APLICAÇÃO DA MINERAÇÃO DE DADOS PARA GERAÇÃO DE CONHECIMENTO: UM EXPERIMENTO PRÁTICO

Tamanho: px
Começar a partir da página:

Download "APLICAÇÃO DA MINERAÇÃO DE DADOS PARA GERAÇÃO DE CONHECIMENTO: UM EXPERIMENTO PRÁTICO"

Transcrição

1 2, 3 e 4 de Julho de 2009 ISSN APLICAÇÃO DA MINERAÇÃO DE DADOS PARA GERAÇÃO DE CONHECIMENTO: UM EXPERIMENTO PRÁTICO Priscila Azarias Universidade Tecnológica Federal do Paraná - Campus Ponta Grossa Simone Nasser Matos Universidade Tecnológica Federal do Paraná - Campus Ponta Grossa Luciano Scandelari Universidade Tecnológica Federal do Paraná - Campus Ponta Grossa Resumo A Gestão do Conhecimento está presente no cotidiano de qualquer empresa e durante o processo de gestão é colhida uma grande quantidade de dados, dificultando a obtenção da informação de forma rápida e eficiente. Este artigo tem como objetivo apresentar a gestão do conhecimento e uma de suas práticas, descrevendo seus principais conceitos e como a tecnologia da informação pode auxiliar durante este processo, assim como as principais ferramentas utilizadas. Este trabalho realiza uma breve revisão bibliográfica sobre o assunto em artigos relacionados ao tema, sendo classificado como uma pesquisa qualitativa, realizando um experimento para a aplicação de uma das tarefas da Mineração de Dados em uma base de exemplo. Palavras-chaves: Mineração de Dados, Gestão do Conhecimento

2 1. INTRODUÇÃO A informação é um recurso cada vez mais valorizado como viabilizador de decisões e de processos de conhecimento/inteligência nos mais diferentes campos e demandam novas teorias, novas habilidades de pensamento, novas capacidades para transformar dados caóticos em informação útil e novos níveis de inovação que sejam capazes de desenvolver aplicações práticas para informação obtida do ambiente interno ou externo à organização (MARCONDES, 2001). As empresas estão preocupadas com o valor da informação durante o seu processo decisório, por isso, usam a Gestão do Conhecimento com o objetivo de estruturá-lo por meio da utilização de diversas práticas, como a Inteligência Competitiva, que auxilia na coleta das informações externas ao seu ambiente. Estas práticas trabalham com uma grande quantidade de dados, armazenados nos banco de dados da empresa, o que torna difícil seu processamento manual durante sua transformação em informação que realmente agregue valor a organização. Fayyad (1996) comenta que o ser humano não está preparado para interpretar uma grande quantidade de dados e/ou espaços multidimenisonais. Uma das alternativas para o gestor é utilizar ferramentas e técnicas, entre elas é possível destacar o Processo de descoberta de Conhecimento KDD (Knowledge Discovery in Database), em que uma de suas etapas está a Mineração de Dados (Data Mining). A Mineração de Dados auxiliará as empresas na análise das informações contidas em suas bases de dados. As informações descobertas serão utilizadas para ajudar na tomada de decisão, otimizando os processos e retornando de forma eficiente a informação para que se possa definir a estratégia mais adequada ao mercado e clientes. Este artigo tem como objetivo descrever os principais conceitos de Gestão do Conhecimento e Inteligência Competitiva e um experimento prático da mineração de dados em um banco de dados de exemplo. A Seção 2 apresenta a metodologia utilizada para o desenvolvimento do trabalho. Na seção 3 relata os conceitos de Gestão do Conhecimento, Inteligência Competitiva e as tecnologias utilizadas na Inteligência Competitiva. A seção 4 descreve a Mineração de Dados como umas das ferramentas a ser utilizada para a gestão do conhecimento, assim como um experimento com uma base de dados de exemplo, aplicando a Mineração de dados. A seção 5 relata as contribuições finais do trabalho. 102

3 2. METODOLOGIA Este artigo possui uma abordagem qualitativa com relação ao tema Gestão do Conhecimento e Mineração de Dados, uma vez que o ambiente natural é a fonte de coleta de dados e o pesquisador é o instrumento, desde o desenvolvimento até a implantação nas empresas (RICHARDSON, 1989). Foram realizadas pesquisas científicas em normas técnicas, além da utilização de material de orientação sobre os métodos descritos. Quanto aos fins a pesquisa é classificada como descritiva, pois visa descrever as características de um determinado fenômeno para estabelecer relações entre variáveis, e quanto ao meio, é bibliográfica, desenvolvida a partir do material já elaborado, como: livros técnicos e artigos. (LAKATOS e MARCONI, 1991; GIL, 1999). 3. GESTÃO DO CONHECIMENTO Antes de definir a Gestão do Conhecimento (GC), é importante definir os tipos de conhecimentos que estão relacionados em uma organização: o formal - contido nos livros, manuais, documentos, periódicos, base de dados, repositórios, entre outros-; e o informal - gerado e utilizado no processo de produção do conhecimento formal, constituído de idéias, fatos, suposições, decisões, questões, conjecturas, experiências e pontos de vistas, sendo este considerado como um ativo de patrimônio de grande valor. A partir da definição proposta por Terra (2003), em que a Gestão do Conhecimento (GC) nas organizações é vista como a capacidade que as mesmas possuem, por meio de seus processos, de criar e utilizar o conhecimento. Para tal, é necessário o planejamento de pessoas, cultura, processos e tecnologias de modo que trabalhem em conjunto para atender as necessidades dos colaboradores, facilitando o aprendizado coletivo e o desenvolvimento de uma organização mais estruturada na geração do conhecimento. A GC é utilizada com o objetivo de fornecer a informação para as pessoas certas no momento certo, auxiliando-as na tomada de decisão, de maneira a aumentar o desempenho da organização (ROCHA, 2005). A GC deve ser vista como um conjunto de atividades que busca desenvolver e controlar todo tipo de conhecimento contido em uma organização. Portanto, é 103

