Académique Documents
Professionnel Documents
Culture Documents
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
5
CONCEITOS BSICOS
INFORMAES
As informaes so dados com significado. "So dados dotados
de relevncia e propsito" (Drucker apud Davenport, 1998, p.18).
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 (...)".
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.
8
CONCEITOS BSICOS
Exemplo
9
MAIS UM INGREDIENTE
NA CONCEPO DA
UTILIZAO DA
INFORMAO
10
UM NOVO CONCEITO
DADOS
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
13
A IMPORTNCIA DA
INFORMAO
14
DUPLO PAGAMENTO
15
DUPLO PAGAMENTO
16
O PODER DA INFORMAO
17
OBTENDO INFORMAES
18
UMA NOTA FISCAL
19
UMA NOTA FISCAL
20
O QUE MAIS IMPORTANTE ?
A
INFORMAO !
21
REFLEXO...
22
EXTRA-INTELIGNCIA
23
EXTRA-INTELIGNCIA
25
REDES DE INFORMAES
26
CRESCIMENTO DA REDE
27
REFLEXO
28
...
29
ESPCIES DE ORGANIZAES
30
REFLEXO
31
.....
Comentrios ?
32
REPOSICIONAMENTO DA ORGANIZAO
O QU SOMOS ?
ONDE ESTAMOS ?
O QU DEVERAMOS SER ?
33
REFLEXO
34
O PROCESSO DE TOMADA DE DECISES
OBJETIVOS
DESEJOS
35
PROCESSO DA DECISO
RISCO INCERTEZA
CERTEZA TURBULNCIA
36
PROCESSO DA DECISO
CERTEZA
37
PROCESSO DA DECISO
38
NECESSIDADES
DE UM
GESTOR
39
NECESSIDADE DO GESTOR
INFORMAO
ANLISE
DECISO
AO
VELOCIDADE
RESULTADOS
40
NECESSIDADE DO GESTOR
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
NECESSIDADE DO GESTOR
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
NECESSIDADE DO GESTOR
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
out in
45
DONOS
DA
INFORMAO
46
DONOS DA INFORMAO
MONARQUIA
FEDERALISMO
FEUDALISMO
ANARQUIA
47
DONOS DA INFORMAO
MONARQUIA
48
DONOS DA INFORMAO
FEDERALISMO
CADASTRO DE CLIENTES
Dono da Informao: Sr. Joo Silva (Diretor Comercial)
Acessos Concedidos: Gerente de Marketing e Vendedores
49
DONOS DA INFORMAO
FEUDALISMO
50
DONOS DA INFORMAO
ANARQUIA
51
REFLEXO
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
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
59
PROCESSOS OPERACIONAIS
Requisitos
Requisitos
Entradas Sadas
Clientes
Fornecedores
Feedback
60
NECESSIDADES
CORPORATIVAS
61
NECESSIDADES CORPORATIVAS
INFORMAES
Foco em
Resultados
CONHECIMENTO
BASE DE
Mtrica dos
objetivos
Estratgicos
62
NECESSIDADES CORPORATIVAS
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
5 Movimetao
e Consolidao
Ferramentas de Acessibilidade 63
ERP
Enterprise Resource Planning
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
Sistema Integrado de Gesto(ERP)
A necessidade
66
Sistema Integrado de Gesto(ERP)
A necessidade
67
Sistema Integrado de Gesto(ERP)
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
Sistema Integrado de Gesto(ERP)
Na prtica...
69
Sistema Integrado de Gesto(ERP)
Cuidados...
O investimento exigido, tanto financeiro como de
envolvimento de todo pessoal e dos gestores,
elevado
70
Sistema Integrado de Gesto(ERP)
Cuidados...
Cuidado com a tentao: implantar o que mais
fcil e no o que mais importante.
71
Sistema Integrado de Gesto(ERP)
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
Sistema Integrado de Gesto(ERP)
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
Sistema Integrado de Gesto(ERP)
Dicas de implantao...
74
Sistema Integrado de Gesto(ERP)
Dicas de implantao...
75
Sistema Integrado de Gesto(ERP)
Fornecedores
76
Sistema Integrado de Gesto(ERP)
Posio no Mercado
77
OLAP
On-line Analytical Processing
78
OLAP
O que ?
79
OLAP
Caractersticas
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
84
OLAP - Multidimenses
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
OLAP - Multidimenses
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
Filial Dia
Pas
Mexico
Soma
90
OLAP Hiper-Cubo
Pas
Pas
Pas
Mexico Mexico Mexico
Viso Multidimensional
91
OPERAES
NO AMBIENTE
OLAP
92
OPERAES NO AMBIENTE OLAP
93
OPERAES NO AMBIENTE OLAP
94
OPERAES NO AMBIENTE OLAP
Drill-down - Roll-up
95
OPERAES NO AMBIENTE OLAP
96
OPERAES NO AMBIENTE OLAP
97
OPERAES NO AMBIENTE OLAP
Muda o eixo de
Pivot visualizao, tambm
conhecido como
rotao.
