Prévia do material em texto
W BA 06 36 _V 2. 0 BI: A INTELIGÊNCIA DE NEGÓCIOS 2 Antonio Carlos Mercer São Paulo Platos Soluções Educacionais S.A 2022 BI: A INTELIGÊNCIA DE NEGÓCIOS 1ª edição 3 2022 Platos Soluções Educacionais S.A Alameda Santos, n° 960 – Cerqueira César CEP: 01418-002— São Paulo — SP Homepage: https://www.platosedu.com.br/ Head de Platos Soluções Educacionais S.A Silvia Rodrigues Cima Bizatto Conselho Acadêmico Alessandra Cristina Fahl Ana Carolina Gulelmo Staut Camila Braga de Oliveira Higa Camila Turchetti Bacan Gabiatti Giani Vendramel de Oliveira Gislaine Denisale Ferreira Henrique Salustiano Silva Mariana Gerardi Mello Nirse Ruscheinsky Breternitz Priscila Pereira Silva Coordenador Henrique Salustiano Silva Revisor Thiago Oliveira da Silva Editorial Beatriz Meloni Montefusco Carolina Yaly Márcia Regina Silva Paola Andressa Machado Leal Dados Internacionais de Catalogação na Publicação (CIP)_____________________________________________________________________________ Mercer, Antonio Carlos BI: a inteligência de negócios / Antonio Carlos Mercer. – São Paulo: Platos Soluções Educacionais S.A., 2022. 32 p. ISBN 978-65-5356-406-0 1. Business intelligence. 2. Inteligência. 3. Negócios. I. Título. CDD 658.47 _____________________________________________________________________________ Evelyn Moraes – CRB: 010289/O M554b © 2022 por Platos Soluções Educacionais S.A. Todos os direitos reservados. Nenhuma parte desta publicação poderá ser reproduzida ou transmitida de qualquer modo ou por qualquer outro meio, eletrônico ou mecânico, incluindo fotocópia, gravação ou qualquer outro tipo de sistema de armazenamento e transmissão de informação, sem prévia autorização, por escrito, da Platos Soluções Educacionais S.A. https://www.platosedu.com.br/ 4 SUMÁRIO Apresentação da disciplina __________________________________ 05 Introdução ao BI e Data Warehouse __________________________ 07 Análise de negócios e visualização de dados _________________ 21 Mineração de dados e Inteligência Artificial _________________ 33 Business Performance Management ___________________________ 48 BI: A INTELIGÊNCIA DE NEGÓCIOS 5 Apresentação da disciplina Business Intelligence (BI) ou inteligência de negócios refere-se a tecnologias, aplicativos e práticas para a coleta, integração, análise e apresentação de informações de negócios. O principal objetivo da inteligência de negócios é fornecer ao gestor apoio no processo de tomada de decisões de negócios. Essa disciplina proporciona uma perspectiva ampla sobre os usos da tecnologia de BI e suas aplicações nas estratégias e objetivos organizacionais. Alguns dos objetivos de aprendizado são: difundir os conceitos e componentes de inteligência de negócios; examinar as tecnologias que compõem o BI (data warehousing, por exemplo); determinar como o BI ajudará uma organização; e detectar a arquitetura de tecnologia que compõe os sistemas de BI. Essa disciplina oferece uma introdução aos pensamentos e noções de inteligência de negócios como componentes e funcionalidades de sistemas de informação. Ela explora como os problemas de negócios podem ser resolvidos de forma eficaz usando dados operacionais para criar data warehouses e, em seguida, aplicando ferramentas e análises de mineração de dados para obter novos insights sobre as operações organizacionais. Discussão detalhada da análise, design e implementação de sistemas para BI, incluindo: as diferenças entre os tipos de relatórios e análises; armazenamento de dados corporativos; sistemas de gerenciamento de dados; sistemas de suporte à decisão; sistemas de gerenciamento de conhecimento; Big Data; e mineração de dados/texto. Os estudos de caso são usados para explorar o uso de software de aplicação, ferramentas da web, sucesso e limitações do BI, bem como questões técnicas e sociais. 6 Em resumo, a inteligência de negócios torna possível a combinação de dados de fontes variadas, analisar múltiplas informações em um formato facilitado e, posteriormente, propagar as informações para as partes interessadas relevantes. Com isso, é possível que as empresas analisem um panorama geral e tomem decisões de negócios mais eficientes. Todavia, deve-se lembrar que sempre há riscos inerentes à tomada de decisão no contexto empresarial, mas esses riscos não são tão relevantes ou preocupantes ao implementar uma solução de inteligência de negócios eficaz. As organizações podem avançar em um clima cada vez mais orientado por dados com confiança, pois estão preparadas para qualquer desafio futuro que surja. 7 Introdução ao BI e Data Warehouse Autoria: Antonio Carlos Mercer Leitura crítica: Thiago Oliveira da Silva Objetivos • Compreender como a inteligência de negócios apoia a tomada de decisão. • Conhecer as etapas de construção de Data Warehouses. • Perceber o potencial de integração das ferramentas apresentadas. 8 1. Introdução ao BI O ato de negociar é fazer algo produtivo para atender às necessidades de alguém e, assim, ganhar a vida e tornar o mundo um lugar melhor. As atividades comerciais são registradas em papel ou por meio eletrônico e, em seguida, esses registros tornam-se dados. Há inúmeros dados das respostas dos clientes e do setor como um todo. Todos esses dados podem ser analisados e minerados usando ferramentas e técnicas especiais para gerar padrões e inteligência, que refletem como a organização está funcionando. Essas ideias podem, então, ser realimentadas no negócio para que ele possa evoluir para se tornar mais eficaz e eficiente no atendimento às necessidades do cliente. Qualquer organização empresarial precisa monitorar continuamente seu ambiente de negócios e seu próprio desempenho para, em seguida, ajustar rapidamente seus planos futuros. Isso inclui monitorar a indústria, os concorrentes, os fornecedores e os clientes. A organização também precisa desenvolver ferramentas de controle (como o balanced scorecard) para acompanhar sua própria saúde e vitalidade. Os executivos geralmente determinam o que desejam acompanhar com base em seus principais índices de desempenho ou principais áreas de resultados. Relatórios personalizados precisam ser projetados para fornecer as informações necessárias a cada executivo. Esses relatórios podem ser convertidos em painéis personalizados que fornecem as informações rapidamente e em formatos fáceis de entender. 9 Figura 1 – Painel de dados Fonte: Shutterstock.com. 2. Inteligência de negócios A inteligência de negócios é um amplo conjunto de soluções de Tecnologia da Informação que inclui ferramentas para coletar, analisar e relatar informações aos usuários sobre o desempenho da organização e seu ambiente. Essas soluções de TI estão entre as soluções mais priorizadas para investimento. Considere uma cadeia de negócios de varejo que vende muitos tipos de bens e serviços em todo o mundo, on-line e em lojas físicas, que gera dados sobre vendas, compras e despesas de vários locais e prazos. A análise desses dados pode ajudar a identificar itens de venda rápida, itens de venda regional, itens sazonais, segmentos de clientes em rápido crescimento e assim por diante. Também pode ajudar a gerar ideias sobre quais produtos são vendidos juntos, quais pessoas tendem a comprar quais produtos e assim por diante. Essas informações e a inteligência podem ajudar a projetar melhores planos de promoção, pacotes de produtos e layouts de loja, o que, por sua vez, leva a um negócio com melhor desempenho. 10 Em outras palavras, o BI (business intelligence) é um termo abrangente que inclui uma variedade de aplicativos de Tecnologia da Informação que são usados para analisar os dados de uma organização e comunicar as informações aos usuários relevantes (TURBAN et al., 2009). Seus principais componentes são armazenamento de dados, mineração de dados, consultas e relatórios. As organizações devem coletar dados, vasculhá-los, analisá-lose extraí- los, encontrar informações relevantes e, em seguida, incorporá-los em seus procedimentos operacionais. Há um atual senso de importância e urgência em torno dos dados, pois eles estão sendo vistos como um novo recurso natural. Ele pode ser extraído para valor, insights e vantagem competitiva. Em um mundo hiper conectado, onde tudo está potencialmente conectado a todo o resto, com correlações potencialmente infinitas, os dados representam os impulsos da natureza na forma de certos eventos e atributos. Uma pessoa de negócios habilidosa é motivada a usar esse cache de dados para aproveitar a natureza e encontrar novos nichos de oportunidades não atendidas que podem se tornar empreendimentos lucrativos. 