Upload
thatiane-calegari
View
139
Download
7
Embed Size (px)
Citation preview
THATIANE CALEGARI ELIAS RA 972208
SISTEMAS DE INFORMAÇÃO
Business Intelligence – Uso de Ferramentas para auxiliar e
agilizar a tomada de decisão.
Guarulhos
2011
THATIANE CALEGARI ELIAS RA 972208
SISTEMAS DE INFORMAÇÃO
Business Intelligence – Uso de Ferramentas para auxiliar e agilizar a tomada de decisão.
Trabalho de conclusão de curso
apresentado à Faculdade Eniac,
referente ao curso de Sistemas de
Informação.
Prof. Mauro Roberto Claro
Guarulhos
2011
Elias, Thatiane Calegari
Business Intelligence – Uso de Ferramentas para auxiliar e
agilizar a tomada de decisão. Guarulhos, 2011. 48f Trabalho de Conclusão de Curso – Faculdade Eniac –
Sistemas de Informação. Orientador: Mauro Roberto Claro
Aluno: Thatiane Calegari Elias Título: Business Intelligence – Uso de Ferramentas para auxiliar e agilizar a tomada de decisão.
A banca examinadora dos Trabalhos de Conclusão em sessão pública realizada em__ /__/____, considerou o(a) candidato(a): ( ) aprovado ( ) reprovado
1) Examinador(a)______________________________________________________ 2) Examinador(a)______________________________________________________ 3) Examinador(a)______________________________________________________
Dedico à realização deste sonho aos
Senhores Alexandre e Ana, queridos pais,
que diante das dificuldades e dos
obstáculos estiveram sempre presentes.
Entenderam cada noite que deixei de
estar com eles, cada final de semana que
não pude desfrutar ao lado deles,
entenderam o meu nervosismo, a minha
falta de paciência, sobretudo, a minha
ausência nesses 4 anos. Sem vocês nada
disso seria possível.
Agradecimentos
Primeiramente agradeço a Deus por ter iluminado meu caminho para que
pudesse concluir mais uma etapa da minha vida.
Agradeço à minha mãe Aninha, por ser tão guerreira e amiga que, mesmo
passando por momentos difíceis, pensou primeiramente no meu bem estar, passou
horas ao meu lado e nunca duvidou da minha capacidade em concluir mais essa
etapa.
Ao meu pai Alexandre, que apesar das brigas e puxões de orelhas, sempre
esteve do meu lado, nem sempre falando, mas sempre torcendo e abrindo mão de
muitas coisas para que eu pudesse realizar este sonho.
A faculdade Eniac que não mediu esforços para a minha formação com
excelência, mas agradeço, especialmente, por ter sido responsável pelo local onde
vivi e compartilhei parte minha da vida com pessoas incríveis que estiveram ao meu
lado durante longas noites.
Ao meu orientador, Prof. Mauro Roberto Claro, pela dedicação dispensada,
pela amizade e principalmente por discordar de mim quando era necessário.
Aos amigos que ganhei durante o curso, que estavam sempre ao meu lado
(Luana, Marcos, Jonatas, Marcelo, Vagner), me ajudando com a realização dos
portfólios, dos projetos e das aulas atividades, obrigada por muitas vezes aguentar
meu mau humor, minha falta de paciência e principalmente por querer sempre o meu
bem.
Aos meus amigos de trabalho (Bianca, Alex, Marcelo, Michelli, Marcia) que
me ajudaram muito na elaboração desse trabalho, me orientando, revisando e
auxiliando em tudo no que foi necessário. Agradeço o convívio diário que não é fácil,
por me aguentarem nos momentos de choro, tristeza e alegrias.
Por fim, agradeço aos meus amigos e familiares pela compreensão, paciência
e carinho e a todos que diretamente e indiretamente contribuíram para a conclusão
deste trabalho meu agradecimento eterno.
Epígrafe
“Apesar dos nossos defeitos, precisamos enxergar que somos pérolas únicas no teatro da vida e entender que não existem pessoas de sucesso e pessoas fracassadas. O que existem são pessoas que lutam pelos seus sonhos ou desistem deles.” (Augusto Cury)
RESUMO
O projeto sobre o tema em pauta traz como proposta principal elencar o
surgimento do Business Inteligente (BI), pautando seus conceitos e detalhando cada
fase do processo de implantação desta ferramenta e técnicas empregadas em sua
utilização. A solução completa é composta pelos recursos de Data Warehouse que é
um banco de dados onde se armazena dados provenientes de outros sistemas
transacionais, para que seus utilizadores possam analisar os dados de forma
seletiva. O Processo ETL extrai os dados de fontes externas que são chamados de
sistemas transacionais, e transforma os mesmos conforme a necessidade da
organização e os carrega no Data Warehouse. Já o Data Mart é um Data
Warehouse, mas de menor capacidade, pois foca em atender as necessidades de
um determinado departamento da organização. O OLAP faz consulta e analisa os
dados contidos nos Data Warehouse e Data Mart, ajudando o usuário final a extrair
os dados de suas bases e construir relatórios. O Data Mining é um processo que
varre grande bases de dados, procurando padrões e relacionamento, para poder
validar esses dados aplicando os padrões, com a junção destes recursos é criado o
ambiente de BI, aonde os gestores das organizações terão acesso rápido e ágil a
informações de cunho gerencial, melhorando assim a gestão da empresa e
qualificando a tomada de decisão. Hoje no século XXI, conhecido como a era da
informação, este sistema de BI é imprescindível para o mundo dos negócios, pois
torna as empresas muito mais competitivas, ajudando a entender todo o seu fluxo de
negócios e em consequência se organizar da melhor forma possível para atender a
todos as demandas de mercado, pois trata o que tem de maior valor dentro de uma
empresa, a INFORMAÇÃO.
Palavras chaves : Business Intelligence ; Data warehouse; Data Mining
ABSTRACT
The project on the subject in question has as main purpose to list the
emergence of Business Intelligence (BI), basing their concepts and detailing each
phase of implementation of this tool and techniques utilized in its use. The complete
solution consists of the resources that the Data Warehouse is a database where it
stores data from other transactional systems, so your users can analyze data
selectively. The ETL process extracts data from external sources, which are called
transactional systems, and transforms them according to the needs of the
organization and loads it into the Data Warehouse. Data Mart is like a Data
Warehouse, but lower capacity, because it focused on meeting the needs of a
particular department of the organization. OLAP performs queries and analyzes the
data contained in the Data Warehouse and Data Mart, helping the end user to extract
data from their database and make a reports. Data mining is a process that scans
large databases, searching for standards and relationships in order to validate these
data by applying the standards, with the addition of these resources is possible to
create the BI environment, where managers of organizations will have fast and agile
the information management, thereby improving the management of the company
and enabling the decision-making. Nowadays in the twenty-first century, called as the
information age, this BI system is essential to the business world because it becomes
companies more competitive, helping to understand your business flow and
consequently to organize the best way to meet all demands of the market because it
has the highest value within a company, the INFORMATION.
Keywords: Business Intelligence ; Data warehouse; Data Mining
LISTA DE ABREVIATURAS
BI - Business Intelligence
DW - Data Warehouse
DM - Data Mining
ETL - Extract, Transform and Load
OLAP - On-line Analytical Processing
EIS - Executive Informations System
SIE - Sistemas de Informações Executivas
DSS - Decision System Suporte
DASD - Direct Access Storage Device
SGBD - Sistema Gerenciador de Banco de Dados
ERP - Enterprise Resource Planning
BSC - Balanced Scorecard
OLTP - Sistemas de processamentos de transações Online
MOLAP - Multidimensional On-Line Analytical Processing
ROLAP - Relational On-Line Analytical Processing
DOLAP - Desktop On-Line Analytical Processing
HOLAP - Hybrid On-Line Analytical Processing
LISTA DE FIGURAS
Figura 1 - Evolução do BI
Figura 2 - Bases de dados Operacionais vs Data Warehouses
Figura 3 - Componentes de um DW
Figura 4 - Processo de vendas
Figura 5 - Esquema Estrela
Figura 6 - Floco de Neve
Figura 7 - Esquema Constelação
Figura 8 - Data mart (Top- Down)
Figura 9 - Data Mart (Button-up)
Figura 10 - Cubo
Figura 11 - Data Mining
Figura 12 - Processo ETL
Figura 13 - Estrutura de funcionamento do BI
Figura 14 - Tela do módulo do software de BI
Figura 15 - Cubo de dados utilizado para alimentar o software de BI
Figura 16 - Indicadores gerados com ferramentas OLAP do Excel com base no cubo
de dados mostrado na figura 15
Figura 17 - Distribuição de dados
Sumário
INTRODUÇÃO ............................................................................................................ 1
CAPÍTULO 1 - BUSINESS INTELLIGENCE (BI) ......................................................... 3
1.1 História ............................................................................................................... 3
1.2 Conceito ............................................................................................................. 5
1.3 Ferramenta Balanced Scorecard (BSC) ............................................................ 6
CAPÍTULO 2 – FERRAMENTAS DE BI ...................................................................... 8
2.1 Data warehouse (DW) ....................................................................................... 8
2.1.1 Características .......................................................................................... 10
2.1.2 Modelação Multidimensional ..................................................................... 12
2.1.2.1 Tabelas fatos ...................................................................................... 12
2.1.2.2 Tabelas de Dimensão ......................................................................... 15
2.1.2.3 Esquema estrela ................................................................................. 16
2.1.2.4 Esquema floco de neve ...................................................................... 18
2.1.2.5 Esquema constelação ........................................................................ 19
2.2 Data Mart ......................................................................................................... 19
2.3 OLAP ............................................................................................................... 22
2.4 Data Mining ...................................................................................................... 25
2.5 Processo ETL .................................................................................................. 27
CAPÍTULO 3 – ESTUDO DE CASO ......................................................................... 30
CONSIDERAÇÕES FINAIS ...................................................................................... 43
REFERÊNCIAS BIBLIOGRAFICAS .......................................................................... 45
ANEXO ...................................................................................................................... 48
1
INTRODUÇÃO
O presente trabalho tem a finalidade de abordar o Business Intelligence (BI),
também conhecido como Inteligência do Negócio, que auxilia a tomada de decisão
de maneira rápida e fácil, acessando informações sintetizadas, através de
tecnologias que coletam, fornecem acesso e analisam dados e informações sobre
todas as operações de uma empresa. O objetivo deste processo é transformar os
dados em informações úteis e significativas, a fim de distribuir àqueles que
realmente farão uso e tomarão decisões corretas e imediatas.
