Big Data em Logística: Ferramentas de Business Intelligence

•

ESTÁCIO

NBA Brasil Fantasy League

15/06/2022

E aí, curtiu este material?

Ajude a incentivar outros estudantes a melhorar o conteúdo

Gostou desse material? Compartilhe! 🧡

Trabalho de Conclusão de Curso - TCC

96.004 Materiais compartilhados

Baixe o app para aproveitar ainda mais

Leia os materiais offline, sem usar a internet. Além de vários outros recursos!

Prévia do material em texto

UNIVERSIDADE DE SÃO PAULO
ESCOLA DE ENGENHARIA DE LORENA

MICHELLE FIGUEIREDO MOREIRA

BIG DATA EM LOGÍSTICA: APLICAÇÃO DE
FERRAMENTAS DE BUSINESS INTELLIGENCE COMO
SISTEMA DE APOIO À DECISÃO

LORENA
2018

MICHELLE FIGUEIREDO MOREIRA

BIG DATA EM LOGÍSTICA: APLICAÇÃO DE
FERRAMENTAS DE BUSINESS INTELLIGENCE COMO
SISTEMA DE APOIO À DECISÃO

Trabalho de conclusão de curso
apresentado à Escola de Engenharia de
Lorena da Universidade de São Paulo,
como requisito para obtenção do título de
Bacharel em Engenharia de Produção.

Orientador: Profº. Drº. Fabiano Fernandes Bargos.

LORENA
2018
AUTORIZO A REPRODUÇÃO E DIVULGAÇÃO TOTAL OU PARCIAL DESTE TRABALHO, POR QUALQUER MEIO
CONVENCIONAL OU ELETRÔNICO, PARA FINS DE ESTUDO E PESQUISA, DESDE QUE CITADA A FONTE
Ficha catalográfica elaborada pelo Sistema Automatizado
da Escola de Engenharia de Lorena,
com os dados fornecidos pelo(a) autor(a)
Moreira, Michelle Figueiredo
Big Data em Logística: aplicação de ferramentas de
business intelligence como sistema de apoio à decisão
/ Michelle Figueiredo Moreira; orientador Fabiano
Fernandes Bargos. - Lorena, 2018.
73 p.
Monografia apresentada como requisito parcial
para a conclusão de Graduação do Curso de Engenharia
de Produção - Escola de Engenharia de Lorena da
Universidade de São Paulo. 2018
1. Business intelligence. 2. Big data. 3. Cadeia
de suprimentos. 4. Logística. I. Título. II. Bargos,
Fabiano Fernandes, orient.

AGRADECIMENTOS
Gostaria primeiramente de agradecer ao meu pai Marcos, minha mãe Sandra
e minha irmã Nicole que foram os grandes responsáveis pela ajuda e suporte para
alcançar o sonho de graduar-me em engenharia.
A meus amigos da infância, adolescência e família que caminharam comigo até
agora nos momentos mais felizes da minha vida.
À Deus pela oportunidade que me concedeu de poder cursar minha graduação
em Lorena, na USP, e formar uma segunda família com a amizade das mais queridas
integrantes da minha república.
Ao meu namorado Lucas pelo amor, ajuda e ensinamentos nesses últimos
anos de companheirismo.
Aos professores da Escola de Engenharia de Lorena, em especial ao eterno
coordenador de engenharia de produção Marco Antônio pelo cuidado, dom de ensinar
e suporte em todos os momentos da minha graduação.
Ao meu professor orientador Fabiano pela imensa ajuda e contribuição na
elaboração deste projeto.
E a todos por juntos, compreenderem as ausências nos eventos e encontros,
as correrias em tentar estar em todos os lugares ao mesmo tempo e tornarem a
distância e quilômetros percorridos nestes últimos anos poucos para estarmos juntos
em momentos especiais.

“A melhor maneira de prever o futuro é criá-lo.”
(Peter Drucker)

RESUMO
MOREIRA, M. F. BIG DATA EM LOGÍSTICA: APLICAÇÃO DE
FERRAMENTAS DE BUSINESS INTELLIGENCE COMO SISTEMA DE APOIO À
DECISÃO. 2018. 73f. Trabalho de Conclusão de Curso – Escola de Engenharia de
Lorena, Universidade de São Paulo, Lorena, 2018.
Ao mesmo tempo em que os setores logísticos ganham relevância, a
complexidade em termos de processos e geração de informação de dados aumentam
e podem ser, quando bem utilizadas, uma grande vantagem competitiva. A grande
massa de dados gerada, conhecida por Big Data, não pode ser processada por meio
de tecnologias e algoritmos tradicionais e deve receber tratativa diferenciada para que
possa fornecer insights eficientes. O presente projeto utilizou a metodologia de
desenvolvimento de software para criar um sistema de apoio à decisão para o
gerenciamento e análise de Big Data no setor de Logística de Armazenagem, a partir
de uma aplicação de ferramenta de Business Intelligence. Como resultados, foram
obtidos quatro painéis distintos que se mostraram eficazes em termos de
interatividade e desempenho tanto para a área de negócio quanto para os setores de
tecnologia da empresa.

Palavras Chave: Business Intelligence, Big Data, Cadeia de Suprimentos, Logística.

LISTA DE ILUSTRAÇÕES
Figura1: Processos do Big Data. .............................................................................. 18
Figura2: Categorias de sistemas de BI&A. ............................................................... 19
Figura3: Quadrante Mágico Gartner ......................................................................... 25
Figura4: Metodologia de desenvolvimento de software do tipo cascata. ................. 30
Figura 5: Sub-etapas da análise de requisitos. ........................................................ 32
Figura 6: Macroprocessos da logística de armazenagem. ....................................... 36
Figura 7: Representação gráfica de arquitetura de BI. ............................................. 38
Figura 8: Canvas do Projeto ..................................................................................... 39
Figura 9: Estrutura de dados painel aderência ao módulo de recebimento. ............ 41
Figura 10: Estrutura de dados painel aderência ao módulo de retorno e descarga. 42
Figura 11: Estrutura de dados painel aderência ao módulo de separação e
carregamento. ........................................................................................................... 42
Figura 12: Esquema gráfico da arquitetura de software vigente. ............................. 43
Figura 13: Detalhes procedimentais para construção dos dashboards. ................... 44
Figura 14: Representação gráfica do conjunto de painéis de controle. .................... 46
Figura 15: Conexão do Power BI com o Banco de Dados Azure SQL Data
Warehouse. ............................................................................................................... 47
Figura 16: Codificação etapa de tratamento dos dados. .......................................... 47
Figura 17: Etapa gerenciamento de relações painel aderência ao módulo de
separação e carregamento........................................................................................ 48
Figura 18: Etapa gerenciamento de relações painel aderência ao módulo de retorno
e descarga................................................................................................................. 49
Figura 19: Etapa Gerenciamento de Relações Painel Aderência ao Módulo de
Recebimento. ............................................................................................................ 49
Figura 20: Cálculo do indicador aderência ao módulo de separação e carregamento
utilizando linguagem DAX. ........................................................................................ 50
Figura 21: Visualização do painel de Aderência ao WMS Total com função zoom
habilitada. .................................................................................................................. 51
Figura 22: Visualização do painel de separação e carregamento com aplicação de
hierarquia de dados. .................................................................................................. 52
file:///C:/Users/Michelle/Downloads/TCC%20Versão%20%20Final%20-%20corrigido%20VS5.docx%23_Toc520808320
file:///C:/Users/Michelle/Downloads/TCC%20Versão%20%20Final%20-%20corrigido%20VS5.docx%23_Toc520808324
file:///C:/Users/Michelle/Downloads/TCC%20Versão%20%20Final%20-%20corrigido%20VS5.docx%23_Toc520808327

Figura 23: Representação da Aba “Relatório” com opção de exportação para Excel.
.................................................................................................................................. 53
Figura 24: Dashboard final do Indicador Aderência ao Módulo de Separação e
Carregamento........................................................................................................... 54
Figura 25: Dashboard final do Indicador Aderência ao Módulo de Recebimento ..... 55
Figura 26: Dashboard final do Indicador Aderência ao Módulo de Retorno e
Descarga. .................................................................................................................. 56
Figura 27: Dashboard final do Indicador Aderência ao Módulo de Separação e
Carregamento. .......................................................................................................... 57
Figura 28: Visão para dispositivos móveis – Painel aderência WMS Total. ............. 58
Figura 29: Resultado avaliação dos critérios de storytelling. .................................... 59
Figura 30: Inserção visualização do painel através de números absolutos. ............. 60
Figura 31: Alteração da visualização do tipo filtro para opção com busca por
digitação. ................................................................................................................... 61

file:///C:/Users/Michelle/Downloads/TCC%20Versão%20%20Final%20-%20corrigido%20VS5.docx%23_Toc520808343
file:///C:/Users/Michelle/Downloads/TCC%20Versão%20%20Final%20-%20corrigido%20VS5.docx%23_Toc520808343
file:///C:/Users/Michelle/Downloads/TCC%20Versão%20%20Final%20-%20corrigido%20VS5.docx%23_Toc520808344
file:///C:/Users/Michelle/Downloads/TCC%20Versão%20%20Final%20-%20corrigido%20VS5.docx%23_Toc520808345
file:///C:/Users/Michelle/Downloads/TCC%20Versão%20%20Final%20-%20corrigido%20VS5.docx%23_Toc520808345
file:///C:/Users/Michelle/Downloads/TCC%20Versão%20%20Final%20-%20corrigido%20VS5.docx%23_Toc520808346
file:///C:/Users/Michelle/Downloads/TCC%20Versão%20%20Final%20-%20corrigido%20VS5.docx%23_Toc520808346

