TCC RAFAEL MARIOZA

Prévia do material em texto

FUNDAÇÃO PRESIDENTE ANTÔNIO CARLOS - FUPAC
Faculdade Presidente Antônio Carlos de Cons. Lafaiete
Engenharia de Computação
	
	
BUSINESS INTELLIGENCE APLICADO AO MERCADO DE TRABALHO: UMA EXPERIÊNCIA UTILIZANDO O POWER BI EM UMA EMPRESA DE LOGÍSTICA FERROVIÁRIA
RAFAEL LOPES MARIOZA
Conselheiro Lafaiete
2020
27
RAFAEL LOPES MARIOZA
BUSINESS INTELLIGENCE APLICADO AO MERCADO DE TRABALHO: UMA EXPERIÊNCIA UTILIZANDO O POWER BI EM UMA EMPRESA DE LOGÍSTICA FERROVIÁRIA
Trabalho de conclusão de curso apresentado como parte das atividades para obtenção do título de Bacharel em Engenharia de Computação, da Fundação Presidente Antônio Carlos de Conselheiro Lafaiete.
Conselheiro Lafaiete
2020
SUMÁRIO
1. LISTA DE SIGLAS E ABREVIATURAS	4
2. LISTA DE FIGURAS	5
4. RESUMO	7
5. INTRODUÇÃO	8
6. REVISÃO DE LITERATURA	10
6.1. Banco de dados	10
6.2. Big data e ciência de dados	12
6.3. Business intelligence	14
6.4	O Power BI	16
7. DESENVOLVIMENTO	18
7.1	Área do estudo: PCM em uma empresa de logística ferroviária	18
7.2	Implantação do Power BI	20
7.3	Dificuldades encontradas antes da melhoria e ganhos obtidos	23
8. CONCLUSÃO	25
9. TRABALHOS FUTUROS	26
10. REFERÊNCIAS LITERÁRIAS	27
11. APÊNDICE	32
12. ASSINATURAS	40
1. LISTA DE SIGLAS E ABREVIATURAS
BI - Business Intelligence
CPS - Cyber-Physical Systems
ERP - Enterprise Resource Planning
IoT - Internet of Things
IoS - Internet of Services 
KPI - Key Performance Indicator 
PCM - Planejamento e Controle da Manutenção
OLAP - Online Analytical Processing 
3D – Três dimensões
ETL - Extract, Transform and Load
 TI - Tecnologia da Informação
2. LISTA DE FIGURAS
· Quadro 1 – Definições sobre a tríade
· Figura 1 – Representação de um sistema de banco de dados 
· Figura 2 – Alguns mecanismos de para análise de grande volume de dados 
· Figura 3 – Arquitetura de BI 
· Figura 4 – Coleção de informações interligadas que podem ser usadas pelo Power BI 
· Figura 5 – Elementos do Power BI 
· Figura 6 – Transformação de dado em informação em um sistema de gestão 
· Figura 7 – Fluxograma de extração das bases do ERP
· Figura 8 – Modelo de relacionamento para criação dashboards de logística 
· Figura 9 – Modelo de relacionamento para criação dashboards de produção 
3. AGRADECIMENTOS
Agradeço a Deus por ter me concedido forças para trilhar esta jornada e a todas as pessoas que me incentivaram. Sou grato aos meus colegas, de sala e do trabalho, que sempre serão lembrados pelo apoio durante a graduação e na elaboração desse trabalho de conclusão de curso. Em destaque, agradeço a minha irmã pelo companheirismo e apoio nos momentos difíceis. 
Também agradeço especialmente aos meus pais, pelo esforço que fizeram por mim, pelo incentivo, por acreditarem em meu potencial e por me ensinarem que os estudos são a fonte do sucesso, mas que eu nunca deveria esquecer que eu não sou melhor e nem pior que as outras pessoas, mas que eu posso fazer a diferença. A minha filha, por ser luz em meu caminho.
Por fim, reconheço a importância dos mestres que me ensinaram seus conhecimentos durante toda a graduação, de maneira especial, meu orientador, por ter aceitado o desafio de participar desse trabalho comigo. Agradeço a todos aqueles que fazem e fizeram parte da minha vida e que são responsáveis por essa conquista.
4. RESUMO
Este trabalho trata-se do estudo do Business Intelligence aplicado ao mercado de trabalho através de uma experiência utilizando o Power BI em uma empresa de logística ferroviária. Dessa forma, o objetivo geral foi analisar o uso do Business Intelligence na gestão de manutenção feita pelo setor de Planejamento e Controle da Manutenção dentro desta organização. Como métodos de pesquisa, foram utilizados os estudos bibliográficos e a verificação em campo. Após as pesquisas teóricas e análise dos dados práticos, pode-se afirmar que a implantação do sistema trouxe diversos benefícios, entre eles a redução no tempo para geração de informações, além do auxílio na tomada de decisões. Concluiu-se que o uso do Business Intelligence trouxe melhorias relevantes à área pesquisada.
5. INTRODUÇÃO
A era da informação é algo presente. Aparelhos eletrônicos, sistemas de informação, internet, fazem parte do cotidiano das pessoas, principalmente na área urbana. Diante desse cenário, é preciso que as empresas de todos os seguimentos, para se manterem competitivas, a utilização de ferramentas tecnológicas (SACILOTTI, 2011). Esse momento é também conhecido como a quarta revolução industrial, sendo que através da tecnologia busca aperfeiçoar os meios de produção (OLIVEIRA; SIMÕES, 2012). 
Lima e Pinto (2019, p. 300) citam algumas dessas tecnologias como exemplos, entre elas “Cyber-Physical Systems (CPS), a Internet of Things (IoT), a Internet, of Services (IoS), robótica avançada, impressão 3D, inteligência artificial, Big Data, computação em nuvem e nanotecnologia”. Todas essas tecnologias inseridas no dia-a-dia geram um grande volume de dados e informações, trazendo demandas específicas de como armazenar, tratar e analisar esses dados e informações. Surgem então os conceitos Ciências de dados e Big Data (PRATES; OSPINA, 2004).