Além disso, as tecnologias de BI auxiliam as empresas a tecer uma análise de
tendências de transformação do mercado, alterações no comportamento dos clientes
e padrões de consumo. Ajudando os analistas a determinar quais ajustes
demonstram maior probabilidade de alterar ou afetar essas tendências.
O número de dados cresce cada vez mais, e uma das consequências é a
saturação de informações. Atualmente a tecnologia já fornece estrutura para coletar
e armazenar dados, porém não possuímos a habilidade para analisar, resumir e
extrair conhecimentos desses dados. Entretanto, com a ferramenta de BI, isso já
pode ser realizado.
Os dados estão em toda a parte, contudo é preciso transformá-los em
informações, e estas, em conhecimento. As empresas sofrem com a abundância de
dados, pois não têm capacidade de administrar com eficiência, tornando impossível
usar os dados para fins de suporte à tomada de decisões.
A Secretaria de Educação do Município de Guarulhos, local onde trabalho,
não possui um gerenciamento de negócios, ou seja, uma ferramenta de BI.
Administramos os dados em simples planilhas do Excel, buscamos os dados nos
sistemas que possuímos e preenchemos as planilhas conforme os dados
necessários. Quando se torna necessário um estudo para levantamento e extração
dos mesmos, que serão utilizados nas tomadas de decisões há um trabalho
exaustivo e demorado.
A importância do tema escolhido é mostrar que o Business Intelligence é uma
ferramenta muito útil para as empresas procurarem um diferencial competitivo,
2
afinal, cada minuto pode ser crucial em uma tomada de decisão e é justamente
através do BI que gestores recebem informações privilegiadas e corretas a fim de
decidir por uma ação.
Este trabalho estará voltado, portanto, para a compreensão da metodologia
do Business Intelligence como auxiliador para tomadas de decisão que são cruciais
para a movimentação estratégica no mercado de negócios.
O trabalho será dividido nos seguintes capítulos:
No Capítulo 1 será descrito o que é Business Intelligence sua história e seus
conceitos.
No Capítulo 2 será detalhado as ferramentas do BI, que são: o Data
Warehouse, o Data Mining, o Data Mart, o Processo ETL e a ferramenta OLAP e.
No Capítulo 3 mostrarei o estudo de caso da Kia Motors, onde a ferramenta
de BI foi aplicada.
Por fim apresento as considerações finais deste trabalho.
3
CAPÍTULO 1 - BUSINESS INTELLIGENCE (BI)
Na atualidade, saber fazer uso da informação é um dos diferenciais para a
competição empresarial. Os profissionais precisam tomar importantes decisões em
um curto período de tempo, e, para isso, eles se baseiam em fatos ou em
conhecimentos acumulados durante sua vida.
A quantidade de informações está crescendo freneticamente e necessitam ser
armazenadas em formato eletrônico, como exemplo o data center, que é um meio de
extrair dados de altos níveis para dar suporte a tomadas de decisões.
Para saber se as soluções a serem escolhidas poderão ajudar as empresas a
atingir seus objetivos, é necessária a utilização de informações estratégicas,
adquiridas através da análise dos dados.
Esse conceito é conhecido como Business Intelligence, no qual é capaz de
organizar os dados, estudá-los e fornecer informações estratégicas para a tomada
de decisão com auxilio de ferramentas.
1.1 História
O Business Intelligence [1] é um termo criado pela Gartner Group (empresa de
consultoria em TI) nos anos 80. Antes de ser nomeado Business intelligence, o
processo de tomada de decisão recebeu outros nomes: EIS (Executive Informations
System) ou “SIE - Sistemas de Informações Executivas”, procedimento no qual eram
copiados os valores de um relatório para uma planilha onde se pudessem tratar os
dados.
Mais tarde, esse processo passou a se chamar DSS (Decision System
Suporte) ou “Sistemas de Suporte a Decisão”, no qual se realizava o mesmo
trabalho citado acima.
4
No final da década de 60, a realidade na informática era os transistores e a
linguagem COBOL. Na chamada era “Pré-BI”, não existiam recursos eficientes para
realizar uma análise eficaz para as tomadas de decisões. As informações eram
reunidas e associadas com os sistemas transacionais, onde só era possível ter uma
determinada visão da empresa, e não se representavam ganhos remuneráveis.
Na década de 70, surgiram novas tecnologias de armazenamento e acesso
de dados, DASD (Direct Access Storage Device – dispositivo de armazenamento de
acesso direto) e SGBD (Sistema Gerenciador de Banco de Dados), duas siglas cujo
principal significado era estabelecer uma única fonte de dados para todo o
processamento. (PRIMAK ,2006).
Nos anos 90 as empresas só contavam com os Centros de Informação (CI),
no qual mantinha estoques de dados, de onde eram gerados relatórios, mas não se
disponibilizava a quantidade de informações necessárias. [2]
Entre os anos 1992 e 1993 surgiu o Data warehouse, uma ferramenta capaz
de gerenciar grandes quantidades de dados, modelando-os para suprir as
necessidades por informações mais rápidas sobre o desempenho da empresa. É
considerada a peça essencial para a execução prática de um projeto de Business
Intelligence.
Por volta do ano de 1996, o Business Intelligence começou a ser difundido
como um processo de evolução do EIS, um software que tem como objetivo principal
objetivo é oferecer ao usuário, em um curto espaço de tempo, uma visão gerencial
da organização, mostrando como funcionam seus processos de trabalho.
O termo Business Intelligence inclui uma série de ferramentas (Figura1), como
o próprio EIS e DSS , Planilhas Eletrônicas, Geradores de Consultas e de Relatórios,
Data Marts, Data Mining, Ferramentas OLAP, entre outras.
Business Intelligence também está ligado ao ERP (Enterprise Resource
Planning), sistemas de comunicação que armazenam, processam e documentam
cada acontecimento e distribuem as informações de maneira clara e segura. Esses
sistemas podem armazenar grande quantidade de dados, porém as informações
ficam espalhadas em vários sistemas dentro da empresa, causando duplicidade de
informação. Percebeu-se, então, que era necessária uma ferramenta que agrupasse
as informações em uma única base, para que fosse possível realizar diferentes
5
analises sob vários ângulos. Por esse motivo o BI e o ERP estão sendo usados
conjuntamente. [2]
Figura 1 – Evolução do BI (TURBAN, 2009).
1.2 Conceito
No tópico que segue, serão descritas algumas definições sobre o BI, cujo objetivo
é esclarecermos o conceito deste termo.
Segundo Grupo Gartner [3],
A maior ameaça das empresas da atualidade é o
desconhecimento... O Business Intelligence se empenha em
eliminar as dúvidas e a ignorância das empresas sobre suas
informações, aproveitando os enormes volumes de dados
coletados pelas empresas.
6
Para Tozi [4],
Dentre as principais características do conceito de BI,
pode-se destacar: extrair e integrar dados de múltiplas fontes;
fazer uso da experiência, trabalhar com hipóteses e
simulações, procurar relações de causa e efeito e transformar
os registros obtidos em informação útil para o conhecimento
empresarial.
Conforme Grupo Gartner [3],
Para que uma empresa possa prosperar, é preciso
atender rapidamente seus clientes e estar atenta as constantes
mudanças. Isso significa que os executivos terão de tomar
decisões críticas em questão de segundos. Entretanto, se as
informações não forem utilizadas de maneira correta, ocorrerá
o comprometimento da agilidade e eficiência da empresa.
De acordo com Haberkorn (2004,p.140). “Business Intelligence é uma
tecnologia que possibilita aos usuários acessar dados e explorar as informações
visando uma tomada de decisão mais correta.”