LISTA DE QUADROS
Quadro 1: Funcionalidades do WMS consolidadas. ................................................. 15
Quadro 2: Comparação entre Data Marts e Data Warehouse.................................. 22
Quadro 3: Nove dimensões do Modelo Canvas. ...................................................... 31

LISTA DE SIGLAS
BI&A - Business Intelligence & Analytics
BI - Business Intelligence
WMS - Warehouse Management System
ERP - Enterprise Resource Planning
OLTP - On-line Transaction Processing
ETL - Extract Transform Load
DW - Data Warehouse
ODS - Operational Data Store
DM - Data Mart
VA - Visual Analytics
CD - Centro de Distribuição
LA - Logística de Armazenagem
TIL - Tecnologia da Informação com suporte à Logística
TI - Tecnologia de Informação
PL - Projetos em Logística

SUMÁRIO
1. INTRODUÇÃO ................................................................................................... 11
1.1 Objetivos ..................................................................................................................... 12
1.1.1 Objetivos Específicos ....................................................................................... 12
1.2 Limitações ................................................................................................................... 12
2. FUNDAMENTAÇÃO TEÓRICA .......................................................................... 13
2.1 Logística e cadeia de suprimentos ...................................................................... 13
2.2 WMS – Warehouse Management System ........................................................... 14
2.3 Big Data ....................................................................................................................... 16
2.3.1 Big Data Analytics ............................................................................................. 17
2.4 Business Intelligence ............................................................................................... 18
2.4.1 Business Intelligence&Analytics ................................................................... 18
2.4.2 Componentes do BI .......................................................................................... 19
2.5 Storytelling visual analytics ................................................................................... 22
2.6 Softwares BI no mercado ....................................................................................... 24
2.6.1 Qlikview ................................................................................................................ 26
2.6.2 Tableau ................................................................................................................. 27
2.6.3 PowerBI ................................................................................................................ 27
3. METODOLOGIA ................................................................................................ 29
3.1Objeto de pesquisa .................................................................................................... 29
3.2 Procedimentos metodológicos ......................................................................... 30
4. RESULTADOS E DISCUSSÃO ......................................................................... 34
4.1 Análise de requisitos ............................................................................................... 34
4.1.1 Identificação dos stakeholders e definição da equipe do projeto ... 34
4.1.2 Diagnóstico dos indicadores a serem monitorados ................................ 35
4.1.3 Diagnóstico dos sistemas de informação .................................................. 37
4.1.4 Criação do escopo do projeto ........................................................................ 38
4.2 Projeto .......................................................................................................................... 40
4.2.1 Estrutura de dados ............................................................................................ 40
4.2.2 Arquitetura de software ................................................................................... 43
4.2.3 Detalhes procedimentais ................................................................................. 44
4.3.4 Caracterização das interfaces ........................................................................ 44
4.3 Implementação .......................................................................................................... 46
4.3.1 Tratamento dos dados ..................................................................................... 46

4.3.2 Cálculos e métricas ........................................................................................... 48
4.3.3 Criação de Relatórios ....................................................................................... 50
4.4 Teste ............................................................................................................................. 58
4.5 Manutenção ................................................................................................................ 60
4. CONCLUSÕES .................................................................................................. 62
5.1 Sugestões para Trabalhos Futuros ..................................................................... 63
REFERÊNCIAS ......................................................................................................... 64
Anexo A - Lista de Bases de Dados do Qlikview ....................................................... 68
Anexo B - Lista de Bases de Dados do Tableau ....................................................... 70
Anexo C - Lista de Bases de Dados do Power BI ..................................................... 72
11

1. INTRODUÇÃO
Em um cenário de altíssima competitividade e grandescomplexidades
organizacionais, empresas passaram a lidar com um mercado de clientes cada vez
mais exigentes, operações globalizadas e um alto e crescente nível de inovação
tecnológica. Consequentemente, as cadeias de suprimentos têm enfrentado desafios
devido às mais variadas expectativas de clientes e uma alta variabilidade de
demandas por produtos (KAMALAHMADI; PARAST, 2016).
Tal variabilidade do mercado reflete diretamente sobre a cadeia de
suprimentos, criando uma competição não somente entre organizações isoladamente,
mas entre as próprias cadeias, visto que é um dos principais fatores na manutenção
da vantagem competitiva de uma empresa (CHRISTOPHER, 2012).
Assim, tendo a instabilidade, a sazonalidade e as demandas cada vez mais
complexas como principais desafios para a Cadeia de Suprimentos, saem na frente
as empresas que conseguem responder de forma rápida e assertiva ao mercado,
tornando essencial um efetivo Sistema de Tomada à Decisão e, consequentemente,
uma robusta arquitetura das informações. Tal arquitetura é um fator importante para
tornar as empresas mais ágeis e, através de análises factuais, fornecerem a seus
colaboradores as informações necessárias para suas decisões (TUPPER, 2011).
Segundo a pesquisa do Economic Intelligence Unit (2013), à medida que o
volume de dados gerados ao longo dos processos cresce e os métodos de análise
melhoram, as organizações vêm integrando cada vez mais os dados no processo de
tomada de decisão. No entanto, um número crescente de fontes de dados tradicionais
e não tradicionais inundam empresas com volumes e variabilidade de formatos nunca
vistos antes. Assim, as empresas têm se concentrado amplamente nas oportunidades
e nos desafios apresentados pelo chamado “Big Data”, reconhecendo que alavancá-
lo para ganhar vantagem competitiva pode gerar benefícios significativos.
As oportunidades associadas a dados e análises em diferentes organizações
ajudaram a gerar interesse significativo no chamado Business Intelligence&Analytics,
que é referido como o conjunto de técnicas, tecnologias, sistemas e práticas para
analisar dados críticos de negócios e auxiliar as organizações em um melhor
12

entendimento de seu mercado, negócio e em decisões estratégicas mais ágeis. (Chen
et. Al., 2012).
1.1 Objetivos
O presente projeto tem como objetivo geral criar painéis de controle para
gerenciamento e monitoramento do Big Data gerado ao longo de processos do setor
logístico de uma multinacional, a partir de ferramentas de Business Intelligence.
1.1.1 Objetivos Específicos
• Identificar indicadores críticos à operação da área de negócio;
• Criar painéis de controle que atendam às necessidades do cliente e os
requisitos de storytelling – devidamente definidos e descritos neste estudo;
• Avaliar o desempenho dos painéis em critérios previamente estabelecidos;
• Definir processo de manutenção que viabilize a sustentabilidade do sistema
proposto.
1.2 Limitações
Dado que os objetivos deste trabalho foram desdobrados para atender a
demanda e necessidade da área de negócio de logística de armazenagem, todas
entrevistas qualitativas para entendimento de seus processos foram feitas alinhadas
unicamente a estabelecer a problematização e definir os indicadores críticos para
conclusão dos objetivos.
Este trabalho, portanto, não tem foco em aprofundar-se nos conceitos de
logística e cadeia de suprimentos, mas entendê-la suficientemente para agregar valor
a seus processos através de tecnologia.

2. FUNDAMENTAÇÃO TEÓRICA
A utilização de mineração e análise de dados na Logística tem se evidenciado
pela capacidade de efetuar inúmeras operações e facilitado o cotidiano das empresas
provendo uma base mais robusta à tomada de decisão. A seguir serão apresentados
conceitos sobre inteligência de dados no segmento citado.
2.1 Logística e cadeia de suprimentos
A Logística Empresarial é o conjunto de atividades de movimentação e
armazenagem que torna possível o movimento dos produtos ao longo de toda a
cadeia, desde a aquisição das matérias-primas até o consumidor final, assim como
seus fluxos de informação envolvidos (AKEMI, 2017).
A logística no Brasil ganhou mais robustez por volta de 1990, após a abertura
dos mercados, e desde então tem se tornado um dos principais fatores capazes de
proporcionar diferencial competitivo às empresas, visto que os custos logísticos
representam uma porção significativa dos custos totais de uma organização,
equivalendo em média 25% das vendas e 20% do produto nacional bruto (BORGES,
2014).
Para que os processos logísticos sejam bem-sucedidos, é essencial que se
tenha um sistema de informações capaz de suportar todas as etapas que compõem
sua estrutura, desde o manuseio e gestão dos materiais até a programação da
produção, suprimento e a distribuição (LIMA, 2017).
Dentre as diversas atividades dentro da cadeia de suprimentos, o processo
de armazenagem é de extrema relevância, visto que muitas vezes pode diminuir a
distância entre o fornecedor e o cliente, além de abranger etapas como
dimensionamento, gerenciamento de recursos materiais e patrimoniais, administração
dos espaços físicos, montagem e desmontagem, consolidação de cargas, entre outros
(AKEMI, 2017).
À medida que o processo de armazenagem se torna mais complexo, é crucial
que se tenha um sistema de informação eficaz e capaz de apoiar na tomada de
decisões de forma rápida e inteligente. Para suprir esta demanda, um sistema de
gerenciamento muito utilizado é o Warehouse Management System (WMS), que
14

mesmo podendo ser facilmente customizado, sempre visa garantir a qualidade e a
velocidade das informações, racionalizando e otimizando a Logística de
Armazenagem (ARIEIRA, 2013).
2.2 WMS – Warehouse Management System
De acordo com Ribeiro e Carvalho (2011):
O WMS é um sistema de gestão (software), que melhora a
operacionalidade da armazenagem, mediante ao gerenciamento de
informações eficiente e dos recursos do mesmo. As informações utilizadas
podem ser provenientes de empresas transportadoras, do setor de produção
da empresa, dos clientes e fornecedores, entre outros. O WMS utiliza estas
informações para receber, inspecionar, estocar, separar, embalar e expedir
mercadorias da melhor forma possível.

