Análise da Dispersão dos Esforços dos Funcionários:

A Inteligência Artificial aplicada a um Modelo de Decisão

Guttenberg Ferreira PassosCompanhia de Tecnologia da

Informação do Estado de Minas Gerais – Prodemge

Belo Horizonte, MG, Brasilgut.passos@gmail.com

Ilan ChamovitzManchester Business School The Manchester University

Manchester, United Kingdomilan@api.adm.br

Antonio PlaisCentus Consultoria e Negócios

Belo Horizonte, MG, Brasilantonioplais@centus.com.br

Abstract — Artificial Intelligence contributes to create, expand and improve service systems, establishing the algorithms that will subsidize the decision-making process in the organizations environment. It also contributes to the solution of the problems related to management by results, aiming at the improvement of the public services provided, in the face of a service demand superior to the installed capacity.

Keywords-organizational; model; service; demand;capacity

I. INTRODUÇÂO

A Inteligência Artificial contribui para criar, ampliar e melhorar os sistemas de serviços, estabelecendo os algoritmos que irão subsidiar o processo de tomada de decisão no ambiente das organizações. Também contribuem para a solução dos problemas relacionados à gestão por resultados, visando à melhoria dos serviços públicos prestados, em face de uma demanda de serviços superior à capacidade instalada.

II. OBJETIVO

As empresas públicas geralmente têm restrições de orçamento e dificuldade na contratação de pessoal. Isso faz com que as pessoas tenham que desempenhar vários papéis ao mesmo tempo, devido à falta de pessoal, trazendo uma queda na produtividade e falta de motivação por causa das atividades excessivas.

Uma possível solução começa no estudo de como fazer os computadores realizarem coisas que, no momento, as pessoas fazem melhor.

Assim os Sistemas Especialistas emergiram, no campo da Inteligência Artificial, empregando o computador de maneira diversa que o processamento de dados convencional abrindo novas e importantes oportunidades.

O objetivo do desenvolvimento de sistemas em IA não é de substituir as pessoas por máquinas, nem mesmo as tomadas de decisões do ser humano. Os sistemas desenvolvidos com técnicas de IA além de softwares, hardwares, incluem também pessoas, conhecimentos humanos e procedimentos.

Assim como em outros sistemas de informação, o propósito maior das aplicações da IA nas empresas é auxiliar as

organizações na tomada de decisão visando alcançar suas metas.

III. REVISÃO DA LITERATURA

A distribuição normal é uma das mais importantes distribuições da estatística, conhecida também como Distribuição de Gauss, desenvolvida pelo matemático francês Abraham de Moivre em 1733 [1]. É representada por um gráfico simétrico, em forma de sino (Fig. 1), e pode ser descrita pela função densidade de probabilidade (1).

FIGURE 1. NORMAL DISTRIBUTION

Esta equação é especificada por dois parâmetros: a média populacional, μ ∈ R, e o desvio padrão populacional, σ > 0, ou o equivalente a variância populacional, σ². Quando a distribuição dos dados é Normal, a média se encontra no centro da distribuição e esta possui o mesmo valor da mediana e da moda, devido à simetria da curva.

O grau ao qual os dados numéricos tendem a dispersar-se em torno de um valor médio chama-se variação ou dispersão dos dados. As medidas mais comuns são: média, amplitude, variância, desvio padrão e coeficiente de variação.

1

Média Populacional (μ ou   ) (2): é a soma dos valores dividido pelo número de observações.

(2)

Amplitude Total (AT) (3): é a diferença entre o maior e o menor valor.

AT = máx(xi) – mín(xi). (3)

Variância (σ² ou s2) (4): é uma medida da sua dispersão estatística, indicando "o quão longe" em geral os seus valores se encontram do valor esperado.

(4)

Desvio Padrão (σ ou s) (5): é a medida mais comum da dispersão estatística. Ele mostra o quanto de variação ou "dispersão" existe em relação à média (ou valor esperado). Um baixo desvio padrão indica que os dados tendem a estar próximos da média; um desvio padrão alto indica que os dados estão espalhados por uma gama de valores. O desvio padrão define-se como a raiz quadrada da variância.

