utilizando ontologias Semântica para Sharepoint Busca semântica utilizando ontologias Índice 1 Introdução... 2 2 Arquitetura... 3 3 Componentes do Produto... 4 3.1 OntoBroker... 4 3.2 OntoStudio... 4 3.3 SemanticCore para SharePoint...

Leia mais

Introdução ao C# . Visão geral do.net Framework

Introdução ao C# . Visão geral do.net Framework Introdução ao C# Microsoft.NET (comumente conhecido por.net Framework - em inglês: dotnet) é uma iniciativa da empresa Microsoft, que visa uma plataforma única para desenvolvimento e execução de sistemas

Leia mais

Tecnologias da Informação, Comunicação e Sistemas de Inteligência

Tecnologias da Informação, Comunicação e Sistemas de Inteligência , Comunicação e Sistemas de Inteligência Gestão e de Bancos de Dados IESB - Centro Universitário A importância da informação em um mundo de informação disponível em tempo real a informação menos acessível

Leia mais

Sistema Tutor Inteligente baseado em Agentes. Pedagógicas da Universidade Aberta do Piauí. Prof. Dr. Vinicius Ponte Machado

Sistema Tutor Inteligente baseado em Agentes. Pedagógicas da Universidade Aberta do Piauí. Prof. Dr. Vinicius Ponte Machado Sistema Tutor Inteligente baseado em Agentes na Plataforma MOODLE para Apoio às Atividades Pedagógicas da Universidade Aberta do Piauí Prof. Dr. Vinicius Ponte Machado Parnaíba, 14 de Novembro de 2012

Leia mais

A Grande Importância da Mineração de Dados nas Organizações

A Grande Importância da Mineração de Dados nas Organizações A Grande Importância da Mineração de Dados nas Organizações Amarildo Aparecido Ferreira Junior¹, Késsia Rita da Costa Marchi¹, Jaime Willian Dias¹ ¹Universidade Paranaense (Unipar) Paranavaí PR Brasil

Leia mais

Com as mudanças tecnológicas e acirramento da competitivadade, Advanced Analytics tornou-se uma prioridade para as áreas de negócio

Com as mudanças tecnológicas e acirramento da competitivadade, Advanced Analytics tornou-se uma prioridade para as áreas de negócio Agenda Contexto Advanced Analytics Qlik Portfolio e Advanced Analytics Teradata + Qlik + Keyrus Business Case Qlik Sense Arquitetura Técnica Qlik Sense Integração Qlik Sense & Teradata Aster Com as mudanças

Leia mais

EIMOBILE INSTITUIÇÕES DE ENSINO MOBILE

EIMOBILE INSTITUIÇÕES DE ENSINO MOBILE UNIVERSIDADE CATÓLICA DE PELOTAS CENTRO POLITÉCNICO TECNOLOGIA EM ANÁLISE E DESENVOLVIMENTO DE SISTEMAS EIMOBILE INSTITUIÇÕES DE ENSINO MOBILE por Miguel Aguiar Barbosa Trabalho de curso II submetido como

Leia mais

Utilização de Software Livre no Controle Estatístico de Processo

Utilização de Software Livre no Controle Estatístico de Processo Utilização de Software Livre no Controle Estatístico de Processo Wagner André dos Santos Conceição (UEM) wasconceicao@bol.com.br Paulo Roberto Paraíso (UEM) paulo@deq.uem.br Mônica Ronobo Coutinho (UNICENTRO)

Leia mais

GLOBAL SCIENCE AND TECHNOLOGY (ISSN 1984 3801)

GLOBAL SCIENCE AND TECHNOLOGY (ISSN 1984 3801) GLOBAL SCIENCE AND TECHNOLOGY (ISSN 1984 3801) UTILIZAÇÃO DE APLICATIVOS BASE E CALC DO PACOTE BROFFICE.ORG PARA CRIAÇÃO DE SISTEMA DE INFORMAÇÃO DE PEQUENO PORTE Wílson Luiz Vinci 1 Marcelo Gonçalves

Leia mais

SISTEMAS INTELIGENTES DE APOIO À DECISÃO

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

Leia mais

ÁREA DE COMPETÊNCIAS

ÁREA DE COMPETÊNCIAS Dossier Completo de Competências Profissionais de Carlos Eduardo Dias Coutinho ÁREA DE COMPETÊNCIAS Linguagens de Programação: C# / C / C++ / Win32 J# / Java./ JavaScript XML / HTML / DHTML / ASP / ASPX.NET

Leia mais

Cornell usa computação de alto desempenho para acelerar a pesquisa e ampliar o acesso a softwares

Cornell usa computação de alto desempenho para acelerar a pesquisa e ampliar o acesso a softwares Portfólio de produtos Microsoft para servidores Estudo de caso de solução do cliente Cornell usa computação de alto desempenho para acelerar a pesquisa e ampliar o acesso a softwares Visão geral País ou

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

Implantação de um sistema de informação para apoio a gestão de uma empresa de pequeno porte utilizando ferramentas open source

