O PROCESSO DA INTELIGÊNCIA EMPRESARIAL

Prévia do material em texto

O PROCESSO DA 
INTELIGÊNCIA 
EMPRESARIAL 
Prof. Vinícius Silveira Magnus 
 
 
Neste capítulo, você vai aprender 
▪ Os conceitos básicos de Inteligência Empresarial; 
▪ A história da Inteligência Empresarial e sua evolução; 
▪ A reconhecer os componentes do processo de Inteligência 
Empresarial; 
▪ A identificar os elementos de um sistema de Inteligência 
Empresarial bem como sua arquitetura. 
 
 
 
Introdução 
A competitividade nos diversos setores econômicos tem feito diversas 
empresas recorrerem a técnicas e ferramentas que visam auxiliá-las nos 
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_DJ-Pru5TE4yH
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_DJ-Pru5TE4yH
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_oW3e00gxq_Ey
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_oW3e00gxq_Ey
negócios. A corrida por uma participação maior em um determinado 
mercado, um posicionamento diferente da empresa frente a um novo 
cenário e o foco momentâneo em determinado produto são processos que 
levam as empresas, geralmente, a buscarem mais informações e a 
entenderem qual o real cenário para tomar suas decisões guiadas por fatos. 
Esses fatos são dados e informações que auxiliam a empresa nessas 
decisões e podem ser o grande diferencial para o sucesso de determinado 
negócio. 
Trabalhar com dados, transformando-os em informação e, posteriormente, 
em conhecimento, é o ciclo natural que empresas deve percorrer para tomar 
suas decisões. Porém, esse processo é, sem dúvida, muito trabalhoso, pois 
envolve muitos dados de diferentes fontes e de diferentes tipos que 
geralmente não estão integrados e que, de maneira isolada, representam 
muito pouco para a organização em termos de processo decisório. É aí que 
entra a Inteligência Empresarial, buscando sistemáticas para coletar esses 
dados nas diversas fontes internas e externas da organização, 
transformando-os a fim de unificar e padronizar suas estruturas e, 
posteriormente, analisá-los com técnicas e ferramentas específicas para isso. 
A Inteligência Empresarial, Inteligência de Negócio ou do termo em 
inglês Business Intelligence é o foco de nosso estudo neste tema, em que 
iremos entender um pouco de seus fundamentos conceituais e recorrer um 
pouco à História para entendermos o processo, a criação e a estrutura dos 
sistemas de Inteligência Empresarial. 
 
 
Fundamentos do Processo de 
Inteligência Empresarial 
A inteligência empresarial ou inteligência de negócios, conhecida em inglês 
pela sigla BI (Business Intelligence), se refere ao processo de suporte aos 
negócios através da coleta, organização, análise, compartilhamento e 
monitoramento de informações. É um processo orientado por tecnologias 
que analisam dados e entregam informações que auxiliam os 
representantes da organização a tomar decisões para seus negócios. 
O BI possui uma ampla variedade de recursos para apoio à sua execução, 
como ferramentas, aplicações e metodologias que dão à organização a 
possibilidade de coletar dados de fontes internas e externas, a fim de 
analisar, desenvolver e consultar esses dados e criar através deles relatórios, 
painéis (dashboards) e outros tipos de visualizações, entregando resultados 
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_rKWuy7F_uZWq
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_rKWuy7F_uZWq
analíticos para o processo de tomada de decisão, bem como tarefas 
operacionais. 
 
 
Entendendo e aplicando o BI 
Vamos nos aprofundar um pouco no conceito de BI (Business Intelligence), 
entendendo que ele se refere ao conjunto de técnicas que auxiliam na 
identificação, organização e análise de um grande volumes de dados para 
melhorar a conclusão ou decisão em uma organização. Nós entendemos 
melhor o conceito com a ajuda de um exemplo. 
Usando um supermercado como nosso exemplo, suponha que nele 
tenhamos registrado os dados de vendas nos últimos 6 meses. Nesses 
dados, temos diversos produtos, cada um com suas respectivas 
especificações. Suponha que pegamos um produto para a análise, por 
exemplo, velas, e possuímos em nosso catálogo de vendas três tipos de velas, 
Vela A, Vela B, Vela C. Ao observarmos inicialmente esses dados, 
descobrimos que a Vela C estava com o maior número de vendas dessas três 
classes. Agora, com um observação um pouco mais aprofundada e detalhada 
desses dados, obtivemos o resultado de que a venda dessa vela C tem seu 
horário de venda mais frequente das 9h às 11h. Em uma análise desse 
cenário, chegamos à conclusão, pelo tipo de vela, que ela é mais usada em 
lugares de adoração, como em igrejas e santuários. 
Vamos, a partir desse cenário, aplicar o Business Intelligence para essa análise. 
O que uma empresa ou organização pode fazer é montar uma estratégia de 
venda com o mapeamento de outro material que possa ser usado na igreja 
e colocá-los perto dessas velas. Assim, os clientes que se aproximam do 
supermercado para comprar as velas para o local de culto também podem 
dar uma olhada no outro material e ficar tentados a comprá-lo também. Isso 
certamente aumentará as vendas e, consequentemente, a receita de nosso 
supermercado. 
 