Diante disso, esse trabalho de conclusão buscou entender como trabalhar de forma eficaz com Big Data, quais os conceitos e ferramentas são oferecidos por essa área que é contemporânea e bastante demandada pelas empresas, conforme menciona Silva (2015). Foram mostrados alguns conceitos teóricos importantes da área de Data Science, assim como foi apresentado um relato de experiência da utilização da ferramenta Power BI, da Microsoft, para analisar dados em uma empresa de ferrovia. 
O objetivo geral foi analisar o uso de business intelligence (BI) na gestão de manutenção feita pelo setor de Planejamento e Controle da Manutenção (PCM) dentro de uma empresa ferroviária de transporte logístico. Já os objetivos específicos foram: analisar conceitos pertinentes ao assunto; descrever a implantação do sistema de BI para acompanhamento da gestão de manutenção pelo PCM; demostrar os benefícios da inserção da gestão com Business Intelligence na empresa. 
A relevância do presente trabalho é vista devido à contemporaneidade do tema proposto, onde se confrontou conceitos teóricos com a aplicação prática das Ciências de dados em um cenário real da indústria. A metodologia utilizada durante a elaboração do estudo foi dividida em dois principais momentos, sendo o primeiro a análise teórica e o segundo a verificação em campo dos conceitos apresentados e seus resultados.
Para a teoria, foi feita uma pesquisa bibliográfica. Para Fonseca (2002, p. 32) “qualquer trabalho científico inicia-se com uma pesquisa bibliográfica, que permite ao pesquisador conhecer o que já se estudou sobre o assunto”. Já o conceito de pesquisa de campo caracteriza-se pelas investigações em que, além da pesquisa bibliográfica, é realizada uma coleta de dados sobre o tema em análise (FONSECA, 2002).
6. REVISÃO DE LITERATURA
No decorrer deste capitulo foram apresentados conceitos pertinentes ao tema, sendo eles: banco de dados, ciência de dados e big data, business intelligence e power BI. Cada um desses assuntos foi exposto, respectivamente, nos itens 6.1 a 6.4.
6.1. Banco de dados
Antes descrever sobre o banco de dados é importante distinguir alguns conceitos pertinentes ao tema, sendo eles dados, informação e conhecimento, conhecidos como tríade (SEMIDÃO, 2014). Para uma melhor compreensão, cada um desses termos foi explicitado no Quadro 1 a seguir, elaborado a partir de Semidão (2014).
	CONCEITO
	DESCRIÇÃO
	Dados
	Expressaria um estado valorativo e explicativo mais direto. São fatos e estatísticas coletadas juntas para fim de análise. Também em computação são caracteres ou símbolos em que as operações são executadas por um computador. Termo geral usado para expressar informação quantitativa ou numericamente codificada; termo particularmente utilizado para descrever informações armazenadasnuma base de dados.
	Informação
	É um estado intermediário. Qualquer conjunto de dados organizados se transforma em informação. O que é transmitido ou representado por um arranjo especial ou por uma sequência de coisas. Também é a computação de dados processados, armazenados ou transmitidos por um computador.
	Conhecimento
	É um patamar mais elevado. Fatos, informações e competências adquiridas por uma pessoa. Informação avaliada e organizada de modo a poder ser utilizada propositadamente.
Quadro 1 – Definições sobre a tríade (Próprio Autor – Adaptado de Semidão, 2014)
Como pode ser visto, a organização dos dados gera uma informação, enquanto que a organização e avaliação da informação gera o conhecimento, sendo que esse último pode ser utilizado de forma efetiva (SEMIDÃO, 2014). Com as explicações iniciais, pode-se seguir para a definição de banco de dados:
“Um banco de dados ou base de dados (sua abreviatura é BD, em inglês DB, database) são conjuntos de dados com uma estrutura regular que tem como objetivo organizar uma informação. Um banco de dados normalmente agrupa informações utilizadas para um mesmo fim de forma que possam representar coleções de informações que se relacionam de forma que crie um sentido. São de vital importância para empresas, e há duas décadas se tornaram a principal peça dos sistemas de informação (MEIRA, 2013, p. 4).”
Já Costa (2011, p. 8) afirma que “um banco de dados é um local onde são armazenados dados necessários à manutenção das atividades de determinada organização, sendo este repositório a fonte de dados para as aplicações atuais e as que vierem a existir”. Date (2003) cita que um sistema de um banco de dados contém diferentes elementos como os próprios dados, programas, usuários, por exemplo, como pode ser visto na Figura 1.
Figura 1 – Representação de um sistema de banco de dados (Date, 2003)
6.2. Big data
O termo big data ilustra uma quantidade quase incalculável de dados que são gerados diariamente através dos sistemas informatizados pelo mundo (FREITAS NETO, 2014). “Estamos vivendo numa era de grandes volumes de informações. O volume de informações é medido em exabytes. A escala é assim: bit, byte, kylobyte, megabyte, gigabyte, terabyte, petabyte, exabyte, zettabyte, yottabyte” (LOH, 2014, p. 15). 
Para Lima Júnior (2012) o avanço tecnológico da rede, que configura a internet, com o aumento da velocidade no tráfego dos dados, além da evolução dos hardwares que processam e armazenam dados contribuem para o crescimento do número de dados diariamente. Também cita que as linguagens de programação evoluem cada vez mais fazem gerar um novo modelo de informação mundial, exigindo adaptação e novos processos em todos os segmentos da sociedade, inclusive industrial.
Ainda de acordo com Lima Júnior (2012) o conceito big data se refere uma grande concentração de dados onde estes não podem ser armazenados em bancos de dados típicos, visto que está além da habilidade desses bancos a captura, armazenagem e tratamento desses dados devido ao grande volume. Essa definição “é intencionalmente subjetiva e incorpora uma definição que se move de como um grande conjunto de dados necessita ser para ser considerado um big data” (LIMA JÚNIOR, 2012, p. 211). 
