Embed Size (px)
Citation preview
Universidade de Aveiro 2021
Carlos Rafael de Oliveira Lopes
Sistema de suporte à tomada de decisão com base numa ferramenta de Business Intelligence
Universidade de Aveiro 2021
Carlos Rafael de Oliveira Lopes
Sistema de suporte à tomada de decisão com base numa ferramenta de Business Intelligence
Tese apresentada à Universidade de Aveiro para cumprimento dos requisitosnecessários à obtenção do grau de Mestre em Engenharia e Gestão Industrial, realizada sob a orientação científica do Doutor Rui Jorge Ferreira Soares Borges Lopes, Professor Auxiliar do Departamento de Economia, Gestão e Engenharia Industrial e Turismo da Universidade de Aveiro
Este trabalho é dedicado à minha família.
o júri
presidente Professor Doutor Carlos Manuel dos Santos Ferreira Professor Associado C/ Agregação, Universidade de Aveiro
vogais Professor Doutor Samuel de Sousa Silva Professor Auxiliar em Regime Laboral, Universidade de Aveiro
Professor Doutor Rui Jorge Ferreira Soares Borges Lopes Professor Auxiliar, Universidade de Aveiro
agradecimentos
Quero agradecer a todos aqueles que sempre me ajudaram e apoiaram aolongo desta caminhada. Os meus agradecimentos são dedicados: Ao meu orientador, Professor Rui Jorge Ferreira Soares Borges Lopes, pelaorientação e prontidão mostrados ao longo da realização deste trabalho. A todos os restantes professores que tive ao longo deste percurso e a todacomunidade universitária. À PRIO pela oportunidade de realizar o projeto. Um agradecimento especial aoAnderson Oliveira pelo conhecimento partilhado e pelo encorajamento que meajudou a crescer profissionalmente. Aos meus amigos pelos momentos incríveis que tornaram este percurso maisespecial. Por último, o agradecimento mais importante é dedicado à minha família quesempre acreditou em mim e que, apesar da distância esteve sempre presentedando apoio e motivação.
palavras-chave
Business Intelligence, Sistemas de Informação, Power BI, Tomada de Decisão
resumo
O presente documento apresenta e descreve o projeto desenvolvido ao longodo estágio curricular no departamento de Sistemas de Informação da PrioEnergy, SA. Na execução deste projeto recorreu‐se à utilização de uma ferramenta deBusiness Intelligence, o Power BI. Ferramenta esta capaz de integrar, tratar etransformar dados em informações úteis através da construção de painéisvisuais de fácil interpretação e fazer com que essa informação chegue de formarápida aos tomadores de decisão. A tomada de decisão com base em dados é uma arma fundamental eimprescindível para que as empresas ganhem vantagem competitiva. Para tal,torna‐se importante encontrar a melhor forma de exposição e partilha dessesdados. É neste contexto que surge a necessidade do desenvolvimento dosistema de suporte à tomada de decisão. Ao longo deste documento será descrito o trabalho realizado desde olevantamento dos requisitos do sistema, desenho da arquitetura do sistema,descrição das etapas do desenvolvimento do sistema, exposição e a validaçãodo mesmo. O desenvolvimento do projeto aqui apresentado resultou na construção de umdashboard (painel visual de apresentação de dados) com informaçãodisponibilizada quase em tempo real das informações das vendas dos postos decombustíveis, dashboard este que permitiu monitorar os dados das vendas porprodutos, posto e localização geográfica, contribuído assim no apoio àstomadas de decisão mais rápidas e assertivas. Este projeto contribui para que a PRIO tenha uma cultura mais orientada àtomada de decisão com base em dados.
keywords
Business Intelligence, Information Systems, Power BI, Decision Making
abstract
This document presents and describes the project developed during theinternship at the Information Systems Department of Prio Energy, SA. In the execution of this project, a Business Intelligence tool, Power BI, was used.This tool is capable of integrating, processing and transforming data into usefulinformation by building easy to interpret visual panels and making thisinformation reach decision makers quickly. Decision‐making based on data is a fundamental and indispensable weapon forcompanies to gain competitive advantage. For this, it becomes important to findthe best way to expose and share this data. It is in this context that the need todevelop a decision support system arises. Throughout this document, the work done since the survey of the systemrequirements, the design of the system architecture, the description of thestages of system development, the exposition and validation of the system willbe described. The development of the project presented here resulted in the construction ofa dashboard (visual panel of data presentation) with information availablealmost in real time of the gas stations sales information. This dashboard allowedthe monitoring of sales data by product, gas station and geographic location,thus contributing to support faster and more assertive decision making. This project contributes to a more data‐driven decision‐making culture at PRIO.
Índice
1. Introdução .................................................................................................................................. 1
1.1. Motivação e Contextualização ........................................................................................... 1
1.2. Objetivos e Metodologia .................................................................................................... 2
1.3. Estrutura do Documento .................................................................................................... 3
2. Enquadramento teórico ............................................................................................................. 5
2.1. Dados, Informação e Conhecimento .................................................................................. 5
2.1.1. Big Data ...................................................................................................................... 6
2.1.2. Data Science ............................................................................................................... 7
2.1.3. Qualidade dos Dados .................................................................................................. 8
2.1.4. Tomada de Decisão .................................................................................................... 9
2.2. Sistemas de Informação ................................................................................................... 10
2.2.1. Desenvolvimento de um Sistema de Informação .................................................... 11
2.2.2. Requisitos de um Sistema de Informação ................................................................ 12
2.2.3. Validação de um Sistema de Informação ................................................................. 13
2.3. Business Intelligence ........................................................................................................ 13
2.3.1. Modelação dos Dados e Modelação Multidimensional ........................................... 14
2.3.2. Interação Humano‐Computador, Acessibilidade e Visualização dos dados ............ 17
2.3.3. Power BI ................................................................................................................... 18
3. Apresentação da Organização e Caracterização do Problema ................................................ 21
3.1. Grupo Prio ........................................................................................................................ 21
3.1.1. Departamento de Sistemas de Informação.............................................................. 22
3.1.2. Área de Engenharia de Dados na PRIO ..................................................................... 24
3.2. Contextualização e Caracterização do Problema ............................................................. 25
3.2.1. Situação Atual ........................................................................................................... 26
3.2.2. Proposta de Solução ................................................................................................. 27
4. Proposta de Solução: Projeto de Business Intelligence com base no Power BI como suporte à tomada de decisão. .......................................................................................................................... 29
4.1. Sistema de Suporte a tomada de decisão com base no Power BI ................................... 29
4.1.1. Arquitetura do Sistema ............................................................................................ 29
4.1.2. Extração, Carregamento e Tratamento dos Dados no Power BI .............................. 30
4.1.3. Modelação dos Dados no Power BI .......................................................................... 32
4.1.4. Construção do Dashboard ........................................................................................ 36
4.2. Exposição e Partilha da Plataforma. ................................................................................. 44
4.3. Validação do Sistema ....................................................................................................... 46
5. Conclusões, Limitações e Trabalho futuro ............................................................................... 49
5.1. Conclusões ........................................................................................................................ 49
5.2. Limitações e Trabalho Futuro ........................................................................................... 50
Referências ....................................................................................................................................... 51
Anexos .............................................................................................................................................. 55
Anexo A ‐ Tabelas Fatos e Tabelas dimensão do Modelo Multidimensional ............................... 55
Anexo B ‐ Relatório Vendas x Clima ............................................................................................. 56
Anexo C ‐ Questionário de Avaliação do Sistema ........................................................................ 57
Lista de Figuras Figura 1‐ Metodologia Data Science (Alumni, 2020) .......................................................................... 2
Figura 2‐Metodologia aplicada no desenvolvimento do projeto ....................................................... 3
Figura 3‐Hierarquia da informação, adaptado de Moresi (2000) ...................................................... 6
Figura 4‐Entidade ‘’DIM_Municipio_Atual’’ e os seus atributos ...................................................... 15
Figura 5‐Representação da relação entre duas entidades ............................................................... 15
Figura 6‐Arquitetura do Power BI (Data Flair, 2020) ........................................................................ 18
Figura 7‐Departamentos da Prio Energy e áreas do departamento de SI ....................................... 23
Figura 8‐Arquitetura de dados da Área de Engenharia de dados .................................................... 24
Figura 9‐Arquitetura de dados do Sistema ...................................................................................... 29
Figura 10‐Carregamento dos dataflows para o Power BI ................................................................ 31
Figura 11‐Power Query de uma das dimensões do projeto ............................................................. 31
Figura 12‐Tabelas ‘’DIM_Municipio_Atual‘’ e ‘’DIM_CTT_Concelho’’ no Power Query ................. 33
Figura 13‐Criação da coluna .FullcodeFK nas duas tabelas .............................................................. 33
Figura 14‐Entidades referentes aos dados dos NUTS ...................................................................... 34
Figura 15‐Cardinalidade entre as tabelas ‘’DIM_Municipio_Atual‘’ e ‘’DIM_NUTS_III_Atual’’ ....... 35
Figura 16‐Modelo de Dados do Sistema no Power BI ...................................................................... 36
Figura 17‐Menu Inicial do Sistema ................................................................................................... 37
Figura 18‐ Relatório Postos Combustíveis ........................................................................................ 38
Figura 19‐Localização dos postos filtrados pelas diferentes regiões geográficas ............................ 39
Figura 20‐Relatório do volume de Vendas da Região de Aveiro ...................................................... 40
Figura 21‐ Relatório ‘’Vendas x Postos x Produtos’’ filtrado por NON OIL e Tabaco ....................... 41
Figura 22‐Volume de Vendas diário do mês de fevereiro de um determinado Posto ..................... 42
Figura 23‐Relatório Vendas x Clima ................................................................................................. 43
Figura 24‐Relatório Preço Combustíveis .......................................................................................... 44
Figura 25‐Área de trabalho ‘’Relatório Prio’’ ................................................................................... 45
Figura 26‐Membros com acesso à Área de Trabalho ....................................................................... 45
Lista de Tabelas Tabela 1‐Tipos de esquemas de Modelação Multidimensional (Golfarelli et al., 1998) .................. 16
Tabela 2‐Respostas ao Inquérito de Avaliação ................................................................................ 47
Lista de Abreviaturas, siglas e acrónimos BI – Business Intelligence
DAX – Data Analysis Expressions
DGEG – Direção Geral de Energia e Geologia
ERP – Enterprise Resource Planning
IT– Information Technology
KPI – Key Performance Indicators
SAD‐ Sistema de Apoio à Decisão
SI– Sistema de Informação
1
1. Introdução
Este documento tem como pressuposto apresentar o projeto desenvolvido no âmbito do
estágio curricular do Mestrado Integrado em Engenharia e Gestão Industrial na Universidade de
Aveiro, no departamento de Sistemas de Informação da Prio Energy, SA.
Este capítulo introdutório fornece uma visão geral do projeto, a motivação e contextualização,
sendo também apresentados os objetivos e a metodologia do mesmo, bem como a estrutura do
documento.
1.1. Motivação e Contextualização
Para se manter competitivo no mercado, ou mesmo para sobreviver, as organizações têm
de se transformar em organizações de conhecimento. Para tal, a transformação de informação em
conhecimento torna‐se num recurso imprescindível e numa das funções centrais de negócio de
uma empresa (Costa & Santos, 2012). Face a esta necessidade, as empresas precisam de
ferramentas que facilitem a aquisição, processamento e análise de grandes quantidades de dados
que estão dispersos pelos vários departamentos e áreas da organização (Ibrahim, Bhatti, & Waqas,
2014).
Surge neste contexto o conceito de Business Intelligence, que são ferramentas que
permitem integrar, tratar e transformar dados em informações úteis através da construção de
dashboards (painéis visuais de fácil interpretação). Estas ferramentas servem de apoio à decisão e
permitem aos analistas e gestores, tomarem decisões mais eficientes, assertivas e rápidas, o que
poderá vir a mostrar‐se importante (Chaudhuri, Dayal, & Narasayya, 2011).
O presente projeto foi desenvolvido na PRIO, empresa que atua no setor de distribuição e
comercialização de combustíveis líquidos, bem como na produção de biocombustíveis. Quanto a
este setor de atuação, trata‐se de um sector que tem e continuará a ter grande relevância para a
economia não só de Portugal, mas também a nível global. Insere‐se num mercado crescente e
extremamente competitivo, o que exige por parte da PRIO um constante investimento e adequação
da dinâmica competitiva (Pinto, Ramos, Novaes, Mattioli, & Dias, 2018). Apesar de jovem no
mercado, a empresa tem registado um crescimento notório em Portugal onde já detém uma das
maiores quotas do mercado, tendo como objetivo aumentar ainda mais o nível de crescimento. O
rápido crescimento da PRIO e dos seus postos de combustíveis nos últimos anos tem‐se traduzido
num aumento exponencial de dados e num grande fluxo de informação. Tendo em conta esse
crescimento, o processo de recolha, extração, tratamento e exposição de informação representa
uma tarefa árdua, mas que deverá ser feita para uma melhor gestão organizacional e perceção da
2
realidade ambiental, financeira, organizacional e do mercado onde está inserido.
