BUSINESSINTELLIGENCEv3 0 PDF

BUSINESS
INTELLIGENCE
VALDICK SALES
Setembro - 2015
1
APRESENTAO
Valdick sales
Graduado em Cincia da Computao pela UFPE.
Ps-Graduado em Redes e Banco de dados pela UFPB.
Ps-Graduado em Engenharia de Software pelo
CESMAC.
Consultor e assessor h mais de 20 anos de empresas
no Estado.
Mestre em Modelagem do Conhecimento da UFAL.
Diretor de Planejamento e Controle da Organizao
Arnon de Mello.
Coordenador e Professor do Curso de Cincia da
Computao da FACIMA.
Editor tcnico h 15 anos, do Suplemento da Gazeta
Digital.
2
SUMRIO
CONCEITOS BSICOS
PROCESSO DE DECISO
NECESSIDADES DO GESTOR
NECESSIDADES DO USURIO
DONOS DA INFORMAO
SISTEMAS
NECESSIDADES CORPORATIVAS
ERP
OLAP
DATA MINING
DATA MARTS
ETL
DATA WAREHOUSE
BUSINESS INTELLIGENCE
3
CONCEITOS BSICOS
CONHECIMENTO
INFORMAO
DADO
4
CONCEITOS BSICOS
DADOS
Os dados so elementos brutos, sem significado, desvinculados

da realidade. So, segundo Davenport (1998, p. 19), "observaes
sobre o estado do mundo".
So smbolos e imagens que no dissipam nossas incertezas. Eles
constituem a matria-prima da informao. Dados sem qualidade levam
a informaes e decises da mesma natureza.
Sendo o dado considerado a matria-prima para a informao: o que

so informaes?
5
CONCEITOS BSICOS
INFORMAES
As informaes so dados com significado. "So dados dotados
de relevncia e propsito" (Drucker apud Davenport, 1998, p.18).
Elas so o resultado do encontro de uma situao de deciso com

um conjunto de dados, ou seja, so dados contextualizados que
visam a fornecer uma soluo para determinada situao de deciso
(MacDonough apud Lussato, 1991).
A informao pode assim ser considerada como dados

processados e contextualizados, mas para Sveiby (1998) a
informao tambm considerada como "desprovida de significado
e de pouco valor", e Malhotra (1993) a considera como "a matria-
prima para se obter conhecimento".
6
CONCEITOS BSICOS
CONHECIMENTO
Para Davenport (1998, p.19), o "conhecimento a informao
mais valiosa (...) valiosa precisamente porque algum deu
informao um contexto, um significado, uma interpretao (...)".
O conhecimento pode ento ser considerado como a informao

processada pelos indivduos. O valor agregado informao
depende dos conhecimentos anteriores desses indivduos.
Assim sendo, adquirimos conhecimento por meio do uso da
informao nas nossas aes.
Desta forma, o conhecimento no pode ser desvinculado do

indivduo; ele est estritamente relacionado com a percepo do
mesmo, que codifica, decodifica, distorce e usa a informao de
acordo com suas caractersticas pessoais, ou seja, de acordo com
seus modelos mentais ou necessidade.
7
CONCEITOS BSICOS
Exemplo
Um carro BMW, ltimo tipo, conversvel, zero
quilmetro, totalmente destrudo em um acidente
no qual o motorista bateu em uma rvore
centenria derrubando-a pode ser codificado,
decodificado e distorcido das seguintes maneiras.
Algumas pessoas sero levadas a decodificar

as informaes baseadas em seus valores
materiais: "Logo um carro to caro! Ser que ele
est segurado?
8
CONCEITOS BSICOS
Exemplo
Enquanto outras pessoas, com valores humanos

mais aguados, tero seu foco no ser humano:
"Ser que o acidente resultou em feridos?"
Outras pessoas com interesses ecolgicos ainda

tero suas atenes voltadas ao destino da rvore
centenria: "Logo nesta rvore! No poderia ter
sido em uma outra?".
9
MAIS UM INGREDIENTE
NA CONCEPO DA
UTILIZAO DA
INFORMAO
10
UM NOVO CONCEITO
DADOS
DADOS CONTEXTO INFORMAO
INFORMAO EXPERINCIA CONHECIMENTO
CONHECIMENTO HABILIDADE COMPETNCIA
11
TOMADA DE DECISES
Cadeia do Processo
Decisrio
BI : OLAP, CRM,
Deciso DATAWAREHOUSE, DATA
MINING, etc;
Competncia
Conhecimento
ERP , Sistemas
Individuais
Informao
Dados
12
HISTRICO
Era da Inteligncia
Era das aplicaes
Era dos bancos de dados
1980 1990 2000 2010
13
A IMPORTNCIA DA
INFORMAO
14
DUPLO PAGAMENTO
O consumidor paga duas vezes por cada compra:

A primeira com dinheiro e a segunda ao fornecer
informao que vale dinheiro.
Por exemplo, se o fregus pagar com carto de
crdito, claro, que muita coisa revelada. Agora o
fregus tambm est fornecendo: (1) nome, (2)
endereo e CEP, (3) informao sobre crdito, (4)
base para inferir na renda familiar, e muitas coisas
mais.
A pergunta essencial que paira no ar : Quem
possui os dados sobre o fregus ? E quando custa.
15
DUPLO PAGAMENTO
O consumidor paga duas vezes por cada compra:

A primeira com dinheiro e a segunda ao fornecer
informao que vale dinheiro.
Por exemplo, se o fregus pagar com carto de
crdito, claro, que muita coisa revelada. Agora o
fregus tambm est fornecendo: (1) nome, (2)
endereo e CEP, (3) informao sobre crdito, (4)
base para inferir na renda familiar, e muitas coisas
mais.
A pergunta essencial que paira no ar : Quem
possui os dados sobre o fregus ? E quando custa.
16
O PODER DA INFORMAO
O maior capital das empresas no so mais os

seus colaboradores. Mas sim, as suas informaes.
As informaes passaram a ser os resultados de
todas as aes operacionais que fazem a empresa
funcionar.
17
OBTENDO INFORMAES
Quais informaes poderamos

obter em uma simples Nota Fiscal
e que cruzamentos poderamos
fazer?
18
UMA NOTA FISCAL
19
UMA NOTA FISCAL
20
O QUE MAIS IMPORTANTE ?
A
INFORMAO !
21
REFLEXO...
ADMINISTRAR BEM UM NEGCIO

ADMINISTRAR SEU FUTURO; E ADMINISTRAR
SEU FUTURO ADMINISTRAR INFORMAES
( Marion Harper Jr.)
22
EXTRA-INTELIGNCIA
Quando comearam as linhas telegrficas,

foi um grande passo das franquias de Morse, a
Western Union controlava os meios de
comunicao, at os mais avanados, e seu
grande erro foi no procurou evoluir.
Mas por ser a nica no mercado 1876, o
professor Alexander Graham Bell patenteou o
primeiro telefone, a Western Union ridicularizou
o aparelho e falou que era moda passageira.
23
EXTRA-INTELIGNCIA
As redes que Morse, a Western Union, a Bell e

outras, eram desprovidas de inteligncia. Com o avano
tecnolgico, as redes telefnicas esto se tornando auto
conscientes para lidar com os vastos volumes de
informaes e saber onde haver carga pesada e
distribu-la.
At agora, mesmo as redes mais inteligentes,
tinham apenas o que poderia ser chamado de intra-
inteligncia, que como a inteligncia contida no
nosso sistema nervoso perifrico, que regula os
funcionamentos involuntrios do corpo. As redes
integram a mensagem exatamente como foi enviada.
Hoje estamos em direo das redes, que
podemos chamar de extra-inteligentes.
24
VALORES AGREGADOS
Elas no se limitam a transferir dados, mas sim

analisam, combinam, reanimam ou alteram
mensagens de outras maneiras, s vezes criando
uma nova informao pelo caminho. Essas redes
so chamadas redes de valor agregado ou VANs.
Em suma, estamos agora olhando para redes
cuja inteligncia j no visa alterar ou melhorar a
prpria rede, mas na verdade, atua no mundo
exterior, acrescentando uma extra-inteligncia as
mensagens que passam por elas.
25
REDES DE INFORMAES
A existncia de Redes de Valores

agregados, prometem eliminar incalculveis
bilhes de dlares dos custos atuais de produo
e distribuio, ao acabar com a burocracia,
reduzir estoques, e acelerar o tempo de resposta.
As redes de informaes iro assumir novos
papis de revolucionrios nos negcios e na
sociedade.
26
CRESCIMENTO DA REDE
A medida em que as redes se espalham, o

poder est comeando a se deslocar. E no
apenas no Japo, nos EUA e na Europa, esto
ligando cabos como nunca antes, a corrida
eletrnica do sculo.
As grandes empresas hoje em dia ,
virtualmente se recusam a fazer negcios com
fornecedores que no estejam equipados para a
interao eletrnica, onde as informaes devem
estar sempre disponveis.
27
REFLEXO
O mundo no est interessado

nas tempestades que voc
enfrentou, quer apenas saber se
voc trouxe o navio
William Mac Fee
E como voc acha que as

organizaes pensam?
28
...
No estamos aqui para prever o

futuro ,mas sim para criar a
certeza de t-lo
Peter Ferdinand Drucker
E com quais ferramentas?
29
ESPCIES DE ORGANIZAES
AS QUE FAZEM AS COISAS