 
História e Evolução da Inteligência Empresarial 
O conceito de inteligência empresarial se popularizou na década de 80 com 
o Gartner Group, uma instituição de pesquisa do setor tecnológico que 
definiu o termo baseado em aplicações e tecnologias utilizadas na época 
para coletar dados referente às atividades gerenciais e operacionais das 
empresas, quando esses dados eram utilizados para análise e extração de 
informações que suportassem o processo decisório nas organizações. 
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_PUzrw8Z4tJrm
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_PUzrw8Z4tJrm
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_HTpu_m4HtKXo
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_HTpu_m4HtKXo
Inicialmente, as aplicações e sistemas corporativos tinham suas bases de 
dados com funcionalidades específicas para cada departamento ou setor. 
Assim, cada novo departamento informatizado, um novo sistema como uma 
nova base que ia crescendo de acordo com o volume de dados do 
departamento e se tornando grandes ilhas de informações. Foram 
classificadas sem nenhum tipo de integração com outros sistemas, muito 
menos funcionalidades que suportassem essas integrações, ou trocas de 
informações. 
Ainda no início da automação dos processos organizacionais, as grandes 
empresas se deram conta do valor que os dados tinham se fossem 
trabalhados de forma analitica. É certo que cada setor automatizado gerava 
uma série de novos dados para serem utilizados, porém, como cada sistema 
era concebido de maneira específica, ficava quase impossível cruzar esses 
dados devido à incompatibilidades de tecnologias e protocolos de cada um. 
Quando as organizações resolveram unir esses dados para troca, coleta e 
análise, uma infraestrutura própria para isso se fazia necessário, assim 
o data warehouse evoluiu para suprir essas necessidades. 
 
 
Data Warehouse 
O Data Warehouse é, de forma resumida, um local centralizado na 
organização que armazena os dados de todos os sistemas da organização 
em um local único. Esses dados são organizados de maneira a promover e 
facilitar a organização, padronização e consultas a esses dados, tornando o 
processo de tomada de decisão sustentada por dados e informações. 
Os dados centralizados em um Data Warehouse eram provenientes dos Data 
Sources, que poderiam ser a base de dados específicas de cada sistema ou 
qualquer outro tipo de dados, como planilhas, catálogos e relatórios de 
outros sistemas. Quando os dados foram estratificados dessa base de dados 
central a fim de serem organizados para análises especiais para cada área, 
por exemplo, vendas, estoque ou logística, essas bases menores focadas são 
chamadas de Data Marts. Essa estrutura e ligaçãoestá ilustrada na Figura 1. 
 
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_Wsis0ifStLNS
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_Wsis0ifStLNS
https://drive.google.com/file/d/1Auvd9h1SnAJdO_v4VlM6XswoTjJtT6aZ/view?usp=sharing
 
 
 
https://drive.google.com/file/d/1Auvd9h1SnAJdO_v4VlM6XswoTjJtT6aZ/view?usp=sharing
https://drive.google.com/file/d/1Auvd9h1SnAJdO_v4VlM6XswoTjJtT6aZ/view?usp=sharing
https://drive.google.com/file/d/1Auvd9h1SnAJdO_v4VlM6XswoTjJtT6aZ/view?usp=sharing
https://drive.google.com/file/d/1Auvd9h1SnAJdO_v4VlM6XswoTjJtT6aZ/view?usp=sharing
 