Entre as principais vantagens de um sistema de WMS, encontram-se a sua
adaptabilidade e seu desenvolvimento junto à empresa (FIGUEIRA, 2017), tendo
diversas funções para apoiar a estratégia de logística operacional direta e seus vários
processos, como:

● Programação e entrada de pedidos;
● Planejamento e alocação de recursos;
● Portaria;
● Recebimento;
● Inspeção e controle de qualidade;
● Estocagem;
● Transferências;
● Separação de pedidos;
● Expedição;
● Inventários;
● Controle;
● Relatórios.
Soriano (2013) compilou o oferecimento e funções do WMS dados pela
literatura, resumidos no Quadro 1:

Quadro 1: Funcionalidades do WMS consolidadas.

Funcionalidade Descrição
Programação da entrada de pedidos,
portaria e gerenciamento de pátio.
Definição do momento no qual um pedido
será separado de acordo com a
disponibilidade de produtos em estoque e
urgência do mesmo. Também realiza o
controle de portaria, programando data e hora
de entrada. Além disso, monitora todo o
andamento do processo de embarque ou
desembarque.
Planejamento e alocação de recursos.
Faz o planejamento da necessidade de horas
de trabalho de pessoal e equipamentos
necessários para a realização das atividades
programadas para atender a demanda diária
de recebimento, movimentação e expedição
de um ou mais armazéns. Aloca os recursos
adequados no momento e local onde são
necessários.
Pré-recebimento.
Programação do recebimento de mercadorias
conforme disponibilidade e urgência.
Recebimento.
Execução, acompanhamento, registro econtrole do recebimento de materiais.
Estocagem.
Endereçamento automático, segundo
limitações dos endereços de armazenagem
registradas, curva de vendas, data de
expiração e demais restrições cadastradas no
sistema. Registro de todas as movimentações
internas e transferências de forma a alocar
racionalmente os produtos, minimizando a
ociosidade e organizando a área de
armazenagem.
Separação de pedidos.
Definição do operador, da sequência dos
pedidos a serem separados e da melhor rota
a ser executada para que o trabalho seja
realizado no menor tempo possível.
Inventários.
Suporte, acompanhamento, registro e
controle na realização de inventários cíclicos
ou gerais. Identificando, monitorando e
rastreando diferenças de estoque.
Priorização de tarefas urgentes.
Prioriza recebimentos, expedições e demais
movimentações de produtos com base no seu
grau de importância e urgência.
Continua

Conclusão
Funcionalidade Descrição
Priorização de tarefas urgentes.
Prioriza recebimentos, expedições e demais
movimentações de produtos com base no seu
grau de importância e urgência.
Inspeção e controle de qualidade.
Registro de informações como não
conformidades ou controle para a liberação
de lotes.
Rastreabilidade.
Registra todas as informações sobre um lote
de produtos produzido ou recebido. Desde a
data de produção, item, data de liberação,
veículo expedido, operador responsável pela
movimentação, destino de embarque, dentre
outros. Possibilita o rastreamento de qualquer
lote manuseado pela operação.
Gerenciamento de devoluções.
Programa, recebe e controla as devoluções
existentes.

Serviços com valor agregado.
Propicia a prestação de serviços de valor
agregado para empresas que trabalham com
prestador de serviço logístico.

Fonte: Adaptado de Soriano (2013).

À medida que a digitalização dos processos logísticos permite explorar novas
possibilidades, inúmeros dados são gerados ao longo de toda a cadeia de
suprimentos. Este grande volume de dados, conhecido por Big Data, não pode ser
processado por meio de tecnologias e algoritmos tradicionais e deve receber tratativa
diferenciada para que possa fornecer insights1 eficientes.
Neste cenário, para aproveitar ao máximo a revolução do Big Data,
pesquisadores e gerentes da Cadeia de Suprimentos precisam entender e incorporar
o papel e as implicações desta revolução para a tomada de decisão (WALLER, 2013).

2.3 Big Data
As definições para Big Data evoluíram rapidamente e, de acordo com Dubey
(2016), Big Data é uma vasta quantidade de dados disponíveis em diferentes níveis
de complexidade, podendo ser criados por humanos ou máquinas, apresentando altos
níveis de ambiguidade.
Dentre várias outras definições, claramente a primeira delas está associada
ao volume. Dubey (2016) afirma ainda que Volume, Variedade e Velocidade são os

1Compreensão súbita de alguma coisa ou determinada situação.
17

três desafios no manuseio e gerenciamento de Big Data. O volume refere-se à
quantidade dos dados; variedade refere-se à heterogeneidade estrutural dos
conjuntos de dados e velocidade à taxa em que os dados são gerados e a velocidade
em que devem ser analisados e atuados.
Davenport (2014) aponta os principais desafios do Big Data sendo estruturar
os dados, analisá-los e extrair valor deles, definindo o termo como:
Dados que não podem ser contidos nos repositórios usuais: refere-
se a dados volumosos demais para caber em um único servidor; não
estruturados demais para se adequar a um banco de dados organizado em
linhas e colunas; ou fluidos demais para serem armazenados em um banco
de dados estático. Embora o termo enfatize seu tamanho, o aspecto mais
complicado do bigdata, na verdade, envolve sua falta de estrutura
(DAVENPORT, 2014).

O Big Data é amplamente considerado como uma grande ferramenta de
otimização da tomada de decisão e melhoria na lucratividade. Com base no estudo
de McAfee e Brynjolfsson (2012) “quanto mais as empresas se autodenominam como
data-driven2,melhor a performance no alcance de resultados financeiros e
operacionais (...) companhias que estão no Top 3 no uso de dados como ferramenta
de tomada à decisão são, em média, 5% mais produtivas e 6% mais rentáveis que
seus competidores”.

2.3.1 Big Data Analytics
O Big Data quando isolado é inútil. Seu valor potencial só pode ser extraído
quando alavancado para gerar a tomada de decisão. Para habilitar tais decisões
baseadas em evidências, as organizações precisam de processos eficientes para
transformar altos volumes de dados em insights significativos.
O processo geral de extrair informações do Big Data pode ser dividido em
cinco estágios definidos por Labrinidise Jagadish (2012), e estão demonstrados na
Figura 1. Estes cinco estágios formam dois principais subprocessos: O
Gerenciamento de Dados e a Análise. O Gerenciamento de Dados envolve processos
e tecnologias para dar suporte para adquirir e armazenar dados e prepará-los para
análise; e a Análise, por outro lado, refere-se às técnicas utilizadas para analisar e
adquirir inteligência do seu banco de dados.

2Conceito de basear decisões e ideias a dados.
18

Fonte: (LABRINIDIS e JAGADISH, 2012)

Fonte: (LABRINIDIS & JAGADISH, 2012).

2.4 Business Intelligence
Uma importante forma de analisar Big Data são as ferramentas de Business
Intelligence, conhecidas como BI. Essas ferramentas promovem uma visão sistêmica
de negócio e têm como principal objetivo transformar e compilar grandes bases de
dados em informações de qualidade, a partir do cruzamento de dados, visualizações
sob diferentes perspectivas e análise de indicadores de desempenho (NASCIMENTO,
2016).
2.4.1 Business Intelligence&Analytics
Conforme apontado por Mortenson et. al. (2015) e posteriormente defendido
por Sayão (2017), não há um consenso na academia sobre o conceito de Business
Analytic se sua diferença entre termos correlatos – como Business Intelligence e Big
Data.
Chen et. al. (2012) adota uma definição unificada de dois conceitos utilizando
o termo Business Intelligence&Analytics (BI&A) e que, segundo seus estudos,
apresenta a seguinte definição:
“Técnicas, tecnologias, sistemas, práticas, metodologias, e
aplicações que analisam dados críticos no negócio para auxiliar as
organizações em um melhor entendimento de seu mercado, negócio e em
decisões mais rápidas” (CHEN et al., 2012).

