Aula 13 - ESI18 pptx

Prévia do material em texto

CURSO DE ENGENHARIA DE PRODUÇÃO 
GESTÃO DE SISTEMAS DE INFORMAÇÃO
Prof. Dr. Júlio S. S. Bernardo
LIVRO
Esta disciplina utilizará como referência principal 
o seguinte livro, que está disponível na Biblioteca 
Virtual Pearson:
LAUDON, K.; LAUDON, J. Sistemas de Informação 
Gerenciais. 9. ed. São Paulo: Pearson, 2010. 
Fonte: Laudon e Laudon (2010)
COMO USAR BANCOS DE DADOS PARA MELHORAR O 
DESEMPENHO E A TOMADA DE DECISÃO NA EMPRESA
Monitorar transações básicas
Pagamento a fornecedores, processamento de pedidos, atendimento a 
clientes e pagamento a funcionários etc.
Obter informações que ajudem a administrar o negócio de maneira 
mais eficiente (auxílio aos gerentes e funcionários na tomada de 
melhores decisões). 
São necessários recursos e ferramentas especiais para analisar vastas 
quantidades de dados e extraí-los de múltiplos sistemas: 
-data warehousing (armazenamento de dados)
- data mining (mineração de dados) 
- ferramentas para acessar bancos de dados internos por meio da Web.
Fonte: Laudon e Laudon (2010)
O QUE É UM DATA WAREHOUSE?
Data warehouse: banco de dados que armazena dados correntes e 
históricos de interesse para os tomadores de decisão de toda a 
empresa. 
Dados originam-se de muitos sistemas operacionais centrais (sistemas 
de vendas, contas de clientes e manufatura), podendo incluir dados 
advindos de transações em sites. 
Data warehouse consolida e padroniza as informações oriundas de 
diferentes bancos de dados operacionais.
Um sistema de data warehouse oferece ferramentas para consulta, 
ferramentas analíticas e recursos para relatórios gráficos. 
Empresas usam portais de intranet para disponibilizar as informações do 
data warehouse a todo o público interno.
Fonte: Laudon e Laudon (2010)
O QUE É UM DATA WAREHOUSE?
Componentes de um data warehouse
Diretório de informações: fornece aos usuários informações sobre os dados disponíveis 
no data warehouse.
Fonte: Laudon e Laudon (2010)
DATA MARTS
Armazéns menores, descentralizados, denominados data 
marts. 
Data mart: subconjunto de um data warehouse, no qual uma 
porção resumida ou altamente focalizada dos dados da 
organização é colocada em um banco separado destinado a 
uma população específica de usuários. 
Ex.: data marts de vendas e marketing para tratar informações 
de clientes. 
Data mart focaliza uma única área de interesse ou linha de 
negócios. Pode ser montado com mais rapidez e a custo mais 
baixo do que um data warehouse .
Fonte: Laudon e Laudon (2010)
INTELIGÊNCIA EMPRESARIAL, ANÁLISE 
MULTIDIMENSIONAL DE DADOS E DATA MINING
As ferramentas que consolidam, analisam e acessam vastas 
quantidades de dados para ajudar os usuários a decidir 
melhores escolhas empresariais são chamadas de 
inteligência empresarial (BI - business intelligence). 
Principais ferramentas para inteligência empresarial
- Softwares para consulta e relatórios de bancos de dados.
- Ferramentas para análise multidimensional de dados 
(processamento analítico on-line - OLAP). 
- Data mining.
Fonte: Laudon e Laudon (2010)
INTELIGÊNCIA EMPRESARIAL, ANÁLISE 
MULTIDIMENSIONAL DE DADOS E DATA MINING
Inteligência empresarial
Fonte: Laudon e Laudon (2010)
PROCESSAMENTO ANALÍTICO ON-LINE (OLAP - 
ON-LINE-ANALYTICAL PROCESSING)
Processamento analítico on-line (OLAP): permite a análise 
multidimensional de dados, de forma que os usuários vejam os mesmos 
dados de diferentes maneiras, pois usa múltiplas dimensões. 