É neste âmbito que surge o presente trabalho, que através de uma ferramenta de BI busca
desenvolver um projeto de Business Intelligence dos Postos da Prio Energy com base nas diferentes
regiões de Portugal que sirva de suporte para a tomada de decisão. A ferramenta utilizada no
desenvolvimento deste projeto é o Microsoft Power BI, ferramenta que permite tratar e analisar
dados de várias origens diferentes, de modo a criar e partilhar relatórios e dashboards interativos,
possibilitando assim, monitorar os resultados organizacionais (Ulag, 2019).
1.2. Objetivos e Metodologia
O objetivo principal do projeto consiste no desenvolvimento de um sistema de gestão de
informação e apoio à tomada de decisão estratégica e operacional. Este sistema será desenvolvido
com base numa ferramenta de Business Inteligence, de modo a construir um dashboard que
permita a visualização dos dados dos postos de combustíveis da PRIO.
Com o desenvolvimento deste projeto espera‐se elaborar um dashboard que permita visualizar e
monitorar dados dos Postos, das Vendas e dos produtos pelas diferentes regiões geográficas. O
dashboard deverá ser didático, intuitivo e reunir todos esses dados provenientes de diferentes
fontes.
Foi realizada uma observação da realidade do ambiente de trabalho e do departamento, o
que inclui uma análise do processo de Engenharia de Dados e um estudo da ferramenta de Business
Intelligence a ser utilizada, o Power BI, ferramenta desenvolvida pela Microsoft.
Na realização deste projeto foi ainda realizado um Enquadramento Teórico tendo como base os
conceitos relacionados com a temática do projeto, tais como Dados, Informação e Conhecimento,
Sistemas de Informação e Business Intelligence.
O desenvolvimento do sistema no Power BI foi inspirado na metodologia do Data Science
representada na figura 1.
Figura 1‐ Metodologia Data Science (Alumni, 2020)
A metodologia adotada para o desenvolvimento do projeto encontra‐se representada na figura 2.
3
Figura 2‐Metodologia aplicada no desenvolvimento do projeto
No processo de criação do sistema do projeto, o primeiro estágio passa pela Caracterização
do Problema. Nesta fase é identificado o problema, feita a proposta de solução e o levantamento
dos requisitos do sistema.
O segundo estágio passa pelo desenvolvimento do sistema que se inspira na metodologia
do Data Science. Nesta fase é feita a coleta, o carregamento dos dados para Power BI bem como o
tratamento desses dados onde serão eliminando os dados irrelevantes e tratados apenas os dados
importantes para o projeto. A seguir passar‐se‐á à modelação de dados, que consiste na construção
e estabelecimento da relação entre as entidades no Power BI. Posteriormente será construído o
dashboard de apresentação.
O último passo traduz‐se na validação do sistema. O sistema será disponibilizado na plataforma na
nuvem do Power BI para que os utilizadores tenham acesso. De seguida, o sistema é avaliado de
modo a garantir que os requisitos e a apresentação tenham alcançado os objetivos que levaram ao
seu desenvolvimento.
1.3. Estrutura do Documento
Este documento é composto pelos cinco capítulos principais:
O primeiro capítulo (o presente capítulo), tem como propósito enquadrar e descrever o
projeto desenvolvido. Neste capítulo é descrito a motivação e o contexto do trabalho, o objetivo
da sua realização, a metodologia adotada no projeto, bem como a estrutura do documento.
No segundo capítulo é feito um enquadramento teórico onde são abordados os principais
conceitos que suportam o projeto realizado. O objetivo deste capítulo é dar a conhecer os conceitos
e a importância dos Dados, Informação, Conhecimento; dos Sistemas de informação; e a
importância da utilização de ferramentas de Business Intelligence no contexto empresarial.
4
No terceiro capítulo é apresentada a organização onde foi realizado o estágio e
desenvolvido o projeto. Este capítulo divide‐se em duas partes, a primeira parte, onde são
apresentados a PRIO, o departamento de Sistemas de Informação e a área de Engenharia de Dados.
Na segunda parte procede‐se à contextualização do Problema, descrição da situação atual e a
proposta de solução.
No quarto capítulo são apresentadas e descritas todas as etapas do desenvolvimento do
sistema, desde o desenho da arquitetura do sistema, tratamento dos dados, modelação,
construção dos dashboard na ferramenta, partilha e disponibilização do dashboard e por fim, a
validação do sistema.
No quinto e último capítulo o objetivo passa por analisar criticamente o trabalho
desenvolvido, identificar as limitações e algumas sugestões de trabalho futuro.
5
2. Enquadramento teórico
Neste capítulo será feito um enquadramento teórico de modo a apresentar os conceitos e
fundamentos teóricos pertinentes para a compreensão do projeto. Serão abordados temas e
conceitos referentes aos Dados, Informação e Conhecimento, Sistemas de Informação e Business
Intelligence.
2.1. Dados, Informação e Conhecimento
Atualmente, tendo em conta a grande competitividade no mercado, as empresas têm dado
cada vez mais importância aos dados. Esse despertar para a importância dos dados tem levado com
que as empresas consigam extrair informações e adquirir conhecimentos que servem como
vantagem competitiva.
Os dados são o material bruto, a matéria‐prima proveniente tanto de bases de dados
internos como externos. Representam fatos, textos, números ou sinais, que uma vez processados
e transformados permitem extrair informação (Moresi, 2000).
Os dados para serem relevantes devem ser analisados de modo a fornecerem informações com
conotações ou benefícios diferentes dependendo do contexto. É imprescindível haver um
entendimento inicial para que haja uma conversão desses dados brutos em informações de fato
(Meski, Belkadi, Laroche, Ladj, & Furet, 2019).
Informações são dados que receberam significado por meio de conexão relacional, que
poderá ou não vir a ser útil (Jifa, 2013).
O Conhecimento é adquirido com a análise das informações, a avaliação sobre a sua
relevância e importância, ou seja, o conhecimento é obtido pela interpretação e integração de
vários dados e informações (Moresi, 2000). É com base no conhecimento adquirido que se detetam
tendências e problemas para a tomada de decisões.
Uma vez adquirido o conhecimento este é sintetizado de modo a obter novos
conhecimentos a partir do conhecimento anteriormente adquirido (Jifa, 2013).
Ao sintetizar o conhecimento poder‐se‐á chegar à inteligência, ou sabedoria o que permitirá às
organizações tomarem as melhores decisões a nível estratégico.
6
Figura 3‐Hierarquia da informação, adaptado de Moresi (2000)
No processo de tomada de decisão é importante conhecer e entender as quatro diferentes
hierarquias da informação: dados, informação, conhecimento e Sabedoria.
A figura 3 sintetiza essa hierarquia, sendo que na base encontram‐se os dados que após serem
processados passam a ser exibidos de uma forma clara e percetível aos utilizadores, transformando‐
se em informações. Ao serem transformados em informações é possível, através de análises, gerar
hipóteses, identificar tendências e padrões (Moresi, 2000).
Com a análise, o próximo nível é o conhecimento, fruto da interpretação e integração das
informações. Com base no conhecimento os tomadores de decisões buscam compreender
efetivamente a situação e a realidade da empresa. No entanto, o conhecimento não é suficiente, é
preciso que as empresas sintetizem esse conhecimento, saibam tirar proveito e atuar com
vantagem competitiva no ambiente empresarial. Esse último nível da hierarquia é a sabedoria ou
inteligência. Neste nível é possível fazer previsões de modo a antecipar eventos, mediante o
reconhecimento das consequências dos efeitos de uma decisão (Moresi, 2000).
2.1.1. Big Data
O conceito de Big Data é utilizado para descrever uma grande quantidade de dados que
possam vir a ser úteis na extração de informação, bem como também, os requisitos para o seu
armazenamento, gestão, análise e visualização (Rouse, 2014).
Segundo Abbass (2015), ‘’Os dados são o principal ativo deste século’’ .
Nos dias de hoje, as empresas que querem ganhar vantagem competitiva no mercado devem
encarar a recolha e armazenamento dos dados como um recurso imprescindível. Tal só é possível
devido à evolução e o desenvolvimento da informática e do grande aumento da atividade na
7
internet que proporcionou uma melhor compreensão do mercado, dos clientes, dos concorrentes
e até mesmo de si próprias (Abbass, 2015).
Um dos problemas do Big Data é saber como extrair informação dos dados, a competência
das empresas em processar enormes quantidades de dados atempadamente e a um custo
sustentável (Wang, Törngren, & Onori, 2015).
Segundo Shi‐Nash & Hardoon (2017) o Big Data é caracterizado pelos 4 V’s:
Volume ‐ corresponde a enorme quantidade de dados gerados, o que tem apresentado um
grande desafio no que toca ao seu armazenamento, processamento e gestão.
Velocidade ‐ Os dados são gerados em diferentes velocidades tornando‐se essencial o seu
processamento em (quase) tempo real a fim de maximizar o valor dos dados e tomar
decisões imediatas.
Variedade ‐ refere‐se à natureza heterogénea dos dados, ao crescimento dos dados
estruturados e não estruturados o que também coloca um grande desafio no
armazenamento de dados.
Veracidade ‐ esta característica relaciona‐se com a qualidade dos dados, já que os dados
são gerados em grandes volumes, em diversos formatos e alta velocidade fazendo com que
o grau de incerteza seja maior.
A falta de qualidade dos dados está relacionado com a comunicação, com aproximações e decisões
de arredondamento ou mesmo com a perceção dos dados (Abbass, 2015).
2.1.2. Data Science
Como já foi mencionado, atualmente vivemos numa era de dados que são produzidos em
enormes quantidades, volume e velocidades diferentes. Torna‐se urgente repensar como esses
dados são extraídos e analisados.
Os dados são recursos importantes que requerem a aplicação de métodos científicos na
coleta, extração e análise; traduzindo‐se assim na descoberta do conhecimento, o que permite às
empresas melhorar a gestão estratégica (Abbass, 2015). Esta necessidade tem sido reconhecida
cada vez mais pelas organizações, que têm dado mais ênfase à análise de dados e à decisões
estratégicas baseadas em dados (Chen, H.L.Chiang, & C. Storey, 2018).
Neste contexto, surge o conceito de Data Science, que está vinculado à capacidade de
decisão fundamentada em dados. Data Science trata‐se do estudo, processamento, descoberta de
padrões e tendências valiosas dos dados.
8
Data Science também é definido como uma metodologia de investigação científica utilizada
na compreensão dos fenômenos organizacionais, que consiste no estudo sistemático desde a
extração de dados ao conhecimento e tomada de decisões; possibilitando assim que as
organizações se tornem em organizações baseadas em dados (Rizk & Elragal, 2020).
O conhecimento que se visa obter através do Data Science refere‐se aos insights
(perceções) que podem ser feitas a partir da análise dos dados (Gregor, 2006).
Muitas das vezes esse conhecimento adquirido permite não só responder às questões previamente
postas, mas também chegar a conclusões inesperadas. A aplicação da metodologia do Data Science
tem como principal objetivo gerar conhecimento a partir dos dados e através da sua análise visa a
explicação e previsão. O conhecimento adquirido ajuda tanto a prever e a identificar tendências,
como também ajuda na melhoria da capacidade em explicar eventos passados, o que o torna
fundamental na tomada de decisão (Rizk & Elragal, 2020).
2.1.3. Qualidade dos Dados
Na indústria e no contexto empresarial , os dados gerados, além da grande quantidade,
muitas das vezes não são estruturados e nem têm relação direta entre si (Teixeira, Ferreira, &
Santos, 2019). A disposição de dados em grandes quantidades não é o mais importante uma vez
que o que realmente agrega valor às empresas é a capacidade desses dados serem usados, para
gerar informações relevantes que sirvam de suporte aos gestores de topo na tomada de decisão
(SAS, 2020).
Os dados têm assumido cada vez mais um papel importante para as empresas, no entanto
um dos grandes desafios está em determinar a qualidade desses dados.
A falta de qualidade dos dados pode influenciar e acarretar a tomadas de decisões erradas.
Determinar e avaliar a qualidade representa um dos principais desafios devido à diversidade de
fontes de dados e práticas de integração, e às dificuldades em fornecer avaliações de qualidade (Cai
& Zhu, 2015).
A qualidade dos dados inclui fatores como a precisão, a objetividade, segurança, relevância
e facilidade de acesso aos mesmos (Batini, Cappiello, Francalanci, & Maurino, 2009).
A qualidade dos dados depende do contexto em que são analisados, consoante os objetivos e
finalidades da informação a ser extraída, e não quanto às características intrínsecas dos dados em
si (Ilari, 2013). Isto é, um dado num determinado contexto pode não representar informação
importante, mas a sua análise num contexto diferente sobre um outro ponto de vista poderá
permitir tirar informações, identificar padrões que nesse contexto poderão ser de valor e levar ao
conhecimento.
9
Portanto, a qualidade desses dados e os cálculos realizados devem estar corretos pois são
fundamentais para que a tomada de decisão seja assertiva.
2.1.4. Tomada de Decisão
A tomada de decisão é extremamente importante nas organizações e está intrinsecamente
relacionada com a gestão de uma empresa. A decisão pode ser definida como o desenvolvimento
de um raciocínio de modo a escolher entre várias alternativas ou cursos de ação diferentes
(Hickson, Mintzberg, & Waters, 1990).
