APOSTILA CIÊNCIA DE DADOS E APLICAÇÕES DE BIG DATA PARA TOMADA DE DECISÕES

Prévia do material em texto

1‘
CIÊNCIA DE DADOS E APLICAÇÕES DE BIG DATA 
PARA TOMADA DE DECISÕES 
 
 
2 
NOSSA HISTÓRIA 
 
A nossa história inicia com a realização do sonho de um grupo de empresários, em 
atender à crescente demanda de alunos para cursos de Graduação e Pós-Graduação. Com 
isso foi criado a nossa instituição, como entidade oferecendo serviços educacionais em nível 
superior. 
A instituição tem por objetivo formar diplomados nas diferentes áreas de 
conhecimento, aptos para a inserção em setores profissionais e para a participação no 
desenvolvimento da sociedade brasileira, e colaborar na sua formação contínua. Além de 
promover a divulgação de conhecimentos culturais, científicos e técnicos que constituem 
patrimônio da humanidade e comunicar o saber através do ensino, de publicação ou outras 
normas de comunicação. 
A nossa missão é oferecer qualidade em conhecimento e cultura de forma confiável e 
eficiente para que o aluno tenha oportunidade de construir uma base profissional e ética. 
Dessa forma, conquistando o espaço de uma das instituições modelo no país na oferta de 
cursos, primando sempre pela inovação tecnológica, excelência no atendimento e valor do 
serviço oferecido. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
3 
SUMÁRIO 
 
1. Análise estatísticas de dados ............................................................................ 4 
1.1 Características das empresas modernas ....................................................................................... 4 
1.2 Aplicações ...................................................................................................................................... 5 
1.3 Melhoria da Qualidade de Processos e Produtos ......................................................................... 5 
1.4 Análise da Capacidade de Processos e Sistemas ........................................................................... 7 
1.5 Assegurando a qualidade dos dados ............................................................................................. 8 
1.5.1 Dados estruturados ................................................................................................................ 8 
1.5.2 Dados não estruturados ....................................................................................................... 10 
1.6 Amostragem ................................................................................................................................ 11 
1.7 Limpeza dos dados ...................................................................................................................... 14 
1.8 Estatística descritiva .................................................................................................................... 15 
1.9 Histograma .................................................................................................................................. 19 
2. Microsoft PowerBI ............................................................................................ 22 
2.1 Benefícios do Business Intelligence............................................................................................. 23 
2.2 Os 3 pilares do Business Intelligence .......................................................................................... 25 
2.2.1 Coleta de dados .................................................................................................................... 25 
2.2.2 Organização e análise ........................................................................................................... 26 
2.2.3 Ação e monitoramento ........................................................................................................ 26 
2.3 As partes do Power BI ........................................................................................................... 27 
Referências Bibliográficas ..................................................................................... 29 
 
 
 
 
 
4 
1. ANÁLISE ESTATÍSTICAS DE DADOS 
 
A era digital é uma realidade para qualquer empresa de alto nível e que sabe 
como pode gerar mais oportunidades e desenvolver sua gestão, independentemente 
de seu porte. Em meio às práticas que marcam esse contexto, a análise de dados é 
uma das principais e mais importantes, não só para monitorar um negócio, mas para 
basear a tomada de decisões de forma estratégica. 
Mais do que simplesmente captar as informações e fazer uma leitura, a 
análise ajuda a entender o desempenho da empresa de maneira profunda, seja 
internamente, seja diante do mercado. Além disso, esses dados podem facilitar o 
relacionamento com o público, gerando mais oportunidades. Para aproveitar isso tudo, 
no entanto, é fundamental realizar análises eficazes e adequadas. 
1.1 Características das empresas modernas 
A estatística é um conjunto de técnicas empregadas para organizar e analisar 
dados de qualquer área do conhecimento. Tais técnicas têm especial relevância no 
contexto das empresas modernas. 
São características de uma empresa moderna: 
• Diversificação de produtos e mercados; 
• Investimento em inovação; 
• Investimento em talentos; 
• Integração ao mundo digital; 
• Disciplina de gestão (competitividade, lucratividade, sustentabilidade); 
• Tecnologias modernas; 
• Grande volume de dados 
 
O papel da análise estatística de dados na empresa moderna se resume a 
transformar o grande volume de dados disponíveis em informação útil, que dê suporte 
às decisões de negócio. Em geral, esta aplicação da estatística se dá nos seguintes 
campos: 
• Melhoria da qualidade de processos e produtos; 
 
