i

SABRINA MARIANA FREITAS COSTA

ESTRATÉGIA DE REAÇÃO EM CALL CENTER:

UMA PROPOSTA DE ARQUITETURA

FACULDADE DE TECNOLOGIA DE SÃO PAULO

DEPARTAMENTO DE TECNOLOGIA DA INFORMAÇÃO

São Paulo

2011

ii

SABRINA MARIANA FREITAS COSTA

ESTRATÉGIA DE REAÇÃO EM CALL CENTER:

UMA PROPOSTA DE ARQUITETURA

Monografia apresentada à Faculdade de Tecnologia de São Paulo, como parte dos requisitos para obtenção do título de Especialista em Análise e Projetos de Sistemas.

Orientador: Prof. Dr. Silvio do Lago Pereira

FACULDADE DE TECNOLOGIA DE SÃO PAULO

DEPARTAMENTO DE TECNOLOGIA DA INFORMAÇÃO

São Paulo

2011

iii

1

AGRADECIMENTOS

Neste trabalho foram descritos desde pequenas sugestões a grandes idéias.

Apesar de todas as circunstâncias e contratempo agradeço imensamente a todos

que me auxiliaram, em especial aos meus pais e toda minha família que, com muito

carinho e dedicação, não mediram esforços na ajuda em concretizar mais esta etapa

em minha vida. Agradeço também ao Professor Doutor Silvio do Lago Pereira por

todo apoio prestado, na orientação e incentivo dados a este trabalho que, só assim,

tornaram possível sua conclusão.

2

BANCA EXAMINADORA

Professor Orientador: Dr. Silvio do Lago Pereira

Professor 2: Prof. Dr. Kazuo Watanabe

Professor 3: Profa. Me. Grace Anne Pontes Borges

3

SUMÁRIO

INTRODUÇÃO ...................................................................................................... 10

1 AMBIENTE DE CALL CENTER ...................................................................... 15

1.1 As Origens ................................................................................................ 15

1.2 A Infraestrutura ......................................................................................... 17

2 ESTUDO DE CASO........................................................................................ 18

2.1 Estrutura da Empresa ............................................................................... 18

2.2 Regra de Negócio ..................................................................................... 21

2.3 Características .......................................................................................... 22

2.4 Arquitetura de Processamento .................................................................. 23

3 PLANEJAMENTO ESTRATÉGICO E GESTÃO DE CONHECIMENTO ......... 25

3.1 Planejamento ............................................................................................ 25

3.2 Gestão de Conhecimento ......................................................................... 28

4 INTELIGÊNCIA EMPRESARIAL .................................................................... 30

4.1 CRM .......................................................................................................... 30

4.2 Data Warehouse ....................................................................................... 31

5 INTELIGÊNCIA APLICADA AO NEGÓCIO .................................................... 44

5.1 Redes Neurais Artificiais ........................................................................... 44

6 ARQUITETURA PROPOSTA ......................................................................... 61

6.1 Introdução ................................................................................................. 61

6.2 Ferramentas utilizadas e suas características .......................................... 65

6.3 Ambiente DW ............................................................................................ 66

6.4 Data Mart de Desempenho Operacional ................................................... 71

6.5 Dicionário de Dados .................................................................................. 72

6.6 Vantagens e Desvantagens da Arquitetura Proposta ............................... 75

6.7 Melhorias e Trabalhos Futuros ................................................................. 77

Conclusão ............................................................................................................... x

4

Referências ........................................................................................................... xii

Apêndice A - Visão geral do Trabalho .............................................................. xiv

5

LISTA DE TABELAS

Tabela 1: Consulta Cubos BI por dimensão vendas por Região. .......................... 37

Tabela 2: Consulta Cubos BI por dimensão vendas por Região por trimestre. ..... 37

Tabela 3: Armazenamentos Acessíveis por Ferramenta ...................................... 39

Tabela 4: Correspondência entre tipos de usuários e funcionalidades. ................ 43

Tabela 5: Comparação Redes Biológicas X Artificiais. ......................................... 47

Tabela 6: Requisitos de Servidores Envolvidos. ................................................... 64

Tabela 7: Tratamento de dados. ........................................................................... 70

Tabela 8: Definições das dimensões .................................................................... 71

Tabela 9: Parametrização de Alerta ...................................................................... 72

Tabela 10: Problemas X vantagens aplicadas á arquitetura proposta. ................. 76

6

LISTA DE FIGURAS

Figura 1: Pesquisa de satisfação para Call Center, visão consumidor . ............... 11

Figura 2: Estrutura do Call Center da Empresa. ................................................... 18

Figura 3: Arquitetura Ambiente Atual. ................................................................... 23

Figura 4: CRM X DW ............................................................................................ 30

Figura 5: Estrutura – Integração ........................................................................... 32

Figura 6: Estrutura – DW ...................................................................................... 33

Figura 7: Hierarquia de Dimensões....................................................................... 35

Figura 8: Representação de um fato de vendas por meio de um cubo. ................ 36

Figura 9: Modelo Star – Estrela............................................................................. 38

Figura 10: Processo de criação e uso da inteligência. .......................................... 42

Figura 11: Parte de uma rede: duas células biológicas interconectadas. ............. 45

Figura 12: Processamento da informação em um neurônio artificial..................... 46

Figura 13: Rede neural com uma camada escondida. .......................................... 48

Figura 14: Função de soma para um neurônio (a) e vários neurônios (b). ........... 50

Figura 15: Exemplo de funções para RNA. ........................................................... 50

Figura 16: YT é o valor transformado de –Y. ....................................................... 51

Figura 17: Estruturas de rede neural: fluxo progressivo ........................................ 52

Figura 18: Estrutura recorrente comparada com fonte progressiva. ..................... 52

Figura 19: Processo de aprendizagem de uma RNA. ........................................... 54

Figura 20: Retropropagação de erros para um único neurônio. ............................ 56

Figura 21: Fluxograma do processo de desenvolvimento de uma RNA. .............. 58

Figura 22: Arquitetura do Ambiente Proposto. ...................................................... 62

Figura 23: Modelagem de dados, para o processamento do DW. ........................ 70

Figura 24: Aplicação – Funcionalidade. ................................................................ 73

Figura 25: Aplicação – Processo de Análise. ........................................................ 73

Figura 26: Aplicação – E-mail Estratégico. ........................................................... 74

7

LISTA DE ABREVIATURAS

BAM Monitoramento de atividades de Negócios

BI Business Intelligence

BPM Corporate Performance management

CEO Chief Executive Officer

CPM Corporate Performance Management

CRM Customer Relationship Managemen

DW Data Warehouse

DSS Decision Support Systems

EIS Sistemas de Informações Executivas

FCS Fatores Críticos do Sucesso

MDX Multidimensional Expressions

MPL Perceptron Multi-Camadas

ODS Operational Data Store

OLAP On Line Analytical Processing – Processamento On-line Analítico

PA Posição de Atendimento

PE Elementos de Processamento

RNA Rede Neural Artificial

SAC Atendimento ao Consumido

SIG Sistemas de Geração de Relatório

SSAS SQL Server Analysis Services

SSIS SQL Server Integration Services

SSRS SQL Server Reporting Services

SWOT Forças (Strengths), Fraquezas (Weaknesses), Oportunidades (Opportunities).

URA Unidade de Resposta Audível

8

RESUMO

No ambiente corporativo de Call Center, a alta competitividade no setor torna

cada vez mais necessária a inovação tecnológica e dinamismo em sua gestão além

da redução de custos e menor tempo para a execução de soluções. Vale salientar a

importância da eficiência quanto às decisões tomadas na gestão de todos estes

itens. Como solução para os problemas vistos, tais como: operacional, estratégico,

má utilização das ferramentas disponíveis. Na execução das atividades de caráter

solucionador este trabalho apresenta o conceito de Business Intelligence (BI)

utilizado na análise, planejamento, gestão e estratégia. Também será aplicado o

conceito Inteligência Artificial - Redes Neurais, aprimorando as análises e medidas

utilizadas na gestão do setor operacional, além de propor uma arquitetura

estratégica que visa oferecer maior agilidade nas tomadas de decisões e na análise

de problemas/ incidentes com medidas de caráter solucionador, a arquitetura

proposta vai além de índices estratégicos, garante a avaliação da estratégia que

está sendo tomados durante a gestão, tais pontos podem ser indicados como caso

de fracasso e sucesso no planejamento de qualquer empresa.

Palavras-chave: Business Intelligence, Data Mining, Processamento Analítico

on-line (OLAP), Data Warehouse, Data Mart, Data Store Operacional (ODS),

Integração de Dados, Modelagem Dimensional, Extração Transformação De Carga

(ETL), Cubos De Dados, OLAP Multidimensional (MOLAP), Meta Estratégica,

Objetivo Estratégico, Visão Estratégica, Algoritmo De Aprendizado, Aprendizado Não

Supervisionado,Aprendizado Supervisionado,Função Sigmoide (Ativação

Lógica),Neurônio, Camada Escondida, Processamento Paralelo, Rede Neural, Rede

Neural Artificial (RNA),Taxa De Aprendizado.

9

ABSTRACT

In the call center corporate , high competitiveness in the sector

becomes increasingly necessary technological innovation and dynamism in

management in addition to reducing costs and less time to implement solutions. It is

worth mentioning the importanceof efficiency and of the decisions taken in the

management of all these items. As a solution to the problems seen, such as:

operational, strategic, misuse of the tools available. In carrying out the activities of

a solver this paper presents the concept of Business Intelligence (BI) used in the

analysis, planning, management and strategy. Also applied the concept Artificial

Intelligence - Neural Networks, improving analysis and measures used in managing

the operational sector, and to propose astrategic architecture that aims to

provide greater flexibility in decision-making and problem analysis / incident with

measuresof character solver, the proposed architecture goes

beyondstrategic levels, ensures the evaluation of the strategy beingtaken during the

administration, such points can be suggested as a case of failure and success in any

business planning.

Keywords: Business Intelligence, Data Mining, online analytical

processing(OLAP), Data Warehouse, data mart, operational data store (ODS), data

integration, dimensional modeling, extraction transformation loading (ETL), data

cubes, Multidimensional OLAP (MOLAP),strategic goal, strategic objective, strategic

vision, learning algorithm, unsupervised learning, supervised learning, the sigmoid

function (activation logic), neuron, hidden layer, parallel processing, neural

networks, artificial neural network (ANN), rate learning.

10

INTRODUÇÃO

Telemarketing consiste em um instrumento de “inteligência e informação” voltado

para atender demandas, cada vez maiores, onde o telefone deixa de ser apenas um

meio simples e barato para efetivar as vendas e passa a ser manuseado como uma

ferramenta de marketing mix, com benefícios de televendas agregando a capaci-

dade de detectar necessidade, monitorar mercado, interagir com o cliente, realizar

pós venda, pesquisa, propaganda de uma determinada empresa (Mancini, 2006).

Recentemente, uma pesquisa publicada na rede de relacionamento Facebook1,na

qual perguntava “Quando um operador de call center entra em contato, qual a sua

reação ?”, obteve a resposta de 46 usuários, mostrando-se que, ao serem

abordadas por um operador de Call Center, 43% não compram nada por telefone e

34% apesar de ouvirem a proposta da entidade, acaba não comprando, outros 21%

não são receptivos e afirmam que ao atender informam que não está disponível ou

ausentes. O publico pesquisado 55% eram homens e 44% mulheres, obtendo assim

um índice de 34% com atuação na área de tecnologia da informação, 23% na área

pedagógica, 23% não informam qual sua área e 20% atua em outras áreas. A

pesquisa apresenta apenas uma amostra para o desenvolvimento deste trabalho,

outro ponto levantado constatou que 68% do público pesquisado são graduados,

10% possui pós-graduação, 4,25% tem ou estuda Doutorado, 8,51% são públicos

com ensino médio completo e 8% não informa no perfil seu grau de instrução.

A Figura 1 - Pesquisa de satisfação para Call Center, visão consumidor -

apresenta o gráfico com os demais índices obtidos nesta pesquisa, mostram que a

estratégia de telemarketing chegou a um ponto onde necessita de ações á serem

tomadas, para melhorar a quantidade de vendas e diferencial na hora de oferecer

um serviço. As empresas de Call Center precisam de potencial para ser bem

sucedidas no mercado tão competitivo, necessitam aprimorar suas técnicas de

vendas e atrair a atenção de clientes durante os contatos telefônicos, mas princi-

palmente, possuir a capacidade de planejamento estratégico.

1 https://www.facebook.com/questions/212753698759923/, acesso em set. 2011. Fonte: Sabrina

Mariana.

11

Figura 1: Pesquisa de satisfação para Call Center, visão consumidor .

Fonte: https://www.facebook.com/questions/212753698759923/ Autora: Sabrina Mariana.

De acordo com Howard Dresner, vice-presidente da Gartner Group,

considerada a criadora do termo Business Intelligence (BI), “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” (Gartner, 2004).

Atualmente, sistemas informatizados de apoio à decisão são ferramentas valiosas

para empresas que necessitam de planejamento estratégico ágil, para obtenção de

resultados efetivos em curto, médio e longo prazo. O uso da tecnologia BI vem

crescendo na mesma proporção em que as empresas necessitam facilitar seus

processos de tomada de decisão como, por exemplo, análises e projeções. A

padronização e integração automáticas de informações provenientes de diferentes

sistemas, que se tornaram possíveis com o uso da tecnologia BI, possibilitam

confiabilidade e rapidez nos processos de análise de grandes volumes de dados

para extração de informações estratégicas para a tomada de decisão. A

disponibilidade destas informações estratégicas permite soluções lucrativas e

promissoras para as empresas, favorecendo os executivos do negócio.

1

16 10

19

2%

34%

21%

43%

0

5

10

15

20

25

Geralmente Aceita aProposta.

Escuta a proposta, masnão compra.

Não é receptivo, sempreinforma que não está

disponível.

Não compra nada portelefone

Quando um operador de call center entra em contato. Qual a sua reação ?

12

Objetivo

Este trabalho tem por finalidade propor uma arquitetura para solucionar alguns

problemas no planejamento estratégico no ambiente de call Center, além de facilitar

as análises, propor decisões e acompanhar o desempenho das ações perante os

resultados, auxiliará a equipe de Planejamento nas estratégias que incluem medidas

de monitoração a todo o processo de venda ou prestação de serviço. A arquitetura

também pode inibir possíveis fraudes no setor operacional, além de dar ênfase nas

metas estabelecidas pelo cliente, gerando assim melhorias na qualidade do serviço

prestado, satisfação de clientes, lucro para os acionistas e, conseqüentemente,

melhoria no ambiente de trabalho. Para tal finalidade é proposto uma arquitetura de

sistemas para automatizar as medidas aplicáveis de acordo com as estratégias

previamente formuladas. Para a execução das propostas citadas serão empregados

neste trabalho: Conceitos de Gestão de Conhecimento (FALCÃO & BRESCIANI

FILHO Apud CARBONE Et Al., 2005), Planejamento Estratégico Nivem (2005),

Estrutura do Ambiente de Business Intelligence (Inmon 2005; Kimball 1997) e

Técnicas de Inteligência Artificial - focada para a gestão de negócios e, a exemplo

deste ultimo item, Redes Neurais Artificiais (Braga 2000).