Segundo Freitas & Kladis (1995) as decisões dentro da organização podem ser classificadas em três
tipos:
Nível Operacional ‐ processo de tomada de decisão que assegura o bom funcionamento
das atividades operacionais. Este tipo de decisão normalmente resulta em respostas
rápidas, são decisões tomadas sobre processos rotineiros e cujo impacto são de curto
prazo.
Nível Tático – são decisões relacionadas com o controle administrativo utilizadas para
decidir sobre as operações de controle e formular novas regras de decisão. Este nível de
decisão requer informações sobre o funcionamento (normas e pressupostos), variações a
partir de um funcionamento planeado, a explicação destas e a análise das possibilidades de
decisão no curso das ações.
Nível Estratégica – são decisões cujo objetivo passa por planear o curso da organização e
desenvolver estratégias para que a organização seja capaz de atingir os seus macro
objetivos. São decisões de longo prazo.
Para que a tomada de decisão seja a melhor possível é importante ter em atenção, no momento de
decisão, um conhecimento prévio de sistemas de informação, capazes de fornecer dados e
informações que sirvam de base na tomada de decisão. No próximo subtópico será abordado o
conceito de Sistemas de Informação.
10
2.2. Sistemas de Informação
Um Sistema de Informação pode ser caracterizado como um conjunto de componentes que
coletam, processam, armazenam e distribuem informação no apoio à tomada de decisão e a gestão
numa organização (Kenneth & Jane, 2012).
Também podem ser definidos como redes complementares de hardware e software que as
pessoas e organizações utilizam para monitorar, processar, exibir e encontrar informações para
apoiar na tomada de decisão (Vilcahuamán & Rivas, 2017).
Sendo assim, os Sistemas de Informação são extremamente importantes na gestão e
permitem atender às demandas e necessidades dos diversos serviços e unidades da organização,
possibilitando a disponibilização de dados e o seu processamento de modo a gerar informação
(Guimarães & Évora, 2004).
Os Sistemas de Informação são desenvolvidos com o intuito de otimizar o fluxo de
informação, fomentar o processo de conhecimento e de tomada de decisão assertiva e eficiente.
Esses Sistemas devem fazer com que uma empresa consiga atingir as suas metas (Moresi, 2000).
De entre os Sistemas de Informação destacam‐se os Sistemas de Apoio à Decisão (SAD),
sistemas que ajudam e servem como suporte na tomada de decisão. Este tipo de Sistemas de
informação deve permitir ao utilizador visualizar os dados de modo a permitir ampliar o raciocínio
e identificar padrões, problemas e facilitar a tomada de decisão (Freitas, Kladis, Hoppen, & Becker,
1997).
Para a tomada de decisão os Sistemas de Informação possuem as seguintes características (Freitas
et al., 1997):
Somente recuperação de dados‐ O sistema apenas recupera dados de uma única base de
dados;
Recuperação e análise de dados‐ O sistema recupera informações de uma base de dados,
fazendo também a análise;
Análise de várias bases de dados – sistema o sistema recupera e analisa várias bases de
dados;
Avaliação de decisões utilizando modelos de cálculo. Sistema avalia as decisões por meio
de cálculos matemáticos e estatístico;
Avaliação de decisões utilizando modelos de simulação‐ sistema avalia as decisões por meio
de simulação de cenários futuros;
Proposta de decisão‐ sistema propõe alternativas de solução.
11
O que também torna os sistemas de informação importantes para as organizações é o
avanço das tecnologias de informação, da gestão tecnológica e o impacto que trazem ao negócio.
Os Sistemas de Informação ajudam não só os gestores, mas também todos os colaboradores na
visualização e análise de problemas, bem como na criação de novos produtos e serviços. A sua
utilização de forma eficaz requer uma compreensão da organização, gestão e tecnologia da
informação (Kenneth & Jane, 2012).
2.2.1. Desenvolvimento de um Sistema de Informação
Um Sistema de informação é desenvolvido com o intuito de solucionar problemas no
processo de organização da informação. Os problemas que levam ao desenvolvimento destes
sistemas surgem quando os gerentes e os restantes colaboradores da empresa percebem que a
gestão da informação não funciona tão bem como o esperado, ou quando a gestão de informação
deve ser melhorada (Kenneth & Jane, 2012).
Para que um sistema de informação seja eficaz e resolva os problemas o seu desenvolvimento de
deverá passar pelas seguintes etapas (Freitas et al., 1997):
Identificação e definição do problema ‐ a situação ou oportunidade de melhoria e
identificando os requisitos e objetivos do sistema;
Estudo de viabilidade‐ estudo da melhor tecnologia e recursos disponíveis para o sistema
que satisfaça as necessidades;
Conceção do sistema‐ definição dos dados bases de dados e a normalização (não
redundância) dos mesmos, especificação dos requisitos, fluxos e fontes de informação;
Validação – teste junto dos usuários quanto a satisfação dos requisitos e o funcionamento
do sistema.
Uma vez identificados os problemas, o desenvolvimento do sistema de informação passa por
diferentes etapas que consistem no levantamento de requisitos do sistema, projeto do sistema,
implementação, teste ou validação do mesmo de modo a garantir que o sistema satisfaça as
necessidades organizacionais (Kenneth & Jane, 2012).
12
2.2.2. Requisitos de um Sistema de Informação No processo de elaboração de um sistema de informação deve‐se ter em conta os
requisitos, os objetivos que este deverá atender ou cumprir. Os requisitos de um sistema de
informação podem ser definidos como as necessidades, propriedades ou pressupostos que um
sistema de informação deverá solucionar. O levantamento desses requisitos deverá ser feito
consoante as necessidades dos futuros utilizadores ou da organização (Booch, Rumbaugh, &
Jacobson, 1996).
Um Sistema de Informação, mais precisamente um Sistema de Apoio (SAD) deve ter como
requisitos básicos ajudar o tomador de decisão face aos problemas, facilitar a visualização dos
dados, combinar os modelos ou técnicas analíticas com os instrumentos de acesso aos dados, ser
user‐friendly, isto é, e ter uma interface de fácil utilização, interativo e ser acessível (Sprague &
Information, 2013).
Segundo Freitas & Kladis (1995) existem dois tipos de requisitos: ´
Requisitos funcionais‐ trata‐se da funcionalidade e os recursos do sistema. É o que satisfaz
as necessidades do utilizador e que possibilita a realização das suas tarefas. Estes requisitos
devem ser bem identificados para poder entender o que o sistema deve fazer e como deve
funcionar.
Requisitos Não funcionais‐ São requisitos que se relacionam com a qualidade geral do
sistema como por exemplo, o quão atrativo, útil, rápido e user‐friendly é o sistema. Estes
requisitos não alteram a essência da funcionalidade do sistema.
Para que um Sistema de Informação seja benéfico e agregue valor, ou seja, para que cumpra com
as necessidades da empresa (solução do problema) é necessário ter em atenção a participação dos
utilizadores no seu desenvolvimento e identificação dos problemas a serem resolvidos
(identificação dos requisitos) (Teixeira, 2002).
No desenvolvimento deste projeto, a identificação dos requisitos foi feita tendo em conta
uma análise da realidade de trabalho e levantamento dos requisitos junto da área de negócio dos
postos de combustíveis.
13
2.2.3. Validação de um Sistema de Informação
Os sistemas de informação desenvolvidos devem ser alvos de testes de validação para
verificar se o sistema vai de encontro com os resultados esperados e se satisfaz as necessidades da
empresa. Uma forma de validar um sistema de informação é através de testes de aceitação, testes
esses avaliados pelos utilizadores. Caso a avaliação por parte dos utilizadores seja positiva
considera‐se que o sistema atende às necessidades e o sistema é formalmente aceite para ser
utilizado (Kenneth & Jane, 2012).
Na validação do sistema desenvolvido neste projeto, o sistema foi disponibilizado à área de
negócio para que esses o pudessem utilizar e foi elaborado um questionário de modo a medir o
grau de aceitação do mesmo.
2.3. Business Intelligence
Ferramentas de Business Intelligence são ferramentas que possibilitam o acesso a dados de
diferentes bancos de dados, fazer consultas, construir relatórios e proceder a análises preditivas de
modo a extrair informação (Watson & Wixom, 2007).
São ferramentas que combinam a extração de dados, o armazenamento e a gestão de
conhecimento com a análise no auxílio à tomada de decisão (Negash & Gray, 2008).
O conceito de Business Intelligence foi utilizado por Luhn (1958) para definir um sistema de
automatização e disseminação de informações para diversos consumidores com o intuito de
facilitar e otimizar o processo de tomada de decisão.
As ferramentas de BI também permitem a visualização de relatórios através de dashboards,
painéis visuais que resumem grandes quantidade de dados tornando‐as fácil de visualização,
permitindo aos analistas fazer rápidas comparações de performance com Métricas de Negócio, KPIs
(Key performance Indicators) previamente identificados e definidos, aumentado assim a velocidade
e eficácia na tomada de decisões e na identificação de oportunidades de mercado (Microsoft,
2020c).
São ferramentas importantes pois servem de base sólida na descoberta de conhecimento
e no auxílio à tomada de decisão (Olszak & Ziemba, 2007).
As ferramentas de Business Intelligence podem também incorporar outras ferramentas,
aplicações e processos que possibilitam colecionar dados de diferentes sistemas e fontes (quer
internos e/ou externos). O desenvolvimento da tecnologia e informação e dos sistemas de
informação tem sido acompanhado do desenvolvimento de tecnologias de coleta de dados em
grandes quantidades (Liu, Wu, Sun, & Zhu, 2020).
14
As ferramentas de Business Intelligence relacionam‐se com os Sistemas de Informação,
principalmente os Sistemas de Apoio à Decisão, uma vez que estes sistemas se apoiam nas
ferramentas de BI para disponibilizar opções de resolução de problemas (Mundo+Tech, 2020).
Atualmente é necessária uma massificação da utilização das ferramentas de BI nas empresas por
parte dos trabalhadores e não deixar o seu uso restrito aos especialistas. A lacuna entre a análise e
a gestão de operações tem vindo a diminuir à medida que as ferramentas de BI passam a ser
utilizadas em diversos níveis de uma organização (Negash & Gray, 2008).
2.3.1. Modelação dos Dados e Modelação Multidimensional
Para que uma base de dados sirva de suporte a um Sistema de Informação é necessário
definir previamente o seu modelo de dados. O Modelo Entidade‐Relação (E‐R) trata‐se de uma
técnica utilizada na criação dos modelos de dados, que tem como objetivo auxiliar no desenho do
sistema e é representado graficamente por um diagrama de Entidade‐Relação (Abhijit A. Pol, 2007).
Um diagrama Entidade‐Relação (ER) é constituído por entidades, atributos e relações.
A entidade é um conjunto de objetos a qual se contém os dados, entidade esta que pode ser
representada como uma tabela. O atributo trata‐se da característica ou propriedade de uma
entidade, ou seja, são os diferentes itens de informação e representam os valores que vão ser
armazenados na Base de Dados. Os atributos são as colunas dentro da entidade (tabela).
Já a relação trata‐se da ligação entre as diferentes entidades que permite associar instâncias de
cada entidade (Abhijit A. Pol, 2007).
Na figura 4, do lado esquerdo está representada a entidade ‘’ DIM_Município_Atual’’ e os
seus respetivos atributos (.FullCodeFK, Codigo_Filho, Codigo_Pai e Nome_Municipio_Atual). A
entidade corresponde a uma tabela (representado do lado direito da figura) e cada atributo
corresponde a uma coluna da tabela, sendo que cada linha corresponde a um registo, a um dado.
15
Figura 4‐Entidade ‘’DIM_Municipio_Atual’’ e os seus atributos
Torna‐se também importante falar do conceito de cardinalidade, que consiste no número
de instâncias (registos) de uma entidade, que podem ser associadas a uma instância de outra
entidade. Essa relação pode ser de Um‐para‐Um, Um‐para‐Muitos (e Vice‐Versa) e Muitos‐para‐
Muitos (Abhijit A. Pol, 2007).
Na figura 5 encontra‐se representada uma relação entre duas entidades, a entidade ‘’
DIM_Município_Atual’’ que contém os códigos e nomes de cada município, e a entidade ‘’
DIM_CTT_CP’’ que contém os códigos postais de todo o país. No exemplo da figura 5 a cardinalidade
é de Um‐para‐Muitos, isto quer dizer que, para cada Município existem muitos códigos postais, no
entanto, cada código postal corresponde a um único município.
Figura 5‐Representação da relação entre duas entidades
Posto isto, podemos definir a modelação de dados como a relação estabelecida entre
diferentes entidades ou tabelas de dados. Esta relação é feita através de chaves primárias e
estrangeiras de modo a que haja interligação e conexão lógica entre as diferentes entidades
(Microsoft, 2019).
16
Chave primária é o atributo identificador da tabela/entidade em questão. Cada tabela possui uma
chave primária que serve para diferenciar uma linha das outras linhas dessa tabela. Essa chave
primária corresponde a uma coluna que a identifica, sendo que cada linha dessa coluna
corresponde a um registo da tabela.
