TECNOLOGIA DE INFORMAC A O APLICADAS

Transcrição

1 - Centro de Ciências Agrárias Departamento de Computação TECNOLOGIA DE INFORMAC A O APLICADAS Sistemas de Apoio à Decisão COM II Prof. Marcelo Otone Aguiar marcelo.aguiar@ufes.br - Tecnologia de Informação Aplicadas: -Business Intelligence e ferramentas de Suporte: -Data Mart; -Data Warehouse; -Data Minning: -Conceito; -Motivação; -Aplicação; -Técnicas de mineração de dados; -Data Minning e CRM. 2 Agenda 1

2 - 3 DATA MART (DM) BUSINESS INTELLIGENCE E FERRAMENTAS DE SUPORTE - Business Intelligence e ferramentas de suporte - Data Marts DM: Corresponde a um agrupamento de bancos de dados transacionais* aglutinados por algum crite rio, normalmente temas de nego cios, que sa o questo es administrativas frequ entemente abordadas. Por exemplo, o tema: Satisfac a o do Cliente. Para verificar a satisfac a o do cliente devemos agrupar alguns Bancos de dados: (a) Banco de dados de vendas para verificar a demanda de determinados produtos; (b) BD do setor financeiro para verificar a pontualidade do pagamento do cliente que pode ser um indicador de satisfac a o; e (c) BD de atendimento ao consumidor que tera o registros mais precisos sobre a sua satisfac a o. O cruzamento de informac o es especi ficas (note que na o sa o necessa rias todas as informac o es de cada BD) de cada um destes BD s contribuirá para atender a s questo es do tema Satisfac a o do Cliente. Portanto, neste caso, o Data Mart sera um novo BD, criado a partir da integrac a o dos tre s bancos anteriores. 4 2

3 - Business Intelligence e ferramentas de suporte 5 Na figura, temos dois Data Marts (Satisfac a o do Cliente e Logi stica) formados por Bancos de Dados Transacionais (financeiro, vendas, atendimento e estoque). Esquema de Data Marts X BD transacionais - 6 DATA WAREHOUSE (DW) BUSINESS INTELLIGENCE E FERRAMENTAS DE SUPORTE 3

4 - Business Intelligence e ferramentas de suporte - Data Warehouse DW: O Data Warehouse e a integrac a o de diversos Data Marts. Com isso, a organizac a o passa a ter um depo sito de informac o es, integrado, que podera atender a uma demanda muito mais ampla de temas de nego cio, uma vez que o cruzamento de informac o es entre dois DM ou mais pode gerar a possibilidade de se identificar novos temas. O DW proporciona uma sólida e concisa integração dos dados da empresa, para a realização de análises gerenciais estratégicas de seus principais processos de negócio. Ele se preocupa em integrar e consolidar as informações de fontes internas, na maioria das vezes heterogêneas, e fontes externas, sumarizando, filtrando e limpando esses dados, preparando-os para análise e suporte à decisão. extração de dados de fontes heterogêneas (internas e/ou externas); transformação e integração dos dados antes da carga final. 7 - Business Intelligence e ferramentas de suporte - Data Warehouse DW: De acordo com O Brien (2004), as principais caracteri sticas dos DW sa o: Na o Volatilidade dos dados Os dados de um DW na o sa o exclui dos e alterados como nos SPT s; a u nica operac a o e a de inserc a o de novos dados. Historicidade ou Variação no tempo Como conseque ncia da na o volatilidade um DW armazena informac o es de va rios anos, dando maior credibilidade nas ana lises temporais. Orientação por Assunto - um DW armazena as informações agrupadas por assuntos de interesse da empresa que são mais importantes. 8 4