 
Figura 1: alguns data source (banco de dados menores e outras fontes de 
dados como planilhas) ligados a um data warehouse (banco de dados 
maior), que por fim estão ligados a alguns data mart (bancos de dados 
menores). 
Para organizar e utilizar essa estrutura, o desafio era muito grande, pois em 
primeiro lugar os dados deveriam ser adquiridos de uma variedade de 
sistemas diferentes e incompatíveis. Alguns dados idênticos poderiam estar 
armazenados em sistemas distintos e com tipos (estruturas) distintas. Um 
item de alguns dados específicos poderia não ser apenas representado em 
formatos distintos, mas também em valores distintos, pois era proveniente 
de fontes de dados diferentes, a questão era saber qual o valor correto para 
ser utilizado. Por outro lado, os dados estão sendo alterados continuamente, 
https://drive.google.com/file/d/1Auvd9h1SnAJdO_v4VlM6XswoTjJtT6aZ/view?usp=sharing
https://drive.google.com/file/d/1Auvd9h1SnAJdO_v4VlM6XswoTjJtT6aZ/view?usp=sharing
https://drive.google.com/file/d/1Auvd9h1SnAJdO_v4VlM6XswoTjJtT6aZ/view?usp=sharing
o que levantava mais uma questão, a frequência que o data 
warehouse deveria ser revisado para contemplar uma visão sensivelmente 
atual. E, por fim, a quantidade de dados é enorme, e os dados devem ser 
analisados e apresentados para que tenham relevância. 
A fim de organizar essa estrutura e manter a organização para o uso dos 
dados, uma série de ferramentas foram desenvolvidas, e entre elas 
destacamos três: os utilitários de extração, transformação e carregamento 
de dados, chamados de ETL; ferramentas de mineração de dados para 
suportar as consultas que deveriam ser feitas e, por fim, as ferramentas de 
relatórios, que apresentavam de maneira simples e clara os resultados do 
processo e os funcionário envolvidos no processo decisório. 
 
 
Extração, transformação e carregamento (ETL) 
Os sistemas de informações computacionais precursores em organizações 
na década de 50 mantinham seu armazenamento basicamente em fitas 
magnéticas. Com a necessidade da troca de informação entre os sistemas, 
essas fitas foram padronizadas, e qualquer máquina poderia ler as 
informações que uma outra máquina ou sistemas tivesse gerado. Com essa 
possibilidade, os Data Warehouse iniciais eram alimentados por fitas 
magnéticas de diversos sistemas da organização, porém, cada sistemas tinha 
sua estrutura de organização e armazenamento de dados, e o cruzamento 
desses dados era muito difícil. 
Os bancos de dados de um Data Warehouse eram projetados para 
desempenhar funções analíticas para a inteligência de negócio. A estrutura 
do banco de dados era organizada com índices e indicadores complexos para 
suportar um processo em tempo real de análise de dados, o OLAP (On-line 
Analytical Processing). Esses bancos de dados com suporte ao OLAP eram 
projetados para possibilitar consulta dos mais variados tipos, podendo ser 
consultas analíticas ou ad hoc, que eram executados de maneira rápida e 
atualizada. Para tanto, os dados que eram alimentados no Data 
Warehouse pelas diversas fontes tiveram que ser convertidos em um formato 
que facilitasse o processo como um todo. 
Nessa visão, ferramentas chamadas de ETL (Extract, Transform e Load) foram 
desenvolvidas para auxiliar o processo de extração de dados das diversas 
fontes da organização e transformação de dados em um formato que 
facilitasse o processo do Data Warehouse como um todo, mas 
especificamente contribuiu de forma mais incisiva para o carregamento 
desses dados na base central do DW. 
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_pM78ZNx2xXVl
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_pM78ZNx2xXVl
As funções do ETL permitem que várias fontes de dados sejam estruturados 
em um único local, a base central do Data Warehouse, e por consequência 
sejam utilizados em análises mais complexas, principalmente por conterem 
um grande volume e uma grande variedade de dados da organização. Esse 
processo pode ser realizado em decorrência do modelo de negócio e da 
necessidade da organização, podendo ser mensalmente, semanalmente, 
diariamente ou em um cronograma específico. Essa sistemática é chamada 
de ETL Off-line, pois não tem sincronia com as fontes de dados de forma 
instantânea, mas sim de forma periódica. 
Embora seja um processo aceitável em muitas situações, o ETL off-line não 
trazia a resposta suficiente para alguns casos, pois os dados no data 
warehouse não estavam sempre atualizados, e isso poderia demorar até 
meses. Outra questão é que em muitas situações os bancos de dados que 
eram as fontes do data warehouse tinham que ser podados, muitas vezes por 
horas ou dias, para que os dados extraídos não fossem inconsistentes, e isso 
afetava diretamente a operação de alguns departamentos. 
Com isso, algumas alternativas tecnológicas foram experimentadas a fim de 
trazer maior velocidade e suporte ao negócio, técnicas de extração de dados 
que não afetassem as fontes de dados que alimentam o DW. Assim, após 
alguns anos surgiu o ETL on-line, fornecendo atualização dos dados em 
tempo real, respostas mais confiáveis para as consultas realizadas, pois os 
dados eram atualizados constantemente, justamente para haver uma visão 
atual do estado do negócio. Essas novas ferramentas de ETL davam suporte 
aos conceitos de OLAP que os Data Warehouse buscavam implementar. 
A partir de fontes de dados que eram centralizadas e organizadas, agora é 
possível então fazer análise desses dados, porém, antes da análise era 
preciso mais um processo que preparasse esses dados para a análise, e 
surge então a mineração de dados, ou Data Mining. 
 