Fagundes et al., (2018) afirmam que o big data nasce de uma evolução constante das tecnologias da informação, principalmente a partir do início do século XXI, citando alguns exemplos como a Internet das Coisas, Redes Sociais e computação em nuvens. Segundo os autores, essas novas tecnologias geraram e geram muitos dados em segundos, e isso demandou novas soluções tecnológicas para armazenar e seleção desse grande volume de dados. Diante disso nasce o big data propondo soluções para tratar essa nova demanda por dados gerados em grande quantidade (FAGUNDES et al., 2018).
Segundo Ferreira Neto (2015) big data se refere aos conjuntos de dados, grandes demais para serem gerenciados com ferramentas tradicionais de análise. Esse volume considerável “de dados é resultado da explosão de ferramentas de geração de dados, rastreamento, monitoramento, transações e redes sociais, por exemplo, que se tornaram tão populares nos últimos anos” (DATA SCIENCE ACADEMY, 2018). Essas ferramentas geram além de novos dados, um tipo também novo chamado dados não estruturados:
Em! termos! gerais,! dados! não! estruturados! são!
simplesmente! dad os! que! não! foram ! organizados! de! forma! p redefinida.!
Ao! contrário! de!dados! mais! tradicionais! e! estruturados,! esse! tipo! de!
dados! é! composto! em! larga! escala! p or! texto,!ao! mesmo! tempo! que!
contém! dados! m ais! facilmente! definidos,! com o! datas! ou! núm eros! de!
cartão! de! crédito.! Exemplos! d e! aplicativos! que! geram! esse! tipo ! de!
dados! incluem! as! ferramentas! de! acom panhamento ! do!
comportamen to! do! cliente! que! você! usa ! para! ver! o! que! seus! clientes!
estão! fazendo! no! seu! site! de! comércio! eletrônico,! as! pilhas! de! log! e!
arquivos! de! eventos! gerados! a! partir! de! alguns! dispositivos! inteligentes!
(como!alarmes! e! smart! sensores)! e! ferramentas! de! rastreamento! de!
redes!sociais!de !larga!escala
“Em termos gerais, dados não estruturados são simplesmente dados que não foram organizados de forma predefinida. Ao contrário de dados mais tradicionais e estruturados, esse tipo de dados é composto em larga escala por texto, ao mesmo tempo que contém dados mais facilmente definidos, como datas ou números de cartão de crédito. Exemplos de aplicativos que geram esse tipo de dados incluem as ferramentas de acompanhamento do comportamento do cliente que você usa para ver o que seus clientes estão fazendo no seu site de comércio eletrônico, as pilhas de log e arquivos de eventos gerados a partir de alguns dispositivos inteligentes (como alarmes e smart sensores) e ferramentas de rastreamento de redes sociais de larga escala (DATA SCIENCE ACADEMY, 2018, p. 1).”
De acordo com Camilo e Silva (2009) diante dos desafios trazidos pelo big data, criou-se a necessidade de desenvolver mecanismos para buscar informações de forma mais eficiente meio as grandes concentrações de dados. Alguns deles é visto na Figura 2. Também foram gerados os novos sistemas data mining. Além de ferramentas para mineração de dados, há também data warehouse que acordo com Serra (2019, p. 5) “é uma junção de várias fontes de dados, seja ela Bancos de Dados de ERPs, Cubos, pastas de trabalho em Excel, entre outros, com a finalidade de servir de base para o processo de BI”. 
Figura 2 – Alguns mecanismos de para análise de grande volume de dados (Marquesone, 2017)
6.3. Business intelligence
Business Intelligence (BI) ou, em português, Inteligência de Negócios, é um conceito que abrange “todas as atividades necessárias para que uma empresa transforme dados brutos em conhecimento acionável. Em outras palavras, são esforços da empresa para entender o que sabe e o que não sabe de sua própria existência e operações” (DATA SCIENCE ACADEMY, 2017, p. 1). Sendo assim, há os sistemas de BI que busca entender através de dados e informações eventos que já ocorrera e também os sistemas de Business Analytics, que visa entender eventos futuro, com análises preditivas (LOH, 2014). BI é um sistema em constante evolução:
“BI é um conceito, que tem evoluído de princípios básicos (como relatórios de contas a pagar e contas a receber e informações de contato e contrato do cliente) para informações muito mais sofisticadas e personalizadas. Estas informações variam em tudo, desde comportamentos de clientes até monitoramento de infraestrutura de TI, passando até mesmo pelo desempenho de ativos fixos de longo prazo. O rastreamento separado dessas métricas é algo que a maioria das empresas pode fazer independentemente das ferramentas empregadas (UFPEL, 2020, p. 1).”
Para Vicente et al. (2019) empresas buscam sistemas de informação para armazenamento e análise de dados e, assim, poder alcançar melhores resultados. Diante disso, as ferramentas de Business Intelligence reúnem informações,possibilitando análise de custos, de clientes, produtos vendidos, produtos produzidos entre outras variáveis. O termo BI foi criado “pelo Garnem Group como um termo genérico que inclui aplicações, infraestrutura, ferramentais e melhores práticas, que permite o acesso a análise de informações para melhorar e otimizar decisões e desempenho” (ELIAS, 2019, p. 1). Uma arquitetura BI é vista na Figura 3.