ACONTECEREM.
AS QUE OBSERVAM AS COISAS

ACONTECEREM.
AS QUE PERGUNTAM O QUE

ACONTECEU.
30
REFLEXO
DIGA-ME, POR FAVOR, QUE CAMINHO DEVO TOMAR

PARA SAIR DAQUI ?, perguntou Alice.
ISTO DEPENDE DE PARA ONDE VOC QUER IR,

disse o gato.
NO FAZ DIFERENA PARA MIM, retrucou Alice.
ENTO, NO FAZ DIFERENA QUE CAMINHO VOC

TOMA,
respondeu-lhe o gato.
ALICE NO PAS DAS MARAVILHAS

Lewis Carroll
31
.....
Comentrios ?
32
REPOSICIONAMENTO DA ORGANIZAO
RESPONDER A CINCO QUESTES BSICAS:
O QU SOMOS ?
ONDE ESTAMOS ?
O QU DEVERAMOS SER ?
ONDE DEVERAMOS ESTAR ?
O QU NECESSRIO FAZER PARA CHEGAR AONDE

DEVERAMOS ESTAR ?
33
REFLEXO
O MAIS IMPORTANTE NESTE

MUNDO NO ONDE ESTAMOS,
MAS EM QUE DIREO ESTAMOS
NOS MOVENDO
Oliver Wendell HOLMES, poeta e novelista Americano
Voc e sua organizao esto indo para onde?
34
O PROCESSO DE TOMADA DE DECISES
VARIVEIS VARIVEIS VARIVEIS VARIVEIS
OBJETIVOS
DESEJOS
SOLUO 1 SOLUO 2 SOLUO N
35
PROCESSO DA DECISO
RISCO INCERTEZA
CERTEZA TURBULNCIA
36
PROCESSO DA DECISO
CERTEZA
a condio para tomada de deciso na qual os

responsveis pela resoluo contam com informaes
precisas e confiveis.
37
PROCESSO DA DECISO
RISCO Trabalha-se com uma taxa probabilstica de insucesso.

INCERTEZA Os tomadores de deciso enfrentam situaes
imprevisveis.
TURBULNCIA As metas no so bem definidas (claras) e as
informaes no so suficientes.
38
NECESSIDADES
DE UM
GESTOR
39
NECESSIDADE DO GESTOR
INFORMAO
ANLISE
DECISO
AO
VELOCIDADE
RESULTADOS
40
Informao
QUANTO MAIOR A QUANTIDADE E QUALIDADE
DAS INFORMAES DISPONVEIS, MAIS FCIL
ACHARMOS ONDE ATUAR PARA ALCANARMOS
NOSSOS OBJETIVOS.
Anlise
QUANTO MAIS FCIL PUDERMOS
MANIPULAR TAIS INFORMAES, PERMITINDO
ESTUDAR CENRIOS POR DIFERENTES
PERSPECTIVAS, MAIS CLARAS, FCEIS E FIIS
SERO NOSSAS CONCLUSES.
41
Deciso
CONCLUSES EMBASADAS EM DADOS
REAIS NOS LEVAM A TOMAR DECISES
ASSERTIVAS, NA DIREO EXATA DE NOSSOS
OBJETIVOS.
Ao
TAIS DECISES DEVEM SER IMPLANTADAS
DE MANEIRA RPIDA E ABRANGENTE, SENDO
TRANSFORMADAS EM AES.
42
Velocidade
AES QUE POR SUA VEZ DEVEM SER
PROCESSADAS RAPIDAMENTE, COM QUALIDADE,
EM QUANTIDADE E ABRANGNCIA.
Resultados
S ASSIM CHEGAMOS AOS RESULTADOS
POSITIVOS QUE BUSCAMOS.
NO POR MGICA E SIM COMO
CONSEQNCIA LGICA E NORMAL DE UM
TRABALHO REALIZADO.
43
NECESSIDADES
DO
USURIO
44
NECESSIDADES DO USURIO
Quero toda a Informao

Informao..." Integrada
Processo Retorno Gerado

de pelo Computador Medias
Anlise Experincia
Business Importantes
out in
45
DONOS
DA
INFORMAO
46
DONOS DA INFORMAO
MONARQUIA
FEDERALISMO
FEUDALISMO
ANARQUIA
47
DONOS DA INFORMAO
MONARQUIA
Quando um indivduo ou departamento controla a maior

parte das informaes de uma empresa.
Quando o Monarca a pessoa de TI, significa que ningum
acima dele importa-se muito com a informao
48
DONOS DA INFORMAO
FEDERALISMO
Princpio: Democracia representativa, onde um controle d

autonomia de acesso s hierarquias inferiores.
EXEMPLO:
CADASTRO DE CLIENTES
Dono da Informao: Sr. Joo Silva (Diretor Comercial)
Acessos Concedidos: Gerente de Marketing e Vendedores
49
DONOS DA INFORMAO
FEUDALISMO
Quando os gerentes intermedirios tm o controle de seus

ambientes e criam suas prprias fontes de informaes, como
verdadeiros senhores feudais.
Consequncia:
Existncia de planilhas Excel e arquivos em
Access espalhados pela empresa.
50
DONOS DA INFORMAO
ANARQUIA
Aparece quando nenhum gestor percebe a importncia da

informao dentro da sua organizao.
Os profissionais administram seus prprios bancos de
dados e moldam as informaes de acordo com sua
necessidade sem depender da rea de TI.
51
REFLEXO
INFORMAO NO FONTE DE PODER,

FONTE DE GESTO
Qual dos modelos apresentados seria melhor

para implantao?
52
SISTEMAS
53
VISES DE UM SISTEMA
UMA UMA
BOLA! MONTANHA!
UMA
CORDA!
UMA UM
SABRE! SISTEMA!
54
SISTEMA DE INFORMAES
Os diversos nveis de
sistema dentro do ambiente
empresarial
SISTEMA
subsistema 1
subsistema 2
subsistema 3
SUPERSISTEMA
MEIO AMBIENTE
55
SISTEMA DE INFORMAES
Um sistema bem sucedido

tem dimenses
organizacional e humana,
Organizaes alm dos componentes
Pessoas
tcnicos.
Sistemas
de Ele existe para responder a
Informao necessidades
organizacionais, incluindo
problemas apresentados
pelo ambiente externo
Tecnologia
criado por tendncias
polticas, demogrficas,
econmicas e sociais
56
VISO SISTMICA
3
6
Cliente
Pessoas
1 8
2
Objetivos Estratgias e Planos Resultados
7
4 Processos
Sociedade
5
Informao e Conhecimento
57
PROCESSOS
OPERACIONAIS
58
PROCESSOS OPERACIONAIS
Um Processo uma srie de atividades

logicamente inter-relacionadas que,
quando executadas, agregam valor e
produzem resultados explcitos
59
PROCESSOS OPERACIONAIS
Requisitos
Requisitos
Entradas Sadas
Clientes
Fornecedores
Feedback
Feedback Sistema de Medidas Feedback
60
NECESSIDADES
CORPORATIVAS
61
INFORMAES
Foco em
Resultados
CONHECIMENTO
BASE DE
Mtrica dos
objetivos
Estratgicos
62
2 Mapeamento
4
P Processos
r de Data Quality
o 1
Sistemas
c
Transacionais e
Staging Area Desenho do Modelo
s -Business Discovery-
Sistemas s
Departamentais o
3 s Ferramentas de
*.txt Administrao
E META DATA
T
L
Dados e Informaes
Externas Visualizao e Simulaes OPERATIONAL
DATA STORE
Mining Simulao e 6
Elaborao de DIMENSIOAL OPERATIONAL
DATA STORE
Cenrios DATA STORE
Scorecard Anlises OPERATIONAL

Ad Hoc DATA STORE
Decision
Support
Datamarts Data Warehouse
Anlises
Grficas Relatrios
5 Movimetao
e Consolidao
Ferramentas de Acessibilidade 63
ERP
Enterprise Resource Planning
Sistema Integrado de Gesto
64
Sistema Integrado de Gesto(ERP)
A necessidade
Com o desenvolvimento das empresas e do
mercado de modo geral, a quantidade de aes e
informaes administradas pelos empresrios
cresce exponencialmente.
Uma soluo imediata a contratao de
pessoas para dividir a carga de trabalho.
Desta forma as empresas crescem, delegando
inicialmente funes operacionais e num segundo
estgio, funes gerenciais.
65
A necessidade
As empresas se tornam grande corporaes, com

inmeros funcionrios e diversos departamentos.
O foco da empresa era dividido com assuntos
diversos que em muito divergiam de seu core
business.
66
A necessidade
Com a quantidade e complexidade das

informaes crescendo a medida que a empresa e
seu mercado de atuao se desenvolviam, logo
comearam a surgir os seguintes problemas:
Velocidade de transmisso da informao
Quantidade de informao a ser transmitida
Qualidade da informao transmitida
Execuo das aes correspondentes
67
O que ?
Tecnologia capaz de organizar e integrar as
informaes armazenadas nos computadores de
uma empresa, de forma a eliminar dados
redundantes ou desnecessrios, racionalizar
processos e distribuir a informao on-line pelas
vrias reas da organizao, de forma estruturada e
fidedigna.
Pode ser entendido como o backbone de TI na
empresa.
68
Na prtica...
Integram e compem os subsistemas de uma

organizao.
Financeiro ( Contas a Pagar e Receber)

Contabilidade
Planejamento
Recursos Humanos
Estoque
Custos
ETC...
69
Cuidados...
O investimento exigido, tanto financeiro como de
envolvimento de todo pessoal e dos gestores,
elevado
Escolha poltica na aquisio ao invs de uma

tcnica, levando em considerao: Funcionalidade,
Custos, Suporte, Tecnologia e Estrutura.
Atendimento das expectativas. A misso do

