Business Intelligence: Ferramentas para Decisões

Prévia do material em texto

Business Intelligence
Ferramentas para 
tomada de decisão
Business Intelligence
➢ Tomada de decisões em tempo hábil, a partir de dados.
➢ Fenícios, Persas, Egípcios e outros Orientais faziam seu Business 
Intelligence (BI) ao cruzar dados das marés, chuvas, ventos e 
astros para tomada de decisões de cultivo, viagens e guerras.
➢ O BI moderno começou na década de 70, mas era caro, inflexível
e não gerava respostas em tempo hábil.
Business Intelligence
➢ Com o surgimento dos Sistemas Gerenciais de Banco de Dados 
(SGBD) e interfaces gráficas o BI se tornou viável e difundido.
➢ O BI atualmente pode ser interativo, dinâmico e faz com que os 
executivos tomem decisões sobre compras, demissões, 
aquisições, estratégias mercadológicas, produção, e qualquer 
outra decisão pertinente, o que gera competitividade.
Business Intelligence
➢ Por meio do Business Intelligence os dados transacionais da 
empresa são transformados em informação.
➢ A primeira tentativa de implementação da filosofia de Business 
Intelligence ocorreu com os Centros de Informações (CI) de 
grandes empresas. Em seguida, surgiram os EIS (Executive
Information System) e DSS (Decision Support System).
Business Intelligence
➢ Mais recentemente os sistemas de Data Warehouse (DW), que 
se caracterizaram, principalmente, pela sua integração ou 
utilização em conjunto com os sistemas de gestão da empresa 
(sistemas ERP, por exemplo).
Business Intelligence
➢ BI é um sistema onde envolvemos a coleta de informações de 
diversas fontes, tais como: 
✓ Empresa 
✓ Concorrentes 
✓ Clientes 
✓ Fornecedores 
Business Intelligence
➢ Possibilidades de expansão do negócio (aquisições, joint-
ventures e alianças)
➢ Fatores sociais, políticos e econômicos que podem influenciar 
o negócio.
• Justamente o BI, como interface, interfere, transforma e torna 
verdadeira todas estas informações e as transforma em 
conhecimento estratégico. 
Como funciona o BI
No setor financeiro:
1. Quais são as operações que geram maior rentabilidade para nosso 
empreendimento? 
2. Quais são os clientes preferenciais que não estão gerando a receita 
requerida? 
3. Qual a agência de maior rentabilidade? 
4. Qual a agência que concede mais créditos e que tipo de créditos são 
oferecidos por ela? 
5. Qual a evolução das contas de caderneta de poupança? 
Como funciona o BI
No varejo e no comércio em geral: 
1. Qual foi o volume de vendas registrado nesse mesmo período do ano, no 
ano passado? 
2. E qual é a média da última década? 
3. Qual foi o “realizado” x “previsto” das vendas? 
4. Qual o nosso maior cliente? 
Como funciona o BI
Numa empresa de telecomunicações: 
1. Como avaliar o interesse de tráfego dos grandes assinantes, a fim de evitar 
sua migração para a concorrência? 
2. Como garantir o estabelecimento dos acordos de níveis de serviço (SLA)? 
3. Como detectar rapidamente problemas na rede? 
4. Quais são os 10 maiores usuários com pior taxa de OK? 
5. Como evolui o tempo médio de conversação ao longo das horas do dia? 
Como funciona o BI
Nas áreas responsáveis pela análise da infraestrutura dentro de uma empresa:
1. Quais foram os sites mais acessados pela empresa? 
2. Quais são os funcionários que mais utilizam a Internet? 
3. Quais são os sites não associados ao trabalho mais acessados? 
4. E quais são os horários de pico dos servidores? 
5. Porque existe performance tão baixa na rede? 
Ferramentas de BI
São ferramentas de Business Intelligence: 
✓ Data Warehouse
✓ Planilhas eletrônicas
✓ Geradores de consultas e relatórios
✓ EIS (Executive Information System)
✓ Softwares de Query & Report
✓ Data Marts
✓ Data Mining
✓ Ferramentas OLAP (On Line Analytical Processing) 
Data Warehouse
• Data Warehouse DW, é um grande repositório de dados históricos que 
podem ser relacionados para apoiar decisões.
• Os sistemas operacionais (ERP, Workflow, SAP,etc.) são menores, com 
tabelas menores e os dados de consultas, históricos e temporários são 
eliminados periodicamente, num DW ao contrário, esses dados são 
mantidos o que pode impedir o desenvolvimento de um projeto de DW por 
poder assumir centenas de Gigabytes ou Terabytes.