2.1 Tomada de decisões O futuro é inerentemente incerto. O risco é o resultado de um cenário probabilístico em que não há certezas e complexidades abundam. O objetivo, portanto, é tomar decisões eficazes, reduzindo o risco. As empresas calculam riscos e tomam decisões com base em um amplo conjunto de fatos e dados. O conhecimento confiável sobre o futuro pode ajudar os gestores a tomar as decisões certas com níveis mais baixos de incerteza. A velocidade da tomada de decisão aumentou exponencialmente nos últimos anos. Em um mundo competitivo, a velocidade de uma decisão e a consequente ação podem constituir uma vantagem fundamental 11 para as organizações. A internet e as tecnologias móveis permitem que decisões sejam tomadas a qualquer hora, em qualquer lugar. Ignorar mudanças rápidas pode ameaçar o futuro da organização. Existem dois tipos principais de decisões: decisões estratégicas e decisões operacionais (SHIBATA et al., 2017). A inteligência de negócios pode ajudar a melhorar ambos. Decisões estratégicas são aquelas que impactam a direção da empresa. A decisão de alcançar um novo conjunto de clientes seria uma decisão estratégica. As decisões operacionais são decisões mais rotineiras e táticas, focadas no desenvolvimento de maior eficiência. Atualizar um site antigo com novos recursos será uma decisão operacional. Na tomada de decisão estratégica, o objetivo em si pode ou não ser claro, e ele vale para o caminho para atingir o objetivo. As consequências da decisão seriam aparentes algum tempo depois. Assim, há uma busca constante por novas possibilidades e novos caminhos para atingir os objetivos (SHIBATA et al., 2017). A inteligência de negócios pode ajudar na análise hipotética de muitos cenários possíveis. Além disso, o BI também pode ajudar a criar ideias com base em novos padrões encontrados na mineração de dados. As decisões operacionais podem se tornar mais eficientes usando uma análise de dados anteriores (SHIBATA et al., 2017). Um sistema de classificação pode ser criado e modelado usando os dados de instâncias passadas para desenvolver um bom modelo do domínio. Este modelo pode ajudar a melhorar as decisões operacionais no futuro. O BI pode ajudar a automatizar a tomada de decisões no nível das operações e melhorar a eficiência ao tomar milhões de decisões operacionais no nível micro de uma maneira orientada por modelos. Por exemplo, um banco pode querer tomar decisões sobre empréstimos financeiros de uma forma mais científica usando modelos baseados em dados. Um modelo baseado em árvore de decisão pode fornecer decisões de empréstimo consistentemente precisas. Desenvolver tais modelos 12 de árvore de decisão é uma das principais aplicações das técnicas de mineração de dados. A inteligência de negócios eficaz tem um componente evolutivo, à medida que os modelos de negócios se desenvolvem. Quando pessoas e organizações agem, novos fatos (dados) são gerados. Os modelos de negócios atuais podem ser testados em relação aos novos dados, e é possível que esses modelos não se mantenham bem. Nesse caso, os modelos de decisão devem ser revisados e novas perspectivas devem ser incorporadas. Um processo interminável de geração de novas ideias em tempo real pode ajudar a tomar melhores decisões e, portanto, ser uma vantagem competitiva significativa. 2.2 Ferramentas de BI A inteligência de negócios inclui uma variedade de ferramentas e técnicas de software para fornecer aos gerentes as informações e insights necessários para administrar o negócio. Informações podem ser fornecidas sobre o estado atual das coisas com a capacidade de detalhamento e ideias sobre padrões emergentes que levam a projeções para o futuro. As ferramentas de BI incluem armazenamento de dados, processamento analítico on-line, análise de mídia social, relatórios, painéis, consultas, mineração de dados, entre outros. As ferramentas de BI podem variar de aplicações muito simples que podem ser destinadas ao usuário final, a ferramentas muito sofisticadas que oferecem um conjunto muito amplo e complexo de funcionalidades. Assim, os gestores podem ser seus próprios especialistas em BI ou podem contar com especialistas em inteligência de negócios para configurar os mecanismos de BI para eles. Grandes organizações investem em soluções sofisticadas de inteligência de negócios que fornecem boas informações íntegras e em tempo real. 13 Uma ferramenta de planilha, como o Microsoft Excel, pode atuar como uma ferramenta de BI fácil, mas eficaz por si só. Os dados podem ser baixados e armazenados na planilha, analisados para produzir informações e apresentados na forma de gráficos e tabelas. Este sistema oferece automação limitada usando macros e outros recursos. Os recursos analíticos incluem funções estatísticas e financeiras básicas. As tabelas dinâmicas ajudam a fazer análises hipotéticas sofisticadas. Módulos complementares podem ser instalados para permitir análises estatísticas moderadamente sofisticadas. Um sistema de painéis, como o Tableau e Power BI, pode oferecer um conjunto sofisticado de ferramentas para coletar, analisar e apresentar dados. Do lado do usuário, os painéis modulares podem ser projetados e redesenhados facilmente com uma interface gráfica do usuário. Os recursos analíticos de dados incluem muitas funções estatísticas. Os painéis são vinculados ao Data Warehouses para garantir que as tabelas e gráficos e outros elementos do painel sejam atualizados em tempo real. Os sistemas de mineração de dados, como o IBM SPSS Modeler, são sistemas de força industrial que fornecem recursos para aplicar uma ampla variedade de modelos analíticos em grandes conjuntos de dados. Sistemas de código aberto, como Weka, são plataformas populares projetadas para ajudar a minerar grandes quantidades de dados para descobrir padrões. 2.3 Habilidades de BI À medida que os dados crescem e excedem nossa capacidade de compreendê-los, as ferramentas precisam evoluir, assim como a imaginação do especialista em inteligência de negócios. Um especialista em BI qualificado e experiente deve estar aberto o suficiente para sair da caixa e ver uma perspectiva mais ampla que inclua mais dimensões e variáveis, a fim de encontrar padrões e informações importantes 14 (TURBAN et al., 2009). O problema precisa ser visto de uma perspectiva mais ampla para considerar muitos outros ângulos que podem não ser imediatamente óbvios. Um grande diferencial de um especialista de BI é a capacidade de observar nos dados padrões de comportamento não tão claros à primeira vista, logo, uma solução criativa pode ser proposta visando resultados interessantes e úteis para os problemas de dados da empresa. Um bom projeto de inteligência de negócios começa com um problema interessante para resolver. Selecionar o problema de dados correto é uma habilidade importante. Por exemplo, a um conjunto de dados selecionados de forma adequada pode diminuir os custos de implementação e manutenção do Data Warehouse empresarial, enquanto uma solução inadequada pode resultar em resultados negativos para a empresa. É preciso muito tempo e energia para reunir, organizar, limpar e preparar os dados para mineração e outras análises. O cientista dedados precisa persistir com a exploração de padrões nos dados. O nível de habilidade deve ser profundo o suficiente para se envolver com os dados e fazer com que eles gerem novas informações úteis. 3. Data Warehouse Um Data Warehouse (DW) é uma coleção organizada de bancos de dados integrados e orientados por assunto, projetados para dar suporte a funções de suporte à decisão. Além disso, o DW é organizado no nível certo de granularidade para fornecer dados limpos em toda a empresa em um formato padronizado para relatórios, consultas e análises (TURBAN et al., 2009). A criação de um Data Warehouse para análise e consultas representa um investimento significativo em tempo e esforço para a organização. O DW precisa ser constantemente atualizado para que seja útil. 15 Figura 2 – Esquema Data Warehouse Fonte: Shutterstock.com. O conceito de Data Warehouse (Figura 2) é um esquema isolado que é o repositório de todos os dados da organização (ou simplesmente dados) em um padrão que pode ser analisado com competência para que dados significativos possam ser organizados para administração e outros profissionais da informação. O DW oferece suporte a relatórios de negócios e atividades de mineração de dados. Ele pode facilitar o acesso distribuído ao conhecimento de negócios atualizado para departamentos e funções, melhorando, assim, a eficiência dos negócios e o atendimento ao cliente. O Data Warehouse pode apresentar uma vantagem competitiva ao facilitar a tomada de decisões e ajudar a reformar os processos de negócios. O DW possibilita uma visão consolidada dos dados corporativos, todos limpos e organizados. Assim, toda a organização pode ter uma visão integrada de si mesma. 16 3.1 Abordagens de desenvolvimento de DW Existem duas abordagens fundamentalmente diferentes para desenvolver DW: de cima para baixo e de baixo para cima. A abordagem de cima para baixo é fazer um DW abrangente, que cubra grande parte das necessidades de relatórios da empresa. A abordagem de baixo para cima é produzir pequenos data marts, para as necessidades de relatórios de diferentes departamentos ou funções, conforme necessário (TURBAN et al., 2009). Os data marts menores eventualmente se alinharão para fornecer recursos abrangentes de EDW. A abordagem de cima para baixo fornece consistência, mas leva tempo e recursos. A abordagem de baixo para cima leva a uma propriedade local saudável e à manutenção dos dados. À medida que os data warehouses corporativos começaram a ser usados, descobriu-se que, em muitas situações, um DW completo era um exagero para os aplicativos. Os data marts evoluíram para resolver esse problema. Um data mart é um tipo especial de Data Warehouse. É focado em um único assunto (ou área funcional), como vendas, finanças ou marketing. Enquanto os DW têm uma profundidade de toda a empresa, as informações nos data marts pertencem a um único departamento. O principal uso de um data mart são os aplicativos de inteligência de negócios. Implementar um data mart pode ser mais barato do que implementar um data warehouse, tornando-o mais prático para as pequenas empresas. 3.2 Arquitetura de DW O Data Warehouse tem quatro elementos-chave. O primeiro elemento são as fontes de dados que fornecem os dados brutos. O segundo elemento é o processo de transformação desses dados para atender às necessidades de decisão. O terceiro elemento são os métodos de carregamento regular e preciso desses dados em EDW ou data marts. 