Sistemas de Informações Gerenciais

Prévia do material em texto

1
35
1
Prof. Fábio José Ricardo
Sistema de Informações 
Gerenciais - SIG
Aula 3
35
2
Aspectos técnicos: workflow e 
RPA
35
3
Definição de workflow
Importância do workflow em sistemas de 
informação gerencial
Pode incluir a automação de processos como 
aprovações, alocação de recursos, 
gerenciamento de tarefas, entre outros
Workflow
35
4
Workflow
Organização orientada pelo consumidor
Estrutura orientada por processos 
EMPRESA
Passado
BRP
Futuro 
Estrutura funcional 
35
5
Comparação: organização funcional versus
orientada por processos
Organização por processos 
(workflow)
Organização funcional
• Objetivos ajustados pelos 
consumidores 
• Estruturas organizacionais 
flexíveis 
• Foco no projeto do 
comportamento
• Controle flexível do processo por 
gerentes de fluxo de trabalho 
(workflow)
• Consumidor como uma 
variável que causa distúrbio 
• Estruturas organizacionais 
rígidas
• Foco no projeto 
organizacional
• Controle do processo por 
gerentes de coordenação
Fonte: Fábio José Ricardo, 2023
35
6
Exemplo de workflow
bsd studio/Shutterstock
1 2
3 4
5 6
2
35
7
Definição de RPA (Robotic Process Automation)
Objetivo da RPA: melhorar a eficiência, reduzir 
erros e aumentar a velocidade de processos
Funcionamento da RPA: captura e interpretação 
de ações realizadas por usuários humanos, 
replicadas de forma autônoma por robôs de 
software
RPA
35
8
Áreas de aplicação da RPA: back-office, 
gestão de atendimento ao cliente, 
gerenciamento de vendas, entre outras
Benefícios da RPA: otimização de tempo e 
eficiência, automatização de processos mais 
complexos, liberação de profissionais de 
tarefas repetitivas para atividades mais 
estratégicas e criativas
RPA
35
9
Aspectos técnicos: business 
intelligence
35
10
Conceito
Áreas Compostas:
Data warehousing
Mineração de dados
Análise de dados
Visualização de dados 
Business intelligence
35
11
Warehousing é uma técnica de 
gerenciamento de dados que se concentra na 
armazenagem e análise de dados 
empresariais em grande escala
Ele é projetado para suportar a tomada de 
decisão empresarial, fornecendo aos usuários 
uma visão integrada e de alto nível dos dados 
da empresa
Warehousing
35
12
Técnica de armazenamento de dados que utiliza 
uma base de dados centralizada, o data 
warehouse, preenchida com informações 
normalizadas, integradas e agregadas de várias 
fontes
Os dados são analisados com o auxílio de 
ferramentas de business intelligence, como 
dashboards e relatórios, para fornecer 
informações úteis para a tomada de decisão 
empresarial
Data warehousing
7 8
9 10
11 12
3
35
13
Mineração de dados  conceito
Exemplos: 
Análise de perfil do cliente
Análise de vendas
Análise de log de chamadas
Análise de sentimento de mídia social
Análise de fraudes
Mineração de dados
35
14
Análise de dados  conceito
Exemplos: 
Análise de cluster
Análise de regressão
Análise de associação
Análise de séries temporais
Análise de sentimentos
Análise de dados
35
15
Visualização de dados  conceito
Exemplos: 
Gráficos de barras
Gráficos de linhas
Gráficos de pizza
Gráficos de dispersão
Mapas interativos
Visualização de dados
35
16
Tableau
Power BI
QlikView
Sap Lumira
IBM
Aplicativos BI
35
17
Aspectos Técnicos: machine
learning
35
18
Conceito  Aprendizagem de máquina
Exemplos:
Análise sentimentos de redes sociais
Sistemas de recomendação
Diagnóstico médico
Previsão do tempo
Classificação de spam
Machine learning
13 14
15 16
17 18
4
35
19
Principais aspectos:
Algoritmos projetados para aprender 
automaticamente com base em dados
Modelos que são usados para fazer 
previsões e tomar decisões
Dados: qualidade e quantidade de dados 
disponíveis
Machine learning
35
20
Principais aspectos:
Treinamento e validação dos dados
Optimização de hiperparâmetros 
experimentação com diversos valores para 
encontrar conjunto ideal
Machine learning
35
21
Exemplo de machine learning
Zapp2Photo/Shutterstock
35
22
Principais aspectos:
Treinamento e validação dos dados
Optimização de hiperparâmetros 
experimentação com diversos valores para 
encontrar conjunto ideal
Machine learning
35
23
Aspectos técnicos: 
inteligência artificial
35
24
Conceito de Inteligência Artificial - IA
IA forte:
É possível criar um computador com 
capacidade de processamento suficiente e 
inteligência suficiente para pensar e ser 
consciente como um ser humano
Inteligência artificial
19 20
21 22
23 24
5
35
25
IA forte  exemplos:
Diagnóstico médico
Reconhecimento de voz
Previsão de vendas
Segurança por câmeras
Atendimento ao cliente por chat
Inteligência artificial
35
26
IA fraca
Visão de que o comportamento inteligente 
pode ser modelado e usado por 
computadores para resolver problemas 
complexos, sem a necessidade de se 
preocupar com questões de consciência e 
emoções
Inteligência artificial
35
27
IA Fraca  exemplos:
Sistema de reconhecimento de produtos
Reconhecimento de voz, imagens e 
traduções
Desenvolvimento de novos medicamentos
Gerenciamento de estoque de produção
Inteligência artificial
35
28
Relação entre inteligência artificial, machine
learning, data analysis e data science
COMPUTAÇÃO 
PROGRAMAÇÃO 
SISTEMAS 
APRENDIZADO 
DE MÁQUINA 
MATEMÁTICA 
ESTATÍSTICA 
DATA 
SCIENCE
ÁREA 
PROBLEMÁTICA
PESQUISA 
TRADICIONAL 
DOMÍNIO DA ÁREA DO 
CONHECIMENTO
35
29
Aplicações IA:
Análise de dados
Tomada de decisões
Previsão de demanda
Otimização de logística
Análise de sentimentos
Inteligência artificial
35
30
Aspectos técnicos: big data
25 26
27 28
29 30
6
35
31
Conceito big data
Requer infraestrutura para implantação com 
escalabilidade, distribuição e gestão dos 
dados
Combinação dos últimos 50 anos de evolução 
tecnológica
Big data
35
32
Exemplos de big data:
Análise de vendas
Dados de vendas para tendência de 
mercado
Comportamento do consumidor
Oportunidades de crescimento
Big data
35
33
Otimização de supply chain
Otimização de rotas de entrega
Minimizar atrasos
Maximizar eficiência da cadeia de 
suprimentos
Big data
35
34
Previsão de demanda
Demanda futura de produtos e serviços
Otimização de estoques e produção
Evitar efeito chicote na cadeia de logística
Tomada de decisão
Automatizar decisões gerenciais
Alocação correta recursos
Priorização de projetos e orçamentos
Big data
35
35
Big data
Monitoramento de risco
Avaliação de riscos potenciais para a 
empresa
Análise de sentimentos
Análise de comentários de redes sociais
Análise de fóruns e outros canais
Entendimento da opinião do cliente
35
36
31 32
33 34
35 36