 
5 
• Análise da capacidade de processos e sistemas; 
• Análise de indicadores corporativos; 
• Análise da probabilidade de eventos de interesse 
 
1.2 Aplicações 
As principais áreas em que se divide a estatística são: 
Estatística Descritiva: empregada com o objetivo de organizar dados e 
descrever cenários estatísticos. Utiliza-se de métodos como tabelas, gráficos e 
medidas, para tentar entender quais são as estruturas fundamentais dos dados que 
se quer analisar. 
Estatística Inferencial e Probabilística: empregada com o objetivo de se 
inferir sobre condições e possibilidades futuras. Faz-se uma modelagem a partir dos 
dados e então utiliza-se este modelo para inferir cenários futuros ou potenciais. 
 Para análise de Indicadores Corporativos geralmente emprega-se a estatística 
descritiva, que é aquela utilizada para descrever e resumir os dados. 
A disponibilidade de uma grande quantidade de dados, e de métodos 
computacionais muito eficientes, empoderou esta área da estatística. Algumas 
medidas resumo para variáveis quantitativas são: 
• Média e Mediana 
• Percentis e Quartis 
• Amplitude 
• Variância e Desvio Padrão 
• Coeficiente de Variação 
 
1.3 Melhoria da Qualidade de Processos e Produtos 
 
O Controle Estatístico de Processos (CEP) é uma ferramenta da qualidade 
utilizada nos processos produtivos, e de serviços, com objetivo de fornecer 
informações para a prevenção e detecção de defeitos/problemas e, 
 
 
6 
consequentemente, auxiliar no aumento da produtividade/resultados da empresa, 
evitando desperdícios de insumos, produtos, recursos humanos etc. O CEP pode ser 
aplicado a qualquer processo. Suas sete principais ferramentas são: 
• Histogramas ou ramo-e-folhas 
• Gráfico de controle de Shewhart 
• Gráfico de Pareto 
• Diagrama de causa-e-efeito 
• Diagrama de concentração de defeito 
• Diagrama de dispersão 
• Folha de controle 
 
Embora essas ferramentas sejam uma parte importante do CEP, elas englobam 
apenas seus aspectos técnicos. O CEP constrói um ambiente no qual todos os 
indivíduos em uma organização desejam a melhora continuada na qualidade e na 
produtividade. Mais adiante serão abordadas em detalhes, as principais ferramentas 
do CEP. Neste momento vamos conhecer algumasde suas aplicações reais. 
 
Figura 1.3 – Exemplo de Carta de Controle 
 
 
 
 
7 
1.4 Análise da Capacidade de Processos e Sistemas 
 
A análise de capacidade de um processo é feita ao se confrontar a sua 
variabilidade com os limites de especificação do seu produto. Em outras palavras, 
quanto maior a variabilidade de um processo, maior será a dificuldade em atender às 
especificações do produto e, portanto, menos capaz ele será. O mesmo vale para o 
contrário. 
Numericamente a capacidade de um processo pode ser avaliada por médio de 
histogramas e probabilidade normal, por meio dos Índices de Capacidade de 
Processos. 
Os índices de capacidade são medidas adimensionais que quantificam a 
capacidade de um processo estável. Os principais índices são: 
 
 
Figura 1.4 – Índices de capacidade 
 
Onde LSE e LIE são os limites de especificação superior e inferior, 
respectivamente, μ e σ é média e desvio padrão do processo e T o valor alvo. 
Tipicamente descrevemos Cp como a capacidade que o processo poderia 
atingir, se estivesse perfeitamente centralizado nos limites de especificação. Já o 
índice Cpk é descrito como a capacidade que o processo poderia atingir, quando a 
sua média não é centralizada dentro dos limites de especificação. 
 
 
8 
Quanto maior a capacidade do processo melhor, mais margem para deslocá-lo 
ao ponto ótimo, sem ferir limites de especificação. 
 
1.5 Assegurando a qualidade dos dados 
 
Existem basicamente três tipos de dados: 
Dados estruturados: Geralmente relacionados a um banco de dados e que 
possuem estrutura definida. 
Dados semiestruturados: Não são estritamente tipados, não são 
completamente não-estruturados. Um exemplo são os dados XML. 
Dados não-estruturados: Não possuem estrutura definida, podendo assumir 
padrões distintos. Normalmente caracterizados por documentos textos, imagens, 
vídeos etc. 
 
