AVALIAÇÃO DA EFICIÊNCIA DA GERÊNCIA DE REDES DE TELECOMUNICAÇÕES USANDO TÉCNICAS DE BI

Tamanho: px
Começar a partir da página:

Download "AVALIAÇÃO DA EFICIÊNCIA DA GERÊNCIA DE REDES DE TELECOMUNICAÇÕES USANDO TÉCNICAS DE BI"

Transcrição

1 AVALIAÇÃO DA EFICIÊNCIA DA GERÊNCIA DE REDES DE TELECOMUNICAÇÕES USANDO TÉCNICAS DE BI Jorge Luiz de Araujo Monteiro IBMEC-RJ Gerson Lachtermacher FCE/UERJ e EBAPE/FGV / Paulo Sérgio de Souza Coelho IBMEC-RJ RESUMO A avaliação da eficiência da gerência de redes de telecomunicações é realizada usando técnicas de BI (Data Mining e OLAP). Foram analisados dados gerados pelo Sistema de Registro de Problemas de uma empresa multinacional prestadora de serviços de telecomunicações. Este estudo baseou-se em ocorrências do ano de 2005 e nas metas estabelecidas para recuperar falhas nos serviços contratados. Forças e fraquezas no mecanismo de gerência atualmente utilizado foram apontadas. Os resultados mostraram a eficiência das técnicas utilizadas para o problema em questão, e trouxeram evidencias para uma teoria presente na literatura especializada que estas técnicas são semelhantes e, portanto, alternativas. 1 INTRODUÇÃO Uma das áreas de maior interesse e expansão nos últimos anos, tanto no Brasil quanto no resto do mundo, é a área de transmissão de dados. O próprio fenômeno da globalização é, em grande parte, atribuído a uma revolução na forma, rapidez e facilidade com que são trocadas, difundidas e manipuladas as informações em redes de comunicação globais como a Internet (CHEN & KONG, 1999). Ainda segundo o mesmo autor, empresas de serviços de telecomunicações que, no passado, dedicavam-se exclusivamente à telefonia ou distribuição de TV, vêem hoje seu mercado como um terreno único, permeado por tecnologias que deverão integrar-se em grandes redes mundialmente interligadas, capazes de prover uma gama de novos serviços diferenciados e a preços competitivos. Dados de empresas de consultoria e institutos internacionais de pesquisa de mercado indicam que, em 1999, a perda de faturamento das prestadoras de serviços de telecomunicações no mundo chegou a US$ 15 bilhões. Segundo a mesma pesquisa, uma parte delas (33%), nem sabe que estão perdendo receita, mais um expressivo número de empresas que não consegue identificar a origem da evasão (COSTA, 2001). Fatos como estes têm motivado um número cada vez maior de empresas operadoras de telecomunicações a investirem em soluções destinadas a facilitar o gerenciamento de suas redes, de modo a melhorar o desempenho e a qualidade e evitar a perda de receitas (CHEN & KONG, 1999). O objetivo deste estudo é avaliar a eficiência da gestão da rede de telecomunicações de uma empresa fornecedora de soluções de telecomunicações. Sua rede principal alcança mais de 300 cidades e 28 países em todo o mundo, e fornece serviços para cerca de 600 cidades em 60 países. O sistema de gerência de redes inclui o acompanhamento de ocorrência e do

2 processo de solução das falhas, mas não possui um mecanismo para controle percentual das mesmas. Para obter esta informação, considerou-se os dados oriundos do sistema de CRM desta empresa. Como a ocorrência de problemas é, normalmente, relatado a partir do cliente, estas informações estavam disponíveis neste sistema. Estes dados foram analisados para verificar se as metas estavam sendo efetivamente cumpridas. Os métodos para análise foram duas diferentes técnicas de Business Intelligence (BI): Regras de Associação (Data Mining) e manipulação de cubos OLAP. Apesar de não ser o objetivo inicial deste estudo, a comparação destas técnicas foi inevitável. Como conseqüência, alguns subsídios que reforçam a teoria de que é possível fazer Data Mining a partir de manipulações OLAP foram obtidos. A motivação principal foi a necessidade de avaliação da eficiência da própria empresa estudada. Entretanto, deve-se considerar que o problema que foi tratado neste estudo é recorrente em outras empresas. As semelhanças devem ser mais facilmente percebidas considerando empresas de porte semelhante e que atuam no mesmo mercado. Entretanto, as técnicas aqui descritas podem ser aplicadas em universos mais diversos, como por exemplo, empresas prestadoras de serviços. Em particular, deve-se ressaltar que não se conhece na literatura nenhuma aplicação semelhante para avaliação paralela de sistemas de gestão de redes de telecomunicações. O texto está dividido em 4 seções além desta. A Seção 2 contém a revisão da literatura que foi feita, tratando basicamente do problema gestão de redes de telecomunicações, inclusive as ferramentas tradicionais de avaliação de eficiência, e dos métodos Data Mining e OLAP. A Seção 3 apresenta a metodologia realizada, desde a extração dos dados até a aplicação das técnicas. Na seção 4 são descritos os resultados e como eles foram analisados. Nesta seção há uma breve discussão sobre a relação Data Mining e OLAP. Finalmente, a Seção 5 é a conclusão dos estudos, com as considerações finais. 2 REVISÃO BIBLIOGRÁFICA A revisão feita é dividida em duas partes bem especificas: o problema e os métodos. Os conceitos relativos ao problema são apresentados a partir da literatura acadêmica e, principalmente, técnica, pois foram consultados os órgãos internacionais de padronização e de regulamentação. Os conceitos relativos aos métodos foram obtidos exclusivamente na literatura acadêmica. 2.1 GERÊNCIA DE REDES DE TELECOMUNICAÇÕES A gerência de redes tornou-se fundamental no acompanhamento da evolução tecnológica, ocorrida nos sistemas de telecomunicações, e a crescente integração entre empresas operadoras dos mesmos. Esta gerência tem se tornado cada vez mais complexa devido ao aumento de capacidade dos equipamentos e a conseqüente diversificação dos serviços oferecidos por tais empresas (CHEN & KONG, 1999). A gerência integrada de rede teve a sua organização física e funcional definida no ITU-T (International Telecommunications Union-Telecommunications Standardization Section), sob o título TMN (Telecommunications Management Network) e possui uma recomendação básica com o título de Recomendação Dias (2006) cita que no Brasil são usados os termos: Gerência de Redes ou Gerência Integrada de Redes e Serviços (GIRS).

