AULA 3 1

Prévia do material em texto

<p>AULA 3</p><p>SISTEMA DE INFORMAÇÕES</p><p>GERENCIAIS – SIG</p><p>Prof. Fábio Ricardo</p><p>2</p><p>TEMA 1 – ASPECTOS TÉCNICOS: WORKFLOW E RPA</p><p>Workflow, também conhecido como “fluxo de trabalho”, é um conceito que</p><p>se refere ao conjunto de processos e atividades que compõem o fluxo de trabalho</p><p>em uma organização. É uma maneira de garantir que as tarefas sejam realizadas</p><p>de forma eficiente e ordenada, permitindo que a equipe colabore de maneira mais</p><p>efetiva e alcance seus objetivos de maneira mais rápida.</p><p>Em sistemas de informação gerencial, o workflow é uma ferramenta</p><p>importante para garantir que as informações sejam compartilhadas de forma clara</p><p>e ordenada entre os membros da equipe. Isso permite que os processos sejam</p><p>otimizados e que os erros sejam minimizados, o que ajuda a melhorar a eficiência</p><p>e a qualidade do trabalho realizado.</p><p>O workflow em sistemas de informação gerencial pode incluir a automação</p><p>de processos como aprovações, alocação de recursos, gerenciamento de tarefas,</p><p>entre outros. Isso significa que as atividades podem ser realizadas de forma mais</p><p>rápida e eficiente, sem a necessidade de intervenção humana constante. Além</p><p>disso, o uso de um sistema de workflow permite que as informações sejam</p><p>registradas e acompanhadas de forma mais precisa, o que ajuda a garantir que</p><p>as tarefas sejam concluídas dentro do prazo estipulado.</p><p>É composto por vários processos que podem incluir aprovações, alocação</p><p>de recursos, gerenciamento de tarefas, entre outros. Esses processos são</p><p>interligados e precisam ser realizados de forma ordenada para garantir que o fluxo</p><p>de trabalho seja otimizado. Além disso, o Workflow permite que as informações</p><p>sejam compartilhadas de forma clara e ordenada entre os membros da equipe, o</p><p>que ajuda a minimizar erros e melhorar a qualidade do trabalho realizado. O uso</p><p>do Workflow em sistemas de informação gerencial pode garantir que as</p><p>informações sejam registradas e acompanhadas de forma precisa, o que ajuda a</p><p>garantir que as tarefas sejam concluídas dentro do prazo estipulado. Além disso,</p><p>a automação de processos como aprovações e alocação de recursos permite que</p><p>as atividades sejam realizadas de forma mais rápida e eficiente, sem a</p><p>necessidade de intervenção humana constante (Paim et al., 2009).</p><p>Um exemplo de sistema não automatizado e um processo suportado pela</p><p>tecnologia de workflow pode ser um sistema de gerenciamento de estoque de</p><p>materiais em que, após um atendimento, o funcionário precisa efetuar a baixa dos</p><p>materiais retirados do estoque.</p><p>3</p><p>Enquanto ele não tomar a iniciativa de efetuar a baixa do cadastro, o</p><p>sistema não é atualizado automaticamente. Imagine que o empregado possa se</p><p>encontrar sobrecarregado em suas atividades ou até mesmo precisar se ausentar</p><p>do seu posto após a entrega do material. Nesse caso, o sistema ficará</p><p>desatualizado, mostrando ainda a disponibilidade do material ou peça do</p><p>consumidor. Com o auxílio de um sistema de workflow, a requisição pode ser</p><p>efetuada de forma online pela pessoa interessada, a atualização do sistema seria</p><p>efetuada de forma automática, em tempo real, emitindo ainda avisos aos</p><p>interessados no processo de que o material foi disponibilizado, entregue etc.</p><p>(Paim et al., 2009, p. 94).</p><p>A figura 1 traz uma comparação do sistema funcional tradicional versus a</p><p>implantação de workflow. À esquerda, tem-se uma estrutura tradicional, funcional,</p><p>direcionada pelos níveis de comando e/ou gerenciais da empresa, um fluxo</p><p>vertical de informações. À direita, já os processos orientados por workflow, fluindo</p><p>de forma automatizada, sem a necessidade de influência manual para atualização</p><p>das informações.