Analytics e Inteligência Artificial

Prévia do material em texto

ANALYTICS E
INTELIGÊNCIA ARTIFICIAL (IA)
W
B
A
04
29
_v
1.
0
2
Marcelo Tavares de Lima
Londrina 
Editora e Distribuidora Educacional S.A. 
2020
ANALYTICS E INTELIGÊNCIA ARTIFICIAL (IA)
1ª edição
3
2020
Editora e Distribuidora Educacional S.A.
Avenida Paris, 675 – Parque Residencial João Piza
CEP: 86041-100 — Londrina — PR
e-mail: editora.educacional@kroton.com.br
Homepage: http://www.kroton.com.br/
Presidente
Rodrigo Galindo
Vice-Presidente de Pós-Graduação e Educação Continuada
Paulo de Tarso Pires de Moraes
Conselho Acadêmico
Carlos Roberto Pagani Junior
Camila Braga de Oliveira Higa
Carolina Yaly
Giani Vendramel de Oliveira
Henrique Salustiano Silva
Juliana Caramigo Gennarini
Mariana Gerardi Mello
Nirse Ruscheinsky Breternitz
Priscila Pereira Silva
Tayra Carolina Nascimento Aleixo
Coordenador
Tayra Carolina Nascimento Aleixo
Revisor
Lucas dos Santos Araujo Claudinho
Editorial
Alessandra Cristina Fahl
Beatriz Meloni Montefusco
Gilvânia Honório dos Santos
Mariana de Campos Barroso
Paola Andressa Machado Leal
Dados Internacionais de Catalogação na Publicação (CIP)__________________________________________________________________________________________ 
Lima, Marcelo Tavares de.
L732a Analytics e inteligência artificial (IA)/ Marcelo Tavares de
 Lima. – Londrina: Editora e Distribuidora Educacional S.A.,
 2020.
 44 p.
 ISBN 978-65-87806-34-1
1. Inteligência artificial 2. Algoritmos computacionais 3.
Sistemas especialistas (Computação) I. Título.
 
CDD 005
____________________________________________________________________________________________
Raquel Torres CRB: 6/2786
© 2020 por Editora e Distribuidora Educacional S.A.
Todos os direitos reservados. Nenhuma parte desta publicação poderá ser 
reproduzida ou transmitida de qualquer modo ou por qualquer outro meio, 
eletrônico ou mecânico, incluindo fotocópia, gravação ou qualquer outro tipo de 
sistema de armazenamento e transmissão de informação, sem prévia autorização, 
por escrito, da Editora e Distribuidora Educacional S.A.
4
SUMÁRIO
Ambiente Favorável a aplicação de tecnologias de Analytics e IA ____ 05
Conceitos e objetivos de Business Intelligence - BI __________________ 20
Tomada de decisão em custo e tempo de processamento de 
servidores __________________________________________________________ 35
Fundamentos da IA: métodos e algoritmos para construir sistemas 
inteligentes _________________________________________________________ 50
ANALYTICS E INTELIGÊNCIA ARTIFICIAL (IA)
5
Ambiente Favorável a aplicação 
de tecnologias de Analytics e IA
Autoria: Marcelo Tavares de Lima
Leitura crítica: Lucas dos Santos Araujo Claudino
Objetivos
• Apresentar conceitos básicos e fundamentais da 
Inteligência Artificial.
• Apresentar conceitos básicos e fundamentais de 
Analytics.
• Descrever ambientes favoráveis para aplicação de 
tecnologias de Analytics e Inteligência Artificial.
6
1. Introdução
Seja bem-vindo ao mundo do analytics e da inteligência artificial (IA). Vamos 
ingressar em um terreno do conhecimento vasto e com muita coisa a ser 
explorada. Serão abordadas nomenclaturas relativamente novas, mas que 
possuem como embasamento conceitos consolidados e importantes.
Este texto apresentará conceitos fundamentais de analytics e de 
Inteligência Artificial para, em seguida, descrever ambientes favoráveis 
para a implementação dessas tecnologias de forma proveitosa e 
otimizada. Fique atento ao que virá! Bons estudos!
2. Inteligência Artificial
Antes de apresentar do que trata a Inteligência Artificial e os 
conceitos associados, vale a pena introduzir conceitos relacionados 
a uma característica muito desejada por todos os seres humanos, a 
inteligência. Esta, segundo Oliveira (2018, p. 9) é “um dos conceitos mais 
fascinantes para a ciência”.
Desde o início da história da humanidade, busca-se compreender o que 
caracteriza um ser inteligente, entender o que é inteligência e quais as 
maneiras como pode se manifestar nos seres humanos e nos animais. 
Esses questionamentos se expandiram para as máquinas quando os 
sistemas computacionais começaram a ser desenvolvidos e a evoluir 
significativamente.
Nós, seres humanos, somos pertencentes à classe de seres Homo 
sapiens, ou seja, somos parte do gênero humano (Homo) e da espécie 
que é considerada sábia (sapiens). Tal classificação foi atribuída porque 
somos a única espécie do planeta Terra capaz de raciocinar logicamente 
e apresentar conhecimento com base em processos de aprendizado, 
7
permitindo, assim, que nós, seres humanos, tenhamos a capacidade 
de tomar decisões. No entanto, a característica de inteligência não é 
exclusividade da espécie humana.
Questionamentos sobre a possibilidade de uma máquina criada pelo 
homem poder apresentar a característica de inteligência humana 
passaram a fazer parte da rotina de pesquisadores da área de 
inteligência, mesmo sabendo, é claro, que a inteligência imputada em 
uma máquina não seria nata, mas, só pelo fato de existir a possibilidade 
de implementação, iniciou-se uma corrida nas pesquisas associadas.
Para dar um pontapé inicial sobre essa imensidão que é a IA, vale a pena 
definir conceitos básicos associados, como inteligência, definir como um 
sistema pode ser classificado como inteligente, levantar características, 
possibilidades e limitações de um sistema computacional considerado 
inteligente, de acordo com Oliveira (2018).
Do ponto de vista da inteligência, pode acontecer de, num contexto do 
senso comum, parecer que somente o ser humano é detentor desta 
característica. No entanto, isso não é verdade. Por exemplo, os animais 
mamíferos, também são capazes de apresentar inteligência de alguma 
forma. É claro que, se considerarmos em medidas de quantificação, o 
homem é o único capaz de atingir altos níveis de inteligência, segundo 
Santos e Arruda (2019).
O conceito de inteligência pode parecer nebuloso e extremamente 
polêmico, embora possamos argumentar que há uma possibilidade de 
afirmar que um comportamento inteligente diz respeito a aprender lidar 
com o mundo por meio de estratégias direcionadas para a busca de 
soluções a determinados problemas (SANVITTO, 1995 apud SANTOS e 
ARRUDA, 2019, p. 727).
Com os avanços tecnológicos crescendo de forma exponencial, em 
particular na área computacional, algumas correntes da ciência chegam a 
afirmar que uma máquina pode pensar e, portanto, possui comportamento 
8
inteligente. É claro que esse é um assunto longe de ser consensual entre 
os estudiosos do ramo, mas, pode ser considerado uma provocação para o 
debate sobre ele, segundo Santos e Arruda (2019).
Sanvitto (1995 apud Santos e Arruda, 2019) chegou a utilizar o termo 
Homo sapiens versus Machine sapiens como forma de representar a 
dicotomia do homem versus a máquina, em relação à apresentação 
do atributo ou característica de inteligência. De certo, o autor teve um 
contexto próprio para introduzir o assunto dessa maneira, o que, ao 
longo dos anos, deixou de ser um confronto e passou a ser muito mais 
uma parceria ou complementação do homem pela máquina e vice-versa.
O termo inteligência artificial surgiu por volta da década de 1950. No 
seu surgimento, tinha-se como intenção o desenvolvimento de sistemas 
que fossem capazes de realizar tarefas que ainda seriam mais bem 
realizadas pelos seres humanos, segundo Machado (2017).
Oficialmente, a IA surgiu em 1956, em uma conferência realizada no 
Dartmouth College, nos Estados Unidos. Alguns participantes desse 
evento submeteram à Fundação Rockfeller uma proposta de pesquisa 
a ser desenvolvida em um período de dois meses, que seria composta 
por dez homens e associada ao termo inteligência artificial, segundo 
Machado (2017).
De acordo com Machado (2017, p. 17), define-se inteligência artificial 
como “área de pesquisa da ciência da computação que busca métodos 
ou dispositivos computacionais que simulam a capacidade humana de 
resolverproblemas”. Desde o seu surgimento, pesquisadores tentam 
implementar, de forma computacional, sistemas que possam agir 
racionalmente, semelhante aos seres humanos.
Desde seu surgimento, a IA gera discussões polêmicas, começando 
pelo seu próprio nome, considerado um tanto presunçoso por muitos 
contemporâneos de sua criação, segundo Machado (2017). A justificativa 
9
dada por essa sensação ou sentimento em relação ao termo, ou 
definição, tem base no desconhecimento dos conceitos associados 
à inteligência e, por outro lado, relação com a capacidade prática do 
processamento dos computadores, que, ainda complementam, terem 
ocorrido promessas exageradas com o surgimento da IA.
A linha de tempo do desenvolvimento da IA é um tanto ampla, mas, 
considerando os principais momentos de seu desenvolvimento, 
podemos citar os anos 1990, onde as pesquisas relacionadas ao tema 
extrapolaram os muros das universidades e passaram a ser também 
exploradas por empresas de tecnologia. Trata-se de um marco na 
história da IA, pois, a partir de então, seu desenvolvimento deu um 
grande salto em quantidade de produção de tecnologias.
A definição de inteligência artificial apresentada por Lima, Pinheiro e 
Santos (2014, apud Oliveira, 2018, p. 10) afirma que “I.A. é o conjunto 
de ações que, se fossem realizadas por um ser humano, seriam 
consideradas inteligentes”. De certa maneira, remete à dicotomia 
levantada por Sanvitto (1995 apud Santos e Arruda, 2019), pois cria 
um comparativo das ações de uma máquina com as ações dos seres 
humanos para, então, definir se o comportamento ou ação realizada é 
ou não inteligente.
Uma definição mais abrangente, apresentada por Russell e Norvig (2013 
apud Oliveira, 2018, p. 11) declara que:
Inteligência artificial é a capacidade de sistemas cibernéticos (formados 
por computadores, softwares, sensores e atuadores) de imitar funções 
cognitivas dos seres humanos, funções estas que podemos resumir na 
resolução de problemas por meio de aprendizado apoiado na percepção. 
