Download Business Intelligence

Business Intelligence
Ferramentas para tomada de decisão
Por Erwin Alexander Uhlmann
Guarulhos
2007
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.
•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)
•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
•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 infra-estrutura 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 Orientado ao processo de negócios
Milhares de usuários Poucos usuários
Pequenos. De MBs à alguns GBs Grandes. De vários GBs a alguns TBs
Dados atuais Dados históricos.
Dados normalizados (Muitas tabelas com Dados não normalizados (Poucas
poucas colunas) tabelas com muitas colunas)
Atualizações contínuas Atualizações em lotes
Consultas de simples à complexas Consultas muito complexas
Data Warehouse
OLTPs
OLTPs
DW
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
Data Mining - Barreiras
• As principais barreiras do DM
• Alto custo
• Complexidade das ferramentas
• Preparação dos dados e dos métodos
• Dificuldade de realizar o custo/benefício por desconhecer sua
aplicabilidade e retorno
• Viabilidade
• Regra 80/20 – 80% das inf. Estão dentro de 20% dos dados.