Apostila de Tecnologias de Comércio Eletrônico

Prévia do material em texto

ESTADO DE MINAS GERAIS 
UNIVERSIDADE ESTADUAL DE MONTES CLAROS – UNIMONTES 
CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS – CCET 
DEPARTAMENTO DE CIÊNCIAS DA COMPUTAÇÃO 
CURSO DE TECNOLOGIAS DA INFORMAÇÃO 
 
 
 
Curso Seqüencial em Tecnologias da Informação 
 
 
Disciplina: Tecnologias de Comércio Eletrônico 
Carga Horária: 80 h/a 
Período: 4° 
 
 
 
 
 
 
 
Ementa: Introdução. Comportamento de usuários e caracterização 
de carga de trabalho. Cenários. Business to Business (B2B). 
Arquitetura da WWW. Gerência de Recursos: Servidores de 
Comércio Eletrônico; Servidores de Venda; Publicidade; Tecnologia 
de Suporte; Criptografia. Modelagem, Personalização, Distribuição 
e Ferramentas de Desempenho de Serviços de Comércio 
Eletrônico. Estudo de Casos (Modelos de Negócios). 
 
 
 
 
 
 
 
 
 
 
 
 
 
Período: 31/07/2006 à 04/10/2006 
 
 
Professor: Rodrigo Leite Durães. 
Introdução 
 
Através destes últimos anos, a Internet deixou de ser apenas uma rede 
científica para ser uma plataforma que está possibilitando uma nova geração 
de negócios. A primeira onda de negócios eletrônicos foi fundamentalmente a 
troca de informações. Mais tipos de negócios tornou-se eletronicamente 
disponíveis. 
A tecnologia revolucionou a forma de realizar negócios. A Nova Economia 
necessita de um novo paradigma, mas o processo de conversão levará algum 
tempo para ser completado. 
A Internet está mudando o conceito das aplicações. Estamos movendo em 
direção à computação universal e em direção aos serviços eletrônicos. 
Conhecer e usar este novo mundo é essencial para a sobrevivência de 
qualquer organização, aquelas que terão sucesso serão as que souberem 
utilizar ás ferramentas digitais para reinventar sua maneira de operar e fazer 
negócios. 
Nunca foi tão fácil para o cliente observar o que o competidor do seu 
fornecedor tem a oferecer. Nem do competidor ver o que está sendo oferecido 
pelo fornecedor. 
Um cuidado especial deve existir para que não se transmita ao cliente a 
imagem de que sua empresa virtual é uma entidade separada da empresa 
tradicional de tipo “tijolo-e-cimento” que ele já conhece. Muitos só fazem a 
transação porque confiam na sua empresa: não se pode perder este diferencial 
competitivo. 
Aspectos legais e governamentais ainda não estão plenamente definidos nos 
países. 
Entender o que acontece com as finanças, produtos e clientes, minimiza 
expressivamente o gasto operacional. 
Procedimentos, conceitos, processos, técnicas e tecnologia buscam garantir a: 
confidencialidade, integridade e disponibilidade da informação em qualquer 
meio. 
O que é um enorme desafio, pois a informação é, cada vez mais, armazenada, 
manipulada e transmitida em formato digital. 
 2
O cenário de e-business vai deslocar o centro das atenções das empresas com 
relação à Internet. 
O Brasil, por exemplo, saiu da 18ª posição em 1998 e alcançou a 8ª posição em 
janeiro de 2004 em número de usuários da internet. Na área bancária está em 
marcha uma onda de investimentos dos bancos brasileiros em tecnologia - 1 
bilhão de reais. Objetivo: trata-se da adaptação às regras do próximo acordo da 
Basiléia apelido dado às normas do Banco de Compensações Internacionais. 
O e-Business pode ser definido como sendo um complexo sistema de 
integração envolvendo o e-Commerce e não somente a empresa, mas também 
fornecedores prestadores de serviço ou outros agentes. 
Todo o conjunto de sistemas de uma empresa interligado aos sistemas de 
diversas outras empresas, interagindo para que o e-Commerce aconteça. 
Em termos do computador o e-Business pode ser entendido como - todo o 
conjunto "atrás da tela" e na "frente da tela". 
O forte do e-Business é a consolidação de novos modelos de negócios e 
gestão de empresas, usando a internet como infra-estrutura, como rede, 
essencialmente em seu aspecto tecnológico: a padronização do uso do 
protocolo TCP/IP. 
 
 
 
Comércio Eletrônico (EC) 
 
Historicamente - compra de CDs e livros. 
- http://www.amazon.com
Compra de bilhete aéreo - exemplo de e-Commerce 
Existe por trás: 
- sistema de cobrança bancária ou cartão de crédito; 
- sistema de gerenciamento de tráfego aéreo - informações de atrasos. 
- sistema de fornecimento de catering. 
e-Commerce - parte visível 
e-Commerce é parte do e-Business - mais visível, não sendo a mais 
importante. Parte visível do e-Busines é por meio dele que as transações de 
compra e venda de produtos e serviços acontecem. 
 3
Ponta de vista do comprador: 
- processo de compra 
- Desejo/necessidade 
- Processo de busca 
- Avaliação 
Tomada de decisão 
Proposta do e-Commerce/formas: 
- compra/venda deve ser fácil para o cliente - usabilidade 
- conscientizar o cliente do valor agregado no processo de compra pela Internet 
- possibilitar ao cliente personalizar produto/serviço 
- aumentar o poder de venda 
- ferramenta para auxiliar o gerenciamento da equipe de vendas 
Ex. Comércio Musical - o formato MP3 criou uma nova indústria musical, 
exclusivamente em função do novo modelo de e-Commerce. 
 
 
 
 
Business to Business (B2B). 
 
É feito por meio da Extranet. A Extranet consiste em duas Intranets conectadas 
via Internet, por meio do que duas organizações são capazes de visualizar 
dados confidenciais da outra. Normalmente, apenas pequenas partes da 
informação são disponibilizadas para os parceiros, o suficiente para possibilitar 
a realização de negócios. As redes business-to-business já existiam antes da 
Internet. Muitas organizações montaram redes privadas para comunicar-se 
com parceiros e clientes. Mas mantê-las tornou-se muito caro. Graças à 
utilização da Internet, os custos caíram drasticamente. Para manter as 
transações de negócio privadas, redes virtuais privadas (VPNs) são utilizadas 
na maioria dos casos. 
O foco se deslocará para o B2B (Business to Business). Mas chegar ao B2B 
significa mudar a mentalidade, organização, processos e tecnologia das 
empresas. 
 4
Negócios entre empresas pela Internet: 
• 1999-dimensão económica mundial- 145 bilhões de dólares/ ano. (=PIBde 
SP) 
• 2004 -7.29 trilhões de dólares/ano (=PIB dos EUA) 
Essa é a magnitude do poder de transformação dos negócios na Intenet e-
Bussiness: 
• uso predominante dos recursos de Extranet. 
 
Business-to-Consumer (B2C) – Desafios 
 
A competição é muito maior no EC do que no comércio tradicional. Você deve 
planejar modelos de negócios orientados ao seu cliente (esta é uma das bases 
do CRM). Modelos de negócios unicamente voltados à linha de produtos 
tendem a “morrer” nas guerras de descontos do mundo .com. 
Já está surgindo o Web Call Center, em que os mesmos serviços são 
prestados, no entanto, a partir de um ícone em uma página de um site na 
Internet e através de recursos multimídia. 
Esta é a face mais proeminente que a maioria das pessoas já viu na Internet. 
Tradicionalmente, isto é o que a maioria das pessoas conhece como e-
commerce: vender produtos na Web. 
• Venda direta aos consumidores 
• Uso de recursos da Internet. 
 
 
 
 
 
 
 
 
 
 
 
 5
Arquitetura da WWW. 
 
Internet é uma Rede Mundial de Computadores baseada em um conjunto de 
protocolos e Web é um dos mais avançados serviços que a Internet oferece. 
INTERNET começou a ser definida em 1958 e chamava-se ARPANET (uma 
instituição militar associada a cientistas de universidades). Passou a ser 
utilizada em 1969. É uma rede de computadores por meio da qual qualquer 
comunidade pode se comunicar e trocar informações. O INTER da palavra vem 
de interligada e o NET de Network, malha de comunicação. 
WEB ou Wide World Web nascida em1989, é um sistema de 
informações interconectadas que reside na INTERNET, ou seja, é um 
subconjunto da INTERNET que foi sugerido por Tim Berners-Lee. Também 
pode ser entendido como a parte gráfica (visível) da INTERNET. 
Um fator de sucesso foi a criação de um padrão de comunicação - Internet 
Standards, baseado na especificação de protocolos padrões de comunicação 
Internet Protocol (IP). 
Outros protocolos utilizados: 
POP3 e SMTP - envio e recebimento de e-mails 
IRC – chats 
HTTP - transferência de hipertextos 
Uma Intranet também usa o mesmo protocolo HTTP, com acesso de usuários 
restrito a uma autorização por parte do gerenciador da Intranet. 
Empresas configuram a Intranet para ligar seus sistemas de informação 
internamente e dar acesso a funcionários, sócios e quem quer que esteja 
autorizado. Permitindo que diferentes Intranets autorizem acesso entre seus 
usuários internos. Permitindo também que gerentes de cada Intranet 
configurem mutuamente as autorizações de acesso por grupo de usuários ou 
individualmente (identificação de usuário e senha). 
 
Gerência de Recursos: Servidores de Comércio Eletrônico; Publicidade; 
Tecnologia de Suporte; Criptografia. 
 
 6
Call Center 
 
Serviço de atendimento telefónico, geralmente gratuito, usando o padrão 
mundial 0-800 ou 1-800. A principal característica desse serviço é a interação 
com pessoas (e não gravações pré-formatadas). Esse recurso tem sido muito 
usado para vendas, informações, atendimento ao consumidor para dúvidas, 
reclamações ou informações. 
 
