Business Intelligence (BI)



Baixar 35.76 Kb.
Encontro30.07.2016
Tamanho35.76 Kb.
Business Intelligence (BI)

Aluno: Cristiano Campos Cavalcanti


Professores:
Ana Carolina Salgado

Décio Fonseca

Recife, Janeiro de 2006


ÍNDICE


  1. Introdução...........................................................................................3

  2. História................................................................................................5

  3. Métricas (KPI).....................................................................................7

    1. Identificando Indicadores..............................................................7

    2. Categorias de Identificadores........................................................7

  4. Tipos de Aplicação de Software.........................................................9

    1. Data Warehouse............................................................................9

    2. OLAP..........................................................................................10

4.3 Data Mining.................................................................................11

  1. Projetando um BI..............................................................................13

  2. Referências........................................................................................14

  1. Introdução


Business Intelligence, que pode ser traduzido como Inteligência de Negócios ou Inteligência Empresarial, é um conjunto de metodologias de gestão implementadas através de ferramentas de software, cuja função é proporcionar ganhos nos processos decisórios gerenciais e da alta administração das organizações. Baseando-se principalmente na capacidade analítica das ferramentas que integram em um só lugar todas as informações necessárias ao processo decisório.

O termo Business Intelligence foi criado pelo Gartner Group (consultoria de pesquisa de mercador na área de tecnologia da informação) nos anos 80.

Tipicamente as organizações recolhem informações a fim de avaliar o ambiente de negócio, e converter campos como pesquisa de marketing, pesquisa de indústria e mercado, e analise de competidores. Organizações competitivas acumulam business intelligence a fim de obter vantagens competitivas sustentáveis, e podem considerar inteligência como um núcleo de competência valioso em algumas instâncias.

Pessoas envolvidas em processos de business intelligence podem usar aplicações de software e outras tecnologias para recolher, armazenar, analisar, e prover acesso ao dado. Alguns observadores consideram BI como o processo de transformar dados em informação e posteriormente em conhecimento (ver Figura 1). Ferramentas de software ajudam pessoas a tomarem “melhores” decisões de negócios através de informações precisas, atuais, e relevantes disponíveis quando elas assim necessitarem.

Geralmente, coletores de BI recolhem suas informações primarias de fontes internas ao negócio. Tais fontes ajudam os responsáveis por tomarem as decisões a entender quão bem eles agiram. Fontes secundárias de informações são formadas pelas necessidades dos clientes, processos de tomada de decisão dos clientes, a competição e as pressões dos competidores, as condições das indústrias relevantes, e em geral as tendências econômicas, tecnológicas e culturais.

Cada sistema de business intelligence tem um objetivo específico, que deriva dos objetivos da organização ou de uma indicação visionária. Tanto os objetivos de curto prazo (tais como os números trimestrais de Wall Street) como os objetivos de longo prazo (tais como valor acionista, a parte/tamanho da industria alvo) existem.

Sendo assim espionagem industrial pode oferecer business intelligence utilizando técnicas secretas. Existe uma área sombria entre business intelligence “normal” e espionagem industrial.

Gerenciamento de performance de negócio oferecem software orientado a sistemas de business intelligence que alguns vêem como a nova geração de business intelligence, pensando bem muitas pessoas nessa área utilizam esses termos misturados.






Figura 1

  1. História

Uma referência precoce indireta a business intelligence aparece em Sun Tzu’s Art of War. Sun Tzu diz que para obter sucesso na guerra, deve-se ter total conhecimento de suas próprias virtudes e fraquezas, assim como total conhecimento das principais virtudes e fraquezas de seus inimigos. A falta de um destes resulta na derrota. Uma certa corrente de pensadores estabelece um paralelo entre os desafios de negócios e de guerra, especificamente:



  • Coletando dados;

  • Enxergando padrões e significado nos dados (gerando informação);

  • Respondendo a informação resultante;

Antes do começo da era da informação no século 20, os negócios algumas vezes enfrentavam problemas com o esforço para obter informações de fontes não-automáticas. Faltavam aos negócios recursos computacionais para analisar corretamente os dados e quase sempre tomaram decisões comerciais primárias baseadas apenas na intuição.

