Business Intelligence: Inteligência nos Negócios

Iris Fabiana de Barcelos Tronto, Ana Cláudia Araujo, José Demíso Simões da Silva, Nilson Sant´anna*Ministério da Ciência e Tecnologia – MCT

Instituto Nacional de Pesquisas Espaciais – INPELaboratório Associado de Computação e Matemática Aplicada – LAC/CAP

E-mail: iris_barcelos@lac.inpe.br

Resumo

Este artigo apresenta os principais conceitos de BI-Business Intelligence e sua aplicação para a solução deproblemas práticos de uma corporação. Neste contexto, édada ênfase ao conceito de Data Mining, uma dasferramentas utilizadas por BI que utiliza, dentre outrastécnicas, Árvores de Decisão e técnicas de InteligênciaArtificial, tais como Algoritmos Genéticos e Redes Neuraisem sua implementação.

Abstract

This paper presents the main concepts of BI- BusinessIntelligence and its application to solve enterprise practicalproblems. In this context, focalize the concept of DataMining, which is one tool used at BI. Data Mining usesAnswer Trees and techniques of Artificial Intelligence, forexample, Genetic Algorithms and Neural Works in itsimplementation.

1. Introdução

O acelerado crescimento tecnológico e conseqüenteinformatização das empresas possibilitou avançosoperacionais nos negócios. À medida que o Hardwareficou mais barato e de melhor desempenho, grandessistemas foram criados, possibilitando transações rápidas eeficientes, resultando na geração de grandes volumes dedados. Estes são armazenados em repositórios, quepossuem uma característica comum: a dificuldade deextração de informação. Importantes informações ficamarmazenadas dentro da própria empresa, sendo seu acessomuito difícil. A partir disso não é difícil de se concluir queeste processo gradativo de implantação de sistemasinformatizados produziu múltiplos estoques de dados, comlógicas próprias e dificuldades de consolidação.

O conceito de Business Intelligence (BI) surgiu pararesolver estes problemas e consiste de uma vasta categoriade tecnologias e programas aplicativos utilizados paraextrair, armazenar, analisar e transformar grandes volumesde dados, produzindo um ambiente de conhecimento, onde

há produção sistemática de informação gerencial, veloz econsistente, capaz de auxiliar empresas a tomarem asmelhores decisões nos negócios, baseado em fatos reais,com profundidade suficiente para descobrir as causas deuma tendência ou de um problema.

Business Intelligence tem como principaiscaracterísticas:- A capacidade de extrair e integrar dados de múltiplas

fontes.- A transformação dos registros obtidos em informação

útil para o conhecimento empresarial.- A valorização da experiência.- A análise de dados contextualizados.- A procura de relações de causa e efeito, trabalhando

com hipóteses e desenvolvendo estratégias e açõescompetitivas.A construção de um ambiente de Business Intelligence

requer dados dos vários sistemas informatizadosoperacionais existentes na empresa. O conjunto de dadoscoletados é matéria-prima para uma série detransformações, cujo produto final é carregado no DataWarehouse (depósito de dados). São criadas visualizaçõesgerenciais que possibilitam que as decisões gerenciaissejam tomadas em tempo real. As aplicações de BusinessIntelligence, que utilizam as informações armazenadas emum Data Warehouse, podem incluir consultas e relatórios,análises OLAP (On-Line Analytical Processing), análisesestatísticas, previsões, Balanced Scorecard e Data Mining.

O conceito de Data Mining surgiu com objetivo demelhorar o uso das informações armazenadas em um DataWarehouse, utilizando algoritmos inteligentes que possamselecionar os padrões mais relevantes para certasaplicações. Dentro deste contexto algumas técnicas comoÁrvore de Decisão, Algoritmos Genéticos e Redes Neuraissão utilizados.

Este trabalho está organizado em cinco seções. A Seção2 apresenta os principais conceitos relacionados a BusinessIntelligence. Visto que o objetivo principal deste trabalho éexplorar a aplicação de Inteligência Artificial em BusinessIntelligence, será enfocada a ferramenta de Data Mining,cujos conceitos fundamentais são apresentados na Seção 3.Na Seção 4 é abordado um exemplo de aplicação deBusiness Intelligence. Finalmente, a Seção 5 apresenta asconclusões deste trabalho.