Figura 3 – Arquitetura de BI (Fourlan; Gonçalves Filho, 2005 apud Ceci, 2012)
Para Ceci (2012) BI é um conjunto de técnicas e ferramentas que permite que a organização utilize a análise das informações para o suporte e a tomada de decisão. De acordo com Reginato e Nascimento (2007) os sistemas de BI começam com a coleção de dados, data warehouse, a integração de dados de uma ou mais fontes e assim, cria um repositório central de dados. Com essa imensidão de dados, data mining, aplica-se a mineração desses dados, o processo de explorar grandes quantidades à procura de padrões consistentes para detectar relacionamentos e novos subconjuntos de dados a serem mapeados e extrair-se informações privilegiadas. Análises, ou Analytics, de minerações geram relatórios, reporting, detalhados para fortalecer o esclarecimento do cenário (REGINATO; NASCIMENTO, 2007). Quanto à importância dos softwares BI, eles:
“[...] têm sido fundamentais nesta progressão constante para um conhecimento mais aprofundado sobre negócios, concorrentes, clientes, indústria, mercado e fornecedores, para citar apenas alguns possíveis objetivos métricos. Mas à medida que as empresas crescem e o volume de dados aumenta, a captura, o armazenamento e a organização de informações tornam-se muito mais complexos para serem totalmente tratados por seres humanos (...). Embora os softwares de BI ainda cubram uma variedade de aplicações de software usadas para analisar dados brutos, hoje eles geralmente se referem a análises para mineração de dados, processamento analítico, consultas, relatórios e, especialmente, visualização. A principal diferença entre o software de BI de hoje e as soluções de Big Data Analytics é em grande parte escala. O software de BI lida com os dados de tamanho típico, encontrados na maioria das empresas, de pequenas a grandes. Aplicações de Big Data Analytics processam análise de dados para conjuntos de dados muito grandes, medidos em petabytes (PBs) e esse grande volume de dados permite realizar análise preditiva com precisão cada vez maior. Essa é uma das principais diferenças entre o BI tradicional e Data Science (UFPEL, 2020, p. 1).”
Um exemplo de software é o Power BI da Microsoft, uma ferramenta amigável e essencialmente uma ferramenta de visualizações de dados. Ele permite a realização da preparação de dados, modelagem de dados e até tarefas de ETL (MICROSOFT, 2020).
6.4 O Power BI
Segundo a fabricante Microsoft (2020, p. 1) o Power BI “é uma coleção de serviços de software, aplicativos e conectores que trabalham juntos para transformar suas fontes de dados não relacionadas em informações coerentes, visualmente envolventes e interativas”. Uma possível fonte é a planilha do Excel ou uma “coleção de data warehouse híbridos locais ou baseados na nuvem. Com o Power BI, (...) pode-se conectar facilmente a fontes de dados, visualizar e descobrir conteúdo importante e compartilhá-lo com todas as pessoas que quiser” (MICROSOFT, 2010, p. 1). Um exemplo de fontes de dados que podem ser utilizadas pelo Power BI é visto na Figura 4.
Figura 4 – Coleção de informações interligadas que podem ser usadas pelo Power BI (Próprio Autor)
Quanto às partes constituintes do Power BI, há vários elementos que trabalham de forma conjunta, sendo os básicos: “Um aplicativo de desktop do Windows chamado Power BI Desktop. Um serviço SaaS (software como serviço) online chamado de serviço do Power BI. Aplicativos móveis do Power BI para dispositivos Windows, iOS e Android” (MICROSOFT, 2010, p. 1). A Figura 5 ilustra tais elementos.
Figura 5 – Elementos do Power BI (Microsoft, 2020)
Como informa o fabricante, esses três elementos foram projetados para que as pessoas possam criar, compartilhar e consumir com eficiência os dados, ou seja, os insights empresariais, sendo isso da maneira mais adequada (MICROSOFT, 2010).
7. DESENVOLVIMENTO
Após os estudos teóricos, a análise prática foi desenvolvida, sendo elas: área de estudo, PCM em uma empresa de logística ferroviária, implantação do Power BI, análise das dificuldades encontradas antes da melhoria e ganhos obtidos. Cada um desses assuntos foi exposto, respectivamente, nos itens 7.1 a 7.3.
7.1 Área do estudo: PCM em uma empresa de logística ferroviária
A utilização do modal ferroviário na logística é uma alternativa de movimentação interessante “em função de suas características de altos custos fixos e custos variáveis baixos, que possibilitam o surgimento de economias de escala quando os volumes de carga a serem embarcados e a distância percorrida forem relativamente altos” (OLIVEIRA, 2005, p. 4). Diante disso, existem empresas que oferecem esse tipo de serviços, como a instituição onde ocorreu a pesquisa prática evidenciada nesse trabalho.
Nesse setor empresarial, assim como em outros segmentos, é muito importante que os equipamentos e máquinas estejam funcionando da forma mais efetiva possível, justamente para que os prazos e serviços combinados com os clientes sejam cumpridos. Diante dessa necessidade, há o Planejamento e Controle da Manutenção (PCM), uma área voltada justamente “para a minimização da degradação dos ativos e distribuir adequadamente as políticas de manutenção, possibilitando, desta forma, reduzir as ocorrências de interrupções” (LAMB et al., 2013, p. 1).
Saddi et al. (2018, p. 3) evidencia que “a incessante procura pelo aumento da disponibilidade dos ativos de uma instalação industrial, requer do setor de manutenção sempre buscar novas práticas que auxilie a alcançar esse objetivo”. E uma prática adotada no setor de PCM, área de estudo desse trabalho de conclusão de curso, foi a implantação do sistema Power BI, com o objetivo de ajudar nos processos decisórios a partir de uma coleta e interpretação mais precisa dos dados necessários à equipe.
Ao avaliar a empresa pesquisada, é perceptível que ela atualmente encontra-se em um momento de inovação tecnológica, implementando várias ferramentas inovadores e mais eficientes. Uma delas é o software Power BI, como mencionado, para melhor compreender os dados existentes nesse setor. Sugeri essa alteração foi como uma boa oportunidade para implementar a metodologia de Business Intelligence, como forma de melhorar e acompanhar os processos da área.
Aqui vale destacar que nesse setor, já haviam ocorrido testes com outros softwares de BI, porém sem surtir o efeito esperado. Porém, insisti na implantação dessa metodologia BI devido crer que era uma necessidade real da área. Os dados, quando armazenados em planilhas eletrônicas, como o Excel utilizado pela área antes da inserção do Power BI, podem não ser tratadas corretamente, e, dessa forma, não acrescentarem quase nada para uma gestão eficiente, não apoiando no processo decisório.