ERP e dar suporte, no assumir o controle.
70
Cuidados...
Cuidado com a tentao: implantar o que mais
fcil e no o que mais importante.
A consultoria colabora, mas no resolve todos

os problemas. ERP no supera gerenciamento
pobre.
Atendimento das expectativas. A misso do

ERP e dar suporte, no assumir o controle.
71
Custos Ocultos...
Treinamento: 15% do custo do projeto. Os usurios
no vo apenas aprender a operar um novo software, e
sim a interagir com os processos da empresa.
Integrao e Teste: ERPs so complexos, assim
como complexa sua integrao com os demais
sistemas; seus testes devem ser extensivos e
cuidadosos.
Converso de dados: os volumes normalmente so
grandes, e se encontra inconsistncias que devem
ser sanadas. H ferramentas de converso
(pelas quais se paga...)
72
Custos Ocultos...
A operao de ERP cara Fornecedores de ERP
procuram vender a idia de que datawarehouses
podem ser construdos facilmente a partir de seus
produtos.
Isso quase nunca verdade - software e esforos
especficos devem ser adicionados para que isso
ocorra.
Consultoria: seus custos so absurdos, e devem
ser objetos de estrita ateno - mtricas devem ser
adotadas. Pode-se dizer que o custo do software
propriamente dito representa apenas 1/3 do custo
total.
73
Dicas de implantao...
Envolvimento dos usurios em todas as fases do

processo de especificao, para que se tenha certeza
de que o sistema certo est escolhido pelas razes
certas.
Garantir que a estrutura de TI seja a adequada
Preparar toda a empresa para as mudanas que

ocorrero - mais do que treinamento,
preciso educao e envolvimento nos processos.
74
Dicas de implantao...
Treinamento especializado para o Gestores. Eles

sero seu apoio com o pessoal a eles subordinados
que devero ser exaustivamente treinado..
Procure estar apto para ouvir criticas dos

usurios do tipo : O sistema anterior era melhor.
Faa antes da implantao a Reengenharia dos

processos, caso contrrio seu sistema de ERP vai
custar o dobro.
75
Fornecedores
H muitos fornecedores de software ERP (mais

de 300, talvez), mas nenhum fornece tudo o que
necessrio para administrar uma empresa.
Customizao ser necessrio, esteja pronto
para esta etapa.
76
Posio no Mercado
77
OLAP
On-line Analytical Processing
Processamento analtico on-line

Ambiente de aplicaes Analticas
78
OLAP
O que ?
um conjunto de ferramentas voltadas para o

acesso e anlise de dados.
Seu objetivo final transformar dados em
informaes capazes de dar suporte a decises
gerenciais de forma amigvel e flexvel ao usurio
em tempo hbil.
79
OLAP
Caractersticas
Rapidez de clculo e acesso (grande volume de

dados e consultas ad-hoc (especficas) ;
Capacidade de anlise avanada (mdia, mdia
poderada, normalizao, ordenao acumulados
no tempo;
Flexibilidade (visualizao, anlise e interface);
Suporte a mltiplos usurios.
80
OLAP
Histrico
Fim da dcada de 60
IBM desenvolveu e implementou APL
Dcadas de 80 e 90
APL em Aplicaes de negcio
OLAP (90)
Atualmente
IBM
Oracle
Microsoft
81
OLAP
Histrico
Fim da dcada de 60
IBM desenvolveu e implementou APL
Dcadas de 80 e 90
APL em Aplicaes de negcio
OLAP (90)
Atualmente
IBM
Oracle
Microsoft
82
OLAP
Tipos de Anlise
Anlise
Multidimensional
Consultas e Anlise
relatrios Estatstica
Data Mining
83
OLAP
Multidimensional
o conceito chave da anlise feita atravs de

ferramentas OLAP.
Neste tipo de anlise, os dados so modelados
em uma estrutura conhecida como cubo que nos
permite observar vrios assuntos (dimenses) para
uma mesma massa de dados.
84
OLAP - Multidimenses
Exemplo Dados de vendas por

semestre, por produto e por
cidade.
Semestre Vendas
Primeiro 16.000,00
Segundo 16.000,00
Produto Vendas
Banana 16.000,00
Laranja 16.000,00
Cidade Vendas
Recife 16.000,00
Macei 16.000,00
85
Exemplo
Dados de vendas por semestre, por produto e por
cidade os mesmos dados apresentados de forma
mais detalhada, revelando o interior do cubo:
Semestre Produto Cidade Valor
Primeiro Banana Recife 3.000,00
Macei 1.000,00
Laranja Recife 4.000,00
Macei 8.000,00
Segundo Banana Recife 6.000,00
Macei 6.000,00
Laranja Recife 3.000,00
Macei 1.000,00
86
Exemplo
Dados de vendas por semestre, produto
e cidade representao grfica do cubo:
Cidade
Semestre
87
OLAP
Multidimensional
DIMENSES HIERARQUIAS
Ano Pas
Suco Ms Estado
Leite
Semana Cidade
Queijo Natal
Recife
Sabo Macei
Jan Fev Mar Abr Mai

2006
DATA
88
OLAP Dados Multidimensionais
Volume de vendas como funo de

produto, meses e regio
Indstria Regio Ano
Categoria Pas Trimestre

Produto
Produto Cidade Ms Semana
Filial Dia
Dimenses: Produto, Localizao, Tempo

Meses
89
OLAP Exemplo de um cubo
Total anual de vendas

Data De TVs no Brasil
1Trim 2Trim 3Trim 4Trim soma
TV
PC Brasil
VCR
soma
Canada
Pas
Mexico
Soma
90
OLAP Hiper-Cubo
Data Data Data

soma
TV 2Trim
1Trim
3Trim 4Trim
soma
TV1Trim2Trim
3Trim 4Trim
Brasil TV 2Trim
1Trim
3Trim 4Trim
soma
Brasil PC Brasil
PC PC
VCR VCR VCR
soma Canada
soma Canada soma Canada
Pas
Pas
Pas
Mexico Mexico Mexico
Soma Soma Soma
Viso Multidimensional
91
OPERAES
NO AMBIENTE
OLAP
92
OPERAES NO AMBIENTE OLAP
Drill-down Desagrega uma dimenso

Exemplo: Ano Meses
Estado - cidades
93
Roll-up Agrega uma dimenso ( o

inverso do Drill-down)
Exemplo: Meses Anos,
Cidades - estado
94
Drill-down - Roll-up
95
Slice Uma Fatia de valores ao

longo de uma dimenso
Exemplo: Ano 2001
96
Dice Um dado resultante do cruzamento de

mais de uma dimenso.
Exemplo: Ano 2001, Em MG e
em B.
97
Drill-through Detalha alm do cubo

(nvel de registros)
Muda o eixo de
Pivot visualizao, tambm
conhecido como
rotao.
Rank Ordena os membros.
98
ARQUITETURAS
OLAP
99
ARQUITETURAS OLAP
ROLAP OLAP Relacional

Os dados so armazenados no modelo
relacional como tambm suas consultas so
processadas pelo gerenciador do banco
relacional.
OLAP multidimensional
MOLAP
Os dados so armazenados de
forma multidimensional, atravs de
Arrays com granularidade alta.
HOLAP OLAP Hbrido
100
ARQUITETURAS OLAP
101
OUTRAS ARQUITETURAS OLAP
WOLAP Web OLAP

Ferramenta OLAP a partir de um navegador.
JOLAP Java OLAP

API Java para servidores e
aplicaes OLAP
Orientada a objetos
DOLAP Desktop OLAP
102
Data Mining
Minerao de Dados
103
Minerao de Dados
104
Minerao de Dados - Justificativa
O volume de dados
duplica a cada ano !
105
DM - MOTIVAO
Os recursos de anlise de dados tradicionais

so inviveis para acompanhar esta evoluo e
velocidade da Tecnologia da Informao em busca
de conhecimento.
Morrendo de sede por conhecimento

em um oceano de dados
106
DATA MINING
O que ?
Minerao de dados (descoberta de conhecimento

em bases de dados):
Extrao de informao interessante (no-

trivial, implcita, previamente desconhecida e
potencialmente til) dos dados armazenados em
grandes massas de dados conhecimento para
tomada de deciso.
107
DATA MINING
KDD
Knowledge Discovery in Database
Descoberta de Conhecimento em Banco de Dados
108
DATA MINING
KDD o processo, no
trivial, de extrao de
informaes, implcitas,
previamente
desconhecidas e
potencialmente teis, a
partir dos dados
armazenados em um banco
de dados
[Frawley , Piatetsky-Shapiro &
Matheus,1991]
109
DATA MINING
Como identificar conhecimento em

uma grande massa de dados:
Padres (X acontece se...)

Excees (isto diferente de... por causa de...)
Tendncias (ao longo do tempo, Y deve
acontecer...)
Correlaes (se M acontece, N tambm deve
acontecer)
110
DATA MINING
O que ?
Nomes alternativos:
Descoberta (minerao) de conhecimento em
banco de dados (KDD - Knowledge Discovery in
Database ), extrao de conhecimento, anlise de
dados/padres, business intelligence, etc.
O que no data mining?

Processamento de consultas dedutivo.
Sistemas especialistas ou pequenos programas
estatsticos ou de aprendizado de mquina.
111
DATA MINING - MOTIVAO
Problema da exploso de dados
Processo de tomada de deciso exige anlise de grandes

massas de dados
Soluo: Data Warehousing e Data Mining

Data warehousing: Viso multidimensional dos dados para
processamento OLAP
Data mining: Extrao de conhecimento interessante (regras,

padres, restries) dos dados em grandes bases de dados.
112
DATA MINING - APLICAES
Anlise de dados e suporte a decises

Anlise de mercado
Marketing sob demanda, relao entre clientes, anlise e

segmentao de mercado, anlise cruzada de dados, etc.
Anlise de risco
Previso, controle de qualidade, anlise competitiva,

anlise de seguros
Deteco de fraude
Outras Aplicaes
Minerao de texto (news group, email, documentos XML)
113
DM ANLISE DE MERCADO
Quais so as fontes de dados para Anlise de Mercado ?