No desenvolvimento do trabalho será considerada uma empresa do segmento de

terceirização de serviços de Call Center para entidades como bancos e empresas de

telefonia móvel ou fixa. Por motivos de sigilo comercial, neste estudo de caso, esta

empresa será referenciada apenas como empresa X.

Atualmente, a empresa X conta com um quadro de 5.000 colaboradores, sendo

que 90% deles são operadores de telemarketing, que atendem a um total de 25

campanhas do tipo ativo (oferecimento de produtos e serviços) ou receptivo (serviço

de informações e solução de problemas). A missão desta empresa é “ser a melhor

ponte entre o nosso cliente e seu mercado”. Seus clientes (contratantes) são entida-

des públicas e privadas em diversos segmentos da economia, o que exige estraté-

gias diferenciadas para cada tipo de entidade (muitas das quais são concorrentes

entre si). Na gestão estratégica da empresa X, a área de planejamento enfrenta

problemas como:

Muitas ações a serem administradas, com apenas seis integrantes na equipe.

Análises são parciais para relatório de desempenho de equipe ou para BI.

13

O foco estratégico está voltado à campanha (ação de telemarketing) e não

necessariamente às necessidades da contratante.

A tecnologia BI é essencialmente baseada em consultas a planilhas e os

conceitos são mal aplicados.

Todas as campanhas trabalham com o mesmo plano de ação, porém as

contratantes exigem tratamentos diferenciados em função dos problemas de

desempenho identificados por elas próprias.

A rotatividade da equipe é grande, sendo assim não é aplicada a gestão de

conhecimento entre os integrantes.

Os problemas de desempenho operacional não são previamente identificados,

apenas são tratados depois que surgem.

As medidas estratégicas estão voltadas para correção e jamais para preven-

ção de algumas situações como roubo, plágio e coletas incompletas.

. Será proposto um ambiente como base uma campanha de cartões de crédito

ativa, espera-se resolver ou diminuir a ocorrência destes problemas.

Metodologia

O estudo de caso é um tipo de pesquisa qualitativa amplamente desenvolvida na

área de Tecnologia da Informação. Segundo MARTINS (2002), o estudo de caso:

“É uma categoria de pesquisa cujo objeto é uma unidade que se anali-sa profundamente. Pode ser caracterizado como um estudo de uma entidade bem definida, como um programa, uma instituição, um siste-ma educativo, uma pessoa ou uma unidade social. Visa conhecer o seu “como” e os seus “porquês”, evidenciando a sua unidade e identidade própria. É uma investigação que se assume como particularística, debruçando-se sobre uma situação específica, procu-rando descobrir o que há nela de mais essencial e característico.”.

A pesquisa qualitativa tem quatro características básicas:

Tem o ambiente natural como sua fonte direta de dados.

Os dados coletados são predominantemente descritivos.

A preocupação com o processo é muito maior do que com o produto.

A análise dos dados tende a seguir um processo indutivo.

Para este trabalho específico, tem-se:

14

Método: Aplica-se ao método de pesquisa qualitativo cujo produto é uma

arquitetura de sistema que poderá ser usada como uma nova ferramenta

para a solução do problema mencionado. A arquitetura será documentada

para implementação futura, podendo ser desenvolvida como continuidade

deste trabalho.

Tipo: O tipo de pesquisa é descritivo-explicativa, abordando conceitos de

ambiente de Call Center, tecnologia BI e inteligência artificial, promovendo

inovação nas ferramentas de apoio à tomada de decisões estratégicas.

Delineamento: A pesquisa apresenta conceitua a integração de tecnologia

Business Intelligence (BI), Data Warehouse (DW) e On Line Analytical

Processing (OLAP) para gerenciar o planejamento das ações.

Coleta de dados: A pesquisa é baseada em dados coletados de livros,

artigos e teses. Dados relevantes da empresa X, da qual a autora deste

trabalho é colaboradora, também foram levados em consideração.

Análise de dados: A análise é feita para o caso específico da empresa X.

Capítulos

A seguir, apresenta-se um resumo do conteúdo de cada capítulo:

1. AMBIENTE DE CALL CENTER. Apresenta as origens do ambiente de Call

Center, bem como os conceitos envolvidos na comunicação neste ambien-

te, a sua infraestrutura e os seus principais elementos.

2. ESTUDO DE CASO. Aborda o ambiente da empresa e sua regra de

negócio, além dos problemas.

3. PLANEJAMENTO ESTRATÉGICO E GESTÃO DE CONHECIMENTO.

Define os conceitos básicos de planejamento estratégico com foco em Call

Center, conhecimento e gestão do conhecimento. Em seguida discute

como aplicar estes conceitos no estudo de caso deste trabalho de pesquisa

4. INTELIGÊNCIA EMPRESARIAL. Apresenta a estratégia empresarial com

foco em empresas do ramo de Call Center.

5. FERRAMENTAS DE MINERAÇÃO DE DADOS. Introduz os conceitos e

técnicas relativos a redes neurais artificiais e árvores de decisão.

6. ARQUITETURA PROPOSTA. Apresenta a arquitetura proposta como solu-

ção para os problemas da empresa X, discute suas vantagens e desvan-

tagens e indica formas de melhoria.

15

1 AMBIENTE DE CALL CENTER

Neste capítulo, são apresentadas as origens do ambiente de Call Center, bem

como os conceitos envolvidos na comunicação neste ambiente, a sua infraestrutura

e os seus principais elementos.

1.1 As Origens

Segundo (Mancini, 2006), em 1880, quatro anos após sua invenção, o telefone foi

usado pela primeira vez no contexto de telemarketing. Neste ano, um fabricante de

doces resolveu usar o telefone para oferecer seus produtos a clientes potenciais.

Para tanto, ele formou uma equipe com mais de cem pessoas que ficaram

responsáveis por cadastrar e contatar possíveis clientes para seus produtos. A partir

daí, o uso do aparelho de telefone no ambiente empresarial se expandiu e passou a

abranger não apenas vendas, mas também cobranças, entre outras finalidades. Em

1950, após a Segunda Guerra Mundial, iniciou-se o período da mídia. Veículos pas-

saram a exibir anúncios contendo números de telefone para solicitação de serviços e

produtos de empresas. Os donos destes veículos, além de ganhar brindes pelo

serviço prestado, ainda passavam a fazer parte do cadastro de mailing da empresa.

Mancini (2009) relata a história da Ford que foi pioneira no investimento de

campanhas de marketing por telefone, capacitando 15 mil donas-de-casa que, de

suas próprias residências, efetuavam ligações para identificar o potencial de

compradores de automóveis. Estudos realizados nos Estados Unidos na década de

1970 comprovam que, nesta época, praticamente 50% dos americanos recebiam

ofertas de produtos e serviços por telefone. Na década de 1980, surge oficialmente o

termo “telemarketing”. No Brasil, o setor de telemarketing inicia-se com a chegada

das empresas multinacionais americanas, crescendo 22% ao ano, uma taxa de

crescimento muito acima da média de outros setores. Em 2000, este setor

empregava 300 mil pessoas em mais de 130 mil pontos de atendimento espalhados

por todo o território nacional.

Atualmente o conceito de telemarketing evoluiu para o modelo de Call Center, que

integra o telefone ao computador. Hoje o Call Center tem uma missão ampla, abran-

gendo o atendimento às demandas do público alvo e a oferta benefícios adicionais,

impulsionando a venda de novos produtos, antecipando necessidades dos clientes e

16

mantendo a marca da empresa, produto ou serviço, sempre viiva na mente dos con-

sumidores. Um conceito derivado de Call Center, que vai ainda mais além, é o con-

ceito de Contact Center. Um Contact Center centraliza, independentemente do meio

utilizado, o gerenciamento das relações da empresa com a sociedade onde ela atua,

proporcionando sinergia total entre produção, serviços, marketing, administração,

logística e outros papéis assumidos pela companhia no desempenho de suas

funções (Mancini, 2006) .

Há basicamente dois tipos de serviços oferecidos por um Call Center:

Telemarketing ativo. Neste tipo de serviço, o operador de telemarketing entra

em contato com (possíveis) clientes para, por exemplo, promover e vender

produtos e serviços, realizar ações pós-vendas, realizar pesquisas de

satisfação, responder a reclamações feitas ao serviço de atendimento ao

consumidor (SAC), agendar compromissos (e.g., entrega e instalação),

manutenção e atualização de cadastros, etc.

Telemarketing Receptivo. Neste tipo de serviço, os (possíveis) clientes é que

entram em contato com um operador de telemarketing para, por exemplo,

solicitar informações sobre produtos e serviços, obter produtos ou contratar

serviços, acompanhar entregas, fazer reclamações.

Em ambos os tipos de serviço, o processo de comunicação verbal é fundamental.

Alguns elementos importantes neste processo são:

Emissor é o elemento que formula a mensagem, mediante o uso da palavra

oral ou escrita, gestos ou desenhos, entre outros meios de comunicação.

Mensagem é o conteúdo que o emissor transmite para o receptor.

Código é um conjunto de sinais estruturados, verbais ou não, usados para

expressar a mensagem a ser transmitida.

Canal é o meio pelo qual o código é transmitido do emissor ao receptor.

Ruído é qualquer interferência no canal que prejudica a transmissão do código

(e.g., uma gíria desconhecida pelo receptor).

Receptor é elemento que decodifica a mensagem transmitida pelo emissor.

No telemarketing ativo, emissor é o operador, mensagem é a oferta de produtos e

serviços (por exemplo), canal é considerado o telefone e receptor é o cliente.

17

1.2 A Infraestrutura

É impossível falar de Call Center sem citar a necessidade de tecnologia neste

ambiente. Neste setor, quanto mais uma empresa está equipada, melhores são os

resultados que ela obtém. Com relação à infraestrutura necessária para o funciona-

mento de um ambiente de Call Center, pode-se citar (Mancini, 2006):

Recursos de alta disponibilidade (funcionando ininterruptamente).

Servidores duplicados (como plano de contingência).

Atualização em tempo real (registros de acompanhamento de clientes).

Cabeamento estruturado (para comunicação eficiente de dados);

Redes de flexíveis (múltiplos sistemas como voz, dados vídeos e multimídia).

Energia ininterrupta (geradores e no-breaks).

Climatização do ambiente (aparelhos de ar-condicionado);

Conjunto de fones e controle de audição (head sets).

Posição de atendimento (mobiliários ergonômicos ajustados automaticamente).

Um dos fatores mais importantes na informatização do ambiente de Call Center é

a integração computador à telefonia. Esta integração possibilita, por exemplo,

(Mancini, 2006):

Distribuição automática de chamadas.

Apresentação de scripts, isto é, roteiros predefinidos que estabelecem como o

operador deve abordar o cliente durante um contato telefônico.

Sistema de acesso e busca de informações no banco de dados.

Sistemas de gravação para monitoramento e autenticação de transações.

Tarifação automática de chamadas.

18

2 ESTUDO DE CASO

Neste capítulo será apresentado o estudo de caso, detalhando sua estrutura e

apontando os problemas identificados na empresa.

2.1 Estrutura da Empresa

A Empresa X, considerada como estudo de caso neste trabalho, atua no setor de

terceirização de campanhas de Call Center de diversas outras empresas públicas e

privadas, industriais e comerciais.

Est

rutu

ra –

Ca

ll C

en

ter –

Vis

ão

Em

pre

sa C

on

tra

tad

a

Gerente de Operações

Cliente – Contratante

Coordenador de Operações

Supervisor

Auditoria de Qualidade

Monitoração

Operador de Call Center

Estrutura – Call Center Visão Campanha – Determinada Entidade

Supervisor

Supervisor

Gerente de Planejamento

Coordenador de Planejamento

Analista de Planejamento

Empresa Contratada

Recrutamento e Seleção

Administrativo - RH

Multiplicadores

Área de Recursos Humanos

Gerente de Recursos Humanos

Figura 2: Estrutura do Call Center da Empresa.

Fonte: Empresa X. Autora: Sabrina Mariana.

Como mostra a Figura 2 – Estrutura do Call Center da Empresa, o ambiente de

Call Center tem os seguintes elementos:

Cliente–Contratante: domina as informações sobre o mercado, bem como

sobre o produto ou serviço a ser oferecido, necessárias para subsidiar e per-

mitir a capacitação adequada de operadores e supervisores.

19

Gerente de Operações: principal elo de comunicação com o Cliente–

Contratante (entidade representativa). Deve conhecer em profundidade todos

os elementos do marketing mix (concorrência, prospect, clientes atuais, políti-

cas econômicas, tendências tecnológicas, aspectos culturais), além dos

aspectos de Call Center e da equipe cuja gestão é sua responsabilidade.

Coordenador de Operações: responsável por orientar as atividades da área

de Call Center. Analisa o trabalho realizado pela equipe e verifica o desem-

penho das atividades. Compara os resultados alcançados com os padrões de

atendimento preestabelecido. Realiza as correções necessárias e aperfeiçoa

os métodos para cumprir as metas e manter qualidade.

Supervisor: orienta a força das vendas para otimizar o desempenho, a disci-

plina e o bem-estar da equipe. Precisa conhecer bem o produto para instruir a

equipe envolvida e repassar informações atualizadas da empresa. Deve

também elaborar escalas de trabalho e manter a equipe motivada, transmitin-

do segurança, energia, domínio técnico, comunicação e cordialidade.

Auditoria de Qualidade: opera em contato direto com o público. Deve garantir

a efetividade do contato com o cliente, verificando se o cliente aceito o serviço

ou produto oferecido durante o primeiro contato com o operador.

Monitoração: monitora e mantém a qualidade de atendimento dos opera-

dores, observando, gravando e gerenciando o sistema. Deve monitorar os

resultados e apontar os erros e acertos da equipe.

Gerente de Recursos Humanos: Responsável pela área de Administrativo de

Recursos Humanos, Recrutamento e Seleção além dos Multiplicadores.

20

Administrativo RH: Contempla as equipes de folha de pagamento, ponto,

benefícios.

Recrutamento e Seleção: Seleciona pessoas adequadas ao projeto, com

facilidade para assimilar as informações sobre a mensagem a ser transmitida.

Multiplicadores: cabe á área a motivação da equipe para uma melhor

qualidade de trabalho, compõe entre treinamentos das ferramentas, produtos

e serviços.

Operador de Call Center: opera em contato direto com o público: recebe ou

faz chamadas, fornece informações sobre produtos e serviços, realiza abor-

dagem e argumentação. Deve manter saudável o relacionamento da empresa

contratada com os (possíveis) clientes, fortalecer a marca, vender, pesquisar,

informar ou reativar produtos e serviços, atuando positivamente como o canal

de comunicação entre o mercado.

Gerente de Planejamento: propõe um cronograma para campanhas /

empresa, detalhando o tempo de execução para atingir a meta e cada etapa a

ser executada como troca de mailing, relatórios gerenciais, as informações

servirão tanto para orientar a equipe, quanto outras áreas da empresa.

Coordenador de Planejamento: Responsável pelas ações nas operações

realizadas pelos analistas de planejamento, além de administrar a equipe.

Analista de Planejamento: define estratégias para manter ou ampliar com

efetividade os serviços prestados aos clientes contatados. Desenvolve scripts

a serem seguidos pelos operadores, administra a distribuição do mailing entre

os operadores, de acordo com perfil operador.