17 O quarto elemento é a parte de acesso e análise de dados, em que dispositivos e aplicativos usam os dados do DW para fornecer insights e outros benefícios aos usuários. Os DW são criados a partir de fontes de dados estruturadas. Dados não estruturados, como dados de texto, precisariam ser estruturados antes de serem inseridos no DW. Além disso, o coração de um DW útil são os processos para preencher o DW com dados de boa qualidade. Isso é chamado de ciclo extrair-transformar-carregar (ETL). Veja a Figura 3 a seguir. Figura 3 – Ciclo Extrair-Transformar-Carregar Fonte: Shutterstock.com. O processo ETL (extract, transform e load) demonstrado na Figura 3 deve ser executado com frequência regular. Os dados de transações diárias podem ser extraídos de sistemas integrados de gestão, transformados e carregados no banco de dados na mesma noite. Assim, o DW está atualizado na manhã seguinte. Se o DW for necessário para acesso a informações quase em tempo real, os processos ETL precisariam ser executados com mais frequência. O trabalho de ETL geralmente é automatizado usando scripts de programação que são escritos, testados e implantados para atualização periódica do DW (PROVOST; FAWCETT, 2018). 18 Em relação ao design do DW, o esquema em estrela é a arquitetura de dados preferida para a maioria dos Data Warehouses. Há uma tabela de fatos central que fornece a maioria das informações de interesse. Existem tabelas de consulta (dimensão) que fornecem valores detalhados para os códigos usados na tabela central (Figura 4). Por exemplo, a tabela central pode usar dígitos para representar um vendedor. A tabela de consulta ajudará a fornecer o nome desse código de vendedor. Observe um exemplo de um esquema em estrela para um data mart para monitorar o desempenho de vendas. Figura 4 – Esquema em estrela Fonte: elaborada pelo autor. Outros esquemas incluem a arquitetura floco de neve. A diferença entre uma estrela e um floco de neve é que, neste último, as tabelas de consulta podem ter suas próprias tabelas de consulta adicionais (PROVOST; FAWCETT, 2018). Existem muitas opções de tecnologia para o desenvolvimento de DW. Isso inclui selecionar o sistema de gerenciamento de banco de dados certo e o conjunto certo de ferramentas de gerenciamento de dados. 19 Finalmente, os dados do DW podem ser acessados para muitas finalidades, por meio de vários dispositivos. Um uso primário do DW é produzir relatórios de gerenciamento e monitoramento de rotina. Por exemplo, um relatório de desempenho de vendas mostraria as vendas por várias dimensões e comparadas com o plano. Um sistema de painéis usará dados do warehouse e apresentará análises aos usuários. Os dados provenientes do DW podem ser utilizados para abastecer painéis de dados customizados para atender as necessidades de análise de cada gestor. O painel pode incluir recursos de detalhamento para analisar os dados de desempenho para análise de causa raiz. Também, os dados do warehouse podem ser usados para consultas ad hoc e quaisquer outros aplicativos que utilizem os dados internos. Os dados do DW são usados para fornecer dados para fins de mineração. Partes dos dados seriam extraídas e combinadas com outros dados relevantes para mineração de dados. 4. Conclusão A natureza dos negócios é crescer. A informação é a alma do negócio. As empresas usam muitas técnicas para entender seu ambiente e prever o futuro para seu próprio benefício e crescimento. As decisões são tomadas a partir de fatos e sentimentos. Decisões baseadas em dados são mais eficazes do que aquelas baseadas apenas em sentimentos. Ações baseadas em dados precisos, informações, conhecimento, experimentação e testes, usando novos insights, podem ter mais probabilidade de sucesso e levar a um crescimento sustentado. Os Data Warehouses são recursos especiais de gerenciamento de dados destinados à criação de relatórios e análises para apoiar a tomada de decisões gerenciais. Eles são projetados para tornar os relatórios e as consultas simples e eficientes. As fontes de dados são sistemas 20 operacionais e fontes de dados externas. O DW precisa ser atualizado com novos dados regularmente para mantê-lo útil. Referências PROVOST, Foster; FAWCETT, Tom. Data Science para Negócios: o que você precisa saber sobre mineração de dados e pensamento analítico de dados. Rio de Janeiro: Alta Books Editora, 2018. SHIBATA, I. H. et al. Tomada de decisão nas organizações: uma visão multidisciplinar.São Paulo: Saraiva Educação, 2017. TURBAN, E. et al. Business intelligence: um enfoque gerencial para a inteligência do negócio. Porto Alegre: Bookman, 2009. 21 Análise de negócios e visualização de dados Autoria: Antonio Carlos Mercer Leitura crítica: Thiago Oliveira da Silva Objetivos • Compreender como o Business Intelligence (BI) e o Business Analytics (BA) se integram em uma única perspectiva. • Conhecer a perspectiva histórica do os conceitos do Business Intelligence & Analytics (BI&A). • Perceber como a visualização de dados apoia a tomada de decisão. 22 1. Introdução ao BI A utilização de métodos de ciência de dados na realidade das empresas está associada ao termo Business Analytics (BA). Assim, contando com os pontos fortes da ciência de dados, o BA permite realizar análises mais avançadas do que as análises específicas de Business Intelligence (BI) e, principalmente, olhar para frente com aprendizado baseado em dados. A capacidade de realizar análises preditivas e prescritivas abre uma vasta gama de novas aplicações de apoio à decisão. Embora os métodos de ciência de dados usados pelo BA já existam desde a década de 1980, o Business Analytics ainda é relativamente novo, principalmente em comparação com o Business Intelligence. Como resultado, a definição de BA ainda é bastante vaga, especialmente porque o leque de possibilidades é muito amplo graças à diversidade de métodos existentes de análise. Surge, então, o termo Business Intelligence & Analytics (BI&A), ou inteligência e análise de negócios, para significar que os dois domínios, BI e BA, se complementam e formam um todo. 2. Inteligência e análise de negócios Do ponto de vista da pesquisa de sistemas de informação, a inteligência e análise de negócios (BI&A) fornece a mais recente base tecnológica para coleta de dados, integração e análise de volumes e tipos de dados sem precedentes para melhorar a qualidade das informações disponíveis na tomada de decisões (TURBAN et al., 2009). Na década de 1960, as organizações começaram a desenvolver sistemas de informação para administrar muitas operações de negócios, como: processamento de pedidos; faturamento; controle de estoque; folha de pagamento; e contas a pagar. A evolução começa com a introdução dos primeiros sistemas de processamento de dados. Os sistemas 23 de informação gerenciais foram desenvolvidos para fornecer dados e informações em sistemas de processamento de transações ao conselho de administração para a tomada de decisões (SHIBATA et al., 2017). O aperfeiçoamento continuou para os sistemas de informação executiva, que são sistemas de suporte de decisão orientados a dados que fornecem relatórios da natureza de uma organização para a administração (TURBAN et al., 2009). A necessidade de dados contínuos de alta qualidade sobre as operações da organização foi criada pelo desenvolvimento de sistemas de informação executiva em larga escala. Na década de 1990, grandes organizações enfrentaram desafios significativos para manter a visão integrada de seus negócios, por isso, foram desenvolvidos os Data Warehouses (DWs). Um DW é um conjunto de bancos de dados criados para fornecer informações aos tomadores de decisão. Os DWs também fornecem dados brutos para suporte à decisão focado no usuário por meio de sistemas de suporte de decisão. As capacidades de processamento de dados aumentaram em cada estágio da evolução, desde DWs até BI&A de última geração. Isso melhorou a base de dados disponível ou os recursos analíticos para oferecer capacidades avançadas de análise de dados (SHARDA; DELEN; TURBAN, 2019). A inteligência de negócios (BI) e a análise de negócios (BA) representam as tecnologias mais recentes de suporte à decisão após os Data Warehouses. Conforme mencionado anteriormente, os estágios atuais na evolução das tecnologias de suporte à decisão são Business Intelligence (BI) e Business Analytics (BA). O BI é considerado um termo abrangente para sistemas de suporte à decisão baseados na integração e análise de dados para melhorar a tomada de decisões de negócios. Consequentemente, o BI&A é parte integrante dos negócios do século XXI devido às crescentes necessidades de análise, interpretação e processamento de dados. Com o tempo, a definição de BI&A se ampliou para incluir tecnologia e processos organizacionais e de negócios. O principal objetivo da inteligência e análise de negócios é melhorar a utilidade e a qualidade das informações disponíveis para a tomada de 24 decisões. As informações acionáveis devem ser entregues corretamente no lugar certo na hora certa. A Figura 1 ilustra essa evolução. Figura 1 – Evolução das Tecnologias de BI&A Fonte: elaborada pelo autor. A inteligência e análise de negócios (BI&A) evoluiu para se tornar um pilar fundamental do suporte a decisões corporativas. A forma como o BI&A é implementado e assimilado é bastante diferente entre as organizações, e é importante abordar as definições a aplicações de BI&A, bem como sua relação com a visualização de dados. 2.1 Definições e aplicações do BI&A A inteligência e análise de negócios tornou-se tópico de pesquisa e prática cada vez mais importante nos últimos anos. Ao invés de ter uma definição geralmente aceita e específica, o BI&A é normalmente utilizado como um termo “guarda-chuva” para descrever um processo, conceitos ou métodos que melhoram a tomada de decisões usando sistemas de suporte baseados em dados. Muitos termos como Business Intelligence, Business Analytics, Big Data, Data Mining e Data Warehousing são frequentemente usados de forma intercambiável na literatura. No entanto, podemos atribuir ao BI&A uma definição prática de ser uma filosofia de gestão e ferramenta que pode auxiliar as empresas no gerenciamento e refinamento de dados e sistemas de informação de negócios para tomar decisões eficazes. A inteligência e análise de negócios pode ser compreendida como a interseção de uma variedade de disciplinas, das quais pesquisa operacional, Inteligência Artificial e estatística são de particular relevância – visto que formam as principais práticas do BI&A (Figura 2). 