1.5.1 Dados estruturados 
 
Geralmente relacionados a um banco de dados e que possuem estrutura 
definida. 
 
Figura 1.5 – Exemplo de Dados Estruturados 
 
 
9 
 
 Podem ser representados por: 
Variáveis quantitativas: características quantitativas, ou seja, valores 
numéricos. Podem ser contínuas ou discretas. 
Variáveis qualitativas: características qualitativas definidas por várias 
categorias, classificações dos indivíduos. Podem ser nominais ou ordinais. 
Variáveis quantitativas: 
• Variáveis Discretas: características que podem assumir apenas um 
número finito, ou infinito, contável de valores. Exemplos: vendas, número 
de falhas, número de indivíduos, frota etc. 
• Variáveis Contínuas: características mensuráveis que assumem valores 
em uma escala contínua, na reta real. Exemplos: preço, tempo, pressão 
arterial, concentração química etc. 
Variáveis qualitativas: 
• Variáveis Nominais: não existe ordenação entre categorias. Exemplos: 
sexo, cor dos olhos, fumante/não fumante, doente/sadio. 
• Variáveis Ordinais: existe ordenação entre categorias. Exemplos: 
escolaridade (1º, 2º , 3º graus), estágio da doença (inicial, intermediário, 
terminal), mês de observação (janeiro, fevereiro,...,dezembro). 
 
Figura 1.5.1 – Organização dos Dados Estruturados 
 
 
10 
1.5.2 Dados não estruturados 
 
Os dados não estruturados não possuem uma estrutura definida. Normalmente 
caracterizados por documentos textos, imagens, vídeos, etc. Grande volume dos 
dados atuais na Web, e nas empresas, segue este formato. 
 
Figura 1.5.2 –Dados não Estruturados 
 
A Análise Estatística se aplica com mais facilidade a dados estruturados. Para 
dados não estruturados, o caminho é modelá-los em estruturas e em seguida aplicara 
análise estatística, ou lançar mão das diferentes soluções de software, projetadas 
para analisar dados não-estruturados e extrair informações relevantes. 
 
Figura 1.5.2.1 – Análise estatísticas para dados não-estruturados 
 
 
 
11 
1.6 Amostragem 
O Amostra é um subconjunto de indivíduos extraídos de uma população de 
dados. Sobre uma amostra é que se desenvolvem as análises estatísticas. 
O pesquisador busca generalizar conclusões referentes à amostra, 
estendendo-as a toda população da qual essa amostra foi extraída. Isso implica na 
aceitação de uma margem de erro, que é denominada por erro amostral. A seguir 
estão listadas algumas boas práticas ao se recolher amostras de uma população de 
dados, para um processo de análise estatística, minimizando o erro amostral. 
Exemplos de fatores que comprometem a confiabilidade dos dados: 
 Medidores defeituosos ou descalibrados 
 Pesquisas tendenciosas 
 Bases de dados corrompidas 
 Dados de entrada manual 
 Etc 
 
 Figura 1.6 – Boas práticas ao se recolher amostras 
 
Se o dado que é objeto do estudo for um sinal ou uma variável contínua, aplica-se 
o Teorema da Amostragem, o qual estabelece que a frequência de amostragem deve 
ser duas vezes superior a maior frequência presente naquele sinal. 
Caso contrário, se o dado for uma variável discreta ou qualitativa, sugere-se uma 
amostragem probabilística simples, assim as amostras são escolhidas por sorteio, ou 
sistematicamente em um intervalo de n/N, onde n é o tamanho da amostra e N é o 
tamanho da população. 
 
 
12 
 
Figura 1.6.1 – Amostragem de sinal contínuo 
 
Não se deve trabalhar com amostras excessivamente grandes, pelo risco de 
desperdício de tempo, ou excessivamente pequenas, pelo risco de resultados não 
confiáveis. A fórmula para cálculo do tamanho da amostra para uma estimativa 
confiável é dada por: 
 
Figura 1.6.2 – Fórmula para cálculo do tamanho da amostra 
 
Alguns valores de confiança e os valores de Z correspondentes podem ser 
encontrados na tabela de grau de confiança. 
 