Transaes de cartes de crdito, cartes de fidelidade, cupons
de desconto, servios de televendas, estudos de comportamento
(questionrios pblicos, web, etc.)
Marketing sob demanda
Descobrir grupos de modelos de clientes que compartilham as
mesmas caractersticas: interesses, hbitos de compras, etc.
Determinar padres de compras.
Anlise cruzada de dados.
Associaes/corelaes entre vendas de produtos
Previso baseada nas associaes determinadas
114
DM ANLISE DE MERCADO
Preferncias do Cliente
Data mining pode mostrar que tipos de clientes compram
que tipos de produtos (clustering ou classificao).
Identificao das necessidades dos clientes

Melhores produtos para diferentes clientes;
Modelos de predio para descobrir que fatores vo atrair
novos clientes
Informaes sumrias
Relatrios multidimensionais e estatsticos
115
DATA MINING ANLISE DE RISCOS
Planejamento de finanas e oramento

Anlise e predio de fluxo de caixa
Anlise de contingncia para proviso de bens
Anlise de sries temporais
Planejamento de recursos:
Resume e compara os recursos e os gastos
Competio:
Monitorar concorrentes e direes de mercado
Agrupar clientes em classes e elaborar mtodos para ajustar
preos competitivos com os concorrentes do mercado
116
DM DETECCO DE FRAUDES
Aplicaes
Largamente usada em servios de sade, cartes de crditos,
telecomunicaes (fraude de ligaes telefnicas), etc.
Tcnicas
Dados histricos para construir modelos de comportamento
fraudulentos e usar minerao de dados para identificar instncias
similares
Exemplos
Seguro de automveis: detecta um grupo de pessoas que so
potenciais coletores de sinistros
Lavagem de dinheiro: detecta transaes suspeitas de dinheiro
Seguro de sade: detecta pacientes profissionais e grupo de
outores usados para receber seguro destes pacientes
117
DM DETECCO DE FRAUDES
Deteco inapropriada de tratamento mdico

Comisso de Seguro de Sade da Austrlia identificou
que em muitos casos os tratamentos no eram necessrios
(economia de $1milho/ano).
Deteco de fraudes telefnicas
Modelo de ligaes telefnicas: destino da ligao,
durao, hora do dia, dia da semana. Anlise de padres
que desviam do padro esperado.
118
DM - DESCOBERTA DO
CONHECIMENTO EM BD (KDD)
INTERPRETAO/
AVALIAO CONHECIMENTO
DATA ?
MINING
PADRES
TRANSFORMAO
DADO
TRANSFORMADO
PR-PROCESSAMENTO
DADO
PROCESSADO FAYYAD 1996
SELEO
DADO
ANALISADO
DADOS
119
DM - DESCOBERTA DO
CONHECIMENTO EM BD (KDD)
1 - SELEO
2 - PR-PROCESSAMENTO
(Limpeza + Enriquecimento)
3 - TRANSFORMAO Conhecimento
5
4 - MINERAO
5 - INTERPRETAO 4
3
Regras e
2 Padres
Dados
Dados Transformados
1 Pr-processados
Dados
Selecionados
Dados
120
DM - ETAPAS DO PROCESSO DE KDD
Conhecer o domnio da aplicao.

Conhecimento relevante e metas da aplicao
Criar a base de dados alvo: seleo de dados
Limpeza dos dados e pr-processamento: (at 60% do esforo!)
Transformao dos dados:
Contemplar propriedades importantes e dimenses.
Escolha das funes do data mining
sumarizao, classificao, associao, clustering.
Escolha dos algortimos de minerao
Data mining: busca dos padres de interesse
Avaliao dos padres descobertos e apresentao do
conhecimento
visualizao, transformao, remoo de padres redundantes, etc.
Uso do conhecimento descoberto
121
DM - ETAPAS DO PROCESSO DE KDD
Lgica
Condicional
Afinidades e
Descoberta Associaes
Tendncias e
Variaes
Data Mining Resultado do

Prognstico
Modelagem de
Prognstico
Previso
Deteco de
Desvio
Anlise Prvia
Anlise de
Ligaes
122
ARQUITETURA DE UM SISTEMA DE
DATA MINING
Graphical user interface
Pattern evaluation
Data mining engine

Knowledge-base
Database or data
warehouse server
Filtering
Data cleaning &
data integration Data
Databases Warehouse
123
ALGUMAS TCNICAS
DE MINERAO
DE DADOS
124
TCNICAS DE MINERAO DE DADOS
Classificao
Descoberta de Regras de Associao
Clustering
125
Minerao de Dados - Classificao
Usamos o Indutor, como por exemplo uma rvore

de deciso (ID3, C4.5), para indicar classes para
estes dados. Assumimos que dados desconhecidos
prximos de dados conhecidos tero a mesma
classe dos dados conhecidos.
O processo pode ser avaliado se usarmos dados

com classes conhecidas, fizermos a sua
classificao e compararmos os resultados
previstos com os obtidos.
126
Classificao - REGRAS
Regras possuem:
antecedentes (condies) e
conseqentes (classe):
SE COND1 E COND2 E... ENTO CLASSE(A)
Condies relacionam valores dos atributos:
Atributos : Cliente, Data Vencimento, Pagamento, Valor,....

Relaes: <, >, =,......
127
Classificao REGRAS - Exemplo
SE 06:00hs< hora_sinistro < 08:30hs E

oficina
oficinas_suspeitas E
prmio_seguro < R$ 2300 E
registro_policial = NO E
...........
custo_sinistro > 2,4 prmio_seguro
ENTO FRAUDE
128
Classificao - Exemplo
Sexo Pas Idade Comprar

M Frana 25 sim
M Inglaterra 21 sim
F Franca 23 sim
F Inglaterra 34 sim
F Frana 30 no
M Alemanha 21 no
M Alemanha 20 no
F Alemanha 18 no
F Frana 34 no
M Frana 55 no
129
Classificao
SE (pas = Alemanha) ENTO (comprar=no)

Se (pas = Inglaterra) ENTO (comprar = sim)
SE (pas = Frana E idade 25) ENTO (comprar = sim)
SE (pas = Frana E idade > 25) ENTO (comprar = no)
130
Algoritmo ID3 [Quinlan 86]
Passos para construo de uma rvore de deciso:

1. Seleciona um atributo como sendo o nodo raiz ;
2. Arcos so criados para todos os diferentes valores do
atributo selecionado no passo 1;
3. Se todos os exemplos de treinamento sobre uma folha
pertencerem a uma mesma classe, esta folha recebe o
nome da classe. Se todas as folhas possuem uma
classe, o algoritmo termina;
4. Seno, o nodo determinado com um atributo que no
ocorra no trajeto da raiz, e arcos so criados para todos
os valores. O algoritmo retorna ao passo 3.
131
Exemplo rvore de Deciso ou

rvore de Classificao
ID Salrio Idade Tipo Emprego Classe
1 3.000 30 Autnomo B Salrio
2 4.000 35 Indstria B
3 7.000 50 Pesquisa C 5.000 5.000
4 6.000 45 Autnomo C
5 7.000 30 Pesquisa B B Idade
6 6.000 35 Indstria B
7 6.000 35 Autnomo A 40 40
8 7.000 30 Autnomo A
9 4.000 45 Indstria B T.Empr. C
Ind.,Pesq. Autnomo
Regras de Classificao
B A
(Sal 5.000) Classe = B
(Sal 5.000) (Idade 40) Classe = C
(Sal 5.000) (Idade 40) (TEmpr = Autnomo) Classe = A
(Sal 5.000) (Idade 40) ((TEmpr = Indstria) (TEmpr = Pesquisa)) Classe = B
132
Algoritmo ID3: restries

O algoritmo ID3 no contempla todos os casos:
Quando atributos forem numricos?

Esquemas de discretizao.
Identificao de categorias discretas em atributos numricos
(particionamento do atributo).
Quando dados estiverem incompletos?