Conforme mencionado por Bonel (2015) e visto na Figura 6, a informação é obtida através do tratamento correto dos dados, sendo que através do conhecimento gerado, ela pode ser utilizada para melhoria na gestão e nas decisões. Antes da implantação do Power BI era justamente o oposto disso que ocorria na área estudada, pois por não ter o tratamento correto não havia informações, mas sim um conjunto de dados.
Figura 6 – Transformação de dado em informação em um sistema de gestão (Bonel, 2015)
7.2 Implantação do Power BI
Na área do PCM havia diferentes planilhas onde os dados eram armazenados como demonstra a Figura 7. Um deles era o relatório de atendimento do setor, mostrado como exemplo no Apêndice A, onde as análises eram feitas através do próprio Excel, sem nenhum auxílio de software externo. Dessa forma, os dados eram interpretados conforme conhecimento do funcionário da área, sendo que,poderiam ter interferências pessoais e, até mesmo, de fatores não relacionados aos dados em questão, dificultando o uso no processo decisório mediante tais limitações e incertezas na interpretação.
Após a implantação do Power BI, sendo sua interface evidenciada no Apêndice B, os dados são transformados por mim através do processo de ETL em informações, através do próprio sistema. O software foi incorporado nos dados logísticos da área, sendo que a Figura 8 demostra o modelo de relacionamento junto com as medidas para criação do dashboard desses dados de logística, sendo que a fonte de dados foi a planilha do Excel sobre o assunto.
Figura 7 – Fluxograma de extração das bases do ERP
Figura 8 – Modelo de relacionamento para criação dashboards de logística (Próprio Autor)
Criei o dashboard de acompanhamento logístico, evidenciado no Apêndice C, demostra a análise sobre a quantidade de itens transportados através do modal ferroviário em comparação com o modal rodoviário. Evidencia o acompanhamento do mês atual, a porcentagem total da quantidade de cada mês, quanto representa dessa porcentagem o total de itens, a quantidade enviada para cada almoxarifado (OI) via modal ferroviário e via rodoviário por mês, e os cinco itens mais transportados de cada modal. 
Para verificação de truques externos, o relatório do Excel que continham esses dados também foi utilizado como fonte principal. Através do Power BI, o dashboard de truques, visto no Apêndice D, demonstra a quantidade desses equipamentos enviados para recuperação externamente. O sistema informa sobre a quantidade total enviada, meta e mês de envio; demonstra a quantidade que foi enviada de cada OI; a quantidade por código; a quantidade detalhada e por fim a quantidade detalhada por dia do mês selecionado.
Em relação ao estoque antes da implantação do Power BI, a equipe de manutenção consultava quantidade de itens disponíveis através de uma planilha enquanto que o planejador da logística utilizava outra. Dessa forma, cada parte era um relatório elaborado no Excel, que era obtido de forma separada e depois consolidado em uma única planilha com mais de 130 MB, sendo um trecho mostrado no Apêndice E. 
A planilha consolidada demorava muito para abrir e fazer essa junção dos dados. Outro problema era durante a análise, visto que ao final existiam três planilhas no Excel, sendo muito comum analisar erroneamente as separadas, esquecendo-se de considerar o item como um todo. Diante disso, fiz uma análise e decidi implementar o Power BI, sendo o modelo de relacionamento criado para o painel do dashboard de estoque visto no Apêndice F.
O painel que gerei facilitou a visualização e o trabalho dos colaboradores, é evidenciado no Apêndice G demostra o estoque do item principal, demonstra também os subitens com a quantidade necessária para utilização no item principal e percentual de sucateamento de cada subitem e a sua quantidade por OI no estoque. Também demostra a sua classificação no sistema, se existem itens similares, e por fim, se existem ordens de compras para esses subitens.
Para os dados relacionados à produção, a Figura 9 demostra o modelo de relacionamento criado para o painel do dashboard. Já o painel evidenciado no Apêndice H, demonstra primeiro o indicador dos itens analisados com o total produzido e a meta, também descreve quanto foi produzido a mais ou menos e total em porcentagem. Segue com o descritivo dos códigos que estão selecionados para analise, a produção total somada de todos os itens analisados por dia. Mostra também a produção detalhada por dia de cada item e, por fim, demostra os itens analisados a produção está de acordo com o plano que foi planejado. 
Figura 9 – Modelo de relacionamento para criação dashboards de produção (Próprio Autor)
7.3 Dificuldades encontradas antes da melhoria e ganhos obtidos
Quanto às dificuldades encontradas antes da melhoria, para que fossem feitas qualquer análise, era preciso entrar no sistema interno da empresa e baixar os relatórios através do Enterprise Resource Planning (ERP). Após isso, validavam-se e analisavam-se os dados. Dessa forma, podia haver demoras entre 1 a 2 dias, tempo necessário para a consolidação e extração de todas as informações. Diante disso, perdia-se tempo e produtividade, além da informação já não ser tão atual devido à demora em coletar os dados.
Para Dantas (2013) a tomada de decisões no mundo corporativo é algo muito importante. Além disso, ela necessita ser rápida e precisa. Uma análise de dados correta e bem feita auxilia na tomada de decisões assertiva. Na área pesquisada, somente relatórios já não satisfazem essa demanda, e, com isso os dashboards ganharam cada vez mais espaço, fazendo com que os processos internos sejam mais ágeis. 
Os painéis por mim desenvolvidos no setor do PCM facilitaram a visualização das informações, permitiram a interação de todos os colaboradores e diminuíram o tempo de busca por informações pelos usuários. Também houve benefícios no auxílio das tomadas de decisões, por centralizar várias informações relevantes do processo em um único local. Sendo mais ágeis e eficientes, reduziram a chance de erros interpretativos por parte do funcionário que os analisam.