3 2.1.1 Desafios da Gerência de Redes em uma rede convergente Segundo Dias (2006), no passado a Gerência de Redes tratava separadamente o tráfego de voz e de dados. Apesar dos seus problemas operacionais, as atividades de Gerência eram de certa forma, tranqüilas, pois o comportamento dessas redes era conhecido. Apesar disso, faltava uma cultura de Gerenciamento de Rede, que considerasse a necessidade de investimentos, controle de processos e ferramentas disponíveis. Pode-se perceber a complexidade de gerenciamento e o que ela pode trazer nos custos operacionais de uma operadora através de um simples exemplo: algumas vezes ocorre um alarme na rede, ou seja, a divulgação de que um problema ocorreu, o qual se espalha provocando outros alarmes em função das suas interdependências. Isto é, um alarme provoca outros alarmes em cadeia. Deve-se perceber que a topologia de uma rede de telecomunicações define variadas formas de interdependências entre sistemas. Assim, a operadora que não possuir no seu sistema de gerência de rede uma ferramenta de correlação de alarmes que possa detectar a causa raiz daquela série de alarmes terá sérios problemas operacionais. A prática comum nestes casos é checar todas as causas possíveis. Como em geral há urgência para a solução do problema, geralmente são despachadas diversas ordens de serviços, que pode incluir várias equipes e localidades, sendo que quase todas as ordens serão inócuas, pois o problema não estará sob o seu controle (DIAS, 2006). Como resultado se observa tempo excessivo para solução do problema, utilização de mão de obra e recursos desnecessários, frustração com o resultado, desconforto entre equipes, perda de tráfego, e, muito provavelmente, falta de qualidade no serviço prestado aos clientes. O custo devido a uma ocorrência deste tipo e nestas condições é muito alto. Ocorrências como estas acontecem todos os dias, o que torna crítico o uso de um sistema de gerência eficiente. A situação vem se tornando cada vez mais crítica, pois as redes estão cada vez mais complexas e as exigências cada vez maiores. Dias (2006) concluiu dizendo que de qualquer forma as empresas operadoras de telecomunicações terão que se voltar para usar convenientemente os dados que coletam e tratam, transformando-os em informação e, com mais algum trabalho, transformá-los em informações inteligentes Sistema de Registro de Problemas O Sistema de Registro de Problemas é uma ferramenta usada nos Centros de Gerência de Redes para registrar as falhas ocorridas nas redes das empresas prestadoras de serviços de telecomunicações. Os Centro de Gerência de Redes utilizam Sistemas de Registro de Problemas a fim de manterem um histórico dos mesmos em bancos de dados, o que viabiliza a utilização de sistemas especialista na solução dos problemas. Segundo a norma RFC1297 (Network Working Group, 1992) um sistema de registro de problemas deve servir aos seguintes propósitos: Histórico e comunicação: A finalidade primária do sistema é manter um histórico dos problemas ocorridos na rede. Como os operadores de um Centro de Gerência normalmente trabalham em turnos, este histórico torna-se fundamental no acompanhamento dos problemas, possibilitando que vários operadores trabalhem no mesmo problema, tanto dentro do turno quanto na seqüência. O sistema trabalha com o conceito de ticket, ou case, que descreve o problema fornece um histórico completo

4 do mesmo, de modo que todos os operadores conseguem examiná-lo sem ter que consultar outros operadores; Programaçao e distribuição do trabalho: Como os Centros de Gerência lidam com vários problemas simultaneamente e cada um com uma prioridade diferente, o sistema deve fornecer, em tempo real, uma lista dos problemas existentes, ordenados por prioridades. Isto permite que os operadores organizem seus trabalhos no início e durante o turno. Também permite que os supervisores fiquem a par da carga de serviço atual do Centro de Gerência; Despachar atendimento: Se o sistema for integrado a um servidor de correio eletrônico, o ticket poderá ser encaminhado à um operador, a fim de que ele possa resolvê-lo, relacionando o ticket ao operador designado; Despertador: Na maioria das vezes os tickets ficam abertos aguardando por algum evento e esta espera deve estar associada a algum temporizador, pois do contrário eles ficariam abertos indefinidamente. Se um ticket estiver aguardando a resposta de uma empresa de telefonia, por exemplo, deverá existir um tempo de resposta definido para este aguardo. Se no período definido por este temporizador não houver resposta, o sistema deve mudar o status do ticket para que ele volte a ser acompanhado. Da mesma forma, se um ticket tiver sido despachado para um site remoto deverá existir um tempo de resposta definido para o aguardo da solução do problema. Um bom sistema de registro de problemas é aquele que permite definir temporizadores para cada ticket aberto. Temporizadores são importantes, pois eles também ajudam no processo de escalonamento hierárquico da solução dos problemas; Supervisão por engenheiros e representantes de clientes: Os Centros de Gerência de Redes operam, normalmente, mais de uma rede e têm técnicos (engenheiros, representantes de clientes, etc) responsáveis por apenas parte de cada rede. Para estas pessoas deverão existir, no sistema, relatórios com filtros que possibilitem a seleção das redes desejadas. Esses relatórios deverão incluir também sumários dos tickets referentes aos dias anteriores mostrando aqueles ainda abertos. A finalidade desses relatórios é manter os supervisores dos sites informados sobre tendências e problemas em sistemas que ainda estejam fora do ar; Análise Estatística: a padronização dos atributos dos tickets possibilita a categorização dos mesmos e esta categorização é útil na análise de desempenho dos equipamentos e do Centro de Gerência de Redes. Esta padronização também deverá incluir as informações sobre o tempo entre falhas (MTBF Mean Time Between Failure) e o tempo gasto no reparo (MTTR Mean Time to Repair) de determinado sistema/equipamento. Os atributos também poderão ser usados em estatísticas que avaliem o estado dos equipamentos da rede, podendo, desta forma, serem substituídos antes que venham a afetar a saúde da mesma. Um bom sistema de registro de problemas deverá fornecer estas informações estatísticas em um formato que possa ser usado em planilhas eletrônicas e programas gráficos; Filtro de alertas: Deverá ser possível usar as informações sobre o estado da rede, contidas nos tickets, a fim de filtrar os alertas que são mostrados nos sistema de gerência de cada equipamento. Desta forma, se um determinado nó estiver fora do ar e já existir um ticket referente a este problema, o alerta para aquele será reconhecido pelo sistema de gerência que lhe dará um tratamento especial, a nível de prioridade, status, ou até de maneira que ele não apareça no sistema; Justificativas para os clientes e boa imagem do Centro de Gerência: Os Centros de Gerência de Redes lidam com clientes que querem ter seus problemas solucionados rapidamente. Muitas vezes esses problemas não são solucionados no tempo esperado

5 pelo cliente, o que causa, normalmente, problemas para ambas as partes. O sistema deverá registrar o esforço feito pelo pessoal responsável em solucionar o problema, e os motivos que os levaram ao não cumprimento dos prazos esperados, a fim de que se possa dar justificativas plausíveis aos clientes. 2.2 BUSINESS INTELLIGENCE É essencial, para o sucesso de uma organização, que seus empregados, em todos os níveis hierárquicos, entendam do negócio da empresa, e este conhecimento pode ser adquirido através de processos que facilitem o acesso às informações necessárias aos mesmos. Este fato tem produzido uma enorme demanda em tecnologias que possam armazenar, recuperar e manipular dados dentro das organizações (KUDYBA & HOPTROFF, 2001). A filosofia do BI é definir regras e técnicas que transformem dados em depósitos estruturados de informação, não importando a origem dos mesmos. Uma vez estruturados, esses dados podem ser interpretados pela óptica analítica das ferramentas OLAP (On Line Analytical Processing) ou através de inferências usando as ferramentas de Data Mining. Assim sendo, a função fundamental do BI é a de permitir que as empresas tenham acesso rápido, facilitado e confiável às informações contidas nos dados sem gerar impacto negativo às operações das empresas (KUDYBA & HOPTROFF, 2001) Ferramentas OLAP As ferramentas OLAP têm como finalidade facilitar a interpretação das informações, podendo lidar com grandes volumes de dados. Esses dados são agrupados na forma de cubos que podem ser acessados de uma forma bastante amigável. Um cubo de dados permite que os mesmos sejam modelados e vistos em várias dimensões (HAN & KAMBER, 2001). A técnica de modelagem dos dados em cubos para serem manipulados por ferramentas OLAP é chamada de modelagem dimensional. Esta técnica permite que o usuário perceba os dados numa forma próxima de seu entendimento, com várias perspectivas possíveis, dentre elas o tempo e o espaço (BARBIERI, 2001). A modelagem dimensional tem como produto final um modelo conceitual dimensional, formado por tabelas Fato e tabelas Dimensão. Barbieri (2001) descreve as tabelas Fato e Dimensão da seguinte maneira: As tabelas Fato servem para armazenar medidas numéricas associadas a eventos de negócio. Uma tabela Fato contém vários fatos, correspondentes a cada uma de suas linhas. Cada fato pode armazenar uma ou mais medidas numéricas, que constituem os valores objetos da análise dimensional. Possuem como chave-primária, normalmente, um campo multi-key, formado pelas chaves-primárias das dimensões que com ela se relacionam. Normalmente armazenam muito mais linhas do que as tabelas Dimensão, e merecem cuidado especial em função do seu alto volume. Contém dados normalmente aditivos (manipulados por soma, média, etc) e relativamente estáticos. As tabelas Dimensão representam entidades de negócios e constituem as estruturas de entrada que servem para armazenar informações como tempo, geografia, produto, cliente, etc. As tabelas Dimensão têm uma dimensão 1:N com a tabela Fato, e possuem um número significativamente menor de linhas do que as tabelas Fato. Possuem múltiplas colunas de informação, algumas das quais representam a sua hierarquia. Apresentam sempre uma chave primária, que lhes confere unicidade, chave essa que participa da tabela Fato como parte de sua chave múltipla. Devem ser entendidas como as tabelas que realizam os filtros de valores aplicados na manipulação dos fatos e por onde as consultas entram no ambiente Data Warehouse/Data Market. As figuras 2.1 e 2.2, a seguir, ilustram os conceitos de tabelas Fato e Dimensão.