4 preciso estabelecer políticas, procedimentos e tecnologias que sejam capazes de coletar, distribuir e utilizar efetivamente o conhecimento. (MORESI, 2001). Moresi (2001) declara que um desafio enfrentado pelos gestores do conhecimento é descobrir maneiras de transformar o estado atual da base de conhecimento da organização em uma nova e poderosa ferramenta. Para auxiliar os gestores neste desafio, existem diversas ferramentas desenvolvidas, entre elas Mineração de Dados (MD) ou Data Mining, que descobre novas informações contidas em um grande conjunto de dados. Um exemplo de aplicação da MD está relacionado às práticas de GC, que são técnicas de gestão organizacional, voltada para a produção, retenção, disseminação, compartilhamento e aplicação do conhecimento dentro da organização, citando como práticas utilizadas a Inteligência Competitiva, Mapeamento de Competências, Aprendizagem Organizacional, Benchmarking, Coaching, Comunicação Institucional, Comunidades de Prática, Educação Corporativa/Universidade Corporativa, Gestão de Marcas e Patentes, Gestão do Relacionamento com os Clientes, Lições Aprendidas, Mapeamento de Competências, Mapeamento de Processos, Melhores Práticas, Memória Organizacional, Mentoring, Normalização e Padronização e Portais Corporativos (LEUCH, 2006). No presente trabalho será descrito apenas uma das práticas a Inteligência Competitiva (ALMEIDA et al., 2008) INTELIGÊNCIA COMPETITIVA A Inteligência Competitiva (IC) foca os processos responsáveis pela monitoração do ambiente externo em que a organização está inserida, armazenando informações sobre a rede de clientes, fornecedores e parceiros (TERRA & ALMEIDA, 2008). A IC por meio das informações coletadas do ambiente competitivo da empresa e da análise dos resultados apóia a tomada de decisão, gerando recomendações que consideram eventos futuros, auxiliando na identificação de tendências de mercados em que a empresa atua, e não somente relatórios, os quais justificam decisões passadas (GOMES & BRAGA, 2004). Um ponto importante apresentado por LEUCH (2006) são algumas reflexões sobre os processos de implementação da IC na empresa, composta de cinco fases: Planejar e identificar as necessidades de informação, onde está definição ocorrerá a partir da estratégia da empresa e análise do mercado, e quais as principais necessidades de informação. 104

5 Coletar e tratar a informação, após a definição das necessidades de informação, será identificado quais serão as fontes de informação e o modo como serão coletadas e armazenadas. Analisar e validar a informação, isto acontecerá por meio de uma equipe de especialista, que efetuará uma análise e validação das informações armazenadas. Disseminar e utilizar estrategicamente a informação, onde será definido quem deverá ter acesso as informações, de que modo e quando. Avaliar, os responsáveis pela unidade de inteligência, embasados nos feedbacks dos usuários e de maneira coerente com visão estratégica da empresa, avaliam as necessidades de informação se mantiveram ou se alteraram. O fluxo desses processos é descrito na Figura 1. Figura 1. Processos de IC Planejamento e identificação Colaboradores Coleta e tratamento Análise e validação Disseminação Avaliação Fonte: Adaptado de Terra, 2003 Considerando a captura da informação utilizando uma ferramenta apropriada é necessário que ocorra o processo de seleção da informação e também a sua organização, gerando assim, o conhecimento que poderá ser divulgado e disseminado a todos os colaboradores, conforme pode ser visualizado na Figura 1. Para uma melhor codificação do conhecimento, ou seja, a transferência do conhecimento entre os indivíduos, a utilização de tecnologias da informação adequadas podem ser um facilitador, disseminando o conhecimento entre todos os interessados. Nesta 105

6 situação, a dependência da tecnologia é maior, já que são necessários sistemas mais sofisticados para atender as necessidades das empresas (GHOSHAL & TANURE, 2004). Estes sistemas devem oferecer subsídios para a criação do conhecimento, para tornar o ambiente empresarial mais sistemático com relação aos seus processos, políticas e ferramentas gerenciais, promovendo assim, a inovação e articulação da codificação, captura, análise, validação, disseminação, compartilhamento e uso do conhecimento estratégico do ambiente em que a organização se encontra inserida (TERRA, 2003) TECNOLOGIA DA INFORMAÇÃO E IC A IC é fundamentada em duas grandes bases: a informação e a velocidade de sua utilização, essas duas características compõem a chave para o seu entendimento, já que a mesma utiliza informações de diversos tipos de fontes que crescem rapidamente a cada dia, dificultando o seu monitoramento e o processamento das informações armazenadas pelos sistemas (BATTAGLIA, 1999). Para atender a complexidade e as necessidades empresarias deve-se considerar a utilização da tecnologia da informação e seus recursos disponíveis (REZENDE, 2006). A Tecnologia da Informação (TI) pode apoiar os processos de IC, organizando o fluxo da informação e auxiliando nos principais objetivos do sistema de inteligência competitiva: alertar para possíveis oportunidades e ameaças, apoiar o processo de tomada de decisão estratégica, avaliar e monitorar os concorrentes e clientes, a indústria e as tendências políticas e sociais e ajudar no planejamento e no processo estratégico (GOMES & BRAGA, 2004). Deve-se buscar uma tecnologia que seja capaz de impulsionar a estratégia da empresa em vantagem competitiva sustentável. Todas as alternativas tecnológicas devem ser avaliadas desta perspectiva. Segundo Mattos (2005), uma nova tecnologia deve criar algum tipo de vantagem competitiva, que seja capaz de aumentar o valor de um produto para um cliente ou reduzir os custos de levar um determinado produto ao mercado. A criação e aplicação de novas tecnologias de produtos e processos são um constante desafio, e o entendimento destas requer uma compreensão de todo o processo. Para auxiliar estes processos existem diversas ferramentas de TI aplicadas ao apoio a IC que devem atender os seguintes objetivos: a busca, a organização e a disseminação da 106

7 informação. As ferramentas devem possuir um ambiente que possibilite aos usuários acessar e manter o conteúdo de maneira organizada. Este artigo focará na utilização do MD como ferramenta de apoio a IC, que auxiliará no processamento de uma grande quantidade de dados para a obtenção da informação. 4. UMA VISÃO GERAL SOBRE A MINERAÇÃO DE DADOS A Mineração de Dados é uma das principais etapas da descoberta do conhecimento em banco de dados, sendo conhecido Knowledge Discovery Database (KDD). Com base nas definições de Quonian (2001), o KDD tem a finalidade de encontrar novas relações, padrões e tendências significativas por meio de uma análise cuidadosa dos grandes conjuntos de dados armazenados, que acabam por dificultar a abstração de informações dos mesmos. O processo de descoberta do conhecimento nestes conjuntos de dados normalmente possui de acordo com Goldschmidt & Passos (2005) as seguintes etapas: Pré-processamento: é responsável pela captação, organização e tratamento dos dados. Tem como principal objetivo a preparação dos dados para os algoritmos da etapa de mineração de dados. Data Mining (DM) ou Mineração de Dados (MD): realiza a busca real do conhecimento no contexto da aplicação do KDD. Pós-processamento: compreende o tratamento do conhecimento obtido na MD, objetivando viabilizar a avaliação da utilidade do conhecimento descoberto. A MD consiste na aplicação de algoritmos específicos, os quais extraem padrões a partir dos dados (FAYYAD& PIATETSKY-SHAPIRO & SMYTH, 1996). Esse processo de extração normalmente é difícil de ser efetuado por uma pessoa, sendo viável sua automatização. A seguir será descrito as funcionalidades que as ferramentas de MD normalmente apresentam são (FERREIRA, 2008): Predição: Classificar, estimar ou definir o valor ou o cluster referente a um objeto, evento ou comportamento ainda não ocorrido. Classificação: Classificar e distribuir objetos e entidades em classes ou categorias pré-definidas por meio do reconhecimento de padrões. 107