 Através dos dashboard pode-se mostrar os Key Performance Indicator (KPI), prazos, estoques, entre outros indicadores necessários, além de ajudar na integração das equipes já que a informação é compartilhada claramente pra todos. Eles otimizaram o tempo dos gestores nas tomadas de decisões e aumentaram a produtividade da equipe, através da redução de atividades manuais e complexas, como de atualizar planilhas e relatórios, por exemplo. 
Ao comparar com a literatura, pode-se perceber que os ganhos obtidos na prática são muito compatíveis com os relatados em outros trabalhos. Por exemplo, de acordo com Ribeiro (2015, p. 2):
“São inúmeras as vantagens da implementação do BI, entre elas pode-se destacar o menor tempo necessário para a geração de relatórios através de dados previamente colhidos, pois o sistema traduz os dados armazenados em uma linguagem bem mais fácil de ser compreendida, fazendo com que as equipes possam focar mais na parte de análise crítica dos resultados.”
Já Bastos et al. (2015) dão enfoque ao aumento da rapidez e auxilio na análise de dados. Por fim, Santos (2014, p. 59) afirma que “os sistemas de BI são tecnologias que fornecem significativo valor ao negócio através da melhoria da efetividade na tomada de decisão da gestão (...), com forte viés no nível estratégico”. Dessa forma, as melhorias obtidas na verificação prática condizem com os benefícios elencados por diferentes autores. 
	Após a implantação do projeto o processo de disponibilização das informações está bem mais otimizado. Atualmente sigo os seguintes passos para disponibilizá-las:
1- No início da manhã atualizo as bases;
2- Na sequência verifico a etapa de ETL e atualizo as informações;
3- Caso haja necessidade de alguma modificação ou acréscimo de informação, já reviso e faço as alterações necessárias.
Este processo tende a ficar mais automatizado, à medida que for amadurecendo e com a participação da TI para automatizar a extração das bases do ERP.
8. CONCLUSÃO
Ao elaborar este trabalho de conclusão de curso foi visto como o business intelligence pode ser utilizado no meio empresarial. Através da aplicação prática do Power BI, através dos painéis gerados por mim com indicadores reais, os quais auxiliam gestores nas tomadas de decisão. Os meus objetivos gerais e específicos foram alcançados, visto que foi analisar o uso de Business Intelligence (BI) na gestão de manutenção feita pelo setor de Planejamento e Controle da Manutenção (PCM) dentro de uma empresa ferroviária de transporte logístico.
Os conhecimentos teóricos ajudaram na compreensão do tema e na aplicação prática. Quanto à implantação do sistema para acompanhamento da gestão de manutenção pelo PCM, de forma reduzida, aplicando o conceito de business intelligence, hoje baixo às bases do sistema ERP, faço toda a parte de transformação(ETL) dos dados no Power BI. Depois de atualizar os dados crio um painel com as informações necessárias para que seja feita a análise. 
Por fim, em relação aos benefícios da inserção da gestão com business intelligence na empresa, como a parte de transformação dos dados é feita uma única vez, os painéis já ficam prontos, só preciso atualizar as bases novamente. Não é preciso mais fazer a transformações dos dados novamente, a não ser que seja pedida uma nova informação que não solicitada anteriormente. 
Dessa forma, consegue-se mais produtividade, pois a parte mais demorada já foi feita por mim uma única vez e basta que eu atualize as bases para que o painel também atualize. Também há ganho de tempo e os dados são mais atuais do que no modelo antigo. Por fim, a tomada de decisão é destacada, visto que com as informações fornecidas pelo Power BI, ela é facilitada. Dessa forma, conclui-se que a implantação do sistema foi bastante favorável à área do PCM.
9. TRABALHOS FUTUROS
Uma proposta de continuidade desse trabalho é a automatização junto ao setor TI, conectando diretamente em um Data Warehouse e atualizando as bases automaticamente. Também será proposto a implantação do Power BI em outras planilhas de controle, além da ampliação em outros setores da empresa, verificando se os benefícios foram parecidos com os obtidos no PCM e buscando novas oportunidades de melhorias. 
10. REFERÊNCIAS LITERÁRIAS
BASTOS, F. M. C. et al. Análise da melhoria de um sistema de business intelligence no setor público: Um estudo de caso no SEFAZ-PI. In: Encontro Nacional de Engenharia de Produção, 35, 2015. Anais eletrônicos... ENEGEP, 2015. Disponível em: http://www.abepro.org.br/biblioteca/TN_STP_213_263_27621.pdf. Acesso em: 01 nov. 2020.
BONEL, C. Afinal, o que é Business Intelligence? São Paulo: Clube de Autores, 2015.
BRITO, A. C.; TENORIO, M. B. Habilidades primárias para trabalhar com ciência de dados e big data. Revista Alomorfia, v. 3, n. 1, p. 1–18, dez 2019.
CAMILO, C. O.; SILVA, J. C. Mineração de dados: conceitos, tarefas, métodos e ferramentas. 2009. 29f. Relatório técnico (Mestrado em Ciência da Computação) – Universidade Federal de Goiás. Goiânia, 2009. Disponível em: http://ww2.inf.ufg.br/sites/default/files/uploads/relatorios-tecnicos/RT-INF_001-09.pdf. Acesso em: 03 nov. 2020.
CECI, F. Business Intelligence. Palhoça: UnisulVirtual, 2012.
COSTA, E. R. Banco de dados relacionais. 2011. 64f. Trabalho de Conclusão de Curso (Tecnólogo em Processamento de Dados) – Faculdade de Tecnologia de São Paulo. São Paulo, 2011. Disponível em: http://www.fatecsp.br/dti/tcc/tcc0025.pdf. Acesso em: 13 set. 2020.
DANTAS, E. B. A importância da pesquisa para a tomada de decisões. UBI: 2013. Disponível em: http://www.bocc.ubi.pt/pag/dantas-edmundo-2013-importancia-pesquisa-tomada-decisoes.pdf. Acesso em: 15 out. 2020.