Rank Ordena os membros.
98
ARQUITETURAS
OLAP
99
ARQUITETURAS OLAP
OLAP multidimensional
MOLAP
Os dados so armazenados de
forma multidimensional, atravs de
Arrays com granularidade alta.
100
ARQUITETURAS OLAP
101
OUTRAS ARQUITETURAS 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
106
DATA MINING
O que ?
107
DATA MINING
KDD
Knowledge Discovery in Database
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
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.
111
DATA MINING - MOTIVAO
112
DATA MINING - APLICAES
Anlise de risco
Deteco de fraude
Outras Aplicaes
Minerao de texto (news group, email, documentos XML)
113
DM ANLISE DE MERCADO
Preferncias do Cliente
Data mining pode mostrar que tipos de clientes compram
que tipos de produtos (clustering ou classificao).
Informaes sumrias
Relatrios multidimensionais e estatsticos
115
DATA MINING ANLISE DE RISCOS
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
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
Afinidades e
Descoberta Associaes
Tendncias e
Variaes
Deteco de
Desvio
Anlise Prvia
Anlise de
Ligaes
122
ARQUITETURA DE UM SISTEMA DE
DATA MINING
Pattern evaluation
124
TCNICAS DE MINERAO DE DADOS
Classificao
Clustering
125
Minerao de Dados - Classificao
126
Minerao de Dados - Classificao
Classificao - REGRAS
Regras possuem:
antecedentes (condies) e
conseqentes (classe):
127
Minerao de Dados - Classificao
Classificao - Exemplo
Classificao
130
Minerao de Dados - Classificao
131
Minerao de Dados - Classificao
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
Minerao de Dados - Classificao
133
Minerao de Dados
Associao
134
Minerao de Dados - Associao
(Freitas,2000)
135
Minerao de Dados - Associao
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.
(Freitas,2000)
136
Minerao de Dados - Associao
X implica Y
se X ento Y
se compra X ento compra Y,
define-se
(Freitas,2000)
138
Minerao de Dados - Associao
139
Minerao de Dados - Associao
(Freitas, 2000)
140
Minerao de Dados - Associao
AIS SETM
141
TCNICAS DE MINERAO DE DADOS
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
TCNICAS DE MINERAO DE DADOS
Algoritmo Apriori
L1
143
TCNICAS DE MINERAO DE DADOS
Algoritmo Apriori
C2 , L2
C3, L3
144
TCNICAS DE MINERAO DE DADOS
Algoritmo Apriori
Regras candidatas com dois itens com o seu grau de certeza(Confiana):
Algoritmo Apriori
146
Minerao de Dados - Associao
147
Minerao de Dados
Clustering
Agrupamento
148
Minerao de Dados - Clustering
Cluster
149
Minerao de Dados - Clustering
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
Minerao de Dados - Clustering
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
Minerao de Dados - Clustering
Existe
uma funo de qualidade que uma medida da
adequao de um cluster;
153
Minerao de Dados - Clustering
d (i, j) q (| x x |q | x x |q ... | x x |q )
i1 j1 i2 j2 ip jp
154
Minerao de Dados - Clustering
d (i, j) | x x | | x x | ... | x x |
i1 j1 i2 j2 ip jp
d (i, j) (| x x |2 | x x |2 ... | x x |2 )
i1 j1 i2 j2 ip jp
155
Minerao de Dados - Clustering
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
Estudo de Caso - OAM
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
Estudo de Caso - OAM
161
Estudo de Caso - OAM
162
MineSet - Tools Estudo de Caso - OAM
163
Estudo de Caso - OAM
164
Estudo de Caso - OAM
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
Estudo de Caso - OAM
Disperso
166
Estudo de Caso - OAM
Disperso
167
Estudo de Caso - OAM
Mapa
168
Estudo de Caso - OAM
Classificao
169
Estudo de Caso - OAM
Classificao
Indutor: rvore de deciso
170
Classificao
171
Estudo de Caso - OAM
Associao
172
Estudo de Caso - OAM
Regra: Se for cliente 105414 paga com mais de 240 dias de atraso
173
Estudo de Caso - OAM
Clustering
175
Estudo de Caso - OAM
Clustering
176
Estudo de Caso - OAM
Clustering
177
Estudo de Caso - OAM
Clustering
178
DATA
MARTS
179
DATA MARTS
O que ?
180
DATA MARTS
Clientes
181
ETL
Extract, Transformation and Load
182
ETL
O que ?