5 - Business Intelligence e ferramentas de suporte De acordo com O Brien (2004), as principais caracteri sticas dos DW sa o: Integração - Dados com alto nível de integração afim de se obter a unicidade das informações. A existência de sistemas mais antigos com padrões de codificação de dados, leva à existência de diferentes padrões entre os sistemas operacionais, que quando da carga do DW são resolvidos pelos processos de filtragem e agregação. Meta dados Como os dados existentes em um DW sa o oriundos de diversas fontes e muitas vezes modificados, faz-se necessa rio construir um Mapa dos dados, ou seja, um guia de refere ncia explicando como cada dado, campo e registro do DW foi extrai do dos bancos de dados originais. Redunda ncia de dados Nos bancos de dados convencionais a redunda ncia e a repetic a o dos dados sa o ac o es indesejadas, pois podem gerar dubiedade de interpretac a o. Já nos DW a redunda ncia e aceita, pois, dependendo do contexto, de fato a mesma pergunta pode gerar respostas distintas. Apo s a carga de dados em um DW, segue-se a etapa mais importante do processo de BI: o Data Minning. 9 - DATA MINNING (DM) MINERAÇÃO DE DADOS BUSINESS INTELLIGENCE E FERRAMENTAS DE SUPORTE 10 5

6 - Business Intelligence e ferramentas de suporte - Data Minning, ou Minerac a o de Dados: Corresponde ao ato de extrair informac o es do DW, a fim de identificar tende ncias, padro es de nego cio e cena rios. E possi vel realizar simulac o es e fazer testes de hipo tese. Para efetuar a minerac a o e necessa rio um conjunto de ferramentas denominadas OLAP. - Conceito: Definido de forma simples, Data Mining automatiza a detecção de padrões relevantes em um banco de dados. Por exemplo, um padrão poderia indicar que homens casados com crianças têm duas vezes mais chances de dirigir um carro esporte específico do que homens casados sem crianças. Para um gerente de marketing de uma indústria automobilística, esse padrão surpreendente poderia ser bastante valioso CONCEITO DATA MINNING (DM) 6

7 - - Conceito: Data Mining Por [Harrison] temos a classificação de data mining (minerac a o de dados), como o tipo mais complexo de função analítica OLAP, uma vez que emprega sofisticados modelos de reconhecimento de padrões e algoritmos de aprendizado para identificar relações entre elementos de dados. Ele projeta problemas não-lineares com grande número de variáveis, análise multiautomática, usando técnicas como algoritmos de árvores de decisão, redes neurais, lógica difusa e algoritmos genéticos. Data-mining (minerac a o de dados) - analisa as informac o es constantes em um banco de dados usando ferramentas que procuram tende ncias ou anomalias MOTIVAÇÃO DATA MINNING (DM) 7

8 - - Motivação: O crescimento da concorrência e a consequente mudança do perfil do cliente, que passa a ser mais exigente, faz surgir a necessidade de novas estratégias de negócio e os tomadores de decisão modernos precisam de subsídios para encarar as mudanças. Ao mesmo tempo, existe uma enorme quantidade de informação potencialmente importante guardada nos bancos de dados, mas que ainda não foi descoberta, ou seja, está escondida e é raramente tornada explícita. Técnicas de Mineração de Dados surgem então como auxílio no processo de tomada de decisão. Algoritmos de mineração de dados extraem, de grandes bases de dados e sem prévia formulação de hipóteses, tendências, padrões e correlações entre os dados - conhecimento -, os quais devem ser úteis à tomada de decisão. Sendo assim, a utilização do processo de mineração de dados é de extrema importância, visto que, através dela, muitos dados armazenados em poderosos SGBDs podem ser transformados em informações relevantes que podem ser utilizadas de várias formas no processo de tomada de decisão. 15 Data Mining - 16 APLICAÇÃO DATA MINNING (DM) 8

9 - - Aplicação: Mineração de dados pode ser utilizada nos mais variados segmentos do mercado e auxilia em processo para analisar e determinar o perfil dos clientes, analisar vendas, traçar estratégias de marketing, entre outros aspectos. Um dos melhores exemplos de aplicativo Data Mining é a determinação de fatores associados à fraude e avaliação de risco de cartão de crédito. Várias técnicas de mineração de dados podem ser encontradas, dentre as quais se destacam: Regras de Associação; e Classificação. 17 Data Mining - - Técnicas de mineração de dados: Especificamente falando da geração de regras de associação, a capacidade de descobrir correlação entre produtos vendidos é extraordinariamente importante ao processo de tomada de decisão nas empresas de comércio varejista. Esta técnica é geralmente utilizada para descobrir vendas associadas de produtos nos mais diversos ramos. Já a classificação procura formar classes a partir dos dados minerados. Por exemplo, a partir desta técnica é possível saber que clientes terão mais chances de não pagar um determinado empréstimo no banco. 18 Data Mining 9