(5)

Coeficiente de Variação (CV) (6): O coeficiente de variação é uma medida relativa de dispersão, utilizada para comparar, em termos relativos, o grau de concentração em torno da média.

(6)

Na Curva de Gauss, (fig. 1), a área em azul está a menos de um desvio padrão da média. Em uma distribuição normal, isto representa cerca de 68% do conjunto, enquanto dois desvios padrão desde a média (azul e laranja) representam cerca de 95%, e três desvios padrão cobrem cerca de 99.7%. Este fato é conhecido como regra 68-95-99.7, ou a regra empírica, ou a regra dos 3-sigmas.

O histograma, também conhecido como distribuição de frequências ou diagrama das frequências, é a representação gráfica, em colunas (retângulos), de um conjunto de dados previamente tabulado e dividido em classes uniformes. A base de cada retângulo representa uma classe e a altura de cada retângulo representa a quantidade ou frequência com que o valor dessa classe ocorreu no conjunto de dados.  

O boxplot, ou diagrama de caixa, é um gráfico que capta importantes aspectos de um conjunto de dados através do seu resumo dos cinco números, formado pelos seguintes valores: valor mínimo, primeiro quartil, segundo quartil, terceiro quartil e valor máximo.

O histograma com distribuição de probabilidade é utilizado na exibição dos valores que possuem maior probabilidade de ocorrência na verificação da simetria de uma distribuição.

O termo “inteligência artificial” nasceu em 1956 no famoso encontro de Dartmouth. Dentre os presentes a este encontro incluíam-se Allen Newell, Herbert Simon, Marvin Minsky,

Oliver Selfridge e John McCarthy [2]. Inteligência Artificial (IA), na definição de Rich e Knight [3], é o estudo de como fazer os computadores realizarem coisas que, no momento, as pessoas fazem melhor.

Um sistema de IA tem uma característica forte que é a capacidade da aquisição, representação, e manipulação de conhecimento e não somente de armazenamento e manipulação de dados, como os sistemas procedurais. Uma das ideias mais úteis que emergiram das pesquisas em IA, é que fatos e regras - conhecimento declarativo - podem ser representados separadamente dos algoritmos de decisão – conhecimento procedimental. Isto teve um efeito profundo tanto na maneira dos cientistas abordarem os problemas, quanto nas técnicas de engenharia utilizadas para produzir sistemas inteligentes.

Adotando um procedimento particular - máquina de inferência – o desenvolvimento de um sistema IA é reduzido à obtenção e codificação de regras e fatos que sejam suficientes para um determinado domínio do problema. Este processo de codificação é chamado de engenharia do conhecimento. Com isso podemos definir as partes principais de sistema de IA que são: aquisição, representação e manipulação de conhecimento e, geralmente, uma estratégia de controle ou máquina de inferência que determina os itens de conhecimento a serem acessados, as deduções a serem feitas, e a ordem dos passos a serem usados.

No campo de IA aplicada, após uma década de trabalho, emergiram três subcampos principais: Sistemas Especialistas, Linguagem Natural e Robótica - incluindo visão, fala e locomoção. Os SE começaram a surgir comercialmente entre 1980 e 1981. A primeira companhia formada exclusivamente para produzir sistemas especialistas foi a Intelli Genetics, no campo de engenharia genética e com técnicos oriundos do Projeto de Programação Heurística da Universidade de Stanford.

Assim os Sistemas Especialistas após terem se desenvolvido por 15 anos como mera curiosidade de IA aplicada em laboratórios de pesquisa, tornaram-se alvo de significativos esforços de desenvolvimento, tanto técnicos como comerciais. Estes sistemas empregam computador de maneira diversa que o processamento de dados convencional abrindo novas e importantes oportunidades. Recentemente, muitas organizações têm explorado esta tecnologia, ampliando suas pesquisas e começando a adaptar suas atividades para tanto.