Chave estrangeira é a coluna que permite fazer a ligação entre as diferentes tabelas, trata‐se da
chave primária de uma outra tabela (Rodrigues, Campos, Marcelo, Carvalho, & Veiga, 1996).
Um outro conceito a ser abordado é o da Modelação Multidimensional que tem como
objetivos, produzir estruturas de banco de dados que sejam fáceis de se entender, escrever e
maximizar a eficiência das consultas. A Modelação Dimensional permite minimizar o número de
tabelas e das relações, isto é, reduz a complexidade do banco de dados e minimiza o número de
relações necessárias (Moody & Kortink, 2000).
Um modelo de dados consiste em três elementos, fatos, dimensões e medida. Os fatos são
os objetos, eventos ou processos que se pretende ser analisados (vendas, compras, preços).
Dimensões são usadas para caracterizar os eventos representados pelos fatos (dimensão tempo,
dimensão produto, dimensão geográfica). As dimensões podem ser agrupadas em diferentes níveis
de hierarquias (Ano, mês, dia; país, distrito, cidade). Já as medidas representam propriedade
numérica dos fatos alvo de análise (Golfarelli, Maio, & Rizzi, 1998).
Tabela 1‐Tipos de esquemas de Modelação Multidimensional (Golfarelli et al., 1998)
Tipo de Esquema Características
Star Schema Estrutura básica, constituída por uma tabela fato e algumas
tabelas auxiliares sendo uma por cada dimensão.
Snowflake Schema Equivalente ao Star Schema mas mais complexo, formada
por tabelas dimensão com diferentes níveis de hierarquia.
Constellation Schema Esquema muito mais complexo, nível hierárquico maior,
formado por duas ou mais tabelas fatos.
O esquema de modelação multidimensional deve ser devidamente organizado de modo a facilitar
a leitura do fluxo de informação e as relações entre as tabelas.
17
2.3.2. Interação Humano‐Computador, Acessibilidade e Visualização dos dados
O objetivo deste subtópico é abordar o conceito de Interação Humano‐Computador,
Acessibilidade e demonstrar a importância da visualização e exposição de dados através de um
dashboard, um painel visual que possibilita a visualização de dados através de um conjunto de
tabelas, gráficos e mapas.
A Interação Humano‐Computador (IHC) trata‐se da interação entre o homem e o sistema
de informação, bem como a utilização de tecnologia informática entre os utilizadores e
computadores.
Essa interação só é possível devido à interface, que permite executar todas as tarefas. Logo é
importante que a interface seja de fácil utilização e que consiga atender as expectativas e
necessidades de todos os utilizadores. A interface deve proporcionar a melhor experiência para que
estes consigam extrair a informação da melhor forma e deve ser acessível aos utilizadores (Pinho,
2016).
A Acessibilidade do sistema de informação refere‐se às condições e possibilidades de
alcance do mesmo para que este possa ser utilizado de forma segura e permita que qualquer
utilizador consiga usufruir de todos os benefícios do sistema (Pinho, 2016).
Quanto à visualização dos dados, tem‐se mostrado vital não só para apresentar
informações essenciais de vastas quantidades de dados, mas também para conduzir a análises
complexas. A exposição de informações através de um dashboard interativo e didático pode reduzir
o tempo de procura e análise de uma determinada informação de modo a otimizar o tempo de
tomada de decisão (Aparicia & Costa, 2017).
Os dashboards são visualizações de informações gráficas que ajudam na interpretação de dados
complexos, os estímulos visuais têm forte efeito sobre os indivíduos, auxiliando na tomada de
decisão (Negrut, 2014).
O uso de cores na visualização de dados ajuda a interpretar e a destacar as informações mais
relevantes. Trata‐se de uma forma de simplificar a comunicação de exposição da informação
permitindo assim, monitorar as atividades, identificar tendências, entender a realidade da empresa
e o posicionamento desta no mercado (Aparicia & Costa, 2017).
Os dados podem ser representados em diferentes formatos e comunicar diferentes
informações. A elaboração de um dashboard requer não apenas a seleção do conteúdo apropriado,
mas também a melhor forma de a exibir (Meski et al., 2019).
A visualização de dados acompanhado da análise serve como engrenagem da transformação de
algo bruto em algo de valor, ou seja, é a conversão dos dados em informações, permitindo que os
tomadores de decisão criem um conhecimento sobre o estado da empresa (Surbakti & Ta’A, 2017).
18
Em suma, a IHC, a Acessibilidade e a Visualização dos Dados de um Sistema de Informação devem
ser eficientes (não apresentar problemas nem dificuldades), facultar informação de forma clara e
compreensível e ser esteticamente agradável.
2.3.3. Power BI
O Power BI é uma ferramenta de Business Intelligence da Microsoft que permite carregar
dados de várias origens diferentes, transformar dados não relacionados em informações coerentes,
visualmente envolventes, interativas através da criação de dashboards e relatórios didáticos para a
análise em tempo real (Microsoft, 2020b).
A ferramenta permite conectar‐se a várias bases de dados diferentes, exibir uma visualização dos
dados de forma atraente permitindo ao utilizador criar as suas próprias análises e soluções.
O Power BI oferece três plataformas de software tais como Power BI Desktop, Power BI
Service e o Power BI Mobile. O Power BI Desktop é a ferramenta de trabalho, a plataforma de
desenvolvedor que permite fazer todo o processo de coleta, transformação e tratamentos de
dados, bem como construir o dashboard.
O Power BI Service é uma plataforma online, o serviço cloud (nuvem) para partilha e
armazenamento de dashboards permitindo também criar formas de visualização dos dashboards.
Outro serviço é o Power BI Mobile que torna possível o acesso ao material do Power BI Service em
qualquer dispositivo, com aplicações móveis do BI nativas para Windows, iOS e Android (Microsoft,
2020b).
Figura 6‐Arquitetura do Power BI (Data Flair, 2020)
19
Através da figura 6 é possível perceber o funcionamento da ferramenta do Power BI, desde a
preparação dos dados, ao processo de extração, transformação desses dados e posterior
construção e partilha do dashboard para análise e tomada de decisão.
O Power BI além de permitir criar relatórios de visualização de dados bastantes interativos
e atraentes permite uma grande acessibilidade e compartilhamento desses relatórios no serviço
cloud, o Power BI Service.
20
21
3. Apresentação da Organização e Caracterização do Problema
Neste capítulo será feita uma apresentação da empresa, do Departamento de Sistemas de
Informação e da Área de Engenharia de Dados para uma melhor compreensão e contextualização
do problema e do desenvolvimento do Projeto.
3.1. Grupo Prio
A PRIO é um grupo composto por empresas que atuam no ramo da distribuição,
comercialização de combustíveis líquidos e na produção de biocombustíveis fundada em 2006. Tem
como missão produzir e fornecer energia para mover pessoas, fornecer energias inovadoras,
acessíveis e seguras contribuindo assim, para um mundo mais eficiente e sustentável (PRIO, 2020).
Quanto à produção de biodiesel a partir de matérias‐primas residuais, atualmente a PRIO é a maior
produtora de biocombustíveis em Portugal e a terceira a nível europeu.
A empresa foi comprada recentemente pelo grupo Disa, representante da Shell no mercado
ibérico, que também atua no setor de distribuição e comercialização de combustíveis. Apesar da
venda, todas as atividades que a PRIO tem vindo a desenvolver ao longo dos anos continuarão a
ser desenvolvidos, uma vez que, a Disa assumiu os compromissos contratuais vigentes com todos
os clientes e fornecedores. Mesmo tratando‐se de uma empresa fundada há poucos anos,
atualmente a PRIO tem uma taxa de representatividade de 10% da quota do mercado em que está
inserido.
A PRIO tem receitas na ordem dos 1,2 mil milhões de euros e tem vindo a verificar, ao longo dos
anos, um crescimento exponencial em todas as áreas de negócio. O grupo PRIO é constituído pela
Prio Energy, a Prio Bio, e a Prio Supply, que cuidam das sete principais áreas de negócio: Vendas
Direta, Rede de Postos PRIO, Gás, Lubrificantes, Mobilidade Elétrica, Prio Supply e Fábrica de
Biodiesel. A Prio Energy, S.A está encarregue do crescimento do grupo, pela gestão dos postos de
combustíveis bem como dos clientes. A Prio Bio, S.A tem como principal atividade a produção de
biocombustíveis a partir da reciclagem de materiais residuais que na sua grande maioria é derivado
de óleos alimentares usados. Já a Prio Supply, S.A é responsável por toda a logística desde as
compras e contratos como também dos transportes, planeamento de rotas e gestão de stocks
(PRIO, 2020).
Com cerca de 750 colaboradores, a PRIO conta com uma rede de mais de 240 postos de
combustível e também possui um parque de tanques localizado no terminal de granéis líquidos do
Porto de Aveiro, na Gafanha da Nazaré.
22
A Rede de postos de combustíveis da PRIO divide‐se em quatro tipologias de Postos: COCO, CODO,
DODO E DOCO.
Os postos COCO‐ Company Owned, Company Operated, designados de postos próprios, são postos
que pertencem e são geridos diretamente pela PRIO. Toda a infraestrutura, bens, funcionários e
operações está sob a responsabilidade da PRIO.
Postos CODO‐ Company Owned, Dealership Operated, pertencem a PRIO mas são explorados por
terceiros. A PRIO responsabiliza‐se pelos bens, operações, mas a infraestrutura e funcionários são
da responsabilidade do parceiro de negócio que explora o posto.
Postos DODO‐ Dealership Owned, Dealer Operated da PRIO, também chamados de
“embandeirados’’ são postos em que o dono do espaço é que se responsabiliza pela estrutura de
negócio. Esses postos utilizam apenas a imagem e compram o combustível da PRIO.
Postos DOCO‐ Dealership Owned, Company Operated. Pertencem a terceiros, mas a PRIO é
responsável pela gestão, bens, funcionários e operações dos postos.
Além de combustíveis, os postos da PRIO vendem outros produtos e serviços tais como gás
engarrafado, lubrificantes sendo que, alguns postos também dispõem de lojas de conveniência,
chamados de ‘HIPER MINI MARKET’, serviço de lavagem automóvel ‘Maxi Micro Wash’ e vendas de
medicamentos nas ‘PRIOPharma’ (PRIO, 2020).
O presente projeto foi realizado mais concretamente na Prio Energy, S.A cuja sede está
situada no Porto de Aveiro, na Gafanha da Nazaré e os escritórios estão localizados em Aveiro.
A distribuição dos combustíveis é feita para a Rede de Postos, postos de abastecimentos próprios
da PRIO.
3.1.1. Departamento de Sistemas de Informação
No decorrer dos anos verificou‐se uma grande expansão da PRIO, o que exigiu uma rápida
resposta e adaptação por parte dos seus diferentes departamentos, de modo a conseguirem dar
vazão aos novos desafios. Esse crescimento traduziu‐se num aumento ainda maior do fluxo de
informação das áreas de negócio.
Para dar continuidade a esta dinâmica, o departamento de Sistema de informação da PRIO
desempenha um papel muito importante na gestão dos sistemas e da infraestrutura, no fluxo e
disponibilização de informação, no suporte do sistema de informação e recursos informáticos, bem
como no levantamento das necessidades informacionais dos decisores.
Quanto ao fluxo de informação, o departamento de Sistemas de Informação responsabiliza‐
se pela gestão, coleta e obtenção dos dados, pela análise dos dados transformando‐os em
23
informação e, pela distribuição da informação de acordo com as necessidades dos tomadores de
decisão (Guimarães & Évora, 2004). O departamento de SI também é responsável pelo bom
funcionamento de todas as infraestruturas, materiais e recursos informáticos da PRIO.
Este departamento subdivide‐se em diferentes áreas de atuação como se pode verificar abaixo:
Na figura em cima está ilustrado os diferentes departamentos sendo que o foco está no
departamento de SI da Prio Energy que se divide em 6 áreas diferentes de atuação:
Retail (B2C), Área responsável pelos postos de combustíveis da PRIO e toda a comunicação,
coleta e armazenamento de dados destes com o ERP SAP.
Área de SAP, responsável pelo bom funcionamento do ERP SAP, o Sistema de gestão da
informação na PRIO.
Infraestrutura, Área responsável por todo material informático e pelo service Desk da PRIO.
Área de Engenharia de Dados, área responsável pelo tratamento e transformação de dados
em informação através de ferramentas de Business Intelligence.
PMO e Gestão de projeto, área responsável pela gestão dos projetos do departamento.
Área de Aplicações de Negócio (B2B), gerem todas as aplicações de negócio da PRIO.
Posto isto, no próximo subcapítulo será apresentada a área de Engenharia de Dados, área onde foi
realizado o projeto.
Figura 7‐Departamentos da Prio Energy e áreas do departamento de SI
24
3.1.2. Área de Engenharia de Dados na PRIO
A Engenharia de Dados é uma área recente que surgiu da necessidade e da importância
que a PRIO dá a uma boa gestão do fluxo de informação e tratamento do mesmo para a aquisição
de conhecimento. É a área do Departamento de Sistemas da PRIO responsável pela extração dos
dados do banco de dados, tratamento dos mesmos para a construção de relatórios e dashboards
interativos, de modo a facilitar a visualização da informação que poderá vir a servir como base
sólida para tomada de decisão por parte dos gestores de topo. Esta extração, tratamento de dados
e construção de dashboards é feito através do uso de ferramentas de Business Intelligence.