10 - TÉCNICAS DE MINERAÇÃO DE DADOS DATA MINNING (DM) O Diferencial das Técnicas de Data Mining: O resultado da utilização de Data Mining é diferente de outros processos de negócio baseados em dados. Na maioria das técnicas de exploração dos dados, os resultados apresentados são coisas já conhecidas. Por exemplo, um relatório mostrando a diminuição das vendas de certa linha de produtos em uma região pode ser direto para o usuário porque ele intuitivamente sabe que esse tipo de informação existe no banco de dados. Técnicas de Data Mining, por outro lado, extraem informação útil, valiosa e previamente desconhecida. 20 Data Mining 10

11 - DATA MINING E CUSTOMER RELATIONSHIP MANAGEMENT (CRM) DATA MINNING (DM) Data Mining e Customer Relationship Management (CRM): Customer Relationship Management é um processo que gerencia as interações entre a empresa e seus clientes. Os usuários primários das aplicações de CRM são pessoal de Banco de Dados e de Marketing, que procuram automatizar os processos de interação com os clientes. É necessário para estas equipes a identificação de segmentos contendo clientes com alto potencial de lucro. A partir daí, são construídas e executadas campanhas que impactam favoravelmente o comportamento desses clientes. Segmentar clientes e traçar seus perfis requer uma quantidade significativa de dados sobre os mesmos e seus comportamento de compra. Entretanto, o armazenamento massivo de dados torna difícil filtrar a base em busca das informações valiosas. Desta forma, as aplicações de Data Mining têm servido para automatizar os processos de procura nas montanhas de dados de maneira a encontrar padrões que sejam bons preditores de comportamentos de compra. Depois disso, providências são tomadas levando em consideração os segmentos de mercado definidos. 22 Data Mining 11

12 - - Marakas, G.M.; Decision Support Systems in the 21st Century. 2ed, Ed. Prentice Hall, ISBN: Cortes, B.; Sistemas de Suporte á Decisão. Ed. FCA, ISBN: Turban, E.; Aronson, J.E.; Liang, T.P.; Sharda, R.; Decision Support and Business Intelligence Systems, 8ed, Ed. Prentice Hall, ISBN: Colaço, M.; Projetando Sistemas de Apoio á Decisão Baseados em Data Warehouse. 1ed. Ed. Axcel Books, ISBN: Cassarro, A.C.; Sistemas de Informação para Tomada de decisões. 3ed, Ed. Pioneira, Bertalanffy, L.; Teoria Geral dos Sistemas: Fundamentos, desenvolvimento e Aplicações. 1ed, Ed. Vozes, ISBN: Referências - - Stair, R. M.; Reynolds, G.W.; Princípios de Sistemas de Informação. 1ed. Ed. Cengage Learning, ISBN: Laudon, K.C.; Laudon, J.P.; Management Information System: Managing thw Digital Firm. 10ed, Ed. Prentice Hall, ISBN: Audy, J.L.N.; Andrade, G.K.; Cidral, A.; Fundamentos de Sistemas de Informação. 1ed, Ed. Bookman, ISBN: Imoniana, J.O.; Auditoria de Sistemas de Informação. 2ed, Ed. Atlas, ISBN: Referências 12

13 - - Schimidt, P.; Santos, J. L.; Arima, C.H.; Fundamentos de Auditoria de Sistemas. Vol. 9, 1ed, Ed. Atlas, ISBN: Cortes, P.L.; Administração de Sistemas de Informação. 1ed. Ed. Saraiva, ISBN: Campos, A.L.N..; Sistemas de Segurança de Informação: Controlando os Riscos, 2ed, Ed. Visual Books, ISBN: Dias, C.; Segurança e Auditoria da Tecnologia da Informação. Ed. Axcel Books, ISBN: Sistemas de Informação: completo%20revisado%20final.pdf - Braga, J.L. Tecnologia da Informação. 25 Referências 13