Usar classe faltando.
Substituir valores inexistentes (pr-processamento).
Complexidade da rvore resultante

Pruning (poda)
Outros algoritmos: C4.5 / J4.8
133
Minerao de Dados
Associao
134
Minerao de Dados - Associao

Regras de associao ou regras associativas tm a forma
{X1, X2, ..., Xn} Y
significando que se encontrarmos todos os itens X1, X2,

..., Xn numa transao, ento temos uma boa chance de
encontrar tambm Y.
(Freitas,2000)
135
Precisamos de mtricas que indiquem:
Significncia em uma associao: ela pode existir mas ser muito rara
em uma base de dados (ex. Compra cerveja e fraldas).
Suporte X Y : nmero de casos que contm X e Y dividido pelo
nmero total de registros.
Confiana em uma associao: o antecedente pode ocorrer vrias

vezes na base de dados mas nem sempre com o mesmo conseqente
associado.
Confiana X Y : nmero de registros que contm X e Y dividido pelo
nmero de registros que contm X.
(Freitas,2000)
136

dada a regra de associao XY
X implica Y
se X ento Y
se compra X ento compra Y,
define-se
Nmero de registros com X e Y

suporte =
Nmero total de registros
Nmero de registros com X e Y
confiana = Grau de Certeza
Nmero de registros com X
(Freitas,2000)
137
Tarefa descobrir todas a regras de associao

com suporte ao suporte mnimo (minsup) e
confiana confiana mnima (minconf) , definidas
pelo usurio.
(Freitas,2000)
138

Cada registro corresponde a uma transao de um cliente,
com itens assumindo valores binrios (sim/no), indicando se o
cliente comprou ou no o respectivo item.
num leite caf cerveja po manteiga arroz feijo
1 no sim no sim sim no no
2 sim no sim sim sim no no
3 no sim no sim sim no no
4 sim sim no sim sim no no
5 no no sim no no no no
6 no no no no sim no no
7 no no no sim no no no
8 no no no no no no sim
9 no no no no no sim sim
10 no no no no no sim no
(FREITAS & LAVINGTON 98)
139
SE (caf) ENTO (po) sup=0.3 conf.=1

SE (caf) ENTO (manteiga) sup=0.3 conf.=1
SE (po) ENTO (manteiga) sup=0.4 conf.=0.8
SE (manteiga) ENTO (po) sup=0.4 conf.=0.8
SE (caf E po) ENTO (manteiga) sup=0.3 conf.=1
SE (caf E manteiga) ENTO (manteiga) sup=0.3 conf.=1
SE (caf) ENTO (manteiga E manteiga) sup=0.3 conf.=1
(Freitas, 2000)
140
Algoritmos de regras de Associao
AIS SETM
Apriori Apriori -TID

Apriori-Hybrid Dense Miner
MiRABIT
141
Algoritmo Apriori
(1) Dado um limiar de suporte minsup, no primeiro passo encontre os itens
que aparecem ao menos numa frao das transaes igual a minsup. Este
conjunto chamado L1, dos itens freqentes.
(2)Os pares dos itens em L1 se tornam pares candidatos C2 para o segundo
passo. Os pares em C2 cuja contagem alcanar minsup so os pares freqentes
L2 .
(3) As trincas candidatas C3 so aqueles conjuntos {A, B, C} tais que todos os
{A, B}, {A, C} e {B, C} esto em L2. No terceiro passo, conte a ocorrncia
das trincas em C3; aquelas cuja contagem alcanar minconf so as trincas
freqentes, L3.
(4) Proceda da mesma forma para tuplas de ordem mais elevada, at os
conjuntos se tornarem vazios. Li so os conjuntos freqentes de tamanho i;
Ci+1 o conjunto de tamanho i+1 tal que cada subconjunto de tamanho i est
em Li.
142
Algoritmo Apriori
Conjunto de itens suporte

{leite} 2
{caf} 3
L1 ser os itens de C1 com
{cerveja} 2
suporte >= 3 (0,3)
{po} 5
{manteiga} 5
{arroz} 2
{feijo} 2
C1 Conjunto de itens suporte

{caf} 3
{po} 5
{manteiga} 5
L1
143
Algoritmo Apriori
C2 , L2

{caf, po} 3
Os pares dos itens de L1 {caf, manteiga} 3
tornam-se {po, manteiga} 4
Candidatos para o C2

{caf, po, manteiga} 3
C3, L3
144
Algoritmo Apriori
Regras candidatas com dois itens com o seu grau de certeza(Confiana):
Conjunto de itens: {caf, po}

Se caf Ento po conf = 1,0
Se po Ento caf conf = 0,6
Conjunto de itens: {caf, manteiga}

Se caf Ento manteiga conf = 1,0
Se manteiga Ento caf conf = 0,6
Conjunto de itens: {po, manteiga}
Se po Ento manteiga conf = 0,8
Se manteiga Ento po conf = 0,8
145
Algoritmo Apriori
Regras candidatas com trs itens com o seu valor de certeza:

Conjunto de itens: {caf, manteiga, po}
Se caf, manteiga Ento po conf = 1,0
Se caf, po Ento manteiga conf = 1,0
Se manteiga, po Ento caf conf = 0,75
Se caf Ento manteiga, po conf = 1,0
Se manteiga Ento caf, po conf = 0,6
Se po Ento caf, manteiga conf = 0,6
146
Padres descobertos, minsup = 0,3 e minconf = 0,8:

Se caf Ento po conf = 1,0
Se caf Ento manteiga conf = 1,0
Se po Ento manteiga conf = 0,8
Se manteiga Ento po conf = 0,8
Se caf, manteiga Ento po conf = 1,0
Se caf, po Ento manteiga conf = 1,0
Se caf Ento manteiga, po conf = 1,0
147
Minerao de Dados
Clustering
Agrupamento
148
Minerao de Dados - Clustering
Cluster
o resultado da identificao de um conjunto finito de

categorias (ou grupos - clusters) que contm objetos
similares.
Grupos esses que no so previamente definidos.
149
Anlise de Cluster
Esta tcnica agrupa informaes homogneas
de grupos heterogneos entre os demais e aponta o
item que melhor representa cada grupo, permitindo,
desta forma, que consigamos perceber a
caracterstica de cada grupo.
Instintivamente as pessoas visualizam os dados
segmentados em grupos discretos, como por exemplo,
tipos de plantas ou animais. Na criao desses grupos
discretos pode-se notar a similaridade dos objetos em
cada grupo.
GTI (2002) - Deborah R. Carvalho
150
Anlise de Cluster
Marketing: ajuda na descoberta de grupos distintos de
clientes, e uso deste conhecimento para criar
campanhas dirigidas;
Uso de terras: identificao de reas de uso similar a
partir de uma base de observao via satlite;
Seguros: identificao de grupos de assegurados com
alto custo de sinistro;
Planejamento urbano: identificao de grupos de casa
de acordo com seu tipo, valor e localizao geogrfica;
Estudos sobre clientes: identificao dos tipos de
clientes em funo de pagamentos de duplicatas Meu
Caso.
151
O que bom Clustering:
Um bom mtodo de agrupamento (clustering) deve produzir

clusters de qualidade com:
Alta similaridade intra-classe;
Baixa similaridade inter-classes.
Aqualidade do resultado de um processo de clustering

depende da medida de similaridade, do mtodo utilizado e de
sua implementao;
Aqualidade um um processo de clustering tambm deve ser

avaliada pela sua habilidade de descobrir alguns ou todos os
padres escondidos (hidden patterns).
152
Medida da qualidade do cluster

Mtricade similaridade / dissimilaridade: expressa em termos de
funo de distncia d(i, j)
Existe
uma funo de qualidade que uma medida da
adequao de um cluster;
Existem definies de funes de distncia que so diferentes para

variveis intervalares, booleanas, categricas e propores;
Pesosdevem ser associados s variveis baseados na aplicao e

na semntica dos dados;
difcil definir suficientemente similar, pois tipicamente esta

avaliao subjetiva.
153
Similaridade entre objetos: distncias
Distncia tpica: de Minkowski;
d (i, j) q (| x x |q | x x |q ... | x x |q )
i1 j1 i2 j2 ip jp
Onde i = (xi1, xi2, , xip) e j = (xj1, xj2, , xjp)

so vetores p-dimensionais e q um inteiro
positivo.
154
Similaridade entre objetos: distncias

q =1: distncia de Manhattan:
d (i, j) | x x | | x x | ... | x x |
i1 j1 i2 j2 ip jp
q =2: distncia euclidiana:
d (i, j) (| x x |2 | x x |2 ... | x x |2 )
i1 j1 i2 j2 ip jp
155
O mtodo k-means (k-mdias)

Dado k, o algoritmo k-means implementado em
quatro passos:
1. Partio dos objetos em k conjuntos no vazios;
2. Clculo de pontos semente como os
centrides (mdias) dos clusters das parties
correntes;
3. Assinalao de cada objeto ao cluster
(centride) mais prximo de acordo com a
funo de distncia;
4. Retorno ao passo 2 at que no haja mais
alteraes de assinalao.
156
O mtodo k-means (k-mdias) - Exemplo

10 10
9 9
8 8
7 7
6 6
5 5
4 4
3 3
2 2
1 1
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
10 10
9 9
8 8
7 7
6 6
5 5
4 4
3 3
2 2
1 1
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
157
Estudo de
Caso
Extrao de conhecimento na
base de clientes da
Organizao Arnon de Mello
158
Estudo de Caso - OAM
Ferramentas Observadas
Bayesialab
KnowledgeMiner
Miner3D
Mineset 3.2
PolyAnalyst
Weka
WizRule
WizWhy
XpertRule
159
INTERPRETAO/
AVALIAO CONHECIMENTO
DATA ?
MINING
PADRES
TRANSFORMAO
DADO
TRANSFORMADO
PR-PROCESSAMENTO
DADO
Planilha EXCEL
PROCESSADO FAYYAD 1996
SELEO
DADO Filtros para os atributos:
DADOS
ANALISADO Cliente,Vencimento,Baixa,
Valor
SQL Server
160
161
162
MineSet - Tools Estudo de Caso - OAM
163
164
Histograma
AUTO VANESSA LTDA
Clientes por
quantidade de
transaes
financeiras (N Cerca de 75% da
de Duplicatas) carteira pagam
at 21 dias de
atraso
Cliente Tipo A
pagam entre 0 e
30 dias de atraso
165
Disperso
166
Disperso
O cliente 105414 paga com mais

de 360 dias de atraso e seu
volume de R$717.544 Requer
providncias imediatas.
167
Mapa
168
Classificao
169
Classificao
Indutor: rvore de deciso
170
Classificao
171
Associao
172
O cliente 105414 se mantm na faixa de atraso em (241.5...360)
Regra: Se for cliente 105414 paga com mais de 240 dias de atraso
173
Regra1: Se for cliente 108017 paga at 30 dias de atraso