6 LOJA Código Chave + Atributos VENDAS Código Produto Código Loja Código Dia DIA Código Chave + Atributos Quantidade Vendida Valor ESQUEMA DIMENSIONAL PRODUTO Código Chave + Atributos Tabela Fato: chaves + fatos numéricos e aditivos Tabela Dimensão: chaves + atributos e filtros Figura 2.1: Exemplo de um modelo Dimensional. Extraído de Barbieri (2001). TABELAS DIMENSÃO TABELA FATO Loja Loja Produto Dia Qtd Vendida Valor Produto Fato Dia Medidas Figura 2.2: Composição básica de uma tabela Fato. Extraído de Barbieri (2001). Considere ainda o modelo 2-D simples (Figura 2.3) que nada mais é do que uma tabela de vendas. Esta tabela apresenta os dados sobre as vendas da empresa segundo a dimensão tempo e itens, das filiais localizadas na cidade de Vancouver. Os valores mostrados estão em milhares de dólares (Extraído de Han & kamber, 2001). Figura 2.3: Itens vendidos por trimestre na cidade de Vancouver. Adaptado de Han & Kamber (2001).

7 Caso se desejasse observar os dados de vendas segundo os atributos trimestres, item e localização, referentes às cidades de Chicago, New York, Toronto e Vancouver, se estaria lidando com uma visão 3-D dos mesmos. Esta visão, mostrada na figura 2.4 a seguir, é representada como uma série de tabelas de duas dimensões. Conceitualmente os mesmos dados podem ser representados na forma de um cubo 3- D, como também mostrado na figura 2.4. Figura 2.4: Visão 3-D dos dados. Adaptado de Han & Kamber (2001). Se fosse considerado mais um atribuo para a visualização dos dados de vendas fornecedor, por exemplo é considerado que se está lidando com uma visão 4-D dos mesmos. Esta visão não é simples de se obter. Porém se pode imaginá-la como uma série de cubos de dados 3-D, conforme mostrado na figura 2.5 a seguir. Figura 2.5: Visão 4-D dos dados. Adaptado de Han & Kamber (2001). Continuando com esta estratégia, é possível representar qualquer n-d dimensões de dados, como uma série de cubos (n-1)-d. O termo cubo de dados é usado como sinônimo de

8 armazenamento multidimensional de dados, porém a armazenagem física dos mesmos pode diferir (em geral difere) desta representação lógica Regras de Associação Regras de Associação é o nome dado para uma técnica usada em Data Mining, que consiste em encontrar associações ou relacionamentos entre itens de dados em grandes bases de dados. As empresas cada vez mais vêm se interessando em descobrir associações interessantes em suas bases de dados, devido ao acúmulo de registros gerados constantemente por seus sistemas corporativos ou operacionais que, com certeza, as ajudariam na tomada de decisões importantes para o negócio das empresas. A principal aplicação das Regras de Associação é a análise de cestas de supermercado, que visa descobrir os hábitos dos clientes, verificando os tipos de mercadorias que são adquiridas em conjunto. Figura 2.6: Análise de cesta de supermercado. Adaptado de HAN & KAMBER (2001). Esta descoberta facilita a tarefa da equipe de marketing, por exemplo, mostrando qual a melhor estratégia a usar na organização dos produtos nas prateleiras dos supermercados. Por exemplo, a equipe de marketing pode saber quais outros produtos são adquiridos por um cliente juntamente com o leite (pão, manteiga etc.), em uma ida ao supermercado. Com esta informação, dependendo da estratégia adotada, seria possível colocar os produtos que são consumidos juntos - próximos um do outro - a fim de facilitar a busca destes produtos pelos clientes. Por outro lado, pode ser interessante separá-los, a fim de que os clientes passem por outros produtos, a fim de que os mesmos sejam vistos e, muitas vezes adquiridos pelos clientes. Frequentemente, em grandes bancos de dados que armazenam milhares de itens, como aqueles existentes em redes de supermercados, desejam-se descobrir associações importantes entre os itens comercializados, tal que a presença de alguns deles em uma transação (compra e

9 venda) implique na presença de outros na mesma transação. O objetivo então é encontrar todas as regras relevantes que associem os itens, do tipo X (antecedente) Y (conseqüente). Cada regra de associação gerada possui diversas medidas de qualidade, dentre as quais suporte e confiança são muito usadas. O suporte mede a abrangência da regra, ou seja, o percentual de casos observados em que a regra ocorreu. A confiança é calculada como o percentual de ocorrências da regra em relação ao total de vezes que ocorreu o antecedente. Esta medida serve para mostrar com que segurança se pode afirmar que o antecedente é a causa do conseqüente. Por exemplo, uma confiança de 0,9 indica que 90% das vezes que o antecedente ocorreu, ocorreu também o conseqüente. O suporte é definido matematicamente como: Suporte (X Y) = N de registros em que aparecem X e Y / N total de registros A confiança tem a seguinte representação matemática: Confiança (XY) = N de registros que aparecem X e Y/N de registros em que aparecem X Foram desenvolvidos diversos algoritmos para realizar a indução do conjunto de Regras de Associação a partir de uma massa de dados. Entretanto, o algoritmo Apriori é o primeiro, e o mais importante de todos. A sua importância se dá porque, além de ser extremamente eficiente, o algoritmo usa uma heurística que vem sendo utilizada em outros problemas (HAN & KAMBER, 2001). Suporte e confiança são dois critérios usados pelo algoritmo Apriori para indução do conjunto de Regras de Associação. Estes parâmetros medem a relevância das regras descobertas. Para tanto, antes da extração das regras são definidos como parâmetros para o processo de indução valores mínimos para estas medias. Para que uma regra seja interessante, os seus indicadores de suporte e confiança precisam satisfazer os limites mínimos (parâmetros) que são, normalmente, baixos para o suporte e altos para a confiança (HAN & KAMBER, 2001). 3 METODOLOGIA Os dados analisados neste trabalho foram extraídos da base de dados do Software Clarify. O Clarify é um software de CRM usado pela empresa para registrar as notificações de problemas feitas pelos clientes como também pelos técnicos responsáveis em manter o backbone da mesma. 3.1 SELEÇÃO DOS DADOS A empresa definiu os tempos descritos na tabela 3.3, a seguir, como sendo os limites aceitáveis para a solução dos problemas (MTTR Mean Time to Repair) relatados por seus clientes. CATEGORIAS TEMPOS CRITICAL 2 horas MAJOR 4 horas MINOR 8 horas NO IMPACT 24 horas Tabela 3.3: Tempos para solução dos problemas