21

2.2 Regra de Negócio

Para compreensão do ambiente como um todo, o cliente contratante fornece o

mailing mensalmente com a lista de consumidores/clientes. Conforme o Apêndice A,

no ambiente operacional, o operador de Call Center entra em contato para fornecer

o cartão de crédito com base na listagem recebida, os produtos são pré-

determinados de acordo com a renda e limite disponível. Em média um supervisor

possui quarenta operadores de telemarketing para incentivar e orientar, durante um

contato todos os contatos é gravado. Quando é efetuada uma venda pelo operador,

antes de finalizar o contato, a ligação é transferida para área de auditoria para

efetuar a confirmação da compra. Após todo esse processo a equipe de

Monitoração, escuta o contato e avalia a qualidade e clareza das informações

passadas ao consumidor. Toda e qualquer ligação para o consumidor deve definir

um status do telefone, por exemplo, “não atende - manhã”, “volta á ligar ás 20h”,

“Ocupado”, ”Cliente prefere outros cartões do concorrente” entre outros status,

mesmo que o consumidor tenha mais que um telefone, vai considerar o último status

gravado, ou seja, tabulado.

A meta da campanha é definida pela entidade, tem como base o total de nomes

enviados no mailing, além do total de operadores focados na campanha, a meta é

dividida entre equipes envolvidas e novamente dividida por quantidade de

operadores pagos pela entidade, em média os operadores devem entregar 120

cartões vendidos, para uma campanha de quarenta pessoas cada equipe deve

entregar 4.800 cartões, considerando dois turnos de trabalho, pode-se ter como

base uma meta de 9.600 cartões que devem ser vendidos no mês, seguindo os

critérios que as vendas não devem ser canceladas após entrega do cartão ao

consumidor. Um operador de Call Center trabalha por seis dias por semana, com

base na meta deve vender cinco cartões por dia. Durante o mês a equipe de

planejamento acompanha o andamento da campanha como um todo, os

supervisores são responsáveis para acompanhar a meta de cada operador e auxiliar

no que for necessário para atingir a qualidade. Quando uma campanha ou equipe

está com problemas para atingir a meta, exige que as áreas de planejamento junto

com equipe gerencial das operações criem uma ação motivacional, onde os

operadores de telemarketing obtenham mais resultados durante seu contato, ou

seja, realizam mais vendas. A entidade paga um valor X por cada ponto de

22

atendimento contrato, se a meta for atingida a empresa de Call Center recebe um

valor á mais, caso contrário apenas receberá os honorários por serviço prestado.

Atualmente cada vez mais há dificuldade para atingir uma meta, para todo o

ambiente apresentado, os problemas enfrentados são:

Rotatividade na equipe;

Equipe de planejamento tem muitas campanhas para serem administradas,

onde nem todas pode gerenciar a estratégia concedida pela gerencia.

Contatos monótonos cansam cada vez mais os consumidores, na hora de

oferecer um produto ou serviço;

O BI aplicado na empresa trata-se de um Data Mining geral, onde cada

cubo tem em média de quatorze dimensões.

As análises efetuadas são com base em D-1.

O conceito de BI não está aplicado adequadamente, pois utilizam a

ferramenta como relatório e não análise histórica para planejamento.

2.3 Características

Atualmente a empresa possui o Data Mining, extraídos por um arquivo em Excel

onde somente é utilizado como relatórios diários e não para análise da campanha.

Muitos problemas operacionais são identificados, após o não cumprimento da meta,

mas poderiam ser resolvidos, caso houvesse um acompanhamento mais eficaz

quanto às informações fornecidas pelo sistema quanto às ações de planejamento.

Toda a ação realizada no Ambiente Operacional é gravada em um Banco de

Dados Transacional, analisando o modelo de dados do sistema legado existente no

estudo de caso referenciado, os relatórios apenas listam as informações de vendas

por operadores e qual o tipo de produto comprado. A necessidade gerencial precisa

ter uma visão voltada para o futuro, com base fatos históricos, mas não é viável a

geração de tantos relatórios diariamente onde a informação não será essencial.

23

2.4 Arquitetura de Processamento

2.4.1 Ambiente Atual

A estrutura do ambiente atual está apresentada na Figura 3, apresenta somente

um servidor para o ambiente de produção, não contendo nenhum de contingência,

pois há um servidor somente para extração de relatório pôr são apenas replicadas

as tabelas essenciais para o relatório. Para o servidor de Data Warehouse suporta

todo o processamento do BI, executado alimentação das tabelas somente durante a

madrugada e o processamento do cubo após tal processamento, com este ambiente

apenas permite análise de dados, baseando-se em D-1, ou seja, somente com data

e status do dia anterior.

SQL Server Data Warehouse

SQL ServerBD Transacional

Produção

Processamento de informação

Consulta Excel

Usuário

SQL ServerBD Transacional

Replicação - RelatórioReplicação Parcial

Figura 3: Arquitetura Ambiente Atual.

Fonte: Estrutura dos servidores na empresa X. Autora: Sabrina Mariana.

24

SQL Server BD Transacional Produção: responsável por armazenar os

dados durante utilização do sistema utilizando pelo ambiente operacional.

Os backups são realizados full aos Domingos e diferenciais durante a

semana. Não há plano de contingência.

SQL Server BD Transacional Replicação - Relatório: responsável por

armazenar somente as tabelas principais e tabelas de relatório, tem como

base uma replicação realizada a cada 5min. Não há plano de contingência.

È armazenado as tabelas fatos utilizada para o DW.

SQL Server Data Warehouse: armazena os cubos OLAP, responsável

pelo processamento. O usuário acessa para consulta via planilha de Excel

com conexão na fonte de dados.

25

3 PLANEJAMENTO ESTRATÉGICO E GESTÃO DE CONHECIMENTO

Neste capítulo é abordada a necessidade de excelência operacional que leva à

necessidade de planejamento estratégico. Sem objetivos e metas, não é possível

guiar as ações da empresa, no sentido de obter os resultados esperados; não há

como identificar oportunidades, nem avaliar ações alternativas para melhor

desempenho na obtenção de resultados. Muitas definições podem ser dadas para o

termo “planejamento estratégico”; porém, basicamente, todas elas relacionam este

termo com a resposta da pergunta “Onde desejamos estar no futuro?”.

3.1 Planejamento

Tipicamente, o planejamento estratégico inicia após a definição da missão e das

metas da empresa. A partir daí, planos estratégicos são traçados para as unidades

de negócios da empresa, ou unidade funcionais. Independentemente do nível no

qual o planejamento estratégico é elaborado – nível da empresa como um todo,

nível das unidades do negócio, ou no nível das unidades funcionais – este deve

considerar as seguintes etapas (Wade & Recardo, 2001):

Análise da Situação Atual. Consiste em encontrar uma resposta para a

pergunta “Onde Estamos?”. A análise da situação atual estabelece uma linha

base para o planejamento estratégico, identificando as principais tendências

para o desempenho operacional e financeiro da empresa.

Determinação do Horizonte de Planejamento. Consiste em definir o perío-

do para o qual o planejamento está sendo feito como, por exemplo, para o

período de um ano.

Varredura de Ambiente. Consistem na análise e julgamento de forças,

fraquezas, oportunidades e ameaças (SWOT) da empresa, levando em conta

o mercado, a concorrência, o governo, os índices demográficos, os acionistas

e os principais fatores de satisfação do cliente.

Identificação de Fatores Críticos do Sucesso (FCS). Consiste na identifica-

ção de fatores que devem ser priorizados para que a empresa se sobressaia

entre suas concorrentes e tenha espaço e sucesso no seu mercado.

26

Análise de Compleição de Lacunas. Consiste na identificação e priorização

de fraquezas e forças no processo da empresa como um todo.

Visão Estratégica. Consiste na determinação da imagem que a empresa

pretende ter no futuro.

Estratégia de Negócio. Consiste no desenvolvimento de uma estratégia ba-

seada em dados e informações obtidos nas etapas anteriores.

Identificar Objetivos e Metas Estratégicas. Descrições das direções para

uma empresa, ou seja, a definição de um objetivo diferencial quanto ao

mercado, na qual exige que uma meta seja bem definida.

Definir a Meta Estratégica. Qualificar os objetivos definidos com base em

cronograma. As metas e alvos estratégicos guiam para execução operacional

e permite que o progresso seja rastreado em relação aos objetivos gerais.

3.1.1 Lacuna Estratégica

De acordo com a revista FORTUNE de 1999, 70% das falhas de CEOs são

resultantes de execução ruim, ao invés de estratégicas ruins (Craran & Colvin,

1999). Nivem (2005) apontou quatro fontes de lacuna entre a estratégia e execução:

Visão – uma citação do filme Rebeldia Indomável, “O que temos aqui é uma

falha de comunicação”, aplica-se á visão estratégica.

Pessoas – planos de incentivos são ligadas á resultado financeiros á curto

prazo, não ao plano estratégico ou iniciativas estratégicas articuladas no plano

operacional (Plano de projetos designado para assegurar que a estratégica da

empresa seja realizada).

Gerenciamento – pode gastar tempo nos problemas, ao invés de concentrar

nos elementos da estratégia.

Recursos – constantemente é questionada a necessidade para o orçamento e

todo o processo em si.

27

3.1.2 Medida de Desempenho

A estratégia tratada na pesquisa será aplicada á sistemas de medida de

desempenho, de acordo com Simons (2002), tratam como medidas de comparação,

na qual auxiliam os gerentes á identificar as implementações á estratégica de

negócio, com análise dos resultados reais e tem como base as metas e objetivos. O

projeto da pesquisa permitirá a medida de desempenho englobando os métodos

sistemáticos de união de metas de negócio com relatórios de retorno periódicos –

que indicam fatores de atenção ou sucesso.

3.1.3 Estratégia no Call Center

Para melhores estratégias em Call Center, tem por base os elementos básicos:

Plano Estratégico, com objetivos e metas deve ser definido;

Cadastro do cliente confiável e atualizado;

Clara definição do produto, serviço ou mensagem á oferecer;

Capacitação de todos os setores envolvidos para que a empresa torna-se

colaborativa;

Call Center bem equipado, treinado e motivado.

Para o sucesso da operação com base na estratégia, deve identificar se a

campanha trata-se de telemarketing ativo ou receptivo, definir o produto ou serviço á

ser vendido, possuir o acompanhamento após recebimento do produto ou realização

do serviço, considerada como pós-venda. Atualizar o cadastro do consumidor e ter

acompanhamento de contatos (follow-up). A análise de custo e benefícios em

comparação ao desempenho com outras campanhas pode auxiliar na sintonia do

trabalho com equipe e atingir o objetivo da campanha, ou seja, atingir a meta

proposta pelo cliente.

Para empresa de terceirização do serviço de Call Center, os recursos alocados e

qualificação dos membros faz a diferença nas metas estabelecidas pela entidade, os

objetivos sempre são quantitativos com metas de curto, médio e longo prazo, sendo

assim é possível avaliar o retorno, desafio e efetuar correções estratégicas.

28

Operacionalmente deve conter um estudo do perfil do público alvo da entidade,

seleção de mailing, elaboração de script, capacitação de profissionais e homologa-

ções nos sistemas a fim de avaliar a necessidade do processo da campanha ativa

ou receptiva. Durante o planejamento, devem ser respondidas as perguntas básicas

quanto ao produto ou serviço: O quê? Como? Quanto? Quando? Quem?

3.2 Gestão de Conhecimento

Algumas definições de conhecimento são:

“Ato ou efeito de conhecer, realizado por meio da razão e/ou da experiência.”

Dicionário Houaiss2

“Conhecimento consiste em uma crença verdadeira e justificada.”

Platão – 428 A.C. a 347 A.C.3

Em qualquer segmento, o conhecimento é um elemento chave. Na área operacio-

nal de um Call Center, quem tem maior conhecimento sobre o produto ou serviço

oferecido, também tem maior facilidade de administrar as estratégias necessárias

em uma campanha, como identificar o perfil da equipe de operador e cruzar com o

perfil dos clientes potenciais a serem contatados.

Uma definição de gestão de conhecimento é:

“Processo pelo qual uma organização consciente e sistematicamente coleta, organiza, compartilha e analisa seu acervo de conhecimento para atingir seus objetivos”.

(Falcão & Bresciani Filho apud Carbone et al., 2005, p. 82)

2 http://houaiss.uol.com.br, acesso em ago. 2011.

3 http://www.santanna.g12.br/professores/marcelo_etica/tipos_de-conhecimento_humano.pdf

29

3.2.1 Aplicabilidade

Para a gestão do conhecimento, tem como objetivo:

Tornar acessíveis grandes quantidades de informação organizacional;

Permitir a identificação e mapeamento dos ativos de conhecimento e

informações;

Apoiar a geração de novos conhecimentos, propiciando o estabelecimento de

vantagens competitivas;

Organiza e acrescenta lógica aos dados de forma a torná-los compreensíveis;

Aumentar a competitividade da organização através da valorização de seus

bens intangíveis.

Vantagem competitiva em relação à concorrência, quanto á gestão do

conhecimento em Call Center:

Redução dos custos e tempo de produção e desenvolvimento de produtos;

Rápida comercialização de novos produtos;

Processos internos e maior fluidez nas operações;

Tomada de decisões mais eficientes e melhores resultados;

Coordenação de esforços entre unidades de negócios;

Prestação de serviços (agilidade), da qualidade dos produtos e da qualidade

do serviço cliente.

30

4 INTELIGÊNCIA EMPRESARIAL

O capitulo terá como objetivo abranger tecnologias que auxiliam para tomadas de

decisões corporativas, para os executivos mais experientes, o gerenciamento da

tomada de decisões pode ser extremamente facilitado com uso de ferramentas

informatizadas. Hoje as empresas estão informatizadas ao ponto de exigir sistemas

para análise de desempenho, que consistem em sistemas distribuídos, com acesso

a extranet e à internet, que podem ser acessados de qualquer lugar. A integração

dos sistemas auxilia cada vez mais a comparação e análise de dimensões distintas

no mundo do negócio.

4.1 CRM

CRM (Customer Relationship Management – Gestão de Relacionamento com o

Cliente) está ligado a hábitos de compras, ao individuo, ou público alvo de alguma

entidade. Sistemas que possibilitam que as empresas projetem o futuro potencial de

cada usuário (como futuros produtos que podem ser adquiridos da organização)

permitem atender a cada cliente de uma forma personalizada e até mesmo a perso-

nalidade que compõe a carteira de clientes.

São pontos principais no CRM: identificar o cliente, diferenciar, interagir e perso-

nalizar o contato, conhecer suas preferências e dados pessoais. Todas as informa-

ções coletadas durante um contato podem auxiliar nas análises do cliente, como:

Segmentação, análise da campanha, vendas, fidelidade, lucratividade, desempenho

nos negócios, atendimento ao cliente.

Para conhecer os clientes com base no histórico de compra ou opções no

mercado, aplica-se o conceito de Data Warehouse, conforme Figura 4.

Dados do CRM

Operacional

Data Warehouse –

Integração e análise de dados

Figura 4: CRM X DW

Fonte: Machado (2008 p 18)

CRM

DW

31

4.2 Data Warehouse

Data Warehouse (DW) é uma coleção de dados projetada para oferecer suporte

à tomada de decisões, contém variedade de dados que representam as condições

da empresa em um determinado ponto no tempo.