Implantação de um sistema de informação para apoio a gestão de uma empresa de pequeno porte utilizando ferramentas open source 978 Implantação de um sistema de informação para apoio a gestão de uma empresa de pequeno porte utilizando ferramentas open source Keoma Gomes de Souza 1, Carlos Mário Dal Col Zeve 2 1 Acadêmico do Curso

Leia mais

1. Introdução ao. Crystal Reports

1. Introdução ao. Crystal Reports 1. Introdução ao Crystal Reports Como é sabido e geralmente aceite por todos nós, vivemos um período onde a complexidade dos negócios é cada vez maior, tal como o prova a intensificação da concorrência,

Leia mais

Gestão de Informação e Business Intelligence na Saúde. www.novaims.unl.pt PÓS-GRADUAÇÃO

Gestão de Informação e Business Intelligence na Saúde. www.novaims.unl.pt PÓS-GRADUAÇÃO Em parceria com: Escola Nacional de Saúde Pública - NOVA Instituto de Higiene e Medicina Tropical - NOVA PÓS-GRADUAÇÃO Gestão de Informação e Business Intelligence na Saúde Com o patrocínio de: www.novaims.unl.pt

Leia mais

Administração de Banco de Dados

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

Leia mais

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

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

Wide Scope. Soluções de Optimização

Wide Scope. Soluções de Optimização Wide Scope Soluções de Optimização 2 Wide Scope Scheduler sequenciamento e optimização da produção A oportunidade para passar a agir, em vez de reagir. Maximizar a capacidade produtiva dos recursos quando

Leia mais

Tendências na adoção de Big Data & Analytics: Inovação em tempo real para empresas que precisam de transformação

Tendências na adoção de Big Data & Analytics: Inovação em tempo real para empresas que precisam de transformação Tendências na adoção de Big Data & Analytics: Inovação em tempo real para empresas que precisam de transformação Luciano Ramos Coordenador de Pesquisas de Software IDC Brasil A América Latina enfrenta

Leia mais

Introdução ao Delphi. Introdução. Edições do Software. Capítulo 1. InforBRás - Informática Brasileira Ltda. O Que é o Delphi.

Introdução ao Delphi. Introdução. Edições do Software. Capítulo 1. InforBRás - Informática Brasileira Ltda. O Que é o Delphi. Capítulo 1 O Que é o Delphi Diferenças entre Delphi Client/Server do Delphi for Windows Características que compõem o Integrated Development Invironment (IDE) Como o Delphi se encaixa na família Borland

Leia mais

Ferramentas Livres de Armazenamento e Mineração de Dados

Ferramentas Livres de Armazenamento e Mineração de Dados Ferramentas Livres de Armazenamento e Mineração de Dados JasperBI, Pentaho, Weka 09/2009 Eng. Pablo Jorge Madril pmadril@summa.com.br Summa Technologies www.summa.com.br Eng. Pablo Jorge Madril pmadril@summa.com.br

Leia mais

Extração de Conhecimento a partir dos Sistemas de Informação

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

Leia mais

Serviço de Solução de Replicação de Dados HP para Virtual Copy 3PAR

Serviço de Solução de Replicação de Dados HP para Virtual Copy 3PAR Serviço de Solução de Replicação de Dados HP para Virtual Copy 3PAR Serviços HP Care Pack Dados técnicos O Serviço de Solução de Replicação de Dados HP para Virtual Copy 3PAR fornece implementação do produto

Leia mais

Especificações Técnicas

Especificações Técnicas Visual COBOL é a solução líder da indústria para o desenvolvimento de aplicações COBOL e implantação em sistemas Windows, Unix e Linux. Ele combina as melhores ferramentas de desenvolvimento de sua classe

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

Business Intelligence para todos

Business Intelligence para todos Business Intelligence para todos CCFB - Rio de Janeiro DeciLogic - 2008 Eric Sarzana Diretor eric.sarzana@decilogic.com Agenda DeciLogic O que é o Business Intelligence? Porquê o Business Intelligence?

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

Simulação Computacional de Sistemas, ou simplesmente Simulação

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

Leia mais

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

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

Leia mais

Visão Global de Operacionalização da Estratégia para as TIC na PSP 2013-2016

Visão Global de Operacionalização da Estratégia para as TIC na PSP 2013-2016 Visão Global de Operacionalização da Estratégia para as TIC na PSP 2013-2016 Outubro de 2013 Visão Global de Operacionalização da Estratégia para as TIC na PSP 2013-2016 Ciente da relevância estratégica

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

Chapter 3. Análise de Negócios e Visualização de Dados

Chapter 3. Análise de Negócios e Visualização de Dados Chapter 3 Análise de Negócios e Visualização de Dados Objetivos de Aprendizado Descrever a análise de negócios (BA) e sua importância par as organizações Listar e descrever brevemente os principais métodos

Leia mais

UNOESTE - Universidade do Oeste Paulista F I P P - Faculdade de Informática de Presidente Prudente