ERP - Enterprise Resource Planning. 
 
Sistemas integrados de gestão empresarial. 
Ter um sistema de gestão totalmente integrado para a maioria das médias e 
pequenas empresas é um sonho. Normalmente as aplicações desse porte, 
exigem mudanças bruscas no comportamento e no modelo gerencial adotado 
pelas empresas, e na maioria das vezes todo o parque informático é 
substituído, como também será necessário um reaprendizado por parte dos 
empresários e seus funcionários; elevando assim o custo de implantação. 
Em alguns sistemas ERP existem módulos e base de dados separados para 
análise. 
- Segurança: O fornecedor do ERP se encarrega da segurança das 
informações dos clientes. 
- Atualizações: Com os programas de Business on-line, os técnicos da 
empresa fornecedora dos ERP se encarregam das atualizações do software. 
- Custos: Talvez essa seja a maior vantagem desse novo modelo de 
negócios. O custo do sistema é calculado pelo número de usuários que a 
empresa tem. 
- Ex: No caso do Business on-line, os valores variam de cinco dólares, 
para usuários que fazem apenas consultas, até 600 dólares, para pessoas que 
inserem diariamente informações no sistema. 
Dificuldades de Implantação do ERP 
- Requer um volume astronômico de dinheiro. 
- Necessidade de um grande volume de reuniões entre a empresa e os 
consultores de implantação. 
- Auto custo de atualização dos produtos. 
 7
- Dificuldade de escolher o melhor produto de acordo com o perfil da 
empresa. 
- Necessidade de mão de obra especializada em administração dos 
recursos de TI. 
e-ERP: ERP - sistemas integrados de toda a empresa. Produção, Contas a 
Pagar, Controle de contas bancárias, Aplicações Financeiras, Recebimentos, 
Depreciação, etc. 
 
e-Procurement 
 
JackWelch, em sua autobiografia, conta que, quase no 'apagar das luzes' de 
sua gestão como presidente da GE, acabou cedendo às pressões e deu inicia 
á implantação de um projeto de e-Business: o e-Procurement - plataformas 
eletrõnicas para compras. Em apenas 1 ano, trouxe ganhos de 
aproximadamente 1,5 bilhão de dólares para a GE. 
 
e-SCM 
 
O gerenciamento da rede de fornecedores (Suppiy Chain Management). 
O SCM é o sistema de informações que integra o ERP da empresa com os 
sistemas de informações de seus diversos fornecedores. 
Feito isso em troca de informações em protocolo da internet (IP), teremos o e-
SCM. 
Ex.: Um DSS que integrasse nosso ERP e e-SCM poderia imediatamente 
traçar os diferentes cenários em relação á nâo-existència do item em estoque 
com quantidade suficiente, já indicando os custos, tempos, rentabilidade e 
exeqüibílidade de cada uma das alternativas possíveis. 
É o sistema de procura de itens para fornecimento, fora da rede de 
fornecedores do e-SCM. 
É o "departamento de compras" da empresa tradicional. Sua função é não só 
achar fornecedores, mas também cotar os melhores preços e condições de 
fornecimento. 
 
 8
CRM 
 
CRM é um acrônimo de origem inglesa Customer Relationship Management 
que significa em português Gestão de Relacionamento com o Cliente 
(gerenciamento da relação com o cliente, em português do Brasil). 
CRM é um sistema integrado de gestão com foco no cliente, constituído por um 
conjunto de procedimentos/processos organizados e integrados a um modelo 
de gestão de negócios, do Inglês "Business Process Management" (BPM). 
Alguns softwares que auxiliam e apóiam esta gestão, é comumente 
classificados e denominados como Sistemas de CRM. 
Seu objetivo principal é auxiliar as organizações a angariar e fidelizar clientes 
ou prospectos, fidelizar clientes atuais procurando atingir a sua satisfação total, 
através do melhor entendimento de suas necessidades e expectativas e 
formação de uma visão 360 graus dos ambientes de marketing. 
O CRM abrange, na generalidade, três grandes áreas: 
Automatização da gestão de marketing 
Automatização da gestão comercial, dos canais e da força de vendas. 
Gestão dos serviços ao cliente 
Os processos e sistemas de gestão de relacionamento com o cliente permitem 
que se tenha controle e conhecimento das informações sobre os clientes de 
maneira integrada, principalmente através do acompanhamento e registro de 
todas as interações com o cliente, que podem ser consultadas e comunicadas 
a diversas partes da empresa que necessitem desta informação para guiar as 
tomadas de decisões. 
Uma das atividades da Gestão do Relacionamento com o cliente implica em 
registrar os contatos realizados pelos clientes, de forma centralizada. Os 
registros não dependem do canal de comunicação que o cliente utilizou (voz, 
fax, e-mail, Chat, SMS, MMS, etc.), e servem para que se tenham informações 
úteis e catalogáveis sobre os clientes. Qualquer informação relevante para as 
tomadas de decisões pode ser registrada, analisadas periodicamente, de forma 
a produzir relatórios gerenciais dos mais diversos interesses. 
O CRM é uma estratégia de gestão de negócios através do relacionamento 
com o cliente, para a realização de maior lucratividade e ganhos de vantagem 
competitiva, destacando para isto a participação da tecnologia como forma 
 9
para automatizar os diversos processos de negócio, como vendas, marketing, 
serviços ao consumidor, suporte a campo. O CRM integra pessoas, processos 
e tecnologia para aperfeiçoar o gerenciamento de todos os relacionamentos, 
incluindo consumidores, parceiros de negócios e canais de distribuição. Ele é 
uma tendência mundial, porque ele é mais do que um software ou um conjunto 
de processos, é uma cultura global de negócio, focada em ganhar e manter os 
clientes certos. E nesta economia global competitiva, uma estratégia-chave de 
negócios é focada em infra-estrutura e entrega de processos de negócios, para 
gerenciar e entregar valor do cliente através de vários canais. 
O CRM é uma tendência mundial dentro das organizações. É fruto de um 
complexo desenvolvimento integrado de diversas áreas dentro de uma 
organização impulsionada diretamente pela tecnologia da informação nos 
processos de armazenamento, processamento e distribuição. 
Suas melhores decisões são baseadasfundamentalmente no fluxo, na 
integração e na agilidade de processamento de suas informações. 
Entender o que acontece com as finanças, produtos e clientes, minimiza 
expressivamente o seu gasto operacional. 
Até então - sistemas de informação apresentavam no máximo um histórico de 
compras já feitas pelo cliente ou suas informações cadastrais. 
Para tanto diferentes estratégias são apresentadas: 
• Gerenciar o relacionamento com os não-clientes, objetivando a 
conquista de novos clientes no universo da Internet; 
• Maximizar a qualidade e a satisfação dos clientes atuais; 
• Fidelização - O CRM visa à lealdade do relacionamento que se 
estabelece com o cliente Encantar aquele que já é cliente, no entanto está com 
um nível baixo de atividade. 
O CRM permite esta visão, dando maior agilidade nas tomadas de decisões, 
permitindo um DATA MINING eficiente, onde o foco vai ser direcionado a quem 
sustenta o seu negócio; o CLIENTE, minando assim os dados de uma forma 
rápida precisa e de forma simples. Permitindo uma diferenciação no tratamento 
aos clientes como manda a máxima do marketing 1 to 1. 
Entender o que acontece com as finanças, produtos e clientes, minimiza 
expressivamente o seu gasto operacional. 
 10
e - CRM: As principais novidades têm sido as operacionalizações das 
ferramentas de Data Mining e Data Warehouse, ligadas a aplicações de CRM, 
notadamente na prospecção de clientes para novos serviços e produtos. 
 
Principio de Marchall para análise de Investimento 
 
É baseado na análise de retorno sobre o investimento (ROI) ou retomo do 
investimento (Payback). 
Qualquer investimento racional só é feito quando o retomo (resultado) é maior 
ou igual ao valor investido. 
Deve-se levar ainda em consideração. Aplicar um recurso qualquer deve 
resultar num retorno maior ou igual àquele que se obteria ao se aplicar o 
mesmo recurso no mercado financeiro, levando em consideração o 
crescimento médio da economia e da inflação. 
No entanto, não è isso que está acontecendo. Não tem sido possível mensurar 
o retorno em decisões de investimentos em tecnologia de informação e mesmo 
assim investimentos enormes têm sido feitos. Este é o paradoxo. 
Ex.: Empresa HMSA 
Compra de lote de ações – sócio da empresa 
Compra de 1% das ações – lote 1.000.000 de ações 
Valor líquido dos ativos da HMSA = $100.000.000,00 logo sua parte em ativos 
seria de $1.000.000,00. 
Valor líquido patrimonial de cada ação é $1,00. 
 
Ações devem ter seus preços correlacionados ao patrimônio líquido das 
empresas. 
Preço das ações < valor patrimonial – bom momento para investir. 
Preço das ações > valor patrimonial – cuidado! 
 
1929 – crack da bolsa de Nova Iorque 
Preço das ações >> valor patrimonial – acionistas começaram rapidamente a 
vender suas ações. 
A grande oferta de ações desequilibrou o mercado e fez os preços 
despencarem 
 11
Mesma situação aconteceu recentemente, mas não aconteceu o crack. 
 
1993 – 2000 – índice Dow Jones chegou aos 12.000 pontos 
 
2001 – desaceleração do crescimento da economia norte-americana 
Preço das ações >> valor patrimonial – principalmente as das empresas de alta 
tecnologia (Nasdaq) 
Vendas crescentes de ações – desequilíbrio no mercado – despencam os 
preços n a bolsa. 
 