Antes do surgimento da área de Engenharia de Dados não havia uma arquitetura de dados
na PRIO, os dados eram extraídos diretamente do SAP ou de outras fontes de base de dados, sem
que houvesse nenhuma ferramenta ou processo que conseguisse agregar e otimizar o tratamento,
fluxo e exposição da informação, que fosse didática e de fácil visualização.
Anteriormente muitos dos dados eram extraídos em formatos de arquivos de Excel diretamente do
ERP SAP (o sistema de gestão de informação), sendo que a partilha desses dados eram muitas vezes
feitas por email ou pelo SharePoint, uma plataforma em nuvem da Microsoft.
A área de Engenharia de Dados implementou e passou a usar ferramentas de Business
Intelligence, mais precisamente o Power BI, ferramenta de BI desenvolvida pela Microsoft.
Com a implementação da ferramenta desenhou‐se a arquitetura de dados, que visa descrever o
processo de extração, partilha, fluxo de dados e exposição da informação através de dashboards.
Figura 8‐Arquitetura de dados da Área de Engenharia de dados
25
Cerca de 60% dos dados vem de SAP, um sistema ERP (Enterprise Resource Planning) de
gestão de informação que gere toda a base de dados e informação da PRIO. O restante vem de
diversas fontes de dados como o MySQL, SOLServer, ou de fontes externas à empresa.
O Analyzer é a interface entre o utilizador e o SAP, mas também é possível aceder ao SAP com o
Power BI. Os dados podem ser extraídos de SAP para o SAP OPENHUB, um serviço do SAP Business
Warehouse (SAP BW) que permite o fornecimento controlado e seguro de dados SAP de alta
qualidade para sistemas e aplicações (SAP, 2015).
O SAP BW recebe dados do SAP e os apresenta num formato mais atrativo e user‐friendly
ao utilizador. O SAP OPENHUB faz a ponte para o Power BI, que consegue aceder e criar um
dataflow ou um datalake, que são fluxos de dados criados e geridos pelo Power BI Service
diretamente no navegador (Microsoft, 2018).
O Power BI Service também consegue aceder aos dados de diferentes bases de dados que
não sejam o SAP. Por exemplo: os postos da PRIO carregam os dados para o IPaas Orchestrator,
uma plataforma mais segura, que depois alimenta o SAP com esses dados.
Esses Dataflows a seguir são importados para o Power BI Desktop onde os dados serão tratados e
modelados para a construção do dashboard. O dashboard poderá ser partilhado no Power BI
Service em áreas de trabalhos, onde serão dados os acessos aos utilizadores.
O Power BI é a ferramenta de Business Inteligence escolhida pela PRIO uma vez que além
de agregar, otimizar e partilhar os dados, tem como grande vantagem o facto de ser compatível
com as restantes ferramentas e base de dados da Microsoft.
3.2. Contextualização e Caracterização do Problema
Atualmente a informação passou a ser tratada como um capital precioso, comparável aos
recursos de produção, materiais e financeiros. A informação é considerada como um recurso chave
de competitividade, diferenciação e lucratividade no mercado (Moresi, 2000).
As organizações preocupam‐se não somente com o controle da produção de bens e serviços, mas
também em se tornarem organizações de conhecimento baseadas em dados, na tecnologia e no
consumo. O modo como é feita a extração da informação, organização, gravação, recuperação e
posterior utilização, poderá permitir aos gestores de topo tomar decisões mais seguras,
aumentando assim a probabilidade de acerto (Guimarães & Évora, 2004).
Para atender à constante procura de conhecimento, a PRIO pretende ter uma plataforma
que permita analisar os dados das vendas dos seus diversos postos de combustíveis de modo a
conseguirem realizar uma monitorização e poderem adotar medidas estratégicas.
26
E é com o objetivo de se tornar numa organização de conhecimento que a PRIO tenciona,
através da ferramenta de Business Intelligence, conseguir extrair, transformar os dados que tem à
disposição de modo a retirar informações relevantes das vendas dos seus postos de combustíveis.
Pretende‐se utilizar a ferramenta de Business Intelligence para criar um dashboard que permita
visualizar as informações de forma resumida e percetível.
Com base nesse dashboard será possível fazer uma monitorização das vendas, extrair informações
para uma posterior análise, o que poderá vir a ser extremamente relevante na aquisição de
conhecimento.
É neste âmbito que surge o presente relatório e projeto de Business Intelligence dos Postos
Prio Energy. A ferramenta a ser utilizada como solução de Sistema de Informação no projeto será o
Microsoft Power BI. Conforme já explicado no capítulo 2, a solução de Business Intelligence deve
ser capaz de capturar, monitorar e exibir informações de modo a dar suporte aos gestores e
tomadores de decisão.
A ideia subjacente é depois publicar o dashboard no Power BI Service e partilhá‐lo junto da
área de negócio, com o intuito de ser visualizado por vários gestores e utilizadores em simultâneo.
3.2.1. Situação Atual
Atualmente, todos os dados referentes aos postos de combustíveis, disponíveis no ERP SAP,
estão sob a responsabilidade da área de negócios que gere os postos.
Esses dados são extraídos na sua grande maioria em formatos de arquivos de Excel diretamente do
ERP SAP, dados estes que estão na sua forma bruta. A área de negócio faz o tratamento e exposição
dos relatórios em arquivos Excel, depois estes são partilhados por email ou numa plataforma na
nuvem da Microsoft que é o SharePoint para serem alvos de análise.
Alguns problemas chamaram a atenção tais como:
Enorme quantidade de ficheiros e dados na sua forma bruta;
Excesso de dados, dados redundantes e desorganizados o que exige um esforço enorme na
análise dos arquivos;
Excesso de trabalho manual sendo que todo o procedimento poderia ser automatizado;
Partilha pouco eficiente desses ficheiros;
Visualização desinteressante dos dados;
Seria útil ter um sistema de gestão que permitisse o acesso dos dados sempre atualizados.
Este sistema deverá ter como base uma ferramenta que permita agregar todo o processo de coleta,
27
extração, transformação e exposição através de um dashboard fácil, didático e visualmente
interativo. Também seria pertinente que o sistema desenvolvido fosse disponível na nuvem, serviço
cloud acessível por qualquer PC ou dispositivo móvel, de modo a facilitar e otimizar o fluxo de
informação na empresa.
3.2.2. Proposta de Solução
Depois de observada a atual situação e identificado os problemas, a proposta de solução
consiste em desenvolver um sistema de gestão de informação com base numa ferramenta de
Business Intelligence, que visa servir como suporte à tomada de decisão. A Ferramenta de Business
Intelligence a ser utilizada é o Power BI, ferramenta esta que, como já foi referido anteriormente,
foi implementada recentemente na PRIO aquando do surgimento da nova área de Engenharia de
Dados.
A proposta visa melhorar e facilitar a acessibilidade, a distribuição e a monitorização das
informações referentes aos postos de combustíveis. Através do dashboard será possível monitorar
e acompanhar informações relevantes das vendas nos postos de combustíveis da PRIO.
De modo a compreender e identificar os problemas atuais no que toca ao fluxo de informação dos
dados dos postos, foi agendado uma reunião com a área de negócio por forma a identificar, fazer
o levantamento dos requisitos e objetivos que o sistema deverá cumprir.
Foram então definidos que o sistema deverá cumprir com os seguintes requisitos funcionais:
1. O Sistema deverá garantir uma visão geral dos postos pelas diferentes regiões geográficas
de Portugal;
2. Garantir uma visão geral das informações dos Postos tais como a localização, código postal,
serviços e ID;
3. Histórico de vendas por produtos, por Postos, região e data;
4. O volume de vendas deve ser filtrável por região, posto, produto e por tipologia de produto
(OIL e NON OIL) e data;
5. Histórico de vendas pelo Clima;
6. Os dados das vendas deverão ser atualizados a partir do ERP SAP;
7. Visualizar o histórico dos preços de combustível ao longo do tempo;
28
Quanto aos requisitos não funcionais:
1. O dashboard deverá ser agradável, intuitivo e user‐friendly;
2. O Sistema deverá ser de fácil distribuição, acesso e ter um relatório visualmente interativo;
3. O dashboard deverá ter uma formatação apelativa e possuir gráficos que ajudem na análise
dos dados;
4. A informação deverá estar sintetizada e organizada de modo que o utilizador não precise
de percorrer muitas páginas para conseguir visualizar a informação que se pretende;
O Relatório poderá ser distribuído e o acesso disponibilizado para diferentes utilizadores, desde a
área de negócios responsável pelos postos, analistas, aos gestores de topo.
Uma vez feita a análise da situação atual, identificados os problemas e apresentada uma proposta
de solução, torna‐se importante desenvolver a proposta de solução.
29
4. Proposta de Solução: Projeto de Business Intelligence com base no Power BI como suporte à tomada de decisão.
Neste capítulo serão apresentadas e descritas as etapas no desenvolvimento da solução
proposta bem como os resultados do mesmo. Também é explicado como foi feita a disponibilização
e compartilhamento dos relatórios, bem com a validação do sistema desenvolvido.
4.1. Sistema de Suporte a tomada de decisão com base no Power BI
Neste subcapítulo serão apresentadas e descritas todas as etapas no desenvolvimento do
sistema, desde o desenho da arquitetura do Sistema, extração, carregamento, tratamento desses
dados, a modelação na ferramenta até a construção do dashboard.
4.1.1. Arquitetura do Sistema
A primeira etapa no desenvolvimento do sistema de suporte à tomada de decisão, que
permita uma integração e gestão de informação, trata‐se do desenho da arquitetura do sistema de
modo a melhor perceber a origem e o fluxo de dados (De La Vara, Sánchez, & Pastor, 2008).
A arquitetura do sistema deve ser feita com base nos requisitos, inerentes aos objetivos que se
esperam atingir de modo a mostrar a origem e o fluxo de dados.
Tendo por base os requisitos passou‐se então ao desenho do sistema de suporte à tomada de
decisão como se pode ver na figura 9.
Figura 9‐Arquitetura de dados do Sistema
30
Os dados que alimentaram o sistema têm como fonte interna de dados o SAP, uma
plataforma de ERP que além de gerir toda a informação, regista e guarda constantemente dados
atualizados.
Além de dados internos, o sistema também será alimentado com dados de fontes externas, que
são o caso dos sites da PORDATA, dos CTT (Correios de Portugal) e do The Weather Channel.
Os dados internos deste sistema referem‐se aos dados das vendas, dados dos postos, dados
dos materiais(produtos) e dados das vendas registados no SAP.
Já os dados externos referem‐se aos dados dos CTT que contém os códigos postais, dados da
PORDATA que contém dados geográficos dos diferentes NUTS e dados do estado do clima
provenientes do site The Weather Channel.
NUTS, acrónimo de ‘’Nomenclatura das Unidades Territoriais para Fins Estatísticos’’, um sistema
hierárquico de divisão do território em regiões. Esta nomenclatura divide‐se em 3 níveis (NUTS I,
NUTS II E NUTS III), definidos de acordo com critérios populacionais, administrativos e geográficos
(PORDATA, 2013).
Os dados extraídos em bruto são carregados para a ferramenta do Power BI através de
dataflows, seguidamente esses dados serão tratados, modelados e por fim, a construção do
dashboard. Aquando da finalização do dashboard, este será partilhado no Power BI Service e será
dado a autorização de acesso aos utilizadores que farão uso do sistema. Os dados apresentados no
dashboard poderão ser atualizados sempre que os mesmos forem atualizados na fonte de dados.
4.1.2. Extração, Carregamento e Tratamento dos Dados no Power BI
Após a elaboração da arquitetura de dados, foram gerados e disponibilizados dados no
Power BI Service que depois foram carregados para o Power BI Desktop.
Esses dados são partilhados no serviço do Power BI service, no workspace da PRIO em formato de
dataflows, um conjunto de dados na forma de entidades/tabelas criadas e geridas no Power BI
Service. Ao ter acesso ao dataflow é possível editar as entidades/tabelas, bem como gerir a agenda
de atualização diretamente no workspace onde foi criado (Microsoft, 2020a).
De seguida fez‐se a importação desse dataflow para o Power BI desktop, como é demonstrado na
figura 10.
31
Figura 10‐Carregamento dos dataflows para o Power BI
Uma vez carregados os dados no Power BI desktop, esses dados devem ser tratados no
Power Query utilizando o recurso Power Query M, uma funcionalidade que permite filtrar,
combinar e editar dados de diferentes origens (Microsoft, 2021).
A linguagem M é uma linha de código escrita em blocos (let e in) e mais alguns outros recursos da
linguagem. Na figura 11 encontra‐se representada a janela do Power Query.
Figura 11‐Power Query de uma das dimensões do projeto
32
Além do Power Query M os dados também podem ser trabalhados utilizando o DAX (Data
Analysis Expressions), uma linguagem que permite utilizar e criar funções e fórmulas muito
semelhantes às fórmulas utilizadas no Excel. Permite além de criar medidas e funções, também
realizar cálculos e consultas avançados em dados e colunas relacionadas (DATAB, 2020).