25 Figura 2 – Disciplinas relacionadas ao BI&A Fonte: elaborada pelo autor. O BI&A é considerado um instrumento de análise, proporcionando tomada de decisão automatizada sobre condições de negócios, vendas, demanda de clientes e preferência de produtos. Ele usa grandes análises de banco de dados, bem como inteligência matemática, estatística e artificial, mineração de dados e Processamento de análise on-line (OLAP). Além disso, as soluções/ produtos de BI&A, possuem funcionalidades modulares que incluem dashboards, localização e visualização de dados de negócios em formato geográfico ou geolocalização, análise what-if, relatórios interativos (TURBAN et al., 2009) – e por fim compartilhar, distribuir informações aos usuários, visualizável em formato normal e facilmente interpretável. Uma revisão sobre BI&A revela uma divisão entre os pontos de vista técnico e gerencial, seguindo dois padrões amplos. A abordagem gerencial vê BI&A como um processo no qual os dados são coletados 26 de dentro e de fora da empresa e integrados para gerar informações relevantes para o processo de tomada de decisão (SHARDA; DELEN; TURBAN, 2019). Sob essa ótica, o papel do BI&A é criar um ambiente informacional no qual dados operacionais coletados de sistemas de processamento transacional e fontes externas possam ser analisados para extrair conhecimento estratégico de negócios para apoiar as decisões não estruturadas da gestão. A abordagem técnica considera BI&A como um conjunto de ferramentas que suportam o processo descrito acima. O foco não está no processo em si, mas nas tecnologias, algoritmos e ferramentas que permitem salvar, recuperar, manipular e analisar dados e informações (SHIBATA et al., 2017). No entanto, de maneira ampla, há duas questões importantes. Primeiro, o núcleo de BI&A é a coleta, análisee distribuição de informações. Em segundo lugar, o objetivo do BI&A é apoiar o processo de tomada de decisão estratégica. Decisões estratégicas são decisões relacionadas à implementação e avaliação da visão, missão, metas e objetivos organizacionais, que devem ter impacto de médio a longo prazo na organização. Ao contrário das decisões operacionais, que são de natureza cotidiana e mais relacionado à execução também descreve a visão gerencial de BI&A como um processo para obter as informações certas para as pessoas certas no momento certo para que possam tomar decisões que, em última análise, melhorem o desempenho da empresa. A visão técnica de BI&A geralmente se concentra nos processos, aplicativos e tecnologias para coletar, armazenar e analisar dados e fornecer acesso a dados que auxiliam a administração a tomar melhores decisões de negócios. Outra observação importante na evolução do BI&A é que os líderes do setor estão atualmente em transição do BI&A operacional do passado para o BI&A analítico do futuro, que se concentra em clientes, recursos e capacidades para influenciar novas decisões todos os dias. Eles implementaram um ou mais formulários 27 de análise avançada para atender a essas necessidades de negócios. Portanto, podemos considerar o BI&A como a transformação consciente e metódica de dados de qualquer fonte de dados em novas formas para fornecer informações orientadas para os negócios e para os resultados. Muitas vezes, abrangerá uma mistura de ferramentas, bancos de dados e fornecedores para fornecer uma infraestrutura que fornecerá a solução inicial e incorporará a capacidade de mudar com os negócios e o mercado atual. 2.2 Infraestrutura de BI&A Para fornecer uma visão abrangente de ponta a ponta dos processos por meio dos quais o valor de negócios é obtido de BI&A, é necessário um modelo para estruturar a análise. Geralmente, a literatura de valor de negócios de TI diferencia entre ativos de TI físicos e humanos. Os ativos físicos se referem à infraestrutura compartilhada em toda a organização e aplicativos de negócios específicos que utilizam a infraestrutura. Em contraste, os ativos humanos incluem as habilidades técnicas e o conhecimento de negócios do pessoal de TI. Adotando a mesma abordagem conceitual de TI, a infraestrutura define os ativos de BI&A como compreendendo a infraestrutura e a equipe de BI&A. A equipe representa o lado humano da base de ativos de BI&A. A literatura sugere várias abordagens na formação de uma equipe de BI&A, desde equipes descentralizadas de usuários que orientam outros usuários no uso dos sistemas de BI&A até centros centralizados e multifuncionais com estruturas organizacionais formais (SHARDA; DELEN; TURBAN, 2019). A infraestrutura de BI&A inclui armazenamento, processamento e entrega de dados. O armazenamento de dados inclui um repositório de dados organizacionais integrados e hardware e software para gerenciar e reter dados. O processamento de dados inclui utilitários automatizados, comumente conhecidos como extrair-transformar- 28 carregar (ETL), para transferir e transformar dados dentro do sistema. A combinação dessas tecnologias e ferramentas fornece um ambiente tecnológico que permite às organizações desenvolver capacidades de BI&A, o que leva a uma melhor tomada de decisão e melhoria do desempenho organizacional. A capacidade de BI&A é alcançada quando a equipe de BI&A interage com a estrutura de BI&A. A forma como uma organização aprende e inova é adotada a partir da estrutura de exploração e explotação. A chave para conseguir isso é ter um processo organizacional adaptativo. A exploração é descrita como flexibilidade, buscas, experimentação, tomada de risco e descoberta. Em contraste, a exploração é descrita como produção, refinamento, execução, eficiência, seleção e implementação. 2.3 Criação de valor com BI&A Os sistemas de BI&A apoiam e melhoram a tomada de decisões, o que pode levar a um melhor desempenho organizacional. A implantação de BI&A é uma viagem complexa e demorada para a maioria das organizações. A implementação inadequada de BI&A pode levar ao fracasso e tornar as organizações ricas em dados e pobres em informações, tornando o BI&A um investimento de TI arriscado que requer colaboração de TI e executivos de negócios. A implementação de BI&A por si só não pode garantir melhores resultados de negócios. O verdadeiro valor comercial dos sistemas de BI&A se esconde em processos de negócios e desempenho aprimorados (SHARDA; DELEN; TURBAN, 2019). Existem duas conceituações de valor empresarial definidas na literatura: valor estratégico e operacional (TURBAN et al., 2009). O valor estratégico é o valor que reflete a criação de uma vantagem competitiva, apoiando os objetivos estratégicos, como identificar oportunidades e ameaças de negócios, melhoria da eficiência, 29 execução de pesquisa e desenvolvimento bem-sucedidos, otimização de processos, melhoria do desempenho financeiro e redução de tempo e custo. O valor operacional do negócio é o valor que reflete melhorias nos processos internos, como melhorar as relações com o cliente, economizar custos e tempo, melhorar a eficácia e a participação de mercado (SHIBATA et al., 2017). 3. Visualização de dados Atualmente, a visualização de dados tornou-se um recurso mais utilizado, pois existem mais ferramentas de visualização disponíveis no mercado que permitem aos usuários de qualquer nível de instrução criarem gráficos e descubram insights de forma mais eficiente e eficaz. A visualização de dados exibe quantidades medidas por meio do uso combinado de gráficos distintos. Portanto, a visualização de dados também pode ser descrita como uma das últimas etapas do processo de BI em que as informações são apresentadas aos usuários finais em uma representação visual usando formatos específicos, como formas e cores que convertem dados brutos em informações significativas que podem ser facilmente compreendidos e analisados. Ao visualizar dados de negócios, existem dois focos principais, que são: 1) visualizar as principais métricas para uma compreensão mais fácil e rápida que facilita o processo de tomada de decisão; e 2) fornecer uma visão visual e interativa formulário para explorar dados. Talvez a visualização de dados mais comum a que todos estamos acostumados seja a previsão do tempo, que apresenta técnicas interativas para cativar a atenção do espectador e apresenta claramente as informações. A Figura 3 mostra como uma visualização do tempo parece apelando para a facilidade para os usuários entenderem seu significado. 30 Figura 3 – Previsão do clima e temperatura Fonte: Shutterstock.com. Os usuários da visualização de dados fazem pouco esforço para identificar insights e internalizar rapidamente o melhor conhecimento da representação visual. A visualização do clima é um exemplo claro de como a visualização de dados funciona em um contexto da vida real e pode ser perfeitamente extrapolada para um cenário de caso de negócios real. 3.1 Benefícios da visualização de dados Conforme discutido anteriormente, a visualização de dados melhora a forma como os dados e a informação é compreendida pelos usuários e 31 auxilia nos processos de tomada de decisão e resolução de problemas. A visualização de dados garante que os valores-chave possam ser desbloqueados a partir de grandes conjuntos de dados. Grandes quantidades de dados em particular podem ser esmagadoras e difíceis de entender. A visualização de dados ajuda nisso, tornando os principais valores dos dados claros e facilmente visíveis, facilitando, assim, a compreensão e a interpretação para todos na empresa. Não obstante, há mais benefícios da visualização de dados. Primeiro, a visualização de dados fornece um panorama geral de dados e informações complexas e padrões de relacionamentos e tendências em um formato mais fácil. Segundo, à medida que a visualização de dados transforma os dados e informaçõesem representações visuais, simplifica o processo cognitivo de compreensão e memorização do conhecimento. Por fim, a visualização de dados contém elementos que atuam como dicas visuais para chamar a atenção para áreas específicas de interesse. 