(RUSSELl; NORVIG, (2013 apud OLIVEIRA, 2018, p. 11)
Oliveira (2018), a partir da definição de Russell e Norvig (2013), 
apresentada para IA, detalha um pouco melhor os três termos 
10
chaves apresentados na definição descrita: resolução de problemas, 
aprendizado e percepção.
A resolução de problemas é compreendida como “a capacidade de 
realizar tarefas julgadas corretas por algum critério de avaliação”, 
segundo Oliveira (2018, p. 11). De forma prática, pensando em um 
problema a ser resolvido por uma máquina, com uso de algoritmos e 
regras, trata-se da obtenção do resultado esperado para solucionar 
um problema. Essa característica não representa de fato um sistema 
inteligente, pois, como dito, as soluções são obtidas por procedimentos 
implementados ou por execução mecânica, fazendo, assim, a resolução 
de problemas como uma característica essencial, mas, não suficiente 
para identificar sistemas inteligentes.
Em IA, o aprendizado “é a característica dos algoritmos que têm a 
capacidade de melhorar seu desempenho por meio da experiência” 
(RUSSELL; NORVIG, 2013 apud OLIVEIRA, 2018, p. 12). Trata-se da 
reparametrização dos algoritmos a cada iteração realizado pela 
máquina, situação conhecida como aprendizado de máquina.
A percepção, no contexto humano, tem relação com dois tipos de 
fenômenos: físico e mental. Percepção física tem relação direta com 
a capacidade da coleta de informações/dados sobre o ambiente em 
nossa volta, segundo Oliveira (2018). A coleta é realizada com o uso dos 
sentidos de percepção humana: olfato, paladar, visão, audição e tato. O 
âmbito mental, ou fenômeno mental, está relacionado à capacidade de 
deduzir as situações que ocorrem ao nosso redor e extrair informações 
das mesmas para uma tomada de decisão apropriada.
Em relação aos sistemas cibernéticos, a capacidade de percepção está 
baseada nos sensores implementados e instalados para coletar dados e 
informações, que são diversos e podem fazer desde a simples leitura de 
dados até a coleta de informações por meio dos sensores físicos, como, 
por exemplo, medidores de velocidade e aceleração, termômetros etc.
11
Inúmeros jogos computacionais e outros dispositivos têm sido criados 
com base em inteligência artificial, como, por exemplo, o jogo República: 
a revolução, lançado em 2003 e usado como exemplo por Coppin (2013). 
O autor afirma que a construção deste jogo conteve um milhão de 
inteligências artificiais individuais, sendo que, cada uma delas era capaz 
de interagir com o mundo e com o jogador e ser manipulada por este.
Com a evolução tecnológica cada vez mais veloz e atuante, é possível que 
a inteligência artificial se torne predominante na sociedade de forma cada 
vez mais intensa. Mesmo que sejam criados dispositivos tecnológicos 
realmente inteligentes, cada vez mais, do ponto de vista de tendência, serão 
encontrados computadores, máquinas e outros dispositivos mais, mesmo 
que aparentemente, inteligentes, segundo Coppin (2013).
3. Conceitos fundamentais de analytics
O termo analytics é muito amplo e engloba processos e tecnologias. Na 
literatura, analytics, também é conhecido como Business Intelligence, Big 
Data, Business Analytics e outros termos, de acordo com Ruggiero (2017).
O analytics é o processo de extração e criação de informações a partir de 
dados brutos por filtragem, processamento, categorização, condensação 
e contextualização dos dados, segundo Bahga e Madisetti (2019). 
Analytics é o tratamento aplicado no dado com intenção de transformá-
lo em informação útil para ser aproveitada nos processos de tomada de 
decisão e para divulgação de resultados.
Segundo Ruggiero (2017), o termo Business Intelligence (BI) surgiu na 
literatura no ano de 1958, por meio de Hans Peter Luhn, pesquisador 
da área de ciência da computação. Nesse momento, BI era considerado 
um sistema automático para definição de ações reais aos seus usuários. 
No entanto, em 1986, passou a ser considerado um processo, onde sua 
12
entrada se daria com dados brutos e sua saída, a inteligência para a 
tomada de decisão.
Na prática, de acordo com muitos estudiosos do assunto, o conceito de 
BI está relacionado a um processo onde há utilização de “informações 
operacionais e ferramentas analíticas para melhorar os processos de 
tomada de decisão das empresas” (NEGASH, 2004 apud RUGGIERO, 2017).
Quando considerado um processo, BI é composto por métodos 
apropriados para o tratamento de dados, a fim de transformá-los 
em informações para serem utilizadas pelas empresas para que se 
tornem competitivas. O produto deste tratamento será o resultado 
que permitirá a possibilidade da tomada de decisão realizada por 
meio das informações disponíveis para a execução de predição de 
comportamentos dos concorrentes, clientes, fornecedores etc.
Ao longo do desenvolvimento do BI, surgiu, no meio acadêmico, o termo 
inteligência analítica (IA), como um substituto. Continuamente, também 
surgiu o termo Big data, como um sinônimo para BI e IA. No entanto, este 
último, ao longo do desenvolvimento de trabalhos e pesquisas associados, 
passou a ter conceito próprio, como, segundo Ruggiero (2017, p. 28), sendo 
“o fenômeno do aumento da oferta e demanda de dados e de ferramentas 
para manejá-los, o que parece bastante relacionado com IA”.
No período de seu desenvolvimento, o conceito de inteligência analítica, 
associado ao conceito de Big data, teve um termo acrescido à sua 
denominação. Trata-se do termo analytics, tornando assim, o termo 
conhecido como Big data analytics, que passou a significar “conjuntos de 
dados e técnicas analíticas para aplicações muito grandes e complexas, 
que requerem soluções, avançadas de armazenagem, gerenciamento, 
análise e ferramentas de visualização”, segundo Ruggiero (2017, p. 28).
É comum que os estudiosos do assunto se refiram apenas ao termo 
analytics quando estiverem se referindo ao Business Intelligence and 
13
Analytics. O termo analytics, segundo Ruggiero (2017,p. 29) “é um termo 
genérico que significa aplicar várias técnicas analíticas em dados para 
responder ou resolver problemas, algo que facilita a realização de 
objetivos de negócio”.
Por fim, Analytics concentra-se em conhecimento e inteligência, reunindo 
ferramentas de visualização, exploração, explanação e predição, de acordo 
com Ruggiero (2017). Sendo assim, Analytics reúne técnicas de estatística, 
econometria, Machine learning, otimização e simulação. Então, falar de 
Analytics, é falar de técnicas já conhecidas, mas, com o enfoque em negócios 
e na tomada de decisão gerencial, dando a ideia de que Business Intelligence 
e Analytics trata-se de ciência de dados no contexto de negócios.
Com uso de técnicas diversas dentro do contexto de Analytics, as 
informações obtidas são organizadas e estruturadas para inferir 
conhecimento sobre sistemas e/ou seus usuários, seus ambientes e 
suas operações, assim como a evolução dos seus objetivos, tornando os 
sistemas envolvidos mais inteligentes e mais eficientes.
Ruggiero (2017) em sua pesquisa, afirma que a inteligência analítica, 
desde 2002, passou a ser usada em e-commerce, vendas, marketing, 
suplly chain, detecção de fraudes e gestão de performance corporativa. 
Além disso, o autor, também identificou aplicações de IA em áreas 
como otimização de relacionamento com clientes, monitoramento de 
atividades de negócio e suporte à decisão.
Mesmo não sendo a ferramenta principal, ou o principal conceito no 
desenvolvimento de uma atividade, a IA também pode ser suporte para 
a geração de relatórios gerenciais, para um aumento de conhecimento 
em práticas de marketing, dentre outras situações.
A escolha de técnicas de Analytics dependerá diretamente dos objetivos 
de aplicação. Por exemplo, prever algo como se uma transação bancária 
é ou não uma fraude, se choverá ou não em um dia específico, ou se um 
14
tumor é ou não maligno. Pode-se também utilizar técnicas de Analytics 
para obtenção de padrões nos dados, como, observar os dias mais frios 
do ano, identificar assuntos mais visitados em uma página de Internet 
ou, ainda, identificar assuntos mais pesquisados em um determinado 
período do ano. Outras possibilidades são ligadas à busca de relações 
nos dados, como, por exemplo, comportamento de consumo de 
alimentos em relação ao período do ano etc.
A Figura 1 apresenta a relação entre Analytics e algumas ferramentas 
quantitativas e computacionais mais utilizadas para a tomada de 
decisão. É claro que não se trata de uma receita de bolo, podendo 
uma metodologia ser usada em contexto distinto ao que está sendo 
mostrado, tratando-se apenas de uma proposta de metodologia 
quantitativa e computacional para cada situação dentro do Analytics.
Figura 1 – Relação entre Analytics e métodos quantitativos e 
computacionais
Fonte: elaborado pelo autor. 
15
O Analytics descritivo compreende a análise de dados existentes, 
oriundos de tempos passados e analisados no presente de forma 
resumida para serem facilmente interpretados. O Analytics descritivo 
ajuda a responder a seguinte pergunta: o que aconteceu? Grande parte 
do Analytics realizado é descritivo com o uso de funções estatísticas, 
como contagem, soma, mínimo, máximo, médias, porcentagens etc. 
Essas estatísticas ajudam a descrever padrões nos dados. Por exemplo, 
a contagem do número de likes de uma particular postagem em uma 
rede social; média de acessos a uma determinada página da Internet etc.
O Analytics diagnóstico compreende a análise de dados passados para 
diagnosticar as razões da ocorrência de determinados eventos. Ajuda 
a responder perguntas como: por quê aconteceu? Por exemplo, um 
sistema que coleta e analisa sensores de equipamentos que monitoram 
um sinal vital humano. Enquanto o descritivo pode ser útil no resumo 
dos dados por meio do cálculo de diversas estatísticas, o diagnóstico 
pode fornecer informações que permitam saber por que ocorreu 
alguma falha no sistema.