Desta mesma forma, Chiang et al. (2012), utilizam o termo BI&A e o
classificam em três categorias de análises para tomada de decisão: Descritiva,
Preditiva e Prescritiva. Os autores defendem a seguinte definição para o termo:
“Nós utilizamos BI&A como um termo unificado para descrever
conceitos e métodos de utilização intensiva das informações para melhorar a
tomada de decisão das empresas. BI&A inclui a arquitetura subjacente,
ferramentas analíticas, sistemas de gestão de bancos de dados, técnicas de
mineração de dados, aplicações e metodologias” (CHIANG et al., 2012).

Figura1: Processos do Big Data.

Hill (2014) ilustrou as categorias de sistemas de BI&A proposta por Chiang et
al. (2012), destacando a geração de diferencial competitivo conforme aumenta a
sofisticação das análises empregadas, Figura 2.

Figura2: Categorias de sistemas de BI&A.

Fonte: (HILL, 2014).

2.4.2 Componentes do BI
O Business Intelligenceé, de forma geral, composto por ferramentas que em
conjunto cumprem a função de geração dos dados, extração, armazenamento e
análise das informações. Abaixo estão descritos alguns de seus principais
componentes.
Fonte de Dados (Data Sources)
Os dados de uma empresa podem ser basicamente adquiridos de duas
grandes fontes: fontes internas e fontes externas. As fontes de dados do tipo internoreferem-se aos dados que são capturados e mantidos por sistemas operacionais
dentro de uma organização e estão relacionados a operações empresariais, como
informações de clientes, produtos, dados de vendas, entre outros (ONG et. Al., 2011).
Dentre as fontes de dados internas, destaca-se o sistema Enterprise Resource
Planning (ERP), que são sistemas de informação que integram os processos de uma
empresa utilizando uma base de dados comum e ferramentas de compartilhamento.
20

De forma simples, o ERP permite que diferentes áreas de uma empresa compartilhem
dados e conhecimento reduzindo custos e melhorando o gerenciamento dos mais
variados processos (DREDDEN, 2007).
As fontes de dados do tipo externo referem-se, entretanto, àqueles que se
originam fora de uma organização. Este tipo de dado pode ser recolhido a partir de
fontes como pesquisas de mercado, internet, dados governamentais, parceiros de
negócios, entre outros. Estes dados estão geralmente relacionados a concorrentes,
mercado, ambiente e tecnologia (ONG et. Al., 2011).
Os sistemas de informação de uma organização geralmente abrangem bases
de dados heterogêneas e com características operacionais diferentes. Quando estes
sistemas têm processamento de transações online recebem o nome comumente
chamado de sistemas transacionais ou, em inglês, On-line Transaction Processing
(OLTP) (CHAUDHURI e DAYAL, 1997).
Extração dos Dados (ExtractTransformLoad – ETL)
Esta camada concentra-se em três processos principais: extração,
transformação e carregamento dos dados. Extração é o processo de identificação e
coleta de dados relevantes de diferentes fontes. Normalmente, os dados coletados de
fontes internas e externas não são integrados, são incompletos e podem ser
duplicados. Portanto, o processo de extração é necessário para selecionar dados que
são significativos no apoio à tomada de decisões (ONG et. Al., 2011).
Os dados extraídos são então enviados para uma área de armazenamento
temporária chamada de área de preparo. Na segunda etapa, os dados passam pelo
processo de transformação no qual os dados são convertidos para formatos
consistentes de análise, utilizando-se de regras como funções de agregações. Depois,
é realizado um processo de limpeza dos dados, termo em inglês conhecido por data
cleansing, que refere-se ao processo de identificação e correção de dados com base
em regras pré-especificadas (RANJAN, 2009).
Uma vez que os dados foram transformados e limpos, eles são armazenados
na área de preparo para então prosseguirem para a última etapa do ETL, a de
Carregamento, onde são finalmente carregados no repositório de destino, os
chamados data warehouse(ONG et. Al., 2011).

Armazenamento dos Dados (Data Warehouse)
Existem três grandes componentes na etapa de armazenamento dos dados:
o depósito de dados operacionais, conhecido por Operational Data Store (ODS), o
data warehouse e os data marts.
O ODS é utilizado para integrar os dados da etapa de ETL e carregá-los no
data warehouse.O ODS não armazena os dados e são projetados para apoiar no
processamento operacional migrando-os quase que em tempo real para seu destino
final. Os dados armazenados no ODS são voláteis, o que significa que podem ser
substituídos ou atualizados com outros dados (ONG et. Al., 2011).
Quanto ao Data Warehouse (DW) e o Data Mart (DM), ambos são estruturas
especiais com o principal objetivo de armazenar informações capazes de sustentar a
camada de inteligência da empresa, para ser aplicada na tomada de decisão, como
elementos diferenciais e competitivos (ANTONELLI, 2009).
O Data Warehouse é um dos componentes mais relevantes do Business
Intelligence e é responsável por suportar a propagação física dos dados, manipulando
inúmeros registros, tarefas de limpeza dos dados, agregação e consulta. Ele contém
dados ao vivo, não instantâneos e mantém um histórico mínimo (RANJAN, 2009). O
Data Mart é uma estrutura similar ao do DW, porém com uma proporção menor de
informações. Trata-se de um subconjunto de informações do DW que podem ser
identificados por assuntos ou departamentos específicos. O conjunto de Data Marts
em conformidade dentro da organização compõe o DW (RANJAN, 2009). O Quadro 2
(Ribeiro, 2005) diferencia os dois conceitos.
Advanced Analytics
É referido como a mineração de dados ou análise preditiva. O Advanced
Analytics aproveita as técnicas de análise estatística para prever ou fornecer medidas
de certeza sobre os fatos (RANJAN, 2009).

Quadro 2: Comparação entre Data Marts e Data Warehouse.
Data Marts Data Warehouse
Nível departamental Nível corporativo
Alto nível de granularidade Baixo nível granularidade
Pequena quantidade de dados históricos Grande quantidade de dados históricos
Tecnologia otimizada para acesso de
consultas rápidas
Tecnologia otimizada para armazenamento e
gerência de grandes quantidades de dados
Cada área departamental possui suas
características específicas
As estruturas são reconstruídas para um
entendimento em nível de corporação

Fonte: RIBEIRO (2005).
Dashboards
Categoria que geralmente fornece um agregado de vários tipos e fontes de
informações para que se possa então construir painéis e contar uma história
(RANJAN, 2009).

2.5 Storytelling visual analytics

À medida que analistas e cientistas de dados passam a trabalhar com
conjuntos de dados cada vez maiores e mais complexos, a visualização de dados
tornou-se um ativo extremamente importante tanto para o processo decisório como
para comunicar insights a outros analistas e tomadores de decisão (HEER, 2009).
Friendly (1995) identificou o termo visualização de dados como sendo o
estudo da representação visual e de seu significado, sendo este representado pelas
informações – atributos ou variáveis – que foram abstraídas de alguma forma
esquemática.
Dado assim a importância de visualização dos dados em diferentes etapas do
processo de análise, fica evidente a necessidade de aprimorar ferramentas de análise
visual. Geralmente, as técnicas de visualização discutidas fazem parte de um conjunto
maior de ferramentas, conhecido por Visual Analytics (VA). O VA foi identificado como
“a ciência do raciocínio analítico apoiada por interfaces visuais altamente interativas”
e que combina métodos automáticos de análise de dados (por exemplo, limpeza de
dados e mineração de dados) e visualizações interativas (ELIAS, 2012).
No domínio do business intelligence, a principal ferramenta de visualização
são os dashboards de BI (ELIAS, 2012), que são coleções de múltiplos componentes
visuais, como gráficos e tabelas, por exemplo, em uma única visão (FEW, 2004). No
23

entanto, como apontado por Wojtkowski e Wojtkowski (2002), dashboards e outras
ferramentas de visualização usadas para analisar conteúdos complexos não podem
ser usadas simplesmente para contar histórias. Eles precisam ser “adaptados” para
acomodar narrativas, a fim de melhor destacar itens de importância dentro de recursos
de dados muito grandes (GERSHON, 2001), de uma forma que não esteja claro
apenas para o criador da ferramenta, mas também para o público.
Faz-se sentido aplicar então o conceito de storytelling no campo de estudo de
business intelligence, que foi definido por Serrat (2008) como a “descrição vívida de
ideias, crenças pessoais, experiências e lições de vida através de histórias ou
narrativas que evocam emoções e percepções poderosas”.
Elias et. Al. (2013) identificou uma série de requisitos para criar um dashboard
de business intelligence com um storytelling mais efetivo, que serão descritos a seguir:
Transição fluída: As ferramentas de análise usadas para explorar dados e criar
visualizações são diferentes das ferramentas de criação de relatórios. Exportar
visualizações do primeiro para o segundo para criar uma história de BI custa tempo e
esforço elimita a possibilidade de incorporar informações mais reduzidas ou
anotações criadas durante a análise. Para garantir que os criadores de conteúdo não
recriem informações, torna-se importante haver uma maneira fluida e integrada de
fazer a transição entre a ferramenta e outros recursos de análise utilizados pelo
usuário.
Integração: Para contar suas histórias, os criadores de BI precisam de ferramentas
que combinem todos os materiais usados na criação da história: relatórios de BI,
visualizações interativas, capacidade de destacar objetos gráficos, apresentação da
história de forma sequencial e explicações em formato de texto ou áudio.
Recursos de apoio visual à narrativa: Os criadores de relatórios precisam adicionar
recursos de forma a destacar visualizações específicas, como realce, coloração
diferenciada, ferramentas de anotação e zoom.
Visualizações interativas: Uma ferramenta com storytelling efetivo deve ter
visualizações completamente interativas, onde dados e objetos gráficos sejam
também formas de clusterizar e filtrar informações. A maneira como os usuários
24