 
Data Mining 
As ferramentas de ETL tornaram a coleta de dados muito prática, pois vários 
sistemas poderiam servir como fonte de dados, não importando a sua 
estrutura ou organização, e era justamente isso que os ETL visavam entender 
para carregar os dados no Data Warehouse. 
Os dados carregados no DW representavam fatos ocorridos no contexto da 
organização, como uma venda realizada, o registro de um cliente, uma 
compra feita junto a um fornecedor, um pagamento realizado, porém, se 
analisados de maneira isolada, não significam muita coisa. Agora, com o 
volume de dados do DW, eles poderiam ser cruzados ou analisados como 
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_fiMgBQ19xYqh
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_fiMgBQ19xYqh
um todo, como, por exemplo, o volume de vendas no mês de um 
determinado produto, ou mais ainda, a venda desse produto com o perfil do 
consumidor. Sendo assim, os dados eram processados a fim de organizá-los 
de maneira específica a um determinado cenário, tornando assim um mero 
dado ou conjunto deles em uma informação importante, que poderia ser 
utilizada para um processo de decisão. 
O Data Mining vai ainda além, ele busca possíveis padrões e relações entre 
os dados existentes, na tentativa de detectar qual a regra ou associação que 
faz essa relação, o que entendemos como o conhecimento que podemos 
gerar a partir de dados e informações. Um exemplo seria verificar que em 
um grande número de casos em que um produto x é vendido o cliente 
também leva o produto y, ou melhor, detectar qual a relação entre os dois 
produtos com o perfil do consumidor. Podemos entender isso como o 
conhecimentodo negócio, que é proveniente da informação e representa o 
padrão que conecta essas informações. Geralmente, apresenta um alto grau 
de previsibilidade de fatos que podem acontecer no decorrer do tempo, 
como saber qual produto será mais vendido na semana que vem. 
Vários mecanismos tecnológicos de mineração de dados foram 
desenvolvidos para suportar consultas no banco de dados de um Data 
Warehouse. A mineração de dados procurou, então, detectar cada vez mais 
os padrões entre centenas de campos aparentemente não relacionados em 
um grande banco de dados, padrões que reconheciam tendências muitas 
vezes desconhecidas de fatos históricos. Essas tendências desempenham 
um papel fundamental na tomada de decisões estratégicas e com elas o 
cenário do mercado competitivo foi amplamente modificado. 
 
 
Ferramentas de relatórios 
Os resultados obtidos nas ferramentas de mineração de dados não eram 
muito amigáveis aos olhos de todos, números, fórmulas, relações e outras 
informações que eram estratificadas do Data Warehouse não tinham muito 
valor se não fossem organizados e apresentados de forma clara e objetiva. 
Surge aí uma nova categoria de sistemas de informações, as ferramentas de 
relatórios, ou Report Tools. 
Foram criadas muitas formas para relatar informações e resultados 
provenientes do processo de mineração de dados para o processo de 
inteligência empresarial, podendo ser entregues de diversas maneiras, como 
pareceres escrito, gráficos, tabelas, entre outros. Uma das técnicas mais 
comuns foram os painéis digitais, conhecidos como dashboards. Eles 
apresentam os dados em formatos visuais, muitas vezes em gráficos e com 
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_R_Z6JM4jyBUo
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_R_Z6JM4jyBUo
a possibilidade do detalhamentos de cada informação nele contido, e 
possuem um grande diferencial por estarem sempre atualizados. Um 
exemplo de painel digital pode ser visto na Figura 2. 
 