A estrutura técnica de um DW é um banco de dados (armazém de dados) que

contém as informações do sistema, incluindo dados históricos, aparentemente on-

line, porém é montada e organizada em uma forma que oferece rapidez e eficiência

nas consultas, análise e suporte à decisões. De acordo com BILL IMON (1987) e

RALPH KIMBALL (1998):

O Data Warehouse é parte de um sistema completo de Business Intelligence. Uma empresa possui um Data Warehouse, de onde os Data Marts extraem sua informação. No Data Warehouse, as informações são armazenadas em terceira forma normal. (Inmon,1987)

O Data Warehouse é o conglomerado de todos os Data Marts da empresa. A informação sempre é armazenada em modelo dimensional. (Kimball,1998)

4.2.1 Características

O DW integra e consolida as informações de fontes internas e externa, suma-

rizando, filtrando e limpando esses dados, preparando para análise e suporte à

decisão. São características do DW:

Extração de dados de fontes heterogêneas;

Transformação e integração dos dados antes de sua carga final;

Requer recursos de hardware e suporte;

Diversos níveis para visualização;

Utilização da ferramenta voltada para os diferentes níveis de apresentação;

Dados somente são inseridos, não existindo atualização ou alteração.

Para o processamento que alimenta os dados no DW, a integração dos dados é

fundamental. Por exemplo, no sistema de cadastro de clientes de uma determinada

entidade, pode ser apresentado como o tipo de sexo: 1 – Feminino / 2- Masculino,

no sistema CRM da entidade o tipo de sexo é representado: “f” – Feminino / “m”-

Masculino. Na mineração dos dados, estes campos devem ser unificados na sua

representação (Figura 5). Essa informação pode contribuir para análise e tomada de

32

decisão do tipo: funcionárias são mais efetivas em vendas com clientes do sexo

masculino, então é melhor destinar somente contatos de clientes do sexo masculino

para as funcionárias.

O sistema transacional coorporativo tem como foco o projeto de banco de dados e

o projeto dos processos transacionais e suas atividades e controles operacionais.

Por outro lado, o DW tem como foco a modelagem dos dados e o projeto de banco

de dados.

DW

BD Cadastro de Funcionários

BD Cadastro de Clientes ( Mailing )

Mineração de Dados

Extração

Filtro

1 – Feminino / 2- Masculino

“f” – Feminino / “m”- Masculino

“F” – Feminino

“M”- Masculino

Figura 5: Estrutura – Integração

Fonte: Machado (2008 p 31) Adaptado.

As principais justificativas para implantação de DW numa empresa são:

Diversas plataformas de hardware e software;

Sistemas transacionais corporativos sofrem diversas alterações;

Risco / Dificuldade de restore de dados de uma empresa com dados que

antecedem há um ano;

Diversos sistemas em “pacotes” de fornecedores diferentes;

A integração de dados existentes em diferentes sistemas;

33

Falta de documentação e segurança nas tratativas de armazenamento dos

dados;

As aplicações de EIS e DSS há dificuldade quanto à dependência de multi-

plataformas nos sistemas coorporativos;

A empresa pode montar o DW tendo uma base global ou local;

Pode implicar na utilização de arquiteturas especificas para a construção de

um DW, as quais têm evoluído desde o inicio da plataforma.

4.2.2 Arquitetura

A arquitetura DW engloba estrutura de dados, mecanismo de comunicação,

processamento e apresentação da informação para o usuário final.

Figura 6: Estrutura – DW

Fonte: http://www.fulcrumlogic.com/data_warehousing.shtml

A estrutura – DW, apresentada na Figura 6, pertencem ao conjunto de

ferramentas que envolvem desde a carga até o processamento de consultas, como

repositório de dados, como Data Warehouse e Data Mart, são divididas em dois

grupos de ferramentas:

34

Relacionadas à carga inicial e ás atualizações do DW, efetua a extração dos

dados de diversos sistemas operativos e fontes externas, filtrando, limpando e

tratando e integração dos dados;

Consultas realizadas pelo usuário final, para elaboração de relatórios, pes-

quisas, análise de desempenho e mineração dos dados – Data Mining.

Arquitetura Global em um DW constitui um repositório de dados com grande grau

de acessibilidade, com base na necessidade da empresa como um todo. Habilita

que os usuários tenham a visão corporativa de dados, normalmente são requisitos

de negócio, entretanto esse tipo de ambiente consome tempo e administração e com

custo mais alto.

Para a mineração de dados é utilizado o Operational Data Store (ODS)4 que

consiste numa base de dados que compartilha dados de ambiente de produção. Na

arquitetura proposta neste trabalho, o ODS será usado para alimentar o DW.

4.2.3 Variação Tempo

Os dados tratados no DW são precisos quanto ao tempo, representam resultados

operacionais em determinado momento de tempo, na qual foram capturados –

dados do DW são classificados como snapshot, ou seja, um conjunto estático de

registros de uma ou mais tabelas, capturados em um determinado momento. O dado

de um sistema transacional reflete o valor corrente, a exatidão é válida, mas pode

ser alterado, logo atualizado. Na aplicação DW a dimensão "Data" é extremamente

importante e de grande valia para a realização de análises. Nesta dimensão pode-se

consultar os dados armazenados por um período de até 10 anos, com seus

respectivos históricos previamente datados e detalhados.

4.2.4 Modelagem Multidimensional

Uma técnica de concepção e visualização de um modelo de dados de um

conjunto de medidas que apresentam aspectos comuns de negócios sumariza a

estrutura de dados para serem visualizados nas análises. O modelo

multidimensional que será utilizado na aplicação possui três elementos básicos.

4 http://www.factdata.com.br/index.php?option=com_content&task=view&id=38&Itemid=27.

Acessado Setembro – 2011.

35

Fatos: uma coleção de itens de dados, composta de medidas e conceitos.

Cada fato representa um item, uma transação ou um evento de negócio, usa-

do para analisar o processo de negocio de uma empresa. Como característica

um fato é representado por valores numéricos e implementado em tabelas

denominadas tabelas fato (fact table).

Dimensões: São elementos que participam de uma Tabela Fato permitindo ao

usuário a visualização de filtros, tais como: Por Mês, Por Produto, Por Região,

etc. Nestas dimensões, em um cubo BI de venda de produtos, pode-se

consultar: Data da venda/contato, Localização de cliente, Vendedores e

Cenário (realizados / projetados).

Membros das Dimensões: trata-se da hierarquia de uma dimensão, uma

classificação dentro de uma Dimensão. Por exemplo, na dimensão Data tem a

hierarquia apresentado na Figura 7.

Figura 7: Hierarquia de Dimensões

Fonte: Machado (2008 p 117) Adaptado.

Medidas (Variáveis): São atributos numéricos que representam um fato, uma

medida é determinada pela combinação das dimensões que participam de um

fato, e estão localizadas como atributos de um fato.

Segundo Kimball (1997), desenvolver um DW é uma questão de casar as neces-

sidades dos seus usuários com a realidade dos dados disponíveis. Aponta um

conjunto de pontos fundamentais no projeto de uma estrutura de DW, chamado de

ponto de decisão, constituem em definições que correspondem a etapa do projeto:

Ano

Trimestre

Mês

Semana

Dia

36

Os processos, por conseqüência, a identidade das tabelas fatos;

A granularidade de cada tabela de fatos;

As dimensões de cada tabela de fatos;

Os fatos, incluídos fatos pré-calculados;

Os atributos das dimensões;

Como acompanhar mudanças graduais em dimensões;

As agregações, dimensões heterogenias, mini dimensões e outras decisões

do projeto físico;

Duração histórica do bando de dados do DW;

A frequência com que se dá a extração e a carga para o DW.

Kimball (1997) recomenda que essas definições se façam de ordem citadas. Essa

metodologia segue a linha de top down, pois começa identificando os grandes pro-

cessos da empresa, mapeando esses processos de negócio. O modelo

multidimensional é facilmente representado como um cubo. A Figura 8 apresenta um

fato vendas por meio de um cubo.

Figura 8: Representação de um fato de vendas por meio de um cubo.

Fonte: MACHADO (2008 p 82).

37

Medida do volume de vendas é determinada pelas dimensões: localização,

produto e tempo. A dimensão localização e produto possuem dois níveis de

hierarquia. Cada sub-cubo possui o valor da medida d quantidade de venda.

A denominação CUBO trata-se apenas da aproximação da forma como os dados

estão organizados, mas não representa a expressão de uma realidade. O processo

de analise para saber as vendas totais classificadas por região de venda pode ser

visualizado da seguinte forma.

Região Venda

Sul $ 1.500,00

Sudeste $ 5.000,00

Nordeste $ 2.350,00

Norte $ 1.890,00

Centro-0este $ 1.732

Total de Vendas $ 11.472,00

Tabela 1: Consulta Cubos BI por dimensão vendas por Região.

Fonte: Machado (2008 p 83)

Tal analise pode ser expandido, utilizando a hierarquia da dimensão data, sendo

assim possibilita a consulta conforme Tabela 2.

Região Trimestre Venda

Sul

1 $ 250,00

2 $ 700,00

3 $ 250,00

4 $ 300

Tabela 2: Consulta Cubos BI por dimensão vendas por Região por trimestre.

Fonte: Machado (2008) Pag. 84 - Adaptada.

38

4.2.5 Estrutura Multidimensional

Existem diversos modelos de dados multidimensionais, para aplicação do trabalho

será apenas detalhado o modelo que será aplicado na arquitetura OLAP.

Modelo Star ou Estrela: Trata-se de uma estrutura básica de um modelo de

dados Multidimensional, sua composição possui uma grande entidade central

denominada fato (fact table) e um conjunto de entidades menores denominadas

dimensões (dimension table), organizadas visualmente ao redor dessa entidade

central, formando uma estrela conforme Figura 9, já representando o ambiente da

aplicação.

Dimensão de Tempo

Dimensão Cliente Dimensão Região

Dimensão ProdutoDimensão Vendedor

Fatos de Vendas

Figura 9: Modelo Star – Estrela.

Fonte: Machado (2008 p 93) Adaptado.

Na Figura 9, o centro da estrela é o fato vendas, e os seus redores estão as

dimensões: vendedor, cliente, produto, região e tempo. Os relacionamentos entre as

entidades fato e as dimensões são simples ligações entre as duas entidades em um

relacionamento de uma para muitos no sentido da dimensão para o fato.

39

4.2.6 Storage Modes

As agregações são valores de medidas somando com diversos cruzamentos

possíveis de dimensões de um cubo, as informações dos cruzamentos ficam

armazenadas não havendo necessidade de recalcular o cruzamento dos dados,

possibilitando uma análise e pesquisa rápida. Quando é criado um cubo deve ser

informada a forma que será armazenada. Na ferramenta de Analysis Services,

plataforma Windows, tem opção de MOLAP, ROLAP e HOLAP como forma de

armazenamento, o armazenamento utilizado na aplicação proposta no trabalho será

a MOLAP, uma breve classificação de ROLAP e HOLAP está disponível no próxima

seção 4.3.7.

MOLAP: Toda a estrutura é armazenada em um modelo multidimensional,

onde após o processamento do cubo, o Analysis Services não faz mais uso do

modelo relacional, e sim multidimensional. Considerado mais comum para soluções

OLAP que apresenta melhor desempenho, a única desvantagem é o processamento

constante do cubo – quando o DW é atualizado, para que os dados sejam

visualizados é necessário processar o cubo, neste processo é agregado aos novos

dados.

4.2.7 Ferramentas OLAP

As ferramentas OLAP, permitem que o usuário analise a justificativa dos resul-

tados obtidos, existem diversas ferramentas disponíveis, conforme conceituadas na

Tabela 3.

Ferramenta Classificação

OLAP Armazenamento acessível – Storage Mode

ROLAP Relacional Relacionais.

MOLAP Multidimensional Multidimensionais – por meio de cubos e

hipercubos.

HOLAP Híbrida Relacionais e Multidimensionais.

DOLAP Desktop Emprega aos BD individuais e análises de DM.

Tabela 3: Armazenamentos Acessíveis por Ferramenta

Fonte: Machado (2008).

40

4.2.8 Data Marts

O DW une todos os bancos envolvidos de uma empresa, o Data Mart

normalmente é menor, trata assunto ou departamentos específicos, pode ser

considerado um subconjunto de um DW, podendo ser:

Dependente – suportam o conceito de um único modelo de dados na empresa,

mas o DW deve ser estruturado antes, garantindo que o usuário visualize a

versão de dados apresentada pelos outros usuários do DW.

Independente – um Warehouse pequeno, com finalidade para apenas uma

unidade estratégia de negócio (UEN) ou um departamento.

As vantagens de usar modelos de dados consistentes e apresentam dados de

qualidade.

4.2.9 Arquitetura

A arquitetura de Data Mart pode ser:

Independente: Controladas por um grupo de usuários, atende somente as

necessidades específicas da campanha / entidade em uma empresa de Call

Center, sem foco corporativo. Esta arquitetura não permite a conectividade

de com outros Data Mart aplicadas para outras entidades, até concorrentes.

Não permite uma visão global, ou seja, analise de toda a empresa prestadora

de serviços.

Integrados: São Data Mart integrados e conectados com visão toda da

empresa, similar a arquitetura global, os usuários podem acessar as

informações de outras campanhas / entidades.

Com base no estudo de caso já mencionado na introdução deste trabalho, para

garantir segurança de dados, sigilo na estratégia de cada cliente/entidade será

utilizado a arquitetura de Data Mart independente, ou seja, para cada campanha

será criado um repositório de dados – DW, assim extraído para o conceito de Data

Mart.

41

4.2.10 Data Mining

Data Mining consiste num conjunto de técnicas para análise de informação,

procura padrões ocultos em coleção dos dados que podem ser utilizados em análise

históricos com enfoque no futuro. Sua finalidade é facilitar a análise em grandes

dimensões no armazém de dados, identificando significativas correlações, padrões e

tendências.

4.2.11 Histórico e Definição – Business Intelligence

De acordo com a definição do livro Business Intelligence – TURBAN, CsShardam

Aronzon, King – Business Intelligence (BI) é um termo considerado “guarda-chuva”,

foi batizado o termo por volta de 1990, pela Garner Group - empresa de consultoria

fundada em fundado em 1979 por Gideon Gartner, mas aplicabilidade teve inicio

muito antes, nos sistemas de geração de relatório (SIG) por volta de 1970, neste

período os relatórios eram estáticos, bidimensionais e não permitia recurso de

análise. No início de 1980, surgiu o conceito de sistemas de informações executivas

(EIS), expandiu o suporte computadorizado aos gerentes e executivos de nível

superior, os recursos foram os sistemas de relatórios dinâmicos multidimensionais ,

prognósticos e previsões, análise de tendências , detalhamento, acesso a status e

fatores críticos de sucesso, até no meio da década de 1990 os recursos apareceram

em dezenas de produtos comerciais, após esses recursos e novas funcionalidades

deram origem ao conceito de BI. Atualmente reconhece que as informações na qual

os executivos necessitam podem ser fornecidas pela arquitetura BI. Em 2005,

aprimorou os recursos do BI interagindo com o conceito dá inteligência artificial. A

grande vantagem do BI é fornecer as informações que uma empresa precisa quando

necessário, podendo ser em tempo real para análise de desempenho corporativo.