utilizarão tal interatividade deve ser limitada e controlada pelo criador da ferramenta,
tornando esse equilíbrio um aspecto desafiador do storytelling.
Reuso: Embora os relatórios de BI e os dados mudem de análise para análise, muitas
vezes a estrutura subjacente das histórias de BI permanece a mesma. É importante,
portanto, existir a possibilidade de reutilizar facilmente a estrutura das histórias criadas
dentro da ferramenta, tanto para histórias de evolução dos dados, como para histórias
futuras semelhantes.
Reprodução: Os usuários devem conseguir ver uma representação estática de toda
a história para obter uma visão geral, mas também fornecer uma reprodução guiada
da história para ajudá-los a seguir caminhos de análise que não sejam totalmente
intuitivos de descobrir de forma a garantir que eles entendam os pontos importantes
de acordo com o criador.
2.6 Softwares BI no mercado
Pesquisas do Gartner (2017) promoveram estudos e previsões para os
próximos anos sobre diferentes programas de Business Intelligence (BI) e Analytics e
apontaram como uma necessidade destas ferramentas a agilidade no
desenvolvimento, funcionalidades para dispositivos móveis, características self-
service3e a busca pela facilidade na modelagem dos dados.
Segundo estes critérios, o Gartner elencou os programas de BI hoje existentes
no mercado de maior relevância, conforme a Figura 3.

3Prática de se obter um benefício de uma atividade sem a necessidade de um intermediário. Utilizado
no âmbito de tecnologia da informação para caracterizar aquilo que é de aprendizado intuitivo.
25

Figura3: Quadrante Mágico Gartner

Fonte: (GARTNER, 2017).

Na horizontal, são avaliadas a visão da empresa em termos de inovação
tecnológica e abrangência sobre as necessidades do mercado, enquanto que na
vertical é avaliado o quanto cada uma delas têm capacidade de executar e implantar
o que prometem.
O quadrante de líderes detém as empresas que são consideradas referência
no mercado do citado segmento e o portfólio mais completo para executar o que
prometem. O quadrante de desafiadores enquadra as organizações que possuem boa
capacidade de execução, mas são inferiores em relação aos líderes em termos de
abrangência e inovação. Quanto aos visionários, encontram-se as empresas que
possuem alta inovação e abrangência no mercado, mas não conseguem entregar
completamente aquilo que se propõem; e, por fim, os especialistas em nicho não
atendem toda e qualquer empresa, mas são consistentes nos segmentos que atuam.
26

Como líderes, destacam-se as ferramentas Power BI, da Microsoft, e o
Tableau, ambas elencadas por sua facilidade de uso, crescimento e baixo custo. Em
seguida, tem-se o Qlik que foi bem avaliado por suas funcionalidades, plataforma e
crescimento do QlikSense, considerada como uma das plataformas com análises mais
avançadas do mercado.
Os três softwares melhor elencados na pesquisa serão analisados a seguir.

2.6.1 Qlikview

O QlikView é um software de business intelligence e analytics, com o qual os
usuários podem rapidamente criar visualizações, relatórios e painéis e colaborar com
análises de dados em tempo real. O QlikView permite que os usuários importem dados
de várias fontes, tenham insights e resolvam problemas de negócios (LI, 2014).
O QlikView possui vários componentes de várias funções. Esses múltiplos
componentes juntos formam uma plataforma de descoberta de dados:

• QlikView Desktop: Responsável pelas ferramentas de análise de dados e
criação dos painéis de controle e é através dele que o usuário poderá criar as
tabelas, gráficos e visualizações para traduzir seus dados em informações;
• QlikView Server: Responsável por fazer a interface entre as bases de dados
e o QlikView Desktop. É através do QlikView Server que os usuários podem
interagir com as bases de dados em tempo real;
• QlikView Publisher: Responsável por publicar os dashboards criados a partir
dos outros componentes, sendo também responsável por autorizar ou não o
acesso às informações geradas.
Ainda de acordo com Li (2014), o QlikView requer conhecimento avançado
em tecnologia da informação e programação para criar painéis realmente efetivos,
tendo uma interface não tão intuitiva.

2.6.2 Tableau

Tableau é a ferramenta de BI da empresa californiana Tableau Software.
Assim como o QlikView, o Tableau também é dividido em subprodutos, os quais estão
descritos a seguir (LI, 2014).

• Tableau Desktop: É a ferramenta de criação de visualizações e relatórios e
através dela seus usuários conseguem se conectar a múltiplas fontes de
dados, criar os painéis de controle e publicar o trabalho completo para o
Tableau Server;
• Tableau Server: Responsável pelo gerenciamento de dados tanto para
navegadores tradicionais quanto para celulares;
• Tableau Online: Versão do Tableau Server na nuvem. Dispensa a
necessidade de hardware e armazenamento de dados;
• Tableau Public: Ferramenta gratuita para publicação de visualização de dados
interativos ao público;
• Tableau Reader: Ferramenta gratuita para visualização e interação de
arquivos criados no Tableau Desktop.
O Tableau também possui alta compatibilidade com diversos bancos e
formatos de dados, entretanto, ao contrário do QlikView, possui uma interface mais
intuitiva e amigável ao usuário, não exigindo conhecimentos profundos prévios para
criação de painéis.

2.6.3 PowerBI

O Power BI é uma das mais novas ferramentas de Business Intelligence do
mercado, sendo lançado ao público pela empresa Microsoft no ano de 2015 (LACHEV,
2018). Conhecido por sua interface intuitiva e de rápido entendimento, o Power BI
pode ser dividido em quatro subprodutos:

• Microsoft Power BI Desktop: É o programa para Windows que permite criar
uma coleção de consultas, conexões e bases de dados para assim criar
dashboards e relatórios;
28

• Microsoft Power BI Web: É neste componente que são compartilhados os
relatórios para que as pessoas desejadas tenham acesso às informações dos
mesmos;
• Microsoft Power BI para Mobile: Formato Web do Power BI para dispositivos
móveis;
• Gateway do Microsoft Power BI: Responsável por fornecer uma transferência
de dados rápida e segura entre os dados locais e o serviço do Power BI Web.
Pelo Power BI Gateway são agendadas atualizações automáticas dos
dashboards com os bancos de dados e fontes diversas conectadas.

Todas três ferramentas possuem uma vasta lista de bases de dados compatíveis, as
quais foram demonstradas nos Anexos A, B e C deste trabalho.

3. METODOLOGIA
A abordagem deste projeto foi predominantemente quantitativa, mas tambémqualitativa. O aspecto quantitativo foi trabalhado em todas suas etapas no sentido de
importação, análise e processamento de dados; e qualitativa nas etapas de
compreensão do negócio e por meio de entrevistas não estruturadas para definição
do problema central.
O procedimento metodológico utilizado foi o de desenvolvimento de software
e terá suas fases detalhadas na seção 3.2.

3.1 Objeto de pesquisa
O presente trabalho teve como objeto de estudo uma empresa multinacional
de grande porte no setor de alimentos, com enfoque no processo de armazenagem
de produtos acabados. O gerenciamento e monitoramento das atividades nos
armazéns logísticos da empresa em questão é feito por um sistema WMS próprio que
também coleta, em tempo real, informações sobre os processos de recebimento de
mercadorias, separação, carregamento de cargas, movimentação e armazenagem.
Atualmente, a empresa conta com mais de 100 Centros de Distribuição (CD)
espalhados pelo Brasil que são convencionalmente divididos por regionais. Além do
setor corporativo nacional, a estrutura da empresa também é dividida em pequenos
setores menores divididos por tais regionais, para melhor suportar o gerenciamento
das operações em processos de gestão de custos, dimensionamento de equipe,
pagamentos, entre outros. Algumas unidades, devido ao nível de porte e
complexidade, possuem versões mais avançadas do sistema WMS que por
consequência suporta e gerencia um maior número de processos.
O sistema foi implementado há cerca de quatro anos e ainda está em
processo de amadurecimento tanto no uso, por parte das operações, quanto na
análise dos dados que coleta, por parte da unidade corporativa.
A enorme massa de dados produzida pelo WMS tem enorme potencial para
produzir análises que aumentem significantemente a qualidade e eficiência dos
processos nos armazéns, mas ainda não tem sido explorada como fonte de suporte à
decisão.

3.2 Procedimentos metodológicos

Para melhor execução e organização ao longo do desenvolvimento do projeto,
utilizou-se a metodologia de desenvolvimento de software do tipo cascata. O presente
modelo ficou assim conhecido frente a sua sequência sistemática entre fases, onde a
saída de cada uma delas é a entrada para a posterior (SOMMERVILLE, 2003).
Atendendo aos objetivos e ao problema, a metodologia revelou-se a mais
adequada entre outras semelhantes pela significativa ênfase em construir um sistema
de alta qualidade e por seu foco na resolução de uma necessidade de negócio
(SOMMERVILLE,2003).
O ciclo de vida do modelo cascata contempla cinco fases, representadas na
Figura 4. Todas suas etapas foram abordadas neste estudo e serão descritas na
sequência.