Portanto podemos concluir que o BI é um conjunto de ferramentas que
interagem entre si, integrando toda a tecnologia que possa prover ao usuário um
poder de análise com a rapidez e a precisão que ele não possui, permitindo
transformar os dados em informação para um melhor gerenciamento de seus
negócios.
1.3 Ferramenta Balanced Scorecard (BSC)
O Balanced Scorecard é uma ferramenta de gestão que integra as ações
Estratégicas, Operacionais e Organizacionais, auxiliando as organizações a
transformarem suas estratégias em objetivos operacionais, direcionando ações,
calculando desempenhos e propiciando uma estrutura de mensuração eficiente.
Os seus principais benefícios são:
• traduz a estratégia em objetivos e ações concretas;
7
• promove o alinhamento dos indicadores chaves com os objetivos
estratégicos a todos os níveis organizacionais;
• Proporciona à gestão uma visão sistematizada do desempenho
operacional;
• constitui um processo de avaliação e atualização da estratégia;
• facilita a comunicação dos objetivos estratégicos, focalizando os
colaboradores na sua consecução.
A implementação dessa metodologia nos sistemas ERP, está colaborando
para que cada vez mais as empresas adotem essa ferramenta.
As quatros perspectivas que constituem a ferramenta BSC são Finanças,
Cliente, Processos Internos e Crescimento.
Perspectiva Financeira: Avalia a lucratividade da estratégia, aumento da
receita, lucro, geração de caixa, novas fontes de faturamento, diminuição e variação
de custos, giro dos estoques, otimização do uso dos ativos, aumento da participação
nas vendas de itens de alta margem, inadimplência no contas a receber;
Perspectiva Clientes: Agilidade e pontualidade no atendimento, entendimento
da concorrência, preços competitivos, satisfação e reclamações dos clientes,
qualidade e defeitos testados pelo consumidor, lealdade, fixação e recuperação de
clientes, uso da garantia;
Perspectivas Processos Internos: Inova os produtos, logística de entrega,
marketing, gastos com tecnologia, utilização do ERP.
Perspectiva Aprendizado e Crescimento dos Colaboradores: é formada pelo
Capital Organizacional, Capital Humano e Capital da Informação. O Capital
Organizacional alinha os objetivos de todos os colaboradores, em especial a cultura
orientada aos clientes O Capital Humano envolve o desenvolvimento de
competências e habilidades e a atração e retenção de talentos. O Capital da
Informação é o compartilhamento do conhecimento e o Capital. (Haberkorn,2004).
8
CAPÍTULO 2 – FERRAMENTAS DE BI
2.1 Data warehouse (DW)
Para que possamos entender um pouco melhor sobre Data Warehouse é
importante fazer uma comparação com o conceito tradicional de banco de dados os
chamados de Operacionais.
A tecnologia esta presente no nosso cotidiano, na maioria das nossas ações
como: Um simples saque no caixa eletrônico, um deposito em banco e assim por
diante. Esses processos de transações que ocorrem com freqüência estão
envolvidos na atualização do banco de dados que chamamos de operacional. Onde
podem ocorrer os seguintes procedimentos, uma transação de saque de caixa
eletrônico, onde o saldo bancário deve ser reduzido segundo o valor retirado. Esses
procedimentos que lidam com negócios rotineiros no andamento de uma empresa
são chamados de Sistemas de processamentos de transações Online (OLTP).
Um Data warehouse por sua vez trabalha com o Sistemas de
Processamentos analíticos online (OLAP), pois é um banco que fornece
armazenamento para os dados que serão utilizados para análise. Isso proporciona
aos profissionais acessar os dados da empresa e usar a análise para dar um suporte
tático ou operacional às decisões, isso possibilitara uma toma de decisão mais
rápida e informada. (TURBAN,2009).
As principais diferenças entre uma base de dados operacional e um Data
Warehouse, esta sendo representada na Figura 2.
9
Figura 2 - Bases de dados Operacionais vs Data Warehouses
(SANTOS,2006,P.79).
Segundo Turban (2009, p.57),
Data Warehouse é uma coleção de dados projetada
para oferecer suporte à tomada de decisões gerenciais, contêm
uma grande variedade de dados que apresentam uma imagem
coerente das condições da empresa em um determinado ponto
no tempo. A idéia por trás do conceito foi criar uma infra-
estrutura de banco de dados que estivesse sempre online e
contivesse todas as informações dos sistemas OLTP, incluindo
dados históricos. Porém, esta infra-estrutura seria reorganizada
e estruturada de forma a oferecer rapidez e eficiência em
consultas, analises e suporte à decisão.
Podemos definir o Data Warehouse como um banco de dados que armazena
dados atuais e Históricos, onde seus utilizadores podem analisar os dados de forma
seletiva. Esses dados vêm de outros sistemas transacionais, o Data Warehouse
estabiliza e padroniza as informações para que elas possam ser usadas por toda a
empresa para analise gerencial e tomada de decisões.
10
Figura 3 – Componentes de um DW (LAUDON, 2007).
2.1.1 Características
A melhor forma de apresentaremos o Data Warehouse é detalharmos suas
características:
Orientado por assunto: Os dados são organizados por assuntos de uma
organização como, clientes, fornecedores, produtos ou lojas, não armazena
informações do dia-a-dia da organização, contem apenas as informações relevantes
ao suporte à decisão. A orientação por assunto permite informar o desempenho e o
porquê dele, proporcionando uma visão mais abrangente da organização.
Integrado: Um Data warehouse é construído de diversas fontes heterogenias
de dados, ou seja, de diversas fontes de dados da organização. Esse termo
11
integrado refere-se a consistências de nomes, no sentido que os dados vão ser
colocados em um formato consistente, um exemplo, o campo sexo, pode existir
aplicações que codificam sexo como M/F e outras como H/M. Quando os dados são
carregados para dentro do DW, eles são convertidos para um estado uniforme, ou
seja, sexo é codificado apenas de uma forma. Para isso, devem enfrentar conflitos
de nomenclaturas e discrepâncias entre unidades de medidas.
Variável no tempo: O Data Warehouse mantém dados históricos, fornecendo
informações sob uma perspectiva histórica, quando ocorre uma mudança no banco ,
ou seja, um novo registro, uma nova entrada é criada para marcar esta mudança,
por exemplo, se um cliente sofre alterações no seu cadastro de endereço três vezes
no último ano serão gerados três novas linhas no banco de dados sendo possível a
identificação de todo este histórico posteriormente.
Não – Volátil: Nos sistemas operacionais são realizadas operações básicas
nos registros, como consultas, inserções, atualizações e exclusões. Porem o Data
warehouse os usuários não tem o poder de alterar, atualizar ou excluir os dados que
foram inseridos. Os dados antigos que não são mais utilizados são descartados e as
alterações são registradas com dados novos. (TURBAN, 2009).
Segundo (Santos, 2006,P.81),
Apresentadas as principais características de um Data
Warehouse, convém realçar que este integra a informação
relativa a um determinado assunto, ou assuntos, da
organização. Isto significa que caracteriza a organização e não
parte dela. Sempre que o âmbito é mais restrito, por exemplo,
departamental, o repositório de dados armazena um
subconjunto especifico de dados da organização, sendo
designado de Data Mart e não de Data Warehouse.
12
2.1.2 Modelação Multidimensional
A Modelação multidimensional é utilizada para arquitetar a estrutura de um
Data Warehouse, ela tem dois pressupostos que são: produzir uma estrutura de
base de dados fácil de compreender e utilizar ; e otimizar o desempenho no
processamento de questões, fazendo com que a os relatórios que dão suporte à
decisão possam ser gerados rapidamente e com boa performance. (SANTOS, 2006).
Os elementos básicos de representação são estabelecidos quando o modelo
de dados começa a ser definido, para que se possa criar um padrão de modelagem.
Os elementos são as dimensões e fatos representados em tabelas, podendo haver
múltiplas dimensões e múltiplas tabelas de fatos. [5]
2.1.2.1 Tabelas fatos
As tabelas fatos são um dos principais componentes dos modelos
multidimensionais, pois permitem armazenar registros a analisar de interesse da
organização. Estes registros devem ser numéricos porque eles serão agregados
utilizando-se operações tais como, média, soma, contagem e etc. Os dados podem
ser armazenados diariamente, semanalmente, quinzenalmente, mensalmente,
bimestralmente, trimestralmente, semestralmente ou anualmente. Porem os dados
não possuem as mesmas características, portanto não podem ser analisados da
mesma maneira. [6]
Segundo Cheila [8],
As tabelas de fatos possuem duas ou mais chaves
estrangeiras, relacionadas às tabelas de dimensão,
caracterizando a integridade referencial, geralmente a chave
primária da tabela de fatos é formada por um subconjunto das
chaves estrangeiras, denominada chave composta.
De acordo com Nardi [9],
Ao modelar a(s) tabela(s) de fatos (ou apenas tabela
fato), deve-se ter em mente os seguintes pontos:
13
A chave primária é composta, sendo um elemento da chave
para cada dimensão;
Cada elemento chave para a dimensão deve ser
representado e descrito na “tabela dimensão” correspondente
(para efetuar a junção);
A dimensão tempo é sempre representada como parte da
chave primária.
Os fatos podem ser: fatos aditivos, fatos semi-aditivos e fatos não-aditivos.