8 Agrupamento: Identificar grupos lógicos de pessoas, objetos ou eventos de acordo com seus atributos. Associações: Determinar qual seria o comportamento de um objeto ou entidade na presença de outro objeto. Sequenciação: Prever sequências de eventos que possam conduzir a outros eventos. Segundo Ferreira (2008), a MD não elimina a necessidade do conhecimento do negócio, é uma tecnologia difícil de entender e requer competências especializadas e não remove a necessidade de competência da análise dos dados gerados durante a MD EXPERIMENTO COM A FERRAMENTA WEKA NA OBTENÇÃO DO CONHECIMENTO DE UMA BASE DE DADOS Para auxiliar no entendimento de como ocorre o processo da MD, foi desenvolvido um experimento com uma base de dados de exemplo, com o objetivo de aplicar um algoritmo de classificação, para identificar as principais características encontradas nesta base. Para tal foi usado à ferramenta WEKA, que foi desenvolvida pela Universidade Waikato, e possui uma coleção de algoritmos de aprendizagem de máquina para as tarefas de MD. Onde os algoritmos poderão ser aplicados por meio de uma interface gráfica que auxilia durante todo o processo CONHECENDO A BASE DE DADOS A base selecionada para o experimento é uma base de domínio público disponível para download, na qual os pesquisadores podem baixar e realizar teste da aplicação dos algoritmos da MD na fonte de dados. A base escolhida contém informações referentes aos clientes que solicitaram um cartão de crédito e seu pedido foi aprovado ou não. A partir dos atributos informados. A tabela 1 descreve os atributos contidos na base e os respectivos valores que cada atributo pode receber. 108

9 Tabela 1 - Descrição dos atributos Atributo Valores A1 b, a A2 Numérico A3 Numérico A4 u, y, l, t A5 g, p, gg A6 c, d, cc, i, j, k, m, r, q, w, x, e, aa, ff A7 v, h, bb, j, n, z, dd, ff, o A8 Numérico. A9 t, f A10 t, f A11 Numérico A12 t, f A13 g, p, s A14 Numérico A15 Numérico A16 +,- Conforme pode ser visualizado na tabela 1, os atributos são nomeados como A1, A2, A3,..., A n para proteger a confidencialidade das informações, onde n é igual a 16. O atributo A1 é um atributo correspondente a um dos valores em uma tabela do banco de dados, como exemplo, este atributo poderia ser referente ao Sexo do cliente podendo receber os valores M (Masculino) e F (Feminino). Cada registro em um banco de dados, consiste de um conjunto de atributos descritos como previsores e um atributo denominado de meta, um algoritmo de MD é aplicado a um conjunto de exemplos de treinamentos (registros) com uma classe conhecida, para então, descobrir regras que localizem algum relacionamento entre os atributos previsores e o atributo meta. Essa relação é utilizada para prever a classe de exemplos cuja classe é desconhecida, ou seja, para prever o valor do atributo meta (FIDELIS et al., 1999). Com a identificação dos atributos contidos na base o próximo passo é a definição de qual tarefa de mineração será aplicada. A título de pesquisa escolheu-se a tarefa de classificação, para agrupar os atributos comuns a partir de um atributo meta. Antes da aplicação do algoritmo de mineração de dados, o conjunto de dados é de difícil interpretação, conforme podemos visualizar na figura

10 Figura 2 - Dados antes da aplicação da MD Conforme pode ser visualizado na figura 2, a interpretação e abstração de qualquer tipo de informação fica impossibilitada devido a forma como os dados são apresentados, sendo uma tarefa difícil para o ser humano realizar Classificação e aplicação do algoritmo Assumindo que o problema é delinear um procedimento que será aplicado em um banco de dados em que as classes são predefinidas e cada novo dado deverá ser associado a uma destas classes, este processo é conhecido como reconhecimento de padrões, discriminação, aprendizagem supervisionada ou classificação (ROMÃO et al., 2000). Segundo Romão (2000), existe diversas formas de representação do conhecimento em um sistema de aprendizagem, muitas vezes, o conhecimento é expresso como um conjunto de regras de classificação do tipo SE-ENTÃO, uma vez que está é intuitiva ao usuário. As regras do tipo SE-ENTÃO são também conhecidas como regras de produção, sendo representada da seguinte forma: SE <antecedente> ENTÃO <conseqüente> O antecedente contém uma combinação, normalmente um conjunto de condições que irá prever à partir dos valores dos atributos. E o consequente contém o valor previsto para o atributo-meta. Um exemplo desta regra é considerar uma carteira de clientes de um banco em 110

11 que se deseja localizar os clientes que poderão receber um empréstimo bancário, os quais são avaliados os seguintes atributos: faixa salarial e idade, onde (FREITAS, 2002): SE (Salário >= 2000) E (Idade > 25) ENTÃO Cliente = Empréstimo concedido SE (Salário < 1000) E (Idade < 25) ENTÃO Cliente = Empréstimo negado O algoritmo de mineração de dados tem as regras que acessam somente as regras definidas, onde o algoritmo terá acesso aos valores de predição e ao atributo-meta de cada exemplo no conjunto de treinamento. Portanto, a principal tarefa é descobrir regras de classificação capazes de prever o valor de um atributo-meta a partir dos valores de atributos previsores. Para identificar estas regras utiliza-se um algoritmo que é responsável em identificar e classificar estes atributos, dentre os vários algoritmos existentes o mais utilizado é o da árvore de decisão. As árvores de decisão são modelos estatísticos utilizados em problema de predição supervisionado, em que um conjunto de atributos é usado para predizer o valor de um atributo de saída (resultado), sendo o mapeamento destas entradas para as saídas denominadas de modelo preditivo (ONODA et al., 2001). Elas consistem em nodos que representam os atributos; de arcos, provenientes destes nodos e que recebem os valores possíveis para estes atributos; e de nodos folhas, que representam as diferentes classes de um conjunto de treinamento (SHIBA et al., 2005). Os resultados retornados pelo algoritmo podem ser: discreto (modelo de árvore de classificação) ou contínuo (árvore de regressão). O resultado discreto ocorre quando as folhas fornecem a classe predita e sua probabilidade, já o contínuo fornece apenas uma predição de valor do resultado (MONARD et al., 2005). Normalmente o método utilizado no crescimento da árvore de decisão é baseado em partições recursivas (algoritmo chamado de guloso descendente), começando pelo nó raiz, um número de quebras pertinentes a um atributo de entrada é examinado. O nó raiz é dividido de acordo com uma quebra selecionada, a divisão desta árvore é repetida para cada nó filho como se ele fosse à raiz de uma nova árvore, a profundidade da árvore irá depender de um critério de parada definido por Onoda et al. (2001). Segundo Onada et al (2001), uma árvore de decisão poderá crescer até todo nó ser puro (árvore máxima) quando conterá 100% de precisão nos dados de treinamento, enquanto 111