Figura4: Metodologia de desenvolvimento de software do tipo cascata.

Fonte: Adaptado de Sommerville (2003).

Análise de requisitos
O objetivo principal desta etapa foi de modo amplo estabelecer um
entendimento geral dos problemas de negócios e familiarizar-se com os sistemas de
informação existentes. Para isto, foram levantados todos os possíveis stakeholders4do
projeto e definido um cronograma de reuniões de planejamento e execução com cada
uma das áreas de interesse. Para cada uma delas, foi estabelecido um membro como
ponto de contato principal e responsável por garantir as informações e atividades
necessárias da respectiva área.
Após serem feitas as reuniões e definidos os principais indicadores para o
processo de armazenagem, o escopo do projeto proposto foi formalmente

4Público estratégico que descreve uma pessoa ou grupo que tem interesse em uma empresa, negócio
ou indústria.
31

documentado, assim como as estimativas de tempo de duração e custos/esforços de
implementação.
Para garantia da execução de um bom escopo, utilizou-se como modelo a
ferramenta de gerenciamento de negócios Canvas, proposto por Osterwalder e
Pigneur (2010). Este modelo abrange três grandes pilares–criação de valor, entrega
de valor e captura de valor – os quais resumem 9 dimensões, que foram
representadas pelo Quadro 3.

Quadro 3: Nove dimensões do Modelo Canvas.
Nove dimensões Definição
Segmento de clientes
Distintos grupos de pessoas ou
organizações que uma empresa
busca alcançar, servir e criar valor.
Relacionamento com os clientes
Tipos de relacionamento que uma
organização pode adotar com seus
segmentos de clientes específicos.
Canais
Maneira como uma empresa se
comunica e alcança seus clientes a
fim de realizar uma proposta de valor.
Proposta de valor
Pacote de produtos e serviços bem
como quais valores são entregues aos
segmentos de clientes.
Recursos-chave
Recursos são mais importantes para
fazer um modelo de negócio
funcionar.
Atividades-chave
Ações mais importantes que uma
empresa deve tomar para fazer
funcionar seu modelo de negócio.
Parcerias-chave
Rede de fornecedores e os parceiros
que põem o modelo de negócio em
execução.
Fontes de renda
Dinheiro que uma empresa gera a
partir de cada segmento de cliente.
Estrutura de custos
Custos envolvidos na operação de um
modelo de negócio.

Fonte: (BONAZZI, et. Al., 2014).
32

Para garantir que todas as informações e problemas de negócios fossem
compreendidos, a fase de Análise de Requisitos foi ainda dividida em quatro
subetapas representadas na Figura 5:

Fonte: Autor.

Projeto
A fase de projeto tem como objetivo traduzir os requisitos do sistema a ser
criado para um conjunto de representações gráficas. Tais traduções e representações
concentraram-se em caracterizar quatro atributos principais:

● Estrutura de dados: caracterização dos dados conforme tipo e complexidade;
● Arquitetura de Software: definição dos tipos e softwares utilizado conforme
arquitetura necessária para importação e atualização dos dados;
● Detalhes procedimentais: faseamento da execução, incluindo etapas de
importação de dados, tratamento e limpeza dos dados, cálculos e criação de
métricas;
• Caracterização visual da interface do painel: Definição dos indicadores
demonstrados no relatório e suas respectivas visualizações, tendo como
resultado final o desenho visual do relatório.
Implementação
A fase de implementação foi a etapa em que o painel foi de fato construído,
utilizando-se da tradução das representações gráficas criadas ao longo da segunda
fase. Na Implementação, todos os procedimentos delineados na etapa de projeto
foram executados e submetidos a testes individuais antes de progredir-se para etapa
posterior.
Figura 5: Sub-etapas da análise de requisitos.
33

Teste
A presente fase envolveu a aplicação dos testes necessários para verificar a
capacidade operacional do sistema e da autocompreensão dos dados e história
apresentada no painel por parte dos usuários. Para isso, foi feita uma série de
sessões de avaliação com cada um dos representantes foco das áreas identificadas
como stakeholders. Após a avaliação do sistema nestes e outros aspectos, uma
documentação explicativa do funcionamento do painel foi produzida.

Manutenção
A fase de manutenção visou abranger duas principais vertentes.
Primeiramente aplicou-se a etapa de manutenção corretiva, na qual proveu
adaptações do painel para melhor atender as expectativas dos usuários; e
posteriormente a manutenção evolutiva, na qual identificou-se a oportunidade de criar
uma série de novas funcionalidades que foram devidamente documentadas para
alimentar projetos futuros.

4. RESULTADOS E DISCUSSÃO
Os resultados tiveram sua divisão alinhada com o processo metodológico e
demonstram os avanços obtidos em cada uma de suas fases.
4.1 Análise de requisitos

4.1.1 Identificação dos stakeholders e definição da equipe do projeto
A primeira etapa na Análise de Requisitos foi definir apartir de reuniões com
a área corporativa de Logística de Armazenagem da empresa todos os stakeholders
e pontos focais de cada área envolvida. A partir desta, foram listados os seguintes
departamentos como parte do projeto, os quais estão descritos abaixo assim como
sua função, relação com o estudo e os membros que fizeram parte da equipe.
Departamento de Logística de armazenagem
A área de Logística de Armazenagem (LA) é o departamento corporativo de
suporte e gerenciamento de produtividade e custos dos centros de distribuição no que
diz respeito aos processos de armazenagem de produtos acabados. O departamento
foi o principal fornecedor de informações para caracterização do processo estudado e
por listar os principais indicadores de acompanhamento e suas respectivas memórias
de cálculo. Este departamento foi definido como a área cliente e, portanto, foi o
principal avaliador dos painéis de controle.
Da área de LA, foi selecionada uma especialista como membro da equipe, por
apresentar vasto conhecimento na área, tendo experiência tanto operacional por ter
atuado no Centro de Distribuição, na equipe regional e também na área corporativa.
A especialista será nomeada neste estudo por LA1.
Além de LA1, selecionaram-se também os especialistas regionais LA2 e LA3
e os coordenadores de operação LA4, LA5 e LA6, que contribuíram principalmente na
fase de avaliação do sistema, para garantir que todas as perspectivas de usuários
fossem abrangidas.
Departamento de Tecnologia da Informação
A área de Tecnologia da Informação da empresa tem seu organograma
dividido pelas áreas de negócio que suportam e, por isso, para este estudo o
35

departamento envolvido foi o de Tecnologia da Informação de suporte à Logística
(TIL). Suas principais funções são garantir o planejamento e organização de toda a
infraestrutura e a coordenação das atividades de TI, administração dos gastos em
tecnologia e atividades de manutenção das aplicações de negócio, como os sistemas
de WMS e ERP utilizados. Este departamento foi a maior fonte de informação no que
diz respeito a estruturação do banco de dados, como é feita a extração, atualização e
armazenamento dos mesmos, ferramentas de análise disponíveis e análise conjunta
para viabilização do projeto proposto.
Da área de TIL, foi selecionado um coordenador como membro da equipe, por
ser atualmente o responsável por gerir toda a infraestrutura de dados da área de
Logística. O coordenador será nomeado neste estudo por TIL1.
Departamento de Projetos em Logística
A área de Projetos em Logística (PL) é responsável por identificar,
desenvolver – junto a fornecedores ou não – e implementar soluções de tecnologia
aplicadas a todos os processos logísticos. Foi a área de Projetos que gerenciou todo
o processo de implantação dos módulos do sistema de WMS atualmente utilizados e
foi a maior provedora de informações de como e quais atividades o sistema monitora.
Como membro da equipe, foi selecionado o gerente atual de Business
Intelligence&Analytics da Logística, nomeado neste estudo de PL1 e o Especialista
Corporativo de Implantação de WMS que apoiou todo o processo de implantação do
sistema desde o início, nomeado por PL2.

4.1.2 Diagnóstico dos indicadores a serem monitorados

Nesta etapa, foram diagnosticados junto a área de LA, liderado por LA1, todos
os macroprocessos de armazenagem, ilustrados na Figura 6.

Figura 6: Macroprocessos da logística de armazenagem.

Fonte: Autor.

