Aula 5 Sistemas de apoio às decisões e de informação executiva

Prévia do material em texto

Aula 5 - Sistemas de apoio às decisões e de informação executiva
Introdução:
Além dos sistemas de Gestão como o MPR, MPR II e o ERP, existem diversos outros sistemas de apoio à gestão e à tomada de decisão. Nesta aula, apresentaremos os principais tipos de sistemas de apoio à decisão, bem como informações gerenciais e de inteligência competitiva e suas principais características.
Para um gestor de qualquer ramo da economia, conhecer as principais ferramentas disponíveis no apoio à gerência de seus negócios é mais que uma necessidade; é uma vantagem estratégica que pode render decisões mais precisas e ágeis em um mercado extremamente competitivo.
Sistemas de informação
As Tecnologias de Informação devem ser um diferencial competitivo, e não apenas mais uma ferramenta de apoio ao negócio, garantindo dinamismo às necessidades da empresa.
Existe uma interdependência entre as organizações (seus processos de negócios) e os Sistemas de Informação.
Hoje, existe uma ampliação do escopo dos Sistemas de Informação, indo além da fronteira da empresa.
Sistemas de informação gerencial
Os Sistemas de Informação Gerencial (SIG) devem ser capazes de captar, processar, armazenar e distribuir dados e informações para quem deles necessita, especialmente as pessoas envolvidas no processo decisório, visando ao planejamento, à execução e ao controle das atividades, bem como à tomada de decisão nas organizações.
A nível gerencial, a entrada tem alto volume de dados, o processamento tem modelos simples, as saídas são representadas por relatórios / sumários executivos e ou usuários são os gerentes de nível médio. Como exemplo, podemos citar o orçamento anual.
Os SIG têm decisões estruturadas e semiestruturadas, são orientados para o controle de relatórios, utilizam dados passados e presentes, têm orientação interna e o processo de projeto demorado. A sua estrutura é dada por:
O objetivo dos Sistemas de Apoio à Decisão (SAD) é fornecer apoio interativo na busca de informação aos gerentes e aos demais profissionais envolvidos no processo decisório.
Diversos modelos de aplicações podem ser usados para esta finalidade, tais como: 
Modelos analíticos. 
Banco de dados especializados. 
Processo de modelagem computadorizado para apoiar a tomada de decisões empresarias. 
Etc.
Embora sejam sistemas com diferentes finalidades, os Sistemas de Apoio à Decisão (SAD) podem ser confundidos com os Sistemas de Informações Gerenciais (SIG).
Os SAD são de nível gerencial, e as entradas têm pequeno volume de dados, o processamento é interativo, a saída constitui-se de análise de decisão e os usuários são profissionais e equipe interna. 
Como exemplo, tem o Sistema de Análise de Custos de Contratação.
Os Sistemas de Informação a Executivos (SIE) também são conhecidos como Sistemas de Apoio a Executivos (SAE). São sistemas que possibilitam combinar muitas características de informações gerenciais e dos Sistemas de Apoio à Decisão.
Originalmente, os SIE visavam fornecer aos executivos o acesso fácil e imediato a informações estratégicas, relacionadas aos fatores críticos da organização. Porém, os SIE evoluíram e acabaram absorvendo uma série de operações e funções e que, muitas vezes, são realizadas por diferentes profissionais.
Os SIE têm gerência de alto nível, é projetado para o indivíduo, liga o presidente aos demais níveis, o processo de manutenção é caro e precisa de grande equipe de apoio. Suas principais aplicações são: Sistema de Comunicação e troca de mensagens (correio eletrônico), recursos de colaboração online (groupware) etc.
Sistema de fabricação e produção
Aplicações
Sistemas de Planejamento de Recursos.
Sistemas de Controle de Pedidos de Compra.
Sistemas de Engenharia.
Sistemas de Controle de Qualidade. 
Funções 
Funções Estabelecimento de metas de produção. 
Compras. 
Expedição. 
Recepção.
À esquerda, temos as diferenças a nível organizacional, e à direita, a estrutura do Sistema de Controle de Estoque. Veja
Diferenças a nível organizacional
Estrutura do sistema de controle de estoque
O Data Mart (DM) é um subconjunto lógico e físico da área de apresentação do Data Warehouse. O DM corresponde às informações dos níveis departamentais.
O Data Wharehouse (DW) é um conjunto de dados, organizado por assunto e integrado por data, destinado a apoiar o processo decisório SAD. Sua estrutura contém parâmetros de tempo e é o grande banco de dados da empresa. O DW recebe e armazena dados oriundos de todas as áreas operacionais da empresa, enquanto que os Data Mining são os dicing (cubos) de informações geradas a partir desses dados.