</p><p>Figura 1 – Organização orientada pelo consumidor</p><p>Fonte: Paim et al., 2009, p. 44.</p><p>As principais diferenças entre a organização funcional e orientada por</p><p>processos pode ser visualizada no quadro a seguir.</p><p>4</p><p>Quadro 1 – Comparação: organização funcional versus orientada por processos</p><p>Organização funcional Organização por processos (workflow)</p><p>• Consumidor como uma variável que</p><p>causa distúrbio</p><p>• Estruturas organizacionais rígidas</p><p>• Foco no projeto organizacional</p><p>• Controle do processo por gerentes de</p><p>coordenação</p><p>Objetivos ajustados pelos consumidores</p><p>Estruturas organizacionais flexíveis</p><p>Foco no projeto do comportamento</p><p>Controle flexível do processo por gerentes de</p><p>fluxo de trabalho (workflow)</p><p>Fonte: Paim et al., 2009, p. 43.</p><p>A figura 2 demonstra um fluxo de workflow em um sistema de pagamentos.</p><p>Figura 2 – Exemplo de Workflow</p><p>Crédito: bsd studio/Shutterstock.</p><p>• Pagamento Online (online payment): processo de pagamento online da</p><p>empresa;</p><p>• Segurança de Pagamento (payment security): sistema de segurança que</p><p>garante uma compra segura ao cliente;</p><p>• Opções de Pagamento (payment Options): lista de opções de formas de</p><p>pagamentos ao cliente, como débito, boleto, cartão de crédito ou até</p><p>mesmo pix;</p><p>• Adição ao Carrinho (add to basked): adição do item ao carrinho de</p><p>compras;</p><p>• Envio do pedido (submit order): envio do pedido, opção que faz com que o</p><p>processo de compra seja concluído.</p><p>https://www.shutterstock.com/g/bsdvector</p><p>5</p><p>Para que o workflow seja aplicado corretamente, conta-se com a tecnologia</p><p>de RPA, Robotic Process Automation (ou automação robótica de processos), que</p><p>visa melhorar a eficiência, reduzir erros e aumentar a velocidade de processos em</p><p>várias indústrias. É uma abordagem inovadora para a automatização de tarefas</p><p>repetitivas e rotineiras, realizadas por profissionais humanos, por meio de robôs</p><p>de software.</p><p>A RPA funciona capturando e interpretando as ações realizadas por um</p><p>usuário humano, como cliques e digitação, e replicando-as de forma autônoma.</p><p>Isso significa que os robôs são capazes de realizar tarefas sem a necessidade de</p><p>intervenção humana, o que ajuda a otimizar o tempo e a eficiência. Além disso, a</p><p>RPA é capaz de se integrar com outras aplicações e sistemas, o que permite a</p><p>automatização de processos mais complexos.</p><p>A RPA é amplamente utilizada para automatizar processos de back-office,</p><p>como a entrada de dados, o processamento de faturas e o gerenciamento de</p><p>pagamentos, entre outros. No entanto, ela também pode ser aplicada em várias</p><p>outras áreas, como a gestão de atendimento ao cliente e o gerenciamento de</p><p>vendas.</p><p>Além de melhorar a eficiência e reduzir erros, a RPA também tem o</p><p>potencial de liberar profissionais de tarefas repetitivas, permitindo que se</p><p>concentrem em atividades mais estratégicas e criativas. Isso pode ajudar a</p><p>melhorar a satisfação dos funcionários e aumentar a produtividade da equipe.</p><p>TEMA 2 – ASPECTOS TÉCNICOS: BUSINESS INTELLIGENCE</p><p>Business Intelligence (BI) é um conceito que se refere ao uso de</p><p>tecnologias, ferramentas e estratégias para transformar dados em informações</p><p>valiosas para a tomada de decisão empresarial. É composta por várias áreas,</p><p>incluindo:</p><p>• Data Warehousing;</p><p>• mineração de dados;</p><p>• análise de dados;</p><p>• visualização de dados.</p><p>Essas áreas trabalham juntas para transformar dados brutos em</p><p>informações valiosas que podem ser usadas para tomar decisões informadas.