4. Conclusão O BI&A pode ser entendido como um termo de gestão de negócios usado para descrever aplicações e tecnologias que são usadas para coletar, fornecer acesso e analisar dados e informações sobre a organização para ajudar a gestão a tomar melhores decisões de negócios (SHARDA; DELEN; TURBAN, 2019). Em outras palavras, o objetivo do BI&A é fornecer tecnologias de BI&A acionáveis, incluindo tecnologias tradicionais de armazenamento de dados, como relatórios e consultas ad hoc. Por fim, o BI&A gera análises e relatórios sobre as tendências do ambiente de negócios e sobre questões organizacionais internas. As análises podem ser produzidas de forma sistemática e regular, ou podem ser ad hoc, relacionadas a um contexto específico de tomada de decisão. Esse conhecimento é empregado por tomadores de decisão em diferentes níveis organizacionais. 32 A interação entre a inteligência e análise de negócios e o valor comercial gerado fornecem ampla evidência para adoção dessas tecnologias. Contudo, as ferramentas de BI&A só podem gerar valor se usadas. A capacidade das organizações de criar valor por meio do uso de BI&A exploraram a aquisição de inteligência sobre as necessidades dos clientes, levando a novas oportunidades de negócios. Finalmente, a visualização de dados auxilia os usuários a entender rapidamente os dados, apresentando-os em forma visual, por meio de gráficos e dashboards. As tecnologias de visualização de dados ajudam os indivíduos a ver dados complexos e transformar grandes conjuntos de dados em conhecimentos úteis com inúmeras empresas que dependem fortemente dessas ferramentas para suporte à decisão e inteligência de negócios. Em outras palavras, a visualização de dados ajuda os indivíduos a dar sentido ao fluxo cada vez maior de informações com as quais somos bombardeados e fornece um antídoto criativo para a paralisia da análise que pode resultar do ônus de processar um volume tão grande de informações. Referências SHARDA, Ramesh; DELEN, Dursun; TURBAN, Efraim. Business Intelligence e Análise de Dados para Gestão do Negócio. Rio de Janeiro: Bookman, 2019. SHIBATA, I. H. et al. Tomada de decisão nas organizações: Uma visão multidisciplinar. São Paulo: Saraiva Educação, 2017. TURBAN, E. et al. Business intelligence: um enfoque gerencial para a inteligência do negócio. Porto Alegre: Bookman, 2009. 33 Mineração de dados e Inteligência Artificial Autoria: Antonio Carlos Mercer Leitura crítica: Thiago Oliveira da Silva Objetivos • Compreender as abordagens de mineração de dados, usos e seus problemas relacionados a inteligência de negócios. • Conhecer as aplicações de mineração de dados serão discutidas. • Compreender o conceito e utilização da Inteligência Artificial. 34 1. Mineração de dados A mineração de dados refere-se à extração e detalhamento de informações ocultas em grandes Data Warehouses. As técnicas de mineração de dados podem fornecer benefícios da automação em plataformas de software e hardware existentes. As ferramentas de mineração de dados podem responder a questões de negócios que tradicionalmente consumiam muito tempo para serem resolvidas. A mineração de dados é a arte e a ciência de descobrir conhecimento, insights e padrões em dados. É o ato de extrair padrões úteis de uma coleção organizada de dados (PROVOST; FAWCETT, 2018). Os padrões devem ser válidos, novos, potencialmente úteis e compreensíveis. A suposição implícita é que os dados sobre o passado podem revelar padrões de atividade que podem ser projetados no futuro. Além disso, a mineração de dados é um campo multidisciplinar que utiliza técnicas de vários campos do conhecimento (TURBAN et al., 2009). Por exemplo, utiliza o conhecimento de qualidade e organização de dados da área de bancos de dados. Desenha técnicas de modelagem e análise das áreas de estatística e Ciência da Computação (Inteligência Artificial). Também extrai o conhecimento da tomada de decisão do campo da gestão empresarial. 1.1 Coleta e seleção de dados Para aprender com os dados, é preciso coletar efetivamente dados de qualidade, limpá-los e organizá-los e processá-los com eficiência. Além disso, requer as habilidades e tecnologias para consolidação e integração de elementos de dados de várias fontes. A maioria das organizações desenvolve um modelo de dados corporativos (EDM), que é um modelo unificado de alto nível de todos os dados armazenados nos bancos de dados de uma organização (TURBAN et al., 2009). O 35 EDM incluirá os dados gerados de todos os sistemas internos. O EDM fornece o menu básico de dados para criar um Data Warehouse para um determinado propósito de tomada de decisão. Por sua vez, os Data Warehouses ajudam a organizar todos esses dados de maneira útil para que possam ser selecionados e implantados para mineração (TURBAN et al., 2009). O modelo de dados corporativos também pode ajudar a imaginar quais dados externos relevantes devem ser coletados para desenvolver bons relacionamentos preditivos com os dados internos. A coleta e seleção de dados leva tempo e esforço, principalmente quando não são estruturados ou semiestruturados. Os dados não estruturados podem vir de várias formas, como bancos de dados, blogs, imagens, vídeos e até mesmo bate-papos. Existem fluxos de dados de mídia social não estruturados de blogs, bate-papos e tweets. Há também fluxos de dados gerados por máquinas de máquinas conectadas, etiquetas RFID, Internet das Coisas e assim por diante. Os dados devem ser colocados em formas de dados retangulares com colunas e linhas claras antes de enviá-los para mineração de dados. A Figura 1 ilustra as diferenças entre as estruturas de dados. Figura 1 – Estruturas de dados Fonte: Monteiro (2022, [s.p.]). 36 O conhecimento do domínio de negócios ajuda a selecionar os fluxos de dados certos para buscar novos insights. Os dados que se adequam à natureza do problema que está sendo resolvido devem ser coletados. Os elementos de dados devem ser relevantes e abordar adequadamente o problema que está sendo resolvido (PROVOST; FAWCETT, 2018). Eles podem impactar diretamente o problema ou podem ser um substituto adequado para o efeito que está sendo medido. Dados selecionados também serão coletados do Data Warehouse. Indústrias e funções terão seus próprios requisitos e restrições. Por exemplo, o setor de saúde fornecerá um tipo diferente de dados com nomes de dados diferentes. Por sua vez, o departamento de RH fornecerá diferentes tipos de dados. Finalmente, haverá diferentes questões de qualidade e privacidade para esses dados. 1.2 Limpeza e preparação de dados A qualidade dos dados é fundamental para o sucesso e o valor do projeto de mineração de dados. A qualidade dos dados recebidos varia de acordo com a fonte e a natureza dos dados. Os dados das operações internas provavelmente serão de maior qualidade, pois serão precisos e consistentes. Os dados das mídias sociais e outras fontes públicas estão menos sob o controle dos negócios e têm menos probabilidade de serem confiáveis. Os dados quase certamente precisam ser limpos e transformados antes que possam ser usados para mineração de dados. Há diversas maneiras de limpar e preparar os dados — preenchendo valores ausentes, limitando os efeitos de valores discrepantes, alterando campos, organizando variáveis contínuas e muito mais — antes de estarem prontos para análise. A limpeza e preparação de dados é uma atividade trabalhosa que pode levar a maior parte do tempo de um projeto de mineração de dados (PROVOST; FAWCETT, 2018). Vejamos quais são as principais etapas da limpeza e preparação de dados. 37 1. Os dados duplicados precisam ser removidos. Fontes distintas podem fornecer osmesmos dados. Ao mesclar os conjuntos de dados, os dados devem ser únicos, sem entradas iguais. 2. Os valores ausentes precisam ser preenchidos ou essas linhas devem ser removidas da análise. Os valores ausentes podem ser preenchidos com valores médios ou modais ou padrão. A interpolação de dados é uma prática comum para se tratar valores ausentes. 3. Os elementos de dados podem precisar ser transformados de uma unidade para outra. Por exemplo, os custos totais de assistência médica e o número total de pacientes podem precisar ser reduzidos a custo/paciente para permitir a comparabilidade desse valor. 4. Os valores contínuos podem precisar ser agrupados em diferentes categorias para ajudar em algumas análises. Por exemplo, a experiência de trabalho pode ser classificada como baixa, média e alta. 5. Os elementos de dados podem precisar ser ajustados para torná-los comparáveis ao longo do tempo. Por exemplo, os valores da moeda podem precisar ser ajustados para a inflação; eles precisariam ser convertidos para o mesmo ano-base para comparabilidade. Eles podem precisar ser convertidos para uma moeda comum. 6. Elementos de dados discrepantes precisam ser removidos após uma revisão cuidadosa, para evitar distorções nos resultados. Por exemplo, um grande doador pode distorcer a análise de doadores de ex-alunos em um ambiente educacional. 7. Quaisquer vieses na seleção de dados devem ser corrigidos para garantir que os dados sejam representativos dos fenômenos em análise. Se os dados incluírem muito mais membros de um gênero do que o típico da população de interesse, os ajustes precisam ser aplicados aos dados. 38 8. Os dados devem ter a mesma granularidade para garantir a comparabilidade. Os dados de vendas podem estar disponíveis diariamente, mas os dados de remuneração do vendedor podem estar disponíveis apenas mensalmente. Para relacionar essas variáveis, os dados devem ser trazidos para o menor denominador comum, neste caso, mensalmente. 