2. Business Intelligence

Chegou a era da fidelização, da customização, dasedução do cliente e da Inteligência aplicada aos negócios.Assim sendo, os grandes bancos de dados corporativoscomeçaram a produzir variantes, como os Depósitos deDados (Data Warehouse), com o objetivo de entregar aostomadores de decisão, a informação na forma mais precisae utilizável possível. Os dados que até então eram simplesrepresentantes de fatos comuns como nome, endereço,telefone, dentre outros, hoje se sofisticam na representaçãode imagens, vídeos, sons, dados temporais, indicadoreseconômicos, planilhas, páginas HTML e estruturas XML,acompanhando as mudanças solicitadas por uma sociedadeagora alavancada por outras indústrias, comoentretenimento, comunicação e comércio eletrônico.

A informática fez os dados, depois os transformou eminformação. Agora o objetivo é usinar conhecimentos, apartir daquelas matérias-primas. BI representa a habilidadede se estruturar, acessar e explorar informações,normalmente guardadas em DW/DM (Data Warehouse,Data Marts) com o objetivo de desenvolver percepções,entendimentos e conhecimentos, os quais podem produzirum melhor processo de tomada de decisão.

É o conceito de Data Mining (garimpagem de dados)que objetiva melhorar o uso desses gigantescos arsenais deinformação através da identificação de padrões decorrelação normalmente invisíveis em análisesconvencionais. Indicadores de produtos comprados emconjunto ou de padrões de fraudes praticadas ajudarão osgerentes de empresas, no seu cotidiano, a descobrirsinuosas correlações que certamente o levarão a melhordispor a gôndola do seu mercadinho, ou modificar oscritérios de análise de riscos de uma proposta deempréstimo.

Vive-se a era do BI-Business Intelligence, com ainformação usinada a partir dos dados sendo diretamenteaplicada aos negócios [1]. Assim como a área de gerênciade conhecimento (KMS-Knowledge Management System),BI visa criar estoques de dados e fatos que suportemprocessos decisórios fundamentais.

Enquanto as duas abordagens acima visam olhar paradentro da empresa, existe uma terceira que visa observar omundo exterior da empresa. É o conceito de CI-Competitive Intelligence. Pode-se entender CI como um BIaplicado ao mundo fora das fronteiras empresariais, focadoprimariamente em informações textuais e factais que dizemrespeito aos movimentos do mercado e dos concorrentes. Aestratégia de CI passa pelas vizinhanças dos conceitos deKMS e se acopla aos de Mining.

A proposta de BI acopladas com as de CRM (CostomerRelationship Management) e SCM (Supplay ChainManagement) de se concentrar em prol dos clientes é algoque parece definitivo. SCM representa os processos de

produção e entrega do produto final, do fornecedor para ocliente. CRM são os sistemas, aplicativos e as tecnologiasdevotadas ao tratamento com o cliente da empresa, com oobjetivo de melhorar as ações de marketing, vendas eserviços.

Um novo conceito emerge na indústria da informática:EAI (Enterprise Application Integration), que pode sertraduzido como a integração de aplicações corporativas.

Neste trabalho, o conceito de Business Intelligence éapresentado segundo os conceitos de Data Warehouse[7],Data Mart[1] e Data Mining[5], cobertos na próximaseção.

2.1. Data Warehouse, Data Mart e Data Mining

Os dados que habitam os tradicionais sistemas legadosrecentemente implementados, ERP (Enterprise ResourcePlanning), ou pacotes integrados de gestão, que constituema base dos processos de negócios das empresas, estãoformatados e estruturados da forma transacional,dificultando, dessa maneira, o seu tratamentoinformacional. Assim, BI deve ser entendido como oprocesso de desenvolvimento de:- Estruturas especiais de armazenamento de informações