Quando os negócios começaram a automatizar mais e mais sistemas, mais e mais dados se tornaram disponíveis. Entretanto, as coleções representaram um desafio devido a falta de infra-estrutura para que os dados possam ser alterados ou a incompatibilidade entre os sistemas. Os relatórios dos dados recolhidos às vezes necessitam de meses para serem gerados. Tais relatórios permitiram formar estratégias de longo prazo para tomada de decisão. Mesmo assim táticas de tomada de decisão à curto prazo continuam sendo realizadas tendo como base a intuição.

Nos negócios modernos, os padrões, a automação, e as tecnologias crescentes conduziram para que cada vez mais dados fossem disponibilizados. Tecnologias de Data Warehouse possui um conjunto de repositórios para armazenar esses dados. ETL melhoradas e recentemente Enterprise Application Integration tem aumentado a velocidade de coleta de dados. OLAP mostra tecnologias que tem permitido gerar novos relatórios mais rapidamente que analisam os dados. Business Intelligence tem se tornado a arte de tratar grandes quantidades de dados, extraindo informações e transformando esta informação em conhecimento de ação.

Em 1989 Howard Dresner, um companheiro de pesquisa do Gartner Group popularizou “BI” como um termo guarda-chuva para descrever um conjunto de conceitos e métodos para melhorar as tomadas de decisões de negócios usando uma base de fatos de um sistema de suporte. Dresner deixou o Gartner Group em 2005 e se juntou ao Hyperion Solutions como seu Chefe Ofical de Estratégia.


  1. Métricas (KPI)



Key Performance Indicators (KPI), que também é conhecido como Key Success Indicators (KSI) é uma métrica financeira e não financeira de avaliar os fatores de sucesso critico de uma organização. São usados em Business Intelligence para avaliar o estado atual do negocio e para descrever o curso das ações. O KPI geralmente difere dependendo da natureza da organização ao qual está sendo aplicado. Ele ajuda a organização a medir os seus progressos para compará-los com os objetivos da organização.
3.1 Identificando Indicadores
Indicadores de performance diferem entre si de acordo com os interesses e objetivos organizacionais. Uma escola pode considera o nível de graduação de seus alunos como uma Key Performance Indicator que pode ajudar a escola a sua posição na comunidade educacional, assim como um negócio pode considerar a percentagem de renda proveniente de um cliente como uma KPI.

Porém é necessário que a organização ao menos identifique estes KPI’s. As situações chave que devem ser analisadas corretamente antes de identificar os KPI’s são:



  • Tendo um processo de negócio pré-definido;

  • Tendo requisitos claros de objetivos/perfomance para o processo de negócio;

  • Tendo a medida quantitativa/qualitativa dos resultados e comparando com o conjunto de objetivos;

  • Investigando variações e conseguir recursos pra objetivos de longo prazo;


3.2 Categorias de Indicadores
Key Performance Indicators definem um conjunto de valores usados para medir o desempenho. Esse conjunto de valores crus que alimentam o sistema para sumarizar informações são chamados indicadores. Indicadores que são identificáveis como possíveis candidatos para KPI podem ser sumarizados nas sub-categorias seguintes:


  • Indicadores quantitativos que podem ser representados por números.

  • Indicadores práticos que interagem com processos de companhias existentes.

  • Indicadores direcionais que especificam se uma organização está começando bem ou não.

  • Indicadores de ação são suficientes em um controle de uma organização a fim de promover mudanças.




  1. Tipos de Aplicação de Software


4.1 Data Warehouse
Entende-se data warehouse como um sistema computacional responsável por armazenar informação relativa as atividades de uma organização em banco dados, de forma consolidada. A estrutura da base de dados favorece para que possam ser feitos relatórios e análise de grandes volumes de dados e assim obter informações estratégicas que podem facilitar a tomada de decisão.

O processamento de dados em um data warehouse é sempre referenciado como Online Analytical Processing (OLAP) ou Processo Analítico em Tempo Real, em contraste com o Online Transaction Processing (OLTP) usado para armazenar as operações de negócios. Outra característica do data warehouse é que os dados não são voláteis, ou seja, eles não mudam, a não ser quando são necessárias correções de dados previamente carregados. Assim sendo, os dados são somente para leitura e não podem ser alterados.