O objetivo do desenvolvimento de sistemas em IA não é de substituir as pessoas por máquinas, nem mesmo as tomadas de decisões do ser humano. Os sistemas desenvolvidos com técnicas de IA além de softwares, hardwares, incluem também pessoas, conhecimentos humanos e procedimentos. Assim como em outros sistemas de informação, o propósito maior das aplicações da IA nas empresas é auxiliar as organizações a alcançar suas metas.

As técnicas de IA dentre outras contemplam: técnicas heurísticas, que tem por objetivos selecionar um resultado final através de regras práticas; Sistemas Especialistas, que solucionam problemas que normalmente são resolvidos por especialistas humanos; técnica difusa (fuzzy), que permite

2

flexibilizar as condições ou introduzir situações qualitativamente aceitáveis; processamento de linguagem natural e redes neurais.

Embora SE e Especialistas (Experts) Reais possam em alguns casos desempenhar tarefas idênticas, as características de ambos são criticamente diversas. Mesmo havendo algumas vantagens evidentes dos SE eles não poderão substituir os peritos em todas as situações devido a algumas limitações inerentes.

SE podem ser definidos como programas de computador desenvolvidos para representar o conhecimento humano num domínio específico. Quanto mais especializados e identificáveis forem os domínios ou área do problema, maiores são as chances de se obter sucesso na aquisição, estruturação e representação do domínio nas bases de conhecimento, Rabuske, 1995 [4].

Podemos definir SE também como sendo programas de computador planejados para adquirir e disponibilizar o conhecimento operacional de um especialista humano, resolvendo assim determinados problemas que o especialista resolveria, Bittencourt, 1998 [5].

Para solucionar tais problemas, os SE precisam acessar uma substancial base de conhecimentos do domínio da aplicação, que precisa ser criada do modo mais eficiente possível. Eles também precisam explorar um ou mais mecanismos de raciocínio, para aplicar seu conhecimento aos problemas que tem diante de si. Depois precisam de um mecanismo para explicar o que fizeram aos usuários que deles dependem.

Todo SE, (Fig. 2), inclui três elementos básicos: uma base de conhecimento, uma máquina de inferência e uma interface com o usuário.

Figure 2. Elementos básicos de um SE

A base de conhecimento representa o que se sabe sobre o objetivo até o presente. A máquina de inferência compreende a logística para conhecer o que ainda não se sabe. A interface com o usuário facilita a comunicação entre o sistema e o questionador. Assim um SE simula através de conhecimentos o conhecimento do especialista humano.

O Gerenciamento de Decisões de Negócio [6] é uma disciplina relativamente nova no cenário das disciplinas de gestão empresarial, se comparada com disciplinas como o Gerenciamento de Processos, que remonta ao início do Século 20, ou o Gerenciamento de Dados, que tem suas origens nos idos de 1950. Podemos viajar ao passado não mais que ao final

dos anos 1990, quando o Business Rules Group publicou um trabalho seminal no campo do estudo das regras de negócio que regem o comportamento das organizações [7].

Trabalhos contemporâneos de Ronald Ross [8] e Barbara von Halle [9] impulsionaram o surgimento de toda uma nova disciplina, o Gerenciamento de Regras de Negócio, que rapidamente ganhou a aceitação e a adesão do mercado. Inúmeras iniciativas de transformação e desenvolvimento de sistemas passaram a usar os novos conceitos, que se surfou em uma onda crescente de adeptos e praticantes ao longo dos anos 2000.

O trabalho do BRG justifica a necessidade de uma nova disciplina para a descrição das regras de negócio que estruturam e orientam as operações das empresas mostrando que, ao longo dos anos, as técnicas de desenvolvimento de sistemas evoluíram para descrever, de forma precisa, vários aspectos das organizações, principalmente seus fluxos de atividades (processos), de informações (dados) e suas estruturas organizacionais. De alguma forma, o conceito de 'regras de negócio' está implícito em todas estas disciplinas, mas de fato o importante aspecto da lógica que rege as organizações permanecia não coberto.