183
ETL
184
ETL
Mtodos de Extrao
- EXTRAO SELETIVA
os dados so extrados atravs de programas desenvolvidos
especificamente para selecionar os dados a serem exportados
-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 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
Analytics
Campaign Management
Data Mart BSC Knowledge Base
Performance
Current Data Management
Campaign
Management
ETL Process and Metadata Online HTML WA documentation
188
ETL
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 ?
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
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
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.;
200
DW - CAMADAS
201
DW - CAMADAS
202
DW TRS CAMADA
203
DW FLUXO DE DADOS
204
DW FLUXO DE DADOS
205
DW FLUXO DE DADOS
206
DW FLUXO DE DADOS
207
DW FLUXO DE DADOS
208
DW FLUXO DE DADOS
209
DW FLUXO DE DADOS
210
DW INTEGRADOR
211
DW INTEGRADOR
212
BI
Business Intelligence
Negcios Inteligentes
Inteligncia nos Negcios
213
CONCEITOS BSICOS
Resumo
214
CONCEITOS BSICOS
Informao x Conhecimento
215
BI - MOTIVAO
- 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
O que ?
Conjunto de ferramentas e
tcnicas que objetivam dar
suporte tomada de
deciso.
220
Business Intelligence
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....
224
GESTO
DO
CONHECIMENTO
225
GESTO DO CONHECIMENTO
226
GESTO DO CONHECIMENTO
GERAR
Identificar
Vender Comprar
Criar Coletar CODIFICAR
APROPRIAR Conhecimento
Aplicar Organizacional Selecionar
Adaptar Organizar
Interpretar Armazenar
Compartilhar
DISSEMINAR
227
GESTO DO CONHECIMENTO
Fluxo do Conhecimento
Captura/
Descoberta
Validao
Reteno
Transformao
(Experimentao) Disseminao
Utilizao
228
GESTO DO CONHECIMENTO
229
GESTO DO CONHECIMENTO
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
GESTO DO CONHECIMENTO
Redes
Neurais
231
GESTO DO CONHECIMENTO
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
GESTO DO CONHECIMENTO
Redes Neurais
233
GESTO DO CONHECIMENTO
234
GESTO DO CONHECIMENTO
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)
235
GESTO DO CONHECIMENTO
Lgica Fuzzy
236
GESTO DO CONHECIMENTO
237
GESTO DO CONHECIMENTO
Rede Bayesiana
n
[ P(e j / H i ).P( H i )] (1 / )
i 1
238
GESTO DO CONHECIMENTO
Capital Intelectual
Capital Estrutural
Conhecimento
dos Necessidades e
empregados opinies dos
Gesto de clientes
Conhecimento 239
DATA MINING E BI
Usurio
Decises de negocios Decises
Explorao
Dados
Data Warehouses / Data Marts
OLAP DBA
Fontes/Dados
Arquivos, Provedores, Sistemas Bancos Dados
240
BI AMBIENTE DE EXPLORAO
241
BI AMBIENTE DE EXPLORAO
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
BI AMBIENTE DE EXPLORAO
Data Mart
Aplicativos
Operacionais
Softwares de
Automao de E OLAP
Escritrios T
L
Dados Externos
Data Mining
Equipamentos
de Automao
Aplicativos Dados
Operacionais ou Externos
Transacionais
RH Financeiro
Interface Estoque
FONTES DE DADOS
Equipamentos
Software Automao
Automao
De Escritrios
244
BI FERRAMENTAS - CUBO
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
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
FERRAMENTAS DISPONVEIS
SAS Enterprise Miner
252
FERRAMENTAS DISPONVEIS
MineSet
253
FERRAMENTAS DISPONVEIS
MineSet
254
FERRAMENTAS DISPONVEIS
DBMiner Manager
255
FERRAMENTAS DISPONVEIS
DBMiner Manager
256
FERRAMENTAS DISPONVEIS
3D Cube Browser
257
FERRAMENTAS DISPONVEIS
258
FERRAMENTAS DISPONVEIS
259
FERRAMENTAS DISPONVEIS
GxPlorer Manager
GxPlorer
Olap Excel
260
FERRAMENTAS DISPONVEIS
Genexus
Pentaho
262
FERRAMENTAS DISPONVEIS
Pentaho
263
FERRAMENTAS DISPONVEIS
Pentaho
264
FERRAMENTAS DISPONVEIS
Pentaho
265
FERRAMENTAS DISPONVEIS
Weka
266
FERRAMENTAS DISPONVEIS
Weka
267
FERRAMENTAS DISPONVEIS
Weka
268
FERRAMENTAS DISPONVEIS
Bussines Intelligence
270
FERRAMENTAS DISPONVEIS
Bussines Intelligence
271
FERRAMENTAS DISPONVEIS
Bussines Intelligence
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
290
AVALIAO DO CURSO
1) EM ABERTO....
291
REFRENCIAS
BIBLIOGRFICAS
292
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