Recorreu‐se ao DAX a fim de criar métricas para o relatório final que demonstrassem resultados de
cálculos realizados sobres os dados.
Nesta etapa também foi feita uma classificação dos dados de cada coluna de cada tabela
(variável tipo número inteiro, decimal, texto, data, etc.). Esta classificação é importante uma vez
que nem sempre as colunas vêm da base de dados devidamente classificadas, ou podem não vir
identificadas da forma que se quer para o sistema em desenvolvimento.
Após esta etapa passou‐se à modelação dos dados, ou seja, ao estabelecimento das relações entre
as diferentes entidades/tabelas provenientes de diferentes bases de dados.
4.1.3. Modelação dos Dados no Power BI
Neste subcapítulo, o objetivo é mostrar como foi feita a modulação dos dados das
diferentes entidades. De modo a não expor informações contidas nas entidades internas da PRIO,
os exemplos da modelação são referentes às entidades geográficas.
Depois de fazer o tratamento dos dados há que relacionar as tabelas através da modelação
de dados. A modelação desses dados irá permitir ao utilizador agrupar, resumir e filtrar os dados
das diferentes bases de dados de forma interativa.
O sistema conta com dados internos (referentes às entidades Posto, Consumo, Materiais e
Preços), dados estes que são provenientes do ERP SAP e poderão ser sempre atualizados; e dados
de origem externa (entidades geográficas, dos CTT (correios de Portugal) e do Clima).
Nos dados internos da PRIO provenientes do ERP SAP, o Power BI consegue na maioria dos
casos estabelecer relações de forma automática entre as diferentes entidades uma vez que estas
possuem colunas em comum.
No entanto, para estabelecer relações nos dados de origens diferentes (origem interno e externo à
PRIO) o Power BI poderá não detetar essas relações de forma direta o que implicará a utilização do
Power Query de modo a editar e acrescentar colunas e assim, relacionar as entidades.
Tal acontece por exemplo entre as entidades referentes aos NUTS (dados das entidades
geográficas) com a entidade dos Postos. Neste caso o Power BI não consegue detetar e estabelecer
a relação de forma automática.
A Tabela ‘’DIM_CTT_CP’’ contém os códigos postais de todos os distritos, concelhos e
localidades em Portugal. A tabela ‘’DIM_CTT_CP’ relaciona‐se com a tabela ‘’DIM_Postos’’ através
33
do código postal, sendo que a coluna ‘’.COD.POSTAL’’ corresponde a coluna ‘’.PostalCODEDGEG’’
na tabela ‘’DIM_Postos’’.
Os últimos quatro algarismos da coluna ‘’codigo_Filho’’ na tabela ‘’DIM_Municipio_Atual‘’
correspondem às coluna ‘’CD_Distrito’’ e ‘’CD_Concelho’’ da tabela ‘’DIM_CTT_Concelho’’. Destes
quatro últimos algarismos, os dois primeiros correspondem ao ‘’CD_Distrito’’ e os dois últimos ao
‘’CD_Concelho’’.
Tal é demonstrado na figura 12 em que é possível visualizar uma parte da tabela
‘’DIM_Municipio_Atual‘’ e na parte inferior da figura a tabela ‘’DIM_CTT_Concelho’’.
Figura 12‐Tabelas ‘’DIM_Municipio_Atual‘’ e ‘’DIM_CTT_Concelho’’ no Power Query
Posto isto, criou‐se uma coluna calculada nas tabelas ‘’DIM_Municipio_Atual‘’,
‘’DIM_CTT_Concelho‘’ e na tabela ’’DIM_Postos’’ denominada de ‘’.FullcodeFK’’ . Na tabela
‘’DIM_Municipio_Atual‘’ a coluna ‘’.FullcodeFK’’ corresponde aos últimos quatro algarismos da
coluna ‘’codigo_Filho’’ , já na tabela ‘’DIM_CTT_Concelho’’ a coluna ‘’.FullcodeFK’’ corresponde a
junção das colunas ’CD_Distrito’’ e ‘’CD_Concelho’’ . Feito isto foi possível ter colunas em comum
e estabelecer relações entre as tabelas ‘’DIM_Municipio_Atual‘’ e ‘’DIM_CTT_Concelho’’. A coluna
‘’.FullcodeFK’’ é o atributo que identifica cada Município. A figura 13 demonstra a criação da
coluna ‘’.FullcodeFK’’ nas duas tabelas mencionadas anteriormente.
Figura 13‐Criação da coluna .FullcodeFK nas duas tabelas
34
Com a relação entre as entidades geográficas e a dos Postos é possível criar um mapa
com as localizações dos postos e hierarquizar esses postos pelas diferentes regiões geográficas.
Sempre que se pretende relacionar tabelas que à partida não possuem colunas em comum o
procedimento passa sempre pela utilização do Power Query. Tal ocorre muitas vezes, podendo
até mesmo ocorrer em entidades provenientes da mesma fonte de dados.
Nos casos em que as entidades já possuem colunas em comum torna‐se mais fácil estabelecer as
relações, como podemos ver a seguir.
Na tabela ‘’DIM_NUTS_I_Atual’’, a chave primária é o ''Código'' que corresponde a um valor
único para cada outro atributo/coluna na tabela ‘’ DIM_NUTS_I_Atual ‘’, neste caso a coluna ‘’Nome
NUTS I Anual ‘’.
A chave primária ''Código'' da tabela ‘’DIM_NUTS_I_Atual’’ corresponde a chave
estrangeira ''código Pai’’ na tabela ‘’DIM_NUTS_II_Atual‘’, permitindo assim haver uma ligação
entre estas duas tabelas. O ''Codigo Filho’’ nesta tabela corresponde a chave primária, que por sua
vez corresponde a chave estrangeira na tabela ‘’DIM_NUTS_III_Atual‘’ , denominada ‘’codigo_Pai’’,
e assim sucessivamente como se pode verificar na figura 14.
Figura 14‐Entidades referentes aos dados dos NUTS
A figura 15 refere‐se as tabelas ‘’DIM_Municipio_Atual‘’ e ‘’DIM_NUTS_III_Atual’, em que foi
estabelecida uma relação de cardinalidade muitos para um, ou seja, um Nuts III poderá ter vários
municípios, mas cada município só poderá pertencer a um NUTS III.
35
Figura 15‐Cardinalidade entre as tabelas ‘’DIM_Municipio_Atual‘’ e ‘’DIM_NUTS_III_Atual’’
Uma vez estabelecida a relação entre as diferentes entidades, o esquema de dados é definido pela
aplicação da modelação multidimensional.
A figura 16 representa o diagrama Entidade‐Relação (ER) do modelo de dados para o
projeto. De modo a não expor dados internos da PRIO, as entidades encontram‐se minimizadas
para não exibir os dados, parâmetros e valores nelas contidas.
Através da figura 16 é possível visualizar as diferentes entidades do modelo de dados do sistema.
O modelo de dados deste sistema é constituído pelas entidades referentes às localizações
geográficas, dos CTT (Correios de Portugal), entidades dos Postos, Materiais, do Clima e é também
constituído pelas relações estabelecidas entre as entidades, permitindo assim haver fluxo de
informação. É de salientar que, cada entidade do Modelo de Dados contém colunas com diferentes
dados e com a relação entre as entidades é possível relacionar esses dados entre si.
36
Figura 16‐Modelo de Dados do Sistema no Power BI
Este Modelo de Dados é composto por duas tabelas facto, FAT_SAP_Consumos_2021
(referente aos dados das vendas) e FAT_DF_Prices_Hist_2021 (referente aos dados dos preços de
combustíveis) sendo o restante modelo formado por tabelas dimensão com diferentes níveis
hierárquicos, ver no Anexo A.
Pela constituição do modelo considera‐se que se trata de um modelo Constellation Schema
(esquema de constelação).
4.1.4. Construção do Dashboard
Neste subcapítulo é apresentado o Dashboard do projeto. Por motivos de
confidencialidade os valores exibidos são apenas demonstrativos, na medida que estes não
refletem a real situação da PRIO.
No desenvolvimento do relatório do sistema de gestão foram criadas quatro páginas de
relatórios diferentes, sendo que cada página corresponde a um relatório que exibe informações de
acordo com os requisitos levantados na fase inicial do projeto. Em qualquer um dos relatórios os
dados poderão ser atualizados manualmente sempre que o utilizador bem entender.
37
De modo a organizar e facilitar o acesso aos diferentes relatórios foi elaborada uma página Menu,
Figura 17.
Figura 17‐Menu Inicial do Sistema
O Menu criado permite uma navegação pelos diferentes relatórios. Através de um simples
‘’clique’’ sobre os ícones o utilizador será direcionado para o relatório correspondente.
Página ‘’Relatório Postos Combustíveis’’
Ao clicar em “Postos Combustíveis” o utilizador é encaminhado para a página da figura 18.
Esta página contém as informações dos postos de combustíveis da PRIO e serve como relatório dos
cadastros de informações tais como: WebService ID, que é o código único de registo no ERP SAP de
cada posto, o código Postal, os serviços prestados por cada posto, tipologia dos postos, o valor
global das Vendas e a localização geográfica dos postos de combustíveis pelas diferentes regiões
do território nacional. O principal objetivo deste relatório é servir como relatório de gestão de
informação interativo e visualização dos cadastros dos dados dos postos bem como das suas
localizações.
38
Figura 18‐ Relatório Postos Combustíveis
Assim como neste relatório, a organização e disposições dos gráficos e informações é
bastante parecida e nalguns casos iguais nos restantes três relatórios criados.
A figura 18 representa o dashboard divido em três partes principais que permitem uma melhor
organização e visualização ao utilizador, sendo estas três partes:
Parte A, a barra vertical do lado esquerdo, onde estão localizados os principais campos que
permitem filtrar a informação e mostrar também o valor global das vendas. É possível ver
o número de postos, Valor global das vendas e campos que permitem filtrar pelos nomes
dos postos, webserviceID, Tipologia de Postos. No topo é possível ver a data do último
update e em baixo deste, um campo que permite filtrar os dados pela data. O objetivo desta
barra é permitir ao usuário ter os principais filtros organizados num único local do
dashboard e visualizar o valor global das vendas.
Parte B, a barra horizontal localizada na parte superior do relatório, encontram‐se
dispostos os campos que permitem filtrar os dados pelas diferentes regiões geográficas do
território português. O intuito é ter os campos que filtram as informações pelas diferentes
regiões geográficas organizados num único local, que seja de fácil utilização e intuitivo ao
utilizador.
39
Parte C, corresponde à restante e maior área da página do relatório. É nesta área que
aparecerão as principais informações e estão dispostos os campos, gráficos e tabelas que
mostram os dados e todas as informações ao utilizador. O dashboard é interativo, didático
e permite também filtrar os dados ao clicar nos campos localizados nesta área.
Como pode‐se ver na Figura 19, filtrou‐se o relatório pelo NUTSII: centro e seguidamente
pelo NUTSIII: Região de Aveiro.
Neste relatório é possível filtrar e hierarquizar os dados de várias formas, ter uma visão geral dos
dados e das localizações dos postos de combustíveis. Essa hierarquização dos dados pode ser feita
não só através dos filtros, mas também ao clicar nos pontos (referentes às localizações dos postos)
no mapa ou no posto na Matriz ‘’Postos x Services x PostalCode’’.
Figura 19‐Localização dos postos filtrados pelas diferentes regiões geográficas
Caso o utilizador pretenda voltar à página inicial, bastará clicar no símbolo da PRIO que se
encontra no canto superior esquerdo, que será remetido para o menu.
Página relatório ‘’Vendas x Postos x Produtos’’
Uma vez no Menu, ao clicar no ícone ‘’Vendas x Postos x Produtos’’ o utilizador é
direcionado para a página da figura 20.
40
Nesta página constam as informações mais importantes no que se refere aos dados das vendas. A
página proporciona uma visão geral, sintetizada e filtrada, das vendas globais por posto, tipologia
de posto, por região, por produto, por tipologia de produto (NON OIL e OIL) e por data.
Assim como foi visto no Relatório Postos Combustíveis, na barra vertical do lado esquerdo
encontram‐se dispostos os campos que permitem filtrar os dados, ver os valores tanto das vendas
como dos números de postos, bem como a data do último update. Na parte superior, os campos
que permitem filtrar os dados pelas diferentes regiões geográficas.
Na figura 20, pode‐se verificar na parte superior do relatório que os dados se encontram
filtrados pela Região de Aveiro.
Figura 20‐Relatório do volume de Vendas da Região de Aveiro
Este relatório possui uma tabela ‘’Histórico de Vendas’’ e um gráfico de barras ‘Vendas por
Data’’ que demonstram a evolução das vendas ao longo dos meses e dos dias. A tabela ‘’Histórico
de Vendas’’ é constituída por colunas com o volume de vendas, diferença do volume relativamente
ao mês anterior e a variação percentual do volume de vendas com setas exemplificativas (para
cima, no caso de aumento e para baixo no caso de diminuição) dessa variação. Ainda possui a tabela
‘’Tipo Posto x Qtd Posto x Vendas’’ que mostra informação da quantidade e do volume de vendas
para cada tipologia de Posto, para uma determinada região, neste caso a região de Aveiro.