10 A meta da empresa é cumprir estes limites em no mínimo 65% dos casos registrados em cada categoria, por mês. Esta meta foi decidida a um nível estratégico da empresa, não cabendo questionamentos sobre este índice. Sabe-se que, quanto maior o percentual mais eficiente está sendo a gerência. Entretanto, o sistema de gerência não possui rotinas que permitam acompanhar esta meta estratégica. A solução para este acompanhamento foi considerar como fonte de dados o histórico do sistema Clarify, que é uma fonte extremamente confiável pois, em média, 90% dos problemas são relatados pelos clientes. O Clarify possui uma ferramenta que facilita o acesso aos trinta e um atributos existentes em sua base de dados. Somente os atributos a seguir foram utilizados por conterem as informações necessárias a esta pesquisa: ATRIBUTO DESCRIÇÃO Priority Prioridade do case (1, 2, 3 ou 4) Product_type Código do produto Creation_time Data de criação do case Time_to_restoral Tempo gasto na restauração do serviço Resol_cat Categoria em que resolução do problema se enquadra Trouble_region Região aonde os problemas ocorreram Tabela 3.1: Atributos usados na pesquisa Os registros analisados referem-se ao ano de 2005, e estão distribuídos da seguinte maneira: MESES 3.2 PREPARAÇÃO DOS DADOS TOTAL DE REGISTROS Janeiro Fevereiro Março Abril Maio Junho Julho Agosto Setembro Outubro Novembro Dezembro TOTAL Tabela 3.2: Distribuição dos registros A seguir serão descritos os pré-processamentos que se fizeram necessários a fim de para que os dados extraídos do software Clarify pudessem ser utilizados: Criação do atributo MTTR a partir do atributo Time_to_restoral : Baseado na Tabela 3.3, que descreve os tempos esperados para a solução dos problemas, criou-se o atributo MTTR (Mean Time to Repair) a fim de podermos verificar em qual categoria (1-Critical, 2-Major, 3-Minor ou 4-No Impact) o tempo gasto na solução do

11 problema se enquadrava. Uma vez criado o atributo MTTR não mais foi usada a informação do atributo Time_to_restoral; Mudança do nome do atributo Creation_time para Mês e o conteúdo do mesmo para o formato MMAAAA : Como a informação detalhada sobre a data e a hora da notificação do problema não seria necessária, o atributo Creation_time foi renomeado para Mês e o seu conteúdo mudado para o formato MMAAAA; Seleção dos registros referentes às notificações de problemas relativos aos serviços dos clientes: Como o sistema Clarify também guarda informações relativas às notificações de problemas não relacionadas com falhas nos serviços dos clientes, foi necessário separar tais informações a fim de que elas não mascarassem o resultado da pesquisa; Para facilitar este processo de separação, optou-se em exportar os dados para um Software Gerenciador de Banco de Dados (SGBD) e criou-se uma tabela contendo dois atributos: Product_type (mesmo nome do atributo original) e NomeFantasia, (nome que será usado nos relatórios da pesquisa, a fim de mantermos o sigilo das informações da empresa). Esta tabela foi preenchida com os nomes dos serviços desejados e um procedimento foi criado no banco de dados para selecionar somente os serviços existentes na referida tabela. Este procedimento recebe como parâmetros de entrada o mês e o ano desejados na seleção; Exclusão dos registros com a informação Not applicable no campo Trouble_region : Estes registros foram eliminados da pesquisa, pois os mesmos não continham informações relevantes para a mesma Análise dos Dados Duas técnicas de análise foram usadas a fim de que pudéssemos validar os resultados obtidos: Regras de Associação e Tabelas Dinâmicas OLAP Regras de Associação Esta pesquisa usou o Software WEKA, desenvolvido pela Universidade de Waikato, na Nova Zelândia. Ele é um software de domínio público (WEKA, 2007) composto por um conjunto de algoritmos de diversas técnicas de Data Mining e tem a vantagem de poder ser executado a partir de diferentes plataformas (WITTEN & FRANK, 2000). Dentre os vários algoritmos para manipulação e análise de dados disponíveis no WEKA encontra-se o Apriori, que foi utilizado neste estudo para descobrir regras de associação relevantes entre os atributos selecionados anteriormente. Como o computador utilizado neste processo não suportou analisar os registros de uma única vez - devido à limitação de memória do mesmo - optou-se em criar vários arquivos CSVs (arquivos de exportação da plataforma Microsfoft que podem ser usados no WEKA), um para cada mês. Estes arquivos foram criados a partir do procedimento descrito na preparação de dados, com os seguintes atributos: Priority, Product_type, Resol_cat, Trouble_region e MTTR. Dentre os parâmetros disponíveis na implementação do Apriori no WEKA, apenas os que estão apresentados a seguir estão apresentados foram alterados do valor padrão: Car=True: indica que a última coluna do arquivo (correspondente ao atributo MTTR) será usada como conseqüência das regras;

12 lowerboundminsupport (suporte) e minmetric (confiança) =0,0001: estes valores foram usados a fim de se obter o maior número de regras possíveis; enumrules=10000: este parâmetro limita a quantidade de regras geradas. Foi usado um número acima do número máximo previsto, a fim de que este critério não fosse limitante, ou seja, todas as regras que atendessem ao critério de suporte e confiança fossem obtidas Ferramenta OLAP O procedimento de seleção de dados também gerou os registros usados pela ferramenta OLAP. Assim, o mesmo conjunto de dados foi usado tanto para o algoritmo Apriori quanto para a manipulação OLAP. Um cubo OLAP representa uma ótima maneira de visualizar e explorar o potencial dos dados de uma tabela não normalizada (planilha). A partir de uma lista ou de um banco de dados, é possível determinar o cruzamento das informações, variando linhas e colunas relacionadas. Neste processo, parte-se de uma tabela 2-D para uma visualização do cubo OLAP, realizando as sumarizações relativas aos cruzamentos solicitados (Cf. Figura 2.4). 4 RESULTADOS O processo de obtenção das regras de associação gerou regras. Se buscou maximizar a quantidade de informações, para que se pudesse fazer uma análise mais profunda. As estatísticas indicadoras de qualidade que acompanham cada regra tornam fácil selecionar as regras mais importantes. 4.1 METODOLOGIA DE ANÁLISE Como seria impossível analisar os dados gerados pelo WEKA (Figura 4.1) sem a ajuda de uma ferramenta que pudesse fornecer algum tipo de gráfico ou relatório, optou-se em continuar usando o SGBD, pois este software possui uma série de ferramentas úteis aos nossos objetivos. Figura 4.1 Dados gerados pelo Weka A parte denominada Best rules found dos relatórios referentes às regras obtidas pelo WEKA, foram importados para a tabela Regras (Figura 4.2), para o campo Registro_Original. Uma vez as regras armazenadas no banco de dados (na forma original, saída do WEKA), foi necessário atualizar os campos da tabela Regras, a fim de que os mesmos pudessem receber seus respectivos valores. Este processo foi executado com a ajuda de uma nova rotina. Esta rotina busca os sinais = existentes em cada linha dos relatórios, a fim de identificar os correspondentes campos da tabela Regras (anterior ao = ) e seus respectivos valores (posterior ao = ). Após a execução desta rotina os campos da tabela Regras passaram a refletir os resultados das regras obtidas pelo software WEKA. Registro_Original Priority Produto Resolução_do Região N_Se MTTR N_então Confiança