2002 – índice Dow Jones – queda de 30%, índice Nasdaq – queda de 50%. 
 
Ex.: Empresa HMSA 
Lucro líquido ao término do ano R$10.000.000,00 
Retenção de 50% para novos investimentos e reforço de caixa. 
Distribuição de 50% entre os acionistas. 
Quem tem 1% das ações – receberá $50.000,00 
 
Empresa que anuncia lucro – preços das ações sobem no mercado. 
 
O modelo econômico apropriado para explicar esse fenômeno é o de 
Schumpeter. Entre seus estudos a Teoria do desenvolvimento Econômico e os 
Ciclos de Negócio 
As empresas comportam-se orientadas estrategicamente pela competição 
 
Q = f(C, K, S, L, j, t), onde: 
Q = Faturamento 
C = Capital Investido em Tecnologia de Informação 
K = Capital Investido em todos os demais setores (exceto TI) 
S = Dispêndio com salários, treinamentos e pagamentos de terceiros 
relacionados aos serviços em TI. 
L = Dispêndio com salários, treinamentos e pagamentos de terceiros NÃO 
relacionados aos serviços em TI. 
Onde (Q) estava sujeito aos fatores externos 
 12
J = Fator Ambiental 
T = Tempo 
 
Os pesquisadores testaram duas hipóteses (H1 e H2) 
H1 – variação de Q >= variação de Custos dos fatores ligados a TI (C + S) 
H2 – variação de Q >= variação de Custos de todos os fatores (C + K + S + L) 
 
H1 – se uma empresa investir $10.000,00 em TI – o aumento do faturamento 
será maior que $10.000,00 
 
H2 – se uma empresa investir $10.000,00 seja em TI, seja em outros setores – 
o aumento do faturamento será maior que $10.000,00. 
 
Os pesquisadores captaram uma relação direta 
 
De C (investimento em TI) com Q (faturamento) 
Cada dólar investido em infra-estrutura de TI – aumento no faturamento da 
empresa foi de $81,00. 
 
De S (serviços em TI) 
Cada dólar investido em serviços de TI – aumento no faturamento da empresa 
foi de $2,62. 
 
VP = (P/r). [1-CI-nf], onde: 
- VP = Valor presente (valor do investimento inicial) 
- P = Valor do acréscimo de receita 
- r = Taxa de juros ao mês 
- n = Número de meses para o financiamento 
- Resolvendo pôr calculadora ou Excel o resultado será sete meses. Ou 
melhor, em apenas sete meses você pagará o investimento e terá condições 
de absorver mais outros nove clientes. 
 
Década de 90 
- Escola Japonesa de Qualidade 
 13
- Reengenharia - Neo-Taylorismo Americano 
Passagem do milênio - união das duas escolas associadas ao e-Business = 
Modelo de Gestão pela Integração Total (GIT) 
 
1993 surgiram nos EUA (Michael Hammer e James Champy), e 1994 - Brasil. 
"O repensar fundamental e a reestruturação radical dos processos 
empresariais que visam alcançar drásticas melhorias em indicadores críticos e 
contemporâneos de desempenho." 
As técnicas de qualidade visam fazer o que sempre foi feito, no entanto melhor. 
Reengenharia é começar de novo. Engendra novas soluções pouco ou nada 
semelhantes às das eras anteriores. 
 
Objetivo: juntar os pontos fortes dos dois modelos: 
Reengenharia e TQC. É um modelo globalizante (nem japonês, nem 
americano). 
• Adaptado ao e-Business através de uma nova "escola" norte-americana 
pós reengenharia: 6 Sigma. 
Passos no processo 6σ; 
1. Foco no cliente: o que para ele é importante e prioritário. 
2. Estabeleça critérios para mensuração da melhoria - Ex: 
Longo tempo de espera para atendimento em um Call Center entrega atrasada 
despacho de pedido incompleto 
3. Alinhamento do processo 6σ a metas ambiciosas e definidas claramente. 
Os novos modelos de marketing - Marketing de Relacionamento fundamenta-
se em: 
- identificação do cliente - permitir integração 
- diferenciação/interação - cada cliente 
- personalização (customização) de produtos e serviços No e-Business o e - 
CRM acrescenta: 
- avaliação de benefícios da diferenciação. 
- rentabilização de todo o processo, para garantir ao cliente a sobrevivência da 
empresa ao longo do tempo. 
Fidelização - O CRM visa à lealdade do relacionamento que se estabelece com 
o cliente 
 14
Ex-, Porsche da Alemanha - "Estacionamento e Lavagem de Graça”. 
 
O que devemos considerar ao se transferir dinheiro pela Internet? 
 
• Confidencialidade: detalhes da transação não podem estar disponíveis 
para terceiros – isso deve ficar claro para seu cliente na Internet. 
• Segurança: os instrumentos de crédito, como os números de cartões de 
crédito, não serão utilizados indevidamente;o uso de tecnologias como SSL, 
SET, Passport, etc. devem ser considerados. 
• Confiabilidade: os registros de transação, como tipo do produto, 
quantidade e preço, não serão alterados ou perdidos. 
 
 
Segurança da Informação 
 
Procedimentos, conceitos, processos, técnicas e tecnologia buscam garantir a: 
confidencialidade, integridade e disponibilidade da informação em qualquer 
meio. 
O que é um enorme desafio, pois a informação é, cada vez mais, armazenada, 
manipulada e transmitida em formato digital. 
Os investimentos estão concentrados em medidas preventivas tais como: 
proteção do perímetro – Firewalls, antivírus, criptografia, esquemas de 
autenticação forte, VPNs, etc. 
Mas, medidas preventivas não são infalíveis. E se elas falharem? Como saber 
se as medidas adotadas são adequadas/eficientes? Como determinar em quais 
áreas novos investimentos preventivos deve ser feitos? 
Hoje empresas e organizações devem ser capazes de detectar incidentes de 
segurança. Ser capaz minimiza os danos causados por eventuais falhas nas 
medidas preventivas e situações não previstas pelas mesmas. 
Os sistemas de detecção de intrusão são fundamentais no auxílio ao trabalho 
de especialistas. 
Mas, o que fazer se uma intrusão/violação for detectada? 
Para isto é preciso: 
• Equipe de respostas a incidentes. 
 15
• Procedimentos pré-definidos. 
• Investigação e preservação de evidências: “Forense computacional”. 
Pois as lições aprendidas geram revisão/alteração de medidas preventivas. 
O TCP/IP é um conjunto de protocolos desenvolvidos sem ter segurança como 
um dos critérios de projeto. 
Os pacotes IP não possuem nenhuma segurança definida. 
É relativamente fácil: 
• Falsificar endereços IP. 
• Modificar conteúdo de pacotes IP 
• Retransmitir seqüências de pacotes capturadas 
• Verificar o conteúdo de pacotes IP em transito. 
Para vencer as limitações de segurança do TCP/IP a comunidade Internet 
desenvolveu uma série de protocolos e mecanismos de segurança no nível de 
aplicação. Um exemplo é o SSL. 
Praticamente todas as empresas, órgãos governamentais possuem sites Web. 
WWW é, fundamentalmente, uma aplicação cliente-servidor baseada no 
TCP/IP. Web é uma aplicação bastante vulnerável na sua concepção original. 
Além disto, apesar da simplicidade de uso de browsers e até mesmo de 
configuração de servidores Web, a complexidade é alta o que esconde muitas 
falhas potenciais. 
Várias alternativas podem ser utilizadas para fornecer segurança Web, dentre 
elas o SSL e o SET (especificamente para pagamento utilizando cartão de 
crédito via Web). 
 
 
SSL 
 
O Secure Socket Layer foi criado pela Netscape. O SSL versão 3 foi 
desenvolvido com apoio da indústria. É composto de duas camadas de 
protocolos. 
 
 
 
 
 16
SET – Secure Eletronic Transaction 
 
Em fevereiro de 1996 VISA e Mastercard buscam um padrão de segurança 
para pagamentos via Web. Microsoft, IBM, Netscape, RSA, Verisign e outras 
empresas participam da especificação inicial. Em 1998 surgiram os primeiros 
produtos comerciais. 
O SET não é um sistema de pagamentos, mas sim um conjunto de protocolos 
de segurança que permitem que a infra-estrutura de pagamentos utilizando o 
cartão de crédito existente seja utilizada na Internet. 
Essencialmente o SET fornece os seguintes serviços: 
• Canal de comunicação seguro (criptografado) entre as partes envolvidas 
na transação. 
• Confiança e reconhecimento através de certificados digitais padrão. 
• Garante privacidade, pois as informações somente estarão disponíveis 
para as partes interessadas quando e onde elas forem realmente necessárias. 
A especificação do SET está disponível na Internet. 
 