(THOMPSON 2004) Apontou que as áreas mais comuns de aplicação BI são

relatórios gerais, análise de vendas e marketing, planejamento e previsão,

consolidação financeira, relatórios regulamentares, orçamento e análise

rentabilidade. THOMPSON também menciona que os maiores benefícios do BI são:

Geração de relatório mais rápida e precisa;

Melhor tomada de decisões;

Melhor serviço ao cliente;

Maior receita.

42

O processo de criação de inteligência inicia na identificação e priorização de

projetos específicos de BI nas organizações. O processo cíclico com uma seria de

etapas inter-relacionadas, a principal etapa é a análise onde são convertidos os

dados em informações, na qual dará suporte na decisão. Com o DW é definido a

criação da inteligência, começa pela identificação e prioridades definidas no BI, onde

cada projeto pode ser examinado os custos em relação ás fases em geral, permite a

estimativa de envolver análises do usuário sobre o impacto das decisões,

contabilizando os benefícios e fluxo no caixa.

Figura 10: Processo de criação e uso da inteligência.

Fonte: krizan (1999, p. 8)

Com processo de criação e uso de inteligência, o banco de dados

considerado consolidado para análises multidimensionais pode ser chamado por

Cubos BI, facilitam o ambiente corporativo criando um clico de geração de

inteligência focado ao mercado, estratégia e metas á serem definidas.

43

4.2.12 Comunidade de Usuários de BI

A comunidade de usuários de BI é grande e diversificada, o sucesso de análises

depende em parte quais as pessoas na organização fariam uso. A Tabela 4

representa diferentes usuários que utilizam a ferramenta de acordo com o estudo de

caso.

Tipos De

Usuário Equipe De TI

Usuários

Avançados Executivos

Gerentes

Funcionais

Clientes De

Informação

Esporádicas

Extranet:

Parceiros,

Consumidores

Número de

usuários Poucos Dezenas Dezenas

Dezenas e

centenas

Centenas e

milhares

Centenas e

milhares

Ferramentas

e Funções de

BI

Desenvolvedor

Administrador,

Metadados, Dados

de Segurança,

gerenciamento,

Aplicações e

Integração.

Consulta

Ad hoc,

Relatórios de

OLAP, Data

Mining,

Análise

Avançada.

Dashboard

Indicador,

Relatórios

de COM e

PM.

Relatórios

Planilha

Visão de

OLAP, BAM,

COM.

Relatórios

Planilha

Consultas.

Relatórios

Acompanhamento.

Valor

Estratégico Baixo Alto Muito Alto Médio Baixo Alto

Tabela 4: Correspondência entre tipos de usuários e funcionalidades.

Fontes: Compilado de Gartner Inc. (2004) ; Imhoff e Petti (2004).

44

5 INTELIGÊNCIA APLICADA AO NEGÓCIO

Neste capitulo será apresentado os conceitos de redes neurais, tais como seu

processamento e a forma que são tratados os dados.

5.1 Redes Neurais Artificiais

O final da década de 1980 marcou o ressurgimento da área de Redes Neurais

Artificiais (RNAs), conhecida como conexionismo ou sistemas de processamento

paralelo e distribuído, que constitui em uma alternativa à computação algorítmica

convencional (Braga, 2000).

Redes neurais representam uma metáfora do cérebro para processamento da

informação, são biologicamente inspirados e não são uma réplica exata de como o

cérebro realmente funciona. O cérebro humano tem em torno de 10 bilhões

neurônios, as funções e movimentos do organismo estão relacionados ao

funcionamento destas pequenas células. Os neurônios estão conectados uns aos

outros através de sinapses, e juntos formam uma grande rede, cada rede contém

alguns milhares de neurônios interconectados, o cérebro pode ser visto como uma

coleção de redes neurais. Uma parte da rede é composta por duas células que

compõe:

Núcleo: parte de processamento central da célula.

Dendritos: fornecem sinais de entrada para a célula.

Axônio: envia sinais de saída para a célula2 através dos terminais do axônio,

unindo-se aos dendritos da célula.

Nos neurônios a comunicação é realizada através de impulsos, quando um

impulso é recebido, o neurônio o processa, e passado um limite de ação, dispara um

segundo impulso que produz uma substância neurotransmissora o qual flui do corpo

celular para o axônio. Os sinais podem ser transmitidos inalterados, ou serem

alterados pelas sinapses.

Sinapse: capaz de aumentar ou diminuir a intensidade da ligação entre os

neurônios e estimular ou inibir um neurônio subseqüente, onde a informação é

armazenada.

45

Figura 11: Parte de uma rede: duas células biológicas interconectadas.

Fonte: Turban (2008 p. W6-6)

Um modelo de rede neural artificial (RNA) emula uma rede neural biológica, a

computação é uma metodologia de reconhecimento padrão para aprendizado da

máquina. A aplicabilidade tem sido usada para reconhecimento de previsão,

predição e classificação. Computação de rede neural é o principal componente de

qualquer conjunto de ferramenta de Data Mining, na qual será aplicado o conceito

para desenvolvimento do sistema no decorrer do trabalho.

O cérebro humano possui recursos para o processamento da informação e

resolução de problemas com os quais computadores não conseguem competir em

muitos aspectos. Redes neurais biológicas são compostas de muitos neurônios

biológicos primitivos interconectados, cada neurônio possui axônios e dendritos,

semelhantes a dedos que permitem ao neurônio comunicar-se com seus neurônios

vizinhos através da transmissão e do recebimento de sinais químicos e elétricos. A

RNA é composta de elementos de processamento simples e interconectados

chamados neurônios artificiais. No processamento os elementos em uma RNA

funcionam de maneira simultânea e coletiva em um modo semelhante aos neurônios

biológicos. A RNA possui algumas características similares àquelas das redes

neurais biológicas, como os recursos de aprendizagem, auto-organização

intolerância ao erro. Os conceitos neurais geralmente são como simulações de

software dos processos paralelos que envolvem os elementos de processamento em

uma arquitetura de rede. O neurônio artificial recebe sinais de entrada análogos aos

impulsos eletroquímicos que os dendritos dos neurônios biológicos recebem de

46

outros neurônios. Os sinais de saída do neurônio artificial correspondem aos sinais

enviados do neurônio biológico através do seu axônio. Os sinais artificiais podem ser

mudados pelos pesos, de maneira semelhante às mudanças físicas que ocorrem

nas sinapses.

Figura 12: Processamento da informação em um neurônio artificial.

Fonte: Turban(2008 p W6-6).

Alguns paradigmas de RNA foram propostos para aplicações em vários domínios

de problema, pois emula estruturalmente o cérebro humano, a maneira na qual o

modelo neural processa as informações e como os modelos neurais aprendem a

executar as tarefas designadas, conforme Figura 12, os neurônios artificiais recebem

a “informação” total de outros neurônios ou estímulos externos de entrada, realizam

transformações nas entradas e, então, passam a informação transformada para

outros neurônios ou estímulos externos de saída. Isso é semelhante como o cérebro

humano funciona, passando a informação de um neurônio para outro de uma

maneira de ativar ou desencadear uma reação de determinados neurônios com base

nas informações ou nos estímulos recebidos.

A relação entre as redes neurais biológicas e artificiais de acordo com ZAHEDI

(1993) menciona sobre um papel duplo para RNA. Adotamos os conceitos do mundo

biológico para melhorar a estrutura dos computadores. A tecnologia de RNA é usada

para processamento de informações complexas e inteligência de máquina. Por outro

lado, as redes neurais também podem ser usadas como modelos biológicos simples

para testar hipóteses sobre processamento de informação neuronal biológico “real”.

No contexto de Data Mining o uso das redes neurais para aprendizado de máquina e

processamento de informação, está descrito na tabela 5, breves conceitos.

47

Biológica Artificial

Corpo Nó

Dendritos Entrada

Axônio Entrada

Sinapse Peso

Velocidade Baixa Velocidade Alta

Muitos Neurônios (10º) Poucos Neurônios (Dezenas à

centenas de milhares )

Tabela 5: Comparação Redes Biológicas X Artificiais.

Fontes: L. Medsker e J. Liebowitz, Design and Development of Expert Systems and Neural

Networks, Macmillan, New York, 1994, p.163; e F. ZAHEDI, Intelligent Systems for Business: Expert

Systems with Neural Networks, Wadsworth, Belmont, CA, 1993.

As redes neurais podem ter uma ou mais camadas de neurônios e podem

altamente ou completamente interconectados, ou somente camadas específicas

podem estar conectadas. As ligações entre neurônios têm um peso associado, o

conhecimento que a rede possui é avaliado nesses pesos de interconexão. Cada

neurônio calcula m total ponderado dos valores de entrada do neurônio, transforma

essa entrada e repassa seu valor neural como entrada para os neurônios

subseqüentes, ás vezes a transformação da entrada/saída no nível individual do

neurônio é feito de modo não-linear.

5.1.1 Elementos de RNA

Uma rede neural é composta de elementos de processamento organizados de

diferentes maneiras para formar a estrutura da rede. A unidade básica de

processamento é o neurônio. Uma série de neurônios está organizada dentro de

uma rede. Existem muitas formas de organizar os neurônios; elas são referidas

como topologias. Uma abordagem popular, conhecida como o paradigma da retro

propagação, permite que todos os neurônios liguem a saída em uma camada à

entrada da camada seguinte, mas não permite qualquer ligação de feedback.

(Haykin, 1999).

48

5.1.2 Elementos de processamento

Os Elementos de Processamento (PE) de uma RNA são os neurônios artificiais,

cada um recebe entradas, processa e entrega uma única saída, como na Figura 12.

A entrada pode ser de dados brutos de entrada ou a saída de outros elementos de

processamento com resultado binário ou pode ser entradas para outros neurônios.

5.1.3 Estrutura da rede

A RNA é composta de um conjunto de neurônios, agrupados em camadas

apresentado na Figura 13 - Rede neural com uma camada escondida - pode ser

organizada de várias maneiras e são interconectados de diferentes formas. Quando

a informação é processada é calculado os elementos do processamento, tais

elementos são paralelos como o cérebro funciona, e difere do processamento serial

da computação convencional. A camada escondida é uma camada de neurônios que

recebe entradas provenientes da camada anterior e as converte em saídas para

novo processamento, podem ser colocadas entre as camadas de entrada e saída. A

camada escondida converte entradas em uma combinação não-linear e transfere as

entradas transformadas para a camada de saída, pode-se interpretar como um

mecanismo de extração de atributos, na qual, converte as entradas originais no

problema em algumas combinações de alto nível de tais entradas.

Figura 13: Rede neural com uma camada escondida. Fonte: Turban (2008 p W6-9)

49

Ao analisar a Figura 13 - Rede neural com uma camada escondida, quando é

determinada uma estrutura de uma rede neural, a informação pode ser processada.

Conceituando-se:

Entradas: uma entrada corresponde a um único atributo. O valor numérico, ou representação, de um atributo é à entrada da rede. Pode ser consideradas entradas vários tipos de dados como: texto, imagens e voz. Algumas vezes é necessário um pré-processamento para converter os dados em entradas relevantes de dados simbólicos ou graduar os dados.

Saídas: uma rede contém a solução para um problema. A RNA atribui valores numéricos às saídas, como 1 para sim e 0 para não – binários, com objetivo da rede é calcular os valores da saída.

Pesos de conexão: são os principais elementos em uma RNA e expressam a intensidade relativa dos dados de entrada ou as muitas conexões que transferem dados de uma camada para outra. Os pesos são fundamentais armazenam os padrões de informação aprendidos, através dele que as redes aprendem.

Função de soma: calcula os totais ponderados de todos os elementos de entrada que são inseridos em cada elemento de processamento. Uma função de soma multiplica cada valor de entrada pelo seu peso e adiciona os valores para um total ponderado Y.

Figura 9 – Fórmula para n entradas em um elemento de processamento.

Figura 10 – Formula para jº neurônio de inúmeros neurônios de processamento

em uma camada

50

Figura 14: Função de soma para um neurônio (a) e vários neurônios (b).

Fonte: Turban (2008 p W6-10).

Função de transformação: calcula o estímulo interno do neurônio,

tendo como base nesse nível o neurônio pode ou não produzir uma saída. O nível de ativação interna e a saída pode ser linear ou não-linear, expressa por um dos vários tipos de função de transformação. A função de transformação soma as entradas vindas de outros neurônios/outras fontes em direção a um neurônio e após produz uma saída baseada na escolha da função de transferência.

Figura 15: Exemplo de funções para RNA.

Fonte: Turban (2008 p W6-11).

51

Função Sigmóide: transfere em forma de S com variação de 0 a 1, sendo uma função de transferência não-linear comum.

Figura 16: YT é o valor transformado de –Y.

Fonte: Turban (2008 p W6-11).

A transformação modifica os níveis de saída para valores aceitáveis, realizada

antes que as saídas alcancem o próximo nível. Sem essa transformação, o valor da

saída torna-se muito grande, especialmente quando existem diversas camadas de

neurônios, algumas vezes e utilizado o valor limite.

Valor limite: barreira para a saída de um neurônio a fim de ativar o próximo

nível de neurônios. Se um valor de saída for menor do que o valor limite, não

será passado para o próximo nível de neurônios.

Camadas escondidas: práticas complexas exigem uma ou mais camadas

escondidas entre os neurônios de entrada e saída e um número igualmente

grande de pesos. Algumas RNAs experimentais usam milhões de elementos

de processamento, cada camada aumenta exponencialmente o esforço de

treinamento e o cálculo necessário, o uso de mais de três camadas

escondidas é raro na maioria dos sistemas comerciais, no caso tratado no

trabalho.

5.1.4 Arquiteturas da rede neural

Há diversos modelos de algoritmo eficazes na rede neural, mais comuns são retro

propagação, memória associativa e rede recorrente indicada na Figura 13 -Rede

neural com uma camada escondida, outras são representadas na Figura 17 e 18.

52

Figura 17: Estruturas de rede neural: fluxo progressivo

Fonte: Turban(2008 p W6-12).

Figura 18: Estrutura recorrente comparada com fonte progressiva.

Fonte: Baseado em PC AI, May/June 1992, p.35.

O funcionamento de um modelo completo de rede neural é acionado pela tarefa

para a qual foi programado normalmente são modelos multicamadas nos quais a

informação é passada de uma camada para outra, com o objetivo de mapear uma

entrada para uma rede para uma categoria específica, conforme identificado pela

saída da rede, ou pode ser usado um modelo neural usado como otimizador pode

ser uma única camada de neurônios, altamente interconectada, e pode calcular

valores de neurônio repetidamente até que o modelo convirja a um estado estável,

ou seja, representaria uma solução ideal para o problema sob análise.

53

Uma rede é treinada para executar a tarefa designada é outra característica do

modelo identificador. O aprendizado da rede neural pode ocorrer em dois modos:

Aprendizado supervisionado: conjunto de treinamento usado para “ensinar”

a rede sobre seu domínio de problema é repetidamente apresentado à rede

neural. A saída da rede no seu formato atual é calculada e comparada à saída

desejada. O algoritmo de aprendizado usado determina como os pesos de

interconexão neural são corrigidos devido a diferenças entre as saídas reais e

desejadas para um membro do conjunto de treinamento, a atualização dos

pesos de interconexão da rede continua até que o critério de parada do

algoritmo de treinamento seja encontrado.