O Analytics preditivo corresponde à previsão da ocorrência de um 
evento ou a chance de sua ocorrência, assim como a previsão de valores 
futuros com uso de modelos preditivos. O Analytics preditivo ajuda a 
responder perguntas como: qual a chance de acontecer? Por exemplo, 
pode-se desejar prever quando uma máquina falhará em prever se 
um tumor é maligno ou benigno. O Analytics preditivo é realizado com 
o uso de modelos preditivos que utilizam dados existentes. Esses 
modelos identificam padrões e tendências a partir dos dados e fazem a 
previsão da ocorrência de um ou mais eventos. A acurácia dos modelos 
de previsão depende da qualidade e do volume de dados existentes 
disponíveis para o seu treinamento. Antes de ser utilizado para previsão, 
o modelo deve ser validado com dados existentes. Um procedimento 
padrão utilizado para o desenvolvimento de modelos de previsão divide 
os dados existentes em duas partes, uma para treinamento e, outra para 
16
teste ou validação. Em geral, utiliza-se 75% dos dados para treinamento 
e, 25% para teste ou validação, segundo Bahga e Madisetti (2019).
Enquanto o Analytics preditivo utiliza modelos de previsão para prever 
prováveis resultados de um evento, o Analytics prescritivo utiliza modelos 
de predição múltipla para prever diversos resultados e o melhor curso 
de ação para cada resultado, segundo Bahga e Madisetti (2019). O 
Analytics prescritivo ajuda a responder perguntas como: o que podemos 
fazer para que isso aconteça? O Analytics prescritivo pode prever os 
possíveis resultados com base na atual escolha de ações e pode ser 
considerado como um tipo de Analytics que utiliza diferentes modelo 
de previsão para diferentes entradas (inputs). Prescreve ações ou as 
melhores opções a serem seguidas dentre as possíveis. Por exemplo, 
pode-se utilizar uma técnica de Analytics prescritivo para prescrever o 
melhor tratamento médico para um paciente com base nos resultados 
de outros pacientes. Outro exemplo: seria possível sugerir o melhor 
plano de dados para celular com base nos padrões de navegação do 
cliente.
Os possíveis ambientes de aplicação de técnicas de Analytics são 
diversos, como dito antes, assim como a seleção das técnicas 
apropriadas para cada um deles. Pode-se utilizar todas as técnicas 
existentes ou pode-se recorrer a apenas uma delas. A quantidade a ser 
implementada estará diretamente relacionada com a complexidade dos 
problemas ou ambientes em que serão implementadas.
Em cadeias de suprimentos, por exemplo, pode-se utilizar Analytics 
para otimizar fluxos e diminuir os estoques, enquanto que, no 
relacionamento com o cliente, pode-se utilizar para a identificação de 
oportunidades de negócios e potenciais relações empresariais. Ruggiero 
(2017, p. 31) exemplifica ainda a possibilidade de utilizar no “uso 
inteligente do capital humano interno; no ganho de qualidade a partir 
de processos internos; de performance financeira; e para pesquisa e 
desenvolvimento”.
17
Muitas empresas utilizam o Analytics em suas diversas áreas e, a 
depender destas, faz-se uso de um conjunto de técnicas apropriadas 
dentre as apresentadas na Figura 1. O ideal é que toda a empresa faça 
uso de inteligência analítica em seus diversos setores. No entanto, esta 
não é a realidade encontrada.
O Analytics ou Inteligência Analítica, pode também ser utilizado em 
análise de mídias sociais com a intenção de extração de opinião de 
usuários de redes sociais, de consumidores de determinado produto, 
clientes de um serviço de televisão, dentre outros. Muitas empresas 
prestam esse tipo de serviço, e estas têm se consolidado neste mercado 
cada vez mais.
É certo que o uso de IA extrapola o campo do mundo corporativo, 
muitos setores do serviço público fazem uso de técnicas de Analytics 
para manter, por exemplo, a transparência e a participação pública em 
suas atividades. Muitos centros de pesquisas acadêmicas também fazem 
uso de IA para o desenvolvimento de suas pesquisas em diversas áreas.
Ruggiero (2017) apresenta vantagens no uso de IA:
Naárea de ciência e tecnologia, com amplo ganho de informações através 
de sensores e instrumentos (exemplo oceanografia, astrofísica, etc.); na 
saúde, com ganho nas frentes de genoma e no bom uso dos dados gerados 
pelos pacientes; e na segurança pública, com o uso de dados de múltiplas 
fontes e o uso de sistemas de inteligência. (RUGGIERO, 2017, p. 32)
Com a produção maciça de dados por meio do uso intensivo da Internet, 
diversas empresas como Google, Amazon, Microsoft, entre outras, têm 
aumentado o uso de IA e capacitado seus colaboradores a lidar com 
técnicas que podem extrair informações importantes para seus negócios 
e orientações na produção de serviços e aplicativos, sendo a Google, 
Amazon e Facebook consideradas as pioneiras no uso de IA em suas 
atividades, segundo Ruggiero (2017).
18
No geral, o termo Analytics tem associação a alguma área ou contexto, 
como, por exemplo, Business Analytics, Health Analytics, Safe Analytics etc. 
O uso do termo associado a algum contexto ou área permite, segundo 
Ruggiero (2017), criar uma diferenciação do uso ou do propósito do 
uso das técnicas de IA, a fim de clarear para seus usuários quais as 
habilidades e tecnologias necessárias para a sua implementação.
Mesmo com o uso diferenciado e termos distintos, as várias áreas e 
empresas que utilizam conceitos e técnicas de IA têm em comum o uso 
de dados para extração de valor e informações que possam direcionar 
para a tomada de decisão dentro dos melhores cenários possíveis.
Ao voltar a falar em dados, é praticamente inevitável falar em Big data, 
pois a IA é que sustenta ou fornece embasamento para este conceito, 
o qual recorre, como já dito, ao uso de diversas técnicas quantitativas 
de estatística, raciocínio matemático e lógico, além de recursos 
computacionais.
Uma rápida consulta na internet sobre Analytics ou Inteligência Analítica 
permite que se tenha uma breve noção do quanto as empresas fazem uso 
de seus conceitos e técnicas. Está diretamente relacionado com a corrida 
para se atingir os melhores resultados dentro de suas áreas de atuação.
O uso de IA permite que as empresas obtenham uma série de benefícios, 
sendo muitos já descritos neste texto, mas vários outros podem ser 
elencados, como a possibilidade de permitir que as empresas desenvolvam 
projetos e campanhas de forma eficiente, permitindo que os esforços 
direcionados possam ser mensurados e ajustados, quando necessário.
Falar em Analytics ou Inteligência Artificial, como feito neste texto, é falar 
de um amplo mundo cheio de recursos tecnológicos e de termos que se 
associam e ao mesmo tempo se diferenciam em relação a área de atuação 
e, quanto ao uso das ferramentas metodológicas. Portanto, é um mundo 
que se abre diante de você, o qual não poderá de ser explorado.
19
Este texto apresentou, de forma breve e resumida, conceitos de 
inteligência artificial, conceitos de Analytics e, descreveu de forma breve 
os ambientes favoráveis à aplicação desses conceitos e suas tecnologias 
associadas. Não houve a pretensão de esgotar o assunto, mas houve a 
intenção de instigar o aluno a buscar e a conhecer mais do que aqui foi 
apresentado.
Referências Bibliográficas
BAHGA, Arshdeep; MADISETTI, Vijay. Big data science & analytics: a hands-on 
approach. Arshdeep Bahga & Vijay Madisetti, 2019. ISBN: 978-1-949978-00-1.
COPPIN, B. Inteligência artificial. Tradução e revisão técnica Jorge Duarte Pires 
Valério. Reimpr. Rio de Janeiro: LTC, 2013. Disponível em: https://integrada.
minhabiblioteca.com.br/#/books/978-85-216-2936-8/cfi/6/2!/4/2@0.00:0. Acesso 
em: 23 jul 2020.
MACHADO, V. P. Inteligência artificial. Fortaleza. Notas de aula, 2017. 
Disponível em: http://www.uece.br/computacaoead/index.php/downloads/doc_
download/2177-inteligencia-artificial. Acesso em: 23 jul 2020.
OLIVEIRA, R. F. Inteligência artificial. Londrina: Editora e Distribuidora Educacional 
S.A., 2018.
RUGGIERO, P.H.G. Inteligência analítica: competências para atuação. 2017. 
Dissertação (Mestrado em Administração de Empresas), Escola de Administração 
de Empresas de São Paulo, Fundação Getúlio Vargas, São Paulo, 2017. Disponível 
em: https://bibliotecadigital.fgv.br/dspace/bitstream/handle/10438/18031/
Pedro%20Ruggiero%20-%20Intelig%C3%AAncia%20Anal%C3%ADtica.
pdf?sequence=1&isAllowed=y. Acesso em: 23 jul 2020.
SANTOS, B.L.; ARRUDA, E.P. Dimensões da inteligência artificial no contexto da 
educação contemporânea. Educação Unisinos, [s. l.], v. 23, n. 4, p. 725–741, 2019. 
Disponível em: http://search.ebscohost.com/login.aspx?direct=true&db=foh&AN=14
0968652&lang=pt-br&site=ehost-live. Acesso em: 23 jul 2020.
SOARES, J. Uma breve viagem pela inteligência artificial. Revista de Ciências da 
Computação, [s. l.], v. 14, p. 1–34, 2019. Disponível em: http://search.ebscohost.
com/login.aspx?direct=true&db=foh&AN=141373309&lang=pt-br&site=ehost-live. 
Acesso em: 23 jul 2020.
https://integrada.minhabiblioteca.com.br/#/books/978-85-216-2936-8/cfi/6/2!/4/2@0.00:0
https://integrada.minhabiblioteca.com.br/#/books/978-85-216-2936-8/cfi/6/2!/4/2@0.00:0
http://www.uece.br/computacaoead/index.php/downloads/doc_download/2177-inteligencia-artificial
http://www.uece.br/computacaoead/index.php/downloads/doc_download/2177-inteligencia-artificial
https://bibliotecadigital.fgv.br/dspace/bitstream/handle/10438/18031/Pedro%20Ruggiero%20-%20Intelig%C3%AAncia%20Anal%C3%ADtica.pdf?sequence=1&isAllowed=y
https://bibliotecadigital.fgv.br/dspace/bitstream/handle/10438/18031/Pedro%20Ruggiero%20-%20Intelig%C3%AAncia%20Anal%C3%ADtica.pdf?sequence=1&isAllowed=y
https://bibliotecadigital.fgv.br/dspace/bitstream/handle/10438/18031/Pedro%20Ruggiero%20-%20Intelig%C3%AAncia%20Anal%C3%ADtica.pdf?sequence=1&isAllowed=y
http://search.ebscohost.com/login.aspx?direct=true&db=foh&AN=140968652&lang=pt-br&site=ehost-live
http://search.ebscohost.com/login.aspx?direct=true&db=foh&AN=140968652&lang=pt-br&site=ehost-live
http://search.ebscohost.com/login.aspx?direct=true&db=foh&AN=141373309&lang=pt-br&site=ehost-live
http://search.ebscohost.com/login.aspx?direct=true&db=foh&AN=141373309&lang=pt-br&site=ehost-live
20
Conceitos e objetivos de Business 
Intelligence - BI
Autoria: Marcelo Tavares de Lima
Leitura crítica: Lucas dos Santos Araujo Claudino
Objetivos
• Apresentar conceitos fundamentais de Business 
Intelligence (BI).