Em 2009, no entanto, Larry Goldberg e Barbara von Halle, no livro "The Decision Model: A Business Logic Framework Linking Business and Technology" [10], afirmam:

"Embora seja verdade que muito progresso tenha sido feito para atacar os distintos aspectos enterrados na 'grande bola de lama', não tem havido muito sucesso na separação da lógica de negócios, de forma que ela possa ser desenvolvida e modificada de forma independente. Ironicamente, a lógica de negócios está exatamente no coração dos sistemas de negócio automatizados."

O mesmo Ken Orr, no prefácio deste livro, afirma:

"De fato, as regras de negócio são, talvez, o mais importante e não resolvido problema enfrentado pelo negócio e pela TI. Um grande número de organizações não são mestres de suas regras de negócio, mas prisioneiras delas"

A partir destas constatações, estes autores desenvolvem toda uma nova abordagem para o gerenciamento das regras de negócio que estruturam e orientam as operações das organizações, que denominam The Decision Model. Nas palavras dos autores:

"O Modelo de Decisão (TDM - The Decision Model) traz para o mundo das regras de negócio uma estrutura bem definida, baseada na natureza intrínseca da lógica, estendida com princípios de integridade e normalização. Capturar a lógica de negócios, desde as condições até as conclusões e refiná-la até que seja atômica, precisa, inequívoca, e alinhada com os objetivos de negócio, é o que o constitui o Modelo de Decisão e os seus princípios."

IV. METODOLOGIA O Modelo de Responsabilidade Organizacional [11]

estabelece uma relação entre a demanda por serviços encontrados em uma organização e a produtividade das pessoas

3

na realização das atividades que compõem o serviço, permitindo que se estabeleça o melhor custo / benefício.

Para as pessoas, distribuídas nas áreas da organização, executarem as atividades ligadas aos serviços e processos entregando valor aos clientes, é preciso ter o conhecimento necessário.

O conhecimento pode ser alcançado de diversas formas, como na elaboração de um Documento de Conhecimento do Domínio (DCD), cujo objetivo é capturar o conhecimento tácito das pessoas e formalizá-lo para ser disseminado na empresa e adquirido por aqueles que executarão as atividades relacionadas aos serviços.

Outro passo importante é a definição dos papéis, elementos discriminadores, eles diferenciam os indivíduos a partir das funções a eles atribuídas na organização. O papel organizacional se baseia no entendimento claro de como as pessoas devem se comportar e o que entregar em cada nível organizacional.

As pessoas sabem o que entregar quantitativamente, mas somente o desempenho do papel lhes dirá como entregar qualitativamente. Pois, é no papel organizacional que se junta valores e normas, cultura e clima, ação e intenção, curto prazo e longo prazo, economia e desenvolvimento.

É preciso, também, mapear as equipes que irão atuar nos determinados núcleos encarregados pela entrega dos Serviços Internos. O conhecimento armazenado no DCD pode ser compartilhado entre as diversas pessoas integrantes das equipes que desempenharão o mesmo papel, levando-se em consideração a produtividade de cada um.

A estatística pode nos ajudar a inferir a melhor alocação dos atores distribuídos nas áreas da organização para desempenhar seu papel de forma otimizada.

O levantamento da capacidade produtiva das equipes compartilhadas é baseado no esforço necessário para execução das atividades que compõem os serviços, utilizando uma adaptação do Time-Driven ABC Model, de Robert Kaplan [12].

Após o mapeamento das equipes e o levantamento do esforço, em uma situação normal, o gráfico dos esforços das equipes (Fig. 3) de uma determinada população poderia ter a seguinte distribuição:

Figure 3. Levantamento da capacidade produtiva

As curvas de frequência (Fig. 4), baseadas na estatística, do esforço identificado pelo levantamento da capacidade produtiva de uma determinada área, são:

Figure 4. Curvas de frequência

Valores apurados de Amplitude: 52,4 e Desvio Padrão: 14.218230.