 
Criptografia 
 
A criptografia pode ser entendida como a ação de reescrever um texto de modo 
que apenas as pessoas autorizadas pelo autor do texto sejam capazes de 
compreendê-lo. Num caso deste, o texto normalmente é chamado mensagem e 
uma pessoa autorizada a ler a mensagem é chamada destinatário. O autor da 
mensagem pode ser chamado de remetente e a ação de criptografar uma 
mensagem é chamada de codificação da mensagem. 
Historicamente, a criptografia surgiu para envio de mensagens de estratégias 
de combate em guerras, e já era utilizada por Júlio César para envio de 
mensagens aos seus exércitos em luta na Europa de antes de Cristo. 
Atualmente, a criptografia é muito utilizada na rede mundial de computadores, 
Internet. Esta rede permite que haja comunicação entre computadores situados 
a qualquer distância, comunicação que é feita, em determinados estágios, 
através de redes telefônicas. Como, tecnologicamente, é muito fácil se 
interceptar mensagens enviadas através de redes telefônicas, é necessário que 
 17
alguns tipos de mensagens sejam criptografadas para que apenas o 
destinatário, ao recebê-la, seja capaz de compreendê-la, no sentido de que leia 
a mensagem original. Exemplos de mensagens deste tipo incluem transações 
bancárias e transações comerciais, como compras por cartão de crédito. 
Utiliza-se a expressão codificar para o ato – que deve ser realizado pelo 
destinatário – da conversão da mensagem criptografada para a mensagem 
original, enquanto a expressão decifrar é utilizada para a conversão acima 
referida realizada por outra pessoa que não o destinatário. Para alguns 
processos de criptografia, se u não destinatário decifra uma mensagem 
codificada por algum método ele é capaz de decifrar qualquer mensagem 
codificada pelo tal método. Dizemos então que o “código foi quebrado”, código 
aí sendo utilizado no sentido do método utilizado para a codificação. 
Provavelmente, o método mais antigo para codificação de mensagens tenha 
sido o de trocar as letras do alfabeto por outras, de acordo com uma regra 
preestabelecida. Por exemplo, trocar cada letra pela letra seguinte. Métodos 
que consistam simplesmente na substituição de letras por outras (ou por outros 
símbolos) são relativamente fáceis de serem quebrados, facilidade esta em 
função de que, em qualquer língua, há prevalência de determinados tipos de 
letra e de combinações das letras. Por exemplo, na nossa língua portuguesa, 
as vogais são mais freqüentes que as consoantes e, entre aquelas, a letra mais 
freqüente é a letra A. 
Em um sistema de criptografia com chave pública, cada usuário publica em 
uma lista (como a telefônica) um procedimento para os outros usuários cifrar as 
mensagens que lhe são dirigidas. Cada usuário guarda o seu procedimento 
para decifrar as mensagens que lhe são enviadas. 
Em geral, o método de cifrar e decifrar são o mesmo para todos os usuários, 
variando apenas os parâmetros, que são chamados de chave. 
Uma desvantagem dos sistemas de criptografia com chave pública conhecidos 
atualmente é que são bem mais lentos que os “sistemas de criptografia 
clássicos”. No entanto podem-se combinar os dois e usar o sistema de chave 
pública para obter apenas parâmetros para usar em um sistema clássico. 
 
Modelagem, Personalização, Distribuição e Ferramentas de Desempenho 
de Serviços de Comércio Eletrônico. 
 18
 
BI - Business Intelligence 
 
A crescente disponibilização de informações que tem surgido na medida em 
que mais e mais organizações utilizam-se das ferramentas de Business 
Intelligence, está fazendo com que apareçam, também, novas necessidades de 
análise das informações disponibilizadas. 
Ao contrário do que se possa imaginar, o conceito de Business Intelligence não 
é recente. Fenícios, persas, egípcios e outros povos do Oriente utilizavam esse 
princípio há milhares de anos, quando cruzavam informações obtidas junto à 
natureza em benefício próprio. Observar e analisar o comportamento dasmarés, os períodos de seca e de chuvas, a posição dos astros, entre outras, 
eram formas de obter informações que eram utilizadas para tomar as decisões 
que permitissem a melhoria de vida de suas respectivas comunidades. 
 O mundo mudou desde então, mas o conceito permanece o mesmo. A 
necessidade de cruzar informações para realizar uma gestão empresarial 
eficiente é hoje uma realidade tão verdadeira quanto no passado o foi descobrir 
se a alta da maré iria propiciar uma pescaria mais abundante. O interesse pelo 
BI vem crescendo na medida em que seu emprego possibilita às corporações 
realizar uma série de análises e projeções, de forma a agilizar os processos 
relacionados às tomadas de decisão. 
Pela ótica da tecnologia, a era que podemos chamar de "pré-BI" está num 
passado não muito distante - algo entre trinta e quarenta anos atrás - quando 
os computadores deixaram de ocupar salas gigantescas, na medida em que 
diminuíram de tamanho e, ao mesmo tempo, as empresas passaram a 
perceber os dados como uma possível e importante fonte geradora de 
informações. 
 No entanto, naquela época ainda não existiam recursos eficientes que 
possibilitassem uma análise consistente desses dados para a tomada de 
decisão. Era possível reunir informações de maneira integrada, fruto de 
sistemas transacionais estabelecidos com predominância em dados 
hierárquicos, mas que, reunidos como blocos fechados de informação, 
permitiam uma visão da empresa, mas não traziam ganhos decisórios ou 
negociais. Era o final dos anos 60, período em que cartões perfurados, 
 19
transistores e linguagem COBOL era a realidade da Informática. Era a época 
em que se via o computador como um desconhecido, um vislumbre de 
modernidade que mais parecia ser uma realidade distante. 
O cenário começou a mudar na década de 70, com o surgimento das 
tecnologias de armazenamento e acesso a dados - DASD (Direct Access 
Storage Device - dispositivo de armazenamento de acesso direto), e SGBD 
(Sistema Gerenciador de Banco de Dados) - duas siglas cujo principal 
significado era o de estabelecer uma única fonte de dados para todo o 
processamento. A partir daí o computador passou a ser visto como um 
coordenador central para atividades corporativas e o banco de dados foi 
considerado um recurso básico para assegurar a vantagem competitiva no 
mercado. 
O desenvolvimento tecnológico ocorrido a partir da década de 70 e nos anos 
posteriores possibilitou a criação de ferramentas que vieram a facilitar todo o 
processo de captação, extração, armazenamento, filtragem, disponibilidade e 
personalização dos dados. Com isso, o setor corporativo passou a se 
interessar pelas soluções de BI, principalmente por volta do final de 1996, 
quando o conceito começou a ser difundido como um processo de evolução do 
EIS - Executive Information Systems. 
O Executive Information System (EIS) é, na verdade, um software que objetiva 
fornecer informações empresariais a partir de uma base de dados. É uma 
ferramenta de consulta às bases de dados das funções empresariais para a 
apresentação de informações de forma simples e amigável, atendendo às 
necessidades, principalmente, dos executivos da alta administração. Permite o 
acompanhamento diário de resultados, tabulando dados de todas as áreas 
funcionais da empresa para depois exibi-los de forma gráfica e simplificada, 
sendo de fácil compreensão para aqueles que não possuem profundos 
conhecimentos sobre tecnologia. 
O EIS permite a esses profissionais o acesso amigável a uma série de 
informações por meio eletrônico, apresentadas de forma clara e visualmente 
atraente. A navegação é feita através do uso do mouse ou do sistema 
"touchscreen" (tela sensível ao toque) o que não requer habilidade, nem prática 
e nem necessidade de assistência. O principal objetivo do EIS é oferecer ao 
seu usuário, em curto espaço de tempo, uma visão gerencial da organização, 
 20
mostrando como funcionam seus processos de trabalho e como ela se 
relaciona com o mundo externo dos negócios, clientes e fornecedores. 
As primeiras ferramentas de Business Intelligence surgiram por volta dos anos 
70 e se caracterizavam por usar intensa e exaustiva programação, o que exigia 
altos custos de implementação. Com a evolução tecnológica e o conseqüente 
surgimento dos bancos de dados relacionais, dos computadores pessoais, das 
interfaces gráficas, e da consolidação do modelo cliente-servidor, os 
fornecedores de soluções começaram a colocar no mercado produtos 
realmente direcionados para os analistas de negócios, bem mais amigáveis e 
acessíveis para os gerentes e diretores das diferentes áreas da corporação. 
No início dos anos 90, a maioria das grandes empresas contava somente com 
Centros de Informação (CI) que embora mantivessem estoque de dados, 
ofereciam pouquíssima disponibilidade de informação. Mesmo assim, os CIs 
supriam de certa forma, as necessidades de executivos e detentores das 
tomadas de decisão, fornecendo relatórios e informações gerenciais. O 
mercado passou a se comportar de modo mais complexo e a tecnologia da 
informação progrediu rumo ao aprimoramento de ferramentas de software, as 
quais ofereciam informações precisas e no momento oportuno para definir 
ações que tinham como foco a melhoria do desempenho no mundo dos 
negócios. 
A história do Business Intelligence também está profundamente atrelada ao 
ERP (Enterprise Resource Planning) sigla que representa os sistemas 
integrados de gestão empresarial cuja função é facilitar o aspecto operacional 
das empresas. Esses sistemas registram, processam e documentam cada fato 
novo na engrenagem corporativa e distribuem a informação de maneira clara e 
segura, em tempo real. 
Mas as empresas que implantaram esses sistemas logo se deram conta de que 
apenas armazenar grande quantidade de dados de nada valia se essas 
informações se encontravam repetidas, incompletas e espalhadas em vários 
sistemas dentro da corporação. Percebeu-se que era preciso dispor de 
ferramentas que permitissem reunir esses dados numa base única e trabalhá-
los de forma a que possibilitassem realizar diferentes análises sob variados 
ângulos. Por essa razão, a maioria dos fornecedores de ERP passou a embutir 
em seus pacotes os módulos de BI, que cada vez mais estão se sofisticando. 
 21
O que esses sistemas têm em comum é a característica de facilitar a 
transformação dos dados em informações de forma a auxiliar os diversos níveis 
de uma empresa na tomada de decisões. 
Na avaliação dos consultores de mercado, não são apenas as grandes 
corporações que precisam e investem em soluções de BI, mas também as 
empresas de pequenos e médios portes que cada vez mais necessitam injetar 
inteligência aos negócios para não perder pontos para a concorrência e, ainda, 
para visualizar novas oportunidades e para ampliar sua área de atuação. 
O amadurecimento do conceito e da tecnologia de BI possibilitou o 
desenvolvimento de uma série de produtos. As ferramentas de front end 
voltadas para os usuários finais de diferentes áreas da empresa, ficaram mais 
amigáveis e fáceis de usar. Algumas, inclusive trazem templates (programas 
prontos e padronizados para uso) que incorporam as melhores práticas de 
determinados segmentos (financeiro, marketing, vendas, produção, etc.) e de 
determinadas verticais de mercado (manufatura, varejo, finanças, utilities, etc.) 
e podem ser utilizadas pelos profissionais dos setores operacionais e não pelos 
diretores e gerentes. 
Essas soluções possibilitam, por exemplo, que esses profissionais tenham 
diferentes visões de uma informação, sem precisar do auxílio do pessoal de TI 
para isso, o que agiliza a geração de relatóriose as análises. Na avaliação de 
alguns consultores, utilizar ferramentas de BI para questões operacionais, no 
entanto, é subutilizar essas soluções e geralmente isso ocorre para sanar 
alguma deficiência no lado transacional. As ferramentas de BI, segundo 
defendem os consultores, devem ser empregadas para funções mais nobres e 
complexas, voltadas para a análise e para a tomada de decisão. 
 