Fatos Aditivos
Um fato é aditivo quando pode ser agregado em todas as dimensões que
estão diretamente relacionadas com as tabelas fatos.
Para que possamos entender melhor os fatos aditivos, a Figura 4 apresenta
um esquema em estrela, onde a tabela fato esta ligada em diversas dimensões e
integra um conjunto de fatos. O processo de negocio que esta sendo representado
nessa figura é o processo de vendas, onde o mesmo integra os fatos, ou indicadores
de negócio, Quantidade, PreçoUnitário e TotalVenda.
O TotalVenda é calculado a partir da multiplicação da quantidade do produto
vendido e do seu PreçoUnitário. Nessa figura as dimensões são a dimensão Tempo,
a dimensão Produto, a dimensão Funcionário e a dimensão Cliente. (SANTOS,
2006).
14
Figura 4 – Processo de vendas (SANTOS, 2006, p.88).
Pegaremos a dimensão Tempo e somaremos todos os registros associados
às vendas de um dado mês, no atributo TotalVenda, obtemos como resultado o valor
total de vendas verificado no mês escolhido. Se pegarmos a dimensão Cliente e
agregarmos o TotalVenda, teremos o valor total de compras já realizadas pelo
cliente. Se pegarmos a dimensão Produto, para os produtos são somados os valores
disponíveis na tabela fatos, permitindo conhecer o valor total de vendas por produto.
Se pegarmos a dimensão Funcionário, o TotalVenda permitira calcular o total de
vendas de um determinado funcionário. Portanto o fato TotalVenda, foi agregado
pelas diversas dimensões consideradas no modo estrela, mostrando que é um fato
aditivo. (SANTOS, 2006).
Fatos Semi–Aditivos
Os Fatos Semi – Aditivos são os fatos que só podem ser agregados por
algumas das dimensões, pode ser tanto em uma dimensão, como podem ser em
mais. Portanto a diferença dos Fatos Aditivos é que pelo menos uma dimensão não
tem como agregar um determinado fato. (SANTOS, 2006).
15
Fatos Não–Aditivos
Os Fatos Não-Aditivos são os fatos que não podem ser agregados por
nenhuma das dimensões que estão no modelo. Não faz muito sentido utilizar um fato
deste tipo, mas um uso para ele seria uma simples contagem.[6] Se tentarmos
agregar esse fato nas dimensões, nos retornara valores que não correspondem à
realidade. Pois fatos Não-Aditivos integram preços ou valores unitários,
porcentagens e outros atributos que precisam de uma analise isolada. (SANTOS,
2006).
2.1.2.2 Tabelas de Dimensão
As Tabelas Dimensão são uma entidade auxiliar da Tabela Fato que
determinam o contexto de um assunto de negócios que armazenam informações. As
dimensões são os aspectos pelos quais se pretende observar as métricas e são
compostas por uma chave primária que interliga com a tabela fato.
Segundo Araujo [7],
As dimensões podem ser compostas por membros que
podem conter hierarquias. Membros são as possíveis divisões
ou classificações de uma dimensão. Por exemplo, a dimensão
tempo, pode ser dividida nos seguintes membros: ano,
trimestre e mês, e a dimensão localização em: cidade, estado e
país.
Conforme Nardi [9],
Deve haver uma “tabela dimensão” para cada dimensão
do modelo, contendo:
Uma chave artificial (ou gerada) genérica;
Uma coluna de descrição genérica para a dimensão;
Colunas que permitam efetuar os filtros;
16
Um indicador NÍVEL que indica o nível da hierarquia a
que se refere a linha da tabela.
2.1.2.3 Esquema estrela
O Esquema estrela (Star Schema) é a forma mais comum de modelar dados
para o uso multidimensional. Esse esquema esta estruturado para facilitar as
consultas, enquanto o esquema relacional é arquitetado para armazenar dados que
venham de transações, evitando redundância.
O esquema estrela esta estruturado com apenas uma única tabela fatos, que
constitui o centro da estrela, e múltiplas tabelas de dimensões ligadas a tabelas
fatos. Onde a tabela fatos corresponde ao assunto que se pretende analisar, essa
tabela integra valores numéricos, que podem ser analisados utilizando as funções
estatísticas, também é composta pelas chaves de ligação das tabelas de dimensões
(Figura 5). (SANTOS, 2006).
Figura 5 – Esquema Estrela (SANTOS, 2006, p.83).
17
Segundo Gouveia [12],
O Esquema estrela é uma estrutura com tabelas e
ligações bem definidas, baseado no formato de uma estrela. É
formado por uma tabela central, denominada Tabela de fatos, a
qual possui os dados principais da visão da análise, ou seja, o
assunto que está sendo analisado, por exemplo, o consumo, as
quantidades de inadimplentes, as quantidades de
consumidores, etc. Nela ficam ligadas as tabelas de dimensão,
que possuem os aspectos pelos quais se deseja observar as
medidas relativas ao processo que se está analisando.
De acordo com Santos (2006, p.83),
As tabelas de dimensões são normalmente tabelas não
normalizadas, podendo ter embebidas um ou mais hierarquias.
As características mais representativas dos esquemas
em estrela são:
Tabelas fatos:
Integra um conjunto de atributos numéricos (fatos) e um
conjunto de chaves estrangeiras que relacionam a tabela de
fatos com as diversas dimensões que lhe estão associadas;
Apresenta-se normalizada;
Contém uma grande quantidade de registros, ocupando
normalmente mais de 95% do espaço ocupado pelo Data
Warehouse.
Tabela Dimensões:
Existem tantas dimensões quantas vertentes pelas
quais se pretende analisar os fatos;
Apresentam-se não normalizadas, integrando na
maioria dos casos uma grande quantidade de atributos;
Contêm poucos registros quando comparadas com a
tabela de fatos, apesar de integrarem muitos atributos.
18
2.1.2.4 Esquema floco de neve
O Esquema floco de neve (snowflake schema) é um esquema em estrela
onde suas dimensões são normalizadas, pois formam hierarquias nas mesmas.
Esse esquema ajuda a diminuir as redundâncias, mas conseqüentemente aumenta
a sua complexidade, dificultando a compreensão dos usuários.
O Esquema floco de neve indica a estrutura de cada uma das suas
dimensões, diferente do esquema estrela, onde as dimensões integram um
conjunto estruturado de dados, como as dimensões estão normalizadas esse
esquema evita que a informação redundante seja armazenada. (Figura 6)
A vantagem de se usar o esquema floco de neve é que ele ajuda a diminuir o
volume de dados que são levados para a memória, o inner join que é feito com a
tabela normalizada também é mais fácil de ser resolvido. Porém o número de
relacionamento entre as tabelas é maior, fazendo com que o tempo de execução
das consultas aumente. [12]
Figura 6 – Floco de Neve. (SANTOS, 2006, p.86).
Segundo Horita [11],
O esquema floco de neve representa uma variação do
esquema estrela. Este esquema aplica a terceira forma normal
(3FN) em todas as tabelas dimensão, ou seja, são retirados
das tabelas os campos que são funcionalmente dependentes
de outros campos que não são chave
19
2.1.2.5 Esquema constelação
O esquema Constelação (constellation schema) é composto de varias
tabelas fatos que compartilham dimensões comuns. Esse esquema pode ser
visto como um conjunto de esquemas estrelas.
Esse esquema pode modelar assuntos múltiplos e inter-relacionados,
pois as diversas estrelas que o integram podem ser interligadas por mais do
que uma dimensão (Figura 7).
Figura 7 – Esquema Constelação (SANTOS, 2006, p.87).
2.2 Data Mart
O Data Mart é considerado um Data Warehouse, mas de menor capacidade e
complexidade, pois foca em atender as necessidades de um determinado
departamento da organização.
Segundo Gouveia [12],
Um Data Mart representa uma área especifica a partir
de único processo empresarial, sendo considerado a parte de
um todo. É por isso que o Data Mart, que é uma abordagem
descentralizada do conceito de Data Warehouse, não é um
“pequeno Data Warehouse”, mas sim um unidade lógica de um
DW, podendo ser qualificado com um Data Warehouse
Departamental.
20
Alem da implementação do Data Mart ser bem mais rápida e o custo bem
mais baixo que um Data Warehouse, o Data Mart esta sendo usado mais
constantemente pois pode servir como teste para as companhias que desejam
adquirir o Data Warehouse.
Segundo Primak (2008,p.28), É preciso ter em mente que as diferenças entre Data
Mart e Data Warehouse são apenas com relação ao tamanho e
ao escopo do problema a ser resolvido. Portanto, as definições
dos problemas e os requisitos de dados são essencialmente os
mesmos para ambos. Enquanto um data mart trata de
problema departamental ou local, um data warehouse envolve
o esforço de toda a companhia para que o suporte à decisões
atue em todos os níveis da organização. Sabendo se as
diferenças entre escopo e tamanho, o desenvolvimento de um
data warehouse requer tempo, dados e investimentos
gerenciais muito maiores que um data mart.
As empresas que optam nas soluções de um Data Warehouse têm a idéia de
começar pequeno, mas pensando no grande, iniciam o processo a partir de uma
área especifica da empresa para depois ir crescendo aos poucos.