</p><p>6</p><p>Warehousing é uma técnica de gerenciamento de dados que se concentra</p><p>na armazenagem e análise de dados empresariais em grande escala. Ele é</p><p>projetado para suportar a tomada de decisão empresarial, fornecendo aos</p><p>usuários uma visão integrada e de alto nível dos dados da empresa.</p><p>O Data Warehousing é composto por uma base de dados centralizada,</p><p>conhecida como Data Warehouse, que é preenchida com dados de várias fontes,</p><p>incluindo sistemas transacionais, arquivos e fontes externas. Esses dados são</p><p>normalizados, integrados e agregados antes de serem armazenados no Data</p><p>Warehouse, de forma a serem facilmente acessíveis e analisáveis. A análise de</p><p>dados em Data Warehousing é realizada por meio de ferramentas</p><p>de Business</p><p>Intelligence, como dashboards, relatórios e análises avançadas, que permitem</p><p>aos usuários visualizar e entender os dados empresariais de maneira clara e</p><p>intuitiva (Sharda et al., 2019).</p><p>Na questão de mineração de dados, podemos citar alguns exemplos:</p><p>• Análise de perfil de cliente: identificação de padrões de comportamento de</p><p>compra de clientes, como frequência de compra, itens mais comprados e</p><p>horários de compra;</p><p>• Análise de vendas: análise de tendências de vendas, identificação de</p><p>padrões sazonais e previsão de vendas futuras;</p><p>• Análise de log de chamadas: análise de dados de log de chamadas de</p><p>atendimento ao cliente para identificar padrões de comportamento de</p><p>chamadas, como duração média da chamada e motivos mais comuns para</p><p>chamadas;</p><p>• Análise de sentimento de mídia social: análise de dados de mídias sociais</p><p>para identificar opiniões e sentimentos dos usuários em relação a uma</p><p>empresa, produto ou serviço;</p><p>• Análise de fraudes: análise de dados financeiros para identificar padrões</p><p>suspeitos e prevenir fraudes.</p><p>Na análise de dados, alguns exemplos seguem:</p><p>• Análise de cluster: agrupamento de dados semelhantes em categorias ou</p><p>grupos para identificar padrões e tendências;</p><p>• Análise de regressão: estimação da relação entre duas ou mais variáveis</p><p>para prever resultados futuros;</p><p>7</p><p>• Análise de associação: identificação de padrões de relação entre itens em</p><p>um conjunto de dados, como itens frequentemente comprados juntos;</p><p>• Análise de séries temporais: análise de dados que ocorrem ao longo do</p><p>tempo para identificar tendências e prever resultados futuros;</p><p>• Análise de sentimento: análise de dados de texto para identificar opiniões</p><p>e sentimentos dos usuários em relação a uma empresa, produto ou serviço.</p><p>Por fim, a visualização dos dados já armazenados, minerados e analisados</p><p>é realizada por meio de elementos gráficos que podem incluir tabelas, gráficos,</p><p>entre outros, mediante diversos aplicativos disponíveis. Exemplos de elementos</p><p>para a visualização de dados incluem:</p><p>• Gráficos de barras: exibição de dados categóricos ou numéricos em forma</p><p>de barras para comparar valores;</p><p>• Gráficos de linhas: exibição de dados temporais em forma de linhas para</p><p>identificar tendências ao longo do tempo;</p><p>• Gráficos de pizza: exibição de dados categóricos em forma de fatias para</p><p>comparar proporções;</p><p>• Gráficos de dispersão: exibição de relações entre duas ou mais variáveis</p><p>em forma de pontos dispersos;</p><p>• Mapas interativos: exibição de dados geográficos em forma de mapas para</p><p>identificar padrões e tendências em dados relacionados à localização.