41
Na tabela ‘’Históricos Vendas x Produtos’’ é possível ver o volume e percentagem de vendas
por Produto. Este mesmo relatório também possui um Treemap de ‘’%Vendas x Tipo Produto’’, a
escolha deste campo passa pelo facto de ser uma representação visual da percentagem de vendas
por produto através de retângulos que permitem ter uma noção da percentagem dos produtos
vendido de acordo com os diferentes filtros (por Posto, data, região, tipologia de produto).
No campo ‘’Matriz Vendas x Posto x Dia’’ está disponível a visualização do volume de
Vendas, percentagem de vendas ao longo dos diferentes dias, pelos diferentes Postos da região de
Aveiro.
Esta página possui também um mapa com as localizações dos postos que permite ao
utilizador ver a distribuição dos postos da região previamente selecionada.
Este relatório possibilita ao utilizador filtrar os dados de variados modos, aceder a informação
requerida em cada instante e analisar de forma pormenorizada o volume geral das vendas.
A análise detalhada deste relatório pode dar origem a vários insights e mostrar a tendência das
vendas por posto, região, produto por diferentes períodos de tempo.
Na figura abaixo clicou‐se em NON (NON OIL) no filtro que se encontra na barra vertical à
esquerda de modo que os restantes dados foram filtrados apenas para esse tipo de produto.
De seguida, depois de se ter clicado em ‘’NON’’ clicou‐se no produto ‘’Tabaco’’.
Figura 21‐ Relatório ‘’Vendas x Postos x Produtos’’ filtrado por NON OIL e Tabaco
42
Na figura 21 os filtros que foram aplicados possibilitam a visualização do volume de vendas
dos Produtos NON OIL ao longo do tempo, e pelos diferentes postos. Ao clicar, por exemplo, no
tabaco na tabela ‘’Histórico Vendas x produto’’, o relatório irá filtrar apenas para o produto tabaco
e mostrar as informações referentes à sua venda.
Já na figura 22 os dados do relatório encontram‐se filtrados apenas para um determinado
posto, para o mês de fevereiro.
Na matriz ‘’Vendas x Posto X dia’’ é possível ver o volume de vendas desse posto, por dia do mês
em questão. Caso o utilizador pretenda ver o volume de vendas por dia, nesse posto para um
determinado produto será apenas necessário clicar numa das tabelas ou, pesquisar o Produto no
filtro ‘’Produto’’ que se encontra na barra vertical do lado esquerdo do relatório.
Figura 22‐Volume de Vendas diário do mês de fevereiro de um determinado Posto
Este relatório permite ter uma visão geral, mas também detalhada das vendas por posto,
produto, região e data em diferentes níveis de granularidade, propiciando assim uma
monitorização diária dos volumes das vendas.
Página do Relatório ‘’Vendas x Clima’’
Sendo que a PRIO busca tornar‐se numa empresa voltada a dados e quer chegar ao
conhecimento, a área de negócios achou interessante desenvolver um relatório que demonstrasse
43
as vendas pelos diferentes estados do clima, com o intuito de perceber até que ponto o fator clima
influencia as vendas.
O relatório representado na Figura 23 permite filtrar os dados das vendas dos diferentes
postos e produtos pelo estado do clima.
Através dos gráficos pizza e de barra é possível ver a percentagem dos valores médios de vendas
por dia, posto e produto consoante o estado do clima.
Figura 23‐Relatório Vendas x Clima
Ao selecionar um determinado estado do clima todos os dados serão filtrados para esse
estado, e a semelhança do que já foi visto nos outros relatórios, será possível ver o volume de
vendas e a evolução dos mesmos ao longo do tempo. Os dados filtrados para os climas ‘Ensolarado’
e ‘Chuva’ encontram‐se no Anexo B.
Relatório ‘’Preços Combustíveis’’ Este relatório mostra dados importantes relativos ao histórico dos preços de combustíveis.
Para uma empresa como a PRIO é importante ter um histórico de preços dos diferentes
combustíveis, preços esses que são regularizados pelo DGEG (Direção Geral de Energia e Geologia).
44
Figura 24‐Relatório Preço Combustíveis
Na figura acima foi selecionado o combustível ‘’GPL Auto’’ e todas as informações
demonstradas correspondem a esse combustível. Na tabela ‘’Preços x Posto’’ da página da figura
acima é possível ver os diferentes preços do GPL Auto por postos, tipo de posto e na coluna
‘’.AtualizadoNew’’, o momento da última atualização.
O histograma ‘’Histórico Preços’’ mostra a evolução do preço do combustível previamente
selecionado ao longo do tempo.
Este relatório, assim como os outros, também possui um mapa que mostra a localização dos postos
de combustíveis.
4.2. Exposição e Partilha da Plataforma.
O relatório foi partilhado no Power BI Service, a plataforma na nuvem do Power BI que
possibilita partilhar a informação com outros utilizadores que possuem conta na plataforma, dentro
ou fora da organização. Uma vez disponível na web o relatório torna‐se acessível através de
qualquer dispositivo móvel, seja um PC, tablet ou smartphone.
45
Na figura 25 mostra o espaço de trabalho criado ‘’Relatório Prio’’ onde o relatório
desenvolvido foi carregado.
Figura 25‐Área de trabalho ‘’Relatório Prio’’
O dashboard e toda a informação encontram‐se reunidos num único espaço de trabalho. É
possível atualizar os dados e ver a data da última atualização na coluna ‘’Refreshed’’.
De seguida foram dados os acessos aos diferentes utilizadores e grupos de utilizadores, tal
encontra‐se demonstrado na figura 26. Quanto ao acesso, o ‘’member’’ tem autorização para
aceder e compartilhar o conteúdo, o ‘’Viewer’’ apenas consegue ver, já os administradores além de
aceder e partilhar também podem fazer modificações nos relatórios.
Figura 26‐Membros com acesso à Área de Trabalho
46
O acesso pode ser editado a qualquer momento com vista a disponibilizar o conteúdo
para mais utilizadores da PRIO.
4.3. Validação do Sistema
De modo a validar o sistema, como foi mostrado no subcapítulo anterior, o relatório foi
publicado no Power BI Service e dado o acesso aos membros da área de negócio. De seguida
passou‐se à fase de validação.
Para validar o sistema teve‐se em conta dois aspetos:
a) Performance e integridade dos dados
A estrutura e integridade dos dados do sistema, bem como os valores apresentados, foram
validados junto dos membros da área de Engenharia de Dados por forma a garantir a veracidade
das fórmulas de cálculos e dos resultados finais.
Foram validadas as informações expostas nos relatórios e foi verificado se os resultados e
as informações apresentadas pelos cálculos, iam de encontro com os requisitos levantados na fase
inicial do projeto.
Quanto à performance verificou‐se que o tempo de respostas aos cliques são de curta
duração; em questão de segundos é possível visualizar uma determinada informação para um
determinado filtro. Posto isto, tendo em conta o curto tempo de resposta, a performance do
sistema foi também validada pelos membros da área de Engenharia de Dados.
b) Validação dos requisitos e apresentação dos dados
De modo a medir o grau de aceitação do projeto desenvolvido, procedeu‐se à elaboração
de um questionário de avaliação na ferramenta do Microsoft Forms, no Anexo C.
Foi utilizado a escala de Likert de 5 pontos, em que o valor 1 significa que o sistema não corresponde
com o requisito em questão, e na outra extremidade, o valor 5 o sistema corresponde muito com
o requisito.
O questionário foi respondido pelos membros da área de negócio perfazendo 5 respostas.
O questionário divide‐se em duas partes, a primeira parte visa validar os requisitos
funcionais levantados para o sistema, já a segunda parte visa validar a apresentação dos dados e
47
do relatório em si, ou seja, os requisitos não funcionais. De salientar que cada pergunta
corresponde a um requisito levantado previamente.
Tabela 2‐Respostas ao Inquérito de Avaliação
Requisitos Funcionais Requisitos Não Funcionais
Perguntas 1 2 3 4 5 6 7 8 9 10 11 12
Respostas
5 5 5 5 5 5 5 5 5 5 5 55 4 5 5 4 5 4 4 5 4 4 45 5 5 5 3 5 5 4 4 4 5 34 5 5 5 4 5 4 4 5 5 4 55 4 4 4 5 5 5 5 4 3 5 4
Média 4,8 4,6 4,8 4,8 4,2 5 4,6 4,4 4,6 4,2 4,6 4,2
Procedeu‐se ao cálculo da média das respostas de cada pergunta, a seguir calculou‐se a
média para a Validação dos Requisitos Funcionais com base nas médias das respostas das perguntas
de 1 a 7, tendo‐se obtido o valor de 4,7. De seguida calculou‐se a média da Validação dos Requisitos
Não funcionais, com base nas médias das respostas das perguntas de 8 a 12, tendo‐se obtido o
resultado de 4,4.
Com base nos resultados obtidos, pode‐se aferir que o sistema foi validado tanto à nível
dos requisitos funcionais, como também à nível dos requisitos não funcionais.
Conclui‐se então que o relatório além de cumprir com os requisitos levantados no início do
projeto é intuitivo e interativo. Através de um simples clique torna‐se possível filtrar e visualizar
uma determinada informação, que se encontram apresentados de uma forma organizada e
sintetizada, indo assim de encontro com as necessidades da área de negócio.
48
49
5. Conclusões, Limitações e Trabalho futuro Este capítulo tem como objetivo apresentar as conclusões do projeto. Primeiramente é
fundamental resumir o projeto e compreender as contribuições para a empresa. Seguidamente
será apresentado as limitações do projeto e sugestões de trabalhos futuros.
5.1. Conclusões
O presente relatório foi realizado no âmbito do estágio curricular na PRIO e teve como
resultado o desenvolvimento de um Sistema de Informação com base em BI, mais precisamente na
ferramenta do Power BI. O sistema desenvolvido traduziu‐se na construção de um dashboard que
permite monitorar dados das vendas nos postos de combustíveis e servir como suporte à tomada
de decisão.
De um modo geral, considera‐se que os objetivos traçados para o projeto foram cumpridos
uma vez que o Power BI é uma ferramenta que potencia o fluxo e a partilha da informação, como
também centraliza diferentes dados provenientes das mais diferentes fontes.
O sistema possibilitou a partilha e o acesso às informações de uma forma mais rápida
através de qualquer PC ou dispositivo móvel; além de que o dashboard criado permite sintetizar e
transformar os dados em informações de uma forma visualmente atrativa, simples, didática e
intuitiva.
O desenvolvimento e a implementação do projeto mostraram‐se importantes na
monitorização das vendas dos postos de combustíveis em tempo real, em saber o histórico de
vendas por posto, produto, região e data, no acesso às informações dos postos, suas localizações
geográficas, bem como ver o histórico de preços dos diferentes combustíveis pelos diversos postos
da PRIO.
Este tipo de projeto facilita e acelera a conversão da informação em conhecimento que,
consequentemente, conduz a tomada de decisão mais eficaz.
Este projeto, para além de agregar valor, serve de grande facilitador e catalisador no
processo de chegada ao conhecimento e tomada de decisão, o que catapultará a PRIO a se tornar
numa empresa moldada pela informação e baseada em dados.
50
5.2. Limitações e Trabalho Futuro Antes de desenvolver o sistema foram identificados os problemas no subcapítulo 3.2.1 e a
proposta de solução e o levantamento dos requisitos no subcapítulo 3.2.2. O projeto desenvolvido
traduziu‐se nos relatórios mostrados no capítulo anterior e como pode‐se verificar, o sistema
cumpre com o seu propósito. No entanto, o trabalho não se dá por terminado uma vez que o
projeto serve apenas como facilitador da exposição da informação que, ao ser analisada de forma
crítica poder‐se‐á chegar a conclusões, ao conhecimento e por fim, ajudar na tomada de decisões
estratégicas que melhorem a competitividade da PRIO no mercado nacional. Este trabalho de
análise será feito posteriormente pela área de negócio, analistas e pelos tomadores de decisão.
Apesar de cumprir com os objetivos traçados, a falta de KPIs (Key Performance Indicators)
pode ser considerada como uma limitação. Não foram introduzidos KPIs uma vez que o sistema se
assentou na otimização do fluxo de informação e na construção do dashboard. A sugestão de
trabalho futuro passa então pela introdução de indicadores que demonstrem se os valores vão de
encontro com as metas estabelecidas pela PRIO.
Uma outra limitação relaciona‐se com o fato da área de engenharia de dados e da utilização
do Power BI serem recentes na PRIO e os colaboradores ainda não estarem familiarizados com a
ferramenta. Esta limitação pode ser colmatada pela capacitação dos colaboradores e massificação
da utilização da ferramenta. A sugestão de trabalho futuro assenta‐se numa sensibilização no que
toca à importância da utilização de ferramentas de BI e na realização de formações internas de
modo a capacitar os colaboradores.
A quantificação da precisão dos projetos desenvolvidos pela área de Engenharia de Dados
é também uma outra limitação. Seria importante ter métricas que mensurassem a eficácia e a
validação dos projetos desenvolvidos. Na fase de validação deste projeto foi elaborado um
inquérito de validação, a sugestão de trabalho futuro passa por padronizar este método de
validação de modo a quantificar o grau de aceitação de futuros projetos de BI na PRIO.