Data Warehouse 
 
É comum a utilização do Data Mining como uma etapa de um Data Warehouse. 
Kimball (1996) define Data Warehouse (Armazém de dados) como: 
“Conjunto de ferramentas e técnicas de projeto, que quando aplicadas às 
necessidades específicas dos usuários e às bases de dados específicos, 
permite que seja planejado e construído um armazém de dados”. 
 Outras definições: 
 22
"Ambiente de suporte à decisão que alavanca dados armazenados em 
diferentes fontes e os organiza e entrega aos tomadores de decisão" (SINGH, 
2001). 
Um Data Warehouse é uma base de dados histórica da organização, contendo 
um conjunto de dados baseados em assuntos, integrado, variável em relação 
ao tempo e não volátil (INMON, 1997). 
 
• Orientação por assunto: 
Assunto é o conjunto de informações relativas à determinada área 
estratégica de uma empresa. Os dados são organizados por assuntos 
(não por processos) e por aplicações específicas, obtendo assim 
informações necessárias para tomadas de decisões. 
 
• Integração: 
Essa característica talvez seja a principal no Data Warehouse, pois 
através dela padronizamos uma representação única para os dados de 
todos os sistemas que formarão a base de dados do Data Warehouse. 
Esses dados geralmente estão armazenados em várias bases 
operacionais existentes nas empresas. 
Vários analistas podem ter suas próprias convenções, por exemplo, 
entre masculino e feminino. Têm-se várias opções de representar, tais 
como: 'M' e 'F’; 'M' e 'H’; O e 1 e muitas outras representações. Vê-se 
que são as mesmas informações, mas em formatos diferentes, e essa 
diferença não pode existir no Data Warehouse. Por isso integram-se os 
dados, para convencionar de forma uniforme o armazenamento dos 
dados. 
 
• Variação no Tempo: 
Data Warehouse mantém os dados do histórico por um período muito 
superior a outros sistemas transacionais. Isso acontece porque o Data 
Warehouse analisa o comportamento dos dados, para usá-los em 
comparações, tendências e previsões. 
 
 
 23
• Não Volatilidade: 
Segundo Inmon (1997), "a maior parte dos dados têm o armazenamento 
físico radicalmente alterado quando passam a fazer parte do Data 
Warehouse. Do ponto de vista de integração, não são mais os mesmos 
dados do ambiente operacional. À luz destes fatores, a redundância de 
dados entre os dois ambientes raramente ocorre, resultando em menos 
de um por cento de duplicações". 
 
Um Data Warehouse segundo a abordagem de Kimball (1996): 
• Visão incremental baseados em Data Marts; 
• Exige mais esforços na fase de extração, transformação e carga; 
• Os Data Marts possuem menor complexidade e tempo de 
desenvolvimento; 
• Modelagem Star-Schema (Modelo Estrela). 
 
Um Data Warehouse segundo a abordagem de Inmon (1997): 
 
• Estilo tradicional de construção de BD (Banco de Dados); 
 
• Forte integração entre todos os dados da empresa; 
 
• Modelo único e coeso, mas rígido e de difícil consecução; 
 
• Todo o Data Warehouse é construído de uma vez; 
 
• Período extenso de desenvolvimento; 
 
• Modelagem Snow-Flake. 
 
 
 
 24
Inmon (1997): 
 
- Diz que o DW (Data Warehouse) deve ser modelado o mais 
normalizado possível, possivelmente utilizando a técnica de 
entidades e relacionamentos. 
 
- Somente os Data Marts devem ser modelados dimensionalmente. 
 
Kimball (1996) define Data Mart assim: "Conjunto de ferramentas e técnicas de 
projeto, que quando aplicadas às necessidades específicas dos usuários e aos 
bancos de dados específicos permitirá que planejem e construam um Data 
Warehouse". 
Conforme Inmon (1997), data marts são subconjuntos de dados da empresa 
armazenados fisicamente em mais de um local, geralmente divididos por 
departamento (data marts "departamentais"). 
Os principais processos envolvidos na construção e manutenção de um data 
warehouse são segundo Inmon (1997): 
 
 
• Extração dos dados: significa entendimento das bases de dados 
operacionais disponíveis, bem como compreensão dos seus significados 
e extração de um conjunto de dados relevantes para o domínio da 
aplicação; 
 
• Transformação dos dados: depois de extraídos, os dados devem 
sofrer transformações para tornar viável sua leitura, devem ser limpos 
para garantir a integridade da informação e deve ser feita a verificação 
da qualidade para assegurar a relevância e veracidade dos dados; 
 
• Publicação dos Dados: significa a carga de novos dados no data 
warehouse oriundos das bases de dados operacionais. Após a carga 
dos novos dados, os usuários do data warehouse devem ser notificados 
que novos dados estão disponíveis para acesso; 
 
 25
• Acesso: é o processo de recuperação de informação, seja por meio de 
ferramentas de relatório ou sistemas de suporte à decisão. Ambas as 
tecnologias acessam os dados através do processamento analítico on-
line (On-line Analytical Processing - OLAP); 
 
• Backup e Recuperação: detem-se planejar a estratégia de backup e 
recuperação, analisando as necessidades da aplicação. Entre estas: 
custo/benefício deste processo, tempo que a base pode permanecer off-
line enquanto acontecem estes procedimentos, espaço de 
armazenamento ocupado pelas cópias de segurança e hardware 
específico necessário a execução do backup e recuperação. 
 
Os Data Marts se diferenciam do Data Warehouse pelos seguintes fatores 
segundo Inmon (1997): 
 
• São personalizados: Atendem às necessidades de um departamento 
específico ou grupos de usuários; 
 
• Menor volume de dados: Por atenderem a um único departamento, 
armazenam um menor volume de dados; 
 
• Histórico limitado: Os Data Marts raramente mantém o mesmo período 
histórico que um Data Warehouse, que geralmente mantém um histórico 
de 5 a 10 anos; 
 
• Dados sumarizados: Os Data Marts geralmente não mantém os dados 
no mesmo nível de granularidade do Data Warehouse, ou seja, os dados 
são, quase sempre, sumarizados quando passam do Data Warehouse 
para os Data Marts. 
 
Junto ao Data Warehouse são usadas ferramentas OLAP. A ferramenta OLAP 
(on-line analytical processing) oferece algumas funções que, segundo Kimball, 
(1996) as mais freqüentes são: 
 26
 
• Tabelas cruzadas: são nada mais do que as tradicionais planilhas 
eletrônicas; a diferença reside no fato de que os dados são 
apresentados em planilhas com mais de duas dimensões, normalmente 
quatro ou mais; 
 
• Drill-down: serve para solicitar uma visão mais detalhada em um 
conjunto de dados, pode-se dizer que o usuário "mergulha" nos dados; 
 
• Roll-up: consiste na operação inversa ao drill-down, ou seja, apresenta 
os dados cada vez mais agrupados ou sumarizados; 
 
• Pivoting: serve para adicionar ou re-arranjar as dimensões das tabelas. 
 
• Slide-dice: é a função que faz fixar uma informação de dimensão ou 
reduzir as dimensões de apresentação dos dados. 
 
Kimball (1996) defende que o Data Warehouse deve utilizar a modelagem 
dimensional e não ER (Entidades e Relacionamentos), pois: 
 
1. Os esquemas relacionais resultantes de uma modelagem tradicional 
contrariam uma premissa chave em data warehouse que é a recuperação 
intuitiva e em alto desempenho dos dados; 
 
2. Usuários finais não conseguem entender ou navegarum modelo ER 
complexo, que pode em alguns casos representar centenas de entidades; 
 
3. Softwares comuns não conseguem aplicar consultas analíticas a modelos 
relacionais tradicionais de forma eficiente. Otimizadores de consulta que 
tentam suprir essa deficiência são notórios por efetuar escolhas 
inadequadas, com grande perda de desempenho; 
 
 27
4. Modelos ER não são extensíveis o suficiente para acomodar mudanças nos 
requisitos de negócio do sistema. Em conseqüência, toda a estrutura de 
entidades e relacionamentos, bem como as funcionalidades da aplicação 
nela apoiadas, têm de ser revistas e adaptadas quando da inclusão de 
novos elementos ou mudança em requisitos de projeto. Em justaposição a 
essa característica, em ambientes data warehouse os requisitos do usuário 
estão sujeitos a mudanças constantes, tornando a evolução do esquema 
conceitual um aspecto primordial para o sucesso do projeto. 
 