• Descrever os objetivos e os componentes de 
Business Intelligence (BI).
• Apresentar aplicações de Business Intelligence (BI).
21
1. Introdução
Vivemos em um mundo cada vez mais complexo e dinâmico, onde 
também estão inseridas as organizações empresariais, pressionadas 
a tomar decisões cada vez mais rápidas e eficientes, exigindo uma 
mudança radical em seus modos de operação para continuarem sendo 
competitivas e se manterem vivas no mundo de negócios, que se torna 
cada vez mais complexo.
Este texto apresenta conceitos fundamentais de Business Intelligence 
(BI), também conhecido como inteligência de negócios. Serão descritos 
métodos analíticos utilizados dentro deste conceito e ambientes 
relacionados. Também, serão apresentados os objetivos do BI e 
exemplos de aplicações diversas. Bons estudos!
2. Conceitos fundamentais de Business 
Intelligence
A busca por informações importantes e relevantes para a tomada de 
decisão é uma corrida que sempre existiu. No entanto, com o aumento 
dos recursos tecnológicos,tem se acelerado de forma exponencial por 
conta da grande produção de dados pelas empresas.
Como primeiro desafio, tem-se a necessidade de um armazenamento 
adequado, apropriado e de fácil acesso, queermite que dados importantes 
não sejam descartados nem perdidos por conta do mau uso. Diversos 
ambientes de armazenamento de dados e de sua fácil disponibilização são 
desenvolvidos por profissionais de tecnologia de informação. Estes poderão 
também conter ferramentas de cunho analítico, que permitirão não apenas 
o acesso aos dados, mas também a manipulação destes com métodos e 
técnicas que possam transformá-los em informações.
22
O processode tratamento analítico de dados gerados em ambientes 
empresariais e de negócios está associado ao conceito de BI. São as 
ferramentas associadas que transformam dados brutos em informações 
valiosas para os negócios, obtidas de formas ágeis em concordância com 
a velocidade da dinâmica de mudanças em ambientes empresariais, 
segundo Antonelli (2009).
Dentro do contexto apresentado, surge o BI, que, segundo Antonelli 
(2009, p. 79) trata-se de uma “ferramenta que se utiliza da tecnologia 
da informação para coletar dados, analisá-los e transformá-los em 
informação para as organizações”. A ferramenta BI, também considerada 
como um sistema, permitirá que as organizações tenham acesso rápido 
e fácil ao conhecimento sobre os seus negócios, permitindo que os 
gestores realizem tomada de decisão de forma assertiva.
O conteúdo, até aqui apresentado, permite mostrar a importância 
que o BI tem dentro do cenário empresarial, pois o uso apropriado 
de ferramentas analíticas, associadas com recursos tecnológicos 
adequados, trarão maior qualidade de informação na tomada de 
decisão dos negócios, e consequentemente, o sucesso e a permanência 
das organizações.
A literatura não tem consensualidade na definição de BI, portanto, os 
autores do assunto nem sempre descrevem BI da mesma maneira. 
Alguns afirmam que se trata de um conjunto de conceitos, outros, dizem 
ser um conjunto de técnicas e, assim, divergem em partes quanto ao 
conceito de BI. De forma geral, no entanto, é possível perceber, em 
algum grau, certo consenso de definição de BI. Por exemplo, Angeloni e 
Reis (2006) definem que:
O conceito de Business Intelligence com o entendimento de que é 
Inteligência de Negócios ou Inteligência Empresarial compõe-se de 
um conjunto de metodologias de gestão implementadas através de 
ferramentas de software, cuja função é proporcionar ganhos nos 
processos decisórios gerenciais e da alta administração nas organizações, 
23
baseada na capacidade analítica das ferramentas que integram em um só 
lugar todas as informações necessárias ao processo decisório. (ANGELONI; 
REIS, 2006 apud ANTONELLI, 2009, p. 79)
O BI é considerado destaque dentro do mundo dos negócios porque 
permite que as empresas tenham visão sistêmica de seus negócios, além de 
permitir o acesso, de maneira uniforme, aos dados por seus colaboradores 
e interessados na obtenção de informações para o processo decisório.
Outro conceito a respeito de BI, apresentado por Angeloni e Reis (2006) 
o define como:
Um guarda-chuva conceitual, visto que se dedica à captura de dados, 
informações e conhecimentos que permitem às empresas competirem 
com maior eficiência em uma abordagem evolutiva de modelagem de 
dados, capazes de promover a estruturação de informações em depósitos 
retrospectivos e históricos, permitindo sua modelagem por ferramentas 
analíticas. Seu conceito é abrangente e envolve todos os recursos 
necessários para o processamento e disponibilização da informação ao 
usuário. (ANGELONI; REIS, 2006 apud ANTONELLI, 2009, p. 80)
Apesar de ter sua definição ligada à tomada de decisão da alta 
administração das empresas, o BI pode e deve ser utilizado por todos os 
setores das empresas responsáveis por tomadas de decisão. O acesso aos 
dados internos permite que haja embasamento confiável e transparente, 
como, por exemplo, em um departamento de compras de uma empresa.
Na prática, o BI é usado desde os povos passados. Por exemplo, 
os povos persas, egípcios e orientais, ao seu modo, faziam uso de 
observações dos fenômenos, como o comportamento das marés, a 
posição dos astros, dentre outros, e transformavam em informações 
úteis para a sua tomada de decisão.
Um exemplo atual, apresentado por Loh (2014), com a intenção de 
descrever o conceito de BI para leigos, fala sobre um caso de um carro 
24
GM (General Motors) e o sorvete de baunilha. Segundo ele, existe 
uma lenda sobre um cidadão que comprou um carro GM e, ao usar o 
automóvel, passou a ter problemas que o incentivaram a enviar uma 
carta para o fabricante. A queixa do cidadão, descrita na carta, estava 
relacionada com as suas idas a uma sorveteria e quando comprava 
sorvete de baunilha. Todas as vezes que assim fazia, o carro demorava 
a dar partida. No entanto, percebeu que, quando ia à sorveteria, mas 
comprava um sorvete que não fosse sabor de baunilha, o carro voltava a 
funcionar na primeira tentativa.
Conta a lenda que a situação virou piada na GM, pois jamais se 
imaginaria alguma relação entre o funcionamento do automóvel e o 
sabor de um sorvete. A história diz que um engenheiro foi investigar 
o caso e, junto com o reclamante, foram testar se a reclamação era 
verdadeira. Foram até a sorveteria e compraram o sorvete de baunilha. 
Ambos voltaram para o carro e, de fato, o carro não deu partida na 
primeira tentativa. Tiveram que esperar alguns instantes para que 
voltasse a funcionar.
Em um outro momento, foram testar a compra de sorvete de outros 
sabores. Ao voltarem para o carro, a surpresa em o carro dar partida na 
primeira tentativa. Poderia ser uma mera coincidência ou acaso, no entanto, 
repetiram a ação diversas vezes, e o resultado sempre era o mesmo.
O engenheiro tinha certeza de não existir relação entre o 
comportamento do automóvel e o sabor do sorvete comprado, mas 
sabia que poderia existir algum comportamento dentro da situação 
que pudesse causar o resultado. Para isso, passou a coletar dados, e 
descobriu que o balcão de venda de sorvete de sabor baunilha ficava 
na entrada da sorveteria, enquanto que, o balcão de venda de outros 
sabores, ficava nos fundos da mesma.
Ao entrar na sorveteria para comprar sorvete de baunilha, o dono do 
carro demorava menos tempo para voltar do que se fosse comprar 
25
sorvete de outro sabor. Existia uma peça no carro que precisava resfriar 
para o carro poder funcionar. Portanto, um menor tempo na sorveteria 
não permitiria que a peça esfriasse a um ponto de que permitisse o 
carro funcionar. Por isso, não funcionava. Enfim, o engenheiro, com toda 
essa investigação, descobriu a verdadeira causa do não funcionamento 
do carro. Trata-se de um exemplo lúdico, mas que não deixa de ser um 
exemplo de BI em tempos modernos.
O que se pode tirar dos exemplos apresentados, tanto o dos povos 
antigos como o mais recente, é que o uso de informações para a tomada 
de decisão, independente do meio utilizado, ou seja, das ferramentas 
utilizadas, é uma necessidade que sempre existiu em processos 
decisórios.
O BI, da forma como é conhecido, surgiu na década de 1950, segundo 
Antonelli (2009). Na época, os computadores passavam por rápida 
evolução tecnológica, e deixaram de ocupar salas inteiras, passando 
a armazenar dados em espaços cada vez menores, mesmo com a 
limitação de hardware e de software existentes na época.
Na década de 1970, ocorreu grande evolução no armazenamento de 
dados, o que tornou possível a utilização de repositórios individuais para 
guardar dados. Isso se tornou possível pelo surgimento dos sistemas 
de gerenciamento de bancos de dados (SGBD), que permitiram “com 
que as ferramentas de BI da época pudessem oferecer aos gestores as 
informações pretendidas”, segundo Antonelli (2009, p. 80).
Somente na década de 1980, surgiu o termo Business Intelligence por 
meio da empresa Gartner Group (PRISMARK, 2008 apud ANTONELLI, 
2009). Então, surgiu uma definição para BI que, segundo Prismark 
(2008 apud Antonelli, 2009, p. 80) trata-se de “processo inteligente de 
coleta, organização, análise, compartilhamento e monitoração de dados 
contidos em Data Warehouse e/ou Data Mart, gerando informações para 
o suporte à tomada de decisões no ambiente de negócios”.