como Data Warehouse (DW), Data Mart(DM) e ODS(Operational Data Store), com o objetivo de se montaruma base de recursos informacionais, capaz de sustentara camada de inteligência da empresa e possível de seraplicada aos seus negócios, como elementosdiferenciais e competitivos. Juntamente com o conceitode DM, DW, OSD, o conceito de BI contempla tambémo conjunto de ferramentas ETC - Extração, Tratamentoe Carga, fundamentais para a transformação do recursode dados transacional em informacional. Enquanto DWe DM se referem à estruturas dimensionais de dados,remodeladas com o objetivo de prover análisesdiferenciais, o conceito de OSD, por sua vez, estárelacionado ao armazenamento e tratamento de dadosoperacionais, de forma também consolidada, porém semas características dimensionais. O ODS além derepresentar a metade do caminho entre o legado e oDW, também oferece informações importantes do pontode vista decisório, devido a sua característica deconsolidação e integração de várias fontes de dados.

- Aplicações especiais de tratamento de dados, comoOLAP e Data Mining. O termo OLAP (On-LineAnalytical Processing), hoje muito difundido, traduzidopara processamento analítico on-line, representa essacaracterística de se trabalhar os dados, com operadoresdimensionais, possibilitando uma forma múltipla ecombinada de análise. O conceito de Data Mining poroutro lado, está mais relacionado com os processos deanálise de inferência do que com os de análisedimensional de dados e representa uma forma de buscade informação baseada em algoritmos que objetivam o

reconhecimento de padrões escondidos nos dados e nãonecessariamente revelados pelas outras abordagensanalíticas, como OLAP.

A Figura 1 mostra esquematicamente oscomponentes de Data Warehouse, Data Mart, ODS eFerramentas (entre as quais as de Mining), compondo omosaico de BI. Além dos depósitos de dados na formaconsolidada de Data Warehouse ou por assuntos/negócios (como Data Marts) e o ODS, aparece tambéma camada fundamental de ETC-Extração,Transformação e Carga, responsável pelas ações decoleta, limpeza, preparação e carga desses depósitos deinformações. Os processos de Mining trabalharão sobreum extrato de dados especialmente preparado para estaforma de tratamento.

Figura 1 – Componentes de um ambiente de BI- BusinessIntelligence [1]

2.2. Mercado e Ferramentas de BI

As ferramentas para um ambiente de BI-BusinessIntelligence podem ser classificadas como de Construção,Gerência, Uso e Armazenamento.

As ferramentas de construção têm o objetivo de auxiliarno processo de Extração de dados das fontes diversas, seutratamento de preparação, transformação e sua carga nasestruturas finais do DW/DM.

As ferramentas de Gerência objetivam auxiliar oprocesso de armazenamento e utilização dos DW/DM e dorepositório, onde residem as informações de meta-dados,responsáveis pela definição das estruturas e dos processosde transformação desejados. .

As ferramentas de uso são, na essência, os mecanismos,através dos quais os usuários manipulam os dados nosDW/DM e obtém as informações requeridas. Oferecem umarsenal de operadores, dentre outros drill-down, up, cross,through e trabalham em interfaces Web. O conceito deData Mining está presente neste tipo de ferramenta.

O mercado de BI aponta para valores bastantesignificativos para os primeiros anos do novo milênio.Com o crescimento vertiginoso do conceito de BI e com a

forte tendência de fusões e aquisições, o mercado de BIserá bastante disputado nos próximos anos. A ComputerAssociates fortaleceu o seu arsenal de BI com as aquisiçõesda Platinum e da Sterling que, por sua vez, já haviamcomprado outras empresas menores. Agora, a ComputerAssociates deverá integrá-las em um mosaico de BI [1]. AOracle desenvolveu um poderoso conjunto de FerramentasBI, iniciando com a aquisição da Oracle Express, seguidode outras ferramentas na área de Mining (Darwin daThinking Machines).

No cenário de produtos que estarão brigando pelomercado emergente de BI, certamente dois produtos irãocatalisar a atenção dos desenvolvedores de DW e DM, einfluenciarão diretamente nos processos de análise eescolha de soluções OLAP para as empresas: o BW-Business Information Warehouse, da SAP e o MS-SQLServer Analysis Services, da Microsoft.