Cada aspecto da informação - produto, preço, custo, região ou período de 
tempo - representa uma dimensão diferente. 
- Um gerente de produto poderia utilizar uma ferramenta de análise 
multidimensional de dados para: 
- saber quantas arruelas foram vendidas na região leste em junho, 
comparar essas informações com as do mês anterior e também de junho do 
ano anterior e ainda confrontá-las com a previsão de vendas. 
OLAP permite que os usuários obtenham respostas on-line sobre questões 
específicas em velocidade razoável, mesmo quando os dados estão 
armazenados em bancos gigantescos.
Fonte: Laudon e Laudon (2010)
DATA MINING
Consultas tradicionais a bancos de dados: "quantas unidades do produto 
número 403 foram expedidas em fevereiro de 2010?". 
OLAP: requisições de informação muito mais complexas. “Compare as 
vendas do produto 403 com o planejado, por trimestre e por região de 
vendas, nos dois últimos anos". 
Para usar o OLAP e a análise de dados orientada por consulta, os usuários 
precisam ter uma boa ideia da informação que estão procurando.
DATA MINING É MAIS ORIENTADO POR DESCOBERTA. 
Fornece percepções dos dados corporativos que não podem ser obtidas 
com o OLAP, descobrindo padrões e relacionamentos ocultos em grandes 
bancos de dados e inferindo regras a partir deles para prever 
comportamentos futuros. 
Tipos de informação obtidos com o data mining 
Associações, sequências, classificações, aglomerações e prognósticos.
Fonte: Laudon e Laudon (2010)
DATA MINING
Associações: ocorrências ligadas a um único evento. 
Ex.: na compra de salgadinhos de milho, compra-se também um 
refrigerante tipo cola em 65% das vezes; mas, quando há uma promoção, o 
refrigerante é comprado em 85% das vezes.
Sequência: eventos estão ligados ao longo do tempo. 
Ex.: quando se compra uma casa, em 65% das vezes se adquire também 
uma nova geladeira no período de 2 semanas; e, em 45% das vezes, um 
fogão também é comprado 1 mês após a compra da residência.
Classificação: modelos que descrevem o grupo ao qual o item pertence 
(por meio do exame dos itens já classificados e pela inferência de um 
conjunto de regras). 
Ex.: Em empresas de cartões de crédito, pode ajudar a descobrir as 
características de clientes que provavelmente virão a abandoná-las e 
oferecer um modelo para ajudar os gerentes a prever quem são, para 
elaborar antecipadamente campanhas especiais para reter esses clientes.
Fonte: Laudon e Laudon (2010)
DATA MINING
Aglomeração (clustering): semelhante à classificação quando ainda não 
foram definidos grupos. Descobrirá diferentes agrupamentos dentro da 
massa de dados. 
Ex.: ao dividir o banco de dados em categorias de clientes com base na 
demografia e em investimentos pessoais.
Prognósticos: partem de uma série de valores existentes para prever quais 
serão os outros valores. 
Ex.: pode descobrir padrões nos dados que ajudam os gerentes a estimar o 
valor futuro de variáveis como números de vendas.
Fonte: Laudon e Laudon (2010)
TEXT MINING (MINERAÇÃO DE TEXTO) E WEB MINING 
(MINERAÇÃO NA WEB)
Dados não estruturados, em sua maioria, na forma de arquivos de texto, 
representam mais de 80% das informações úteis de uma empresa. 
E-mails, memorandos, transcrições de chamadas, respostas para 
pesquisas, casos judiciais, descrições de patentes e relatórios de serviços 
são valiosos na identificação de padrões e tendências. 
Ferramentas para mineração de textos (TEXT MINING) agora estão 
disponíveis para auxiliar as empresas na análise desses dados. 