Dentre as análises dos gráficos da população acima, em se comportando como uma distribuição normal, podem-se destacar as seguintes análises comparativas (Fig. 4):

Figure 4. Análises comparativas das curvas de frequência

Busca-se ter uma pequena amplitude com baixo desvio padrão para que os esforços das equipes fiquem próximos da média (entre 80 e 85% do esforço segundo Kaplan) diminuindo a dispersão.

4

Nesse contexto a demanda pode ser distribuída para um profissional que tenha o conhecimento e a habilidade necessários para lidar com a complexidade exigida, ao invés de distribuí-la aleatoriamente, de acordo com os critérios estabelecidos na qualificação da demanda.

Outras medidas que podem ser apontadas nesse sentido:

possibilidade de automatização de atividades de baixa complexidade;

análise da necessidade de propor novas medidas para elevar a produtividade das equipes;

avaliação do impacto da otimização dos esforços na execução das atividades.

V. MODELO DE DECISÃO A inteligência artificial auxilia na tomada de decisão, pois

permite que as máquinas possam compreender as coisas de maneira inteligente a fim de solucionar problemas.

O primeiro passo é a Aquisição de Conhecimento, processo de identificar, extrair, analisar e documentar o conhecimento obtido de um especialista de domínio com o propósito de construir um Sistema Especialista.

Esse processo é usualmente dividido em três estágios:

decisão de qual conhecimento é necessário (equivalente a definição ou análise inicial),

obtenção de conhecimento predominantemente vindo de especialistas humanos e interpretação deste conhecimento (usualmente chamada Elicitação do Conhecimento),

codificação do conhecimento na linguagem interna do sistema (usualmente chamada Representação).

Na definição do conhecimento necessário foram utilizados métodos estatísticos como a Distribuição Normal.

Na etapa de elicitação de conhecimento, o engenheiro de conhecimento extrai o conhecimento do domínio do especialista. O elicitante ou o engenheiro de conhecimento obtém o material, analisa e interpreta esse material, e coloca-o em uma forma pré-codificada que será útil para codificar o conhecimento em uma linguagem de SE e que permita uma investigação por todas as partes interessadas no desenvolvimento do sistema.

A Geração de matriz, técnica escolhida na elicitação de conhecimento, é útil com especialistas que estão acostumados a tabular informações. As tabelas (matrizes) são úteis para levantar relacionamentos entre os itens da lista (linhas e colunas). As combinações possíveis que a matriz propicia favorecem à elicitação de heurísticas (preferências do especialista por certas combinações) e à descoberta de novas

relações possíveis que antes não haviam sido emergidas por simples brainstorming.

Justifica-se a escolha desta técnica pois o especialista escolhido pode tabular informações. Deste modo se obtêm uma visão ampla e direcionada para a solução do problema, como novos pontos que outras técnicas ainda não conseguiram alcançar.

O produto da elicitação de conhecimento será a representação do conhecimento relevante para ser usado como uma base para a implementação do Sistema Especialista.

O padrão DMN - Decision Model and Notation, elaborado pelo OMG (Object Management Group), também pode ser utilizado na geração das tabelas (matrizes).

Ele foi concebido para ser capaz de representar a lógica de negócios independentemente de sua implementação real (manual, semi-automatizada, ou completamente automatizada). Além disso, através de definição de uma linguagem própria de expressão da lógica de negócios, o DMN pretende que modelos de decisão DMN possam ser executados em qualquer motor de regras compatível com o padrão, na prática tornando a modelagem de decisões de negócio completamente independente dos detalhes relativos à sua implementação.

O conceito principal do DMN é a "decisão", definida como: um valor de saída resultante da aplicação de uma lógica de decisão a um conjunto de valores de entrada.

A lógica de decisão (Fig. 5) possui diversas formas de expressão, sendo a mais comum o uso de "tabelas de decisão", estruturas tabulares bidimensionais que representam as variáveis de entrada, as (possivelmente várias) variáveis de saída, e as regras de negócio que determinam as saídas corretas a partir dos dados de entrada.