Aprendizado não supervisionado: a rede neural aprende um padrão através

de exposição repetida, ser previsto conforme a rede neural adequadamente se

auto-organiza ou agrupa seus neurônios relacionados à determinada tarefa

desejada.

Uma classe de modelos que tem potencial em problemas de classificação e

previsão, na qual, consistem de múltiplas camadas de neurônios são as redes

neurais progressivas com multicamadas, nelas a informação é passada por em uma

única direção, das camadas de entrada da rede, através de uma ou mais camadas

escondidas, em direção à camada de saída dos neurônios, para os neurônios de

cada camada estão conectados aos neurônios da camada subseqüente. O

progressivo Perceptron Multicamadas (MLP) trata-se do modelo neural para

problemas de classificação, são redes que avaliam os elementos de processamento,

de modo supervisionado são compostos de uma ou mais camadas de nós, entre os

nós de entrada e saída. Na Figura 13 - Rede neural com uma camada escondida, os

nós de entrada representam onde a informação é apresentada à rede, os nós de

saída fornecem a “decisão” da rede neural, os nós escondidos contêm o

mapeamento adequado das entradas até as saídas, por meio dos pesos de

interconexão, podem ser consideradas como decisões.

54

No aprendizado supervisionado, o processo de aprendizagem é indutivo, onde os

pesos de conexão são obtidos de casos existentes. O processo de aprendizagem

normal envolve três tarefas:

1. Calcular saídas temporárias.

2. Comparar as saídas com as metas desejadas.

3. Ajustar os pesos e repetir o processo.

Figura 19: Processo de aprendizagem de uma RNA.

Fonte: Turban (2008 p W6-16).

Quando saídas existentes estão disponíveis para comparação, o processo de

aprendizagem começa pela determinação dos pesos de conexão, através de regras

ou aleatoriamente. A diferença entre a saída real (Y ou ) e a saída desejada (Z)

para um determinado conjunto de entradas é um erro chamado delta , o objetivo é

minimizar o delta que é feito pelo ajuste dos pesos da rede, tal solução pode alterar

os pesos na direção certa, fazendo mudanças que reduzam o delta. O

processamento de informação com uma RNA tem uma tentativa de reconhecer

padrões de atividades. Nas fases de aprendizagem, os pesos de interconexão

mudam em resposta aos dados de treinamento apresentados ao sistema. RNAs

diferentes calculam o delta de maneiras diferentes.

O processo de Aprendizado na rede artificial tem como base um único neurônio

que aprende a operação inclusiva OU, existem dois elementos de entrada, e ,

se um ou outro ou ambos possuem um valor positivo, o resultado também é positivo,

com isso os neurônios são treinados para reconhecer os padrões de entradas e

classificá-los de modo a fornecer rápidas correspondentes, é repetido até que os

55

pesos convirjam a um conjunto uniforme de valores que permitam aos neurônios

classificar corretamente cada uma das quatro entradas. Ao calcular as saídas, uma

medida do erro (delta) entre a saída e os valores desejados é usada para atualizar

os pesos, reforçando posteriormente os resultados corretos. Em qualquer passo do

processo para um neurônio j, conforme a formula:

Onde Z e Y são, respectivamente, as saídas desejadas e reais. Portanto, os

pesos atualizados são:

(final) = (inicial) + alfa × delta ×

Onde alfa é um parâmetro que controla quão rápido o aprendizado acontece,

chamado de taxa de aprendizado.

Um alto valor para a taxa de aprendizado pode levar a muitas correções nos

valores de peso, resultando reprocessar os valores de peso possíveis e nunca atingir

o ideal. Uma taxa de aprendizado muito baixa pode desacelerar o processo de

aprendizagem. As implementações do processo de aprendizagem incluem o

parâmetro de contrabalanceamento - momentum para fornecer um equilíbrio à taxa

de aprendizado. A taxa de aprendizado procura corrigir o erro, o momentum procura

desacelerar o aprendizado. Os valores iniciais dos pesos para cada entrada são

transformados usando a equação mostrada anteriormente, na qual, determina os

valores que serão usados com a próxima entrada. Nos passos subseqüentes, o

algoritmo de aprendizado melhora os resultados, até que finalmente cria um conjunto

de pesos que fornece os resultados corretos. Uma vez determinado, um neurônio

com esses valores de peso pode realizar a operação OU rapidamente.

5.1.5 Retropropagação

O algoritmo de aprendizado de retro propagação é a maneira padrão de

implementar um treinamento supervisionado para redes neurais progressivas. É uma

técnica iterativa do gradiente descendente planejada para minimizar uma função de

erro entre a saída real da rede e sua saída desejada, o ajuste dos pesos de

interconexão, que contêm a função de mapeamento, começa no nó de saída onde a

56

medida de erro é inicialmente calculada e propagada de volta através das camadas

da rede, em direção a camada de entrada.

(PRINCIPE et al., 2000), Uma rede de retro propagação inclui uma ou mais

camadas escondidas. Esse tipo de rede é considerado progressivo porque não há

interconexões entre a saída de um elemento de processamento e a entrada de um

nó na mesma camada ou em uma camada anterior. Padrões corretos externamente

fornecidos são comparados à saída da rede neural durante o treinamento

(supervisionado), o feedback é usado para ajustar os pesos até que a rede tenha

categoriza do todos os padrões de treinamento o mais corretamente possível.

Tendo como inicio uma camada de saída, os erros entre as saídas reais e

desejada são usados para corrigir os pesos das conexões da camada anterior

(Figura 20). Para qualquer neurônio de saída j, o erro (delta) = ( – ).(df / dx), onde

Z e Y são, respectivamente, as saídas desejada e real. Utilizar a função sigmóide, f

= [1 + exp(-x) , onde x é proporcional ao total das entradas ponderadas para o

neurônio, trata-se de uma maneira eficaz de calcular a saída de um neurônio na

prática. Essa função é derivada da função sigmóide df/dx = f(1 – f) e o erro são uma

simples função das saídas desejada e real.

Figura 20: Retropropagação de erros para um único neurônio.

Fonte: Turban (2008 p W6-19).

57

A função logística f(1 – f) serve para manter a correção do erro, os pesos de

cada entrada para o jº neurônio são, então, mudadas em proporção ao erro

calculado.

O algoritmo de aprendizado inclui os seguintes procedimentos:

1. Iniciar pesos com valores aleatórios e determinar outros parâmetros;

2. Ler o vetor de entrada e a saída desejada;

3. Estimar a saída real por meio de cálculos, trabalhando progressivamente

através das camadas;

4. Calcular o erro;

5. Alterar os pesos através do trabalho progressivo, da camada de saída

passando pelas camadas escondidas.

Para todo o conjunto de vetores de entrada até que as saídas desejada e real

harmonizem com qualquer tolerância predeterminada tal processo é repetido. Os

requisitos de cálculo para uma repetição, em uma rede grande pode levar muito

tempo para ser treinada; por isso, em uma variação, um conjunto de casos é

executado progressivamente e um erro agregado é inserido retroativamente para

acelerar o aprendizado.

5.1.6 Desenvolvimento de sistemas baseados em Redes Neurais

Para o desenvolvimento de sistemas baseados em Redes Neurais é necessário à

realização de uma análise de viabilidade, considerado as etapas são gerais para

qualquer sistema de informação, para a aplicação de RNA inclui nove etapas no

desenvolvimento do projeto, conforme Figura 21.

58

Coletar dados

Separar em conjuntos de treinamentos e teste

Definir Estrutura de Rede

Determinar Parâmetros e valores, zerar os

pesos

Transformar dados em entradas de rede

Começar o treinamento e determinar e revisar

os pesos

Para e testar

Implementação:Usar a rede com novos

casos

Pegar um número maiorDe dados melhores

Separar Novamente

Redefinir a Estrutura

Selecionar outro algoritmo

Reiniciar

8

7

6

5

3

2

1

Selecionar um algoritmo de aprendizado

Reiniciar

9

4

Figura 21: Fluxograma do processo de desenvolvimento de uma RNA.

Fonte: Turban (2008 p W6-21).

59

Coleta e Preparação dos Dados: As primeiras duas etapas têm como

função a coleta dos dados, separação em conjunto de treinamento e um de

teste, ajustando os pesos, e os casos de teste é usada para validação da

rede. Os dados usados devem incluir todos os atributos úteis para

resolução do problema, tal processo de coleta e preparação dos dados são

as etapas mais importantes na criação de um sistema que tem como foco

ser eficiente. Quanto maior os conjuntos de dados, o tempo de

processamento durante o treinamento pode aumentar, mas a precisão

eleva um conjunto satisfatório de pesos.

o Etapa 1: problema específico deve ser acessível à solução de rede

neural e os dados adequados existem e podem ser obtidos.

o Etapa 2: os dados de treinamento são identificados, um plano deve

ser feito para testar o desempenho da rede.

Escolha da estrutura de Rede: Nesta etapa é projetada a estrutura das

redes neurais. Inclui a escolha de uma topologia e determinação de (1) nós de

entrada, (2) nós de saída, (3) número de camadas escondidas e (4) número

de nós escondidos. Para o desenvolvimento do trabalho com foco em Call

Center a topologia com multicamadas freqüente será usada na aplicação. O

esquema dos nós de entrada deve ser baseado nos atributos do conjunto de

dados.

Escolha do Algoritmo de Aprendizado: Nesta etapa será necessário

encontrar um algoritmo de aprendizado para identificar um conjunto de pesos

de conexão que melhor abranja os dados de treinamento e tenha melhor

precisão. No trabalho será utilizado o retro propagação, no pacote comercial

já disponível no mercado, breve será mencionado na descrição do capitulo da

aplicação.

Treinamento da Rede (RNA): nesta etapa é transformado os dados de

aplicação no tipo de formato exigido pela RNA, tal processo é repetitivo que

inicializa a partir de um conjunto aleatório de pesos, gradualmente aprimora

do modelo da rede e o conjunto de dados conhecido. No algoritmo de retro

propagação, dois parâmetros, taxa de aprendizado e momentum, podem ser

60

ajustados para controlar a velocidade de obtenção de uma solução, na qual,

determinam a proporção da diferença entre o valor calculado e o valor real

dos casos de treinamento. Quando o conjunto de dados de treinamento está

pronto, ele é carregado em um pacote e o procedimento de aprendizagem é

executado.

Testes: Processo de teste da rede é conduzido repetidamente por meio de

exposição à rede dos dados de entrada e saída reconhecidos. As saídas

desejadas e suas relações com os dados de entrada são obtidas de dados

históricos, no caso o ambiente DW servirá como base no processamento do

RNA. Nesta etapa é utilizado o conceito de teste de caixa preta, na qual

compara os resultados de teste com os resultados históricos. No plano de

teste deve incluir casos de rotina como situações potencialmente

problemáticas, se apresentar desvios será necessário ser reexaminado e

possivelmente repetir o processo.

Implementação - usar a rede com outros casos: nesta etapa já obtém um

conjunto de pesos estáveis, a rede pode reproduzir as saídas desejadas,

dado as entradas como aquelas do conjunto do treinamento. Após todos os

processos finalizados do projeto, a rede estará pronta para ser usada como

parte de outro software acoplado na solução mencionada, na qual, para os

novos dados de entrada serão apresentados e suas saídas serão uma

decisão recomendada. No trabalho será considerado o que será

parametrizado pelo usuário, mais detalhes serão descritos no capitulo da

Arquitetura Proposta.

61

6 ARQUITETURA PROPOSTA

Neste capítulo será apresentada tanto a arquitetura quanto a aplicação proposta

com objetivo propor uma solução para os problemas apresentados no estudo de

caso.

6.1 Introdução

Com base no estudo de caso descrito no inicio do trabalho, o foco será auxiliar na

tomada de decisões, que a equipe de planejamento exerce nas operações de Call

Center envolvidas. A aplicação primeiramente deve ser parametrizada com os

eventos de monitoramento, ou seja, o analista de planejamento irá cadastrar todas

as ações que podem indicar fator de risco e exige mudança de estratégia

operacional como: número muito baixo de vendas efetuado no dia, quando há

dificuldade de localizar o cliente, ou seja, número elevado de ligações não

atendidas, até mesmo para tempo médio de ligação muito elevado e/ou

características que podem indicar fraudes operacionais. Após finalizar o cadastro de

ações, o sistema irá monitorar os dados de entrada que estarão sendo processados,

quando atingir o valor parametrizado será gerado um alerta. Um exemplo que pode

ser citado, a aplicação permitirá o cadastro de um alerta com a regra no Estado de

SP, onde no período de 10h ás 18h de segunda á sexta-feira, se houver mais de 400

ligações não atendidas em uma hora para toda operação, irá gerar um alerta por e-

mail á equipe de planejamento, informando para verificar quantidade de clientes não

contatados na base de São Paulo. Gerado o alerta, a equipe deve verificar a

anormalidade para atuar com medidas solucionadoras pré-estabelecidas no

desenvolvimento estratégico, cada alerta gerado será aberto um incidente de alerta,

onde após estratégia da equipe planejamento, deve ser encerrado o incidente com a

descrição da ação realizada e definir se foi um caso de sucesso ou fracasso.

Consequentemente, os próximos alertas gerados irão conter o histórico de ações

(sucesso ou fracasso) já realizadas para os alertas do mesmo perfil, além descrever

qual a melhor forma de tratar o alerta gerado, tal indicação tem como base seu

histórico de incidentes tratados. Ainda neste capítulo serão apresentados todos os

itens da arquitetura proposta.

62

Neste trabalho, serão identificadas as necessidades para análise de desempenho

operacional, assim permitirá detalhamento da estrutura proposta. Conforme

Apêndice A, representa o processamento do cubo com base no Data Mart, ou seja,

serão criados cubos com quantidade menor de dimensões com base na solução de

análise da campanha. O cubo será disponibilizado para área de planejamento

efetuar suas analises. Todas as dimensões do cubo permitirão parametrizações de

monitoramento, assim o acompanhamento das ações com base em problemas X

soluções imediatas ficará eficaz, através dos alertas que serão gerados.

6.1.1 Ambiente Proposto

Na Figura 22, seguindo o processamento da informação, é representado uma

breve funcionalidade de cada servidor.

SQL ServerData Mart

Analysis Services

SQL Server Data Warehouse

Integration Service

Report Service

SQL ServerBD Transacional

Produção

Http://

Report Builder

Processamento de informação

Consolida Dados

Modelo Dimensional

Consulta SQL

Carga para o Cubo

Consulta SQL

Consulta Excel

Usuário

Modelo Dimensional

SQL ServerBD Transacional

Replicação - RelatórioReplicação

Figura 22: Arquitetura do Ambiente Proposto.

Fonte com adaptações: http://msdn.microsoft.com/pt-br/library/cc517991.aspx

63

SQL Server BD Transacional Produção: será responsável pelo

armazenamento de dados do sistema utilizado pelo ambiente operacional.