13 (Regras Geradas Pelo WEKA) _Problema Figura 4.2 Campos da tabela Regras Seguindo esta metodologia, todos os relatórios de resposta com as Regras de Associação obtidas pelo WEKA foram exportados para o SGBD. Por outro lado, o conjunto original de registros, usados como input no WEKA, foram exportados para a ferramenta de manipulação OLAP. Observou-se a partir daí os mesmos resultados. 4.2 INVESTIGAÇÃO As informações contidas na Tabela 4.1 abaixo relatam o percentual de problemas que não foram solucionados dentro do prazo estabelecido pela meta, por mês e por categoria (o mesmo resultado foi obtido a partir da metodologia de Data Mining e de OLAP). Analisando estes dados é possível observar que a empresa não alcançou a meta prevista, em nenhum mês do ano de 2005, na categoria CRITICAL, e que, em média aproximadamente 55% dos casos são solucionados no prazo. Esta distribuição apresenta uma dispersão bem pequena, o que aumenta a confiabilidade da média, que se mostrou muito baixa. MESES CATEGORIAS (%) CRITICAL MAJOR MINOR NO_IMPACT Janeiro Fevereiro Março Abril Maio Junho Julho Agosto Setembro Outubro Novembro Dezembro Tabela 4.1: Problemas não resolvidos no prazo O processo investigativo buscou identificar, a nível de serviço, a possível origem dos problemas. Assim, outro relatório foi gerado, usando a metodologia OLAP, onde se pudesse observar os problemas de categoria CRITICAL mas a nos serviços que mais colaboraram para o não cumprimento da meta, referente a esta categoria. Este relatório na Tabela 4.2 mostra a quantidade e o percentual de casos dos MTTR Reached de cada serviço em cada mês do ano de 2005, referentes á categoria CRITICAL. As colunas # e % apresentam, respectivamente, o número total de casos e o percentual do total que atingiu o MTTR. Os valores sombreados indicam que o MTTR de 65% (meta da empresa) não foi atingido, e os valores hachurados com pequenos pontos que o percentual foi atendido.

14 SERVIÇOS Janeiro Fevereiro Março Abril Maio Junho Julho Agosto Setembro Outubro Novembro Dezembro Total # % # % # % # % # % # % # % # % # % # % # % # % # % Conferência Rápida Aluguel de Espaço IP Ethernet VOIP Local IP Mercado Financeiro Voz Mercado Financeiro Web Conferência Portal de Comandos Acesso Discado Serviço Dedicado de Saida Terminação VOIP Sistema Local de Discagem Vídeo Conferência Acesso a Conferência Chamada Grátis Dedicada ATM Rede Privada IP Chaveamento Comercial Acesso IP Dedicado Linha Privada Internacional Frame Relay Linha Privada Nacional Serviço de Voz Local Chamadas a Cobrar Eventos de Conferência Chamada Grátis Chaveada Internacional Fibra Apagada IP Ponto a Ponto Comprimento de Ondas COS-Europa Serviço Local Chaveamento Residencial Total Tabela 4.2: Resumo dos Problemas CRITICAL

15 4.2.1 Análise dos resultados As informações contidas no relatório Resumo dos Problemas CRITICAL, apresentado na Tabela 4.2 mostram que: Os serviços: Frame Relay, Linha Privada Nacional e Serviço Local, foram os que mais impactaram negativamente no cumprimento da meta mensal da empresa, pois além de não terem atingido a meta em nenhum mês do ano de 2005, também obtiveram grandes números de problemas (veja a coluna RESUMO ANUAL do relatório); Na seqüência, os serviços: Linha Privada Internacional, Rede Privada IP e Acesso IP Dedicado, também apresentaram elevados números de problemas e metas não atingidas em onze, nove e oito meses do ano de 2005, respectivamente; Positivamente podemos mencionar o serviço: Serviço Dedicado de Saída, que apesar do elevado número de problemas, conseguiu solucionar 71% dos mesmos, no tempo desejado (2 horas). Em relação aos serviços mencionados acima, deve-se lembrar que, independente do fato de se ter ou não atingido a meta estipulada pela empresa, o ideal seria se a quantidade de problemas pudesse ser reduzida. É claro que ser eficiente na solução dos problemas é importante, porém o não surgimento dos mesmos dá mais credibilidade à empresa prestadora dos serviços Diferenças entre as técnicas usadas Obter os mesmos resultados considerando as duas técnicas diferentes evidenciou uma dúvida. Produzem as duas técnicas Regras de Associação e OLAP - os mesmos resultados? É possível considerar que OLAP é Data Mining, ou vice-versa? Han & Kamber (2001) diz que as funcionalidades do OLAP e de Data Mining devem ser vistas separadamente: OLAP é uma ferramenta de sumarização/agregação de dados, que ajuda na análise dos dados, enquanto Data Mining possibilita o descobrimento automático de padrões implícitos e conhecimentos interessantes escondidos em grandes bases de dados. As ferramentas OLAP simplificam e suportam a análise interativa de dados, ao passo que Data Mining, apesar de automatizar ao máximo o processo de descoberta, ainda permite ao usuário interagir e guiar o processo. Neste sentido, Data Mining vai um passo adiante dos tradicionais processos OLAP. Han & Kamber (2001) nos diz ainda que as funcionalidades de Data Mining são mais abrangentes que as do OLAP, pois elas vão além das sumarizações e comparações executados pelo OLAP, e que Data Mining não está limitada a dados armazenados somente em Data Warehouses. Ele pode analisar tanto dados sumarizados quanto os existentes em bases de dados comuns. Neste contexto, Data Mining cobre um espectro maior que o OLAP em se tratando de funcionalidade e complexidade dos dados analisados. Para a aplicação específica que fizemos, Data Mining não se mostrou mais poderosa, visto que os resultados foram os mesmos. Entretanto, deve-se considerar que a estrutura que se obtém da ferramenta OLAP se mostrou mais simples de manusear. É, portanto uma vantagem poder fazer Data Mining através da manipulação OLAP.

16 5. CONCLUSÃO As ferramentas OLAP e Data Mining foram eficazes na análise e ajudaram a alcançar o objetivo de verificar se o Centro de Gerência de Redes da empresa estudada conseguiu cumprir as metas pré-estabelecidas pela gerência da mesma no período considerado. Este resultado corrobora com a expectativa geral de que as modernas técnicas de análise de dados trazem contribuição definitiva na extração de conhecimento a partir do grande volume de dados corporativos. A descoberta de que a busca de Regras de Associação pode se feita através da manipulação OLAP trouxe uma evidência para a discussão sobre a capacidade de inferência destes sistemas. Considerando que as Regras de Associação, com estatísticas de qualidade como suporte e confiança, podem ser usadas para inferência, observou-se que a manipulação OLAP também é capaz de realizar a mesma tarefa. Os resultados obtidos mostraram que a empresa não conseguiu atingir a meta, para os casos da categoria CRITICAL, em nenhum mês do ano de 2005, e que este fato se deu devido ao elevado número de problemas gerados por alguns serviços oferecidos pela empresa. Além disso, o Centro de Gerência de Redes estudado não consegue operar de forma preventiva, somente corretiva, e mesmo assim não tem conseguido solucionar os problemas críticos dentro dos prazos definidos. Esta constatação se deu devido ao fato dos clientes estarem comunicando os problemas antes mesmo que a empresa os perceba, ou se os percebe, não tem condições de resolvê-los rapidamente. Estes problemas podem ser realidade para outras empresas prestadoras de serviço. Esta pesquisa mostrou ainda que a empresa em questão não explora os dados gerados pelo sistema de registro de problemas, pois, do contrário, já teria percebido os problemas descobertos neste trabalho. Como já se sabe, este é um problema comum atualmente, conseqüência da grande capacidade e do baixo custo de armazenamento de informações. Assim, técnicas de análise de dados como as utilizadas neste estudo se tornam fundamentais. 6. REFERÊNCIAS BIBLIOGRÁFICAS BARBIERI, Carlos. BI-Business Intelligence Modelagem & Tecnologia. Rio de Janeiro: Axcel Books do Brasil, 2001 CHEN, Graham: KONG,Qinzheng. Integrated Telecommunications Management Solutions. Nova Jersey: IEEE Press, COSTA, Sergio. Em Busca da Qualidade para Evitar a Perda da Receita. Jornal Telecom, São Paulo: Plano Editorial LTDA, 24 set DIAS, José Antonio. Gerência Integrada de Redes e Serviços. Disponível em: Acesso em 1 out FILHO, Trajano Leme. Business Intelligence no Microsoft EXCEL. Rio de Janeiro: Axcel Books do Brasil Editora, HAN, Jiawei; KAMBER, Micheline. Data Mining-Concepts and Techniques. San Diego: Academic Press, KUDYBA, Stephan; HOPTROFF, Richard. Data Mining and Business Intelligence: A Guide to Productivity. United Kingdom: Idea Group Publishing, NETWORK WORKING GROUP. RFC1297: NOC Internal Integrated Trouble Ticket Sistem: Functional Specification Wishlist. Jan WEKA 3 - Data Mining with Open Source Machine Learning Software in Java. Disponível em <http://www.cs.waikato.ac.nz/ml/weka/>. Acessado em 25 de Fevereiro de WITTEN, Ian H; FRANK, Eibe. Data Mining. United Kingdom: Academic Press, 2000