Regra2: Se for cliente 113009 paga no prazo (atraso = 0)
174
Clustering
175
Clustering
176
Clustering
177
Clustering
178
DATA
MARTS
179
DATA MARTS
O que ?
Base de informao por linha de negcio

que contm um subconjunto dos dados
corporativos.
180
DATA MARTS
Clientes
Banco Extrao Data

de dados Transformao Mart OLAP
operacional Transporte Vendas
MAINFRAME MS-SQL Server 2000 Clientes
181
ETL
Extract, Transformation and Load
Extrao Transformao e Carga
182
ETL
O que ?
a camada responsvel por

integrar, transformar e salvar dados,
no importando sua fonte nem seu
destino.
183
ETL
Os dados, oriundos de diversas fontes de

dados, se necessrio, so submetidos a severas
transformaes e disponibilizados de forma
normalizada.
Em ambientes complexos, existe a possibilidade

de utilizao de softwares que executam as
transformaes automaticamente
Dependendo da periodicidade de atualizao dos

dados, devem ser estabelecidos mecanismos de
sincronizao de dados para garantir a integridade
dos dados.
184
ETL
Mtodos de Extrao
- EXTRAO SELETIVA
os dados so extrados atravs de programas desenvolvidos
especificamente para selecionar os dados a serem exportados
- MANUTENES POR LOGS OU LOTES

os dados so extrados atravs dos registros automticos (logs)
ou de lotes de dados das transaes efetuadas nos sistemas
operacionais
-REPLICAO AUTOMTICA
os dados so extrados atravs de um sincronismo automtico
entre dois bancos de dados
185
ETL - Mtodos de Extrao
12 cm
E
4,5 polegadas
T
450 mm L
cm
2 ps
SQL Server
Oracle E
T
Access L
SQL Server
Texto
m,f
1,0 E
T
mas,fem L
m,f
masculino, feminino
186
ETL
Mtodos de Carregamento
- RENOVAO
Dados previamente arquivados so regravados, sendo ento
automaticamente atualizados
- ATUALIZAO LGICA OU INCREMENTAL

Trata-se de um arquivamento no destrutivo, onde aos dados j
arquivados so acrescentados outros dados
- ATUALIZAO FSICA
Trata-se de um arquivamento destrutivo, onde os dados arquiva-
dos so previamente eliminados dando lugar a novos dados que
sero carregados
187
ETL
Source Exploitation Applications

Data Logical Data Model
Camada de Integrao, Data Marts

Transformao e Gerenciamento
do Histrico
Detail Dimensional HOLAP Data Models
Data Store Physical Models
Reporting
Analytical Data Models
Analytics
Campaign Management
Data Mart BSC Knowledge Base
Performance
Current Data Management
Campaign
Management
ETL Process and Metadata Online HTML WA documentation
188
ETL
Extrao, Transformao e Carga

DATA WAREHOUSE
ANALISTA
METADATA GERAR CONSULTA
GXPLORER MANAGER GXPLORER EXCEL
Base de
Conhecimento BI
GENEXUS
CONSULTA
TAREFA EXECUTADA (ETL)
DATA WAREHOUSE
BASE DE DADOS
OPERACIONAL
USURIO
189
Data WareHouse
Armazm de Dados
190
DW
O que ?
um amplo e flexvel repositrio

de dados, que aglutina dados de
fontes heterogneas, projetado de
modo a suportar o processo de
tomada de deciso.
191
DW
Onde se aplica.
Empresas com grande quantidade de
dados armazenados
Dispersos
Gravados por vrias aplicaes
Em plataformas e tecnologias diferentes
Em equipamentos diferentes
Em muitos casos conflitantes
Sistemas com muitas entradas e poucas
sadas
192
DW - ORGANIZAO
O que ? Estoque Vendas
Finanas Tcnico
DATA MART
Data warehouse
departamental
DATA WAREHOUSE
Corporativo
193
DW - ORGANIZAO
194
DW - ORGANIZAO
Fontes
Gesto e Operao Ad Hoc Query Tools
OLTP
. MetaData
.
. Extrao
Report Writers
Limpeza Data
OLTP Warehouse
Transformao
Carregamento Data
Marts Multidimensional
Analysis
Fontes Plataformas e
Externas Infra-estruturas de suporte
Aplicaes
- DataMining
Configurao, Gesto e Operao - .
195
DW ACESSO
196
DW - CAMADAS
197
DW - CAMADAS
Camadas de bancos de dados operacionais e fontes

externas: composto pelos dados dos sistemas
operacionais das empresas e informaes provenientes
de fontes externas que sero integradas para compor o
DW;
Camada de acesso aos dados: Esta camada faz a ligao

entre as ferramentas de acesso informao e os bancos de
dados operacionais. Esta camada se comunica com diferentes
sistemas de bancos de dados, sistemas de arquivos e fontes
sob diferentes protocolos de comunicao, o que se chama
acesso universal de dados;
198
DW - CAMADAS
Camada de acesso a informao: Envolve o hardware e o
software utilizado para obteno de relatrios, planilhas,
grficos e consultas. nesta camada que os usurios finais
interagem com o DW, utilizando ferramentas de manipulao,
anlise e apresentao dos dados, incluindo-se as
ferramentas de data-mining e visualizao.;
Camada de metadados (Dicionrio de dados):

Metadados so as informaes que descrevem os dados
utilizados pela empresa, isto envolve informaes como
descries de registros, comandos de criao de tabelas,
diagramas Entidade/Relacionamentos (E-R), dados de um
dicionrio de dados, etc. necessrio que exista uma
grande variedade de metadados no ambiente de DW para
que ele mantenha sua funcionalidade e os usurios no
precisem se preocupar onde residem os dados ou a forma
com que esto armazenados;
199
DW - CAMADAS
Camada de gerenciamento de processos: a camada

responsvel pelo gerenciamento dos processos que contribuem
para manter o DW atualizado e consistente. Est envolvida com
o controle das vrias tarefas que devem ser realizadas para
construir e manter as informaes do dicionrio de dados e do
DW;
Camada de transporte: Esta camada gerencia o transporte de

informaes pelo ambiente de rede. Inclui a coleta de mensagens
e transaes e se encarrega de entreg-las em locais e tempos
determinados. Tambm usada para isolar aplicaes
operacionais ou informacionais, do formato real dos dados nas
duas extremidades;
200
DW - CAMADAS
Camada do Data Warehouse: o DW propriamente dito,

corresponde aos dados utilizados para obter informaes. As
vezes o DW pode ser simplesmente uma viso lgica ou
virtual dos dados, podendo no envolver o armazenamento
dos mesmos ou armazenar dados operacionais e externos
para facilitar seu acesso e manuseio.
201
DW - CAMADAS
202
DW TRS CAMADA
203
DW FLUXO DE DADOS
204
DW FLUXO DE DADOS
Cinco principais fluxos fazem parte do

sistema:
Fluxo de entrada (inflow);

Fluxo de sada (outflow);
Fluxo de subida (upflow);
Fluxo de descida (downflow) e o
Metafluxo (metaflow).
205
DW FLUXO DE DADOS
O primeiro fluxo o de entrada dos dados no sistema (inflow),

que envolve extrair, filtrar, transformar, integrar e carregar os dados
de vrias fontes no DW. Deve-se considerar as fontes de dados
que pertencem empresa e as fontes externas. O fluxo de entrada
geralmente implementado com ajuda de ferramentas
especialmente desenvolvidas para este fim.
O segundo fluxo o de descida dos dados (downflow), ou seja,

em tempos pr-determinados, de dois a cinco anos dependendo
da empresa, os dados armazenados no DW passam para o estado
de dados antigos [INM96]. Este o fluxo que remove do DW
aqueles dados considerados velhos, que j no so mais utilizados
com freqncia.
206
DW FLUXO DE DADOS
O terceiro fluxo o de subida dos dados (upflow), onde

enfocada a necessidade de colocar os dados em formatos mais
acessveis aos usurios finais. Este processo sumariza e agrupa os
dados dentro de "vises" mais adequadas aos usurios finais e as
aplicaes front end que eles utilizam, tais como tabelas
sumarizadas, planilhas, grficos, pginas no formato Hyper Text
Markup Language (HTML), banco de dados pessoais, entre outros
formatos. Tambm funo do fluxo de subida a distribuio dos
dados para os diferentes nveis do sistema como, por exemplo, Data
Marts e bancos de dados pessoais localizados nas estaes de
trabalho dos usurios finais.
207
DW FLUXO DE DADOS
O quarto fluxo o de sada dos dados (outflow), cuja funo

disponibilizar acesso aos usurios finais do sistema. Este processo
implementado atravs de uma variedade de ferramentas front end
como, por exemplo, geradores de consulta e relatrio, ferramentas
com caractersticas On-line Analytical Processing (OLAP), pacotes
estatsticos, ferramentas de Data Mining, ferramentas de
visualizao, Executive Information System (EIS), Decision Suport
Systems (DSS), entre outras. As ferramentas front end podem
acessar tanto dados previamente preparados pelo fluxo de subida,
quanto dados "brutos" e detalhados armazenados no DW.
208
DW FLUXO DE DADOS
O quinto e ltimo fluxo pode ser chamado de metafluxo