SQL Server BD Transacional Replicação - Relatório: serão armazenadas

todas as tabelas do sistema e replicadas á cada 5min, somente será utilizado

para consulta de relatório.

Integration Service: Ambiente de ODS armazena informações consolidadas em

arquivos textos que serão importados para o DW, os dados são detalhados de

todas as operações. Durante o processo de extração do servidor de relatório para

o DW, é considerado o intermediário e essencial para não haver alto

processamento nos servidores envolvidos.

SQL Server Data Warehouse: responsável pelo armazenamento da arquitetura

BI, os dados são importados á cada 1h com origem do servidor ODS, de acordo

com especificação de cada campanha, algumas podem haver um tempo maior

de 1h á 24h, será avaliado a necessidade de cada exigência do cliente

contratante.

SQL Server Mart: armazena os modelos gerados dimensionais no ambiente de

Data Mart, com dados vindos do ODS ou do Data Warehouse;

Analysis Services: responsável pelo armazenamento dos cubos, na qual serão

carregado com informações vindas do Data Mart. Permitirá o acesso aos cubos

utilizando o Excel, na construção de relatórios e exploração de dados de forma

flexível através da Tabela Dinâmica.

Report Service : relatórios são desenvolvidos inicialmente utilizando como

fontes de dados as tabelas de bases relacionais de Data Mart, com utilização de

Transact-SQL.

64

A tabela 6 - Requisitos de Servidores Envolvidos, mostra com mais detalhes

algumas especificações.

Características Configurações

Armazenamento DW - 8 TB

ODS - 4 TB

Data Mart - 2 TB

Processadores 64-bit

Sistema Operacional Windows Server 2003 Enterprise Edition

Suporte servidores SQL Server 2005 Failover cluster

Configurações Reporting Services Web Farm, em Load Balancing

Tabela 6: Requisitos de Servidores Envolvidos.

Definições Técnicas:

Failover cluster5 - “Um cluster de failover é um conjunto de computadores

independentes que trabalham em conjunto para aumentar a disponibilidade

de aplicativos e serviços. Os servidores em cluster (chamados de nós) são

conectados por cabos físicos e por software. Se um dos nós do cluster falhar,

o outro nó começará a fornecer o serviço (um processo conhecido como

failover). Os usuários vivenciam um mínimo de interrupções no serviço.”

Web Farm6: “O Microsoft Web Farm Framework é um produto Microsoft

gratuito e totalmente suportado que te permite facilmente provisionar e

gerenciar uma farm "fazenda" de servidores web.”

Load Balancing7: “Uma rede de computadores para distribuir a carga de

trabalho metodologia em vários computadores ou um cluster de

computadores , links de rede, unidades de processamento central, unidades

de disco ou outros recursos, para atingir melhor utilização dos recursos,

maximizar a produção, minimizar o tempo de resposta e evitar a sobrecarg”.

5 http://technet.microsoft.com/pt-br/library/cc725923(WS.10).aspx Acessado em Setembro - 2011

6 http://weblogs.asp.net/scottguportuguese/archive/2011/01/20/microsoft-web-farm-framework-

20.aspx?utm_source=feedburner&utm_medium=feed&utm_campaign=Feed%3A+scottguportuguese+%28ScottGu%27s+Blog+em+Portugu%C3%AAs%29 - Acessado em Setembro – 2011.

7 http://en.wikipedia.org/wiki/Load_balancing_(computing) - Acessado em Setembro – 2011.

65

6.2 Ferramentas utilizadas e suas características

Para atender os requisitos de alta disponibilidade e tolerância á falha será

utilizada a plataforma utilizada será MS SQL Server 2005, constituída pelas

ferramentas abaixo8:

Microsoft SQL Server (Batabase): repositório de dados, com objetivo de

armazenar e centralizar todas as informações, construindo o Data Warehouse

e/ou Data Marts.

Microsoft SQL Server Integration Services (SSIS): Responsável por

centralizar e buscar diversas fontes de dados diversificadas.

Microsoft SQL Server Analysis Services (SSAS): ferramenta que possibilita

manipular de forma para fornecer informações para a tomada de decisão.

Microsoft SQL Server Reporting Services (SSRS): Ferramentas de

exibição de dados, responsável por criar relatório, gráficos e pequenos

dashboards de apresentação de dados.

Microsoft Office Excel 2010: ferramenta que possibilita consulta de dados,

através de Gráficos Dinâmicos, sendo assim, é criado uma conexão com a fonte

de dados – cubo, possibilitando a atualização dos dados sempre quando um

cubo for processado.

Weka9: Coleção de algoritmos de aprendizagem de máquina para tarefas

de mineração de dados. Os algoritmos podem ser aplicados diretamente à

um conjunto de dados ou chamados a partir de seu código Java próprio, contém

ferramentas para os dados de pré-processamento,

classificação, regressão, regras de associação e visualização. O Weka é um

software livre, será implementado e integrado ao sistema, auxiliando na tomada

de decisões ao ser gerado o e-mail de alerta.

8 http://www.whitecube.com.br/index.php?option=com_content&view=article&id=90&Itemid=117

Acessada em Setembro - 2011 9 http://www.cs.waikato.ac.nz/~ml/weka/ - Acessado em Setembro -2011.

66

6.3 Ambiente DW

Foram coletadas as informações necessárias para análises no ambiente de Call

Center, com objetivo de criar um novo ambiente DW e para a implantação da Data

Marts. Conforme representado:

Informação Coletada necessária para análises no cubo BI.

o Hierarquia – Sub Grupo da informação coletada.

Formato do Dado que será apresentado.

Data do Contato

o Ano

AAAA

o Mês

MM

o Dia

DD

Hora do Contato

o Início 00:00:00

o Final 00:00:00

o Hora (Texto)

Manhã

Vespertino

Tarde

Noite

o Dia da Semana (Sigla)

Seg. - Segunda- Feira

Ter - Terça - Feira

Qua. – Quarta - Feira

Qui. – Quinta - Feira

Sex. – Sexta - Feira

Sáb. - Sábado

Dom. – Domingo

67

Contato

o Duração do Contato (TMA)

00:00:00

Status do Cliente

o Status de tabulação (Texto)

Venda com sucesso

Recusou-se á conversar / Não disponível

Possui outros cartões

Desempregado

Agendamento – Voltar á Ligar Manhã/ Tarde / Noite

Não Contatado Não atende / Ocupado / Secretária Eletrônica

Mailing

Segmentação

Informações do Cliente

o Sexo (Sigla)

F – Feminino

M – Masculino

o Nome

Nome Completo (sem caracteres especiais)

o Faixa Etária - (Texto)

De 18 á 25 anos

De 26 á 30 anos

De 31 á 40 anos

De 41 á 50 anos

De 51 á 60 anos

De 61 á 70 anos

Mais de 70 anos

68

o Faixa de Renda - (Texto)

Menos que 500 reais

De 500 á 1.000 reais

De 1000 á 2.500 reais

De 2.501 á 4.000 reais

De 4.001 á 5.000 reais

De 5.001 á 7.000 reais

De 4.001 á 5.000 reais

De 5.001 á 10.000 reais

De 10.001 á 20.000 reais

Acima de 20.000 reais

o Estado (Sigla)

UF

o Cidade (Texto)

Nome da Cidade (sem caracteres especiais)

o Limite do Cartão (Texto)

Menos que 200 reais

De 201 á 500 reais

De 501 á 700 reais

De 701 á 1.000 reais

De 1.001 á 2.500 reais

De 2.501 á 5.000 reais

De 5.001 á 10.000 reais

Acima de 10.000 reais

Informações do Vendedor

o Nome (Texto)

Nome Completo (sem caracteres especiais)

o Supervisão (Texto)

Nome Completo (sem caracteres especiais)

69

o Faixa Etária (Texto)

De 18 á 25 anos

De 26 á 30 anos

De 31 á 40 anos

o Sexo (Sigla)

F – Feminino

M – Masculino

Informações do Produto

o Nome (Texto)

Nome Promocional (sem caracteres especiais)

o Faixa de renda oferecida (Texto)

Menos que 500 reais

De 500 á 1.000 reais

De 1000 á 2.500 reais

De 2.501 á 4.000 reais

De 4.001 á 5.000 reais

De 5.001 á 7.000 reais

De 4.001 á 5.000 reais

De 5.001 á 10.000 reais

De 10.001 á 20.000 reais

Acima de 20.000 reais

o Classificação (Texto)

Internacional

Nacional

o Bandeira (Texto)

Visa

Master

Dinners

70

Todas as informações levantadas serão processadas para compor o ambiente

DW. Durante o processo de mineração, todos os dados devem ser tratados e

padronizados de acordo com o formato já estabelecido na listagem acima, em

alguns bancos de dados transacionais, pode haver dados inválidos quanto à

padronização, sendo assim, será tratado e atribuído os valores conforme Tabela 7.

Formato do Dado Dado Não Identificado

Texto “Valor não Informado”

Delimitados “N/A”

Numérico 0 ou 00:00:00

Faixa Determinada “Valor não Identificado”

Tabela 7: Tratamento de dados.

Tais valores, em uma análise estatística devem ser considerados como “Faixa de

Erro”, pois contém informações não reconhecidas, mas de acordo com algumas

analises pode fazer diferença ou até mesmo mudar a conclusão da ação

estratégia.O DW foi criado pensando em atender qualquer necessidade no ambiente

operacional, a arquitetura proposta será focar em um fator isolado. A modelagem de

dados apresentaria o seguinte ambiente.

TB_FATO_001

ID_CLIENTE int

ID_TABULACAO int

ID_OPERADOR int

ID_SUPERVISOR int

ID_PRODUTO int

FAT_CONT_DATA datetime

FAT_CONT_INI smallint

FAT_CONT_FIM smallint

FAT_CONT_TMA smallint

FAT_CONT_SEMANA char(20)

TB_CLIENTE_001

ID_CLIENTE int

CLI_SEXO char(1)

CLI_DTNASC datetime

CLI_RENDA char(10)

CLI_ESTADO char(2)

CLI_CIDADE char(126)

CLI_LIMITE char(10)

CLI_MAILING char(126)

CLI_SEGMENTACAO char(126)TB_TABULACAO_001

ID_TABULACAO int

TAB_NOME char(256)

TB_FAIXA_APOIO_001

ID_FAIXA int

FAP_CLASSIFICACAO char(3)

FAP_NOME_INTERVALO char(256)

FAP_VALOR char(10)

TB_OPERADOR_001

ID_OPERADOR int

OPE_NOME char(256)

OPE_DTNASC datetime2(7)

OPE_SEXO char(2)

TB_SUPERVISOR_001

ID_SUPERVISOR int

SUP_NOME char(256)

SUP_SEXO char(2)

TB_PRODUTO_001

ID_PRODUTO int

PRD_NOME char(256)

PRD_MIN_RENDA int

PRD_MAX_RENDA int

PRD_CLASSIFICACAO char(126)

PRD_BANDEIRA char(126)

Figura 23: Modelagem de dados, para o processamento do DW.

Autora: Sabrina Mariana.

71

6.4 Data Mart de Desempenho Operacional

O Data Mart de desempenho operacional será projetado com objetivo de avaliar o

ambiente operacional durante o dia, por exemplo, para uma determinada hora na

Região X, há dificuldade para encontrar o cliente em um determinado horário, os

usuários gerenciais precisam ter mapeado as tendências de dificuldades para

encontrar o cliente durante o dia, assim pode mudar o mailing por região, onde há

mais possibilidades de contato. No Data Marte será necessário às informações:

o Data do Contato

o Informações do Cliente

o Status do Cliente

A partir deste dado será montado um cubo BI, terá como análise:

Data do Contato

o Ano

o Mês

o Dia

o Hora

Informações do Cliente

o Sexo (Sigla)

o Faixa Etária - (Texto)

o Estado (Sigla)

Status do Cliente

o Status de tabulação

(Texto)

Dimensões:

o Data

o Hora

o Cliente: Sexo

o Cliente: Faixa Etária

o Cliente: Estado

o Cliente: Status de

Tabulação

Tabela 8: Definições das dimensões

A regra de negócio para análise e Business Intelligent foi finalizada, porem a

inteligência de negócio proposta no trabalho dará início á partir do Data Mart criado.

No momento o ambiente operacional de nível gerencial somente tem as informações

D-1, a arquitetura proposta será manter este dado com um delay menor,

aproximadamente uma hora de acordo com a campanha, com alertas para tomadas

de decisões quando o problema estiver acontecendo.

72

6.5 Dicionário de Dados

Nesta etapa, os gerentes ou analistas de planejamento precisam cadastrar os

eventos de monitoramento para tomada de decisões, ou seja, vai possibilitar a

configuração de alertar quando 40% dos operadores não consegue contatar os

clientes para região X. A tabela 9 mostra a proposta parametrização de acordo com

o Data Mart disponível.

Dados disponíveis no Data Mart

Data do Contato

o Ano

o Mês

o Dia

o Hora

Informações do Cliente

o Sexo (Sigla)

o Faixa Etária - (Texto)

o Estado (Sigla)

Status do Cliente

o Status de tabulação

(Texto)

Proposta Parametrização

Data do Contato

o Dia - Hoje.

o Hora – Qualquer Grupo.

Informações do Cliente

o Estado – Qualquer

Estado.

Status do Cliente

o Tabulação: Não

Contatado.

o Quantidade: Acima de

100.

Tabela 9: Parametrização de Alerta

Após efetuar o cadastro, será aplicado o conceito de Redes Artificiais onde as

entradas são os valores parametrizados, conforme Figura 24, com o monitoramento

de índices atingindo o valor parametrizado, será enviado e-mail (alerta) para os

envolvidos da área de planejamento em forma de alerta, cada alerta gerado será

registrado com número de incidente dentro do gerenciamento de cada campanha.

73

Figura 24: Aplicação – Funcionalidade.

Autora: Sabrina Mariana.

A área de planejamento deve avaliar o resultado gerado, de acordo com os

resultados obtidos precisam tomar uma decisão, ou seja, foi gerado um alerta

identificando um alto índice de clientes não contatados em um determinado período,

será necessário analisar o ambiente através do data mart disponível, após tomar

uma ação imediata, na qual deve ser cadastrada no acompanhamento do incidente

gerado.

Figura 25: Aplicação – Processo de Análise.

Autora: Sabrina Mariana.

74

O histórico dos alertas permitirá a visualização em um relatório qualitativo e

quantitativo para os casos de sucesso e fracasso, além de identificar qual foram os

procedimentos mais susceptíveis já tomados, após cinco ocorrências geradas.

Figura 26: Aplicação – E-mail Estratégico.

Autora: Sabrina Mariana.

Será considerado como concluído o incidente do alerta, ao ser registrada a

reação operacional após ação da área de planejamento em cima do problema

apresentado, classificando como: sucesso, fracasso, medida corretiva ou correção

de problemas, com a descrição da ação tomada. Tal processo é diferenciado de toda

e qualquer solução proposta, pois utilizando a redes artificiais permitirá a análise de

planejamento de acordo com o histórico de tomadas de decisões realizadas, além

apresentar quais ações podem ser tomada de acordo alertas.

O sistema Weka10 utilizado para mineração de dados aplicando a inteligência

artificial, será implementado e automatizado facilitando as análises de planejamento

e índices de decisões que podem ser aplicados, através de gráficos e acompanha-

mento operacional.