 
13 
 
Figura 1.6.3 – Tabela de Grau de Confiança 
 
Exemplo: Um economista deseja estimar a renda média para o primeiro ano de 
trabalho de um bacharel em direito. Quantos valores de renda devem ser tomados, se 
o economista deseja ter 95% de confiança, em que a média amostral esteja a menos 
de R$ 500,00 da verdadeira média populacional? Suponha que saibamos, por um 
estudo prévio, que para tais rendas, σ = R$6250,00. 
Queremos determinar o tamanho n da amostra, dado que α = 0,05 (95% de 
confiança). Desejamos que a média amostral seja a menos de R$ 500 da média 
populacional, de forma que E = 500. Supondo σ = 6250, aplicamos a Equação 1, 
obtendo: 
 
Figura 1.6.4 – Cálculo do exemplo 
 
Portanto devemos obter uma amostra mínima de 601 rendas de primeiro ano 
de bacharéis em direito, selecionadas aleatoriamente. 
Com tal amostra teremos 95% de confiança em que a média amostral x difira 
em menos de R$500,00 da verdadeira média populacional µ. 
 
 
 
14 
1.7 Limpeza dos dados 
 
O que uma boa limpeza de dados consegue tratar: 
 Erros de digitação 
 Outliers, valores inválidos, valores extremos 
 Dados que não são internamente consistentes 
 Ausência ou excesso de dados 
 Padrões estranhos em distribuições 
 
Muito pode ser feito de forma automática. 
Teste de intervalo – Procedimento simples para testar valores numéricos, 
checando se valores estão acima ou abaixo dos limites estabelecidos para uma 
variável. 
 
Figura 1.7 – Teste de Intervalo 
 
 Verificação Ortográfica - Verificação ortográfica é uma outra forma de 
detectar dados problemáticos, como: “Cienca da Computaçao”, “Ciensia da 
Computasao”, etc. 
Recomenda-se que cada variável (coluna) seja testada isoladamente. Um valor 
considerado incorreto para uma variável pode ser correto para outra. 
 
 
15 
 
Figura 1.7.1 – Verificação ortográfica 
 
 Algumas definições: 
População - conjunto de todos os elementos ou resultados sob investigação. Este 
conceito contrapõe-se ao de amostra, que é uma parte (subconjunto) da população. 
Amostra - parcela conveniente selecionada do universo (população), é um 
subconjunto do universo. 
Estatística - ciência que se utiliza das teoriasprobabilísticas, para explicar a 
frequência da ocorrência de eventos, tanto em estudos observacionais, quanto em 
experimentos para modelar a aleatoriedade e a incerteza, de forma a estimar ou 
possibilitar a previsão de fenômenos futuros, conforme o caso. 
Parâmetro - em Estatística é uma característica da população. 
 
1.8 Estatística descritiva 
A estatística descritiva é um ramo da estatística que aplica várias técnicas para 
descrever e sumarizar um conjunto de dados. Diferencia-se da estatística inferencial, 
ou estatística indutiva, pelo objetivo: organizar, sumarizar dados, ao invés de usar os 
dados em aprendizado sobre a população. Esse princípio faz independente a 
estatística descritiva. 
 
 
16 
Algumas medidas que são normalmente usadas para descrever um conjunto 
dedados são medidas de tendência central e medidas de variabilidade ou dispersão. 
Medidas de tendência central incluem média, mediana e moda. Medidas de 
variabilidade incluem desvio padrão, variância, o valor máximo e mínimo, obliquidade 
e curtose. 
A estatística descritiva pode ser resumida no diagrama a seguir: 
 
Figura 1.8 – Teste de intervalo 
 
 Algumas representações gráficas empregadas pela estatística descritiva são: 
 Tabelas 
 Gráficos de tendências 
 Gráficos de pizzas 
 Gráficos de barras 
 Histogramas 
 Diagramas de caixa 
Uma tabela é uma representação matricial, isto é, em linhas e colunas, tantas 
quantas a aplicação que se queira dar. 
 