O processo de Armazenagem inicia-se na fase de Recebimento, na qual são
entregues os produtos acabados vindos da fábrica. Depois de recebidos, os produtos
são descarregados e armazenados nos estoques na etapa de Movimentação e
Armazenagem, respectivamente. Em seguida, tem-se a etapa de Separação e
Carregamento, onde os produtos são separados em pallets conforme as ordens de
venda do dia anterior. Após montados os pallets, os mesmos são carregados nos
caminhões para então serem liberados para entrega, na etapa chamada de Liberação.
Os caminhões, após voltarem das ruas, passam pela portaria onde é registrada a
entrada dos ativos de giro (pallets e chapatex) que retornaram e, possivelmente, dos
produtos devolvidos, caracterizando assim a etapa de Retorno e Descarga. Por fim,
acontece novamente uma etapa de Movimentação, só que desta vez visando a
armazenagem dos ativos e produtos que retornaram da rota de entrega.
Conforme já dito anteriormente, embora todos os macroprocessos da
Logística de Armazenagem sejam gerenciados a partir de um sistema de WMS, o
mesmo ainda não alcançou a aderência de uso ideal por parte das operações.
Assim, visto que o ganho em maximizar o uso da ferramenta é crucial para a
organização das tarefas e atividades das operações e ainda enriquecer a base de
37

dados para rastreabilidade das informações e identificação de benchmarks, definiu-se
como indicador chave de análise a Aderência ao WMS, o qual corresponde o total de
atividades completas a partir do sistema, comparado ao total de atividades reais
realizadas na operação.
A aderência ao WMS é dividida em três indicadores principais, que monitoram
diferentes macroprocessos e, juntas, compõem o indicador final Aderência ao WMS
Total, calculado pela média simples destas três:
• Aderência ao Módulo de Separação e Carregamento;
• Aderência ao Módulo de Recebimento;
• Aderência ao Módulo de Retorno e Descarga.
Além de ter altíssima relevância para a evolução do processo de
armazenagem, a escolha do indicador Aderência ao WMS deveu-se também ao
grande trabalho manual que o mesmo requer para sua apuração. Anteriormente a
publicação dos painéis, era feita uma extração diária do banco de dados com os
resultados do dia anterior e carregados em um arquivo de Excel5 para cálculo. Após
apurados, os mesmos eram enviados às operações por e-mail, o que dificultava o
acompanhamento e armazenamento da informação. Os fechamentos anuais e
mensais requeriam o esforço de uma empresa terceira de tecnologia da informação,
que tinha como função extrair os dados acumulados e exportá-los novamente para
uma planilha de Excel que também era compartilhada com operações, regionais e
corporativo.

4.1.3 Diagnóstico dos sistemas de informação

Após definidos os indicadores a serem monitorados, foi diagnosticado junto à
área de TIL, liderado por TIL1, todos os sistemas e fontes de dados necessários para
alimentar o sistema de monitoramento a ser implementado.
Como sistemas transacionais (OLTP), foram identificadas duas fontes
principais de informação: o WMS e o ERP. Após coletadas estas informações, todo o

5Nome pelo qual é conhecido o software desenvolvido pela empresa Microsoft, amplamente usado
por empresas e particulares para a realização de operações financeiras e contabilísticas usando
planilhas eletrônicas (folhas de cálculo).
38

Big Data é transferido por intermédio de uma ferramenta de ETL e armazenado em
um data warehouse na nuvem, o Azure SQL Data Warehouse.
Sobre as ferramentas de visualização, a empresa em questão já faz uso das
ferramentas Qlikview e Power BI. Ambas foram testadas e, assim como havia sido
previsto, a ferramenta Power BI apresentou interface mais intuitiva, além de
disponibilizar uma versão mobile, sendo esta, portanto a ferramenta escolhida para
criação dos painéis.
Na Figura 7 está esquematizada a arquitetura de BI utilizada para viabilização
do projeto:

Figura 7: Representação gráfica de arquitetura de BI.

Fonte: Autor.

4.1.4 Criação do escopo do projeto

Após a definição da equipe e diagnóstico das necessidades de negócio e da
infraestrutura disponível para viabilização do projeto, foi feito o Canvas do mesmo,
disponibilizado na Figura 8.

Fonte: Autor.Figura 8: Canvas do Projeto

Figura 8: Canvas do Projeto

4.2 Projeto

A fase de projeto teve como principal saída a construção de quatro grandes
representações gráficas que auxiliaram a traduzir cada um dos requisitos do sistema
nos seguintes âmbitos: Estrutura de dados; Arquitetura de Software; Detalhes
procedimentais e Caracterização das Interfaces.
Neste tópico serão descritos e ilustrados cada um dos conjuntos desenhados,
que foram concebidos com suporte e validação da área TIL.

4.2.1 Estrutura de dados

A estrutura de dados do data warehouse utilizado é multidimensional. Nesta
estrutura, existem dois grandes tipos de conjuntos de dados: as dimensões – que são
os conjuntos descritivos dos dados e que qualificam as informações provenientes do
segundo tipo de dados, as Fatos.
As fatos possuem caráter quantitativo e são elas que contêm todas as
métricas e medições para análise dos processos estudados. O conteúdo histórico do
data warehouse fica inteiramente depositado nas fatos.
Em termos práticos, os dois tipos de dados foram cruzados unindo as
informações qualitativas das medições para então trazer informações significativas e
palpáveis para as análises.
Para construção dos painéis, foram utilizados três fatos do data warehouse,
cada uma responsável por descrever quantitativamente os processos aqui analisados.
Abaixo estão descritos os nomes e informações atreladas de cada uma delas:
• DW_FATO_RECEB: Fato relacionada ao processo de Recebimento de
produtos acabados da fábrica;
• DW_FATO_RET_DESC: Fato relacionada ao processo de Retorno e
Descarregamento de ativos de giro e produtos de devolução das rotas de
entrega;
• DW_FATO_CARREG: Fato relacionada ao processo de separação e
carregamento de produtos no caminhão para entrega;
• DW_FATO_ORD_VEND: Fato que descreve todas as ordens de vendas e os
respectivos clientes;

• DW_FATO_ORD_PED: Fato que descreve todas as ordens de pedido da
fábrica, quais produtos e respectivas quantidades.

Quanto às dimensões, foram utilizadas:

• DIM_TEMPO: Qualifica as informações de tempo e todas suas derivações a
partir da data, como dia da semana, se a mesma é feriado ou não, estação do
ano, entre outras;
• DIM_LOCAL: Qualifica todas as informações dos centros de distribuição,
como nome, endereço, gerente de operações e latitude e longitude;
• DIM_PROD: Qualifica as informações dos produtos armazenados e entregues
e quais suas dimensões físicas (peso, altura e largura do pallet);
• DIM_FAB: Descreve as informações das fábricas de origem dos produtos,
assim como endereço, latitude e longitude e gerente logístico responsável;
• DIM_AG: Descreve as informações do tipo de ativo de giro – pallet ou
chapatex.
A partir, portanto, da definição das fatos e dimensões necessárias, foram
desenhados os esquemas no âmbito de estrutura de dados para cada um dos painéis
nas figuras de 9 a 11:
Figura 9: Estrutura de dados painel aderência ao módulo de recebimento.

Fonte: Autor.

Figura 10: Estrutura de dados painel aderência ao módulo de retorno e descarga.

Fonte: Autor.

Figura 11: Estrutura de dados painel aderência ao módulo de separação e carregamento.

Fonte: Autor.

4.2.2 Arquitetura de software

A etapa de representação gráfica da Arquitetura de Software foi uma
continuação e aprofundamento do item 4.1.3, no qual foi feito o Diagnóstico dos
Sistemas de Informação, e focou-se em detalhar a fase de Aplicações de Visualização.
A visualização dos dados através do Power BI neste projeto consistiu no uso
de três subprodutos do mesmo: O Power BI Desktop, utilizado para tratar e
transformar os dados, aplicar as métricas e construir o aspecto visual do painel; o
Power BI Service, utilizado para publicar o painel para os usuários finais; e o Power
BI Gateway, que permitiu que os dados fossem constantemente atualizados ao
conectarem-se ao banco através de atualizações automáticas agendadas.
O esquema completo, portanto, da Arquitetura de Software utilizada está
representado na Figura 12:

Figura 12: Esquema gráfico da arquitetura de software vigente.

Fonte: Autor.

4.2.3 Detalhes procedimentais

A etapa de Detalhes Procedimentais concentrou-se em esquematizar os
passos necessários para construir os painéis, a partir da ferramenta do Power BI
Desktop. Nela, foram identificadas três grandes fases que podem seguir ordens
variadas e, portanto, ser revisitadas ao longo de todo o processo de execução:

• Tratamento dos dados: no qual podem ser feitos as extrações, transformações
e filtros dos dados;
• Cálculos e métricas: no qual são criadas todas as medidas, colunas e tabelas
calculadas, assim como o gerenciamento dos relacionamentos para
cruzamento das informações;
• Visualização dos dados: no qual os dados são finalmente transformados em
informações através de gráficos, quadros e tabelas.
A representação gráfica final da etapa de Detalhamentos Procedimentais foi
esquematizada na Figura 13:

Figura 13: Detalhes procedimentais para construção dos dashboards.

Fonte: Autor.

4.3.4 Caracterização das interfaces

A representação gráfica da caracterização das interfaces limitou-se em
esboçar o padrão visual entre os painéis alinhado ao levantamento teórico descrito no
Item 2.5 (Visual Analytics).