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

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

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

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

Leia mais

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

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

GIRS: Gerência Integrada de Redes e Serviços

GIRS: Gerência Integrada de Redes e Serviços GIRS: Gerência Integrada de Redes e Serviços Este Tutorial apresenta os conceitos básicos de Gerência Integrada de Redes e Serviços (GIRS) como defina pela UIT sob o título de TMN(Telecommunications Management

Leia mais

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

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

Leia mais

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

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

Leia mais

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

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

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

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

Palavras-chave: On-line Analytical Processing, Data Warehouse, Web mining.

Palavras-chave: On-line Analytical Processing, Data Warehouse, Web mining. BUSINESS INTELLIGENCE COM DADOS EXTRAÍDOS DO FACEBOOK UTILIZANDO A SUÍTE PENTAHO Francy H. Silva de Almeida 1 ; Maycon Henrique Trindade 2 ; Everton Castelão Tetila 3 UFGD/FACET Caixa Postal 364, 79.804-970

Leia mais

Gerenciamento de Redes

Gerenciamento de Redes Gerenciamento de Redes As redes de computadores atuais são compostas por uma grande variedade de dispositivos que devem se comunicar e compartilhar recursos. Na maioria dos casos, a eficiência dos serviços

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

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

Uma análise multidimensional dos dados estratégicos da empresa usando o recurso OLAP do Microsoft Excel

Uma análise multidimensional dos dados estratégicos da empresa usando o recurso OLAP do Microsoft Excel Uma análise multidimensional dos dados estratégicos da empresa usando o recurso OLAP do Microsoft Excel Carlos Alberto Ferreira Bispo (AFA) cafbispo@siteplanet.com.br Daniela Gibertoni (FATECTQ) daniela@fatectq.com.br

Leia mais

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

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

Leia mais

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

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

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

Prova INSS RJ - 2007 cargo: Fiscal de Rendas

Prova INSS RJ - 2007 cargo: Fiscal de Rendas Prova INSS RJ - 2007 cargo: Fiscal de Rendas Material de Apoio de Informática - Prof(a) Ana Lucia 53. Uma rede de microcomputadores acessa os recursos da Internet e utiliza o endereço IP 138.159.0.0/16,

Leia mais

Business Intelligence

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

Leia mais

Estudo e Análise da Base de Dados do Portal Corporativo da Sexta Região da Polícia Militar com vista à aplicação de Técnicas de Mineração de Dados1

Estudo e Análise da Base de Dados do Portal Corporativo da Sexta Região da Polícia Militar com vista à aplicação de Técnicas de Mineração de Dados1 Estudo e Análise da Base de Dados do Portal Corporativo da Sexta Região da Polícia Militar com vista à aplicação de Técnicas de Mineração de Dados1 Rafaela Giroto, 10º módulo de Ciência da Computação,

Leia mais

Crescendo e Inovando com um Parceiro Confiável de Suporte

Crescendo e Inovando com um Parceiro Confiável de Suporte IBM Global Technology Services Manutenção e suporte técnico Crescendo e Inovando com um Parceiro Confiável de Suporte Uma abordagem inovadora em suporte técnico 2 Crescendo e Inovando com um Parceiro Confiável

Leia mais

Determinação dos Fatores Críticos na Análise de Desempenho de Alunos de Pósgraduação Utilizando Metodologia de Mineração de Dados

Determinação dos Fatores Críticos na Análise de Desempenho de Alunos de Pósgraduação Utilizando Metodologia de Mineração de Dados Resumo Determinação dos Fatores Críticos na Análise de Desempenho de Alunos de Pósgraduação Utilizando Metodologia de Mineração de Dados Autoria: Elizabeth de Oliveira Carpenter, Gerson Lachtermacher O

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

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

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

Requisitos de business intelligence para TI: O que todo gerente de TI deve saber sobre as necessidades reais de usuários comerciais para BI

Requisitos de business intelligence para TI: O que todo gerente de TI deve saber sobre as necessidades reais de usuários comerciais para BI Requisitos de business intelligence para TI: O que todo gerente de TI deve saber sobre as necessidades reais de usuários comerciais para BI Janeiro de 2011 p2 Usuários comerciais e organizações precisam

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

Planejamento Estratégico de TI. Prof.: Fernando Ascani

Planejamento Estratégico de TI. Prof.: Fernando Ascani Planejamento Estratégico de TI Prof.: Fernando Ascani BI Business Intelligence A inteligência Empresarial, ou Business Intelligence, é um termo do Gartner Group. O conceito surgiu na década de 80 e descreve

Leia 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

CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE

CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE Fabio Favaretto Professor adjunto - Programa de Pós Graduação em Engenharia de Produção

Leia mais

Interatividade aliada a Análise de Negócios

Interatividade aliada a Análise de Negócios Interatividade aliada a Análise de Negócios Na era digital, a quase totalidade das organizações necessita da análise de seus negócios de forma ágil e segura - relatórios interativos, análise de gráficos,

Leia mais

DATA WAREHOUSE. Rafael Ervin Hass Raphael Laércio Zago

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

Leia mais

CRManager. CRManager. TACTIUM CRManager. Guia de Funcionalidades. Versão 5.0 TACTIUM CRManager Guia de Funcionalidades. www.softium.com.

CRManager. CRManager. TACTIUM CRManager. Guia de Funcionalidades. Versão 5.0 TACTIUM CRManager Guia de Funcionalidades. www.softium.com. Tactium Tactium CRManager CRManager TACTIUM CRManager Guia de Funcionalidades 1 O TACTIUM CRManager é a base para implementar a estratégia de CRM de sua empresa. Oferece todo o suporte para personalização

Leia mais

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

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

Leia mais

TECNOLOGIA DA INFORMAÇÃO - TI Elaborado e adaptado por: Prof.Mestra Rosimeire Ayres

TECNOLOGIA DA INFORMAÇÃO - TI Elaborado e adaptado por: Prof.Mestra Rosimeire Ayres TECNOLOGIA DA INFORMAÇÃO - TI Elaborado e adaptado por: Prof.Mestra Rosimeire Ayres Aula 6 Fazendo BI NO EXCEL USANDO TABELA DINÂMICA EXCEL PARA TOMADA DE DECISÕES A ferramenta é nada, o talento é tudo.