26
É visível a evolução do BI desde quando surgiu. No entanto, segundo 
Antonelli (2009), a partir dos anos 1990, houve expressivo avanço 
nas tecnologias associadas, o que atribuiu maior importância e maior 
interesse ao uso de BI. O mundo corporativo passou a ter expressivo 
interesse por BI depois da metade dos anos 1990.
O mundocorporativo, representado por seus executivos, tem ideia de 
que as tecnologias de informação associadas ao BI são vitais para seus 
negócios, e já as adotam de forma massiva. Trata-se, basicamente, de 
questão de sobrevivência dos negócios em tempos de grande produção 
de dados.
Para Loh (2014, [s.p]), BI é um processo, e afirma existirem técnicas, 
tecnologias e programas computacionais para BI, mas declara que BI 
se trata de “um processo que envolve métodos, técnicas, tecnologias, 
pessoas, informações, métricas, ferramentas etc.” O processo de BI pode 
se utilizar de diversos sistemas gerenciais, ferramentas de mineração de 
dados por meio de sistemas ditos rotineiros ou transacionais, segundo 
Loh (2014). Pode-se, então, afirmar que BI opera na ponta do fluxo de 
informação, sempre próximo dos tomadores de decisão.
Segundo Sharda, Delen e Turban (2019), uma arquitetura de BI bem 
definida é composta pelos seguintes elementos: um Data Warehouse, 
a análise de negócios, a gestão de desempenho de negócios e uma 
interface do usuário. O Data Warehouse para conter os dados a serem 
tratados, a análise de negócios composta por técnicas e métodos 
analíticos para tratamento dos dados, a gestão de negócios para 
acompanhamento e análise de desempenho e, uma interface do usuário 
para apresentação de resultados, com o uso de uma visualização de 
dados, por exemplo. A Figura 1 representa uma arquitetura de BI, 
segundo os autores citados.
27
Figura 1 – Arquitetura de BI
Fonte: adaptado de Sharda, Delen e Turban (2019). 
(*) BPM: Business performance management (gestão de desempenho de negócios).
Segundo Loh (2014) BI é, muitas vezes, confundido com aplicações que 
geram relatórios, os conhecidos Sistemas de Informações Gerenciais 
(SIG), que são sistemas que produzem relatórios, muitas vezes, em 
formatos de gráficos, com a sintetização de informações contidas nos 
dados com a intenção de compará-las. No entanto, BI é um conceito que 
vai além.
Sharda, Delen e Turban (2019) afirmam que BI não se trata de 
processamento de transações, como saques em caixas eletrônicos de 
bancos, depósitos bancários, leitura de código de barras em produtos 
de supermercado etc. Os sistemas de processamento de transações, 
conhecidos como processamento de transações on-line (OLTP – online 
transaction processing) são apropriados para lidar com os negócios 
cotidianos de uma empresa. Segundo Sharda, Delen e Turban (2019, 
p. 20) OLTP “é um tipo de processamento computadorizado em que o 
computador responde imediatamente à solicitação do usuário”.
28
Solicitação é compreendida como transação dentro deste tipo de 
sistema, a qual é um registro de um evento discreto, produzindo recibo 
de estoque ou um pedido de um cliente, por exemplo. Por fim, em 
sistemas OLTP, a realização de transação “exige um conjunto de duas ou 
mais atualizações de bases de dados que precisam ser completadas de 
um modo tudo ou nada” (SHARDA; DELEN; TURBAN, 2019, p. 20).
Os sistemas Data Warehouse (DW) permitem ir além das transações, 
possibilitando o armazenamento de dados que serão utilizados para 
análises e tomada de decisões. Análise produzida com o intuito de 
permitir que os gestores sejam capazes de vasculhar informações para o 
embasamento de decisões, tanto táticas quanto operacionais (SHARDA; 
DELEN; TURBAN, 2019).
Os sistemas apropriados para instalação de DW são conhecidos como 
sistemas de processamento analítico on-line (OLAP – online analytical 
processing). OLAP não se trata de um software específico, mas de 
um conceito onde vários programas computacionais podem ser 
enquadrados, tanto pela capacidade de manipulação de dados quanto 
pela capacidade de apresentação visual e produção de relatórios 
gerenciais. Tal conceito permite ao usuário usufruir de uma análise 
multidimensional (MDA – Multidimensional Analysis), ou seja, de poder 
manipular dados que estejam armazenados em dimensões diversas.
Para exemplificar, Loh (2014) descreve a produção de relatórios de 
vendas de produtos. No relatório, é possível identificar os produtos mais 
vendidos ou os mais lucrativos, identificar os melhores vendedores e, as 
lojas com melhores desempenhos, além da época de maior ou menor 
venda por produto.
Para a produção dos indicadores citados no parágrafo anterior, um 
SIG seria suficiente, no entanto, o processo de BI deve ir além. Ainda 
considerando o exemplo, o processo BI poderia ajudar a descobrir por 
que um produto está sendo mais vendido que outros, por exemplo. 
29
Outra, além de identificar a época de maior ou menor saída de um 
produto, o BI poderia ajudar a entender e descobrir os motivos da maior 
ou menor venda em determinada época. Para Loh (2014, [s.p.]) “SIGs 
ajudam a entender o que aconteceu ou o que está acontecendo […]; BI 
procura por causas ou explicações”.
3. Objetivos e componentes de Business 
Intelligence
Os motivos para uso de BI devem estar muito explícitos para que os 
gestores entendam a real motivação de sua implementação e a forma 
como isso se dará, a fim de que ocorra o alinhamento apropriado com 
as estratégias dos negócios.
Os objetivos bem determinados da implementação de BI em ambiente 
empresarial ajudam a compreender o que é e para que serve o BI. Como 
visto no item anterior, para que não haja confusão, por exemplo, com 
outros sistemas como os SIG.
Dentre os objetivos que podem ser destacados, o processo BI pretende 
encontrar causas, explicações e padrões de comportamentos em 
dados produzidos por operações diversas. A intenção é sair do achismo 
e ingressar em processos de evidenciação de resultados, a serem 
utilizados para a tomada de decisão apropriada.
Segundo Loh (2014) o processo de BI pode ser realizado de duas 
maneiras, reativa ou proativa. Cada uma é motivada por objetivos 
distintos. Em BI reativo, por exemplo, tem-se como objetivo a busca 
de identificação ou do monitoramento de indicadores quantitativos, 
enquanto que, no BI proativo, o objetivo é, de certa forma, um tanto 
vago e tem maior relação com a exploração, a busca por algo ainda não 
conhecido.
30
A grande produção de dados precisa receber tratamento analítico 
apropriado para que possa fazer sentido e ser útil para algo, como a 
tomada de decisão, por exemplo. Sem essa ação, de nada servirá a coleta 
maciça de dados e produção de grandes armazenamentos (Big data).
Dentre muitas razões para a produção e o armazenamento de 
grandes volumes de dados, Loh (2014) apresenta uma breve lista com 
justificativas que tentam explicar esse processo, reproduzida, de forma 
adaptada, a seguir.
• O armazenamento de dados tem se tornado cada vez mais barato, 
seja em discos rígidos ou mesmo gratuitamente (serviços de 
hospedagem gratuitos na Internet).
• As pessoas têm se tornado cada vez mais familiarizadas com as 
tecnologias e, como consequência, têm produzido mais dados.
• A tendência é “nada jogar fora”, comportamento incentivado, 
principalmente com o surgimento do Gmail, que tinha como 
propaganda que ninguém precisava deletar seus e-mails.
• Maior possibilidade de serviços para publicação e difusão de 
informações (blog, redes sociais etc.).
É certo que a lista de justificativas para a produção de grande massa 
de dados não se esgota com os itens acima, vai além e é muito mais 
extensa. No entanto, a lista apresenta dá uma noção da importância do 
armazenamento necessário e adequado, assim como do tratamento 
analítico necessário para a extração de informação útil dos dados gerados.
Em relação aos seus componentes, um processo BI é composto, 
segundo Antonelli (2009), basicamente por: ferramentas de 
armazenamento de dados e ferramentas de análise de dados para 
produção de informações. Dentre o processo de análise de dados, 
encontra-se o processo de mineração de dados (data mining).
31
As ferramentas de armazenamento de dados também abarcam a fase 
de coleta e, nesta, uma peneira precisa considerada para que, apenas 
o que realmente é importante para o processo possa ser considerados,pois com a produção em massa de dados, seria necessário grande 
investimento em sistemas robustos de armazenamento.
As ferramentas apresentadas por Antonelli (2009) compõem o processo 
de descoberta do conhecimento como um produto do BI, a qual 
tem como consequência direta. Segundo Loh (2014), a geração de 
inteligência e a resolução de problemas, que pode ser traduzido, de 
forma prática, na geração de conhecimento novo e útil.
Segundo Loh (2014):
O processo de descoberta de conhecimento é iterativo e interativo. Iterativo 
(ou cíclico) porque precisa ser feito várias vezes, com diferentes amostras ou 
até mesmo com diferentes técnicas e ferramentas. […] O processo também é 
interativo, porque precisa de intervenção humana. (LOH, 2014, [s.p.])
O processo de descoberta de conhecimento (KDD – Knowledge Discovery 
in Database) pode ser descrito, de forma esquemática e visual, segundo 
diversos autores, conforme apresenta a Figura 2.
Figura 2 – Processo geral da descoberta de conhecimento
Fonte: adaptado de Loh (2014).
32
Conforme mostra a Figura 2, a entrada do processo parte da 
manipulação de dados armazenados em bancos de dados e, após 
algumas etapas, finaliza-se com um conjunto de conhecimentos 
produzidos a partir da extração e tratamento apropriados aplicados, 
segundo Loh (2014).
É usual realizar análises em amostras em vez de todo o conjunto 
de dados, que recebe tratamento analítico com ferramentas de 
mineração de dados, com uma preparação prévia apropriada, onde, 
nesta última, os dados serão limpados, integrados e transformados, 
se necessário, dentre outras execuções necessárias, em particular, 
para cada trabalho específico.
Os padrões estatísticos, indicados na Figura 2, são, de certa forma, 
resultados da etapa de mineração de dados ou análise de dados. No 
entanto, ainda não podem ser considerados como conhecimento 
porque precisam de interpretação dentro do contexto em que estão 
inseridos. Segundo Sharda, Delen e Turban (2019, p. 23) “a análise 
de dados representa a combinação de tecnologia computadorizada, 
técnicas de ciência administrativa e estatística para solucionar 
problemas reais”.