3. Data Mining

Um dos grandes problemas dos especialistas em análisede informação é a transformação de dados em informação.Como fazer isso de uma forma automatizada, e no menortempo possível? Uma das respostas para isso é acombinação de estatística convencional e técnicas deinteligência artificial, que resulta em uma técnica muitocomentada nos dias de hoje, o Data Mining.

Os processos de Data Mining são extremamentecomplexos, além de ser um trabalho que dificilmente seráresolvido apenas por um especialista em Data Mining. Emqualquer projeto de Data Mining é obrigatório a existênciade um profissional com o conhecimento do negócio, poisele possui domínio total do assunto. Para evitar que aresultado da modelagem não tenha a menor utilidade paraapoiar uma decisão.

Segundo Naliato [9], o conceito de Data Mining flutuaentre uma forma de estatística e um conceitorevolucionário, agora aplicado ao mercado. Na verdade, oobjetivo desta técnica é encontrar padrões, ainda nãodescobertos nos dados, que possam gerar respostas corretaspara novos casos. Este processo de busca e interpretaçãode padrões é tipicamente interativo e iterativo, envolvendoa aplicação repetitiva de métodos específicos de mineraçãode dados ou algoritmos e interpretações dos padrõesgerados como resultado destes algoritmos.

A Figura 2 mostra, numa visão geral, os passosprincipais de um projeto de Data Mining. No esquemaestão os grandes blocos do projeto, com as fases dePreparação, Mineração, Análise e Aplicação.

A fase de preparação consiste de atividades que vaidesde a construção de um banco de dados, separado, paraos dados sujeitos ao Mining até a atividade de carregar obanco de dados para o processo de Mining. A preparaçãodos dados a serem utilizados num projeto vai variar deacordo com o algoritmo de Mining escolhido. Dependendo

Financeira Recursos Humanos Distribuição

Query/Report EIS Rolap Molap Mining

Dados Operacionais

Integração Botton-up

Consolidação

Ferramentas

ODS

OperacionalData Store

Extração – Transformação -Carga

Data Mart

Data Mart

Data Mart

Mining

D D D D

Área-1

Área-2

Área-3

Data Warehouse

deste algoritmo, os dados serão formatados de maneirasdiferentes. Este processo de preparação dos dados édeterminante no sucesso do Data Mining e costumaconsumir muito tempo e recurso.

A fase de mineração é responsável por criar os modelosde Data Mining, definir amostras ou população eselecionar dados para treinar o modelo. Além disso, aquideverá ser definida a formatação requerida pelasferramentas. Por exemplo, redes neurais exigem dados naforma dicotômica (sim/não) e árvore de decisão demandaagrupamentos, como bom, médio e ruim. Por fim, cria osprevisores ou atributos-chave para a análise do negócio.

Alguns modelos básicos de garimpagem de dadospodem ser utilizados na fase de análise tais como:- Regras de associação: São regras que são formadas

com informações existes na base de dados. Sãorelacionamentos que na grande parte das vezes não sãoconhecidos pelo detentor do negócio.

- Classificação: são processos utilizados para se definirgrupos ou classes de elementos, baseado em certosparâmetros pré-estabelecidos.Várias abordagens sãousadas para definir modelos de referência (redesneurais, árvores de decisão, baseados em regras), sendoque algumas permitem a definição explícita da classe(árvore de decisão) e outras o seu modelo implícito(redes neurais).

- Padrões Seqüenciais: são processos que visam aidentificação de fatos que implicam em outros fatos, emmomentos diferentes de tempo.

- Agregação: tem como objetivo a obtenção deagrupamentos baseados na similaridade apresentadapelos dados.

Figura 2 – Visão geral do processo de Data Mining [1].

Estes modelos de garimpagem de dados podem serusados de forma integrada, realizando análises em cascata,com operadores aplicados sobre resultados de outros. Issopode ser visto em [2].

Depois de definido e testado o modelo, ocorre a fase deaplicação, que se dá pela utilização daqueles algoritmosajustados em situações reais de sistemas. Alguns produtospermitem que seja produzido um código fonte, resultantedos modelos e algoritmos definidos e compilados, quepoderá ser incorporado em sistemas tradicionais einvocado para a execução das análises requeridas. AsSeções 3.1, 3.2 e 3.3 abordam algumas aplicações de DataMining.