DATA SCIENCE ACADEMY. Microsoft power BI para data science – BI e Big Data. 2018. Disponível em: https://www.passeidireto.com/arquivo/45848088/bi-e-big-data-pdf. Acesso em: 25 out. 2020.
DATA SCIENCE ACADEMY. Microsoft power BI para data science – O que é Business Intelligence? 2017. Disponível em: https://www.passeidireto.com/arquivo/43487189/o-que-e-business-intelligence. Acesso em: 02 nov. 2020.
DATE, C. J. Introdução a sistemas de bancos de dados. 8. ed. Rio de Janeiro: Elsevier, 2003.
ELIAS, D. O que é business intelligence? 2019. Disponível em: https://www.binapratica.com.br/o-que-e-bi#:~:text=S%C3%A3o%20muitas%20as%20defini%C3%A7%C3%B5es%20que,e%20Internet%20sobre%20o%20BI.&text=BI%20%C3%A9%20um%20termo%20criado,e%20otimizar%20decis%C3%B5es%20e%20desempenho%22.. Acesso em: 30 out. 2020.
FAGUNDES, P. B.; MACEDO, D. D. J.; FREUND, G. P. A produção científica sobre qualidade de dados em big data : um estudo na base de dados web of science. RDBCI, v. 16, n. 1, p. 194–210, jan./abr. 2018.
FERREIRA NETO, A. M. Fatores relevantes na adoção e uso de big data na prefeitura do Rio de Janeiro: O caso do P3NS4 – Casa de ideias. 2015. 198f. Dissertação (Mestrado em Administração) – Universidade Federal do Rio de Janeiro. Rio de Janeiro, 2015. Disponível em: https://www.coppead.ufrj.br/wp-content/uploads/2019/04/Antonio_Ferreira_Neto.pdf. Acesso em: 01 nov. 2020.
FONSECA, J. J. S. Metodologia da pesquisa científica. Fortaleza: UEC, 2002.
FREITAS NETO, F. P. Business intelligence aplicada no apoio à tomada de decisões em segurança pública. 2014. 91f. Dissertação (Mestrado em Ciência da Informação) – Universidade Federal Rural do Semi-Árido. Mossoró, 2014. Disponível em: https://ppgcc.ufersa.edu.br/wp-content/uploads/sites/42/2014/09/francisco-paula-de-freitas-neto.pdf. Acesso em: 27 set. 2020.
LAMB, M. A. et al. Modelo de planejamento e controle da manutenção para empresas de saneamento básico. In: Encontro Nacional de Engenharia de Produção, 33, 2013. Anais eletrônicos... ENEGEP, 2013. Disponível em: http://abepro.org.br/biblioteca/enegep2013_TN_STO_177_011_22655.pdf. Acesso em: 30 out. 2020.
LIMA JUNIOR, W. T. Big data, jornalismo computacional e data journalism: estrutura, pensamento e prática profissional na web de dados. Estudos em comunicação, n. 12, p. 207-222, dez. 2012.
LIMA, A. G.; PINTO, G. S. Indústria 4.0. Revista Interface Tecnológica, v. 16, n. 2, p. 299–311, 2019.
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: Intext, 2014.
MARQUESONE, R. F. P. Big data – O novo desafio das empresas e profissionais do mercado. USP: 2017. Disponível em: http://paineira.usp.br/lassu/wp-content/uploads/2017/01/2017.02.07-palestra_rosangela_bigdata.pdf. Acesso em: 14 set. 2020.
MICROSOFT. Power BI. 2020. Disponível em: https://docs.microsoft.com/pt-br/power-bi/fundamentals/power-bi-overview. Acesso em: 11 nov. 2020.
MEIRA, R. Banco de dados. Ilhéus: IFBA, 2013.
OLIVEIRA, F. T.; SIMÕES, W. L. A indústria 4.0 e a produção do contexto dos estudantes da engenharia. In: Simpósio de Engenharia de Produção, 1, 2012. Anais eletrônicos... UFG, 2012. Disponível em: https://files.cercomp.ufg.br/weby/up/1012/o/Fernanda_Tha%C3%ADs_de_Oliveira.pdf. Acesso em: 29 ago. 2020.
PRATES, G. A.; OSPINA, M. T. Tecnologias da informação em pequenas empresas: Fatores de êxito, restrições e benefícios. Revista de Administração Contemporânea, v. 8, n. 2, p. 9–26, abr./jun. 2004.
REGINATO, L.; NASCIMENTO, A. M. Um estudo de caso envolvendo business intelligence como instrumento de apoio à controladoria. Revista Contabilidade & Finanças, v. 18, n. spe, p. 69–83, jun. 2007. 
RIBEIRO, A. Análises estratégicas com auxílio de Business Intelligence. 2015. 39f. Trabalho de Conclusão de Curso (Graduação em Ciência da Informação) – FEMA. Assis, 2015. Disponível em: https://cepein.femanet.com.br/BDigital/arqTccs/1211330130.pdf. Acesso em: 10 nov. 2020.
SACILOTTI, A. C. A importância da tecnologia da informação nas micro e pequenas empresas: Um estudo exploratório na região de Jundiaí. 2011. 116f. Dissertação (Mestre em Administração) – Faculdade Campo Limpo Paulista. Campo Limpo Paulista, 2011. Disponível em: http://www.faccamp.br/new/arq/pdf/mestrado/Documentos/producao_discente/2011/04abril/AdaniCusinSacilotti/dissertaCAo.pdf. Acesso em: 28 ago. 2020.
SADDI, I. M. et al. PCM – Planejamneto e controle de manutenção, estudo de melhoria em uma empresa do ramo agropecuário. In: Encontro Nacional de Engenharia de Produção, 38, 2018. Anais eletrônicos... ENEGEP, 2018. Disponível em: http://www.abepro.org.br/biblioteca/TN_STO_258_483_35899.pdf. Acesso em: 25 out. 2020.