9. Os dados podem precisar ser selecionados para aumentar a densidade da informação. Alguns dados podem não apresentar muita variabilidade, porque não foram registrados adequadamente ou por qualquer outro motivo. Esses dados podem atenuar os efeitos de outras diferenças nos dados e devem ser removidos para melhorar a densidade de informações dos dados. A limpeza de dados é o processo de corrigir ou remover dados incorretos, corrompidos, formatados incorretamente, duplicados ou incompletos em um conjunto de dados. Ao combinar várias fontes de dados, há muitas oportunidades para que os dados sejam duplicados ou rotulados incorretamente. Se os dados estiverem incorretos, os resultados e os algoritmos não serão confiáveis, mesmo que pareçam corretos. 1.3 Saídas da mineração de dados As técnicas de mineração de dados podem servir a diferentes propósitos. Os resultados da mineração de dados refletem o propósito pretendido. Existem muitas representações das saídas da mineração de dados. Um formato de saída de mineração de dados popular é uma árvore de decisão. É uma estrutura hierarquicamente ramificada que ajuda a seguir visualmente as etapas para tomar uma decisão baseada em modelo (PROVOST; FAWCETT, 2018). A árvore pode ter certos atributos, como probabilidades atribuídas a cada ramo. Um formato relacionado é um conjunto de regras de negócios, que são declarações que mostram causalidade (TURBAN et al., 2009). Uma árvore de decisão pode ser 39 mapeada para regras de negócios. Se a função objetivo for previsão, então uma árvore de decisão ou regras de negócios são o modo mais apropriado de representar a saída. A Figura 2 ilustra uma árvore de decisão. Figura 2 – Árvore de decisão Fonte: Shutterstock.com. A saída pode estar na forma de uma equação de regressão ou função matemática que representa a curva de melhor ajuste para representar os dados (TURBAN et al., 2009). Esta equação pode incluir termos lineares e não lineares. As equações de regressão são uma boa maneira de representar o resultado dos exercícios de classificação. Essas também são uma boa representação das fórmulas de previsão. Outro método de mineração de dados é o método população centroide, que é uma medida estatística para descrever tendências centrais de uma coleção de pontos de dados (TURBAN et al., 2009). Estes podem ser definidos em um espaço multidimensional. Por exemplo, um centroide poderia ser profissionais de meia-idade, com alto nível de escolaridade, alto patrimônio líquido, casados e com dois filhos, vivendo nas áreas costeiras. Ou uma coleção de veículos com mais de 20 anos, com baixa quilometragem por galão, que reprovaram na fiscalização ambiental. 40 Estas são representações típicas do resultado de um exercício de análise de cluster. As regras de negócios são uma representação apropriada do resultado de um exercício de análise de cesta de mercado. Essas regras são declarações com alguns parâmetros de probabilidade associados a cada regra. Por exemplo, aqueles que compram leite e pão também comprarão manteiga (com 80% de probabilidade). 1.4 Avaliando resultados da mineração de dados Há dois principais tipos de processos de mineração de dados: o aprendizado supervisionado e o aprendizado não supervisionado. Primeiramente, no aprendizado supervisionado, um modelo de decisão pode ser gerado usando dados passados e o modelo pode ser usado com a finalidade de prever a resposta correta para instâncias de dados futuras. A classificação é a principal categoria de atividade de aprendizagem supervisionada. Existem muitas técnicas de classificação, sendo a árvore de decisão a mais popular. Cada uma dessas técnicas pode ser implementada com muitos algoritmos. Uma métrica comum para todas as técnicas de classificação é a precisão preditiva (TURBAN et al., 2009). Observe: Precisão Preditiva = (Previsões Corretas) / Previsões Totais. Suponha que um projeto de mineração de dados tenha sido iniciado para desenvolver um modelo preditivo para pacientes com câncer usando uma árvore de decisão. Usando um conjunto relevante de variáveis e instâncias de dados, um modelo de árvore de decisão foi criado. O modelo é, então, usado para prever outras instâncias de dados. Quando um ponto de dados verdadeiro positivo é positivo, essa é uma previsão correta, chamada de verdadeiro positivo (VP). Da mesma forma, quando um ponto de dados verdadeiro negativo é classificado como negativo, isso é um verdadeiro negativo (VN). Por outro lado, 41 quando um ponto de dados verdadeiro positivo é classificado pelo modelo como negativo, essa é uma previsão incorreta, chamada de falso negativo (FN). Da mesma forma, quando um ponto de dados verdadeiro negativo é classificado como positivo, isso é classificado como falso positivo (FP). Isso é chamado de matriz de confusão. Ver Quadro 1. Quadro 1 – Matriz de Confusão Matriz de Confusão Classe Positiva Valor Verdade Classe Negativa Valor Previsto Classe Positiva Verdadeiro Positivo (VP) Falso Positivo (FP) Classe Negativa Falso Negativo (FN) Verdadeiro Negativo (VN) Fonte: elaborado pelo autor. Assim, a precisão preditiva pode ser especificada pela seguinte fórmula: Precisão Preditiva = (VP + VN) / (VP + VN + FP + FN). Todas as técnicas de classificação têm uma precisão preditiva associada a um modelo preditivo. O valor mais alto pode ser 100%. Na prática, modelos preditivos com mais de 70% de precisão podem ser considerados utilizáveis em domínios de negócios, dependendo da natureza do negócio (TURBAN et al., 2009). Não há boas medidas objetivas para julgar a precisão de técnicas de aprendizado não supervisionado, como a análise de cluster. Não existe uma única resposta certa para os resultados dessas técnicas. O valor do modelo de segmentação depende do valor que o tomador de decisão vê nesses resultados. 2. Inteligência Artificial A Inteligência Artificial refere-se à simulação da inteligência humana em máquinas programadas para pensarcomo humanos e imitar suas ações (TURBAN et al., 2009). A expressão também pode ser usada para 42 qualquer máquina que possua características associadas à mente humana, como aprender e resolver problemas. A característica ideal da Inteligência Artificial é sua capacidade de racionalizar e realizar ações que tenham a melhor chance de atingir um objetivo específico. Um subconjunto da Inteligência Artificial é o aprendizado de máquina, que se refere ao conceito de que os programas de computador podem aprender e se adaptar automaticamente a novos dados sem a ajuda de humanos (GUEDES et al., 2020). As técnicas de aprendizado profundo permitem esse aprendizado automático por meio da absorção de grandes quantidades de dados não estruturados, como texto, imagens ou vídeo. Quando ouvimos o termo Inteligência Artificial, geralmente pensamos primeiramente em robôs. Isso porque filmes e romances de grande orçamento entrelaçam histórias sobre máquinas semelhantes a humanoides causando estragos na Terra. Mas, nada poderia estar mais longe da verdade. A Inteligência Artificial baseia-se no princípio de que a inteligência humana pode ser definida de forma que uma máquina possa facilmente imitá-la e executar tarefas, das mais simples às ainda mais complexas. Os objetivos da Inteligência Artificial incluem imitar a atividade cognitiva humana. Pesquisadores e desenvolvedores na área estão fazendo progressos surpreendentemente rápidos na imitação de atividades como aprendizado, raciocínio e percepção, na medida em que podem ser definidas concretamente (GUEDES et al., 2020). Alguns acreditam que os inovadores poderão, em breve, desenvolver sistemas que excedam a capacidade dos humanos de aprender ou raciocinar sobre qualquer assunto. Mas, outros permanecem céticos porque toda atividade cognitiva está repleta de julgamentos de valor que estão sujeitos à experiência humana. À medida que a tecnologia avança, os benchmarks anteriores que definiam a Inteligência Artificial ficam desatualizados. Por exemplo, 43 máquinas que calculam funções básicas ou reconhecem texto por meio de reconhecimento óptico de caracteres não são mais consideradas como incorporando Inteligência Artificial, uma vez que essa função agora é tida como uma função inerente ao computador. A Inteligência Artificial está evoluindo continuamente para beneficiar muitos setores diferentes. As máquinas são conectadas usando uma abordagem interdisciplinar baseada em matemática, ciência da computação, linguística, psicologia e muito mais. 2.1 Tipos de Inteligência Artificial A pesquisa em Inteligência Artificial é um dos campos mais interessantes da tecnologia. Há muitas descobertas e desenvolvimentos em andamento, a maioria dividida em quatro categorias: máquinas reativas; memória limitada; teoria da mente; e IA autoconsciente. Esses tipos revelam mais um enredo do que uma taxonomia, que pode nos dizer até onde a IA chegou, para onde está indo e o que o futuro reserva. De máquinas reativas a super Inteligência Artificial, eis o que podemos esperar da Inteligência Artificial. A Inteligência Artificial reativa usa algoritmos para otimizar as saídas com base em um conjunto de entradas (GUEDES et al., 2020). As inteligências artificiais que jogam xadrez, por exemplo, são sistemas reativos que otimizam a melhor estratégia para vencer o jogo. A Inteligência Artificial reativa tende a ser bastante estática, incapaz de aprender ou se adaptar a novas situações. Assim, produzirá a mesma saída com entradas idênticas. A Inteligência Artificial de memória limitada pode se adaptar a experiências passadas ou se atualizar com base em novas observações ou dados (GUEDES et al., 2020). Muitas vezes, a quantidade de atualização é limitada (daí o nome) e o comprimento da memória é relativamente curto. Veículos autônomos, por exemplo, podem “ler 44 a estrada” e se adaptar a novas situações, até mesmo aprender com experiências passadas. A Inteligência Artificial de teoria da