Uma forte justificativa para a adoção desta política reside na otimização 
conseguida sobre o processamento de consultas complexas, o que torna o 
esquema estrela o preferido para a representação de data warehouses 
(KIMBALL, 1996). 
Como conseqüência, os projetos tendem a focar em soluções com nítido apelo 
físico (otimização de consultas, integração de dados heterogêneos, 
manutenção de visões materializadas, dentre outros aspectos), enquanto se 
distanciam do correto entendimento dos requisitos do usuário. Inúmeras 
metodologias têm sido propostas tanto pela comunidade científica quanto pela 
indústria (KIMBALL, 1996) com o intuito de prover uma visão de mais alto nível 
ao projeto de aplicações data warehouse. 
Kimball (1996) coloca, contudo, que os requisitos de negócio dos usuários 
influenciam quase toda decisão tomada ao longo da implementação do data 
warehouse. 
A metodologia criada por kimball (1996) tem como pano de fundo um 
framework conceitual que descreve uma seqüência de etapas de alto-nível 
requeridas para o projeto, desenvolvimento e implantação efetivos de um data 
warehouse. 
Kimball (1996) acredita que a probabilidade de sucesso de um projeto data 
warehouse é consideravelmente aumentada se um entendimento consistente 
dos requisitos dos usuários é estabelecido. 
Em relação a metodologias similares, a abordagem de Kimball (1996) se 
destaca pela separação entre requisitos de negócio e projeto físico da 
aplicação; pela busca da conformidade de requisitos multidimensionais comuns 
 28
com o modelo corporativo; e pelo uso de sessões de entrevista e reuniões para 
elicitar, analisar e negociar requisitos de sistema. 
Uma seqüência de passos, que pode servir de guia para o projeto de 
repositórios de dados (KIMBALL, 1996). 
A despeito da preocupação com a separação entre requisitos e aspectos 
implementacionais, uma especificação em alto nível do sistema somente é 
obtida (mesmo que parcialmente) na abordagem de Kimball (1996). 
Em ambientes data warehouse, porém, o dado não é atualizado e sua 
redundância demonstra ser, ao contrário, um artifício para maximizar a 
eficiência das consultas ao repositório (KIMBALL, 1996). 
Esta importante relação entre mineração e data warehouse que, utilizados em 
conjunto, maximizam os resultados do processo de mineração de dados 
(KIMBALL, 1996). 
Mas por outro lado o Data Warehouse limita a atuação do Data Mining, pois 
esse seleciona os dados de alguma forma, restringindo o domínio e o 
conhecimento extraído, fazendo restrições em dados de acordo com o domínio 
pré-definido. 
As principais transações que compõem uma aplicação data warehouse tendem 
a obedecer a um esquema de casos de uso (UML) como o representado na 
figura 1. 
 
Figura 1 Template de Casos de Uso em UML para Sistemas Data Warehouse. 
 29
 
Na figura 2 é apresentada a visão macro de um sistema Data Warehouse em 
conjunto com o Data Mining. 
 
Figura 2 
 
 
A figura 3 traz a visão micro (detalhada) do sistema Data Warehouse em 
conjunto com o Data Mining. 
 30
 
Figura 3 
 
 
 31
A figura 4 traz a visão micro (detalhada) do sistema Data Warehouse em 
conjunto com o Data Mining, com ênfase nas bases de dados. 
 
Figura 4 
 
 
 
 
 
KDD - Data Mining 
 
KDD - Data mining é um processo não trivial de identificação de padrões 
válidos, novos, úteis e implicitamente presentes em grandes volumes de dados. 
 32
A essência principal do processo de prospecção de conhecimento é constituída 
pelas técnicas de mineração de dados (Data Mining). Mineração de dados 
consiste da procura, automática ou semi-automática, em grandes quantidades 
de dados com o propósito de encontrar padrões importantes, empregando 
algoritmos com eficiência computacional satisfatória. 
Enquanto KDD é um processo interativo e iterativo, abrangendo muitas etapas, 
Data Mining, em particular, é a etapa onde são empregados algoritmos 
voltados para alcançar metas específicas, gerando uma enumeração particular 
de padrões nos dados. 
Deste modo, em um processo completo de descoberta de conhecimento, 
podem ser empregados vários algoritmos de Data Mining. 
Efetivamente o Data Mining cumpre o papel de descoberta de conhecimentos. 
(CARVALHO, 2005). 
Os problemas que podem ser resolvidos com data mining normalmente são 
divididos em dois grandes grupos: Predição e Descoberta de Conhecimento. A 
predição tem a finalidade de atingir um objetivo específico de acordo com 
casos ocorridos no passado, como o próprio nome já diz, com o objetivo de 
projetar respostas para novos casos. A descoberta de conhecimento já 
apresenta uma maior abrangência ao suporte à tomada de decisão. Usa-se 
para resolver problemas que estão em um estágio antes da predição, ou 
melhor, onde não se conhece nenhuma informação. 
As operações diárias geram grandes quantidades de atividades como 
transações de vendas, sistemas de inventário, procedimentos de cobrança e de 
atendimento ao cliente. Por exemplo, são dados que quando transformados em 
informações podem ser usados para aproveitar oportunidades emergentes, 
ampliar a presença no mercado e auxiliar na tomada de decisões estratégicas - 
tudo em prol da vantagem competitiva. O desafio está em levar tais 
informações às mãos das pessoas que conhecem o negócio a fundo, para que 
possam entender o mercado e sua base de clientes. 
O data mining alavanca esse patrimônio de dados, transformando-o em 
informações e as informações em decisões confiáveis. O potencial é imenso. O 
data mining tem implicações importantes por toda a empresa - na 
produtividade, lucratividade, satisfação do cliente e na competitividade geral. 
 33
O conceito de data mining permite às organizações analisar e monitorar ten-
dências e variações de seu negócio que fornecem informações para o 
processo de tomada de decisão. 
A força impulsionadora que torna o data mining atraente para os usuários finais 
é o train of thought processing (processamento da linha de pensamento) em 
que a resposta a uma consulta estimula a próxima pergunta. Esse tipo de 
investigação requer respostas rápidas, tornando o desempenho um elemento-
chave dos sistemas de data mining. 
Dados operacionais (ou de transação) freqüentemente não estão no formato 
mais adequado para a garimpagem. Os dados precisam ser limpos, com a 
correção dos campos incorretos. O processo de limpeza pode ser bastante 
sofisticado, com um grande volume de informações sobre o negócio 
codificadas em especificações de limpeza. Campos desnecessários para a 
análise podem ser omitidos para reduzir o espaço de armazenamento 
necessário e agilizar o acesso. Talvez seja preciso executar alguma 
normalização para reduzir a quantidade de dados redundantes.Pode-se também efetuar alguma limpeza independente de domínio, como 
decisão da estratégia de tratamento de atributos incompletos, remoção de 
ruído e tratamento de conjunto de exemplos não balanceados. (CARVALHO, 
2005). 
Um dos principais usos atuais da tecnologia de paralelismo é o data mining. O 
processamento de grandes quantidades de informações, geralmente de forma 
não-estruturada, sobrecarrega servidores padrão ou mainframes. Isso 
estimulou organizações comerciais a considerar o uso de tecnologias de 
paralelismo na esperança de aumentar o poder de processamento para 
possibilitar o data mining. 
As recompensas potenciais do data mining são grandes. O uso dessas 
técnicas, por exemplo, na indústria do varejo, oferece vários exemplos dos 
benefícios do data mining. 
Aplicando-se técnicas de paralelismo é possível executar consultas altamente 
complexas que seriam inimagináveis em qualquer outra plataforma. Isso 
permite aos usuários refinar sua linha de pensamento, praticamente em tempo 
real e, para extrair as melhores informações possíveis dos dados. Respostas 
para esses tipos de consulta podem ser tão importantes que a companhia teria 
 34
uma vantagem competitiva jamais alcançada, reduzir custos ou aumentar 
significativamente a receita. 
Marketing direcionado é outro exemplo do uso de data mining. Examinando 
grandes quantidades de dados históricos de vendas é possível determinar os 
prováveis compradores de um determinado produto. Para aquelas companhias 
que dependem de mala direta ou de vendas por catálogo, isso pode ser muito 
benéfico. Ao restringir a correspondência a compradores altamente potenciais, 
o negócio pode atingir altos resultados com custo reduzido. De forma geral, o 
marketing direcionado não se aplica somente a vendas por catálogo ou mala 
direta, mas a qualquer companhia que deseja conhecer as preferências de 
seus consumidores e explorá-las. Isso inclui seguradoras, bancos, 
incorporadoras e empresas de cartão de crédito. 
Planilhas multidimensionais e bancos de dados estão se tornando populares 
para análises que requerem visualização de resumos de dados ao longo de 
dimensões múltiplas. As tecnologias de data mining executam análises 
automáticas que podem ajudar a aumentar o valor da exploração dos dados 
(sumarizações “drill-down” e “drill-up” ao longo de várias dimensões) suportado 
por ferramentas multidimensionais. 
Por exemplo, as redes neurais artificiais. (CARVALHO, 2005). 
Redes neurais vêm sendo aplicadas em alguns aplicativos que envolvem 
classificação. Entretanto, há a desvantagem de que a rede resultante é 
visualizada como uma caixa preta, e não é fornecida qualquer explicação sobre 
os resultados. Outra desvantagem das redes neurais é o longo tempo de 
aprendizagem, que se torna intolerável no processamento de grandes volumes 
de dados. 
O poder habilitador do data mining torna-se mais claro e ainda diz respeito à vi-
sualização de dados, o que possibilita um entendimento mais profundo e 
intuitivo dos dados. O data mining permite que seja focalizado sua atenção em 
padrões e tendências importantes e os explore minuciosamente usando 
técnicas de visualização. O data mining e a visualização de dados trabalham 
muito bem juntos. A visualização de dados sozinha corre o risco de ser 
sobrecarregada pelo grande volume de dados dos bancos de dados 
comerciais. 
 35
O data mining, quando complementado pelas técnicas descritas anteriormente, 
agrega um valor significativo em relação ao uso das técnicas tradicionais. 
As técnicas necessárias para gerar esses resultados requerem 
automaticamente maior largura de banda de I/O e capacidade, e os conjuntos 
de dados são grandes e precisam ser rastreados rapidamente. Portanto, para 
um tempo de resposta aceitável, as operações devem ser paralelizadas, e o 
software e hardware devem suportar esse tipo de processamento. As técnicas 
de data mining em si requerem uma considerável largura de banda de I/O, alta 
capacidade de memória principal, poder de processamento e paralelismo 
escalonável. Os servidores SMP parecem atender a esses requisitos. 
As tecnologias de data mining são caracterizadas por inúmeros cálculos em 
grandes volumes de dados. A capacidade de processamento é um fator crítico 
e o paralelismo é a chave para um data mining significativo. Os sistemas 
devem ser escaláveis para que seja possível atualizar o sistema à medida que 
aumenta a demanda de análise, proporcionando melhor tempo de resposta e 
melhor custo-benefício. 
A década de 1990 trouxe um crescente problema de supersaturação ao mundo 
da ciência, dos negócios e do governo. A capacidade de coletar e armazenar 
dados excedeu em muito a habilidade de analisar, sintetizar e extrair 
"conhecimento" desses dados. 
Técnicas clássicas de análise de dados, baseados fundamentalmente no 
manuseio direto dos dados pelo homem, simplesmente não possibilitam a 
manipulação de grupos volumosos de dados. Mesmo que a tecnologia de 
banco de dados tenha oferecido instrumentos básicos para armazenar e 
analisar com eficiência volumosos grupos de dados, a questão de como 
auxiliar o homem a compreender e pesquisar esses grupos continua um 
problema de difícil solução. Para lidar com a supersaturação de dados, se faz 
necessária uma nova geração de instrumentos inteligentes para extração 
automatizada de dados e descoberta de conhecimento. Essa necessidade já 
foi reconhecida por pesquisadores de diversas áreas, inclusive de aprendizado 
de máquina, estatística, bancos de dados inteligentes, sistemas especialistas, 
computação neural e visualização de dados. 
Para serem competitivas na era da informação, as empresas devem estar 
preparadas para lidar com a avalanche de informações em que se baseiam 
 36
para tomar decisões-chave do negócio. Hoje em dia, é possível coletar e 
processar quantidades volumosas de dados em pouquíssimo tempo. Mas uma 
vez coletados, os dados precisam ser analisados para se determinar sua 
relevância. A não implementação de sistemas e processos para executar a 
análise dos dados implicará em desvantagens para essas empresas. À medida 
que uma maior quantidade de dados torna-se disponível, a técnica para 
encontrar e extrair informações úteis tornar-se mais difícil. 
Projetos de Data Mining permitem descobertas inusitadas que podem fazer a 
diferença diante da concorrência. 
Na figura 5 tem-se a visão macro do processo de KDD. 
 