Existem várias técnicas de Data Mining que podemajudar as empresas a encontrar informações para fomentara sua tomada de decisão. Heinrichs & Lim [6] utilizam atécnica de Análise de Regressão em seu trabalho sobreferramenta de Data Mining baseado na Web. Outrastécnicas como Análise de Conglomerados, MétodosPreditivos com Séries Temporais, Árvore de Decisão,Redes Neurais e Algoritmos Genéticos são importantes.Essas três últimas são apresentadas a seguir. Resta aosespecialistas identificar a melhor técnica para o seuproblema.

3.1. Árvore de Decisão

A árvore de decisão é uma técnica que, a partir de umamassa de dados, cria e organiza regras de classificação edecisão em formato de diagrama de árvores, que irãoclassificar suas observações ou predizer resultados futuros.Se seus dados estiverem divididos em classes dicotômicas,por exemplo, infectados contra não-infectados, um árvorede decisão pode ser construída para criar regras queclassifiquem casos já existentes ou casos novos, comprecisão.

Começa com um único grupo que reúne todos os casosem estudo. Na medida em que a árvore vai se expandindo,esta base é dividida em módulos que representamcategorias das variáveis analisadas. Cada galho da árvore éformado por esses nódulos que vão se abrindo emsubgrupos mutuamente exclusivos. Cada nódulo e cadagalho apresentam uma proporção de obtenção da respostaem estudo.

O emprego de Árvore de Decisão é abrangente e se dánas seguintes abordagens:a) Segmentação: Identificação de grupos baseando-se na

identificação de características em comumapresentadas pelos elementos. Por exemplo, emsegmentação de mercado.

b) Estratificação: Determinação de regras para que sepossa designar cada caso a uma dentre váriascategorias existentes, como por exemplo classificarum cliente tomador de crédito em grupo de riscoelevado, risco médio, risco baixo.

c) Predição: Criação de regras para aplicação em eventosfuturos. Podendo ser usada também para identificarrelações entre atributos preditivos e valore de umavariável contínua. Por exemplo, a identificação de

Dado preparado

! ? ! ?

DW/DM

Outros dados internos

Dados externos

Conjunto total de dados Preparação Mineração

Análise

Aplicação

quais ações de marketing poderão levar a um aumentosignificativo nas vendas.

d) Redução de dados e filtro de variáveis: podem serutilizadas para identificar quais variáveis têm maisinfluência sobre a resposta, diminuindo assim ovolume de variáveis em estudo.

e) Identificação de Interações: identificação de interaçõespertinentes somente em determinados subgrupos eespecificações destas em modelos paramétricosformais.

f) Merção de categorias e discretização de variáveiscontínuas: significa a possibilidade de recodificaçãode variáveis categóricas e contínuas com perdamínima de informação.

Árvores de Decisão podem ser aplicadas em váriasáreas. Alguns exemplos típicos de sua aplicação sãoapresentados em [1]. Dentre eles, se destacam: MalaDireta; Credit Scoring (também conhecida comoescoragem de crédito); Análise de Mercado; Controlede Qualidade; Recursos Humanos; Pesquisas Médicas eEstudos de Políticas Internas.

3.2. Redes Neurais

As Redes Neurais são uma tecnologia cada vez maisusada em Data Mining. Sua grande vantagem estábasicamente em sua habilidade de aprendizagem a partirdas experiências, não ficando restritas a uma ordemseqüencial pré-fixada. Elas consistem em algoritmos eprocedimentos computacionais que imitam a capacidadede aprendizagem do cérebro. Esta técnica é formada denódulos cujo processamento se assemelha ao dosneurônios, daí seu nome. Não é considerada umatécnica estatística por não apresentar a robustez de uma.Não oferece estimadores definidos e o comportamentode uma rede neural, com certa massa de dados, nemsempre se repetirá com outra.