A ideia de olhar para os dados com o intuito de entender o que 
ocorre ou o que poderá a vir acontecer para tirar o melhor proveito 
da situação fez com que o Institute for Operations Research and 
Management Science (Informs) propusesse três níveis de análise de 
dados, segundo Sharda, Delen e Turban (2019): descritivo, preditivo e 
prescritivo (). A Figura 3 apresenta um esquema visual dos três níveis 
de análise de dados.
33
Figura 3 – Tipos de análise de dados segundo o Informs
Fonte: adaptado de Sharda, Delen e Turban (2019).
As técnicas analíticas utilizadas em BI são diversas e amplas em seu 
conteúdo. Existe uma vasta literatura que apresenta com detalhes 
cada uma delas, inclusive as referências utilizadas para a produção 
deste material. É interessante que, além dos componentes técnicos, 
os tomadores de decisão também conheçam as técnicas analíticas 
utilizadas mais corriqueiramente em seus processos gerenciais.
A qualidade das informações apresentadas, nos processos de BI, 
precisa ser considerada ao longo da realização de todas as suas etapas, 
pois processos com alguma deficiência na qualidade, ou mesmo sem 
qualidade, produzirão resultados insatisfatórios e que não auxiliarão da 
forma como se deseja no processo de tomada de decisão. Existe uma 
34
expressão em inglês que representa muita bem o que aqui se expõe: 
garbage in, garbage out, que em tradução livre significa entra lixo, sai lixo.
Por fim, estudar BI, é analisar um vasto campo de conceitos e de 
ferramentas, assim como suas associações com as ferramentas 
tecnológicas computacionais existentes. Portanto, seu uso deve sempre 
ser contextualizado, a fim de que se possa utilizar o que realmente 
poderá contribuir, de forma significativa para os tomadores de decisão 
em seus processos gerenciais.
Este texto apresentou, de forma breve e resumida, os principais 
conceitos de BI e seus fundamentos, assim como seus objetivos e 
componentes. Não foram apresentadas as técnicas analíticas que 
compõem o conceito, mas as referências existentes neste material 
contêm detalhes acerca de cada uma delas. Portanto, é importante 
que você busque conhecer as referências sugeridas para conhecer com 
detalhes as técnicas analíticas.
Não houve pretensão, em momento algum, de esgotar o assunto 
neste texto, que é breve e introdutório sobre o assunto. Por isso, a 
busca por referências associadas deve ser feita para complementação 
de sua formação.
Referências Bibliográficas
ANTONELLI, R. A. Conhecendo o business intelligence (BI). Revista TECAP. N. 03, vol. 
3, p. 79-85, 2009. [s.l.]. Disponível em: <http://revistas.utfpr.edu.br/pb/index.php/
CAP/article/viewFile/933/544. Acesso em: 23 jul 2020.
LOH, S. BI na era do big data para cientistas de dados: indo além de cubos e 
dashboards na busca pelos porquês, explicações e padrões. Porto Alegre, 2014.
SHARDA, R.; DELEN, D.; TURBAN, E. Business intelligence e análise de dados para 
gestão do negócio. 4. ed. Porto Alegre: Bookman, 2019. Disponível em: <https://
integrada.minhabiblioteca.com.br/#/books/9788582605202/cfi/0!/4/2@100:0.00>. 
Acesso em: 23 jul 2020.
http://revistas.utfpr.edu.br/pb/index.php/CAP/article/viewFile/933/544
http://revistas.utfpr.edu.br/pb/index.php/CAP/article/viewFile/933/544
https://integrada.minhabiblioteca.com.br/#/books/9788582605202/cfi/0!/4/2@100:0.00
https://integrada.minhabiblioteca.com.br/#/books/9788582605202/cfi/0!/4/2@100:0.00
35
Tomada de decisão em custo 
e tempo de processamento de 
servidores
Autoria: Marcelo Tavares de Lima
Leitura crítica: Lucas dos Santos Araujo Claudino
Objetivos
• Descrever sobre o processo de tomada de decisão 
em ambientes de decisão.
• Descrever sobre a redução de custo e tempo de 
processamento com o uso de inteligência artificial e 
analytics.
• Descrever ambientes favoráveis para a aplicação do 
processo de tomada de decisão, redução de custo e 
tempo de processamento.
36
1. Introdução
Em processo de tomada de decisão com uso de ferramentas de analytics 
e inteligência artificial, busca-se a melhoria e a redução de custos 
envolvidos, assim como de tempo de obtenção de resultados confiáveis 
e acurados. Essa busca tem como principal motivação, a disputa por 
mercados diversos, mas, de certa forma, cheio de concorrentes.
Este apresenta o processo de tomada de decisão em ambientes que 
são favoráveis ao uso de analytics, assim como do uso de inteligência 
artificial, subsidiados com bons recursos computacionais e tecnológicos. 
Bons estudos!
2. Processo de tomada de decisão
Imagine um jogador de um time de futebol se preparando para bater 
um pênalti. A pressão é grande sobre ele e a decisão que tomar poderá 
decidir de forma agradável ou não para seu time. Agora, imagine um 
executivo diante de sua mesa com uma pilha de documentos com 
propostas de investimentos, cuja decisão deverá ser apresentada por ele 
em reunião algumas horas depois desse momento. Apesar da diferença 
de situações, existe um aspecto em comum, ambos, o jogador e o 
executivo, precisam tomar decisões.
Uma tomada de decisão pode levar as pessoas/negócios ao sucesso ou 
ao fracasso. O resultado dependerá diretamente da escolha tomada. A 
teoria da decisão, segundo Render et. al. (2010, p.94) “é uma abordagem 
analítica e sistemática para o estudo da tomada de decisão”.
Torres Junior e Moura (2011) afirmam que:
37
Decidir é um dos atos humanos que realizamos tantas vezes ao dia, muitas 
vezes sem nos darmos conta de que estamos decidindo – desde decisões 
simples e com consequências triviais até casos que, pela complexidade 
e grande responsabilidade, traduzem momentos marcantes na vida e 
interferem no sono e na qualidade de vida. (JUNIOR; MOURA, 2011, [s.p.])
O ato de decidir envolve definições diversas entre estudiosos do 
assunto. Essa diversidade depende diretamente da consideração 
de conceitos auxiliares,também se a definição a ser considerada 
será sintética ou detalhada, descritiva ou prescritiva, dentre outros 
delimitadores, segundo Torres Junior e Moura (2011).
Considerando o contexto das organizações e o sentido de alocação 
de recursos, decidir significa “efetuar escolhas sobre alternativas 
que combinem tais recursos e caminhos de ação a fim de atingir 
determinadas preferências e tendo em vista expectativas de resultados 
associados a cada alternativa” (TORRES JUNIOR; MOURA, 2011, [s.p.]).
Pode-se entender por preferências os objetivos envolvidos, assim como 
as necessidades do contexto, além da disponibilidade de recursos para 
se chegar em algum resultado pretendido, muitas vezes, a partir de uma 
ação individual ou coletiva.
Uma decisão poderá ser boa ou ruim, cujo resultado dependerá da 
trajetória utilizada para chegar ao que se deseja. Uma decisão boa 
geralmente se baseia na lógica, nos dados disponíveis e nas alternativas 
possíveis, segundo Moreira (2015). O caso contrário, ou seja, uma 
decisão ruim, não se baseia na lógica e muito menos em dados 
disponíveis para serem utilizados com subsídios.
O sucesso ou o fracasso em um processo de tomada de decisão pode 
ser considerado uma medida da qualidade das decisões tomadas. É 
certo que, muitas vezes, é possível chegar a bons resultados unicamente 
com uso de intuição ou feeling. Em outros casos, é possível chegar a 
resultados ruins com o uso de métodos científicos válidos e dados.
38
Apesar de resultados como os descritos no parágrafo anterior serem 
possíveis, os mesmos devem ser considerados como atípicos, pois, 
os métodos científicos e técnicas existentes são comprovadamente 
eficientes e importantes para se obter resultados ótimos e confiáveis 
dentro das condições e possibilidades do contexto em que se encontra o 
problema.
Tomar uma decisão é considerar a estrutura hierárquica das decisões, 
onde o gestor deverá identificar nesse processo as decisões triviais e as 
críticas, pois essa separação proporcionará melhor alocação de tempo 
e atenção em justa medida para a obtenção de resultados ótimos, de 
acordo com Torres Junior e Moura (2011).
Por serem recursos escassos nas organizações, o tempo e a atenção 
devida ao que é realmente importante para uma tomada de decisão 
poderão ser fatores cruciais para obtenção de sucesso de decisão. É 
certo que todo problema deve receber atenção e dispensa de tempo por 
parte de todos os envolvidos, mas o foco no que realmente importa será 
diferencial para se chegar em resultados desejados. Tomada de decisão 
é ciência e arte, segundo Torres Junior e Moura (2011).
Tomada de decisão é vista como arte quando se recorre a experiências 
empíricas como pontos de partida para a realização do processo 
decisório e é considerada ciência quando se utiliza metodologia cientifica 
para a obtenção de resultados.
Segundo Torres Junior e Moura (2011):
Tomar decisões é um dos momentos mais críticos na administração 
de qualquer empreendimento humano e está envolta das limitações 
humanas, das redes sociais com seus aspectos de afetividade, 
relacionamentos, interesses e de toda complexidade organizacional. 
(TORRES JUNIOR; MOURA, 2011, [s.p.])
39
A inteligência analítica, ou o analytics, tem como uma de suas funções 
a identificação de oportunidades e seu aproveitamento otimizado. No 
geral, as oportunidades são os problemas de decisão a serem tratados, 
segundo Ragsdale (2014), e o aproveitamento otimizado é realizado 
com uso de ferramentas metodológicas apropriadas e bons recursos 
computacionais.
Em ambientes de tomada de decisão, as palavras oportunidade e 
problema são, de certa maneira, consideradas sinônimos, pois é assim 
que uma oportunidade é confrontada em ambiente de tomada de 
decisão.
Para qualquer decisão que tiver que ser tomada, uma série de passos 
ou etapas deverão ser cumpridas para chegar ao resultado desejado. 
Em outras palavras, para chegar a um resultado satisfatório, alguns 
passos se fazem necessários, como a definição clara de um problema, 
a listagem de alternativas existentes e possíveis para a sua solução, a 
identificação dos possíveis resultados e suas consequências e, a escolha 
da metodologia apropriada para a busca de informações.
Um ponto essencial para a tomada de decisão é o acesso a dados. 