Como requisito, todos os painéis foram criados utilizando-se das seguintes
características:

• Transição fluída, à medida que todos os painéis possibilitaram incorporar uma
maneira integrada de fazer a transição entre a ferramenta de Power BI e Excel
através de exportações de dados;
• Integração, à medida que as visualizações foram distribuídas de forma
sequencial e explicadas através de textos curtos e títulos;
• Presença de recursos de apoio visual à narrativa, a partir de destaques e
colorações diferenciadas para os indicadores e informações de maior
relevância, além de possibilidade de zoom de todos os objetos do painel;
• Visualizações interativas, onde as tabelas e gráficos foram todos construídos
como formas de clusterizar e filtrar informações;
• Reuso, à medida que possibilitou facilmente recriar as histórias de outros
indicadores a partir do mesmo padrão;
• Reprodução, através de um “painel resumo” que representou estaticamente
toda a história para então depois fornecer uma reprodução guiada e detalhada
dos indicadores individualmente.
Na Figura 14, foram representados os painéis criados, sendo um painel
destinado ao resumo geral dos indicadores e outros três com o detalhamento
individual dos mesmos.

Figura 14: Representação gráfica do conjunto de painéis de controle.

Fonte: Autor

4.3 Implementação

A implementação do projeto consistiu em executar as três fases dos Detalhes
Procedimentais – tratamento de dados, cálculos e métricas e criação de relatórios – e
serão descritas nesta seção.

4.3.1 Tratamento dos dados

O primeiro passo para a etapa de Tratamento de Dados foi a importação dos
fatos e dimensões descritas na Seção 4.2.1 através da conexão do Power BI Desktop
e o banco de dados da empresa armazenado no Azure SQL Data Warehouse, passo
este representado pela Figura 15.
Após importados, foi feito o tratamento dos dados através da ferramenta de
edição de consulta e aplicados os seguintes passos:

• Seleção das colunas de interesse para análise;
• Exclusão de linhas nulas, retirando dados em branco contidos nas fatos,
comuns de serem importados junto ao big data;
• Transformação dos dados, a partir da alteração dos tipos dos dados conforme
necessidade – alteração para hora, número e texto;

• Filtragem do período de análise, excluindo dados históricos que não
pertenciam ao ano corrente, garantindo melhor performance ao painel.Os passos aplicados ao longo da etapa de tratamento foram codificados e
estão representados pela Figura 16.
Figura 15: Conexão do Power BI com o Banco de Dados Azure SQL Data Warehouse.

Fonte: Autor.
Figura 16: Codificação etapa de tratamento dos dados.

Fonte: Autor.

4.3.2 Cálculos e métricas

O primeiro grande e importante passo na fase de Cálculos e métricas é o
gerenciamento das relações entre as dimensões e fatos, já antecipados e
esquematizados pelo item 4.3.1.Para isto, cada fato traz consigo do banco de dados
uma coluna com as chaves para as dimensões associadas e são cruzadas a partir da
seção de relações da ferramenta Power BI.
O resultado final da etapa de criação das relações está representado nas
Figuras 17 a 19.

Figura 17: Etapa gerenciamento de relações painel aderência ao módulo de separação e
carregamento.

Fonte: Autor.

Depois de feitas as devidas relações, os cálculos para apuração dos
indicadores puderam ser finalmente feitos a partir da criação de medidas e colunas
calculadas. Todos os cálculos de aderência foram realizados a partir do racional de
atividades completas utilizando-se o WMS dividido pelo total de atividades real
realizadas para aquela tarefa. Para o indicador da Aderência ao Módulo de Separação
e Carregamento, utilizou-se o total de pallets vendidos contidos na fato de Ordem de
Vendas e como numerador o total de pallets separados e carregados com registro no
WMS. De forma simples, se dez pallets foram vendidos na ordem de vendas de um

determinado pedido, em um determinado caminhão, e 9 pallets do respectivo pedido
possuem registro de separação e carregamento no WMS, a aderência será de 90%.
Para a atividade de retorno e descarga, utilizou-se a informação de total de
carros que saíram para entrega como total de carros que deveriam também ter dado
entrada na portaria e registro de descarga, unindo-se então a informação do WMS ao
ERP de ordem de vendas.
Figura 18: Etapa gerenciamento de relações painel aderência ao módulo de retorno e descarga.

Fonte: Autor.
Figura 19: Etapa Gerenciamento de Relações Painel Aderência ao Módulo de Recebimento.

Fonte: Autor.

Por fim, para a atividade de recebimento de produto, rastreou-se o total de
atividades que deveriam ter sido completas a partir da soma de pedidos que o Centro
de Distribuição realizou à fábrica e, depois, quantos registros de pedido de fato
houveram na etapa de recebimento no sistema de WMS.
Dado que cada pallet vendido tem um código específico e único no sistema
de ERP e igualmente único no sistema de WMS, o cálculo da aderência foi feito
utilizando-se a função de contagem distinta dos códigos de cada um dos sistemas,
sendo que a contagem no WMS é o numerador e a contagem no sistema ERP, o
denominador. Para todos os cálculos, utilizou-se a linguagem de programação do
Power BI DAX (Data Analysis Expressions) e foram representados por um exemplo
na Figura 20.

Figura 20: Cálculo do indicador aderência ao módulo de separação e carregamento utilizando
linguagem DAX.

Fonte: Autor.

4.3.3 Criação de Relatórios

A etapa de criação de relatórios é onde concentraram-se todos os esforços
para colocar as estratégias de storytelling em prática. Para isso, além de colocar os
requisitos estabelecidos por Elias et. Al. (2013) como base, definiu-se também uma
padronização entre as visualizações conforme os tipos de dados a serem
representados.
Para dados de comparação, utilizou-se gráficos do tipo histograma; para
dados de tendência de acordo com tempo, usou-se gráficos do tipo curva; para dados
qualitativos, gráficos de pizza; e, por fim; para dados resumidos do tipo total, por
exemplo, utilizou-se visualizações do tipo cartão.
Para efeitos didáticos, serão descritos todos os passos de criação do Painel
Geral de Aderência ao WMS Total, os quais foram replicados para construção dos
outros dashboards.

Primeiramente, para atender ao requisito de Integração, criou-se um
sequenciamento padronizado das visualizações o qual consistiu em colocar as
informações mais resumidas no início (canto superior esquerdo) e aprofundar o nível
de detalhe e granularidade das informações abaixo e ao lado. Além disso, todos os
objetos gráficos tiveram seu título descrito conforme o objetivo da visualização e
legendas, quando necessário, para explicação de informações mais complexas.
Para o requisito de Recursos de Apoio Visual à Narrativa, destacaram-se os
dados sobre meta a partir de colorações contrastantes e habilitou-se a função de zoom
para todos os objetos do painel, conforme ilustrado na Figura 21.

Figura 21: Visualização do painel de Aderência ao WMS Total com função zoom habilitada.

Fonte: Autor.

Além disso, os gráficos dos painéis são todos interativos de forma a serem
usados também como filtros para outras informações, além de possibilitar a opção de
duplo clique para aprofundamento do nível da informação de geografia para CD, por
exemplo, conforme Figura 22.

Figura 22: Visualização do painel de separação e carregamento com aplicação de hierarquia de
dados.

Fonte: Autor.

O requisito de Transição fluida foi atendido criando-se uma aba específica
chamada de “Relatório”, em que uma visualização do tipo tabela foi inserida com os
detalhes da base histórica como data, nome do centro de distribuição, código da
atividade, tipo, hora de início, hora de fim, tempo de duração, entre outros. Esta
visualização foi especificamente inserida para facilitar a transição dos dados do Power
BI para Excel, permitindo interação e análise por outras perspectivas conforme
vontade do usuário. A aba relatório foi inserida em cada um dos painéis e está

representada com uma delas – referente ao painel de Aderência Total – pela Figura
23, abaixo:

Figura 23: Representação da Aba “Relatório” com opção de exportação para Excel.

Fonte: Autor.

Como Reuso, o padrão de cores de fundo e alocação dos objetos foram
fixados e facilmente replicados para os outros dashboards e por fim, como
característica de reprodução, foi criado o painel geral de Aderência ao WMS Total
ilustrado ao longo desta seção, e devidamente linkados painéis específicos, de forma
a auxiliar no entendimento geral do todo.
O resultado final da etapa de Implementação foi representado pelas imagens
de cada um dos dashboards, incluindo o painel geral da Aderência Total, nas Figuras
24 a 27, assim como a versão para dispositivos móveis, representada pela Figura 28.

Figura 24: Dashboard final do Indicador Aderência ao Módulo de Separação e Carregamento.
Fonte: Autor

Fonte: Autor
Figura 25: Dashboard final do Indicador Aderência ao Módulo de Recebimento

Figura 26: Dashboard final do Indicador Aderência ao Módulo de Retorno e Descarga.
Fonte: Autor

Fonte: Autor

Figura 27: Dashboard final do Indicador Aderência ao Módulo de Separação e Carregamento.

Figura 28: Visão para dispositivos móveis – Painel aderência WMS Total.

Fonte: Autor.

4.4 Teste

A fase de testes deu-se a partir de uma série de sessões presenciais
compostas por avaliações quantitativas e qualitativas com cada um dos stakeholders
do projeto para avaliar o dashboard em quatro critérios anteriormente estabelecidos:

1 - Facilidade de entendimento e obtenção de insights: neste quesito, cada
stakeholder foi questionado sobre a facilidade de entender as visualizações
de cada um dos dashboards e seus objetivos, além de o quão cada um deles
foi eficiente para entender aonde estão os maiores