</p><p>Portanto, a Business Intelligence permite que as empresas acessem e</p><p>analisem grandes quantidades de dados, obtendo insights valiosos sobre seus</p><p>clientes, fornecedores, mercados e outros aspectos importantes do negócio. Além</p><p>disso, a BI ajuda a identificar tendências e padrões em dados históricos, o que</p><p>pode ser usado para prever resultados futuros e tomar decisões mais informadas.</p><p>É uma parte importante da transformação digital das empresas, pois permite que</p><p>as empresas acessem e analisem grandes quantidades de dados em tempo real,</p><p>o que pode ajudar a melhorar a eficiência, reduzir erros e aumentar a velocidade</p><p>de processos. Além disso, a BI pode ser aplicada em várias áreas da empresa,</p><p>incluindo finanças, marketing, vendas, recursos humanos, entre outras (Sharda et</p><p>al., 2019).</p><p>Exemplos de alguns aplicativos e softwares disponíveis no mercado para</p><p>uso em BI:</p><p>8</p><p>• Tableau: um dos aplicativos de BI mais populares, o Tableau permite a</p><p>criação de dashboards e relatórios interativos, além de fornecer uma ampla</p><p>gama de ferramentas de análise de dados;</p><p>• Power BI: uma solução da Microsoft, o Power BI permite a criação de</p><p>dashboards e relatórios personalizados, além de se integrar facilmente com</p><p>outras ferramentas da Microsoft, como o Excel;</p><p>• QlikView: uma solução de BI avançada, o QlikView permite a análise e</p><p>visualização de dados em tempo real, além de fornecer uma ampla gama</p><p>de ferramentas de mineração de dados e análise;</p><p>• SAP Lumira: uma solução de BI da SAP, o Lumira permite a criação de</p><p>dashboards interativos, além de se integrar com outras soluções da SAP,</p><p>como o HANA;</p><p>• IBM Cognos Analytics: uma solução de BI da IBM, o Cognos Analytics</p><p>permite a criação de dashboards, relatórios e análises avançadas, além de</p><p>se integrar com outras soluções da IBM.</p><p>Cabe ao usuário escolher o aplicativo que represente a melhor</p><p>funcionalidade para suas necessidades.</p><p>TEMA 3 – ASPECTOS TÉCNICOS: MACHINE LEARNING</p><p>Machine Learning (ou “aprendizagem de máquina”) é uma subárea da</p><p>Inteligência Artificial que se concentra na criação de sistemas que aprendem</p><p>automaticamente por meio de dados, sem serem explicitamente programados. Em</p><p>outras palavras, o Machine Learning permite que as máquinas aprendam por si,</p><p>sem a necessidade de intervenção humana. É baseado em algoritmos que</p><p>analisam dados e identificam padrões, usando esses padrões para fazer</p><p>previsões e tomar decisões. Existem vários tipos de algoritmos de Machine</p><p>Learning, incluindo aprendizado supervisionado, aprendizado não</p><p>supervisionado, aprendizado por reforço e aprendizado profundo (Netto; Maciel,</p><p>2009).</p><p>A aplicação do Machine Learning é ampla e inclui áreas como análise de</p><p>dados, visão computacional, processamento de linguagem natural,</p><p>recomendações, previsão de vendas e muito mais.</p><p>Exemplos de Machine Learning podem incluir:</p><p>9</p><p>• Análise de sentimentos em redes sociais: usando Machine Learning, é</p><p>possível analisar mensagens em redes sociais e identificar se os</p><p>sentimentos expressos são positivos, negativos ou neutros;</p><p>• Sistemas de recomendação: sistemas de recomendação, como o usado</p><p>por empresas como Amazon e Netflix, usam Machine Learning para</p><p>recomendar itens ou produtos que possam ser de interesse do usuário com</p><p>base em seu histórico de compras ou visualizações;</p><p>• Diagnóstico médico: alguns sistemas de Machine Learning são usados</p><p>para ajudar médicos a diagnosticar doenças, com base em imagens</p><p>médicas e histórico médico do paciente;</p><p>• Previsão do tempo: algoritmos de Machine Learning são usados para</p><p>prever o tempo, com base em dados climáticos passados e outras</p><p>informações relevantes;</p><p>• Classificação de Spam: algoritmos de Machine Learning são usados para</p><p>classificar e-mails como spam ou não spam, baseados em padrões</p><p>identificados em e-mails anteriormente classificados como spam ou não</p><p>spam.