12 que uma árvore pequena com poucos ramos pode subaproveitar os dados e consequentemente pode falhar na adaptação de novos atributos, resultando em uma generalização pobre. Após concluir a construção da árvore é necessário avaliá-la, por meio da utilização de dados que não tenham sido usados no treinamento, esta estratégia possibilita estimar como a árvore generaliza os dados e se adapta a novas situações, podendo também estimar a proporção de erros e acertos ocorridos na construção da mesma (SHIBA et al., 2005). Diante deste contexto, foi utilizada a ferramenta WEKA para gerar uma árvore de decisão a partir dos dados contidos na base selecionada. Para tal, primeiramente é necessário gerar um arquivo, com a extensão ARRF, onde serão identificadas as classes conhecidas, ficando o arquivo estruturado da seguinte maneira: Relação: Primeira linha do arquivo. Deve conter a seguida de uma palavra-chave que identifique a relação ou tarefa que está sendo executada. Atributos: conjunto de linhas, em que cada linha é iniciada seguida do nome do atributo e seu tipo, que pode ser nominal as alternativas devem aparecer como uma lista separada por vírgulas e cercada por chave ou numérico o nome deve ser seguido da palavra chave real. Normalmente, em uma tarefa de classificação supervisionada, em que as classes e instâncias usadas para o treinamento são conhecidas, o último atributo é a classe para as instâncias (atributo meta). Dados: Após uma linha Cada linha deve corresponder a uma instância e deve ter valores separados por vírgula correspondentes dos atributos da Neste arquivo, o atributo meta definido foi o A16 que é o atributo que informa se o crédito foi aprovado ou não. A figura 3 mostra como o arquivo ficou formatado. 112

13 Figura 3 - Formatação Arquivo Após a conclusão da formatação do arquivo, foi possível utilizar o WEKA para a aplicação do algoritmo J48 que é um algoritmo de árvore de decisão. Este algoritmo constrói um modelo de árvore de decisão baseado num conjunto de dados de treinamento e usa esse modelo para classificar as instâncias do conjunto de testes, utilizando a técnica do guloso descendente. O resultado da execução da mineração de dados pode ser visualizado na figura 4. Pode-se verificar que os dados gerados são mais fáceis de serem interpretados do que os dados ilustrados na Figura 2, pois se geram a partir de dados e da aplicação de um algoritmo de DM suas regras de conhecimento. 113

14 Figura 4- Saída algoritmo J48 === Classifier model (full training set) === J48 pruned tree A9 = t A10 = t: + (228.0/21.0) A10 = f A15 <= 444 A7 = v A4 = u A14 <= 112: + (16.57/1.57) A14 > 112 A15 <= 70: - (30.0/10.0) A15 > 70: + (2.0) A4 = y A13 = g: - (12.0/2.0) A13 = p: - (0.0) A13 = s: + (3.0/1.0) A4 = l: - (0.0) A4 = t: - (0.0) A7 = h: + (27.24/8.24) A7 = bb A3 <= 1.375: + (5.0/1.0) A3 > 1.375: - (9.13/1.0) A7 = j: - (1.01) A7 = n: + (0.0) A7 = z: + (0.0) A7 = dd: + (1.01/0.01) A7 = ff: - (5.05/1.0) A7 = o: + (0.0) A15 > 444: + (21.0/1.0) A9 = f A3 <= A7 = v A2 <= 35.58: - (18.72/3.44) A2 > 35.58: + (3.6/0.16) A7 = h: - (0.0) A7 = bb: + (1.24/0.08) A7 = j: + (1.24/0.08) A7 = n: + (1.24/0.08) A7 = z: - (0.0) A7 = dd: - (0.0) A7 = ff: - (4.96/0.64) A7 = o: - (0.0) A3 > 0.165: - (298.0/12.0)\ Number of Leaves : 30 Size of the tree : 42 A figura 4 mostra a saída do algoritmo J48, representando cada atributo que o banco de dados créditos possui. Onde se interpreta que cada linha representa um nó da árvore. As linhas que possui o caractere são filhos dos nós principais, como ilustra a Figura 5. Figura 5 - Parte do resultado do algoritmo A9 = t Nó Pai A10 = t: + (228.0/21.0) Nó filho E na próxima parte da linha é declarada a regra. Após a regra encontra-se o resultado, que neste exemplo, tenta-se achar os atributos dos clientes que tem seu crédito aprovado ou reprovado. A primeira parte dos valores entre parênteses indica quantas instâncias no conjunto estudado são corretamente classificados para este nó, na figura 3, visualiza-se que foram encontradas 228 instâncias e na segunda parte indica o número de instâncias incorretamente classificados. 114

15 A partir dos dados da figura 2, é possível agora identificar como que cada atributo se relaciona entre si, para alcançar o atributo meta, que no nosso experimento foi o atributo A 16 que identifica se o crédito foi ou não aprovado, no exemplo da figura 5, é possível identificar que os clientes que possuem o atributo A 9 igual a t e se o atributo A 10 for igual t possui o crédito como aprovado. Ao final de toda a árvore são mostrados alguns dados de medição de erros sobre o modelo gerado, como ilustra a Figura 6. Figura 6 - Medição de Erros === Stratified cross-validation === === Summary === Correctly Classified Instances % Incorrectly Classified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 690 Através destas estatísticas geradas é possível identificar a quantidade de erros encontrados no conjunto de dados analisados, se a diferença entre as instâncias classificados corretamente e as instâncias incorretas forem grandes, talvez seja necessária recomeçar todo o processo e ajustá-lo para que o mínimo de erros seja encontrado. Todo o processo é facilitado com a utilização da ferramenta WEKA, que corretamente configurada pode ser uma ferramenta que agregue valor a empresa. Através dela é possível tomar conhecimento de regras ainda desconhecidas, pois está é capaz de identificar com certas facilidades novos padrões e tendências, que de outra forma poderia demandar muito tempo, e quando finalmente a informação chegasse às mãos dos tomadores de decisão essas já poderiam estar defasadas devido às mudanças dinâmicas do mercado. 5. CONTRIBUIÇÕES FINAIS 115

16 Um fator que diferencia as organizações é sua capacidade de transformar os dados disponíveis em informação e conhecimento de valor agregado, que suportem a tomada de decisões de negócio aos níveis estratégicos, táticos e operacionais. Para tal as organizações hoje podem contar com uma grande variedade de ferramentas, entre elas a DM, que tem como objetivo transformar os dados em informações que as empresas poderão vir a utilizar na tomada de decisão e nas definições de suas estratégias no mercado, buscando a melhoria contínua de seus processos, produtos e serviços prestados a comunidade. A Gestão do conhecimento tem um grande impacto nas organizações, tornando-as mais competitiva no mercado, pois são empresas capazes de gerir seu conhecimento e disseminá-lo. Conhecendo como desenvolver e incorporar novas informações de maneira mais rápida, obtendo uma visão diferenciada de seus concorrentes. Os resultados apresentados no presente artigo atingiram os objetivos desta pesquisa evidenciando que a utilização de uma ferramenta capaz de descobrir novas informações em banco de dados, onde contém uma grande quantidade de dados, pode ser um grande diferencial para a empresa que consegue utilizar a ferramenta de forma correta. A ferramenta facilita a interpretação e abstração dos dados que a empresa possui em seus bancos de dados. É importante salientar que a ferramenta de mineração de dados não substitui o papel do gestor. Para que a mineração de dados retorne um bom resultado é preciso uma constante parceria entre os especialistas técnicos com os especialistas de negócio. Podendo assim, a empresa criar realmente um diferencial perante seus concorrentes, por conseguir manipular suas informações de forma rápida e eficiente, tomando uma posição estratégica no mercado. Como sugestões de trabalhos futuros propõem-se: a ampliar o presente estudo com vistas em seu aperfeiçoamento; desenvolver uma pesquisa com relação ao impacto das informações geradas na gestão das empresas que utilizam a mineração de dados como ferramenta de planejamento estratégico; elaborar um estudo sobre as demais tarefas de mineração de dados. REFERÊNCIAS ALMEIDA, Adiel Teixeira and COSTA, Ana Paula Cabral Seixas. Sistemas de Informação e Gestão do conhecimento. Introdução à Engenharia de Produção