 
 
 
https://drive.google.com/file/d/1zBHx3SRvKI_AXSj_mJxGsFCkn89Kltto/view?usp=sharing
https://drive.google.com/file/d/1zBHx3SRvKI_AXSj_mJxGsFCkn89Kltto/view?usp=sharing
https://drive.google.com/file/d/1zBHx3SRvKI_AXSj_mJxGsFCkn89Kltto/view?usp=sharing
https://drive.google.com/file/d/1zBHx3SRvKI_AXSj_mJxGsFCkn89Kltto/view?usp=sharing
 
 
Figura 2. 
Essas ferramentas fornecem aos gestores do negócios as informações 
necessárias para levar as organizações ao sucesso. De maneira específica ou 
geral, essas ferramentas ganharam espaço nos ambientes corporativos, cada 
dia trazendo mais informações. Muitas dessas ferramentas possuem um 
solução completa e específica para a análise de dados, que se integram a 
ferramenta de mineração ou diretamente à base do DW. 
 
 
O surgimento dos Sistemas de Inteligência 
Empresarial 
Com o passar dos anos e a evolução das tecnologias, surgiram inúmeros 
sistemas específicos para a Inteligência Empresarial, alguns com novas 
propostas de arquiteturas e diferentes abordagens de tratamento de dados 
e informações. Alguns se mostraram como evoluções tecnológicas das 
ferramentas antigas e outros versões mais inovadoras, porém, os conceitos 
ainda permanecem baseados nesse processo de evolução histórica que 
acabamos de ver. 
https://drive.google.com/file/d/1zBHx3SRvKI_AXSj_mJxGsFCkn89Kltto/view?usp=sharing
https://drive.google.com/file/d/1zBHx3SRvKI_AXSj_mJxGsFCkn89Kltto/view?usp=sharing
https://sites.google.com/ulbra.br/G000077GS001/t001#h.jafirjsynej0
https://sites.google.com/ulbra.br/G000077GS001/t001#h.jafirjsynej0
https://drive.google.com/file/d/1zBHx3SRvKI_AXSj_mJxGsFCkn89Kltto/view?usp=sharing
 
 
 
Para o desenvolvimento de um sistemas BI, os sistemas 
basicamente precisam suportar três tarefas distintas que o 
processo de BI implementa: 
 
 
Estrutura dos sistemas de inteligência 
Com foco nessa abordagem, mostrada anteriormente nas três tarefas que 
os sistemas de BI devem suportar, algumas implementações surgiram e 
evoluíram até os conceitos atuais, mas muito dos conceitos se mantiveram 
como base, com a diferença de que sistemas grandes como ERP já fornecem 
uma unificação dos dados em uma base organizada e podem também 
oferecer as ferramentas de BI junto à sua solução. 
Mas, de forma resumida, as estrutura dos sistemas de BI passa por quatro 
camadas, como mostrado na Figura 3. 
https://sites.google.com/ulbra.br/G000077GS001/t001#h.w1h17zr60kby
https://sites.google.com/ulbra.br/G000077GS001/t001#h.w1h17zr60kby
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_IMUH0v7MyFLC
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_IMUH0v7MyFLC
 
 
 
 
https://drive.google.com/file/d/1GL-W11VCmW7n3R1wcSkLI8_Pdh_mmDCM/view?usp=sharing
https://drive.google.com/file/d/1GL-W11VCmW7n3R1wcSkLI8_Pdh_mmDCM/view?usp=sharing
https://drive.google.com/file/d/1GL-W11VCmW7n3R1wcSkLI8_Pdh_mmDCM/view?usp=sharing
https://drive.google.com/file/d/1GL-W11VCmW7n3R1wcSkLI8_Pdh_mmDCM/view?usp=sharing
 