Figura 1.8.1 – Exemplo de tabela 
 
 
17 
 Gráficos de tendências, são gráficos utilizados quando se quer analisar a 
evolução de uma certa variável, ou indicador, em função do tempo. 
 Para se construir um gráfico de tendência basta criar pares ordenados, onde 
os elementos do X representam os valores de tempo e os elementos de Y representam 
os valores do indicador. Em seguida, plotar os pares ordenados no plano cartesiano, 
ligando os pontos quando necessário. 
 Exemplos: 
 
Figura 1.8.2 – Exemplo 1 de Gráficos de Tendências 
 
 
Figura 1.8.3 – Exemplo 2 de Gráficos de Tendências 
 
 
18 
 Diagramas circulares, em que os valores de cada categoria estatística 
representada são proporcionais às respectivas medidas dos ângulos (1% no gráfico 
de setor equivale a 3,6º). 
São especialmente utilizados quando se pretende apresentar a contribuição 
década parte em um todo. 
Para se construir um Gráfico de Pizza, deve-se selecionar as grandezas que 
representarão cada um dos setores. Em seguida, um valor percentual deve ser 
atribuído a cada uma das grandezas, de forma que a soma de todas elas seja 100%. 
Finalmente, o gráfico de pizza é construído, tendo em cada setor uma grandeza, como 
tamanho proporcional ao seu percentual de contribuição. 
 
Figura 1.8.4 – Exemplo 1 de Gráficos de Setores 
 
 
 
19 
 
Figura 1.8.5 – Exemplo 2 de Gráficos de Setores 
 
1.9 Histograma 
 
Considerado uma das 7 Ferramentas da Qualidade, o Histograma ou Gráfico 
de distribuição de frequências é uma representação gráfica para distribuição de dados 
numéricos, ou seja, um modelo estatístico para a organização dos dados, exibindo a 
frequência que uma determinada amostra de dados ocorre. Estamos sempre lidando 
com variáveis quantitativas como: peso, largura, comprimento, temperatura, volume, 
tempo, entre outras grandezas. Após coletarmos esses dados em um determinado 
intervalo de tempo, podemos fazer uma análise gráfica do comportamento dessa 
variável, que pode ser de números absolutos ou não. Se falarmos, por exemplo, de 
uma pesquisa de satisfação onde os clientes avaliam o seu produto de 1 a 5, o 
Histograma te ajudará a visualizar graficamente quantas vezes cada nota foi dada. 
O histograma é uma variação do gráfico de barras. Enquanto o gráfico de barras 
descreve os dados em barras e categorias separadas, o histograma representa os 
dados da mesma categoria no intervalo analisado, por isso, sem espaço entre as 
barras. 
Quando os dados são dispostos no histograma, o gráfico pode apresentar 
vários formatos: 
 
 
 
20 
Histograma simétrico ou normal: acontece quando o processo 
é padronizado e os dados são estáveis, permitindo variações pequenas. O pico dos 
dados fica ao centro do gráfico, e suas variações vão decrescendo de maneira 
simétrica dos dois lados. 
 Histograma assimétrico: acontece geralmente quando os dados 
são tolerados até um número limite, não podendo ultrapassar este limite. Seu pico é 
concentrado em um dos lados, e os dados fora de padrão decrescem para o lado 
oposto. 
 Histograma com dois picos: acontece quando são apresentadas 
duas coletas de dados diferentes para comparação. A análise deve ser feita 
separadamente, observando ao desenho dos dois gráficos. 
Histograma “platô”: acontece geralmente quando há 
anormalidade nos dados decorrentes de falhas. As barras têm praticamente os 
mesmos tamanhos. 
 
 
21 
Histograma aleatório: acontece quando os dados analisados 
não apresentam nenhum padrão. As barras sobem e descem sem critério 
 
O histograma é usado para analisar a frequência de vezes que as saídas de um 
processo estão padronizadas, atendendo aos requisitos estabelecidos e qual a 
variação que elas sofrem. 
Com os dados dispostos graficamente, o Histograma permite a visualização de 
resultados históricos e a análise de evidências para a tomada de decisão da variação 
de frequências de maneira visual facilmente. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
22 
2. MICROSOFT POWERBI 
 
O conceito de inteligência de negócios surgiu na década de 1990, e se refere 
aos processos de organização, coleta, análise, monitoramento e compartilhamento 
das informações que são a base da gestão de negócios, tais como informações sobre 
clientes, concorrentes, fornecedores, e potenciais futuros clientes, por exemplo. 
Seu objetivo principal é facilitar a interpretação dos dados, identificar novas 
oportunidades de negócio e ajudar a empresa a montar uma estratégia de longo prazo, 
melhorando, dessa forma, a sua competitividade no mercado. 
É um processo que auxilia a transformação dos dados brutos da empresa em 
informações compreensíveis e significativas para posterior análise do negócio. 
 