17 BATTAGLIA, Maria da Glória Botelho. A inteligência Competitiva modelando o Sistemas de Informação de Clientes - FINEP. Ciência da Informaçào. 1999, vol. 29, pp CARVALHO, Rodrigo Baroni de. Aplicações de Software de Gestão do Conhecimento: Tipologia de Uso. Tese de Mestrado. Minas Gerais: Universidade Federal de Minas Gerais, CASANOVA, Anderson Araújo. Mineração de Dados: Algoritmo da confiança inversa. Dissertação. São Luís: Universidade do Maranhão: Curso de Pós-Graduação em engenharia de eletricidade, FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From Data Mining to Knowledge Discovery in Databases. AI MAGAZINE, FERREIRA, Antônio. Organizações Inteligentes do Data Mining às soluções Preditivas. Lisboa : NovaBase, FIDELIS, Marcos Vinicius, LOPES, Heitor Silvério e FREITAS, Alex Alves. Um algoritmo genético para descobrir regras Data Mining. Anais do XIX Congresso Nacional da Sociedade Brasileira de Computação. 1999, Vol. IV, pp FREITAS, Alex Alves. A Survey of evolution algorithms for Data Mining and Knowledge Discovery. Advances in Evolutionary Compution. 2002, pp GHOSHAL, Sumantra e TANURE, Betania. Estratégia e Gestão Empresarial: Construindo empresas brasileiras de sucesso. Rio de Janeiro : Elsevier, GOMES, Elisabeth e BRAGA, Fabiane. Inteligência Competitiva: Como transformar informação em um negócio lucrativo. Rio de Janeiro: Campus, LAKATOS, E. M. MARCONI, M. A. Fundamentos de Metodologia científica. 4. ed. São Paulo: Atlas, LEUCH, Verônica. Gestão do conhecimento na empresa: elementos facilitadores e possíveis barreiras. Programa de Pós-Graduação em Engenharia de Produção - Universidade Tecnólogica Federal do Paraná MATTOS, João Loureiro de e GUIMARÃES, Leonam dos Santos. Gestão da Tecnologia e Inovação: Uma abordagem prática. São Paulo : Saraiva, MARCONDES, Carlos Henrique. Representação e economia da Informação. Ciência da Informação. 30, 2001, Vol. 3, pp

18 MONARD, M. C. e BARANAUSKAS, J. A. Aplicações. Baueri, SP : Manole, Sistemas Inteligentes: Fundamentos e MORESI, Eduardo Amadeu Dutra. Integração Organizacional: um referencial integrado. Ciência da Informação. 2, 2001, Vol. 30, pp ONODA, Mauricio e EBECKEN, Nelson F. F. Implementação em Java de um algoritmo de árvore de decisão acoplado a um SGBD Relacional. Simpósio Brasileiro de Banco de Dados. XVI, 2001, pp QUONIAN, L. E.. Inteligência obtida pela aplicação de Data Mining em bases de teses francesas sobre o Brasil. Ciência e Informação, 30, pp REZENDE, Denis Alcides e ABREU, Aline França de. Tecnologia da Informação: aplicada a sistema de informação empresariais. Rio de Janeiro: Atlas, RICHARDSON, Roberto Jarry et al. Pesquisa social: métodos e técnicas. 2. ed. São Paulo: Atlas, ROCHA, Roberto Rego Vieira da. O Processo de Gestão do Conhecimento como uma ferramenta estratégica duratora e eficaz para as organizações: desafios e barreiras para a implementação.. ENEGEP ROMÃO, Wesley, FREITAS, Alex Alves e PACHECO, Roberto dos Santos. Uma revisão de abordagens genético-difusas para descoberta de conhecimento em banco de dados. Acta Scientiarum. 2000, pp SHIBA, Marcelo Hiroshi, et al. Classificação de imagens de sensoriamento remoto pela aprendizagem por árvore de decisão: Uma avaliação de desempenho. Anais XII Simpósio Brasileiro Remoto pp TARAPANOFF, Kira, JÚNIOR, Rogério Henrique Araújo e CORNIER, Patricia Marie Jeanne. Sociedade da informação e inteligência em unidade de informação. Ciência da Informação. n. 3, Vol. V. 29, pp TERRA, José Cláudio Cyrineu e ALMEIDA, Carolina. Gestão do Conhecimento e Inteligência Competitiva: duas faces da mesma moeda. Terra Forum Consultores. Disponível em <http://www.terraforum.com.br/sites/terraforum/biblioteca/duas%20faces %20da% 20mesma%20moeda.pdf>. Acessado em 12 de junho de TERRA, José Cláudio Cyrineu. Gestão do Conhecimento e E-Learning na prática. Rio de Janeiro : Elsevier,

19 VALENTIM, Marta Lígia Pomim e MOLINA, Letícia Gorri. Prospecção e Monitoramento informacional no processo de Inteligência Competitiva. Ciência da Informação WEKA. The University of Waikato: Software. Disponível em < ml/weka/>. Acesso em 24/11/

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

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

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

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

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

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

Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados

Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados Universidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática 2006.2 Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento

Leia mais

Data Mining: Ferramenta JAVA

Data Mining: Ferramenta JAVA Data Mining: Ferramenta JAVA JAVA para Data Mining Weka 3: Data Mining Software em Java http://www.cs.waikato.ac.nz/ml/weka/ Coleção de algoritmos para as tarefas de data mining; Free software. WEKA: JAVA

Leia mais

SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI LEARNING SYSTEMS FOR IDENTIFICATION OF PEQUI FRUIT SEEDS NUMBER

SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI LEARNING SYSTEMS FOR IDENTIFICATION OF PEQUI FRUIT SEEDS NUMBER SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI Fernando Luiz de Oliveira 1 Thereza Patrícia. P. Padilha 1 Conceição A. Previero 2 Leandro Maciel Almeida 1 RESUMO O processo

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

Universidade de Brasília. Faculdade de Ciência da Informação. Prof a Lillian Alvares

Universidade de Brasília. Faculdade de Ciência da Informação. Prof a Lillian Alvares Universidade de Brasília Faculdade de Ciência da Informação Prof a Lillian Alvares Fóruns Comunidades de Prática Mapeamento do Conhecimento Portal Intranet Extranet Banco de Competências Memória Organizacional

Leia mais

CONHECENDO E CONCEITUANDO SISTEMAS DE INFORMAÇÃO

CONHECENDO E CONCEITUANDO SISTEMAS DE INFORMAÇÃO CONHECENDO E CONCEITUANDO SISTEMAS DE INFORMAÇÃO Franco Vieira Sampaio 1 Atualmente a informática está cada vez mais inserida no dia a dia das empresas, porém, no início armazenavam-se os dados em folhas,

Leia mais

Unidade II GESTÃO DO CONHECIMENTO. Profa. Leonor Cordeiro Brandão

Unidade II GESTÃO DO CONHECIMENTO. Profa. Leonor Cordeiro Brandão Unidade II GESTÃO DO CONHECIMENTO Profa. Leonor Cordeiro Brandão Relembrando Vimos alguns conceitos importantes: O que são dados; O que é informação; Quando uma informação se transforma em conhecimento;

Leia mais

Data Mining Software Weka. Software Weka. Software Weka 30/10/2012

Data Mining Software Weka. Software Weka. Software Weka 30/10/2012 Data Mining Software Weka Prof. Luiz Antonio do Nascimento Software Weka Ferramenta para mineração de dados. Weka é um Software livre desenvolvido em Java. Weka é um É um pássaro típico da Nova Zelândia.