mente é totalmente adaptável e tem uma ampla capacidade de aprender e reter experiências passadas. Esses tipos de Inteligência Artificial incluem chatbots avançados que podem passar no Teste de Turing, enganando uma pessoa a acreditar que a Inteligência Artificial é um ser humano (GUEDES et al., 2020). Embora avançadas e impressionantes, essas inteligências artificiais não são autoconscientes. A Inteligência Artificial autoconsciente, como o nome sugere, torna-se consciente e consciente de sua própria existência (GUEDES et al., 2020). Ainda no reino da ficção científica, alguns especialistas acreditam que uma Inteligência Artificial nunca se tornará consciente ou viva. 2.2 Aplicações de Inteligência Artificial As aplicações para Inteligência Artificial são infinitas. A tecnologia pode ser aplicada a diversos setores e indústrias. Por exemplo, a Inteligência Artificial está sendo testada e usada no setor de saúde para dosar medicamentos e distribuir diferentes tratamentos adaptados a pacientes específicos e para auxiliar em procedimentos cirúrgicos na sala de cirurgia. Outros exemplos de máquinas com Inteligência Artificial incluem computadores que jogam xadrez e carros autônomos. Cada uma dessas máquinas deve pesar as consequências de qualquer ação que tomar, pois cada ação afetará o resultado final. No xadrez, o resultado é vencer o jogo. Para carros autônomos, o sistema de computador deve contabilizar todos os dados externos e computá-los para agir de forma a evitar uma colisão. A Inteligência Artificial também tem aplicações no setor financeiro, onde é usada para detectar e sinalizar atividades bancárias e financeiras, 45 como uso incomum de cartão de débito e grandes depósitos em contas – tudo isso ajuda o departamento de fraude de um banco. Os aplicativos para Inteligência Artificial também estão sendo usados para ajudar a simplificar e facilitar a negociação. Isso é feito tornando a oferta, a demanda e a precificação de títulos mais fáceis de estimar. A Inteligência Artificial pode ser dividida em duas categorias diferentes: fraca e forte. A Inteligência Artificial fraca incorpora um sistema projetado para realizar um trabalho específico (GUEDES et al., 2020). Sistemas de Inteligência Artificial fracos incluem videogames como o exemplo do xadrez acima e assistentes pessoais como Alexa da Amazon e Siri da Apple. Você faz uma pergunta ao assistente e ele responde para você. Já os sistemas fortes de Inteligência Artificial são sistemas que executam as tarefas consideradas semelhantes às humanas (GUEDES et al., 2020). Estes tendem a ser sistemas mais complexos e complicados. Eles são programados para lidar com situações em que podem ser solicitados a resolver problemas sem a intervenção de uma pessoa. Esses tipos de sistemas podem ser encontrados em aplicações como carros autônomos ou em salas de cirurgia de hospitais. 3. Conclusão O campo de mineração de dados surgiu no contexto do reconhecimento de padrões na defesa, como identificar um amigo ou inimigo em um campo de batalha. Como muitas outras tecnologias inspiradas na defesa, ela evoluiu para ajudar a obter uma vantagem competitiva nos negócios. Por exemplo, “clientes que compram queijo e leite também compram pão 90% das vezes” seria um padrão útil para um supermercado, que pode estocar os produtos adequadamente. Da mesma forma, “pessoas com pressão arterial superior a 160 e idade superior a 65 correm alto risco de morrer de acidente vascular cerebral” é de grande valor 46 diagnóstico para os médicos, que podem se concentrar no tratamento desses pacientes com urgência e grande sensibilidade. Dados passados podem ser de valor preditivo em muitas situações complexas, especialmente onde o padrão pode não ser tão facilmente visível sem a técnica de modelagem. Há uma avalanche cada vez maior de dados vindo com maior velocidade, volume e variedade. É preciso usá-lo rapidamente ou perdê- lo. A mineração de dados inteligenterequer a escolha de onde jogar. É preciso tomar decisões criteriosas sobre o que coletar e o que ignorar, com base no propósito dos exercícios de mineração de dados. É como decidir onde pescar; nem todos os fluxos de dados serão igualmente ricos em insights potenciais. Por fim, a Inteligência Artificial é usada extensivamente em uma variedade de aplicativos hoje, com vários níveis de sofisticação. Os algoritmos de recomendação que sugerem o que você pode gostar em seguida são implementações populares de Inteligência Artificial, assim como os chatbots que aparecem em sites ou na forma de alto-falantes inteligentes (por exemplo, Alexa ou Siri). A Inteligência Artificial é usada para fazer previsões em termos de previsão meteorológica e financeira, agilizar os processos de produção e reduzir várias formas de trabalho cognitivo redundante (por exemplo, contabilidade fiscal ou edição). A Inteligência Artificial também é usada para jogar, operar veículos autônomos, processar linguagem e muito, muito mais. Referências GUEDES, J. C. et al. Inteligência Artificial Aplicada ao Processo de Tomada de Decisões. Belo Horizonte, São Paulo: Editora D’Plácido, 2020. MONTEIRO, Leonardo P. Dados Estruturados e Não Estruturados. Universidade da Tecnologia. Disponível em: https://universidadedatecnologia.com.br/dados- estruturados-e-nao-estruturados/. Acesso em: 2 nov. 2022. https://universidadedatecnologia.com.br/dados-estruturados-e-nao-estruturados/ https://universidadedatecnologia.com.br/dados-estruturados-e-nao-estruturados/ 47 PROVOST, Foster; FAWCETT, Tom. Data Science para Negócios: O que você precisa saber sobre mineração de dados e pensamento analítico de dados. Rio de Janeiro: Alta Books, 2018. TURBAN, E. et al. Business intelligence: um enfoque gerencial para a inteligência do negócio. Porto Alegre: Bookman, 2009. 48 Business Performance Management Autoria: Antonio Carlos Mercer Leitura crítica: Thiago Oliveira da Silva Objetivos • Compreender o significado de business performance management. • Conhecer as técnicas de business performance management. • Compreender como a inteligência de negócios e business performance management se unem. 49 1. Business Performance Management A gestão de processos de negócios (BPM) permite que uma empresa organize seus recursos e capacidades de forma que contribua de forma sistemática e contínua para os objetivos determinados de seus gestores. Além de ser um fator determinante de a capacidade de uma organização para se adaptar e responder às ameaças e oportunidades emergentes. A implantação bem-sucedida do BPM exige que as partes interessadas se envolvam na definição de todos os processos. O principal ganho com isso é a redução de atividades que pouco agregariam ao trabalho. É uma iniciativa que requer um amplo envolvimento da alta administração e um forte alinhamento com os objetivos estratégicos da empresa. Essa necessidade de alinhar a execução dos processos da empresa com sua estratégia corporativa é consequência da necessidade dos gestores de entender os processos de negócios da empresa para gerenciá-los corretamente. Dessa forma, é necessário que, em conjunto com a gestão de processos, a empresa possa contar com alguns elementos de auxílio à decisão que ampliem a compreensão dos tomadores de decisão sobre como os processos contribuem para o alcance de seus objetivos estratégicos: ou seja, os resultados almejados por seus gestores. Essa atividade de construção de conhecimento é conhecida como medição de negócios de uma visão construtivista. 1.1 Definição de BPM Muitas organizações que estão interessadas em buscar o sucesso no atual ambiente desafiador e competitivo precisam de uma gestão eficaz e eficiente do seu desempenho empresarial. A gestão de desempenho de negócios garante a direção de muitas organizações inteiras para alcançar metas e objetivos comuns por meio da combinação de ambas as estruturas de tecnologia e sua estratégia de negócios (RAUSCH et al., 2013). 50 Portanto, a gestão do desempenho empresarial é um tema importante no cenário atual de inteligência de negócios, pois mantém a metodologia utilizada para o alinhamento estratégico das mais diversas organizações. Mesmo sendo uma ferramenta muito útil para o alinhamento estratégico, muitas organizações ainda enfrentam dificuldades em seu desenho e implementação. Dito isto, há várias razões para as dificuldades na implementação com sucesso da gestão de desempenho empresarial. Dentre os principais pontos, podemos citar: a inadequação ou ausência de suporte por parte da alta administração; barreiras na gestão; falha na definição de objetivos e metas; questões relativas às metodologias a serem usadas e assim por diante. Todavia, para o sucesso do BPM existem vários fatores críticos de sucesso que podem ser levados em consideração na solução das dificuldades destacadas acima. A gestão do desempenho empresarial tem a vantagem de facilitar a criação de objetivos estratégicos e, ao mesmo tempo, fornece as ações de suporte necessárias para garantir que os objetivos definidos estejam alinhados com a estratégia da organização. A maioria desses objetivos estratégicos é feita levando em consideração alguns indicadores-chave de desempenho e objetivos que têm um efeito positivo considerável para a organização. E esses indicadores serão, então, associados às métricas operacionais e, assim, a medição de desempenho poderá ser estabelecida para incentivo e tomada de decisões estratégicas. Embora haja alguma confusão em relação à inteligência de negócios, BI e desempenho de negócios como muitas pesquisas o utilizam de maneira semelhante. Mas, no sentido real disso, o BI fornece à organização um caminho para fazer uso dos dados e da Tecnologia da Informação na melhoria da tomada de decisão estratégica que melhorará o desempenho de uma organização (GROVE; YAMAGAMI, 2020). Nesse sentido, o BI tem um escopo muito estreito em comparação com a gestão do desempenho empresarial que abrange todo o empreendimento de uma organização. 