Os nódulos são conectados como uma rede efuncionam paralelamente. A primeira fase de nódulos écomposta pelos nódulos de entrada. Eles recebem oimput das variáveis fornecidas pelo banco de dados,transformam-no de acordo com uma função (chamadafunção de ativação), produzindo informação de saídaque será enviada à próxima fase de nódulos. Esta, porsua vez, receberá diversas informações dos nódulos deentrada como seu input. Esta fase é formada pelosnódulos ocultos, que, em redes neurais mais complexas,podem formar diversas camadas. Por fim, tem-se osnódulos de saída. Estes processam as informaçõesrecebidas e produzem uma resposta, mas não a enviampara outro nódulo, pois já é o resultado final da rede. Sea rede é de classificação, o nódulo de saída já é o final.Para o caso de modelos de previsão, o nódulo de saídajá representa um valor preditivo.

É importante salientar que não existe uma técnicauniversalmente melhor que todas. O sucesso do DataMining depende muito da experiência e sensibilidade dopesquisador, o qual terá que identificar qual a melhorferramenta a ser utilizada, de acordo com o tipo deresposta procurada e com o modo em que se encontramseus dados. Por isso, os exemplos de aplicações dosmétodos relacionados neste trabalho podem se repetir.

A técnica de Redes Neurais pode ser aplicada emData Mining para resolver problemas relacionados a:Marketing; Modelos Preditivos; Vendas; Finanças;Energia e; Produção. Exemplos dessas aplicações sãoapresentados em [1].

3.3. Algoritmos Genéticos

Algoritmos genéticos, AGs, são métodos de otimizaçãoe busca inspirados nos mecanismos de evolução depopulações de seres vivos [8]. Esses algoritmos seguem oprincípio da seleção natural e sobrevivência do mais apto,declarado em 1859 pelo naturalista e fisiologista inglêsCharles Darwin em seu livro A Origem das Espécies.

Otimização é a busca da melhor solução para um dadoproblema, visando economizar os recursos desprendidos,sejam eles financeiros, tempo, etc. Consiste em tentarvárias soluções e utilizar informação obtida neste processode forma a encontrar soluções cada vez melhores.

O primeiro passo de um Algoritmo Genético típico é ageração de uma população inicial de cromossomos. Estapopulação é formada por um conjunto aleatório decromossomos, que representam possíveis soluções doproblema a ser resolvido. Durante o processo evolutivo,esta população é avaliada e cada cromossomo recebe umanota (denominada de aptidão), refletindo a qualidade dasolução que ele representa. Em geral, os cromossomosmais aptos são selecionados e os menos aptos sãodescartados (darwinismo). Os membros selecionadospodem sofrer modificações em suas característicasfundamentais através dos operadores de crossover emutação, gerando descendentes para a próxima geração.Este processo é repetido até que uma solução satisfatóriaseja encontrada.

Pesquisas mais recentes apontam para uma tendência deutilização de Algoritmos Genéticos Híbridos, em quealgoritmos Genéticos são combinados com outras técnicascomo, por exemplo, Árvore de Decisão, Data Mining.Debora [3];[4] propõe uma solução para o problema dedesbalanceamento de classes em uma base de dados,baseada no uso de um método híbrido com AlgoritmosGenéticos e Árvore de Decisão. Neste caso, o AlgoritmoGenético age como um Wrapper usando a saída doalgoritmo de Árvore de Decisão, para a obtenção da funçãoobjetivo das populações de indivíduos.

4. Aplicações de Business Intelligence

A SPSS é uma empresa que lidera tecnologias em DataMining e aplicações analíticas para melhorar a tomada dedecisões. Tais aplicações atendem os objetivos do conceitode Business Intelligence, que tem como premissa auxiliarorganizações no gerenciamento do futuro, através de umaprendizado do passado, do entendimento do presente eprevendo potenciais problemas e possibilidade. A empresafornece todas as aplicações necessárias para um processoanalítico, desde o planejamento, gerenciamento dos dados,análise e distribuição dos resultados.

Algumas dessas aplicações analisam informaçõeshistóricas para determinar com confiabilidade o queacontecerá no futuro. Árvore de Decisão são úteis em DataMining conforme abordado na Seção 3.1.. Elas criam umaestrutura de árvore na qual cada ramo é separado emsubconjuntos mutuamente exclusivos. Cada ramo da árvorecorresponde a uma regra para separar os dados emsubconjuntos que produzem pre-condições para os dadosatuais e para os novos dados. Os componentes de árvore dedecisão são úteis, por exemplo, em segmentação demarketing para identificar grupos distintos em um bancode dados de clientes; em análise de riscos para descobrirfatores que determinam se uma aplicação particular é umrisco de crédito bom ou ruim e; em gerenciamento derelacionamento de clientes (CRM) para descobrir padrõesem como clientes interagem com uma determinadacompanhia.