Ao implementar o Data Mart é necessário se preocupar com o
compartilhamento dos dados, tabelas e relatórios que são iguais aos de outros
departamentos, que seriam os outros Data Marts. Pois havendo vários Data Marts
em uma mesma organização o risco de ocorrer redundância de dados é muito alto.
De acordo com Primak (2008,p.29),
Abaixo teremos algum dos motivos pela crescente
popularidade de data marts:
Os data marts têm diminuído drasticamente o custo de
implementação e manutenção de sistemas de apoio à decisão
e têm os posto ao alcance de um número muito maior de
corporações.
21
Eles podem ser prototipados muito mais rápido, com
alguns pilotos sendo construídos entre 30 e 120 dias e
sistemas completos sendo construídos entre três e seis meses.
Os data marts tem o escopo mais limitado e são mais
identificados com grupos de necessidades dos usuários, o que
se traduz em esforço/time concentrado.
O Data Mart pode tomar as seguintes arquiteturas: [13]
Top-Down: Primeiramente cria-se o Data Warehouse e logo depois divide o
mesmo em áreas menores gerando pequenos bancos orientados por assuntos
departamentalizados, que são os Data Marts. (Figura 8)
Figura 8 – Data mart ( Top- Down) [13]
Na Figura 8, notamos que o Data Warehouse é alimentado pelo processo ETL
(Extraction, Transformation and Loading), e depois carrega os Data Marts, onde
cada um recebera os dados referente aos assuntos ou departamento. Essa
aplicação requer um grande investimento e muito tempo de construção. [13]
Botton-up: É a aplicação ao contrário, a empresa prefere criar um banco de
dados somente para um área da organização, pois não conhece direito a tecnologia
22
usada, fazendo assim um teste e também tendo um custo bem inferior do que um
projeto de Data Warehouse. Conforme os primeiros resultados partem para outra
área da organização e assim por diante ate resultar em um data warehouse. (Figura
9) [13]
Figura 9 – Data Mart (Button-up) [13]
Nessa aplicação o Data Mart é carregado através do processo ETL, onde
cada um deles é carregado com as informações adequadas. Depois podemos
decidir se deve ou não construir um Data Warehouse.[13]
2.3 OLAP
OLAP (On-line Analytical Processing) é uma tecnologia para apoiar análises e
consultas online auxiliando a responder as perguntas dos analistas, gerentes e
executivos e também auxilia os usuários a resumir as informações através de
comparações, visões personalizadas e análises históricas [12]. A ferramenta OLAP
ela faz consulta e analisa os dados contidos nos Data Warehouse e Data Mart e faz
com que o usuário final consiga extrair os dados de suas bases e construir relatórios
capazes de responder as questões gerenciais.
23
Essa Tecnologia permite criar cubos (Figura 10) para analisar a informação
sob diferentes perspectivas, esses cubos permitem analisar os fatos disponíveis na
tabela fatos, pelas diferentes dimensões consideradas na modelação realizada,
portanto a modelação é muito importante, pois ela que garante que toda a
informação necessária seja considerada. (SANTOS, 2006)
Figura 10 – Cubo [13] Segundo Anzanello [13],
O OLAP é mais do que uma aplicação é uma solução
de ambiente, integração e modelagem de dados. A maioria dos
dados de uma aplicação OLAP, são originárias de outros
sistemas e fontes de dados. Para formular a topologia e o
projeto de uma solução OLAP multidimensional as seguintes
perguntas devem ser feitas: Quando ?, O quê ?, Onde ? e
Quem ?. Essas perguntas formam a base de todos os arrays
multidimensionais. A obtenção dos dados originários das
respostas são destinados aos DW e, daí, possivelmente para
um ou vários Data Marts. Os Data Marts são subconjunto de
informações dos DWs, segmentado para uma determinada
área ou assunto, visando aumentar a velocidade na consulta
de informações.
24
Para ser elaborada a estrutura da aplicação, precisamos conhecer os
métodos de armazenamento de dados da ferramenta OLAP que são:
MOLAP (Multidimensional On-Line Analytical Processing): Nesse método os
dados são armazenados de forma multidimensional e também é utilizado bases de
dados Multidimensionais para armazenamento dos dados. [14]
ROLAP ( Relational On-Line Analytical Processing): Nesse método tanto os
dados como as consultas são processados em um banco relacional, utilizando um
sistema gestor de bases de dados relacionais para armazenar e gerir os dados que
a serão posteriormente analisados. (SANTOS, 2006)
DOLAP (Desktop On-Line Analytical Processing): Nesse método fornece a
vantagem de redução de trafico na rede e também fornece uma probabilidade dos
dados.[14]
HOLAP (Hybrid On-Line Analytical Processing): Nesse metodo que é o mais
recente, nele temos uma combinação entre o MOLAP e o ROLAP, assim nos
beneficiamos dos dois métodos, da escalabilidade do ROLAP e da velocidade de
processamento do MOLAP.[14]
Com o crescimento das necessidades das empresas em tomar decisões,
estão sendo criadas varias ferramentas de OLAP, cujos componentes principais são
o do administrador que gera os cubos de dados a serem acessados e o componente
do usuário final que tem acesso aos dados para extraí-los, onde será possível gerar
relatórios capazes de responder as questões gerenciais. Algumas características
dessas ferramentas são: [14]
Consultas ad-hoc: São utilizadas pelos usuários finais, que cruzam
informações conforme suas necessidades para terem as respostas que precisam.
25
Slice and Dice: Possibilita alterar a posição de uma informação, como trocar
linhas por colunas para facilitar a compreensão dos usuários e também permite girar
o cubo sempre que tiver necessidade.
Drill down: Seu objetivo é fornecer uma visão mais detalhada dos dados que
serão analisados.
Drill up ou Roll up: Ao contrario do Drill down essa ferramenta diminui o nível
de detalhamento da informação.
Segundo Anzanello [13],
A escolha da ferramenta de OLAP não deve ser uma
das primeiras tarefas em um projeto de desenvolvimento de
uma aplicação OLAP. O mais interessante é iniciar com a
obtenção dos dados, sua modelagem, armazenamento e, aí
sim, se proceda a escolha da ferramenta de OLAP.
2.4 Data Mining
Na nossa atualidade o volume de informação esta cada vez maior e se torna
indispensável aproveitar o máximo o que essa informação pode nos oferecer, essas
informações são armazenadas em banco de dados, onde é possível recuperar esses
dados para possíveis consultas, porém somente essas consultas não propicia todas
as vantagens possíveis que possamos ter com essas informações. Essa Informação
pode ser usada para melhorar os procedimentos da empresa, permitindo que a
mesma descubra tendências e que possa tomar decisões rapidamente para um
evento que esta por vir.
Mas devido ao grande volume de dados as empresas não são capazes de
aproveitar totalmente o que esta armazenado em seu banco de dados, e os métodos
convencionais não conseguem suprir essa necessidade. O processo de Data Mining
permite que se investigue esses dados à procura de padrões que tenham valor para
a empresa.
Segundo COMPOLT [15],
26
A tecnologia utilizada no Data Mining utiliza da procura
em grandes quantidade de dados armazenados procurando
extrair padrões e relacionamentos que podem ser fundamentais
para os negócios da empresa. O Data Mining trabalha com um
conjunto de técnicas avançadas e princípios de inteligência
artificial para identificar os padrões e associações que os dados
refletem, com isso oferecendo conclusões que podem trazer
valiosas vantagens a nível de mercado para as empresas.
Reconhecendo o Data Mining como uma forma de incorporar
significado aos dados, propõe-se especificar e desenvolver um
Sistema de Informação para efetuar classificação e
segmentação utilizando as técnicas de Data Mining.
Portanto o processo de Data mining é um processo que explora grandes
bases de dados, procurando padrões e relacionamento para que se possam validar
esses dados que são fundamentais para os negócios da empresa.
Através do Data Mining, o usuário não precisa definir o problema, selecionar
os dados e ainda escolher a ferramenta para analisar esses dados, essa ferramenta
pesquisa automaticamente os dados a procura de irregularidades e possíveis
relacionamentos, encontrando assim problemas que não tinham sido identificados
pelos usuários, portanto o Data Mining analisa os dados, identificam possíveis
problemas ou relacionamentos dos dados, assim diagnosticam o comportamento do
negócio, assim os usuários só se preocupara em buscar o conhecimento e produzir
as vantagens competitivas.[16]
Como podemos ver, o Data Mining, somente facilita e auxilia o trabalho dos
gestores das empresas, ajudando as mesmas a serem mais competitivas e
aumentarem seus lucros.
Nesse processo as tecnologias estão embutidas no software, assim os
usuários não precisam conhecer as técnicas para extrair as informações
necessárias, podendo ainda exportar os dados para planilhas eletrônicas e para
outras ferramentas que servem de apoio à tomada de decisão.