51 1.2 Estrutura de BPM A estrutura de desempenho empresarial proposta por Rausch et al. (2013), consiste em quatro processos principais: estratégia; planejamento; monitoramento; e análise e realização de ações corretivas. Vejamos detalhadamente cada um dos quatro processos. Estratégia. É quando a estratégia de negócios de uma organização é identificada para garantir que o verdadeiro impulsionador esteja no terreno para atingir a estratégia. É também nesta fase da organização que são geradas as métricas para a medição do desempenho ao longo de um período. Como é muito desafiador para muitas organizações realizar a métrica em alinhamento com os objetivos estratégicos da empresa, esse estágio na estrutura de desempenho do negócio ainda é a parte mais importante para alcançar o sucesso em todo o fluxo no quadro. Planejamento. Esta etapa do framework é apenas o ponto em que se define o desenvolvimento das atividades que vão ao encontro do objetivo estratégico. Eles incluem a criação de ações do programa e o cronograma em que a estratégia será alcançada de acordo. É também nesta fase que os gestores das diferentes áreas da unidade de negócio estabelecem metas e objetivos, desenvolvem planos de desenho de projetos e orçamentos de acordo com as iniciativas estratégicas da cooperação. Os planos de destino feitos aqui serão baseados nas métricas baseadas no primeiro estágio da estrutura. Monitoramento e análise. Depois que a estratégia e o planejamento forem cuidadosamente executados de acordo, e a linha de base das métricas estabelecida, o monitoramento será iniciado para garantir que o desempenho seja medido em comparação com as métricas de referência definidas. Esse monitoramento garante que não haja desvios nas ações planejadas de acordo com a estratégia definida pelas organizações. Também auxilia na identificação de uma área de melhoria para evitar e mitigar qualquer tipode retrocesso no plano de iniciativas estratégicas. É nesta fase que a tecnologia de BI é de extrema importância, pois permite à análise de dados visualizar quais áreas precisam de melhorias por parte da organização. 52 Realização de ações corretivas. Essa é a etapa em que as ações corretivas são tomadas com base na análise da fase de monitoramento dos planos estratégicos. É neste momento que todos os stakeholders são alertados para as áreas problemáticas futuras que permitirão revisitar o pensamento crítico garantindo o enquadramento de gestão do desempenho empresarial na direção certa para o sucesso da organização. As ações e atividades nesta fase dão ao usuário a oportunidade de ter orientações e aconselhamento para lidar com as situações problemáticas identificadas. Os dois primeiros destacados acima na estrutura do BPM correspondem a criação e consolidação da estratégia organizacional, ao passo que os dois últimos do processo procuram explicar como a estratégia será remodelada e executada de acordo. A Figura 1 mostra o ciclo de processo da estrutura de gerenciamento de desempenho de negócios para retratar a estratégia de negócios de uma organização de alto desempenho. O valor de uma organização também pode ser aprimorado por meio dessa estrutura de abordagem de loop de processo. Figura 1 – Estrutura do BPM Fonte: elaborada pelo autor. Um bom sistema de gestão de negócios ajuda os funcionários a entender os objetivos da empresa e o que se espera que eles façam 53 para atingir esses objetivos. Isso significa que eles entendem como suas contribuições afetam o crescimento geral do negócio. Ao realinhar e realimentar a estrutura do BPM os processos vão passar por melhorias como um todo. 1.3 Fatores críticos de sucesso para BPM Sendo a gestão do desempenho empresarial a forma mais conhecida de realizar e alcançar o alinhamento da estratégia e a abordagem eficaz para uma excelente execução estratégica, a sua implementação torna-se muito desafiante para muitas organizações. Além disso, muitas organizações colocam mais ênfase no aspecto financeiro da gestão do desempenho do negócio, esquecendo que há mais áreas a serem tocadas nessas áreas para obter uma ótima visão na execução e implantação de objetivos estratégicos (KELLER; SCHANINGER, 2019). Além das opiniões de especialistas do setor que explica os fatores críticos para o sucesso da implantação do BPM, a literatura acadêmica também pode impactar e influenciar a obtenção do sucesso da gestão de desempenho empresarial. Os principias fatores críticos de sucesso para o sucesso da implementação da gestão de desempenho empresarial será explicado a seguir (GROVE; YAMAGAMI, 2020). Forte apoio da equipe de gestão. É necessário um apoio muito forte da equipe de gestão de topo na obtenção de um sucesso no desempenho do negócio para muitas organizações (GROVE; YAMAGAMI, 2020). O envolvimento precoce do nível superior de gerenciamento terá grande impacto no aprimoramento do desempenho da organização por meio da implantação da solução de gerenciamento de desempenho de negócios. O nível de suporte e comprometimento que eles demonstram ao colocar esta solução em prática fará com que todo o ciclo de vida do projeto desse tipo valha a pena. 54 Capacidade e habilidades da equipe – Processo e habilidades técnicas. Para alcançar um padrão de sucesso de alto nível na implantação do gerenciamento aprimorado de desempenho de negócios, alguns conjuntos de habilidades são necessários, se não obrigatórios, como talvez o caso. Essas habilidades necessárias consistem nas habilidades de processo e habilidades técnicas. Qualquer equipe com essas duas habilidades mencionadas estará altamente engajada no sucesso da implementação da BPM em qualquer empresa. De maneira geral, a organização possui indivíduos com conhecimento técnico, mas, às vezes inadequada ou até mesmo falta processos de negócios e habilidades analíticas, que corresponde a principal força para melhorar a gestão de desempenho de negócios em empresas de alto desempenho. A equipe do projeto de BPM requer um indivíduo com o grupo de habilidades para projetar e analisar processos de negócios para que a organização compreenda completamente as áreas-chave dos processos de negócios em uma organização, e para que sejam traduzidas em métricas significativas para se alinhar com os objetivos da empresa e metas com suas respectivas iniciativas estratégicas. Esse indivíduo em discussão deve ter as habilidades de inter-relacionamento e uma sólida capacidade de pensamento crítico para abordar e questionar diferentes áreas de operação de negócios e garantir que essas atividades de negócios sejam traduzidas em metas compreensíveis que serão usadas para melhorar o gerenciamento de desempenho de negócios de uma empresa (RAUSCH et al., 2013). Esse tipo de indivíduo também deve possuir habilidades no design de mapas de visualização de processos e estratégias de negócios que serão utilizados como base para o aferimento de desempenho que melhorará o sucesso do gerenciamento de desempenho de negócios. Além disso, algumas organizações utilizam indivíduos dedicados ou um conjunto de equipes de KPI, ou indicadores-chave de desempenho, 55 para alcançar as habilidades do processo de negócios, enquanto outras organizações fazem uso de um analista de negócios que já conhece bem os processos de negócios da empresa (TURBAN et al., 2009). Além disso, a habilidade técnica, que é um grande requisito, também é necessária, pois isso melhorará a tradução das métricas recuperadas da análise do processo de negócios em um aplicativo de trabalho que será usado para promover o sucesso da gestão do desempenho do negócio. A colaboração dessas duas equipes terá um enorme impacto positivo para implantar com sucesso a solução de BPM para o sucesso de qualquer organização. Ademais, a colaboração tende a produzir um resultado positivo na descoberta e análise de dados e, caso falte, poderá resultar em atrasos na implantação da solução desejada. Também, tanto o processo de negócios quanto as habilidades técnicas melhoram a comunicação de uma organização por meio da combinação de negócios e tecnologia de TI. A área de negócios e a TI estão integrados pelo poder da comunicação eficiente que acarreta a combinação das habilidades técnicas e os processos de negócios (TURBAN et al., 2009). Isso também resulta na construção de alto desempenho em uma organização, a fim de levar a um melhor alinhamento estratégico com metas e objetivos definidos. Envolvimento e comunicação do usuário no aprimoramento do gerenciamento de desempenho de negócios. A participação do usuário é altamente essencial durante a implantação do gerenciamento de desempenho de negócios, pois este é o principal fator no uso do design dos processos de negócios para melhorar o desempenho da organização. O usuário que faz parte da solução de implantação dá a ele a oportunidade de entender e fazer parte integralmente do design do processo, pois sua contribuição será útil tanto para a necessidade atual quanto para a futura, caso sejam 56 necessárias ações de melhoria para um melhor desempenho da organização. Esse conhecimento também criará uma comunicação eficaz dentro da organização que também levará a um melhor desempenho da organização para enfrentar os desafios do mercado competitivo atual. Esta comunicação eficaz que resultou da integração da TI e dos processos de negócios acabará por levar a um entendimento comum compartilhado e uma direção clara para o alinhamento da iniciativa estratégica de negócios da organização (RAUSCH et al., 2013). Fazendo uso do fator crítico de sucesso acima descrito da gestão do desempenho do negócio, o desempenho da organização será melhorado em alinhamento com suas metas e objetivos estratégicos. 1.4 BPM e inteligência de negócios O gerenciamento de desempenho de negócios pode ser considerado o componente final da inteligência de