Um dos produtos oferecidos pela empresa é aferramenta AnswerTree, que é um software para DataMining que capacita usuários de negócios analisar dadoscom uma maior precisão. Ela utiliza a técnica de Árvore deDecisão (http://www.spss.com/spssetd/tools.htm).

Um exemplo de sua aplicação é quando umaorganização deseja determinar quais clientes, ou grupo decidadãos que melhor combinam com suas promoções eprogramas, marcando precisamente as pessoas eeliminando as conjecturas que levam a enviar ofertas agrupos arbitrários de pessoas em suas listas de e-mail.Neste caso, AnswerTree permite que a organização atinjamais eficientemente o grupo certo de pessoas .

Ela usa Árvores de Decisão escaláveis, que revelamsegmentos e prevê como grupos responderão a promoçõese programas. AnswerTree oferece quatro componentes deárvore de decisão poderosos, (podendo escolher o quemelhor se aplica aos dados do usuário), mostra modelosgráficos permitindo visualizar os grupos daquele assunto.Os gráficos são importantes no sentido de permitir agirsobre os resultados rapidamente.

Chen [5] fornece uma visão detalhada sobre osalgoritmos e sobre as técnicas que podem ser utilizadas nocontexto de Data Mining.

5. Conclusões

Atualmente, não é difícil de se perceber que os sistemasde BI da empresa são essenciais para a tomada de decisões.Neste contexto, pode-se dizer que DW (Data Warehouse)tornou-se a ferramenta principal para o trabalho dodepartamento de marketing e que a maioria dasinformações para tomada de decisão são extraídas dossistemas de apoio à tomada de decisão. Entre as diversasutilizações dos sistemas de BI, se destacam a análise detráfego, o acompanhamento da receita e sua tendência,análise de churn e de retenção de clientes.

Várias técnicas, ferramentas e conceitos existem nomercado. Porém, quando uma empresa busca implementaruma solução de BI-Business Intelligence, primeiro eladeverá identificar qual é seu problema, como atacá-lo eprincipalmente como resolvê-lo. Estas questões sãofundamentais para que se efetue uma boa escolha daferramenta ou técnica a ser utilizada.

Uma vez que identificamos a necessidade de se darapoio à tomada de decisão quando se trata dodesenvolvimento de software, pretende-se em trabalhosfuturos investigar a aplicabilidade de BI no processo dedesenvolvimento de software.

Referências Bibliográficas

[1] C.Barbieri, “ BI- Businesss Intelligence: Modelagem &Tecnologia”, Ed. Axcel Books, Rio de Janeiro, 2001.

[2] D. R. Carvalho, “A hybrid decision tree/genetic algoritm forcoping with the problem of small disjuncts in Data Mining”,In:2000 Genetic and Evolutionary Computation Conference, LasVegas. 2000.

[3] D. R. Carvalho, “Data Mining através de indução de Regras eAlgoritmos Genéticos”, Dissertação de Mestrado em InformáticaAplicada, PUCPR, PR, 1999.

[4] D. R. Carvalho, “A hybrid genetic algorithm decision treeapproach for coping with unbalanced classes”, In: The SecondInternational Conference on Pratical Application of KnowledgeManagement, London. 1998.

[5] Z.Chen, “Data Mining and Uncertain Reasoning: AnIntegrated Approach”, John Wiley & Sons, Canada, 2001.

[6] H.Heinrichs, Jeen-Su Lim, “Integrating web-based datamining tools with business models for knowledge managment”.Decision Support System, vol.35, 2003, p. 103-112.

[8] E.G.M. Lacerda, A.C.P.L.F. Carvalho, “Introdução aosAlgoritmos Genéticos”. In: Anais do XIX CongressoNacional da Sociedade Brasileira de Computação. vol.II,1999, p.51-126.