 Figura 2.0 – Business Intelligence 
 
 Devido a grande competitividade e à exigência do mercado em 
empresas mais preparadas para disputarem entre si, o BI é uma forma inteligente de 
otimizar falhas e manter o negócio em destaque. 
O BI é uma sigla que significa Inteligência de Negócios (Business 
Intelligence). Assim, muitos chamam de inteligência empresarial por abranger todos 
os setores da empresa, desde o financeiro, operacional, comercial, até o marketing. 
 
 
23 
Basicamente, o BI é um conjunto de teorias, metodologias, processos, 
tecnologias e estruturas que transformam grandes quantidades de dados que, 
sozinhos, não significam muito, em informações essenciais para uma boa gestão. 
Ou seja, é um conjunto de técnicas e de ferramentas que visam oferecer 
suporte à tomada de decisão e ao monitoramento de resultados dos investimentos da 
empresa. Business Intelligence ou, simplesmente, BI, é uma forma de agrupar e 
explorar informações para descobrir vantagens para o seu negócio. Assim, o objetivo 
central dele é auxiliar na interpretação e análise de dados e informações, para 
identificar oportunidades ou riscos. 
Assim como mostrado na imagem abaixo, o BI é a integração do seu negócio, 
do seu gerenciamento e da TI: 
 
 
 Figura 2.0.1 – Business Intelligence 
 
2.1 Benefícios do Business Intelligence 
 
Dessa forma, o BI auxilia a organização a estruturar um planejamento 
estratégico para construir vantagens competitivas sustentáveis que agreguem valor 
ao negócio e às soluções oferecidas aos clientes. 
As vantagens de empregar ferramentas de BI são inúmeras, dando mais 
velocidade à tomada de decisões de mais qualidade, potencializando a eficiência dasoperações e otimizando processos. Portanto, esse suporte à tomada de decisão é 
 
 
24 
oferecido pelo Business Intelligence pela facilidade de visualização de análises e 
relatórios resultantes dos processos. 
Suponhamos que você precise tomar uma decisão muito importante que 
afetará seu orçamento. Assim, com um relatório exibido por uma tela de computador 
ou celular, você consegue saber exatamente o que fazer em muito menos tempo. 
Isso acontece porque você tem acesso ao panorama geral da sua empresa. 
Dessa forma, você pode tomar uma decisão pensada, estratégica e inteligente em 
questão de minutos, poupando tempo e esforços. Assim, você começará a guiar seu 
negócio estrategicamente. 
DADOS + EVIDÊNCIAS = DECISÃO ESTRATÉGICA 
 As ferramentas do business intelligence auxiliam na identificação de 
tendências de consumo e mudanças no comportamento do seu público-alvo. 
Com isso, auxiliam na detecção de oportunidades de negócios, no 
desenvolvimento e lançamento de novos produtos, na ampliação de receitas e na 
conquista de novos clientes e mercados. Consequentemente, também ajuda no 
aumento da lucratividade! 
Por exemplo, com um simples clique e usando as ferramentas certas, podemos 
descobrir: 
 Curvas de consumo; 
 Clientes que mais compraram; 
 Quando compraram; 
 Quais geraram a melhor rentabilidade; 
 Etc. 
 
Agora que já explicamos o que é BI Business Intelligence e algumas das suas 
vantagens, vamos listar 10 dos benefícios mais importantes da inteligência 
empresarial: 
1. Ajuda você a conhecer o seu negócio; 
2. Melhora o processo de tomada de decisão, baseando-a em evidências; 
 
 
25 
3. Facilita o acesso e o compartilhamento de informações que darão 
suporte à gestão; 
4. Permite análise em tempo real com navegação rápida; 
5. Ajuda a identificar perdas no sistema; 
6. Reduz o risco de problemas e obstáculos; 
7. Entrega resultados corretos, no tempo certo, para a pessoa exata; 
8. Identifica oportunidades de vendas cruzadas e de vendas diretas; 
9. Possibilita respostas rápidas a qualquer consulta de negócios; 
10. Obtém informações valiosas sobre o comportamento de seus clientes. 
 