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

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

Exemplo de Aplicação do DataMinig

Exemplo de Aplicação do DataMinig Exemplo de Aplicação do DataMinig Felipe E. Barletta Mendes 19 de fevereiro de 2008 INTRODUÇÃO AO DATA MINING A mineração de dados (Data Mining) está inserida em um processo maior denominado Descoberta

Leia 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

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

Mineração de Dados: Introdução e Aplicações

Mineração de Dados: Introdução e Aplicações Mineração de Dados: Introdução e Aplicações Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br Apresentação Luiz Merschmann Engenheiro

Leia mais

SISTEMAS DE 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

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

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

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

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

Leia mais

INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO

INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO Prof. Msc. Saulo Popov Zambiasi (saulopz@gmail.com) 11/07/08 10:25 Informação - ICPG - Criciuma - SC 1 Informação - ICPG - Criciuma -

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

O CRM e a TI como diferencial competitivo

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

Leia mais

Gestão do Conhecimento

Gestão do Conhecimento Ministério da Educação Universidade Tecnológica Federal do Paraná Campus Ponta Grossa Gerência de Pesquisa e Pós-graduação Programa de Pós-graduação em Engenharia de Produção Ponta Grossa 2008 SISTEMA

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

Universidade de Brasília. Faculdade de Ciência da Informação. Profa. Lillian Alvares

Universidade de Brasília. Faculdade de Ciência da Informação. Profa. Lillian Alvares Universidade de Brasília Faculdade de Ciência da Informação Profa. Lillian Alvares Fóruns / Listas de discussão Espaços para discutir, homogeneizar e compartilhar informações, idéias e experiências que

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

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

Fornecendo Inteligência, para todo o mundo, a mais de 20 anos.

Fornecendo Inteligência, para todo o mundo, a mais de 20 anos. Fornecendo Inteligência, para todo o mundo, a mais de 20 anos. Fundada em 1989, a MicroStrategy é fornecedora líder Mundial de plataformas de software empresarial. A missão é fornecer as plataformas mais

Leia mais

GESTÃO DO CONHECIMENTO E INTELIGÊNCIA COMPETITIVA EM ORGANIZAÇÕES: UMA ABORDAGEM CONCEITUAL 1

GESTÃO DO CONHECIMENTO E INTELIGÊNCIA COMPETITIVA EM ORGANIZAÇÕES: UMA ABORDAGEM CONCEITUAL 1 GESTÃO DO CONHECIMENTO E INTELIGÊNCIA COMPETITIVA EM ORGANIZAÇÕES: UMA ABORDAGEM CONCEITUAL 1 Heide Miranda da SILVA 2 RESUMO As exigências do mercado atual somadas aos avanços das tecnologias de informação

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

TECNOLOGIA E SISTEMAS DE INFORMAÇÃO UM ESTUDO DE CASO NA EMPRESA POSTO DOURADÃO LTDA RESUMO

TECNOLOGIA E SISTEMAS DE INFORMAÇÃO UM ESTUDO DE CASO NA EMPRESA POSTO DOURADÃO LTDA RESUMO TECNOLOGIA E SISTEMAS DE INFORMAÇÃO UM ESTUDO DE CASO NA EMPRESA POSTO DOURADÃO LTDA Hewerton Luis P. Santiago 1 Matheus Rabelo Costa 2 RESUMO Com o constante avanço tecnológico que vem ocorrendo nessa

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

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

Data Mining na Web para Inteligência Competitiva

Data Mining na Web para Inteligência Competitiva Data Mining na Web para Inteligência Competitiva Simone de Almeida (CEFET/PR) simonea@pg.cefetpr.br Rui Francisco Martins Marçal (CEFET/PR) marcal@pg.cefetpr.br Luciano Scandelari (CEFET/PR) luciano@cefetpr..br

Leia mais

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

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

Leia mais

Módulo 15 Resumo. Módulo I Cultura da Informação

Módulo 15 Resumo. Módulo I Cultura da Informação Módulo 15 Resumo Neste módulo vamos dar uma explanação geral sobre os pontos que foram trabalhados ao longo desta disciplina. Os pontos abordados nesta disciplina foram: Fundamentos teóricos de sistemas

Leia 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

INTRODUÇÃO À GESTÃO DE TECNOLOGIA DA INFORMAÇÃO. Adriana Beal, Eng. MBA Maio de 2001

INTRODUÇÃO À GESTÃO DE TECNOLOGIA DA INFORMAÇÃO. Adriana Beal, Eng. MBA Maio de 2001 INTRODUÇÃO À GESTÃO DE TECNOLOGIA DA INFORMAÇÃO, Eng. MBA Maio de 2001 Apresentação Existe um consenso entre especialistas das mais diversas áreas de que as organizações bem-sucedidas no século XXI serão

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 Tecnologia da Informação PETI: Uma aplicação referenciada pelo COBIT

Planejamento Estratégico de Tecnologia da Informação PETI: Uma aplicação referenciada pelo COBIT Planejamento Estratégico de Tecnologia da Informação PETI: Uma aplicação referenciada pelo COBIT Universidade Federal de Santa Catarina Sistemas de Informação André Luiz Samistraro Santin asantin@inf.ufsc.br

Leia mais

INTRODUÇÃO A MINERAÇÃO DE DADOS UTILIZANDO O WEKA

INTRODUÇÃO A MINERAÇÃO DE DADOS UTILIZANDO O WEKA INTRODUÇÃO A MINERAÇÃO DE DADOS UTILIZANDO O WEKA Marcelo DAMASCENO(1) (1) Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte/Campus Macau, Rua das Margaridas, 300, COHAB, Macau-RN,

Leia mais

GESTÃO DE TI NAS ORGANIZAÇÕES CONTEMPORÂNEAS

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

Leia mais

GESTÃO EMPRESARIAL E TECNOLOGIA DA INFORMAÇÃO

GESTÃO EMPRESARIAL E TECNOLOGIA DA INFORMAÇÃO GESTÃO EMPRESARIAL E TECNOLOGIA DA INFORMAÇÃO * César Raeder Este artigo é uma revisão de literatura que aborda questões relativas ao papel do administrador frente à tecnologia da informação (TI) e sua