(metaflow), ao contrrio dos quatro fluxos de dados citados
anteriormente, que descrevem como os dados se movem no DW
o metafluxo move metadados, ou seja, dados sobre os outros
fluxos. O repositrio de metadados responsvel pela gerncia
do sistema como um todo, indicando de onde os dados vm,
como so transformados, quando so atualizados, o que
significam, como so acessados e quem os v.
209
DW FLUXO DE DADOS
210
DW INTEGRADOR
O integrador pode ser implementado como um

mecanismo de regra base, recebendo as notificaes dos
extratores e integrando-as no DW. Cada regra
responsvel pela manipulao de um determinado tipo de
notificao e implementada como um mtodo em um
sistema orientado a objetos. Quando o extrator gera um
determinado tipo de notificao o mtodo correspondente
chamado e ento executa os processamentos
necessrios para integrar os dados no DW, durante este
processo o integrador pode obter dados extras no DW ou
em outras bases de dados.
211
DW INTEGRADOR
212
BI
Business Intelligence
Negcios Inteligentes
Inteligncia nos Negcios
213
CONCEITOS BSICOS
Resumo
DADO: texto, fato, cdigo, imagem, sons...
INFORMAO: dados organizados, estruturados,

interpretados, sumarizados...
CONHECIMENTO: casos, regras, processos,

modelos, informao til....
214
CONCEITOS BSICOS
Informao x Conhecimento
Informao: dados estruturados, com

significado, contextualizados, interpretados
e compreendidos.
Conhecimento: informao utilizada para

tomar decises, resolver problemas ou gerar
idias.
215
BI - MOTIVAO
Por que preocupar-se em esconder a

informao dos funcionrios da empresa?
A mesma informao deve estar disponvel aos

diretores, gerentes e at mesmo para os trabalhadores
operacionais, para que todos compreendam:
- onde esto os lucros e as perdas
- o que funciona ou no
- que despesas esto dentro ou
fora do previsto
As empresa deveriam perder menos tempo

escondendo informaes de funcionrios e
mais tempo ensinando-os a analis-las e agir a partir delas.
Bill Gates 216
BI - MOTIVAO
Se voc possui em sua empresa uma

verdadeira montanha de dados, por que no
aproveit-la?
Esta montanha de dados precisa ser considerada como um
ativo da empresa, com o qual podemos:
- aprender
- gerar informao
- obter conhecimento
- nortear decises
- dar um passo a frente da concorrncia
- ganhar vantagem competitiva
217
BI ENXURADA DE DADOS
de todos tipos
oriundos de
provenientes de diversos meios
diversas fontes
arquivados de
diversos modos
218
Aplicativos Operacionais x BI
Aplicativos Operacionais Business Intelligence
Viso do atual e do real Viso histrica e de tendncia
Soluo para requisitos Permitir a identificao de

conhecidos fatos desconhecidos
Abrangncia restrita Abrangncia ampla
Informao produzida por Informao produzida pelo

profissionais de informtica prprio usurio
Custo e tempo para obteno Informao obtida com baixo
da informao altos custo e em tempo real
Informao disponvel a Informao democratizada
poucos usurios
219
O que ?
Conjunto de ferramentas e
tcnicas que objetivam dar
suporte tomada de
deciso.
220
Modelo da Inteligncia Empresarial
221
BI EMPRESA
DATA WAREHOUSE
MEMRIA DA EMPRESA
BUSINESS INTELLIGENCE
INTELIGNCIA DA EMPRESA
222
BI - DIMENSES
Estratgia
Tempo Organizao
Regio Produto
Cliente Venda
Preo
223
REFLEXO....
Temos que gerar e disponibilizar o mximo

de informaes possveis para que elas sejam
contextualizadas e transformadas de acordo
com seus objetivos.
224
GESTO
DO
CONHECIMENTO
225
GESTO DO CONHECIMENTO
Conjunto de estratgias para: criar,

adquirir, compartilhar e utilizar ativos de
conhecimentos;
Estabelecer fluxos que garantam a

informao necessria no tempo e formato
adequados a fim de auxiliar na gerao de
idias, soluo de problemas e tomada de
decises.
226
GERAR
Identificar
Vender Comprar
Criar Coletar CODIFICAR
APROPRIAR Conhecimento
Aplicar Organizacional Selecionar
Adaptar Organizar
Interpretar Armazenar
Compartilhar
DISSEMINAR
227
Fluxo do Conhecimento
Captura/
Descoberta
Validao
Reteno
Transformao
(Experimentao) Disseminao
Utilizao
228
AQUISIO DATA SISTEMAS

DE MINING ESPECIALISTAS
CONHECIMENTO
SISTEMAS INTELIGENTES PARA APOIO

NA TOMADA DE DECISES PODEM USAR:
ALGORITMOS REDES LGICA

GENTICOS NEURAIS FUZZY RBC
229
Usurio Sistemas
Especialistas
Dados do
Respostas
problema
Mquina de Explicao
Especialista
Inferncia do raciocnio
Memria
Base de Ferramentas Engenheiro de
de
conhecimento de aquisio conhecimento
trabalho
230
Redes
Neurais
231
Redes
Neurais
bias
Entradas
Wb
X1 W1 pesos
sinapses Sada P
X2 W2 U WK . X K
. U Y K 0
. FU
.
Wn Y F U
Xn
232
Redes Neurais
233
Redes Neurais - Exemplos
234
Lgica Fuzzy
A lgica fuzzy uma estrutura de conceitos e
tcnicas que se relacionam com o modo de
raciocnio aproximado ao invs de exato. (WILSON,
R. A. 1999)
complexo indicar um ponto da barra fuzzy onde se

pode afirmar com certeza quando a cor branca se
transforma em preta.
235
Lgica Fuzzy
236
Teorema de Bayes Ambiente de Incerteza

P ( D | h) P ( h)
P ( h | D)
P ( D)
P(h | D): probabilidade posteriori de h dado D (reflete a confiana da
hiptese h depois de se observar D)
P(D | h): probabilidade de D dado h.
P(h): probabilidade a priori da hiptese h (representa o conhecimento de

domnio, se este conhecimento prvio no existir pode ser atribuda a
mesma probabilidade a cada hiptese candidata)
P(D): probabilidade a priori de D (sem conhecimento prvio)
237
Rede Bayesiana
n
[ P(e j / H i ).P( H i )] (1 / )
i 1
238
Capital Intelectual
Capital Humano Capital do Cliente
Capital Estrutural
Conhecimento
dos Necessidades e
empregados opinies dos
Gesto de clientes
Conhecimento 239
DATA MINING E BI
Usurio
Decises de negocios Decises
Apresentao Dados Analista de

Negcios
Visualizao
Analista de
Minerao de Dados Dados
Explorao
Dados
Data Warehouses / Data Marts
OLAP DBA
Fontes/Dados
Arquivos, Provedores, Sistemas Bancos Dados
240
BI AMBIENTE DE EXPLORAO
O ambiente de explorao objetiva

disponibilizar, atravs de ferramentas
apropriadas, o acesso a informao.
Disponibilizar o acesso a informao

Satisfazer as necessidades de explorao e pesquisa
Identificar tendncias
Democratizar o acesso a informao
241
Qual o preo do livro BI

Banco de Dados Espao dos
Dados - Business Intelligence?
Data Warehouse,
Data Marts Espao da Vendas de livro de informtica
Informao por ms e por regio
Analtica
Business
Intelligence
Que fatores influenciam a
Espao da venda de livros em BH?
Influncia e
Variao
Data Mining
242
Data Mart
Aplicativos
Operacionais
Softwares de
Automao de E OLAP
Escritrios T
L
Dados Externos
Data Mining
Equipamentos
de Automao
FONTES DE DATA EXPLORAO

DADOS WAREHOUSE
243
BI FONTES DE DADOS
Aplicativos Dados
Operacionais ou Externos
Transacionais
RH Financeiro
Interface Estoque
FONTES DE DADOS
Equipamentos
Software Automao
Automao
De Escritrios
244
BI FERRAMENTAS - CUBO
- uma estrutura de dados que forma um subconjunto de

um banco de dados grande
- Organiza os dados em duas categorias:

- campos de dados
- dimenses com mltiplos
nveis
- Resumos dos dados so

previamente calculados de
modo a otimizar o tempo
de recuperao das
informaes
245
BI OLAP
Permite a recuperao de
informaes de forma dinmica e
flexvel, atravs de uma interface
AD-HOC muito simples.
consultas
imprevistas,
DRILL DOWN/UP
de acordo com as
necessidades de consultas em
cruzamento de diferentes nveis de
informao detalhes -
SLICE-AND-DICE subir ou descer
consultas sob nveis de
diferentes prismas detalhamento
246
BI DATA WAREHOUSE
Estoque Vendas
Finanas Tcnico
DATA MART
Data warehouse
departamental
DATA WAREHOUSE
Corporativo
247
BI DATA MINING
Conjunto de tcnicas cuja finalidade

permitir a descoberta de relaes no
visveis dos banco de dados.
REDES NEURAIS INDUO DE REGRAS

constrem detectam tendncias dos
representaes dados, apresentando
internas de uma lista no
modelos ou encomendada
padres achados
nos dados RVORES DE DECISO
Identificam associaes dos
dados, formando as regras sobre
o dado
248
BI DATA MINING
Conhecimento
Avaliao e
Padres e Visualizao
Modelos
Data Mining
Dados Explorados
e Transformados
Dados Limpos e Transformaes
Pr-Processados
Limpeza e Pr-Processados
dos Dados
Dados Alvo
Seleo
Ps-Processamento
Bases de Dados
249
FERRAMENTAS
DISPONVEIS
250
FERRAMENTAS DISPONVEIS
251
SAS Enterprise Miner
252
MineSet
253
MineSet
254
DBMiner Manager
255
DBMiner Manager
256
3D Cube Browser
257
Market-Basket-Analysis (Association Ball Graph)
258
Clustering (Data Segmentation)
259
GxPlorer Manager
GxPlorer
Olap Excel
260
Genexus
Gerador C/SQL (Command Line) ODBC