• DSS > EIS > DW
Data Warehouse
OLTP DW
Orientado à transação
Milhares de usuários
Pequenos. De MBs à alguns GBs
Dados atuais
Dados normalizados (Muitas tabelas com 
poucas colunas)
Atualizações contínuas
Consultas de simples à complexas
Orientado ao processo de negócios
Poucos usuários
Grandes. De vários GBs a alguns TBs
Dados históricos.
Dados não normalizados (Poucas 
tabelas com muitas colunas)
Atualizações em lotes
Consultas muito complexas
Data Warehouse
DW
OLTPs OLTPs
OLTPs
Data Warehouse
➢ Requisitos básicos
➢ Organizados conforme área de interesse (Vendas, Produção, Logística, etc.)
➢ Capacidade de integração com os OLTPs
➢ Dos dados não são voláteis > Técnicas padronizadas de extração e limpeza
➢ Diferentes granularidades de dados (Dados federais, regionais, pessoais)
➢ Flexível e de rápida mudança para fornecer e agregar novos dados
➢ Capacidade de reescrever a história. “O que aconteceria se...”
➢ Interface útil para o DW e o usuário.
➢ O DW deve lidar com dados estruturados ou não.
Data Mining
➢ A técnica utilizada pelo Data Mining (DM) é a modelação. 
Modelar é criar um modelo a partir de uma situação de 
resposta conhecida e aplicar em outra situação de resposta 
desconhecida.
➢ O DM descende de 3 linhagens. Estatística clássica, Inteligência 
Artificial e Machine Learning.
Data Mining - Estatística
Os conceitos são:
✓ Distribuição normal
✓ Variância
✓ Análise de regressão
✓ Desvio simples
✓ Análise de conjuntos e discriminantes
✓ Intervalos de confiança
Data Mining - IA
➢ A Inteligência Artificial é construída a partir de fundamentos da 
heurística.
➢ Se opõe à estatística, pois se assemelha à forma como o Homem 
pensa.
➢ Impraticável até os anos 80, pela enorme demanda de 
processamento.
➢ Alto custo, utilizado por governos e algumas empresas de ponta.
Data Mining - ML
➢ O Machine Learning é o casamento entre a Estatística e a Inteligência 
Artificial.
➢ Utiliza alguns algoritmos do IA e alguns fundamentos da Estatística.
➢ A máquina aprende com as pesquisas feitas e as modifica conforme 
novas solicitações
➢ Difundiu-se nos anos 80/90 por ser mais prático e mais barato que o 
IA e produzir resultados desejáveis.
Data Mining - ML
➢ O Machine Learning é o casamento entre a Estatística e a Inteligência 
Artificial.
➢ Utiliza alguns algoritmos do IA e alguns fundamentos da Estatística.
➢ A máquina aprende com as pesquisas feitas e as modifica conforme 
novas solicitações
➢ Difundiu-se nos anos 80/90 por ser mais prático e mais barato que o 
IA e produzir resultados desejáveis.
Data Mining
➢ O DM se ramifica em:
➢ Redes Neurais (RN)
➢ Indução de regras (IR)
➢ Árvores de decisão (AD)
➢ Análise de séries temporais (AT)
➢ Visualização
Data Mining - RN
➢ As redes Neurais produzem os mais profundos resultados, mas 
são complexos de entender e decifrar, ou seja, é um processo 
tipo caixa-preta, pois se baseia em processos internos e 
padrões de dados.
➢ Nem sempre podem ser explicados pois os analistas não 
podem explicar como se o programa chegou a este resultado.
Data Mining - IR
➢ A Indução de Regras se refere a tendências dentro de 
grupos de dados.
➢ Pode produzir resultados não encomendados.
Data Mining - AD
➢ As árvores de decisão é uma evolução do Machine
Learning.
➢ São simples de serem seguidos e muito difundidos.
Data Mining - AT
➢ Análise Estatísticas de Séries Temporais
➢ Exige engenheiros e técnicos especializados
➢ Baseia-se em avançadas técnicas de Estatística e 
modelos matemáticos
➢ Trabalha com previsão
Data Mining - Visualização
➢ Muito difundido pois este método é o de ter a 
capacidade de gerar gráficos.
➢ Muitos softwares no mercado
➢ Soluções, previsões e históricos empíricos ou 
intuitivos.➢ O mais rápido, prático e barato