2.2 Os 3 pilares do Business Intelligence 
 
Um dos principais objetivos do BI é fornecer informação confiável a quem 
detém o poder de tomar decisões. Essas informações devem chegar às mãos de 
gestores e líderes, de tempos e tempos para um acompanhamento sistemático ou 
sempre que houver necessidade de uma avaliação pontual. 
Como o suporte do BI, a interpretação e a análise dos dados e informações 
permitirão que a empresa oportunidades ou riscos, mais facilmente. 
Independentemente do tipo do resultado, a essência do conceito está em possibilitar 
que providências sejam tomadas em tempo hábil. 
Para alinhar bem as informações que serão computadas, o Business 
Intelligence recorre a três pilares importantes. São eles: 
 
2.2.1 Coleta de dados 
 
Coletar os dados é o princípio básico da geração de informações. No processo 
de coleta, todos os dados gerados são analisados para identificar e determinar alguns 
fatores, considerando os objetivos e metas da empresa. 
Dentre esses fatores estão a produtividade, as oportunidades, os riscos, os 
gargalos, o posicionamento de mercado. 
 
 
26 
No primeiro momento, todas as informações e dados da empresa são coletados 
e analisados. São determinadas características como produtividade; oportunidades; 
reputação etc. 
 
2.2.2 Organização e análise 
 
Depois que os dados forem coletados e extraídos para um banco específico, 
será o momento da organização para facilitar a interpretação e análise. As 
informações podem ser apresentadas em relatório, gráficos ou planilhas eletrônicas. 
Os dados e informações recolhidos e analisados são organizados em bancos 
de dados. Para facilitar a visualização dos gestores, pode-se apresentá-los 
visualmente, com o auxílio de ferramentas e plataformas. 
2.2.3 Ação e monitoramento 
 
Os dados foram coletados, as informações geradas e apresentadas aos 
responsáveis pela tomada de decisão. A partir desse momento, os resultados devem 
ser monitorados para determinar se ações estão sendo efetivas. 
As aplicações de BI pedem urgência, pois os dados mudam com muita 
frequência e a demora para apurar os resultados pode acarretar informações 
ultrapassadas e indefinidas. Se as informações não estiverem atualizadas há um risco 
de tomar decisões equivocas e sem critérios. 
Os responsáveis tomam decisões baseadas nas informações analisadas e 
monitoram seus resultados. 
 
 
27 
 
 Figura 2.2 – Os pilares do Business Intelligence 
 
2.3 As partes do Power BI 
 
O Power BI pode ser usado de forma simples para pequenos trabalhos no Excel 
ou banco de dados local, ou para grandes e robustos trabalhos a nível empresarial. 
Com ele é possível uma ampla modelagem, análise em tempo real e todo um 
desenvolvimento personalizado à necessidade da organização. 
Sendo assim ele funciona tanto para um relatório pessoal e ferramenta de 
visualização, quanto como mecanismo de tomada de decisão através da análise de 
projetos de grupo, divisões ou empresas inteiras. 
Power BI se apresenta de três formas, em um aplicativo de área de trabalho do 
Microsoft Windows chamado Power BI Desktop, um serviço SaaS online(Software 
como serviço) chamado serviço do Power BI e também para aplicativos móveis do 
Power BI, podendo ser acessados em telefones outabletes com Windows ou em 
dispositivos com os sistemas Apple iOS e GoogleAndroid. 
 
 
28 
Esses três elementos são o grande diferencial do Power BI, com eles é possível 
criar, compartilhar e analisar as informações de negócios da maneira mais 
conveniente ao usuário. Isso aumenta a velocidade no acesso à informação, que é 
um dos principais benefícios de Business Intelligence. 
O trabalho se inicia normalmente com o Power BI Desktop, através da criação 
de um relatório, em seguida o relatório é publicado no serviço do Power BI e, por 
último, compartilhado para que os usuários dos aplicativos do Power BI Mobile 
possam consultar as informações. Existem outras formas de se trabalhar e 
posteriormente serão apresentadas, por enquanto seguiremos esse fluxo para facilitar 
no aprendizado. 
 
Figura 2.3 – Elementos do Power Bi 
 
 
 
 
 
 
 
 
 
 
 
29 
REFERÊNCIAS BIBLIOGRÁFICAS 
 
MONTGOMERY, D.C.Introduction to Statistical Quality Control. 4th edition, JohnWiley 
and Sons, 2001 
TIPOS de Variáveis. Disponível em: <http://leg.ufpr.br/~silvia/CE055/node8.html>. 
Acesso em: 15 jan. 2021. 
DAVILA, V., Estatística Descritiva. Disponível 
em:<http://www.ime.unicamp.br/~hlachos/estdescr1.pdf >. Acesso em: 17 jan. 2021.