Leia mais

agility made possible

agility made possible RESUMO DA SOLUÇÃO DO PARCEIRO Soluções de garantia do serviço da CA Technologies você está ajudando seus clientes a desenvolver soluções de gerenciamento da TI para garantir a qualidade do serviço e a

Leia mais

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

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

Leia mais

Data Warehouses Uma Introdução

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

Leia mais

Introdução. Formação Informática Para Estatísticos Na DPINE. Formação Informática Para Estatísticos Na DPINE. Usar Tabelas Dinâmicas em EXCEL

Introdução. Formação Informática Para Estatísticos Na DPINE. Formação Informática Para Estatísticos Na DPINE. Usar Tabelas Dinâmicas em EXCEL Usar Tabelas Dinâmicas em EXCEL Introdução Neste Módulo aprendemos o importante recurso de Tabelas Dinâmicas e Gráficos Dinâmicos. Aprendemos a criar tabelas dinâmicas, a aplicar filtros e a fazer análise

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

Modelo de dados do Data Warehouse

Modelo de dados do Data Warehouse Modelo de dados do Data Warehouse Ricardo Andreatto O modelo de dados tem um papel fundamental para o desenvolvimento interativo do data warehouse. Quando os esforços de desenvolvimentos são baseados em

Leia mais

Unidade III PLANEJAMENTO ESTRATÉGICO DE. Prof. Daniel Arthur Gennari Junior

Unidade III PLANEJAMENTO ESTRATÉGICO DE. Prof. Daniel Arthur Gennari Junior Unidade III PLANEJAMENTO ESTRATÉGICO DE TECNOLOGIA DA INFORMAÇÃO Prof. Daniel Arthur Gennari Junior Sobre esta aula Gestão do conhecimento e inteligência Corporativa Conceitos fundamentais Aplicações do

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

Uma análise de ferramentas de modelagem e gerência de metadados aplicadas ao projeto de BI/DW-UFBA

Uma análise de ferramentas de modelagem e gerência de metadados aplicadas ao projeto de BI/DW-UFBA Universidade Federal da Bahia Instituto de Matemática Departamento de Ciência da Computação MATA67 Projeto Final II Uma análise de ferramentas de modelagem e gerência de metadados aplicadas ao projeto

Leia mais

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

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

Leia mais

Data Warehousing Visão Geral do Processo

Data Warehousing Visão Geral do Processo Data Warehousing Visão Geral do Processo Organizações continuamente coletam dados, informações e conhecimento em níveis cada vez maiores,, e os armazenam em sistemas informatizados O número de usuários

Leia mais

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

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

Leia mais

ITIL na Prática. Quais são os fatores críticos de sucesso para obter valor a partir de um Service Desk? Conhecimento em Tecnologia da Informação

ITIL na Prática. Quais são os fatores críticos de sucesso para obter valor a partir de um Service Desk? Conhecimento em Tecnologia da Informação Conhecimento em Tecnologia da Informação ITIL na Prática Quais são os fatores críticos de sucesso para obter valor a partir de um Service Desk? Conhecimento em Tecnologia da Informação 2010 Bridge Consulting

Leia mais

3 Metodologia de Previsão de Padrões de Falha

3 Metodologia de Previsão de Padrões de Falha 3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar

Leia mais

INDICE 3.APLICAÇÕES QUE PODEM SER DESENVOLVIDAS COM O USO DO SAXES

INDICE 3.APLICAÇÕES QUE PODEM SER DESENVOLVIDAS COM O USO DO SAXES w w w. i d e a l o g i c. c o m. b r INDICE 1.APRESENTAÇÃO 2.ESPECIFICAÇÃO DOS RECURSOS DO SOFTWARE SAXES 2.1. Funcionalidades comuns a outras ferramentas similares 2.2. Funcionalidades próprias do software

Leia mais

SISTEMA DE BANCO DE DADOS. Banco e Modelagem de dados

SISTEMA DE BANCO DE DADOS. Banco e Modelagem de dados SISTEMA DE BANCO DE DADOS Banco e Modelagem de dados Sumário Conceitos/Autores chave... 3 1. Introdução... 4 2. Arquiteturas de um Sistema Gerenciador... 5 3. Componentes de um Sistema... 8 4. Vantagens

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

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

Sistemas de Informação Gerenciais (SIG)

Sistemas de Informação Gerenciais (SIG) Faculdade de Engenharia - Campus de Guaratinguetá Sistemas de Informação Gerenciais (SIG) Prof. José Roberto Dale Luche Unesp Um SISTEMA DE INFORMAÇÃO é um conjunto de componentes inter-relacionados, desenvolvidos

Leia mais

AGILE ROLAP - UMA METODOLOGIA ÁGIL PARA IMPLEMENTAÇÃO DE AMBIENTES DE NEGÓCIOS BASEADO EM SERVIDORES OLAP.

AGILE ROLAP - UMA METODOLOGIA ÁGIL PARA IMPLEMENTAÇÃO DE AMBIENTES DE NEGÓCIOS BASEADO EM SERVIDORES OLAP. AGILE ROLAP - UMA METODOLOGIA ÁGIL PARA IMPLEMENTAÇÃO DE AMBIENTES DE NEGÓCIOS BASEADO EM SERVIDORES OLAP. Luan de Souza Melo (Fundação Araucária), André Luís Andrade Menolli (Orientador), Ricardo G. Coelho

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

Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados

Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Um Sistema Gerenciador de Banco de Dados (SGBD) é constituído por um conjunto de dados associados a um conjunto de programas para acesso a esses

Leia mais

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

DATA WAREHOUSE. Introdução

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

Leia mais

Aplicação de Data Warehousing no Cadastro de Ficha Limpa do TSE

Aplicação de Data Warehousing no Cadastro de Ficha Limpa do TSE Aplicação de Data Warehousing no Cadastro de Ficha Limpa do TSE Mateus Ferreira Silva, Luís Gustavo Corrêa Lira, Marcelo Fernandes Antunes, Tatiana Escovedo, Rubens N. Melo mateusferreiras@gmail.com, gustavolira@ymail.com,

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

PROJETOS EM REDES Prof. Msc. Hélio Esperidião

PROJETOS EM REDES Prof. Msc. Hélio Esperidião Data Center do TCE/RS PROJETOS EM REDES Prof. Msc. Hélio Esperidião INTRODUÇÃO Negócios são cada vez mais dependentes de redes reduzir o tempo de desenvolvimento. acesso imediato a mais informação Informação

Leia mais

Disciplina: Ferramentas de Gerenciamento

Disciplina: Ferramentas de Gerenciamento PROF. RENÊ FURTADO FELIX rffelix70@yahoo.com.br Disciplina: Ferramentas de Gerenciamento Aula 2 Janeiro de 2013 H T T P : / / W W W. R E N E C O M P U T E R. N E T / F _ G E R E N C I A M E N T O. P H

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

Gerência de Redes: Consulta e Análise de Registros de Alarme Usando OLAP

Gerência de Redes: Consulta e Análise de Registros de Alarme Usando OLAP Gerência de Redes: Consulta e Análise de Registros de Alarme Usando OLAP Este tutorial apresenta o uso de OLAP (On-Line Analytical Processing) para análise de grandes bases de dados com a finalidade de

Leia mais

Faça mais com menos. Descubra o gerenciamento de dados descomplicado usando o IBM Informix

Faça mais com menos. Descubra o gerenciamento de dados descomplicado usando o IBM Informix Faça mais com menos Descubra o gerenciamento de dados descomplicado usando o IBM Informix Índice 2 Descomplicado Concentre seus recursos no crescimento, e não na administração. 1 Ágil Amplie seus negócios

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

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 DO DW NA ANVISA

IMPLANTAÇÃO DO DW NA ANVISA IMPLANTAÇÃO DO DW NA ANVISA Bruno Nascimento de Ávila 1 Rodrigo Vitorino Moravia 2 Maria Renata Furtado 3 Viviane Rodrigues Silva 4 RESUMO A tecnologia de Business Intelligenge (BI) ou Inteligência de

Leia mais

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE

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

Leia mais

APRESENTAÇÃO DO PRODUTO. Mais que um software, o método mais eficaz para conciliar.