</p><p>Os principais aspectos técnicos de Machine Learning incluem:</p><p>• Algoritmos projetados para aprender automaticamente com base em</p><p>dados. Existem vários tipos de algoritmos de Machine Learning, incluindo</p><p>Regressão, Classificação, Clustering, Aprendizado por Reforço, Redes</p><p>Neurais, entre outros;</p><p>• Modelos que são usados para fazer previsões e tomar decisões. Os</p><p>modelos são treinados com dados históricos e, em seguida, são usados</p><p>para prever resultados futuros;</p><p>• Dados: qualidade e quantidade de dados disponíveis. Os algoritmos de</p><p>Machine Learning precisam de dados para aprender, e quanto mais dados</p><p>forem disponibilizados, melhores serão os resultados;</p><p>• Treinamento e Validação: antes de serem usados para prever resultados,</p><p>os modelos de Machine Learning precisam ser treinados com dados</p><p>históricos. O processo de treinamento é seguido por uma validação que</p><p>permite avaliar a precisão do modelo;</p><p>• Optimização de Hiperparâmetros: muitos algoritmos de Machine Learning</p><p>têm hiperparâmetros que precisam ser otimizados para produzir resultados</p><p>10</p><p>precisos. A otimização de hiperparâmetros é um processo que envolve</p><p>experimentar com diferentes valores de hiperparâmetros para encontrar o</p><p>conjunto ideal.</p><p>Um exemplo prático de aplicação de Machine Learning pode ser</p><p>visualizado na figura a seguir, que representa a captura de imagens de veículos</p><p>em uma rodovia. O sistema é capaz</p><p>de interpretar os dados recebidos, efetuar</p><p>análise e retirar aprendizagens diversas, tais como: fluxo de veículos nos diversos</p><p>períodos, característica dos veículos que trafegam pela rodovia, velocidades,</p><p>identificações, entre outros. O sistema também fornece informações valiosas para</p><p>a área de segurança, conseguindo localizar veículos roubados, por exemplo,</p><p>propiciando, assim, uma ação rápida e efetiva das autoridades.</p><p>Figura 3 – Exemplo de Machine Learning</p><p>Crédito: Zapp2Photo/Shutterstock.</p><p>TEMA 4 – ASPECTOS TÉCNICOS: INTELIGÊNCIA ARTIFICIAL</p><p>A Inteligência Artificial é um campo de estudo que se concentra em criar</p><p>sistemas que possam agir de forma inteligente, semelhante ao comportamento</p><p>humano. No entanto, a definição precisa de inteligência é controversa e tem sido</p><p>objeto de debates entre biólogos, psicólogos e filósofos há séculos.</p><p>https://www.shutterstock.com/g/Zapp2Photo</p><p>11</p><p>De acordo com Coppin (2013), Inteligência Artificial pode ser definida como</p><p>o estudo de sistemas que agem de forma inteligente aos olhos de um observador.</p><p>Além disso, a Inteligência Artificial envolve o uso de métodos baseados no</p><p>comportamento inteligente de seres humanos e animais para solucionar</p><p>problemas complexos.</p><p>A Inteligência Artificial é amplamente dividida em duas categorias: IA Forte</p><p>e IA Fraca. Aqueles que apostam na IA Forte acreditam que é possível criar um</p><p>computador com capacidade de processamento suficiente e inteligência suficiente</p><p>para pensar e ser consciente como um ser humano. No entanto, muitos filósofos</p><p>e pesquisadores da Inteligência Artificial consideram essa visão como infundada.</p><p>Por outro lado, a IA Fraca é a visão de que o comportamento inteligente pode ser</p><p>modelado e usado por computadores para resolver problemas complexos, sem a</p><p>necessidade de se preocupar com questões de consciência e emoções.