Para Sharda, Delen e Turban (2019, p. 1) “para que tais decisões sejam 
tomadas, pode ser preciso quantidades consideráveis de dados, 
informações e conhecimentos relevantes”. Os autores afirmam ainda ser 
necessário o rápido processamento à luz das decisões a serem tomadas, 
o que, certamente, exige recurso computacional adequado.
3. Processo de redução de custo e tempo de 
processamento dos servidores
Dentre as muitas disciplinas existentes dentro do contexto da 
administração de empresas, possíveis de serem aplicadas em 
40
problemas de negócios, uma delas é responsável por lidar com os dados 
produzidos pelas organizações, a Inteligência de negócios ou o Business 
Intelligence (BI), que tem papel claro nas organizações, a busca pelos 
melhores resultados.
A busca pela redução de custo é um dos principais motivadores 
dos gestores, assim como a busca pela redução de tempo em 
processamento de dados para obtenção de informações úteis. 
Segundo Salles (2020):
Quando você é uma empresa, seu resultado é o lucro. Quando você é 
uma ONG ou uma repartição pública, o seu resultado é trabalho realizado. 
‘Melhorar seus resultados’ significa fazer seus recursos renderem mais 
com menos, ou seja, aumentar o lucro. (SALLES, 2020, [s.p.])
É certo que toda organização empresarial possui um propósito. Quando 
se trata de uma empresa privada, sabe-se que seu propósito é obtenção 
de lucros. Ao passo que empresas governamentais possuem resultado 
não monetário como principal finalidade. Um ponto em comum a ambos 
é que o uso de BI permite a geração de valor para a organização a partir 
de dados fornecidos.
Segundo Salles (2020, [s.p.]) “para empresas privadas, melhorar o 
resultado é aumentar o lucro, que é a diferença entre quanto se gasta 
e o quanto se ganha. Logo, para aumentar os lucros uma empresa 
deve gastar menos e/ou faturar mais”. No entanto, em se tratando de 
organizações sem fins lucrativos, a melhora de resultados equivale a ser 
mais eficaz e mais eficiente.
Uma empresa que investe em recursos de análise de dados está 
investindo diretamente em inteligência de negócios, fato dado por se 
considerar que a análise/consumo de dados compõe os domínios do BI.
A informação é moeda de muito valor no mundo dos negócios, onde, 
inclusive, é uma das causas das vantagens em um cenário competitivo. 
41
Por isso, ao longo dos anos, com a tendência crescente do mercado 
e com a globalização, “a computação se tornou fundamental para 
processar grandes volumes de dados”, segundo Novais (2012, p. 12).
Com o passar dos anos, as empresas transferiram seus sistemas de 
informações da área operacional para áreas mais analíticas com a 
intenção de realizar tomada de decisão baseada em dados. Foi assim 
que se detectou o grande gargalo a ser superado, que era a utilização de 
arcaicos meios de armazenamento de dados, dificultando a obtenção de 
informações a partir de grandes volumes de dados.
O conceito de BI destaca a existência de um grande desafio para os 
gestores quanto à análise dos acontecimentos (fatos) relacionados ao 
seu dever de detectar quaisquer informações úteis para alavancar os 
negócios e ganhar vantagem em relação à concorrência.
Novais (2012, p. 13) afirma que “o propósito do Business Intelligence 
é permitir a tomada de decisões proativas, ao gerar informações 
necessárias ao negócio e disponibilizá-los no momento certo”. Para 
achar o momento certo é necessário estar muito bem aparelhado 
com ferramentas de sistemas de gestão de dados que possam extrair 
informações relevantes de grandes bases de dados, assim como 
realizar tal ação no momento apropriado sem perder a qualidade e a 
confiabilidade.
Com a tendência crescente de produçãode dados, e também a 
crescente diversidade de tipos, surgiu, de certa forma natural, a 
necessidade de construção de ambientes de armazenamento mais 
robustos e com maior poder de processamento.
Com o passar dos anos, desde a construção dos primeiros 
computadores, percebe-se que há um aumento significativo na 
elaboração de sistemas de gestão, tendo como consequência o 
crescimento da produção de dados e de seu armazenamento e 
42
tratamento, segundo Gura e Benck (2011). Diante desse cenário, surgiu 
o conceito de data warehouse (DW), que também é conhecido como 
armazém de dados.
Apesar da tradução ser armazém de dados, o conceito de data 
warehouse vai além disso:
Data warehouse é uma arquitetura, não uma tecnologia. Representa uma 
grande base de dados capaz de integrar, de forma concisa e confiável, as 
informações de interesse para a empresa, que se encontram espalhadas 
pelos sistemas operacionais e em fontes externas, para posterior utilização 
nos sistemas de apoio à decisão (MACHADO, 2004, p. 22 apud GURA e 
BENCK, 2011, p. 21).
A tarefa de armazenamento de dados não é trivial, pois exige um rigor 
em sua organização e na seleção do que será guardado, já que nem todo 
dado necessita de armazenamento.
O uso de BI, até então, era restrito a poucas organizações, por conta da 
necessidade de altos investimentos, o que acabou restringido o acesso 
de corporações de porte mediano e pequeno, segundo Novais (2012). 
No entanto, esse cenário tem se modificado, pois, segundo o autor, 
“uma nova geração de produtos de BI tem surgido: alta performance, 
operações intuitivas e rápida implantação são características das novas 
soluções que atendem a empresas de todos os tamanhos” (NOVAIS, 
2012, p. 15).
Apesar de serem uma nova geração, as soluções que surgiram 
mantiveram o objetivo inicial do BI. No entanto, com novo foco, essas 
soluções focaram em uma nova abordagem como, por exemplo, 
implantação de sistemas ágeis com obtenção de resultados cada vez 
mais rápidos e confiáveis.
Um dos pioneiros no estudo de DW foi William H. Immon, que 
apresentou um dos primeiros conceitos associados, que afirma que DW 
43
“é um conjunto de dados consolidados por assunto, não é volátil e está 
sempre em constante variação quanto ao tempo” (INMON, 1997 apud 
Vieira, 2009, p. 13).
Salles (2020, [s.p.]) afirma que “o investimento em um projeto de 
Armazém de Dados vale a pena porque melhora a qualidade dos dados, 
bem como a governança e a gestão dos ativos de dados”. O autor 
afirma que o custo de investimento na infraestrutura é relativamente 
alto, tanto em tempo quanto em dinheiro, mas a recuperação é 
certa, principalmente, em termos de rapidez e custo de produção de 
informações.
Segundo Sharda, Delen e Turban (2019, p. 14) os “DWs são muito 
grandes e ricos em recursos, e tornou-se necessário ‘minerar’ os dados 
corporativos, a fim de ‘revelar’ pepitas novas e úteis de conhecimento 
para aprimorar processos e práticas empresariais”. Os autores afirmam, 
ainda, que foi a partir de situações como estas que se originaram termos 
como mineração de dados e mineração de textos.
Vieira (2009) apresenta uma listagem de características que um data 
warehouse deve possuir: 1) conter um conjunto de programas para 
extração de dados; 2) ter um banco de dados; 3) ter um sistema para 
recuperação e visualização de dados. Já em referência aos possíveis 
benefícios que pode trazer, um data warehouse, segundo Vieira (2009), 
podem ser descritos: 1) capacidade de acesso fácil e rápido a dados; 
2) capacidade de armazenamento de dados de forma consistente; 3) 
ser flexível; 4) ser detentor de ferramentas de consultas e visualização 
de dados; 5) realizar armazenamento confiável de dados; 6) capaz de 
construção de dados específicos para direcionamento de negócios.
Machado (2004 apud Gura e Benck, 2011) apresenta uma lista com 
justificativas para uma empresa implementar um data warehouse em sua 
rotina, replicada a seguir:
44
• Existência de várias plataformas de hardware e de software.
• Frequentes alterações nos sistemas transacionais corporativos.
• Dificuldade na recuperação de dados históricos em períodos que 
antecedem o ano vigente de operações.
• Existência de sistemas de diferentes fornecedores.
• Existência de despadronização e de integração de dados dos 
diversos sistemas utilizados.
• Ausência de documentação e de segurança no armazenamento de 
dados.
Um data warehouse não contém, necessariamente, apenas dados 
resumidos, pode conter também dados originais ou brutos (primitivos), 
coletados diretamente de uma fonte. Verzola ([s.d], p. 8) afirma que 
“é desejável prover ao usuário a capacidade de aprofundar-se num 
determinado tópico, investigando níveis de agregação menores ou 
mesmo dados primitivos”. O autor afirma, ainda, que é necessário 
também permitir que sejam geradas novas agregações ou correlações 
com outras variáveis do banco de dados.
A necessidade de uma flexibilidade mínima para um data warehouse se 
faz necessária, pois, sendo assim, implicaria numa restrição aos usuários 
a realizarem apenas consultas e análises com motivações vigentes, 
apenas, sem sequer permitir que novos insights sejam implementados 
(VERZOLA, [s.d]).
Gura e Benck (2011) afirmam existir dois tipos de bancos de dados 
e, consequentemente, dois sistemas distintos para o respectivo 
tratamento, que banco de dados operacionais e banco de dados 
analíticos ou data warehouse. Ainda segundo as autoras, “os bancos 
de dados operacionais auxiliam em todas as operações de uma 
45
organização, sendo utilizado com frequência para registrar a situação da 
organização” (GURA; BENCK, 2011, p. 21). Bancos operacionais são, em 
geral, manipulados por desenvolvedores, analistas ou programadores, o 
que ocorre diferentemente de um data warehouse, onde a manipulação 
do banco pode ser realizada por qualquer profissional que tenha acesso 
ao sistema.
Sabe-se que os algoritmos para tomada de decisão existem há certo 
tempo. No entanto, ao ganharem destaque na evolução e divulgação de 
métodos analíticos, foram renomeados, indistintamente, de inteligência 
artificial (IA), aprendizagem de máquina, Deep Learning e, mais 
recentemente, de robôs, segundo Salles (2020, [s.p.]). Mesmo que haja 
algo em comum, essas nomenclaturas não significam a mesma coisa, 
apesar de ainda ser difícil determinar uma fronteira exata entre elas. De 
forma esquemática, é possível representar as mudanças que o BI causa 
nas organizações quando é implementado em seus ambientes. A Figura 
1 descreve de forma sucinta tal mudança.
Figura 1 – Ciclo da inteligência de negócios
Fonte: Salles (2020).