O data warehouse possibilita a análise de grandes volumes de dados, armazenados em sistemas transacionais (OLTP). Essas análises são chamadas de séries históricas que possibilitam uma melhor análise de eventos passados para a tomada de decisões presentes e a previsão de eventos futuros.

Os data warehouse surgiram como conceito acadêmico na década de 80. Com o amadurecimento dos sistemas de informação empresariais, as necessidades de análise dos dados cresceram paralelamente. Os sistemas OLTP não conseguiram cumprir a tarefa de análise com a simples geração de relatórios. Nesse contexto a implementação do data warehouse passou a se tornar realidade nas grandes corporações. O mercado de ferramentas data warehouse, que faz parte do mercador de Business Intelligence, cresceu então, e ferramentas melhores e mais sofisticadas foram desenvolvidas para apoiar a estrutura do data warehouse e sua utilização.

Pela sua capacidade de sumarizar grandes volumes de dados e de possibilitar análises os data warehouses são atualmente o núcleo dos sistemas de informação gerenciais e apoio à decisão das principais soluções de business intelligence do mercado.


4.2 OLAP (Online Analytical Processing)
As ferramentas OLAP são geralmente desenvolvidas para trabalhar com bancos de dados de-normalizados, embora existam ferramentas que trabalham com esquemas especiais de armazenamento, como dados normalizados.

A principal função dessas ferramentas é permitir uma fácil navegação nos dados de um data warehouse, possuindo assim uma estrutura adequada tanto para pesquisas como para apresentação das informações.

Nessas ferramentas de navegação é possível em diferentes níveis de granularidade (detalhamento) de um cubo de dados. Este processo é chamado de Drill que pode ser aumentado pelo usuário (Drill down) ou diminuir (Drill up). Por exemplo um relatório pode estar consolidado por paises, fazendo um Drill down nos dados passam a ser apresentados por estados, cidades, bairros e assim sucessivamente até que o menos nível de detalhamento possível seja alcançado na base de dados. Logo o processo de Drill up consolida os dados em níveis superiores, fazendo o caminho inverso do exemplo ou subindo de paises para continentes, por exemplo.

Outra possibilidade apresentada pela maioria das ferramentas de navegação OLAP é a de rearranjar colunas e linhas. Esse recurso leva o nome de Slice and Dice. Assim é possível trocar a ordem das colunas e linhas bem como suprimi-las ou exibir aquelas que estejam ocultas na visualização dos dados.

Portanto esta possibilidade de manipular os dados de forma rápida é um dos pontos fortes de um data warehouse, fazendo com que os relatórios sejam mais comumente visualizados na tela e não impressos. O analista de informação ou a pessoa que precisa dos dados, pode então navegar nas informações do data warehouse de várias maneiras e ao final pode imprimir ou salvar uma visão da base de dados para um futura consulta.

As bases de dados relacionais armazenam entidades em tabelas discretas devidamente normalizadas, por ser um bom tipo de estrutura de dados para base de dados operacionais, porém para consultas complexas esse esquema de multi-tabelas torna-se demasiado lento. Neste caso, um modelo que apresentaria melhores resultados com OLAP seria uma base de dados dimensionais. Assim sendo OLAP funciona de maneira a reestruturar a base de dados relacionais em um esquema de dados dimensionais. Já foi constatado que em consultas complexas as respostas produzidas por OLAP corresponde a 0.1% do tempo das produzidas em uma base de dados relacional.




    1. Data Mining

A definição considerada a mais importante talvez seja a de Usama Fayyad (Fayyad et al. 1996) “...o processo não trivial de identificar, em dados, padrões válidos, novos, potencialmente úteis e ultimamente compreensíveis”. Existem diversos algoritmos que sustentam esse processo (muitos deles desenvolvidos recentemente) responsáveis por processar e encontrar esses “padrões válidos, novos e valiosos”. Porém com um detalhe que geralmente passa desapercebido, que embora os algoritmos atuais sejam capazes de encontrar padrões “válidos e novos”, ainda não existe uma solução eficaz para determinar esses padrões valiosos.