Figura 5 Visão macro do processo de KDD. 
 
Na figura 6 é apresentado um fluxograma detalhado (visão micro) do processo 
de KDD. 
 37
 
Figura 6 
 
 
Na figura 7 tem-se a estrutura padrão do data mining. 
 38
 
Figura 7 
 
 
Na figura 8 têm-se as abordagens utilizadas no data mining. 
 
Figura 8 
 
 
 
 39
Apesar dessa tecnologia ter uma longa evolução de sua história, o termo como 
conhecemos hoje só foi introduzido recentemente, nos anos 90. 
 
A estatística 
O Data Mining descende fundamentalmente de três linhagens. A mais antiga 
delas é a estatística clássica. Sem a estatística não seria possível termos o 
DM, visto que a mesma é à base da maioria das tecnologias a partir das quais 
o DM é construído. 
A Estatística Clássica envolve conceitos como distribuição normal, variância, 
análise de regressão, desvio simples, análise de conjuntos, análises de 
discriminantes e intervalos de confiança, todos usados para estudarem dados e 
os relacionamentos entre eles. 
Esses são as pedras fundamentais onde as mais avançadas análises 
estatísticas se apóiam. E sem dúvida, no coração das atuais ferramentas e 
técnicas de DM, a análise estatística clássica desempenha um papel 
fundamental. 
Ela incorporaum envolvimento muito forte do usuário, exigindo engenheiros 
experientes, para construir modelos que descrevem o comportamento do dado 
através dos métodos clássicos de matemática. Interpretar os resultados dos 
modelos requer “expertise” especializada. O uso de técnicas de estatística 
também requer um trabalho muito forte de máquinas/engenheiros. 
 
Inteligência Artificial 
A segunda linhagem do DM é a Inteligência Artificial, ou IA. Essa disciplina, que 
é construída a partir dos fundamentos da heurística, em oposto à estatística, 
tenta imitar a maneira como o homem pensa na resolução dos problemas 
estatísticos. 
Em função desse “approach”, ela requer um impressionante poder de 
processamento, que era impraticável até os anos 80, quando os computadores 
começaram a oferecer um bom poder de processamento a preços mais 
acessíveis. 
 
 
 
 40
Machine Learning 
E a terceira e última linhagem do DM é a chamada machine learning, que pode 
ser mais bem descrita como o casamento entre a estatística e a IA. Enquanto a 
IA não se transformava em sucesso comercial, suas técnicas foram sendo 
largamente cooptadas pela machine learning, que foi capaz de se valer das 
sempre crescentes taxas de preço/desempenho oferecidas pelos 
computadores nos anos 80 e 90, conseguindo mais e mais aplicações devido 
às suas combinações entre heurística e análise estatística. A machine learning 
tenta fazer com que os programas de computador “aprendam” com os dados 
que eles estudam tal que esses programas tomem decisões diferentes 
baseadas nas características dos dados estudados, usando a estatística para 
os conceitos fundamentais, e adicionando mais heurística avançada da IA e 
algoritmos para alcançar os seus objetivos. 
De muitas formas, o DM é fundamentalmente a adaptação das técnicas da 
Machine Learning para as aplicações de negócios. Desse modo, podemos 
descrevê-lo como a união dos históricos e dos recentes desenvolvimentos em 
estatística, em IA e Machine Learning. Essas técnicas são usadas juntas para 
estudar os dados e achar tendências e padrões nos mesmos. Hoje, o DM tem 
experimentado uma crescente aceitação nas ciências e nos negócios que 
precisam analisar grandes volumes de dados e achar tendências que eles não 
poderiam achar de outra forma. 
 
Tem-se na figura 9 as técnicas mais usadas de data mining. 
 
 
 41
 
Figura 9 Técnicas de Data Mining 
Fonte: (Gartner Group, 2006) 
 
Redes Neurais 
Essa tecnologia é a que oferece o mais profundo poder de mineração, mas é 
também a mais difícil de entender. As redes neurais tentam construir 
representações internas de modelos ou padrões achados nos dados, mas 
essas representações não são apresentadas para o usuário. Com elas, o 
processo de descoberta de padrões é tratado pelos programas de DM dentro 
de um processo “caixa-preta”. 
As ferramentas deveriam, contudo, ser construídas para fazer as decisões 
ficarem visíveis para os usuários. O problema com esse “approach” é que as 
decisões são feitas na caixa-preta, o que as faz inexplicáveis. 
Embora sejam verdadeiro que as redes neurais apresentem o mais avançado 
poder de mineração, muitos analistas de negócio não podem fazer uso delas 
porque os resultados finais não podem ser explicados. 
Estruturalmente, uma rede neural consiste em um número de elementos 
interconectados (chamados neurônios) organizados em camadas que 
aprendem pela modificação da conexão firmemente conectando as camadas. 
Geralmente constroem superfícies equacionais complexas através de 
interações repetidas, cada hora ajustando os parâmetros que definem a 
superfície. Depois de muitas repetições, uma superfície pode ser internamente 
definida que se aproxima muito dos pontos dentro do grupo de dados. 
A função básica de cada neurônio é: (a) avaliar valores de entrada, (b) calcular 
o total para valores de entrada combinados, (c) compara o total com um valor 
 42
limiar, (d) determinar o que será a saída. Enquanto a operação de cada 
neurônio é razoavelmente simples, procedimentos complexos podem ser 
criados pela conexão de um conjunto de neurônios. Tipicamente, as entradas 
dos neurônios são ligadas a uma camada intermediária (ou várias camadas 
intermediárias) que é então conectada com a camada de saída. 
Para construir um modelo neural, primeiramente "adestra-se" a rede em um 
data set de treinamento e então usamos a rede já treinada para fazer 
predições. Nós podemos, às vezes, monitorar o data set durante a fase de 
treinamento para checar seu progresso. 
Cada neurônio geralmente tem um conjunto de pesos que determina como o 
neurônio avalia a combinação dos sinais de entrada. A entrada para um 
neurônio pode ser positiva ou negativa. O aprendizado se faz pela modificação 
dos pesos usados pelo neurônio em acordo com a classificação de erros que 
foi feita pela rede como um todo. As entradas são geralmente pesadas e 
normalizadas para produzir um procedimento suave. 
Durante a fase de treinamento, a rede estabelece os pesos que determinam o 
comportamento da camada intermediária. Um termo popular chamado 
"backpropagation" (propagação realimentada) é usado quando os pesos são 
ajustados baseados nas estimativas feitas pela rede - suposições incorretas 
reduzem os limites para as conexões apropriadas. 
 