SANTOS, C. P. Estudo dos fatores influenciadores da intenção de uso da informação dos sistemas de business intelligence em empresas brasileiras. 2014. 196f. Tese (Doutor em Ciências) – USP. São Paulo, 2014. Disponível em: https://teses.usp.br/teses/disponiveis/12/12139/tde-21012015-105911/publico/ClaudineidePaulaSantosVC.pdf. Acesso em: 10 out. 2020.
SEMIDÃO, R. A. M. Dados, informação e conhecimento enquanto elementos da compreensãodo universo conceitual da ciência da informação: Contribuições teóricas. 2014. 116f. Dissertação (Mestre em Ciência da Informação) – Unesp. Marília, 2014. Disponível em: https://www.marilia.unesp.br/Home/Pos-Graduacao/CienciadaInformacao/Dissertacoes/semidao_ram_me_mar.pdf. Acesso em: 04 set. 2020.
SILVA, E. M. S. A aplicabilidade da tecnologia big data no processo decisório: Visões em organizações de diferentes níveis de maturidade tecnológica. 2015. 147f. Dissertação (Mestre em Administração) – Universidade Federal de Pernanbuco. Recife, 2015. Disponível em: https://attena.ufpe.br/bitstream/123456789/29400/1/DISSERTA%C3%87%C3%83O%20Edilma%20Maria%20dos%20Santos%20Silva.pdf. Acesso em: 30 ago. 2020.
SERRA, L. G. N. Power bi: Do tratamento de dados a criação de painéis inteligentes. São Paulo: Instituto Alpha, 2019.
UFPEL. BI (Inteligência de negócios) x data science (ciência de dados). 2020. Disponível em: https://wp.ufpel.edu.br/planilhasgoogle/modulo-avancado/aula-5-introducao-a-ciencia-de-dados/bi-inteligencia-de-negocios-x-data-science-ciencia-de-dados/. Acesso em: 09 nov. 2020.
OLIVEIRA, F. T.; SIMÕES, W. L. A indústria 4.0 e a produção do contexto dos estudantes da engenharia. In: Simpósio de Engenharia de Produção, 1, 2012. Anais eletrônicos... UFG, 2012. Disponível em: https://files.cercomp.ufg.br/weby/up/1012/o/Fernanda_Tha%C3%ADs_de_Oliveira.pdf. Acesso em: 29 ago. 2020.
OLIVEIRA, A. M. K. Potencial da logística ferroviária para movimentação de açúcar para exportação no estado de São Paulo: Recomendações de localização para armazéns intermodais concentradores de carga. 2005. 166f. Dissertação (Mestre em Ciências) – Escola Superior de Agricultura Luiz de Queiroz. Piracicaba, 2005. Disponível em: https://www.teses.usp.br/teses/disponiveis/11/11132/tde-05052006-155920/publico/AnaOliveira.pdf. Acesso em: 02 nov. 2020.
VICENTE, A. M.; FREITAS, G. C.; COSTA, J. C. L. Gerenciamento e análise de dados da gestão da cadeia de suprimentos aplicando as ferramentas CIS-ERP e power BI. In: Congress of Industrial Management and Aeronaiutical Technology, 6, 2019. Anais eletrônicos... FATEC, 2019. Disponível em: https://publicacao.cimatech.com.br/index.php/cimatech/article/view/247/69. Acesso em: 30 set. 2020.
11. APÊNDICE
APÊNDICE A – EXEMPLO DE DADOS ANTES DA MELHORIA EXECUTADA
APÊNDICE B – INTERFACE DO POWER BI IMPLANTADO NA EMPRESA
APÊNDICE C – PAINEL DE LOGÍSTICA
7
6
5
4
3
2
1
	ÍTEM
	DESCRIÇÃO
	1
	Acompanhamento do mês atual
	2 
	Porcentagem total da quantidade de cada mês
	3
	Quanto representa dessa porcentagem o total de itens
	4
	Quantidade enviada para cada almoxarifado via modal ferroviário
	5
	Quantidade enviada para cada almoxarifado via modal rodoviário
	6
	Cinco itens mais transportados no modal ferroviário
	7
	Cinco itens mais transportados no modal rodoviário
APÊNDICE D – PAINEL DE TRUQUES
5
4
3
2
1
	ITEM
	DESCRIÇÃO
	1
	Quantidade total enviada, meta e mês de envio
	2
	Quantidade que foi enviada de cada OI
	3
	Quantidade por código
	4
	Quantidade detalhada
	5
	Quantidade detalhada por dia do mês selecionado
APÊNDICE E – ANÁLISE DO ESTOQUE ANTES DA IMPLANTAÇÃO DA MELHORIA
APÊNDICE F – RELACIONAMENTO CRIADO PARA O PAINEL DO DASHBOARD DE ESTOQUE
APÊNDICE G – PAINEL DE ESTOQUE
6
5
4
3	
2
1
	ITEM
	DESCRIÇÃO
	1
	Estoque do item principal
	2
	Subitens com a quantidade necessária para utilização no item principal e outras informações
	3
	Classificação no sistema
	4
	Itens similares - Pai
	5
	Itens similares - Filho
	6
	Ordens de compras para esses subitens
APÊNDICE H – PAINEL DE PRODUÇÃO
1
2
3	
5
4
	ITEM
	DESCRIÇÃO
	1
	Indicador dos itens analisados com o total produzido e a meta
	2
	Descritivo dos códigos que estão selecionados para análise
	3
	Produção total somada de todos os itens analisados por dia
	4
	Produção detalhada por dia de cada item
	5
	Itens analisados a produção está de acordo com o plano que foi planejado. 
12. ASSINATURAS
____________________________________________
Rafael Lopes Marioza
Graduando em Engenharia de Computação
___________________________________________
José André Gomes Júnior
Professor Especialista em Sistemas de Informação / Orientador
Conselheiro Lafaiete, 10 de novembro de 2020.
 
3 
 
1