</p><p>Podemos citar alguns exemplos de IA Forte e IA Fraca, conforme segue</p><p>(Coppin, 2013):</p><p>• IA Forte</p><p>o Sistemas de inteligência artificial baseados em conhecimento, como</p><p>sistemas especialistas que usam regras lógicas para solucionar</p><p>problemas e tomar decisões. Exemplo: diagnóstico médico;</p><p>o Sistemas de inteligência artificial baseados em aprendizado</p><p>profundo, como redes neurais que aprendem por meio de exemplos</p><p>e são capazes de generalizar para novos problemas. Exemplo:</p><p>reconhecimento de voz;</p><p>o Sistemas de inteligência artificial baseados em aprendizado de</p><p>máquina, como árvores de decisão que usam algoritmos para</p><p>encontrar padrões em grandes quantidades de dados e fazer</p><p>previsões precisas. Exemplo: previsão de vendas;</p><p>o Sistemas de inteligência artificial baseados em visão computacional</p><p>que são capazes de processar imagens e vídeos para detectar</p><p>objetos, pessoas e outros elementos. Exemplo: segurança por</p><p>câmeras;</p><p>o Sistemas de inteligência artificial baseados em linguagem natural,</p><p>como chatbots que são capazes de entender e responder a</p><p>perguntas em linguagem natural humana. Exemplo: atendimento ao</p><p>cliente por chat;</p><p>12</p><p>• IA Fraca</p><p>o Lógica: usa lógicas formais para representar e manipular</p><p>informações. Exemplo: sistema de reconhecimento de produtos;</p><p>o Raciocínio automatizado: usa regras para chegar a conclusões por</p><p>meio de informações dada. Exemplo: sistema de diagnóstico de</p><p>problemas técnicos;</p><p>o Redes neurais: modelos inspirados nas redes neurais do cérebro</p><p>humano que aprendem por meio de exemplo. Exemplo:</p><p>reconhecimento de voz, imagem, traduções;</p><p>o Algoritmos genéticos: usas técnicas baseadas em evolução para</p><p>encontrar soluções para problemas. Exemplo: desenvolvimento de</p><p>novos medicamentos;</p><p>o Sistemas de produção: usam regras para codificar o conhecimento</p><p>e tomar decisões. Exemplo: gerenciamento de estoque e produção.</p><p>A inteligência artificial é aplicada em conjunto com machine learning e</p><p>matemática estatística, gerando uma base de Data Science (ciência de dados),</p><p>conforme exemplificado na figura a seguir, em que é possível verificar a relação</p><p>entre esses elementos.</p><p>Figura 4 – Relação entre inteligência artificial, Machine Learning, Data Analysis e</p><p>Data Science</p><p>Fonte: Netto; Maciel, 2009, p. 121.</p><p>13</p><p>Em sistemas de informações gerenciais, a inteligência artificial tem grandes</p><p>aplicações, entre elas:</p><p>• Análise de dados: usando algoritmos de aprendizado de máquina para</p><p>identificar tendências, padrões e insights em grandes quantidades de</p><p>dados empresariais. Um exemplo prático pode ser a análise de grandes</p><p>volumes de dados de vendas em uma empresa de varejo, identificando</p><p>tendências de comportamento de compra do cliente, padrões sazonais e</p><p>insights sobre as preferências dos clientes, a fim de ajudar a empresa a</p><p>otimizar seu mix de produtos, alocar recursos de marketing e melhorar a</p><p>satisfação do cliente;</p><p>• Tomada de decisões: usando sistemas de inteligência artificial baseados</p><p>em conhecimento para ajudar a automatizar a tomada de decisões</p><p>gerenciais, como a alocação de recursos, a priorização de projetos e a</p><p>alocação de orçamentos. Exemplo seria o uso de sistemas de inteligência</p><p>artificial para otimizar a alocação de recursos em uma empresa. Por</p><p>exemplo, um sistema de inteligência artificial pode analisar dados sobre a</p><p>utilização dos recursos da empresa, como máquinas e funcionários, para</p><p>identificar oportunidades de alocação mais eficientes. O sistema pode</p><p>então sugerir a alocação de recursos baseada em sua análise, ajudando a</p><p>empresa a tomar decisões mais informadas sobre como alocar