27
Figura 11 – Data Mining [16]
2.5 Processo ETL
O Processo ETL (Extract, Transform and Load), ou seja, extração,
transformação e carga. Esse processo extrai os dados de fontes externas,
transforma os mesmos conforme à necessidade da organização e os carrega no
Data Warehouse.[17]
Os dados da organização podem ter várias origens diferentes, portanto, pode
ocorrer uma inconsistência de dados, além deles possuírem as mesmas
informações, contudo foram gravados de forma diferente, por isso é necessário
estabelecer um padrão para ajustar esses dados. Um exemplo que pode ocorrer é,
um Sistema X que possui a tabela Alunos e essa tabela contem a coluna Sexo, e os
dados dessa coluna são F para Feminino e M para Masculino. No sistema Y que
também agrega a tabela Alunos, com a Coluna de Sexo, os dados dessa coluna são
28
preenchido com 1 Feminino e O Masculino. Ao carregar esses dados sem ocorrer o
Processo de ETL, o sistema não identificará que esses dados possuem a mesma
informação. Então é necessário realizar as transformações e carregar os dados já
tratados no processo de transformação para o Data Warehouse e a partir desses
dados será possível realizar as análises.
No processo ETL os estágios Extração e Carga são obrigatórios, já a
Transformação é opcional.
Extração
Extração é a primeira parte do processo ETL, onde ocorre a extração dos
dados dos sistemas de origem, como cada sistema pode utilizar um formato de
dados diferentes, a extração converte esses dados para um determinado formato
para iniciar o processo de Transformação. [17]
Transformação
Esse estágio tem uma série de regras ou funções que se aplicam nos dados
extraídos para proceder nos dados que serão carregados, os dados poderão
necessitar das seguintes transformações:
• Seleção de apenas determinadas colunas para carregar os dados;
• Tradução de valores codificados, o que é conhecido como limpeza de
dados;
• Codificação de valores de forma livre;
• Derivação de um novo valor calculado;
• Junção de dados provenientes de diversas fontes;
• Resumo de várias linhas de dados;
• Geração de valores de chaves substitutas;
• Transposição ou rotação;
• Quebra de uma coluna em diversas colunas; [17]
29
Carga
Essa fase é que os dados são carregados no Data Warehouse, incluindo tarefas
de ordenação, agregação, consolidação e verificação da integridade dos dados,
entre outras. Esse processo varia conforme as necessidades da organização, pois
os dados no Data Warehouse podem ser substituídos semanalmente, como também
podem ser substituídos a cada hora.
Figura 12 – Processo ETL (SANTOS, 2006, p.93)
Após esse processo de ETL, os dados serão utilizados para gerar relatórios que
serão aproveitados em análises através de ferramentas online analytical processing,
que permitirão que o usuário navegue de forma rápida e eficiente.
30
CAPÍTULO 3 – ESTUDO DE CASO
O Estudo de caso apresentado nesse Trabalho de Conclusão de Curso foi
apresentado na integra, cujo objetivo foi exemplificar o Business Intelligence
aplicado no ambiente coorporativo. [18]
Business Intelligence para Alavancar as Vendas de Automóveis.
O mercado automotivo, atualmente, possui muitas oportunidades de utilização
de BI principalmente para ganhos de competitividade com relação aos concorrentes.
A ferramenta de BI tem por objetivo fornecer maior disponibilidade de
informações processadas de forma que o executivo possa tomar decisões com base
em dados estatísticos, gráficos e relatórios, entre outros.
Assim sendo, a confiabilidade e a qualidade das decisões tornam a empresa
mais agressiva com relação aos seus concorrentes.
A ferramenta de BI utiliza recursos de Tecnologia de Informação (TI) para
disponibilizar a maior quantidade possível de informações ao usuário de forma
organizada. Permitindo assim, que o executivo tenha visão da empresa em diversos
aspectos e pontos de vista.
A visão geral da empresa possibilita evitar erros de tomada de decisões
devido à falta de informação ou interpretações de dados de maneira errônea.
Um aspecto que deve ser levado em consideração é o custo de ter uma
ferramenta como esta dentro da empresa. A ferramenta de BI é custosa e
conseqüentemente apenas grandes empresas podem adquirir esta ferramenta em
sua plenitude.
As montadoras de automóveis freqüentemente fazem parte de rol das grandes
empresas e estão normalmente imersas em uma concorrência ferrenha. Neste
cenário as montadoras podem ter a ferramenta de BI como uma grande aliada em
suas investidas contra os concorrentes de forma que esta adquira o máximo de
segurança possível em seus investimentos e estratégias.
31
Caracterizando o Business Intelligence (BI)
O BI, para Wu (2000), recorre ao uso de tecnologia para colecionar e
efetivamente usar informação para melhoria empresarial. Um sistema ideal de BI
fornece aos empregados de uma organização e aos seus sócios, o acesso fácil à
informação que eles precisam e a capacidade de analisar e compartilhar estas
informações.
A estrutura de funcionamento do BI segue uma estrutura de camadas em
forma de pirâmide mostrada por Wu (2000) as quais servem para ajudar a focar as
informações necessárias para que as ações sejam tomadas com maior base.
Figura 13 - Estrutura de funcionamento do BI – Fonte: Afolabi (2004)
As montadoras acumulam grandes volumes de dados em Data Warehouse
sobre seus clientes, vendas, produtos, componentes, mercados internacionais,
enfim, sobre qualquer coisa que possa ajudar nos seus negócios.
A filtragem e análise destes dados geram informação selecionando os dados
que realmente são interessantes de serem analisadas.
Com base nas informações coletadas são gerados indicadores para que a
compreensão do problema ocorra com maior facilidade e possa se conhecer os
objetivos da pesquisa e o que se deseja obter do volume de dados disponível.
32
Para que se possa adquirir conhecimento das informações coletadas,
normalmente, são utilizadas ferramentas de Data Mining para que o conhecimento
seja extraído utilizando-se as informações obtidas e a compreensão do problema.
Graças ao conhecimento obtido pela ferramenta de mineração de dados, Data
Mining, que faz com que os envolvidos com o problema colaborem com
conscientização para que os objetivos sejam alcançados e o gestor tome as ações
corretivas exatamente no centro do problema assim a eficiência e eficácia das ações
sejam maximizadas.
Implementadas as colaborações & ações de acordo com o planejamento
ditado pelos processos anteriores o retorno do investimento (ROI) é obtido
naturalmente e com maior volume possível.
Na metodologia mostrada por AFOLABI & THIERY (2004), para que a
ferramenta de BI atinja seus objetivos deve-se identificar o que se quer alcançar com
o BI. Em condições práticas isto significa procurar oportunidades na organização
onde a inteligência empresarial pode melhorar a qualidade das decisões.
Este processo de BI é dividido em três etapas básicas:
A primeira etapa requer consideração de onde pode ser aplicado o BI em uma
organização (por exemplo, unidades empresariais ou áreas funcionais), quem são os
beneficiários (por exemplo, executivos, analistas e gerentes) e são definidos os tipos
de informação (por exemplo, dimensões e medidas).
A segunda etapa consiste em envolver as pessoas para juntar idéias e
compartilhar as experiências sobre as quais processos empresariais podem se
beneficiar do BI e que informação pode ajudar a melhorar os processos da empresa.
A terceira etapa é a seleção criteriosa das idéias para identificar as
oportunidades de BI que oferecem os maiores benefícios.
Os benefícios de se utilizar o software de BI, principalmente o retorno do
investimento, conforme KOUNADIS (2000), são tipicamente mais difíceis de se
avaliar, especialmente para companhias que têm pouca ou nenhuma experiência
com a tecnologia. Os benefícios mais importantes não são facilmente quantificados
com antecedência, eles envolvem variáveis menos mensuráveis como o impacto de
ter informação mais rapidamente, maior qualidade de decisões, perspectivas de
novos mercados e potenciais melhorias na estratégia competitiva.
33
Além disso, há uma lista de benefícios da implementação do software de BI
que, conforme DEBROOSE (2003), são intangíveis, e, no entanto, difíceis de
quantificar, mas, é onde os maiores e mais rápidos retornos acontecem.
Os benefícios intangíveis são:
Decisões operacionais e estratégicas de melhor qualidade e mais oportunas.
Melhoria da comunicação entre os empregados e satisfação no cargo, são os
resultados de um maior senso de autonomia.
Maior compartilhamento do conhecimento.
A camada mais visível da infra-estrutura de inteligência empresarial conforme
WU (2000) são as aplicações que se estendem em camadas para entrega de
informação aos usuários. As exigências de inteligência empresarial incluem geração
de relatório, consultas e capacidades para realizar investigações especiais nos
dados e análises que permitam a identificação de tendências.
Para DEBROOSE (2003), o software de BI deve permitir aos usuários a
interação com a informação para ganhar novas visões das variáveis empresariais
subjacentes e apoiar decisões empresariais.
Para alcançar a máxima velocidade da inteligência empresarial, processos
devem ser monitorados continuamente para que possam alertar aos responsáveis
através de indicadores, apressando ações para solucionar problemas ou compensar
eventos empresariais imprevistos.
Esta natureza de atividade da inteligência empresarial pode prover tremendos
benefícios de negócio.
A utilização da inteligência empresarial na Web através de portais, para
AFOLABI & THIERY (2004), está ganhando impulso considerável. Portais Web estão
se tornando um ponto personalizado de acesso para informações empresariais
fundamentais. Todos os principais fornecedores de software de BI desenvolvem
componentes que incluem na infraestrutura de BI da empresa portais de acesso a
informações empresariais.