O on line analytical processing – OLAP aplica-se a todas as funções analíticas requeridas para a criação de informações úteis a partir dos dados armazenados em um DW. Consiste na geração de consultas ao banco de dados, execução de cálculos e formatação, e permite que os usuários executem funções de análise desses dados, por meio das dimensões do DW.
O Data Mining utiliza modelos sofisticados para gerar modelos de previsões. Pode ser útil na descoberta de informações que não aparecem de outra forma, consistindo na descoberta de tendências e padrões em dados e transforma as informações descobertas em ações e resultados.
Na sua aplicabilidade, permite a uma organização melhorar as suas diversas áreas de atividade, por meio da disponibilização de informações que facilitem a realização de suas rotinas operacionais.
ETL - Extract Transform Load (Extração Transformação Carga)
ETL são ferramentas de software, cuja função é a extração de dados de diversos sistemas.
DW
É utilizado para realizar cruzamentos de informações necessárias para encontrar irregularidades, erros e outros comportamentos não esperados em organizações de grande porte, bem como analisar grandes volumes de dados, coletados dos Sistemas Transacionais (OLTP).
Solução de BI
Com formato estruturado, propiciado pelas ferramentas de BI, leva-se um dia para concluir o fechamento mensal e repassar o seu produto à gerência geral e à diretoria.
ETL - ExtExemplo desta aplicabilidade na gestão de controladoria da clínica
 Problemas: 
A questão em torno da informação afetava a qualidade das decisões tomadas na organização e refletia na própria produtividade das áreas por elas responsáveis.
O usuário tende a insistir em uma adequação dos relatórios produzidos pelas mencionadas áreas ao seu modelo de decisão particular.
As reuniões mensais “não resultavam em nada produtivo, pois eram dispersas e pareciam mais de autodefesa do que focadas na tomada de decisões, devido à falta de informações relevantes e exatas”.
Ao utilizar o BI, veja o comparativo no fechamento mensal:
Data Mining
É a garimpagem de uma quantidade imensa de material (idêntico a um garimpo de ouro) para descobrirmos exatamente onde se encontram os valores procurados.
O Data Mining é uma das fases mais importantes em um processo KDD (Knowledge Discovery in Databases), ou seja, metodologia DCBD (Descoberta de Conhecimento em Bases de Dados), e tem como finalidade principal a busca de padrões de negócio.
Fases:
1 - Pré-processamento dos dados:
O sucesso dos resultados obtidos no processo de KDD depende diretamente da qualidade dos dados de entrada.
2 - Redução de dado:
É uma forma de pré-processamento que visa obter uma representação reduzida dos dados, mas que produz os mesmos resultados analíticos.
3 - Preparação dos dados:
As três fases iniciais do KDD (seleção, pré-processamento e transformação) exigem bastante tempo: aproximadamente entre 60 e 80% do tempo utilizado em todo o processo, sendo que a maior parte desse tempo é consumida com a limpeza dos dados. O foco será dado no pré-processamento, no Data Mining e na interpretação/avaliação do conhecimento.
4 - Limpeza dos dados:
A verificação da consistência das informações, a correção de possíveis erros e o preenchimento ou a eliminação de valores nulos e redundantes. São identificados e removidos os dados, duplicados e/ou corrompidos.A execução dessa fase corrige a base de dados, eliminando consultas desnecessárias que seriam executadas pelo algoritmo minerador e que afetariam o seu processamento.
5 - Transformação de dados ou codificação dos dados:
Tem como objetivo principal converter o conjunto bruto de dados em uma forma padrão de uso.
6 - Redução de dados:
É uma forma de pré-processamento que visa obter uma representação reduzida dos dados, mas que produz os mesmos resultados analíticos.
7 - Mineração de dados:
Caracteriza-se pela existência do algoritmo minerador (Data Mining), que, diante da tarefa especificada, será capaz de extrair, de modo eficiente, conhecimento implícito e útil de um banco de dados. Usa técnicas baseadas em descobertas, por meio de procura de padrões dos dados, o que é feito com o emprego de algoritmos inteligentes para encontrar relações fundamentais entre os dados. 
Permite avaliar como as perguntas se relacionam com as respostas (padrões e relações) encontradas, fornecendo uma base de regras que servem de apoio aos processos de tomada de decisão e utilizam-se técnicas baseadas em inteligência artificial, como as Redes Neurais Artificiais, as Árvores de Decisões, a Teoria dos Conjuntos Fuzzy, ou combinações entre essas técnicas, gerando as chamadas Arquiteturas Híbridas.
8 - Interpretação do conhecimento descoberto, ou algum processamento desse conhecimento:
Deve ser incluída no algoritmo minerador ou implementada separadamente.