Por isso, Data Mining ainda necessita de forte interação com analistas humanos, que são, em última instância, os principais responsáveis pela determinação do valor dos padrões encontrados. Além disso, os analistas também são responsáveis pela condução (direcionamento) da exploração dos dados e esse é um aspecto que deve ser profundamente considerado caso o projeto queira ser bem sucedido.

Uma mineração bem sucedida ocorre a partir de uma fonte de dados (bancos de dados, relatórios, logs de acesso, transações, etc) onde é efetuada uma limpeza (consistência, preenchimento de informações, remoção de ruído e redundância, etc). Deste processo inicial surgem os repositórios organizados (Data Marts e Data Warehouses), que por si só já são úteis de diversas maneiras. Porém é a partir deles que algumas colunas são selecionadas para que o processo de mineração seja aplicado. Nesse momento entra o analista que de forma interativa e com uma freqüente visualização gráfica refina e conduz o processo até que os valiosos padrões apareçam. Olhando para este processo tem-se a sensação de que ele indica um hierarquia, algo que começa em instâncias elementares volumosas e convergem para um ponto relativamente concentrado, porém muito valioso. Porém é necessário salientar que o objetivo da mineração é extrair padrões de dados brutos de forma a simplificá-los desconsiderando informações específicas e privilegiando os aspectos genéricos. Então para a mineração não é interessante considerar um dado que mostra que apenas um cliente fez por exemplo uma compra de algum produto em grande quantidade, pois esse fato isolado muito provavelmente não indica uma tendência de mercado, ou seja, não há como explorar essa informação em particular para que a empresa possa lucrar mais no futuro. Apenas com o conhecimento genérico isso é possível.



  1. Projetando um BI

Quando for implementar um programa de BI uma boa idéia é fazer uma quantidade considerável de perguntas e assim obter uma quantidade satisfatória de resultados para tomar decisões. Essas perguntas podem ser divididas em 7 passos:




  • Passo 1 (Alinhamento com os objetivos) : O primeiro passo determina os objetivos do sistema. Ex: Com quais estratégias da empresa o programa trabalhará ? A qual missão/visão isto está relacionado?

  • Passo 2 (Fonte dos dados): O segundo passo determina como a fonte dos dados está presente e disponível na organização. Ex: A organização possui capacidade de monitorar importantes fontes de informações? Que dados são coletados pela organização e como são guardados?

  • Passo 3 (Custo e Risco): O terceiro passo indica que as conseqüências financeiras de uma iniciativa de BI devem estimadas. Ex: Quais os riscos de falha desta iniciativa? Como o custo das operações atuais serão comprados com as operações de iniciativa de BI?

  • Passo 4 (Cliente e Stakeholders): O quarto passo determina quem será beneficiado e quem irá pagar pelo BI. Ex: Quem está interessado em todo o processo direta ou indiretamente? Quais são os benefícios quantitativos e qualitativos?

  • Passo 5 (Métricas): O quinto passo determina que estes requisitos de informações devem ser operacionalizados em métricas bem definidas. Deve-se definir quais métricas serão usadas por cada informação recuperada.

  • Passo 6 (Metodologia de medidas de resultados): O sexto passo determina que deve ser estabelecida uma metodologia ou um procedimento para determinar a melhor maneira de medir as métricas.Ex: Existem padrões para isso? É a melhor maneira para se fazer tais medições?

  • Passo 7 (Resultados): O sétimo passo determina que alguém deve monitorar o sistema de BI para garantir que os objetivos estão sendo alcançados. Ajustes no software devem ser feitos quando necessário. Ele deve ser testado para garantir a validade dos dados e sua consistência.

  1. Referências




  1. http://www.dmreview.com/article_sub.cfm?articleId=5229

  2. http://www.networkdictionary.com/software/olap.php

  3. http://www.wikipedia.org

  4. http://www.cce.puc-rio.br/informatica/dataminingcentro.htm








©principo.org 2016
enviar mensagem

    Página principal