34
Inteligência Empresarial e Indústria Automotiva
A indústria de automotiva é muito variável. Para Carvalho (2005), fatores
como globalização, fusões e aquisições, competição de instituições e inovação
tecnológica, forçou companhias a re-pensar a estratégia empresarial.
As empresas do mercado automotivo têm que criar novas fontes de renda,
entrar em novos mercados, ganhar parte do mercado e reduzir custos operacionais.
Além disso, as expectativas de clientes estão mudando. Eles estão mais bem
informados e mais exigentes. Companhias estão transformando a estratégia de
administração para se tornar mais focada ao cliente que ao produto.
Soluções de BI fizeram um papel significante na estratégia de muitas das
companhias automotivas, permitindo que estas se adaptem para comercializar
rapidamente novos produtos de acordo com as tendências de mercado. Com o fácil
acesso aos dados, analisados estatisticamente, companhias podem administrar
custos, desempenho e aumentar a rentabilidade em termos de lucros.
Soluções de BI podem ajudar a melhorar o desempenho das companhias nas
vendas do varejo garantindo mais investimentos em novos produtos e nichos de
mercado.
Contribuições do BI na qualidade das vendas
O BI, para Carvalho (2005), pode ajudar as empresas automotivas a
identificar os clientes e produtos mais lucrativos, entendendo os padrões de compra
dos clientes, reter os clientes e valorizá-los entendendo o comportamento de
maneira individual, identificando e respondendo as necessidades e oferecendo
produtos e serviços de melhor qualidade.
Outro aspecto relevante é a melhoria do atendimento ao consumidor
identificando e respondendo rapidamente a tendências de mercado, necessidade de
novos representantes, estudos de geografia e características de disputa de
mercado.
35
A eficiência das campanhas comerciais pode se tornar mais efetivas através
de analises de taxa ótima de resposta e da estratégia a ser trilhado que são feitas
muito eficientemente com a utilização da ferramenta de BI.
Os riscos perdas podem ser minimizados entendendo exposição de risco
tanto ao longo da organização quanto a um nível individual num setor.
Aplicação de uma ferramenta de BI na Kia Motors da Alemanha
Na Alemanha, as pessoas levam automóvel muito a sério, já que os alemães
são os produtores de alguns dos mais distintos e respeitados automóveis no mundo.
Mesmo assim, não é nenhuma novidade que os alemães não são leais com suas
marcas nativas, fazendo o mercado automotivo alemão ser extremamente
competitivo e desafiador para fabricantes e importadores de automóveis.
Em um esforço para impulsionar sua posição competitiva no exigente
mercado alemão de automóveis, a Kia Motors da Alemanha, uma divisão da Kia
Motors da Europa, queria proporcionar para suas 450 concessionárias, acesso de
tempo real de inventários de veículos novos e peças de reposição além de outras
informações para melhorar satisfação de cliente e aumentar as vendas.
Na Alemanha, as concessionárias da Kia Motors têm apenas alguns carros
novos disponíveis apenas para demonstração. Os carros, quando são comprados na
concessionária, geram uma ordem em demanda para Kia na Coréia e então os
carros são transferidos às concessionárias para entrega para o cliente. É
extremamente necessário, para que este processo ocorra bem, com disponibilidade
de dados precisos e imediatos da disponibilidade de carros sendo estes dados
cruciais ao sucesso das concessionárias e a satisfação dos clientes.
A exigência da Minimização de Processos baseados em papéis
Os concessionários da Kia estavam utilizando relatórios impressos
semanalmente com informações de tempo de disponibilidade de carros novos e
peças de reposição. Com a distribuição mundial de automóveis e peças, estes
relatórios de papel não puderam manter o ritmo das movimentações de inventário se
36
tornando obsoletos muito rapidamente. Além disso, concessionários dependiam dos
lentos e ineficientes relatórios em papel para realizar suas vendas de carros e peças
sobressalentes. Estes relatórios eram compartilhados por métodos, como fac-símile.
A falta de dados disponíveis mais rapidamente estava causando problemas para os
concessionários e era um fato impeditivo para os clientes comprarem os carros da
Kia Motors.
Os concessionários não confiavam na lista de papel e chamavam o
departamento de distribuição para confirmar a disponibilidade carros novos e peças
de reposição o que provocava desperdício de trabalho e tempo de ambos os lados.
Alguns clientes potenciais estavam preocupados com o excesso de tempo
para entrega dos pedidos de carros novos, devido à demora da chegada do pedido
ao fabricante na Coréia, o mesmo se diz para peças sobressalentes. Assim a Kia
quis melhorar seu nível de serviço com um software de BI.
Vantagens adquiridas com a implementação do software de BI
O novo sistema permite aos concessionários a fazer diversas operações
online entre elas pode se citar a checagem da disponibilidade de carros novos,
realização de pedidos de carros novos, obter a lista de peças sobressalentes, entre
outras funções.
Conforme Mostrado na figura 14 a interface do software é de fácil manuseio e
entendimento das informações oferecidas. O software foi concebido para utilização
por pessoas de diversos níveis hierárquicos, fornecendo tanto dados para suporte a
vendas quanto dados estatísticos sobre as vendas voltados para o planejamento
estratégico por parte da gerência.
37
Figura 14 - Tela do módulo do software de BI
O software desenvolvido é voltado para utilização em navegadores WEB para
o sistema operacional Microsoft Windows em ambiente de escritório. O software de
BI ajudou a Kia Motors a alavancar a lógica empresarial existente tornando críticas
as informações sobre a disponibilidade de inventário de automóveis e peças de
reposição através de uma intranet segura.
Com a melhoria do sistema de informação dos concessionários possibilitou-se
também a melhoria da inteligência empresarial para a Kia Motors, apresentando
dados executivos agregados para cada região e o histórico do concessionário.
O sistema fornece informações mais precisas sobre a data e o horário que um
pedido é feito, permitindo fazer melhorias dentro do planejamento de pessoal.
Adicionalmente, há estatísticas que permite analisar os concessionários tanto
individualmente quanto de maneira geral.
38
O ROI
A Kia da Alemanha alcançou resultados mensuráveis com a implementação
do software de BI:
• Redução de custos com força de trabalho entre 70 a 80 por cento.
• Melhoria das vendas de 30 por cento.
• Economia de 10.000 Marcos (5,000€) remetendo-se aos custos de
administração dos relatórios dos concessionários agora providos com o
acesso on-line e informações em tempo real de inventário de peças e
automóveis novos.
• Agilização do cumprimento das ordens, entregando ordens de peças
sobressalentes e carros novos em um dia em média, contra dois a três
dias no passado.
• Minimizado o tempo de treinamento dos empregados.
A Solução aplicada
O software de BI utiliza um cubo de dados, como mostrado na figura 15, para
fornecer dados de vendas de automóveis novos, peças de reposição e solicitações
de utilização de garantia pelo fabricante.
O cubo de dados é um repositório acessado pelos concessionários através de
um navegador WEB, todos os 450 concessionários KIA já possuem acesso ao banco
de dados com disponibilidade 24 horas.
Em uma versão de testes mais 610 concessionários distribuídos pela Europa
estão também acessando o mesmo banco de dados com o objetivo de integrar todos
os concessionários da Europa em uma única rede integrada de informações.
Com a integração dos concessionários de toda a Europa, aumentou-se ainda
mais a eficiência do sistema, permitindo que todos os concessionários da Europa
possam ter as mesmas informações sobre peças de reposição e carros novos além
da atualização online das regras de garantia dos produtos e preços dos produtos.
39
Figura 15 - Cubo de dados utilizado para alimentar o software de BI - Fonte:
Adaptado de Fidalgo et.al.(2004)
Os dados sobre vendas coletados pelo sistema são filtrados e exportados
para o Excel para que possam ser trados pela ferramenta OLAP disponível no
pacote Office da Microsoft.
Um exemplo do relatório montado em Excel com os dados de vendas de
acessórios dos carros, mais especificamente na área de som e vídeo é mostrado na
figura 16.
40
Figura 16 - Indicadores gerados com ferramentas OLAP do Excel com base no
cubo de dados mostrado na figura 15
A coleta de dados de controle de estoque e de estatísticas de vendas é
facilitado pela organização dos dados em data marts. A estrutura de dados do
sistema é mostrado pela figura 17.
41
Figura 17 - Distribuição de dados - Fonte: Adaptado de Fidalgo et. al.(2004)
Com a implantação do sistema de BI a Kia Motors da Alemanha foi capaz de
aumentar sua capacidade de administração de seu inventário e estendê-lo para sua
intranet, disponibilizando informações mais rapidamente e de melhor qualidade para
os concessionários, ao longo da Alemanha.
O projeto teve tanto êxito na Alemanha que o sistema foi utilizado em outras
divisões de Kia na Áustria, Bélgica, República Tcheca, Hungria e Suécia.
Conclusão Estudo de Caso
O mercado automotivo em qualquer local do mundo apresenta muitas
disputas, sendo assim, as montadoras devem estar muito bem informadas sobre si e
sobre o mercado que estão participando.
