Baixe o app para aproveitar ainda mais
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.
Compartilhar