Uma Tabela de Decisão pode ser associada a uma Fonte de Conhecimento (ou diretamente a uma Decisão), especificando a lógica (regras de negócio) que efetivamente governam a decisão. Digno de nota, também, é que, embora intimamente ligada aos processos, uma decisão não é dependente de um processo para sua existência. Isto significa que decisões podem ser identificadas, elaboradas, modeladas e gerenciadas como um ativo independente, com seu próprio ciclo de vida e estrutura de governança completamente independente dos processos que (eventualmente) venham a utilizar esta decisão.

Esta é uma característica importante para as organizações, pois, pela primeira vez, é possível tratar a lógica de negócios como um ativo real de negócio, com sua (enorme) importância e valor para a empresa.

Figure 5. Lógica de Decisão

5

Na elaboração do modelo foram propostas as seguintes Tabelas de Decisão:

Tabela 1. Resultado das variáveis da Distribuição Normal

Variáveis Resultados

Minimum 46,10 Maximum 98,50 1. Quartile 78,00 3. Quartile 93,00 Mean 81,92 Median 82,10 Sum 1.064,90 SE Mean 3,943428 LCL Mean 73,323394 UCL Mean 90,507375 Variance 202,158077 Stdev 14,218230 Skewness 1,101140- Kurtosis 0,519629 shapiro.test 0,051640 GAP - Coeficiente de Variação - CV 17,4

Tabela 2. Capacidade produtivaMediana Capacidade Produtiva Pontuação

< 80 Baixa 1 >= 80 e <= 85 Média 3 > 85 Alta 2

Tabela 3. Coeficiente de VariaçãoCoeficiente de Variação - CV Dispersão Pontuação

<= 15 Baixa 3 > 15 e < 30 Moderada 2>= 30 Elevada 1

Tabela 4. Avaliação da DistribuiçãoAvaliação da Distribuição PontuaçãoExcelente 6Ótima 5Boa 4Ruim 3Péssima 2

Tabela 5. Capacidade produtiva x DispersãoCapacidade Produtiva Dispersão PontuaçãoBaixa Baixa Boa 4Baixa Moderada Ruim 3Baixa Elevada Péssima 2Média Baixa Excelente 6Média Moderada Ótima 5Média Elevada Boa 4Alta Baixa Ótima 5Alta Moderada Boa 4Alta Elevada Ruim 3

Tabela 6. Necessidade de Pessoal - GAPGAP Necessidade de Pessoal

< 0 Sobra = 0 Não > 0 Sim

Tabela 7. Hora ExtraMaximum Faz hora extra

> 100 Sim <= 100 Não

Tabela 8. RiscoNecessidade de Pessoal Faz hora extra RiscoSobra Não BaixoNão Não BaixoNão Sim M édioSim Não M édioSim Sim Alto

Tabela 9. Decisão

6

Regra Risco Problema Decisão

2 Ótima Sobra3 Boa Sobra Baixo Excesso de pessoas. Demissão de pessoal ou movimentação para outras áreas.4 Ruim Sobra Baixo Excesso de pessoas e má distribuição das atividades. Demissão de pessoal ou movimentação para outras áreas e redistribuição das atividades dentro da área.5 Péssima Sobra Baixo Excesso de pessoas e má distribuição das atividades. Demissão de pessoal ou movimentação para outras áreas e redistribuição das atividades dentro da área.6 Excelente Não Baixo Sua área está com o quantitativo de pessoas adequado e excelente distribuição das atividades. Parabéns! Continue assim!7 Ótima Não Baixo Sua área está com o quantitativo de pessoas adequado e boa distribuição das atividades. Parabéns! Continue assim!8 Boa Não Baixo Quantitativo de pessoas adequado e má distribuição das atividades. Redistribuição das atividades dentro da área.9 Boa Não Médio Cuidado! Quantitativo de pessoas adequado e má distribuição das atividades. Redistribuição das atividades dentro da área.