Leia mais

Gestão do Conhecimento Case Documentar

Gestão do Conhecimento Case Documentar Gestão do Conhecimento Case Documentar GESTÃO DO CONHECIMENTO CASE DOCUMENTAR Empresa: Documentar Tecnologia e Informação Localização: R. Barão de Macaúbas 460 20º Andar Santo Antônio BH/MG Segmento: Tecnologia,

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

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

Aplicativo de Mineração de Dados Aplicado em Bases de Dados Acadêmicas

Aplicativo de Mineração de Dados Aplicado em Bases de Dados Acadêmicas 22 - Encontro Anual de Tecnologia da Informação Aplicativo de Mineração de Dados Aplicado em Bases de Dados Acadêmicas Elisa Maria Vissotto1, Adriane Barbosa Camargo2 1 Universidade Regional Integrada

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

PANORAMA E TENDENCIAS DA GESTÃO DO CONHECIMENTO NO BRASIL

PANORAMA E TENDENCIAS DA GESTÃO DO CONHECIMENTO NO BRASIL PANORAMA E TENDENCIAS DA GESTÃO DO CONHECIMENTO NO BRASIL HEITOR J PEREIRA. Professor da FIA Fundação Instituto de Administração. Ex-Presidente da SBGC Soc. Bras. Gestão do Conhecimento Revolução Agrícola

Leia mais

GESTÃO DO CONHECIMENTO: PRÁTICAS QUE CRIAM VALOR

GESTÃO DO CONHECIMENTO: PRÁTICAS QUE CRIAM VALOR GESTÃO DO CONHECIMENTO: PRÁTICAS QUE CRIAM VALOR Área: ADMINISTRAÇÃO Categoria: EXTENSÃO Francielle Cwikla Fundação Getulio Vargas, Rua Canafistula 96 Vila B, francwikla@gmail.com Resumo A gestão do conhecimento

Leia mais

MINERAÇÃO DE DADOS PARA DETECÇÃO DE SPAMs EM REDES DE COMPUTADORES

MINERAÇÃO DE DADOS PARA DETECÇÃO DE SPAMs EM REDES DE COMPUTADORES MINERAÇÃO DE DADOS PARA DETECÇÃO DE SPAMs EM REDES DE COMPUTADORES Kelton Costa; Patricia Ribeiro; Atair Camargo; Victor Rossi; Henrique Martins; Miguel Neves; Ricardo Fontes. kelton.costa@gmail.com; patriciabellin@yahoo.com.br;

Leia mais

Faculdade de Ciência da Informação Prof a Lillian Alvares

Faculdade de Ciência da Informação Prof a Lillian Alvares Universidade de Brasília Faculdade de Ciência da Informação Prof a Lillian Alvares Tecnologia e Gestão O principal papel da Tecnologia da Informação na Gestão do Conhecimento consiste em: Ampliar o alcance

Leia mais

Mestrado em Análise de Dados e Sistemas de Apoio à Decisão. Faculdade de Economia. Universidade de Porto. Extracção de Conhecimento de Dados I

Mestrado em Análise de Dados e Sistemas de Apoio à Decisão. Faculdade de Economia. Universidade de Porto. Extracção de Conhecimento de Dados I Mestrado em Análise de Dados e Sistemas de Apoio à Decisão Faculdade de Economia Universidade de Porto Extracção de Conhecimento de Dados I PROBLEMAS DE CLASSIFICAÇÃO Manuel José Ferreira Monteiro Novembro

Leia mais

Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado

Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado Alessandro Ferreira Brito 1, Rodrigo Augusto R. S. Baluz 1, Jean Carlo Galvão Mourão 1, Francisco das Chagas Rocha 2

Leia mais

Estratégias em Tecnologia da Informação

Estratégias em Tecnologia da Informação Estratégias em Tecnologia da Informação Capítulo 6 Sistemas de Informações Estratégicas Sistemas integrados e sistemas legados Sistemas de Gerenciamento de Banco de Dados Material de apoio 2 Esclarecimentos

Leia mais

Instituto de Educação Tecnológica Pós-graduação Gestão e Tecnologia da Informação - Turma 25 20/03/2015. Big Data Analytics:

Instituto de Educação Tecnológica Pós-graduação Gestão e Tecnologia da Informação - Turma 25 20/03/2015. Big Data Analytics: Instituto de Educação Tecnológica Pós-graduação Gestão e Tecnologia da Informação - Turma 25 20/03/2015 Big Data Analytics: Como melhorar a experiência do seu cliente Anderson Adriano de Freitas RESUMO

Leia mais

PROJETO DE REDES www.projetoderedes.com.br

PROJETO DE REDES www.projetoderedes.com.br PROJETO DE REDES www.projetoderedes.com.br Centro Universitário de Volta Redonda - UniFOA Curso Tecnológico de Redes de Computadores 5º período Disciplina: Tecnologia WEB Professor: José Maurício S. Pinheiro

Leia mais

Inteligência Competitiva II

Inteligência Competitiva II Inteligência Competitiva II P R O F A L I L L I A N A L V A R E S F A C U L D A D E D E C I Ê N C I A D A I N F O R M A Ç Ã O U N I V E R S I D A D E D E B R A S Í L I A Contexto de Surgimento Tomada de

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

Módulo 07 Gestão de Conhecimento

Módulo 07 Gestão de Conhecimento Módulo 07 Gestão de Conhecimento Por ser uma disciplina considerada nova dentro do campo da administração, a gestão de conhecimento ainda hoje tem várias definições e percepções, como mostro a seguir:

Leia mais

Software de gerenciamento de trabalho

Software de gerenciamento de trabalho Software de gerenciamento de trabalho Software de gerenciamento de trabalho GoalPost O software de gerenciamento de trabalho (LMS) GoalPost da Intelligrated fornece informações sob demanda para medir,

Leia mais

Estratégias em Tecnologia da Informação. Posição e Vantagem Competitiva Aplicações integradas Aplicações Web

Estratégias em Tecnologia da Informação. Posição e Vantagem Competitiva Aplicações integradas Aplicações Web Estratégias em Tecnologia da Informação Capítulo 09 Posição e Vantagem Competitiva Aplicações integradas Aplicações Web Material de apoio 2 Esclarecimentos Esse material é de apoio para as aulas da disciplina

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

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

Aprendizado de classificadores das ementas da Jurisprudência do Tribunal Regional do Trabalho da 2ª. Região - SP

Aprendizado de classificadores das ementas da Jurisprudência do Tribunal Regional do Trabalho da 2ª. Região - SP Aprendizado de classificadores das ementas da Jurisprudência do Tribunal Regional do Trabalho da 2ª. Região - SP Thiago Ferauche, Maurício Amaral de Almeida Laboratório de Pesquisa em Ciência de Serviços

Leia mais

Faculdade de Ciência da Informação Profa. Lillian Alvares

Faculdade de Ciência da Informação Profa. Lillian Alvares Universidade de Brasília Faculdade de Ciência da Informação Profa. Lillian Alvares Tecnologia e Gestão O principal papel da Tecnologia da Informação na Gestão do Conhecimento consiste em: Ampliar o alcance

Leia mais

CURSO DE SISTEMAS DE INFORMAÇÃO

CURSO DE SISTEMAS DE INFORMAÇÃO 1 CURSO DE SISTEMAS DE INFORMAÇÃO EMENTÁRIO DAS DISCIPLINAS 2011.1 BRUSQUE (SC) 2015 2 SUMÁRIO 1ª FASE... 4 01 ARQUITETURA DE COMPUTADORES... 4 02 FILOSOFIA... 4 03 FUNDAMENTOS MATEMÁTICOS PARA COMPUTAÇÃO...