Gerador C/SQL (Web)
Interface para configurao de parmetros
Consulta dos logs das cargas dos dados
261
Pentaho
262
Pentaho
263
Pentaho
264
Pentaho
265
Weka
266
Weka
267
Weka
268
Bussines Intelligence
Microsoft Data Warehousing Framework:

Microsoft SQL Server oferece recursos de alto
desempenho para construo de bancos de dados,
em especial para o processamento centrado em
transaes (OLTP).
Microsoft Data Transformation Services oferece
recursos para interatividade dos bancos de dados
construdos usando o Microsoft SQL Server e uma
enorme gama de aplicaes. Viabiliza a
implementao de bancos de dados federados e
armazns de dados (data warehouses), centrados
no Microsoft SQL Server.
269
Microsoft Data Warehousing Framework:

Microsoft OLAP Services a partir da verso 7.0
do Microsoft SQL Server, diversos recursos para
OLAP foram includos, os quais implementam
funcionalidades do padro SQL:1999. Esses
recursos permitem manipular explicitamente hiper-
cubos multidimensionais de dados implementados
como ROLAP, bem como implementar bancos de
dados multidimensionais integrados WWW.
270
Microsoft Data Analyzer:

Componente do conjunto de aplicaes Microsoft
Office. Contm uma interface com o Microsoft SQL
Server. Possibilita a visualizao e manipulao de
dados com grande eficcia.
Microsoft BI Accelerator for SQL Server:
Conjunto de solues pr-fabricadas para
sistemas voltados a BI, que aceleram a construo
de aplicaes para BI quando bem utilizados, por
exemplo como padres de programao
(programming patterns).
271
Gerencia Documentos - Excalibur RetrievalWare

Groupware - Notes(Lotus) e Exchange
Workflow - ARISToolset (IDS Scheer)
Bases I. do Conhecimento Neugents(Computer Assoc
Business Intelligence - Business Objects
Mapas de Conhecimento - Sopheon
Ferramentas/Inovao - Invention Machine
272
LABORATRIO
SOFTWARE WEKA
273
Ferramenta
algoritmos de
preparao de dados
aprendizagem de mquina (minerao)
validao de resultados
/public/soft/linux/weka-3-4/
Java jar weka.jar
Selecione Explorer
copie os arquivos no dir
/public/soft/linux/weka-3-4/data$ para sua
area
Interface e Funcionalidades
(A) Open File, Open URL, Open DB
(B) No boto filter possvel efetuar
sucessivas filtragens de atributos e instncias
na base de dados previamente carregada
Seleo
Discretizao
Normalizao
Amostragem
Formato arff (header)
% 1. Title: Iris Plants Database
%
% 2. Sources:
% (a) Creator: R.A. Fisher
% (b) Donor: Michael Marshall (MARSHALL%PLU@io.arc.nasa.gov)
% (c) Date: July, 1988
%
@RELATION iris
@ATTRIBUTE sepallength NUMERIC

@ATTRIBUTE sepalwidth NUMERIC
@ATTRIBUTE petallength NUMERIC
@ATTRIBUTE petalwidth NUMERIC
@ATTRIBUTE class {Iris-setosa,Iris-versicolor,Iris-virginica}
Laboratrio 1
Abra o arquivo weather.nominal.arff
Perguntas
Nmeros de instancias, exemplos,
registros??
Atributos ???
Quais os valores que o atributo
temperatura pode ter ??
Repita o processo para outra base.
Editando bases
Abra a base weather.nominal.arff
Clique em Editar
Responda
Qual o valor da classe para a instncia 8?
Algum atributo possui valor no ?
Abra a base iris e responda

Quantos atributos nominais e numericos a
base possui ??
Aplicar filtros
Weka possui vrios filtros
Remover atributos
Escolha Choose... Remove ...
Save..Name
Abra o arquivo weather.nominal.arff
Remova todos as instncias com valor de
atributo humidity high
Volte aos dados originais
Painel de Visualizao
Abra a base iris.arff (medidas de flores)
Utilize o menu Visualize para selecionar
algumas instncias e remover outras.
Classificao
Observe a saida dos diferentes tipos de classificadores.
=== Classifier model (full training set) ===
J48 pruned tree
------------------
outlook = sunny
| humidity = high: no (3.0)
| humidity = normal: yes (2.0)
outlook = overcast: yes (4.0)
outlook = rainy
| windy = TRUE: no (2.0)
| windy = FALSE: yes (3.0)
Number of Leaves
Responda
Utilizando a base weather

Como seria classificada a seguinte
instncia ???
outlook = sunny, temperature = cool,

humidity = high, windy = TRUE
Modo de Testar
Use training set: Usa toda a base para
teste
Cross-validation: Divide a base em folds
(disjuntos)
Percentage split: Divide a base uma
percentagem para treinamento e outra
para teste.
Criando bases de teste
Escreva uma base de teste e teste com ela
Como so classificadas as instncias ?? Como fica a matriz de confuso ??

Visualize as instncias
Visualize cada instncias e responda
quais foram classificadas erroneamente
???
AVALIAO
DO CURSO
290
AVALIAO DO CURSO
Trabalho em equipe com no mximo 4(quatro) componentes

Apresentao em PowerPoint e uma pequena
monografia sobre os temas:
1) EM ABERTO....
291
REFRENCIAS
BIBLIOGRFICAS
292
REFERNCIAS BIBLIOGRFICAS
[1] J. Han, M. Kamber, "Data Mining,

Concepts and Techniques", Morgan
Kaugmann Publishers, 2001,
[2] Tom M. Mitchell, Machine Learning.
McGraw-Hill Science/Engineering/Math,
ISBN: 0-07-115467-1, 004.8 MIT Mac UMa
[3] Ian H. Witten, Eibe Frank, "Data Mining:

Practical Machine Learning Tools and
Techniques with Java Implementations",
Morgan Kaufmann, October 1999, ISBN 1-
55860-552-5
[4] Ralph Kimball, "The Data Warehouse
Toolkit", John Wiley & Sons, ISBN: 0-471-
15337-0
293
REFERNCIAS BIBLIOGRFICAS
[5] http://www.ppgia.pucpr.br/~kaestner/ls-dm/ls-
dm.htm, acessado em 10-abri-2007.
[6] http://www.ppgia.pucpr.br/~kaestner/ls-dm/ls-
dm.htm, acessado em 12-abr-2007
[7] http://members.aol.com/fmcguff/dwmodel;, acessado

em 14-jun-2007.
[8] Inmon, W.H. Como Construir o Data

Warehouse, Campus;
[9] http://www. kenorrinst.com/datawh.html, acessado em 20-jun-2007.
[10] Kimbal, Ralph Dimensional

Modeling Manifesto, Makron Books;
294

BUSINESSINTELLIGENCEv3 0 PDF

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

BUSINESSINTELLIGENCEv3 0 PDF

Transféré par

Droits d'auteur :

Formats disponibles

BUSINESS

Os dados so elementos brutos, sem significado, desvinculados

a informaes e decises da mesma natureza.

Sendo o dado considerado a matria-prima para a informao: o que

Elas so o resultado do encontro de uma situao de deciso com

A informao pode assim ser considerada como dados

O conhecimento pode ento ser considerado como a informao

Desta forma, o conhecimento no pode ser desvinculado do

Algumas pessoas sero levadas a decodificar

Enquanto outras pessoas, com valores humanos

Outras pessoas com interesses ecolgicos ainda

DADOS CONTEXTO INFORMAO

INFORMAO EXPERINCIA CONHECIMENTO

CONHECIMENTO HABILIDADE COMPETNCIA

Era das aplicaes

Era dos bancos de dados

1980 1990 2000 2010

O consumidor paga duas vezes por cada compra:

O consumidor paga duas vezes por cada compra:

O maior capital das empresas no so mais os

Quais informaes poderamos

ADMINISTRAR BEM UM NEGCIO

Quando comearam as linhas telegrficas,

As redes que Morse, a Western Union, a Bell e

Elas no se limitam a transferir dados, mas sim

A existncia de Redes de Valores

A medida em que as redes se espalham, o

O mundo no est interessado

E como voc acha que as

No estamos aqui para prever o

E com quais ferramentas?

AS QUE FAZEM AS COISAS

AS QUE OBSERVAM AS COISAS

AS QUE PERGUNTAM O QUE

DIGA-ME, POR FAVOR, QUE CAMINHO DEVO TOMAR

ISTO DEPENDE DE PARA ONDE VOC QUER IR,

NO FAZ DIFERENA PARA MIM, retrucou Alice.

ENTO, NO FAZ DIFERENA QUE CAMINHO VOC

ALICE NO PAS DAS MARAVILHAS

RESPONDER A CINCO QUESTES BSICAS:

ONDE DEVERAMOS ESTAR ?

O QU NECESSRIO FAZER PARA CHEGAR AONDE

O MAIS IMPORTANTE NESTE

Voc e sua organizao esto indo para onde?

VARIVEIS VARIVEIS VARIVEIS VARIVEIS

SOLUO 1 SOLUO 2 SOLUO N

a condio para tomada de deciso na qual os

RISCO Trabalha-se com uma taxa probabilstica de insucesso.

Quero toda a Informao

Processo Retorno Gerado

Quando um indivduo ou departamento controla a maior

Princpio: Democracia representativa, onde um controle d

Quando os gerentes intermedirios tm o controle de seus

Aparece quando nenhum gestor percebe a importncia da

INFORMAO NO FONTE DE PODER,

Qual dos modelos apresentados seria melhor

Um sistema bem sucedido

Um Processo uma srie de atividades

Feedback Sistema de Medidas Feedback

Scorecard Anlises OPERATIONAL

Sistema Integrado de Gesto

As empresas se tornam grande corporaes, com