10 Ruim Não Médio Cuidado! Quantitativo de pessoas adequado e péssima distribuição das atividades. Redistribuição imediata das atividades dentro da área.11 Péssima Não12 Excelente Sim13 Ótima Sim Médio Atenção! As atividades estão bem distribuídas mas faltam pessoas. Contratação de pessoal ou movimentação de outras áreas.14 Ótima Sim Alto Muita Atenção! As atividades estão bem distribuídas mas faltam pessoas. Contratação de pessoal ou movimentação de outras áreas.15 Boa Sim16 Ruim Sim Médio Cuidado! As atividades estão mal distribuídas e faltam pessoas. Contratação de pessoal ou movimentação de outras áreas e redistribuição das atividades dentro da área.17 Ruim Sim Alto Muito Cuidado! As atividades estão mal distribuídas e faltam pessoas. Contratação de pessoal ou movimentação de outras áreas e redistribuição das atividades dentro da área.18 Péssima Sim Médio Socorro! As atividades estão mal distribuídas e faltam pessoas. Contratação de pessoal ou movimentação de outras áreas e redistribuição das atividades dentro da área.

Decisão

Verifica-se moderada dispersão dos dados, problema identificado:

Sua área está com o quantitativo de pessoas adequado e boa distribuição das atividades.

Solução proposta:

Parabéns! Continue assim!

VI. RESULTADO

A aplicação da Inteligência Artificial, através de Sistemas Especialistas, combinada com a Modelagem de Decisão, contribui para criar, ampliar e melhorar os sistemas de serviços, auxiliando as organizações na tomada de decisão visando a otimização da produtividade de seus funcionários levando a melhoria dos serviços públicos prestados, em face de uma demanda de serviços superior à capacidade instalada.

REFERÊNCIAS

[1] LOPES, M. M.; BRANCO, V. T. F. C.; SOARES, J. B. Utilização dos testes estatísticos de Kolmogorov-Smirnov e Shapiro-Wilk para verificação da normalidade para materiais de pavimentação. IN TRANSPORTES v. 21, n. 1, 2013. ISSN: 2237-1346 (online). DOI:10.4237/transportes.v21i1.566.

[2] BRASIL, L. M. Modelagem de Sistemas Complexos: Tópicos Avançados. Brasília, 2012. (Apostila).

[3] RICH, E.; KNIGHT, K. Inteligência Artificial, Segunda Edição, Makron Books do Brasil Editora Ltda., São Paulo, SP,1994.

[4] RABUSKE, R. A. Inteligência Artificial, Editora da UFSC, Florianópolis, SC, RJ, 1990.

[5] BITTENCOURT, G. Inteligência Artificial: Ferramentas e Teorias, Editora da UFSC, Florianópolis, SC, 1998.

[6] PLAIS, A. O Momento do Gerenciamento de Decisões de Negócio, Blog Comunidade Áreas de Integração, Brasília, DF, Brasil, 2016, Disponível em: http://areasdeintegracao.blogspot.com.br/2016/08/o-momento-do-gerenciamento-de-decisoes.html

[7] The Business Rules Group. Defining Business Rules - What Are They Really?, 2000

[8] ROSS, Ronald G. Business Rule Concepts: Getting to the Point of Knowledge, 1a edição, 1998

[9] BARBARA, V. H. Business Rules Applied: Building Better Systems Using the Business Rules Approach, 1a edição, , 2001

[10] GOLDBERG, L.; BARBARA, V. H. The Decision Model: A Business Logic Framework Linking Business and Technology, 2009

[11] PASSOS, G. F.; CHAMOVITZ, I.; THEODOULIDIS, B. Organizational Responsibility Model: Dealing with Demand for Services Higher Than Installed Capacity. In: 2013 IEEE International

Conference on Systems, Man, and Cybernetics; IEEE; 2013. p. 4415-4420.

[12] KAPLAN, R; ANDERSON, Steven R. Timedriven activity-based-costing. Havard Business Review, 2004. <http://www.hbs.edu/research/facpubs/workingpapers/papers2/0304/04-045.pdf>

7