Uma outra sugestão de trabalho futuro consiste na manutenção e monitorização do
sistema, acrescentar mais relatórios ao dashboard com mais informações dos produtos nos postos
como por exemplo, a quantidade de produtos disponíveis em stock em cada posto.
Para finalizar, a melhoria de um processo e a implementação de um novo Sistema de
Informação é complexo. Apesar dos notórios benefícios do desenvolvimento do projeto aqui
descrito, é necessário haver um olhar crítico, uma vez que, um sistema de informação está sempre
sujeito a melhorias em prol de trazer cada vez mais benefícios à empresa.
51
Referências
Abbass, H. A. (2015). Analytics of Risk and Challenge. Em Computational Red Teaming.
https://doi.org/10.1007/978‐3‐319‐08281‐3_2
Abhijit A. Pol, R. K. A. (2007). Developing Web‐Enabled Decision Support Systems.
Alumni. (2020). Data Science para Negócios. Obtido de
https://alumnicoppead.com.br/programa/programas‐especiais/data‐science‐para‐negocios/
Aparicia, M., & Costa, C. (2017). Data visualization. Judicature, 101(2), 10–13.
https://doi.org/10.7551/mitpress/9780262062749.003.0011
Batini, C., Cappiello, C., Francalanci, C., & Maurino, A. (2009). Methodologies for data quality
assessment and improvement. ACM Computing Surveys, 41(3).
https://doi.org/10.1145/1541880.1541883
Booch, G., Rumbaugh, J., & Jacobson, I. (1996). The Unified Modeling Language for Object‐
Oriented Development. Unix Review, 14(13), 29. Obtido de
http://www.ccs.neu.edu/research/demeter/course/f96/readings/uml9.pdf
Cai, L., & Zhu, Y. (2015). The challenges of data quality and data quality assessment in the big data
era. Data Science Journal, 14, 1–10. https://doi.org/10.5334/dsj‐2015‐002
Chaudhuri, S., Dayal, U., & Narasayya, V. (2011, Agosto). An overview of business intelligence
technology. Communications of the ACM, Vol. 54, pp. 88–98.
https://doi.org/10.1145/1978542.1978562
Chen, H., H.L.Chiang, R., & C. Storey, V. (2018). Business Intelligence and Analytics: From Big Data
To Big Impact. MIS Quarterly, 36(4), 1165–1188. Obtido de
http://www.jstor.org/stable/41703503
Costa, S., & Santos, M. Y. (2012). Sistema de Business Intelligence no suporte à Gestão
Estratégica. Conferência da Associação Portuguesa de Sistemas de Informação (CAPSI), 1–10.
Obtido de http://hdl.handle.net/1822/21541
DATAB. (2020). M OU DAX? A PERGUNTA QUE NÃO QUER CALAR. Obtido de
https://databinteligencia.com.br/m‐ou‐dax‐a‐pergunta‐que‐nao‐quer‐calar/
De La Vara, J. L., Sánchez, J., & Pastor, Ó. (2008). Business process modelling and purpose analysis
for requirements analysis of information systems. Lecture Notes in Computer Science
(including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in
Bioinformatics), 5074 LNCS, 213–227. https://doi.org/10.1007/978‐3‐540‐69534‐9_17
Freitas, H., & Kladis, C. M. (1995). O PROCESSO DECISÓRIO: modelos e dificuldades. GIANTI ‐
Grupo de pesquisa de Gestão do Impacto da Adoção de novas Tecnológicas de Informação,
2(8), 30–34. Obtido de http://www.ufrgs.br/gianti/
52
Freitas, H., Kladis, C. M., Hoppen, N., & Becker, J. (1997). Informação e decisão: Sistemas de apoio
e seu impacto. Atlas, 150. Obtido de
https://www.sphinxbrasil.com/uploads/files/INFORMACAO_E_DECISAO__Sistemas_de_apoi
o_e_seu_impacto___1996.pdf
Golfarelli, M., Maio, D., & Rizzi, S. (1998). Conceptual design of data warehouses from E/R
schemes. Proceedings of the Hawaii International Conference on System Sciences, 7(c), 334–
343. https://doi.org/10.1109/hicss.1998.649228
Gregor, S. (2006). The nature of theory in Information Systems. MIS Quarterly: Management
Information Systems, 30(3), 611–642. https://doi.org/10.2307/25148742
Guimarães, E. M. P., & Évora, Y. D. M. (2004). Sistema de informação: instrumento para tomada
de decisão no exercício da gerência. Ciência da Informação, 33(1), 72–80.
https://doi.org/10.1590/s0100‐19652004000100009
Hickson, D., Mintzberg, H., & Waters, J. (1990). Studying Deciding: An Exchange of Views Between
Mintzberg and Waters, Pettigrew, and Butler.
https://doi.org/https://doi.org/10.1177/017084069001100101
Ibrahim, J., Bhatti, Z., & Waqas, A. (2014). Business Intelligence as a Knowledge Management Tool
in Providing Financial Consultancy Services. American Journal of Information Systems, 2(2),
26–32. https://doi.org/10.12691/ajis‐2‐2‐1
Ilari, P. (2013). Information quality , data and philosophy Phyllis Illari and Luciano Floridi 1
Understanding information quality. Topoi.
Jifa, G. (2013). Data, information, knowledge, wisdom and meta‐synthesis of wisdom‐comment on
wisdom global and wisdom cities. Procedia Computer Science, 17, 713–719.
https://doi.org/10.1016/j.procs.2013.05.092
Kenneth, C. L., & Jane, P. L. (2012). Could you increase your knowledge— and raise your grade—if
you…. Obtido de www.myMISlab.com
Liu, J., Wu, J., Sun, L., & Zhu, H. (2020). Image data model optimization method based on cloud
computing. Journal of Cloud Computing, 9(1). https://doi.org/10.1186/s13677‐020‐00178‐7
Luhn, H. P. (1958). A Business Intelligence System. IBM Journal of Research and Development,
2(4), 314–319. https://doi.org/10.1147/rd.24.0314
Meski, O., Belkadi, F., Laroche, F., Ladj, A., & Furet, B. (2019). Integrated Data and Knowledge
Management as Key Factor for Industry 4.0. IEEE Engineering Management Review, 47(4),
94–100. https://doi.org/10.1109/EMR.2019.2948589
Microsoft. (2018). Introducing: Power BI data prep with dataflows. Obtido de
https://powerbi.microsoft.com/pt‐pt/blog/introducing‐power‐bi‐data‐prep‐wtih‐dataflows/
Microsoft. (2019). Model relationships in Power BI Desktop. Obtido de
53
https://docs.microsoft.com/en‐us/power‐bi/transform‐model/desktop‐relationships‐
understand
Microsoft. (2020a). Creating a dataflow. Obtido de https://docs.microsoft.com/en‐us/power‐
bi/transform‐model/dataflows/dataflows‐create
Microsoft. (2020b). O que é Power BI? Obtido de https://docs.microsoft.com/pt‐pt/power‐
bi/fundamentals/power‐bi‐overview
Microsoft. (2020c). What are business intelligence (BI) tools? Obtido de
https://azure.microsoft.com/en‐gb/overview/what‐are‐business‐intelligence‐tools/
Microsoft. (2021). Linguagem de fórmulas do Power Query M. Obtido de
https://docs.microsoft.com/pt‐pt/powerquery‐m/
Moody, D., & Kortink, M. A. . (2000). From Enterprise Models to Dimensional Models: A
Methodology for Data Warehouse and Data Mart Design. Proceedings of the International
Workshop on Design and Management of Data Warehouses (DMDW’2000), 2000, 1–12.
Obtido de http://neumann.hec.ca/sites/cours/6‐060‐00/MK_entreprise.pdf
Moresi, E. A. D. (2000). Delineando o valor do sistema de informação de uma organização. Ciência
da Informação, 29(1), 14–24. https://doi.org/10.1590/s0100‐19652000000100002
Mundo+Tech. (2020). Você sabe o que é um Sistema de Suporte à Decisão (DSS)? Obtido 10 de
Junho de 2021, de https://mundomaistech.com.br/ti/transformacao‐digital/voce‐sabe‐o‐
que‐e‐um‐sistema‐de‐suporte‐a‐decisao‐dss/
Negash, S., & Gray, P. (2008). CHAPTER 45 Business Intelligence. Handbook on Decision Support
Systems 2: Variations, 175–193. Obtido de
https://link.springer.com/content/pdf/10.1007%2F978‐3‐540‐48716‐6_9.pdf
Negrut, V. (2014). Power Bi: Effective Data Aggregation. Quaestus Multidisciplinary Research
Journal, (5), 146–152. Obtido de https://powerbi.microsoft.com
Olszak, C. M., & Ziemba, E. (2007). Approach to building and implementing Business Intelligence
systems. Interdisciplinary Journal of Information, Knowledge, and Management,
2(September 2017), 135–148. https://doi.org/10.28945/105
Pinho, C. (2016). INTERAÇÃO HOMEMCOMPUTADOR ATRAVÉS DE INTERFACES CONVERSACIONAIS
O caso de estudo do sistema NAVMETRO. Obtido de https://hdl.handle.net/10216/87930
Pinto, A., Ramos, A., Novaes, C., Mattioli, M., & Dias, M. (2018). Agenda Para a Competitividade
Da Cadeia De Combustíveis. Obtido de https://image‐src.bcg.com/Images/BCG‐
Competitividade‐na‐Cadeia‐de‐Combustiveis_tcm9‐210275.pdf
PORDATA. (2013). O que são NUTS? Obtido de https://www.pordata.pt/O+que+sao+NUTS
PRIO. (2020). A Empresa ‐ Energias Inovadoras, Acessíveis e Seguras. Obtido de
https://www.prio.pt
54
Rizk, A., & Elragal, A. (2020). Data science: developing theoretical contributions in information
systems via text analytics. Journal of Big Data, 7(1). https://doi.org/10.1186/s40537‐019‐
0280‐6
Rodrigues, S., Campos, D. S., Marcelo, L., Carvalho, T. De, & Veiga, R. D. (1996). Banco de dados.
Rouse, M. (2014). Big Data. Obtido de
https://searchdatamanagement.techtarget.com/definition/big‐data
SAP. (2015). SAP BW –OpenHub ServiceAn Overview. Obtido de
https://www.sap.com/documents/2016/06/e4b548b7‐757c‐0010‐82c7‐eda71af511fa.html
SAS. (2020). Big Data: What it is and why it matters. Obtido 28 de Dezembro de 2020, de
https://www.sas.com/en_us/insights/big‐data/what‐is‐big‐data.html
Shi‐Nash, A., & Hardoon, D. R. (2017). Data analytics and predictive analytics in the era of big data.
Internet of Things and Data Analytics Handbook, 329–345.
https://doi.org/10.1002/9781119173601.ch19
Sprague, R. H., & Information, M. (2013). for the Development of Decision Support Systems. Misq,
4(4), 1–26. https://doi.org/https://doi.org/10.2307/248957
Surbakti, H., & Ta’A, A. (2017). Managing knowledge business intelligence: A cognitive analytic
approach. AIP Conference Proceedings, 1891. https://doi.org/10.1063/1.5005468
Teixeira, L. (2002). Gestão de Informação Académica com Base na Web ‐ um sistema de apoio a
programas de pós‐graduação. Obtido de http://hdl.handle.net/10773/10716
Teixeira, L., Ferreira, C., & Santos, B. S. (2019). An Information Management Framework to
Industry 4.0: A Lean Thinking Approach. Em Advances in Intelligent Systems and Computing
(Vol. 876, pp. 1063–1069). https://doi.org/10.1007/978‐3‐030‐02053‐8_95
Ulag, A. (2019). Microsoft a Leader in Gartner’s Magic Quadrant for Analytics and BI Platforms for
12 consecutive years | Microsoft Power BI Blog | Microsoft Power BI. Obtido 4 de Novembro
de 2020, de https://powerbi.microsoft.com/en‐us/blog/microsoft‐a‐leader‐in‐gartners‐
magic‐quadrant‐for‐analytics‐and‐bi‐platforms‐for‐12‐consecutive‐years/
Vilcahuamán, L., & Rivas, R. (2017). Asset & Risk Management Related to Healthcare Technology.
Em Healthcare Technology Management Systems. https://doi.org/10.1016/b978‐0‐12‐
811431‐5.00005‐9
Wang, L., Törngren, M., & Onori, M. (2015). Current status and advancement of cyber‐physical
systems in manufacturing. Journal of Manufacturing Systems, 37, 517–527.
https://doi.org/10.1016/j.jmsy.2015.04.008
Watson, H. J., & Wixom, B. H. (2007). Intelligence. Computer, 40, 96–99. Obtido de
https://ieeexplore.ieee.org/abstract/document/4302625
55
Anexos
Anexo A ‐ Tabelas Fatos e Tabelas dimensão do Modelo Multidimensional
56
Anexo B ‐ Relatório Vendas x Clima
57
Anexo C ‐ Questionário de Avaliação do Sistema
58