seus</p><p>recursos;</p><p>• Previsão de demanda: usando algoritmos de aprendizado de máquina para</p><p>prever a demanda futura de produtos ou serviços, ajudando as empresas</p><p>a otimizar seus estoques e sua produção. Pode ser usada para prever a</p><p>demanda futura de determinados produtos em um sistema de vendas. Isso</p><p>permite que a empresa otimize seu estoque e produção, evitando excessos</p><p>ou faltas de estoque. Por exemplo, uma empresa de varejo pode usar</p><p>dados históricos de vendas para treinar um modelo de aprendizado de</p><p>máquina que prevê a demanda futura de determinados produtos, como</p><p>roupas ou eletrônicos, e usar essas previsões para ajustar sua produção e</p><p>estoque;</p><p>• Otimização de logística: usando sistemas de inteligência artificial para</p><p>otimizar rotas de entrega, minimizar atrasos e maximizar a eficiência da</p><p>logística. Um exemplo pode ser dado como utilização de algoritmos de</p><p>roteamento para encontrar as rotas mais eficientes para entrega de</p><p>14</p><p>mercadorias, levando em consideração fatores como tráfego, distâncias,</p><p>horários de entrega e limitações de carga. Esses sistemas podem ajudar</p><p>as empresas a economizar tempo e dinheiro, além de melhorar a satisfação</p><p>dos clientes;</p><p>• Análise de sentimentos: usando sistemas de inteligência artificial baseados</p><p>em linguagem natural para analisar comentários de clientes em redes</p><p>sociais, fóruns e outros canais, ajudando as empresas a entender as</p><p>opiniões dos clientes e a melhorar sua experiência. Exemplo prático seria</p><p>uma empresa de e-commerce usando um sistema de inteligência artificial</p><p>baseado em linguagem natural para analisar as opiniões dos clientes sobre</p><p>seus produtos e serviços nas redes sociais, fóruns e comentários em seu</p><p>site. O sistema classifica os comentários como positivos, negativos ou</p><p>neutros e identifica as principais tendências e preocupações dos clientes.</p><p>A empresa usa essas informações para melhorar a experiência dos clientes</p><p>e aumentar a satisfação.</p><p>TEMA 5 – ASPECTOS TÉCNICOS: BIG DATA</p><p>Big Data é uma expressão que se refere à quantidade de dados gerados</p><p>em alta velocidade e volume que ultrapassam a capacidade de processamento de</p><p>sistemas tradicionais de armazenamento e análise. É uma combinação de</p><p>tecnologias e soluções que permitem a coleta, armazenamento, análise e</p><p>visualização de grandes quantidades de dados, incluindo dados estruturados,</p><p>semiestruturados e não estruturados. O objetivo é transformar esses</p><p>dados em</p><p>informações valiosas para tomar decisões informadas e melhorar os processos de</p><p>negócios. A tendência de Big Data está mudando a forma como as organizações</p><p>usam dados para melhorar a experiência do consumidor, transformar seus</p><p>modelos de negócios e tomar decisões informadas.</p><p>Big Data é uma das tendências tecnológicas mais importantes da</p><p>atualidade e tem o potencial de mudar significativamente a forma como as</p><p>empresas utilizam informações para melhorar a experiência do cliente e</p><p>transformar seus modelos de negócios. Em relação a como uma empresa pode</p><p>aproveitar ao máximo os dados, é importante compreender que Big Data é uma</p><p>combinação de tecnologias de gerenciamento de dados que permite que as</p><p>organizações armazenem, gerenciem e manipulem grandes quantidades de</p><p>dados de maneira eficiente, para obter informações valiosas.</p><p>15</p><p>A chave para aproveitar Big Data é garantir que os dados sejam</p><p>gerenciados de maneira a atender às necessidades específicas do negócio (Judith</p><p>et al., 2016).