10

http://www.cs.waikato.ac.nz/~ml/weka/ - Acessado em Setembro -2011.

75

6.6 Vantagens e Desvantagens da Arquitetura Proposta

6.6.1 Vantagens

Toda análise de vantagem da ferramenta tem como base a experiência

profissional obtida durante seis anos de dedicação no ramo de Call Center, a

arquitetura proposta não foi implementada, porem tal afirmação nesta seção deve

ser levado em consideração para qualquer ramo.

A Solução de BI permite que as fases de gestão sejam integradas aos clientes

para obtenção de informações que nortearão as decisões acordadas na gestão

estratégica. A Solução de BI também permite a integração, orçamento e reporting

com as aplicações de processos em uma empresa. Também apresenta a vantagem

ao proporcionar a visão lógica em gerir os negócios além de controlar e unificar

fontes de informação para toda a organização. A uniformização da informação

proporciona rapidez à consulta dos dados com maior confiabilidade na

automatização de processos de análise.

São vantagens da ferramenta proposta:

Permite criar e visualizar perfis de pesquisa conforme a elaboração de

análises e simulações;

Possibilita montar análises e agendar envio por e-mail para ser notificado

problemas ou casos de sucesso;

Obtém controle de notificações e histórico de ações, de acordo com o planeja-

mento e suas ações aplicadas com resultado de sucesso ou fracasso.

Agilidade na tomada de decisões ou maior eficácia;

Desenvolvimento do conhecimento empresarial em suas fases históricas de

notificação;

Aperfeiçoar a gestão estratégica aos recursos operacionais;

Ganho de tempo expressivo (80% de economia de tempo), em média para

analisar uma campanha e criar uma ação estratégica (corretiva ou para

melhorias) exige um foco de 3h sobre cada uma, ou seja, em um dia não seria

possível uma análise de 25 campanhas, criando alertas, o tempo perdido de

muitas análises serão recompensados.

Analistas têm a opção de manipular apenas um documento (consulta) para

extração da informação.

76

A Tabela 10 - Problemas X vantagens aplicadas á arquitetura proposta, apresenta

os problemas mencionados no caso de uso, aplicando a estrutura proposta quais as

vantagens serão proporcionadas aos usuários finais.

Problema Solução

Equipe de planejamento tem muitas campa-

nhas para serem administradas.

Administrar os alertas e o apoio para a tomada de

decisões, terá redução de tempo de análise.

Contatos monótonos cansam cada vez mais

os consumidores, na hora de oferecer um

produto ou serviço.

Com análise de perfil do operador e cliente através

do BI, permite-se desenvolver scripts de contato

personalizado, diferenciando os contatos e com

abordagens mais objetivas.

O BI aplicado na empresa trata-se de um

Data Mining geral onde cada cubo tem em

média de quatorze dimensões.

Os cubos com base no Data Mart vão apresentar

no máximo cinco dimensões. Com isso será possível

a criação de vários cubos com poucas dimensões e

com foco no resultado X da análise.

As análises efetuadas são com base em D-1.

A arquitetura possibilitará consulta até um delay de

uma hora, de acordo com cada campanha, não

obstante as notificações em tempo real.

O conceito de BI não está aplicado

adequadamente, pois utilizam a ferramenta

como relatório e não para análise histórica em

planejamento.

Os cubos com base no Data Mart exigem foco no

seu principio. Assim as notificações servirão de

aprendizado quanto à ferramenta proposta.

Análises são parciais para relatório de

desempenho de equipe ou para BI.

Com a notificação é gerado uma incidência

pendente para uma ação estratégica, exigindo

análises e ações imediatas.

Todas as campanhas trabalham com o

mesmo plano de ação, porém as contratantes

exigem tratamentos diferenciados em função

dos problemas de desempenho identificados por

elas próprias.

Durante o processo de cadastro de monitoramento

ficará nítido a estratégia e a forma de trabalho de

cada equipe diversificando cada entidade.

A rotatividade da equipe é grande, portanto

não é aplicada a gestão de conhecimento entre

os integrantes.

Com a análise de desempenho de um operador

pode-se ter melhor gestão pessoal, reciclagem do

conhecimento e ações motivacionais.

Os problemas de desempenho operacional

não são previamente identificados, apenas

tratados posteriormente.

Com o alerta reduz identificar problemas

posteriores, permitirá identificar as incidências durante

a semana de acordo com índice de vendas.

As medidas estratégicas estão voltadas para

correção, jamais para a prevenção de algumas

situações como: roubo, plágio e coletas incom-

pletas.

As redes neurais possibilitam que processos como

“fraude” sejam identificados de imediato, além do

processo de notificações por detecção por fraude.

Tabela 10: Problemas X vantagens aplicadas á arquitetura proposta.

77

6.6.2 Desvantagens

A seguir são enumeradas desvantagens da arquitetura proposta, levantadas por

meio de uma análise de risco do projeto. Estas deficiências podem ser corrigidas em

futura implementação da arquitetura proposta.

Para alguns analistas, o conceito de análise multidimensional é novo e a

mudança de paradigma pode causar, inicialmente, desconforto tanto durante

implementação da arquitetura quanto forma de trabalho que será alterada.

Consulta no Excel exige que os desktops demandem equipamento de alto

desempenho e pacote Office atualizado (versão 2010), que suportam

consultas grandes e planilhas robustas, além de hardware adequado para

evitar degradação do ambiente;

Alto custo para implementação e despesas adicionais com infra-estrutura

(Servidores/Desktop para usuários finais)

Algumas ferramentas como o front-end não é facilmente assimilada por todos

os analistas.

6.7 Melhorias e Trabalhos Futuros

Como em qualquer implantação, a análise crítica é essencial. São enumeradas

algumas melhorias a serem efetuadas em trabalhos futuros.

Utilização de redes artificiais para, a partir de análises do histórico de alertas,

realizar previsões de possíveis resultados e permitir o planejamento de ações

semanais para o ambiente operacional.

Para maior entendimento da ferramenta e conceito, a ferramenta vai permitir

instruções de quando um o usuário é novo, ou seja, durante os primeiro dias

de acesso, o usuário visualizará de acordo com informações recebidas

instruções de teorias de planejamento e informações da regra de negocio de

acordo com o ambiente que está trabalhando, considerado hoje o “Boas

Vindas” além de um E-learning que será útil no dia-a-dia.

78

Para a exigência e servidor WEB específico, pode ser criados servidores

virtuais.

Para consulta no Excel, o próximo passo é a implantação de consulta com

report services, utilizando o MDX11 (Multidimensional Expressions), que

permitem consultas a objetos multidimensionais (cubos) e retornam conjuntos

de células multidimensionais que contêm dados do cubo.

Desenvolver forma de buscar dados em outras fontes, ou seja, a ferramenta

pode buscar no cadastro de funcionários as informações do operador de

telemarketing, de acordo com seu grau de instrução, data de admissão,

históricos de campanhas já trabalhadas na empresa serão permitindo

identificar melhor a forma de trabalho do operador adequando para melhores

resultados.

Aplicar módulo de elaboração de gráficos on-line para acompanhamento de

desempenho da campanha.

Desenho e estruturação do ambiente de contingência e balanceamento.

11

http://msdn.microsoft.com/pt-br/library/ms145514.aspx- Acessado em Setembro/2011

CONCLUSÃO

O projeto teve como foco a análise de uma campanha específica na empresa de

Call Center e a criação de um Data Mart com foco em clientes contatados. Devido ao

estudo de caso adotado, o trabalho ficou restrito ao segmento de atendimento,

apresentando detalhadamente a parte da regra de negócio, embora não tenha sido

efetivamente implantada, a arquitetura proposta pode ser considerada um diferencial

para empresas do ramo, uma vez que atualmente não existem nenhum sistema

como este proposto. A arquitetura de alertas com histórico de ações tratadas,

análise das vantagens e desvantagens e o uso do Data Mart, pode haver ganho

operacional em relação aos processos de tomada de decisões e grande redução de

tempo, já que a ferramenta possibilita automatizar o processo de manipulação de

dados durante uma consulta. Assim, a tomada de decisão tem maior chance de ser

eficaz, pois o conhecimento extraído do Data Mart permite visualizar de diversas

formas.

A ideia apresentada pode ser aplicada para mostrar diferenciais durante o

primeiro contato com o cliente, conforme mencionado no início do trabalho 41% das

pessoas “Não compra nada por telefone” e 35% “Escuta a proposta, mas não

compra”, ao perceber que o tempo médio de atendimento começa diminuir cada vez

mais, e valores de clientes que preferem outros cartões ou até mesmo não

receptivos aumentam, permitem ser abordados de outras formas. O próprio conceito

de redes neurais pode indicar um fator comum, quando um cliente efetua a venda

com sucesso, assim possibilita o crescimento de efetividade no contato ao longo do

tempo. Alguns operadores de telemarketing têm perfil de vender para clientes

específicos de acordo com renda, até preferencia de sexo e/ou região, com

desempenho de analises operacional, tal fator é a chave, onde permite aumentar as

vendas.

A tendência é cada vez mais o BI tornar elemento essencial no ambiente

corporativo, com integrações de diversos softwares pode apoiar na tomada de

decisão, utilizando redes artificiais. Durante o desenvolvimento do trabalho, pode-se

perceber que tal aplicação permite ser utilizada em outros segmentos como em

emissoras de TV, onde de acordo com o ibope de um determinado programa e

horário de cada quadro apresentado, obtém um estudo, onde pode classificar os

melhores quadros. Quando foram considerados valores baixos na média da

audiência, o alerta e incidentes tratados permitirão identificar o que foi realizado para

ter um fator de sucesso ou fracasso, sendo assim, torna-se um sistema totalmente

adaptado para diversos segmentos, e de acordo com a configuração do dicionário

de dados disponível permite ser alterado, ou acrescendo á qualquer momento

durante o histórico de incidentes. As analises quantitativas e qualitativas de

incidentes fechados permitem que os usuários se adaptem com mudanças de

estratégias. O ambiente indica o que o usuário pode fazer além de informar o

histórico quando foi gerado o alerta parametrizado.

A ferramenta pode diminuir custo por tratar de análises mais rápidas e eficazes,

além de facilitar nos casos de sucesso, e diminuir fraudes ou suspeita de fraudes

que podem ser identificadas ou tratadas com antecedência.

REFERÊNCIAS

BRAGA, Antônio de Pádua et al. Redes Neurais Artificiais: Teoria e Aplicações. Rio

de Janeiro: Ltc - Livros Técnicos E Científicos Editora S.a., 2000.

CARBONE, P. P. et al. Gestão por Competências e Gestão do Conhecimento. 2ª

edição, Rio de Janeiro: FGV, 2006

CHARAN, R. and G. Colvin ( 1999, July) “Why CEOs fail”. Fortune.

DUNHAM, M.(2003).Data Mining:Introductory and Advanved Topics. Upper Saddle

River, NJ: Prentie Hall.

GARTNER Inc (2004). Using Busines Intelligence to Gain a Competitive Edge. A

special report. Gartner, Inc.: Stamford CT.

HAYKIN, S.S. (1999). Neural Networks: A Comprehensive Foundation, 2nd ed.

Upper Saddle River, NJ: PrenticeHall.

HAYKIN, Simon. Redes Neurais: Princípios e Praticas. 2. ed. Porto Alegre: Artmed

Editora AS/ Bookman, 1999.

IMHOFF, C., and R. Pettit (2004). “The Critical Shift to Flexible Business

Intelligence.”White paper, Intelligent Solutions, Inc.

INMON, W.H. Como construir o Data Warehouse. São Paulo: Campus 1987.

INMON, W. H.; HACKATHORN, R.D. Using the Data Warehouse. McGraw-Hill,1994.

KIMBALL, R. The Data Warehouse Ligecycle Toolkit. John Wiley & Sons,1998.

KIMBALL, R. Dimensional Modeling Manifesto. DBMS Magazine,1997.

KRIZAN, L. Intelligence Essentials for Everyone. Washington DC: Joint Military

Intelligence College (occasional paper number six) Departmente of Defense,

1999.

LEITE, Mario. Técnicas de Programação: Uma Abordagem Moderna. Rio de Janeiro:

Brasport, 2006. 405 p.

MACHADO, Felipe Nery Rodrigues. Tecnologia e projeto de Data Warehouse. 4. Ed.

São Paulo: Érica, 2008.

MANCINI, Lucas; Call Center : estratégia para vencer / Lucas Mancini. São Paulo:

Suummus,2006.

MARTINS, M. A. H (2002). Metodologia de Pesquisa. Disponível em

http://mariaalicehof5.vilabol.uol.com.br. Acesso em Set. 2011.

MAUBORGNE, Renée. A estratégia do oceano azul. Rio de Janeiro: Campus, 2005.

NIVEMN, P. (2005). Balanced Scorecard Diagnostics. Hobokn, NJ:Wiley.

PICHILIANI, Mauro. Data Mining na prática: classificação bayesiana. , 2006.

Disponível em:

<http://imasters.com.br/artigo/4926/sql_server/data_mining_na_pratica_classificac

ao_bayesiana/>. Acesso em: 11 nov. 2010.

PRIMAK, Fábio Vinícius. Decisões com b.i. (Business Intelligence ). São Paulo:

Ciencia Moderna, 2008.

PRINCIPE, J.C., N.R. Euliano e W.C. Lefebvre. (2000). Neural and Adaptive

Systems: Fundamentals Through Simulations.New York: Wiley.

SIMONS, R.(2002). Performance measurement and Control Systems for

Implementing Strategy. Upper Saddle River, NJ: Prentice Hall.

TATIBANA, Cassia Yuri ; KAETSU, Deisi Yuki. homepage de Redes Neurais.

Disponível em < http://www.din.uem.br/ia/neurais/ >. Acesso em: 30 Agostos

2011.

THOMPSON, O.(Octuber 2004). “Business Intelligence Success, Lessons

Learned”.TechonologyEvoluation.com

TURBAN, Efrain; SHARDA, Ramesh; ARONSON, Jay; KING,David. BUSINESS

INTELLIGENCE : um enfoque gerencial para a inteligência do negócio. Porto

Alegre: Bookman, 2009.

WADE, D. & R. Recardo. (2001). Corporate Performance Management Boston:

Butterworth-Heinemann.

ZAHEDI, F. (1993). Intelligent Systems for Business: Expert Systems with Neural

Networks. Belmont, CA: Wadsworth.

Apêndices

Apêndice A - Visão geral do Trabalho

Processamento de dados

Ambiente Operacional

Gestão da Estratégia

Gerente de

Operações

Cliente –

Contratante

Coordenador de

Operações

Supervisor

Auditoria de

Qualidade

Monitoração

Operador de Call

Center

Supervisor

Supervisor

Gerente de

Planejamento

Coordenador de

Planejamento

Analista de

Planejamento

Consumidor

Processo de aplicativo

Cadastra dados

Mineração de

Dados

DW

BD transacional

Produção

BD transacional

Produção

Grava histórico do contato

Dados do cliente

Alimenta DW

Data MartsData Marts

Monta DM

Processamento

Cubos BI

Recebe e-mail

Configurar Dicionário de Dados

Cadastra Ações

Tomada de Decisões

BD transacional

Relatório

BD transacional

Relatório