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

Sistemas de Informação I

Sistemas de Informação I + Sistemas de Informação I Dimensões de análise dos SI Ricardo de Sousa Britto rbritto@ufpi.edu.br + Introdução n Os sistemas de informação são combinações das formas de trabalho, informações, pessoas

Leia 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

A pesquisa acadêmica stricto sensu no Brasil sobre a inteligência competitiva

A pesquisa acadêmica stricto sensu no Brasil sobre a inteligência competitiva A pesquisa acadêmica stricto sensu no Brasil sobre a inteligência competitiva Sandely Fernandes de Araújo (UFRN) sandely.araujo@pep.ufrn.br Anatália Saraiva Martins Ramos (UFRN) anatalia@pep.ufrn.br Resumo

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

Universidade de Brasília Departamento de Ciência da Informação e Documentação Programa de Pós Graduação em Ciência da Informação Prof a.

Universidade de Brasília Departamento de Ciência da Informação e Documentação Programa de Pós Graduação em Ciência da Informação Prof a. Universidade de Brasília Departamento de Ciência da Informação e Documentação Programa de Pós Graduação em Ciência da Informação Prof a. Lillian Alvares Tecnologia e Gestão O principal papel da Tecnologia

Leia mais

Microsoft Innovation Center

Microsoft Innovation Center Microsoft Innovation Center Mineração de Dados (Data Mining) André Montevecchi andre@montevecchi.com.br Introdução Objetivo BI e Mineração de Dados Aplicações Exemplos e Cases Algoritmos para Mineração

Leia mais

Sistemas de Informações Gerenciais

Sistemas de Informações Gerenciais Sistemas de Informações Gerenciais Aula 4 Sistema de Informação SI baseado em computadores Organização, administração e estratégia Professora: Cintia Caetano INTRODUÇÃO Sistemas de Informação são parte

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

A IMPORTÂNCIA DO SISTEMA DE INFORMAÇÃO GERENCIAL PARA AS EMPRESAS

A IMPORTÂNCIA DO SISTEMA DE INFORMAÇÃO GERENCIAL PARA AS EMPRESAS A IMPORTÂNCIA DO SISTEMA DE INFORMAÇÃO GERENCIAL PARA AS EMPRESAS Gilmar da Silva, Tatiane Serrano dos Santos * Professora: Adriana Toledo * RESUMO: Este artigo avalia o Sistema de Informação Gerencial

Leia mais

Planejamento de sistemas de informação.

Planejamento de sistemas de informação. Planejamento de sistemas de informação. O planejamento de sistemas de informação e da tecnologia da informação é o processo de identificação das aplicações baseadas em computadores para apoiar a organização

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

O QUE SÃO SISTEMAS DE INFORMAÇÃO? Prof. Angelo Augusto Frozza, M.Sc. frozza@ifc-camboriu.edu.br

O QUE SÃO SISTEMAS DE INFORMAÇÃO? Prof. Angelo Augusto Frozza, M.Sc. frozza@ifc-camboriu.edu.br O QUE SÃO SISTEMAS DE INFORMAÇÃO? Prof. Angelo Augusto Frozza, M.Sc. frozza@ifc-camboriu.edu.br O QUE SÃO SISTEMAS DE INFORMAÇÃO? Dado Informação Conhecimento Sistemas de Informação DADO O DADO consiste

Leia mais

CONTROLADORIA NO SUPORTE A GESTÃO EMPRESARIAL

CONTROLADORIA NO SUPORTE A GESTÃO EMPRESARIAL CONTROLADORIA NO SUPORTE A GESTÃO EMPRESARIAL Cristiane de Oliveira 1 Letícia Santos Lima 2 Resumo O objetivo desse estudo consiste em apresentar uma base conceitual em que se fundamenta a Controladoria.

Leia mais

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

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

Leia mais

Colaboração nas Empresas SPT SIG Aplicações Empresariais

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

Leia mais

Como melhorar a tomada de decisão. slide 1

Como melhorar a tomada de decisão. slide 1 Como melhorar a tomada de decisão slide 1 P&G vai do papel ao pixel em busca da gestão do conhecimento Problema: grande volume de documentos em papel atrasavam a pesquisa e o desenvolvimento. Solução:

Leia mais

I Seminário de Gestão da Informação e do Conhecimento Rialde-BR COPED -BNDES

I Seminário de Gestão da Informação e do Conhecimento Rialde-BR COPED -BNDES I Seminário de Gestão da Informação e do Conhecimento Rialde-BR COPED -BNDES Perspectivas para a Inteligência Organizacional e Competitiva na Web 2.0 Profª Drª Kira Tarapanoff 25.11.2014-14:00h 1 Sumário

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

C O B I T. Gerenciamento dos Riscos Mitigação. Aceitação. Transferência. Evitar/Eliminar.

C O B I T. Gerenciamento dos Riscos Mitigação. Aceitação. Transferência. Evitar/Eliminar. C O B I T Evolução Estratégica A) Provedor de Tecnologia Gerenciamento de Infra-estrutura de TI (ITIM) B) Provedor de Serviços Gerenciamento de Serviços de TI (ITSM) C) Parceiro Estratégico Governança

Leia mais

Sistemas de Apoio à Decisão (SAD) - Senado

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

Leia mais

A importância da estratégia para mapear mercados e concorrentes. Inteligência competitiva como uma alternativa

A importância da estratégia para mapear mercados e concorrentes. Inteligência competitiva como uma alternativa A importância da estratégia para mapear mercados e concorrentes. Inteligência competitiva como uma alternativa Luiz Rogério S. Santos Empreendedor de Negócios e Marketing Corporativo Sábia Experience www.sabiax.com.br

Leia mais

Dados como recurso para a organização

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

Leia mais

Visão Geral dos Sistemas de Informação

Visão Geral dos Sistemas de Informação Visão Geral dos Sistemas de Informação Existem muitos tipos de sistemas de informação no mundo real. Todos eles utilizam recursos de hardware, software, rede e pessoas para transformar os recursos de dados

Leia mais

2 Gestão de Competências

2 Gestão de Competências APOIO À GESTÃO DE COMPETÊNCIAS: SOFTWARE PARA ANÁLISE DE CONCEITOS EM CURRÍCULOS José Luiz Duizith, Leandro Krug Wives, Gustavo Tagliassuchi, Stanley Loh InText Mining www.intext.com.br joseluiz.duizith{a}intext.com.br

Leia mais

1 UML (UNIFIED MODELING LANGUAGE)

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

Leia mais

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