Indução de Regras 
A Indução de Regras, ou Rule Induction, se refere à detecção de tendências 
dentro de grupos de dados, ou de “regras” sobre o dado. As regras são, então, 
apresentadas aos usuários como uma lista “não encomendada”. 
Por exemplo, a tradução das regras para dentro de um modelo aproveitável é 
feito pelo usuário, ou por uma interface de árvores de decisão. Do ponto de 
vista do usuário, o maior problema com as regras é que o programa de DM não 
faz o ranking das regras por sua importância. O analista de negócio é então 
forçado a encarregar-se de criar um manual de análise para todas as regras 
relatadas a fim de determinar aquelas que são mais importantes no modelo de 
DM, e para os assuntos de negócio envolvidos. E isso pode ser um processo 
tedioso. 
 
 43
Árvores de decisão 
As árvores de decisão são uma evolução das técnicas que apareceram durante 
o desenvolvimento das disciplinas de machine learning. 
As árvores de decisão são meios de representar resultados de DM na forma de 
árvore, e que lembram um gráfico organizacional horizontal. Dados um grupo 
de dados com numerosas colunas e linhas, uma ferramenta de árvore de 
decisão pede ao usuário para escolher uma das colunas como objeto de saída, 
e aí mostra o único e mais importante fator correlacionado com aquele objeto 
de saída como o primeiro ramo (nó) da árvore de decisão. Os outros fatores 
são subseqüentemente classificados como nós do(s) nó(s) anterior(es). Isso 
significa que o usuário pode rapidamente ver qual o fator que mais direciona o 
seu objeto de saída, e o usuário pode entender porque o fator foi escolhido. 
Uma boa ferramenta de AD vai, também, permitir que o usuário explore a 
árvore de acordo com a sua vontade, do mesmo modo que ele poderá 
encontrar grupos alvos que lhe interessem mais, e aí ampliar o dado exato 
associado ao seu grupo alvo. Os usuários podem, também, selecionar os 
dados fundamentais em qualquer nó da árvore, movendo-o pra dentro de uma 
planilha ou outra ferramenta para análise posterior. 
As árvores de decisão são, quase sempre, usadas em conjunto com a 
tecnologia de Indução de Regras, mas são únicas no sentido de apresentar os 
resultados da Indução de Regras num formato com priorização. Então, a regra 
mais importante é apresentada na árvore como o primeiro nó, e as regras 
menos relevantes são mostradas nos nós subseqüentes.As vantagens 
principais das árvores de decisão são que elas fazem decisões levando em 
consideração as regras que são mais relevantes, além de serem 
compreensíveis para a maioria das pessoas. Ao escolher e apresentar as 
regras em ordem de importância, as árvores de decisão permite aos usuários 
ver, na hora, quais fatores mais influenciam os seus trabalhos. 
 
Análise Estatística de Séries Temporais 
A análise de séries temporais é freqüentemente confundida como um gênero 
mais simples de DM chamado forecasting previsão. 
Enquanto que a análise de séries temporais é um ramo altamente 
especializado da estatística, o “forecasting” é de fato uma disciplina muito 
 44
menos rigorosa, que pode ser satisfeita, embora com menos segurança, 
através da maioria das outras técnicas de DM. 
 
Visualização 
As técnicas de Visualização são um pouco mais difíceis de definir, porque 
muitas pessoas a definem como “complexas ferramentas de visualização”, 
enquanto outras como simplesmente a capacidade de geração de gráficos. 
Nos dois casos, a Visualização mapeia o dado sendo minerado de acordo com 
dimensões especificadas. Nenhuma análise é executada pelo programa de DM 
além de manipulação estatística básica. O usuário, então, interpreta o dado 
enquanto olha para o monitor. O analista pode pesquisar a ferramenta depois 
para obter diferentes visões ou outras dimensões. 
 
Vê-se na figura 10 o template de caso de uso em UML para as etapas 
operacionais do processo de KDD. 
 
 
Figura 10 Etapas Operacionais do Processo de KDD. 
 
Vê-se na figura 11 o diagrama de atividades em UML das abordagens para 
seleção de atributos em problemas de classificação. 
 
 45
 
Figura 11 Abordagens para Seleção de Atributos em Problemas de Classificação. 
 
Algoritmo K-MEANS (Clustering): 
Uma das técnicas existentes de clusterização é o k-means, onde k seria o 
número de classes no qual se deseja agrupar. O algoritmo k-means, também 
denominado Clustering (traduzido para o português como Aglomeração ou 
Clusterização) ou, ainda, K-Nearest Neighboor, é um algoritmo muito 
conhecido e utilizado. Seu processo consiste em estabelecer um número 
máximo de clusters que se deseja obter. O algoritmo busca então a melhor 
maneira de separar o conjunto de dados. 
O algoritmo K-means funciona com método de particionamento, que organiza 
os objetos da base de dados em k partições onde cada partição representa um 
cluster. O método do k-means apresenta (esquemas diferentes, inicialização, 
otimização, média harmônica e extensões). 
 46
Como o pesquisador não tem como saber um número ótimo para k, faz-se 
necessário a execução dessa técnica várias vezes, parando quando perceber-
se que as classes são as desejadas. 
 
• Pontos Fortes: Relativamente eficiente: O (tkn), onde n é número de objetos, 
k é número de grupos, e t é número de iterações. Normalmente, k, t << n. 
Freqüentemente termina em um ótimo local. O ótimo global pode ser 
encontrado usando técnicas tais como: deterministic annealing e algoritmos 
genéticos. 
 
• Pontos Fracos: É necessário especificar a priori k, o número de grupos. Não 
trata ruídos e desvios. Não é apropriado para a descoberta de grupos não 
esféricos. 
 
Algumas variantes do k-means diferem em: 
 
• Seleção das k medias iniciais 
 
• Calculo das dissimilaridades 
 
• Estratégias para calcular as médias dos grupos 
 
Com isso o algoritmo K-means também foi aplicado para a comparação dos 
resultados e apresentou resultados satisfatórios que foram utilizados nesse 
trabalho. O funcionamento desse algoritmo está descrito abaixo de maneira 
simplória: 
 
• Entrar com número de clusters (k) 
 
• Escolher aleatoriamente k objetos 
 
• Definir os k objetos como centros dos clusters 
 
 47
• Fazer associar cada objeto ao cluster que lhe é mais similar 
 
• Recalcular os pontos centrais de cada cluster enquanto haja alteração 
nos pontos centrais dos clusters 
 
No algoritmo K-means são definidos centros k, que originarão k clusters onde k 
é a média numérica entre os valores numéricos dos atributos. 
Então, a medida de similaridade utilizada pelo K-means é a média entre os 
valores numéricos. 
No uso da técnica de segmentação, não existe um conjunto de dados pré-
definidos, isto caracteriza o uso de um método de aprendizado não-
supervisionado, onde o algoritmo possui maior autonomia na execução. Na 
segmentação, são encontradas as classes e então são definidas as 
classificações de cada grupo. 
Um ponto que pode ser visto como negativo por algumas aplicações é a 
necessidade do algoritmo k-means de que o usuário indique quantos devem 
ser os clusters. O algoritmo k-means também não é satisfatório no 
descobrimento de clusters de formas não-convexas e de tamanhos muitos 
diferentes. 
A figura 12 apresenta o diagrama de atividades em UML do funcionamento do 
algoritmo K-means. 
 
 48
 
Figura 12 Algoritmo K-Means. 
 
Metodologia Seis Sigma 
 
A preocupação com a qualidade é tão antiga quanto a própria humanidade. 
Desde que o homem pré-histórico confeccionou o seu primeiro artefato, surgiu 
à preocupação com a adequação do uso do produto às necessidades de quem 
o utiliza. 
Entretanto, o moderno Controle da Qualidade, ou seja, calculado em bases 
científicas, data do início do século XX. Foi somente com a introdução do 
 49
conceito de produção em massa que a qualidade começou a ser abordada sob 
uma ótica diferente. 
Com base na norma NBR ISO 9000:2000, define-se processo como um 
conjunto de atividades inter-relacionadas ou interativas que transformam 
insumos (entradas) em produtos (saídas). 
Controle Estatístico do Processo (CEP) pode ser definido como um conjunto de 
ferramentas que tem o propósito de indicar se um processo está funcionando 
de forma ideal, quando apenas causas comuns de variação estão presentes, 
ou se este processo está desordenado, e necessita de algum tipo de ação 
corretiva, ou seja, quando existem causas especiais de variação. 
A Metodologia Seis Sigma é baseada em um sistema de acompanhamento 
conhecido como DMAIC, sigla que denota as seguintes etapas: Definir (Define), 
Medir (Measure), Analisar (Analyze), Melhorar (Improve) e Controlar (Control). 
A letra grega minúscula sigma (σ) é o símbolo estatístico para desvio padrão, 
que é uma medida de variabilidade de um processo. O símbolo pode ser usado 
como um nível de indicação de desempenho, sendo que quanto maior o nível 
sigma, melhor é o processo. 
Conforme norma NBR ISO 9000:2000 capacidade é definida como a aptidão de 
uma organização, sistema ou processo de realizar um produto que irá atender 
aos requisitos especificados para este produto. 
A idéia básica é a de simplificar e racionalizar uma variedade de procedimentos 
necessários à manufatura, desde o projeto, o planejamento de aquisição de 
material, planejamento de processo, preparação de máquinas para produção 
(set up), a fabricação e o controle de qualidade. 
 
Conclusão 
 
As empresas precisam elaborar estratégias, traduzi-las em ação diária e 
garantir uma integração constante e efetiva entre definição e ação. 
As empresas precisam conseguir direcionar seus colaboradores para atender 
da melhor maneira possível ao cliente. 
Conhecer o que acontece com as empresas e compreender como ocorre o 
fluxo de informações e a gestão de seus processos é fundamental para fazer 
este direcionamento corretamente. 
 50
O conhecimento da empresa e do negócio passou a ser fundamental para 
definir e acompanhar as etapas e estratégias mais adequadas em cada 
situação. 
A necessidade de perceber os acontecimentos externos à