São capazes de extrair elementos-chave de grandes conjuntos de dados 
não estruturados, descobrir padrões e relacionamentos, e resumir 
informações. 
Ex.: analisar transcrições de ligações às centrais de atendimento ao cliente 
para identificar os problemas relacionados a serviços e reparos.
Fonte: Laudon e Laudon (2010)
TEXT MINING (MINERAÇÃO DE TEXTO) E WEB MINING 
(MINERAÇÃO NA WEB)
Web: fonte rica em informações valiosas, e algumas podem ser 
pesquisadas para encontrar padrões, tendências e observações sobre o 
comportamento do consumidor. 
Mineração na Web (web mining)
Descoberta e análise de padrões e informações úteis na World Wide 
Web
 - compreender o comportamento do consumidor
- avaliar a eficiência de um site em particular
- quantificar o sucesso de uma campanha de marketing.
 Ex.: Google Trends e Google Insight (rastreiam a popularidade de 
diversas palavras e frases usadas nas consultas feitas pelo Google).
Fonte: Laudon e Laudon (2010)
ESTABELECENDO UMA POLÍTICA DEINFORMAÇÃO
Política de informação
-especifica as regras para compartilhar, disseminar, adquirir, 
padronizar, classificar e inventariar a informação. 
- elabora procedimentos e responsabilidades específicas, 
determinando quais usuários compartilham a informação, para onde 
ela pode ser distribuída e quem é responsável por sua atualização e 
manutenção. 
Ex.: apenas membros selecionados do departamento de RH e da 
folha de pagamento teriam o direito de alterar e visualizar 
informações delicadas sobre os funcionários (número da Previdência 
Social ou salário). 
Fonte: Laudon e Laudon (2010)
ASSEGURANDO A QUALIDADE DE DADOS
O que aconteceria se o número de telefone ou o saldo bancário de 
um cliente estivesse incorreto? 
Qual seria o impacto se um produto vendido estivesse com o preço 
errado no banco de dados? 
Informações incorretas, desatualizadas ou inconsistentes com outras 
fontes de informação criam sérios problemas operacionais e 
financeiros para as empresas. 
Levam a:
- decisões incorretas
- recall de produtos
- e até prejuízos financeiros.
Fonte: Laudon e Laudon (2010)
ASSEGURANDO A QUALIDADE DE DADOS
-Mais de 25% dos dados críticos nos bancos de dados das 1000 
maiores empresas do ranking da Fortune estão incorretos ou 
incompletos. Erros em descrições e códigos de produtos, descrições 
de estoque, dados financeiros e informações sobre fornecedores e 
funcionários (Gartner Group).
- De 10 a 25% dos dados de clientes reais e potenciais contêm erros 
críticos (Syrius Decision).
A correção desses erros em suas fontes e a adesão às melhores 
práticas para promoção da qualidade dos dados aumentou a 
produtividade dos processos de vendas e gerou aumento de 66% na 
receita (Lager, 2009; Gage e McCormick, 2005).
Fonte: Laudon e Laudon (2010)
ASSEGURANDO A QUALIDADE DE DADOS
A maioria dos problemas de qualidade de dados (nomes grafados 
incorretamente, números trocados ou códigos faltantes ou incorretos) 
deriva de erros durante a entrada de dados. 
A incidência de tais erros está crescendo à medida que as empresas 
transferem parte de seu negócio para a Web e permitem que clientes 
e fornecedores insiram dados em seus sites.
Data Cleansing (limpeza e padronização): consiste em atividades 
para detectar e corrigir, dentro do banco de dados, informações 
incorretas, incompletas, formatadas inadequadamente ou 
redundantes.
Fonte: Laudon e Laudon (2010)
REFERÊNCIAS
• LAUDON, K.; LAUDON, J. Sistemas de Informação 
Gerenciais. 9. ed. São Paulo: Pearson, 2010.