A ferramenta de BI oferece vantagens competitivas, principalmente,
relacionadas com a disponibilidade de informações precisas e sempre atualizadas.
Este suporte é imprescindível para que as corporações se tornem mais
seguras sobre as estratégias que estão tomando e sobre as reações que o mercado
está tendo com relação às ações estratégicas aplicadas sobre ele.
42
Assim grandes prejuízos financeiros são evitados, prejuízos estes devido a
estratégias errôneas de mercado, perda de clientes e principalmente problemas com
a própria imagem da empresa.
Num cenário competitivo como este o atendimento ao cliente é fundamental
para que as vendas sejam realizadas, para que os clientes retornem à
concessionária para fazer reparos e quando ocorrer a troca esta seja feita por um
automóvel da mesma marca.
A fidelidade dos clientes é um patrimônio incalculável para as montadoras e o
software de BI é uma grande ferramenta para manter os clientes sempre satisfeitos.
As tecnologias de comunicação de dados principalmente as relacionadas com
a web são grandes ferramentas para melhoria da comunicação interna da empresa,
melhorando a qualidade das informações, com atualizações mais rápidas e precisas.
As ferramentas de BI estão explorando as redes de comunicação de dados
para que suas funcionalidades tenham o melhor êxito possível.
O investimento para implantação de um software de BI, segundo Microsoft
(2002), pode ser reduzido em muito com a utilização do pacote Office Microsoft
como software de apoio, gerando relatórios, contribuindo com a organização de
dados e geração de gráficos.
O software apresentado neste artigo ilustrou as potencialidades da ferramenta
para operações de logística e vendas das montadoras.
Mostrou que a utilização correta da ferramenta pode alavancar vendas,
melhorar a imagem da empresa mostrando que é uma instituição eficiente,
organizada e confiável.
A eficiência que o software de BI implementado mostrou provocou reações de
mercado e mudanças de ponto de vista dos clientes fazendo que a antiga imagem
ineficiência e lentidão da logística da KIA Motors da Alemanha fosse mudada para
melhor.
Conforme mostrado no artigo houve melhorias não somente em vendas, mas,
também em qualidade, marketing, logística, entre outros.
43
CONSIDERAÇÕES FINAIS
Tal pesquisa proporcionou uma visão ampla de como o BI pode servir de
apoio à tomada de decisão. No século XXI, a informação tornou-se um foco para as
que as empresas possam crescer, se as mesmas forem conduzidas de modo eficaz
certamente ajudará em seu crescimento. Conseguir atrelar essas informações junto
com o processo de decisão, para saber que rumo tomar dentro de uma organização
é o diferencial competitivo que todas as empresas, sejam elas: pequenas, médias e
grandes, procuram. Os Sistemas de Tomada de Decisão hoje estão cada vez mais
presentes na vida dos gestores, pois proporcionam metodologias eficazes no
processo decisório.
O Business Intelligence é uma excelente escolha para as empresas que
querem e precisam de um diferencial competitivo na era da informação, pois essa
ferramenta possibilita que os gestores possam manipular e extrair os dados
conforme suas necessidades, podendo assim transformá-los em informação. Todos
os que realmente disputam um lugar no mercado e que precisão tomar decisões
corretas e em tempo ágil, estão se rendendo a essa ferramenta, pois pode ser uma
importante arma nessa guerra de interesses.
Com base no estudo de caso, conclui-se que todos os objetivos por parte da
empresa Kia Motors que implementou o BI foram atendidos. O sistema se mostrou
apto a gerar informações de acordo com os dados selecionados, conseguindo cruzar
informações relevantes para a gestão integral das vendas, controle de estoque e
solicitações de utilização das garantias, dando subsídio aos gestores para um
possível caminho para sua tomada de decisão. O sistema disponibiliza essas
informações através de um cubo de decisões, onde esses dados são filtrados e
exportados para o Excel, que é tratado pela ferramenta OLAP disponível no pacote
Office da Microsoft que é capaz de gerar gráficos se for de preferência do executivo,
para facilitar visualmente a análise da informação.
Com ferramentas de fácil utilização e com finalidade bem definidas a Kia
Motors se satisfez com os resultados, pois além das informações forma
disponibilizadas mais rapidamente, as mesmas ganharam também na qualidade,
pois a técnica do BI retornou dados corretos e sem inconsistências.
44
Este trabalho proporciona aos gestores, diferencias competitivos a fim de
agregar informações coerentes em um tempo hábil para as tomadas de decisões.
Certamente pude perceber a real importância de uma tomada de decisão dentro de
uma empresa, e o quanto o modelo de negócios pode se tornar eficiente e os custos
podem ser reduzidos através deste trabalho.
45
REFERÊNCIAS BIBLIOGRAFICAS
Meio Digital
[1] Business Intelligence
http://www.businessintelligence.com.br/portal/modules.php?name=News&file=article
&sid=1
Acessado em: 15 de Outubro de 2011 às 15:32
[2] Curso de Business
http://www.nextgenerationcenter.com/detalle-curso/Business_Intelligence.aspx
Acessado em: 16 de Outubro de 2011 às 11:10
[3] Conceito de BI
http://www.infobras.com.br/portugues/produtos_bi_conceito.asp
Acessado em: 16 de Outubro de 2011 às 12:00
[4] Estudo do BI
http://www.uvv.br/portais/cienciacomputacao/pdf/2008/UM%20ESTUDO%20DO%20
BUSINESS%20INTELLIGENCE%20NO%20AMBIENTE%20EMPRESARIAL.pdf
Acessado em: 16 de Outubro de 2011 às 14:25
[5] BI
http://msdn.microsoft.com/pt-br/library/cc518031.aspx
Acessado em: 02 de Novembro de 2011 às 18:17
[6] OLAP
http://www.din.uem.br/~ia/a_multid/mineracao/OLAP.html
Acessado em: 02 de Novembro de 2011 às 18:44
46
[7[ Data Warehouse
http://www.devmedia.com.br/post-6978-Qualidade-na-Modelagem-dos-Dados-de-
um-Data-Warehouse.html
Acessado em: 05 de Novembro de 2011 às 19:06
[8] SI
http://www.giovani.inf.br/adm_inf/artigos/DW_Sistema_de_Informacoes_Integradas.p
df
Acessado em: 08 de Novembro de 2011 às 09:58
[9] Sistemas de Informação
http://msdn.microsoft.com/pt-br/library/cc518031.aspx
Acessado em: 09 de Novembro de 2011 às 09:07
[10] Business Intelligence (BI)
http://bibdig.poliseducacional.com.br/document/?view=98
Acessado em: 10 de Novembro de 2011 às 09:23
[11] Modelagem dimensional
http://www.flaviohorita.stillit.com.br/index.php?option=com_content&view=article&id=
81:modelagem-dimensional&catid=43:business-intelligence&Itemid=57
Acessado em: 10 de Novembro de 2011 às 18:37
[12] Tecnologia
http://www.ppgi.di.ufpb.br/wp-content/uploads/2009robertamacedo.pdf
Acessado em: 11 de Novembro de 2011 às 13:10
[13] Data Mart
http://www.dataprix.net/pt-pt/24-data-mart
Acessado em: 11 de Novembro de 2011 às 17:43
[14] Sistemas de Informação - OLAP
47
http://www.fag.edu.br/professores/limanzke/Administra%E7%E3o%20de%20Sistema
s%20de%20Informa%E7%E3o/OLAP.pdf
Acessado em: 12 de Novembro de 2011 às 00:21
[15] Globalização
http://campeche.inf.furb.br/tccs/1999-II/1999-2geandroluiscompoltvf.pdf
Acessado em: 12 de Novembro de 2011 às 15:35
[16] Tecnologia – Business Intelligence
http://www.intelliwise.com/reports/i2002.htm
Acessado em: 12 de Novembro às 16:25
[17] Conceitos
http://www.infobras.com.br/portugues/produtos_conceito_etl.asp
Acessado em: 13 de Novembro às 15:16
[18] Estudo de caso
http://www.simpep.feb.unesp.br/anais/anais_13/artigos/642.pdf
Acessado em; 15 de Novembro às 18:05
Meio Impresso
HABERKORN, Gestão Empresarial com ERP . Microsiga, 2003.
LAUNDON. Sistemas de Informação Gerenciais . Pearson, 2007.
PRIMAK. Decisões com B.I (Business Inteligence) . Ciência Moderna, 2008.
SANTOS, RAMOS. Business Intelligence: Tecnologias da informação na
gestão de conhecimento . FCA - Editora de Informática, 2006.
TURBAN, et al. Business Intelligence Um enfoque Gerencial para a I nteligência
do negócio . Bookman, 2009.
48
ANEXO
Termo de compromisso e responsabilidade
Autenticidade e exclusividade sob as penas da Lei 9810/98
Pelo presente, os abaixo assinados declaram, sob as penas da lei, que o
presente trabalho é inédito e original, desenvolvido especialmente para os fins
educacionais a que se destina e que, sob nenhuma hipótese, fere o direito de autoria
de outrem.
Para maior clareza, firmamos o presente termo de originalidade.
Guarulhos, 16 de novembro de 2011
Thatiane Calegari Elias