UNOESTE - Universidade do Oeste Paulista F I P P - Faculdade de Informática de Presidente Prudente 1º TERMO NOTURNO - 2009 31/03/09 3ª feira 20:50 h A ADMINISTRAÇÃO 01/04/09 4ª feira 19:00 h A1/A2 INTRODUÇÃO A COMPUTAÇÃO 02/04/09 5ª feira 19:00 h A1 LABORATÓRIO DE INFORMÁTICA I 02/04/09 5ª feira 20:50

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

PLATAFORMA DE TEMPO REAL PARA GESTÃO DE EVENTOS COMPLEXOS PARA CONSTRUÇÃO DE MODELOS DE TRÁFEGO E DE APOIO ONLINE À OPERAÇÃO DE CENTRO DE TRÁFEGO

PLATAFORMA DE TEMPO REAL PARA GESTÃO DE EVENTOS COMPLEXOS PARA CONSTRUÇÃO DE MODELOS DE TRÁFEGO E DE APOIO ONLINE À OPERAÇÃO DE CENTRO DE TRÁFEGO PLATAFORMA DE TEMPO REAL PARA GESTÃO DE EVENTOS COMPLEXOS PARA CONSTRUÇÃO DE MODELOS DE TRÁFEGO E DE APOIO ONLINE À OPERAÇÃO DE CENTRO DE TRÁFEGO Rui Ribeiro 1, Rita Cruz 2, José Maçarico 3, Luis Neves

Leia mais

Noções de. Microsoft SQL Server. Microsoft SQL Server

Noções de. Microsoft SQL Server. Microsoft SQL Server Noções de 1 Considerações Iniciais Basicamente existem dois tipos de usuários do SQL Server: Implementadores Administradores 2 1 Implementadores Utilizam o SQL Server para criar e alterar base de dados

Leia mais

NOKIA. Em destaque LEE FEINBERG

NOKIA. Em destaque LEE FEINBERG Em destaque NOKIA LEE FEINBERG A Nokia é líder mundial no fornecimento de telefones celulares, redes de telecomunicações e serviços relacionados para clientes. Como Gerente Sênior de Planejamento de Decisões

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

Uma estrutura (framework) para o Business Intelligence (BI)

Uma estrutura (framework) para o Business Intelligence (BI) Uma estrutura conceitural para suporteà decisão que combina arquitetura, bancos de dados (ou data warehouse), ferramentas analíticas e aplicações Principais objetivos: Permitir o acesso interativo aos

Leia mais

Desenvolvendo um Ambiente de Aprendizagem a Distância Utilizando Software Livre

Desenvolvendo um Ambiente de Aprendizagem a Distância Utilizando Software Livre Desenvolvendo um Ambiente de Aprendizagem a Distância Utilizando Software Livre Fabrício Viero de Araújo, Gilse A. Morgental Falkembach Programa de Pós-graduação em Engenharia de Produção - PPGEP Universidade

Leia mais

PLATAFORMA URBANMOB Aplicativo para captura de trajetórias urbanas de objetos móveis

PLATAFORMA URBANMOB Aplicativo para captura de trajetórias urbanas de objetos móveis PLATAFORMA URBANMOB Aplicativo para captura de trajetórias urbanas de objetos móveis Gabriel Galvão da Gama 1 ; Reginaldo Rubens da Silva 2 ; Angelo Augusto Frozza 3 RESUMO Este artigo descreve um projeto

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

PROPOSTA DE SOFTWARE DE INSTALAÇÃO PARA UM AMBIENTE INTEGRADO DE GERÊNCIA DE PROJETOS E DE PROCESSOS DE NEGÓCIOS

PROPOSTA DE SOFTWARE DE INSTALAÇÃO PARA UM AMBIENTE INTEGRADO DE GERÊNCIA DE PROJETOS E DE PROCESSOS DE NEGÓCIOS PROPOSTA DE SOFTWARE DE INSTALAÇÃO PARA UM AMBIENTE INTEGRADO DE GERÊNCIA DE PROJETOS E DE PROCESSOS DE NEGÓCIOS Élysson Mendes Rezende Bacharelando em Sistemas de Informação Bolsista de Iniciação Científica

Leia mais

Sistema de pedidos. com técnicas de recomendação

Sistema de pedidos. com técnicas de recomendação Universidade Católica de Pelotas Centro Politécnico Analise e Desenvolvimento de Sistema Sistema de pedidos com técnicas de recomendação por Aníbal di Primio Documento de conclusão da disciplina de Trabalho

Leia mais

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

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

Leia mais

UNIVERSIDADE FEDERAL DE UBERLÂNDIA Faculdade de Computação Curso de Introdução à Informática Prof: Anilton Joaquim da Silva / Ezequiel Roberto Zorzal

UNIVERSIDADE FEDERAL DE UBERLÂNDIA Faculdade de Computação Curso de Introdução à Informática Prof: Anilton Joaquim da Silva / Ezequiel Roberto Zorzal UNIVERSIDADE FEDERAL DE UBERLÂNDIA Faculdade de Computação Curso de Introdução à Informática Prof: Anilton Joaquim da Silva / Ezequiel Roberto Zorzal AULA Informática: Aplicações e Benefícios Advocacia

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