</p><p>Muitas empresas estão no início de sua jornada com Big Data e estão</p><p>experimentando técnicas para coletar grandes quantidades de dados e identificar</p><p>padrões escondidos que possam indicar mudanças importantes. Por exemplo,</p><p>empresas de manufatura podem monitorar dados de sensores de máquinas para</p><p>identificar como os processos devem ser modificados antes de eventos</p><p>catastróficos ocorrerem. Varejistas podem monitorar dados em tempo real para</p><p>oferecer vendas complementares de produtos relacionados aos clientes durante</p><p>suas transações. Na área da saúde, soluções de Big Data podem ser usadas para</p><p>identificar a causa de uma doença e fornecer orientações médicas como opções</p><p>de tratamento (Judith et al., 2016).</p><p>No entanto, implementar soluções de Big Data requer uma infraestrutura</p><p>adequada para suportar a escalabilidade, distribuição e gestão dos dados.</p><p>Portanto, é importante ter tanto uma estratégia de negócios quanto uma estratégia</p><p>técnica para aproveitar ao máximo essa tendência tecnológica relevante (Judith</p><p>et al., 2016).</p><p>A gestão de dados é frequentemente abordada sob a perspectiva do</p><p>software, no entanto, é importante considerar uma visão mais ampla que inclua</p><p>também avanços tecnológicos em hardware, armazenamento, rede e modelos de</p><p>computação, como virtualização e computação em nuvem. A convergência</p><p>dessas tecnologias emergentes e a redução de custos na administração de dados</p><p>permitiram a emergência de novas oportunidades.</p><p>Big Data é a tendência mais recente resultante desses fatores e é definido</p><p>como quaisquer fontes de dados que tenham pelo menos três características</p><p>comuns: volume extremamente grande, velocidade extremamente alta e</p><p>variedade extremamente ampla. Essa capacidade de coletar, armazenar,</p><p>administrar e manipular grandes quantidades de dados rapidamente é o que torna</p><p>o Big Data tão importante. Ele não é uma tecnologia autônoma, mas, sim, uma</p><p>combinação dos últimos 50 anos de evolução tecnológica na administração de</p><p>dados (Judith et al., 2016, p. 10).</p><p>Alguns exemplos de aplicação de Big Data em sistemas de informações</p><p>gerenciais incluem:</p><p>16</p><p>• Análise de vendas: usando dados de vendas para identificar tendências de</p><p>mercado, padrões de comportamento do consumidor e oportunidades de</p><p>crescimento;</p><p>• Otimização de supply chain: usando dados de logística para otimizar as</p><p>rotas de entrega, minimizar atrasos e maximizar a eficiência da cadeia de</p><p>suprimentos;</p><p>• Previsão de demanda: usando algoritmos de aprendizado de máquina para</p><p>prever a demanda futura de produtos ou serviços, ajudando as empresas</p><p>a otimizar seus estoques e produção;</p><p>• Tomada de decisão: usando sistemas de inteligência artificial baseados em</p><p>conhecimento para ajudar a automatizar a tomada de decisões gerenciais,</p><p>como alocação de recursos, priorização de projetos e alocação de</p><p>orçamentos;</p><p>• Monitoramento de risco: usando dados financeiros e econômicos para</p><p>identificar e avaliar os riscos potenciais para a empresa;</p><p>• Análise de sentimentos: usando sistemas de inteligência artificial baseados</p><p>em linguagem natural para analisar comentários de clientes em redes</p><p>sociais, fóruns e outros canais, ajudando as empresas a entender as</p><p>opiniões dos clientes e melhorar sua experiência.</p><p>17</p><p>REFERÊNCIAS</p><p>COPPIN, B. Inteligência artificial. São Paulo: GEN, 2013.</p><p>NETTO, A.; MACIEL, F. Python para data science e machine learning</p><p>descomplicado. São Paulo: Alta Books, 2009.</p><p>PAIM, R.et al. Gestão de processos – pensar, agir e aprender. São Paulo:</p><p>Bookman, 2009.</p><p>RAMESH, S.; DURSUN, D.; EFRAIM, T. Business intelligence e análise de</p><p>dados para gestão do negócio. São Paulo: Bookman, 2019.</p>