É certo que potenciais ambientes de uso de BI podem recorrer a 
diversas ferramentas existentes. Existem empresas de consultoria de 
BI que fazem todo o processo, mas também há empresas que focam 
46
em alguns serviços específicos, como, por exemplo, a manipulação de 
bancos de dados e a visualização de dados, segundo Salles (2020, [s.p.]).
No entanto, a produção de dados sem propósito não consegue gerar 
conhecimento e, segundo Salles (2020), dados não são o oráculo de 
Delfos. O autor afirma, de forma análoga, que dados são a matéria-
prima da construção de uma solução, o método científico é a oficina e, 
as tecnologias (DW, OLAP etc.) são as ferramentas. BI “não é ferramenta, 
é técnica e aplicação. Sem um problema para resolver, são apenas blá 
blá blá”, segundo Salles (2020, [s.p.]).
Associado a BI está o conceito de Big Data, que, no sentido literal da 
palavra, significa grande volume de dados. No entanto, o sentindo 
prático e real do termo não se limita somente a isso, pois é muito mais. 
Além de se referir a grandes volumes de dados, também se refere à 
grande variedade de dados manipulados das diversas fontes disponíveis 
e também se refere à velocidade em que os dados são tratados.
Taurion (2013) acrescenta ao conceito de Big Data mais duas variáveis 
importantes para ele, a veracidade dos dados (os dados têm significância 
ousão apenas sujeira?) e o valor para o negócio. E, por último, um 
elemento que tem estado no centro das atenções: a questão da 
privacidade dos dados, tema complexo e controverso, segundo o autor. 
Uma regulamentação sobre proteção de dados pessoais foi criada em 
2018, a Lei n. 13.709/2018, a Lei Geral de Proteção de Dados Pessoais, 
que tem gerado investimentos nas empresas para proteger e garantir 
proteção a dados pessoais.
Não existe um consenso quando se trata do conceito básico de Big Data. 
Para exemplificar, Taurion (2013, [s.p.]) apresenta a definição dada 
pela McKinsey Global Institute como “o termo Big Data refere-se a este 
conjunto de dados cujo crescimento é exponencial e cuja dimensão está 
além da habilidade das ferramentas típicas de captura, gerenciamento e 
análise de dados”.
47
Com o barateamento dos insumos e sua miniaturização, assim como 
o aumento de suas capacidades de processamento, tem-se como 
consequência o aumento do acesso a mais equipamentos, dispositivos 
e processos com maiores capacidades de produção e armazenamento 
de dados. A computação em nuvem e a Internet, por exemplo, também 
fazem parte desse pacote de consequências, o que, para Amaral (2016), 
trata-se do que é conhecido como Big Data.
A velocidade com que o mundo tem se tornado digital é 
demasiadamente alta. Por exemplo, na primeira década dos anos 2000, 
apenas metade dos dados produzidos no mundo estavam armazenados 
em formato digital, enquanto que, no final da segunda década (2019), 
quase 100% dos dados já se encontravam neste formato.
Agregar valor à implantação de Big Data nada mais é do que o retorno 
esperado de todo o investimento realizado em tecnologia e mão de 
obra para equipar o negócio. Outro conceito que não pode deixar de 
ser citado quando se fala de Big Data é o de Internet das Coisas (IoT – 
Internet of Things). Taurion (2013, [s.p.]) afirma que “a Internet das Coisas 
vai aglutinar o mundo digital com o mundo físico, permitindo que os 
objetos façam parte dos sistemas de informação”.
Com os objetos componentes da estrutura física que nos rodeia, 
gerando dados a todo instante, tem-se, mais do que nunca, um 
impulsionador de grande capacidade para a produção de Big Data. 
Como exemplo, quase todos os componentes de um avião, quando 
em funcionamento, podem gerar dados diversos, permitindo que 
sejam utilizados para realizar previsões meteorológicas e também 
com respeito à manutenção, evitando que a aeronave fique parada 
desnecessariamente, gerando custos sem ganhos. Outro exemplo é 
a automação residencial ou domótica, que realiza integração entre os 
equipamentos de uma residência, tornando-a uma casa inteligente.
48
Com relação à disseminação de equipamentos e processos citados por 
Amaral (2016), o entendimento do fenômeno Big Data pode ser realizado 
com um breve levantamento histórico, lembrando que há poucas 
décadas tinha-se a produção de dados centralizada em mainframes 
(computadores gigantescos e centralizados) e computadores pessoais.
Os conceitos, aqui apresentados, de forma geral e ampla, representam 
uma gama de possibilidades de mudanças e adequações possíveis de 
serem realizadas, no intuito de proporcionar melhorias de gestão e de 
aperfeiçoamento para obtenção de resultados ótimos na tomada de 
decisão.
Em nenhum momento, teve-se a pretensão em esgotar o assunto, mas 
tivemos a intenção em apresentar a gama de definições e conceitos 
existentes associados com a teoria da decisão, a fim de apresentar 
o vasto mundo de possibilidades existente relacionado ao assunto 
discorrido.
Referências Bibliográficas
AMARAL, F. Introdução a ciência de dados: mineração de dados e Big Data. Rio de 
Janeiro: Alta Books, 2016.
GURA, E.F.; BENCK, L.L.N. Construção de um data warehouse, aliado a uma 
ferramenta open source ireport na geração de informações para tomada de 
decisão. 2011. Trabalho de conclusão de curso (Curso de Tecnologia em análise 
e desenvolvimento de sistemas), Coordenação de Informática, Universidade 
Tecnológica Federal do Paraná, Ponta Grosa, 2011. Disponível em: http://
repositorio.roca.utfpr.edu.br/jspui/bitstream/1/6449/1/PG_COADS_2011_2_05.pdf. 
Acesso em: 23 jul 2020.
MOREIRA, D.A. Pesquisa operacional: curso introdutório. 2. ed. São Paulo: Cengage 
Learning, 2015.
NOVAIS, R.R.C. Modelagem dimensional. 2012. Trabalho de conclusão de curso 
(Curso de Tecnologia em processamento de dados), Faculdade de Tecnologia de São 
Paulo, São Paulo, 2012. Disponível em: http://www.fatecsp.br/dti/tcc/tcc00071.pdf. 
Acesso em: 23 jul 2020.
http://repositorio.roca.utfpr.edu.br/jspui/bitstream/1/6449/1/PG_COADS_2011_2_05.pdf
http://repositorio.roca.utfpr.edu.br/jspui/bitstream/1/6449/1/PG_COADS_2011_2_05.pdf
http://www.fatecsp.br/dti/tcc/tcc00071.pdf
49
RAGSDALE, C.T. Modelagem de planilha e análise de decisão: uma introdução 
prática a business analytics. São Paulo: Cengage Learning, 2014.
RENDER, B.; STAIR JR, R.M.; HANNA, M. E. Análise quantitativa para 
administração com Excel e POM-QM para Windows. 10. ed. Porto Alegre: 
Bookman, 2010.
SALLES, F. Fundamentos de inteligência de negócios. [s.l.]: Autopublicação via 
KINDLE/Direct Publishing, 2020.
SHARDA, R.; DELEN, D.; TURBAN, E. Business intelligence e análise de dados para 
gestão do negócio. 4. ed. Porto Alegre: Bookman, 2019. Disponível em: https://
integrada.minhabiblioteca.com.br/#/books/9788582605202/cfi/0!/4/2@100:0.00. 
Acesso em: 23 jul 2020.
TAURION, C. Big Data. Rio de Janeiro: Brasport, 2013. EPUB. Disponível em: https://
bv4.digitalpages.com.br/#/legacy/epub/160676. Acesso em: 23 jul 2020.
TORRES JUNIOR, A.S.; MOURA, G.L. Decisão em administração – uma discussão. 
In: YU, A. S. O. (coord.). Tomada de decisão nas organizações: uma visão 
multidisciplinar. São Paulo: Saraiva, 2011.
VERZOLA, I. Data warehouse. Barueri: Pontes Computadores e Serviços LTDA. 
Disponível em: http://www.pontes.inf.br/docs/datawarehouse.pdf. Acesso em: 23 jul 
2020.
VIEIRA, E. Tecnologia olap. 2009. Trabalho de conclusão de curso (Graduação em 
Ciência da Computação). Instituto Municipal do Ensino Superior de Assis, Assis, 
2009. Disponível em: https://cepein.femanet.com.br/BDigital/arqTccs/0411150200.
pdf. Acesso em: 23 jul 2019.
https://integrada.minhabiblioteca.com.br/#/books/9788582605202/cfi/0!/4/2@100:0.00
https://integrada.minhabiblioteca.com.br/#/books/9788582605202/cfi/0!/4/2@100:0.00
https://bv4.digitalpages.com.br/#/legacy/epub/160676
https://bv4.digitalpages.com.br/#/legacy/epub/160676
http://www.pontes.inf.br/docs/datawarehouse.pdf
https://cepein.femanet.com.br/BDigital/arqTccs/0411150200.pdf
https://cepein.femanet.com.br/BDigital/arqTccs/0411150200.pdf
50
Fundamentos da IA: métodos 
e algoritmos para construir 
sistemas inteligentes
Autoria: Marcelo Tavares de Lima
Leitura crítica: Lucas dos Santos Araujo Claudino
Objetivos
• Apresentar fundamentos da Inteligência Artificial.
• Apresentar métodos de Inteligência Artificial.
• Descrever algoritmos de Inteligência Artificial.
51
1. Introdução
Ao longo dos dias em que vivemos, a inteligência artificial (IA) tem 
participado cada vez mais da rotina diária das pessoas, mesmo quando não 
é percebida. A verdade é que a IA tem feito parte da vida das pessoas desde 
1956, quando o pesquisador Arthur Lee Samuel criou o primeiro programa 
de computador capacitado com recursos de autoaprendizagem, que foi 
desafiado a vencer uma pessoa em um jogo de damas.
Os algoritmos de IA tem se tornado cada vez mais eficientes com o avanço 
das pesquisas realizadas na área e, com o desenvolvimento de métodos de 
aprendizado de máquina (machine learning), aprendizado profundo (deep 
learning) e outros recursos associados. Este texto apresenta os métodos e 
os principais algoritmos de IA utilizados e conhecidos para desenvolvimento 
de tecnologias inteligentes. Bons estudos!
2. Fundamentos de Inteligência Artificial
Falar em inteligência artificial é falar de uma gama de tecnologias que 
envolve desde computadores modernos e robustos, métodos analíticos