APRESENTAÇÃO DO PRODUTO. Mais que um software, o método mais eficaz para conciliar. APRESENTAÇÃO DO PRODUTO Mais que um software, o método mais eficaz para conciliar. Com Conciliac é possível conciliar automaticamente qualquer tipo de transação; Bancos, Cartões de Crédito e Débito, Contas

Leia mais

Autor: Júlio Battisti www.juliobattisti.com.br

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

Leia mais

CONTROLADOR CENTRAL P25 FASE 1 CAPACIDADE MÍNIMA PARA CONTROLAR 5 SITES

CONTROLADOR CENTRAL P25 FASE 1 CAPACIDADE MÍNIMA PARA CONTROLAR 5 SITES CONTROLADOR CENTRAL P25 FASE 1 CAPACIDADE MÍNIMA PARA CONTROLAR 5 SITES O sistema digital de radiocomunicação será constituído pelo Sítio Central, Centro de Despacho (COPOM) e Sítios de Repetição interligados

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

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

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

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

Leia mais

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

Análise e Projeto de. Aula 01. Profa Cristiane Koehler cristiane.koehler@canoas.ifrs.edu.br

Análise e Projeto de. Aula 01. Profa Cristiane Koehler cristiane.koehler@canoas.ifrs.edu.br Análise e Projeto de Sistemas I Aula 01 Profa Cristiane Koehler cristiane.koehler@canoas.ifrs.edu.br Análise e Projeto de Sistemas I Horário das Aulas: 2as feiras das 10h10 às 11h40 e 5as feiras das 08h25

Leia mais

Identificar as mudanças que acontecem na forma e no uso de apoio à decisão em empreendimentos de e-business. Identificar o papel e alternativas de

Identificar as mudanças que acontecem na forma e no uso de apoio à decisão em empreendimentos de e-business. Identificar o papel e alternativas de 1 Identificar as mudanças que acontecem na forma e no uso de apoio à decisão em empreendimentos de e-business. Identificar o papel e alternativas de relatórios dos sistemas de informação gerencial. Descrever

Leia mais

Business Intelligence e Inteligência Analítica BUSINESS INTELLIGENCE

Business Intelligence e Inteligência Analítica BUSINESS INTELLIGENCE Business Intelligence e Inteligência Analítica BUSINESS INTELLIGENCE Sumário Conceitos/Autores chave... 3 1. Introdução... 4 2. Teoria de Negócios... 5 3. Profi ssionais de BI... 6 4. Verdades e Mitos

Leia mais

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

MATERIAL DIDÁTICO: APLICAÇÕES EMPRESARIAIS SISTEMA DE APOIO À DECISÃO (SAD) AULA 07 MATERIAL DIDÁTICO: APLICAÇÕES EMPRESARIAIS SISTEMA DE APOIO À DECISÃO (SAD) JAMES A. O BRIEN MÓDULO 01 Páginas 286 à 294 1 AULA 07 SISTEMAS DE APOIO ÀS DECISÕES 2 Sistemas de Apoio à Decisão (SAD)

Leia mais

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

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

Leia mais

DESENVOLVIMENTO DE UM SISTEMA DE APOIO À DECISÃO PARA A REDE LOGÍSTICA DO ABASTECIMENTO DE PETRÓLEO E SEUS DERIVADOS

DESENVOLVIMENTO DE UM SISTEMA DE APOIO À DECISÃO PARA A REDE LOGÍSTICA DO ABASTECIMENTO DE PETRÓLEO E SEUS DERIVADOS DESENVOLVIMENTO DE UM SISTEMA DE APOIO À DECISÃO PARA A REDE LOGÍSTICA DO ABASTECIMENTO DE PETRÓLEO E SEUS DERIVADOS Introdução Aluno: Ivan Campello Lopes Orientador: Silvio Hamacher A rede logística brasileira

Leia mais

Conversão de Base de Dados Relacional para Dimensional para Business Intelligence Utilizando Banco de Dados Mysql

Conversão de Base de Dados Relacional para Dimensional para Business Intelligence Utilizando Banco de Dados Mysql Conversão de Base de Dados Relacional para Dimensional para Business Intelligence Utilizando Banco de Dados Mysql Carlos H. Cardoso 1, Roberto D Nebo 1, Luis A. da Silva 1 1 Curso de Tecnologia em Banco

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

Banco de Dados - Senado

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

Leia mais

Sistemas 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

AULA 5 O E-BUSINESS E OS SISTEMAS DE APOIO ÀS DECISÕES E DE INFORMAÇÃO EXECUTIVA

AULA 5 O E-BUSINESS E OS SISTEMAS DE APOIO ÀS DECISÕES E DE INFORMAÇÃO EXECUTIVA AULA 5 O E-BUSINESS E OS SISTEMAS DE APOIO ÀS DECISÕES E DE INFORMAÇÃO EXECUTIVA APOIO ÀS DECISÕES DE E-BUSINESS E SISTEMAS DE APOIO ÀS DECISÕES Conceito O conceito básico de e-business é simples: negócios

Leia mais

http://www.publicare.com.br/site/5,1,26,5480.asp

http://www.publicare.com.br/site/5,1,26,5480.asp Página 1 de 7 Terça-feira, 26 de Agosto de 2008 ok Home Direto da redação Última edição Edições anteriores Vitrine Cross-Docking Assine a Tecnologística Anuncie Cadastre-se Agenda Cursos de logística Dicionário

Leia mais

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

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

Leia mais

Uma Arquitetura de Gestão de Dados em Ambiente Data Warehouse

Uma Arquitetura de Gestão de Dados em Ambiente Data Warehouse Uma Arquitetura de Gestão de Dados em Ambiente Data Warehouse Alcione Benacchio (UFPR) E mail: alcione@inf.ufpr.br Maria Salete Marcon Gomes Vaz (UEPG, UFPR) E mail: salete@uepg.br Resumo: O ambiente de

Leia mais

COMO O INVESTIMENTO EM TI PODE COLABORAR COM A GESTÃO HOSPITALAR?

COMO O INVESTIMENTO EM TI PODE COLABORAR COM A GESTÃO HOSPITALAR? COMO O INVESTIMENTO EM TI PODE COLABORAR COM A GESTÃO HOSPITALAR? Descubra os benefícios que podem ser encontrados ao se adaptar as novas tendências de mercado ebook GRÁTIS Como o investimento em TI pode

Leia mais

Sistema de Supervisão de Rede Óptica

Sistema de Supervisão de Rede Óptica WORKSHOP sobre TELECOMUNICAÇÕES DO RIO MADEIRA Soluções para LT de Longa Distância Sistema de Supervisão de Rede Óptica Paulo José Pereira Curado Gerente de Tecnologia de Rede Óptica 17/03/2010 Sumário

Leia mais

Criação e uso da Inteligência e Governança do BI

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

Leia mais

Faculdade Pitágoras Curso Superior de Tecnologia: Banco de Dados

Faculdade Pitágoras Curso Superior de Tecnologia: Banco de Dados Faculdade Pitágoras Curso Superior de Tecnologia: Banco de Dados Disciplina: Ferramentaspara Tomadade Decisão Prof.: Fernando Hadad Zaidan Unidade 1.2 1 Conceitos Iniciais Tomada de Decisão, Modelagem

Leia mais