 
Figura 3. 
O Data Sources são as fontes de dados da empresa, que podem ser internas 
ou externas. As fontes internas podem ser dos mais diversos sistemas 
utilizados ou de arquivos, planilhas, imagens que tenham dados importantes 
a serem analisados pela empresa. 
O Data Warehouse continua sendo o conceito de repositório central de dados, 
que através de um processo de transformação carrega as informações 
dos Data Sources, deixando as mesmas disponíveis para as ferramentas 
analiticas. 
As ferramentas analiticas, chamadas também de ferramentas de BI, foram 
as que talvez mais evoluíram. Elas analisam os dados do Data Warehouse ou 
dos Data Mart, a fim de gerar os dados/informações em tempo aos usuário, 
através das diversas formas de acesso aos mesmos. 
https://drive.google.com/file/d/1GL-W11VCmW7n3R1wcSkLI8_Pdh_mmDCM/view?usp=sharing
https://drive.google.com/file/d/1GL-W11VCmW7n3R1wcSkLI8_Pdh_mmDCM/view?usp=sharing
https://drive.google.com/file/d/1GL-W11VCmW7n3R1wcSkLI8_Pdh_mmDCM/view?usp=sharing
 
 
 
Um sistema de inteligência empresarial, concebido para tal, tem 
três vantagens principais: 
 
https://sites.google.com/ulbra.br/G000077GS001/t001#h.68cbab17c52q
https://sites.google.com/ulbra.br/G000077GS001/t001#h.68cbab17c52q
https://drive.google.com/file/d/1b4lfbvfGbAWig_1B0uG6joE4kOcGcXlz/view?usp=sharing
 
 
 
 
Infográfico 
 
https://drive.google.com/file/d/1b4lfbvfGbAWig_1B0uG6joE4kOcGcXlz/view?usp=sharing
https://drive.google.com/file/d/1b4lfbvfGbAWig_1B0uG6joE4kOcGcXlz/view?usp=sharing
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_YJhmnViHEcsr
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_YJhmnViHEcsr
https://drive.google.com/file/d/1b4lfbvfGbAWig_1B0uG6joE4kOcGcXlz/view?usp=sharing
https://drive.google.com/file/d/1b4lfbvfGbAWig_1B0uG6joE4kOcGcXlz/view?usp=sharing
 
 
https://drive.google.com/file/d/1b4lfbvfGbAWig_1B0uG6joE4kOcGcXlz/view?usp=sharing
https://drive.google.com/file/d/1b4lfbvfGbAWig_1B0uG6joE4kOcGcXlz/view?usp=sharing
https://drive.google.com/file/d/1b4lfbvfGbAWig_1B0uG6joE4kOcGcXlz/view?usp=sharing
 
 
 
Referências 
BELLUZZO, R. C. B.; FERES, G. G.; VALENTIM, M. L. P. (Org.). Redes de 
conhecimento e competência em informação: interfaces da gestão, 
mediação e uso da informação. Rio de Janeiro: Interciência, 2015. 
BONEL, Claudio. Afinal, O Que é Business Intelligence? Clube de Autores, 
2015. 
CAROTA, J.C. Inteligência Empresarial. Rio de Janeiro: Freitas Bastos, 2018. 
ROUHANI, Saeed; ASGARI, Sara; MIRHOSSEINI, Seyed Vahid. Review study: 
business intelligence concepts and approaches. American Journal of 
Scientific Research, v. 50, n. 1, p. 62-75, 2012. 
SHARDA, Ramesh; DELEN, Dursun; TURBAN, Efraim. Business Intelligence e 
Análise de Dados para Gestão do Negócio. Bookman: São Paulo, 2019. 
TAKARASHI, A. R. W. Competências, aprendizagem organizacional e 
gestão do conhecimento. Curitiba: InterSaberes, 2015. 
TURBAN, Efraim et al. Business intelligence:um enfoque gerencial para a 
inteligência do negócio. São Paulo: Bookman, 2009. 
 
 
Créditos 
Coordenação e Revisão Pedagógica: Claudiane Ramos Furtado 
Design Instrucional: Gabriela Rossa 
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_jq0l-RcVvgfl
https://sites.google.com/ulbra.br/G000077GS001/t001#h.p_jq0l-RcVvgfl
https://sites.google.com/ulbra.br/G000077GS001/t001#h.grncqw201ieg
https://sites.google.com/ulbra.br/G000077GS001/t001#h.grncqw201ieg
Diagramação: Marcelo Ferreira 
Ilustrações: Marcelo Germano 
Revisão ortográfica: Ane Arduim