TCC Thatiane Calegari Elias 972208

THATIANE CALEGARI ELIAS RA 972208

SISTEMAS DE INFORMAÇÃO

Business Intelligence – Uso de Ferramentas para auxiliar e

agilizar a tomada de decisão.

Guarulhos

2011

THATIANE CALEGARI ELIAS RA 972208

SISTEMAS DE INFORMAÇÃO

Business Intelligence – Uso de Ferramentas para auxiliar e agilizar a tomada de decisão.

Trabalho de conclusão de curso

apresentado à Faculdade Eniac,

referente ao curso de Sistemas de

Informação.

Prof. Mauro Roberto Claro

Guarulhos

2011

Elias, Thatiane Calegari

Business Intelligence – Uso de Ferramentas para auxiliar e

agilizar a tomada de decisão. Guarulhos, 2011. 48f Trabalho de Conclusão de Curso – Faculdade Eniac –

Sistemas de Informação. Orientador: Mauro Roberto Claro

Aluno: Thatiane Calegari Elias Título: Business Intelligence – Uso de Ferramentas para auxiliar e agilizar a tomada de decisão.

A banca examinadora dos Trabalhos de Conclusão em sessão pública realizada em__ /__/____, considerou o(a) candidato(a): ( ) aprovado ( ) reprovado

1) Examinador(a)______________________________________________________ 2) Examinador(a)______________________________________________________ 3) Examinador(a)______________________________________________________

Dedico à realização deste sonho aos

Senhores Alexandre e Ana, queridos pais,

que diante das dificuldades e dos

obstáculos estiveram sempre presentes.

Entenderam cada noite que deixei de

estar com eles, cada final de semana que

não pude desfrutar ao lado deles,

entenderam o meu nervosismo, a minha

falta de paciência, sobretudo, a minha

ausência nesses 4 anos. Sem vocês nada

disso seria possível.

Agradecimentos

Primeiramente agradeço a Deus por ter iluminado meu caminho para que

pudesse concluir mais uma etapa da minha vida.

Agradeço à minha mãe Aninha, por ser tão guerreira e amiga que, mesmo

passando por momentos difíceis, pensou primeiramente no meu bem estar, passou

horas ao meu lado e nunca duvidou da minha capacidade em concluir mais essa

etapa.

Ao meu pai Alexandre, que apesar das brigas e puxões de orelhas, sempre

esteve do meu lado, nem sempre falando, mas sempre torcendo e abrindo mão de

muitas coisas para que eu pudesse realizar este sonho.

A faculdade Eniac que não mediu esforços para a minha formação com

excelência, mas agradeço, especialmente, por ter sido responsável pelo local onde

vivi e compartilhei parte minha da vida com pessoas incríveis que estiveram ao meu

lado durante longas noites.

Ao meu orientador, Prof. Mauro Roberto Claro, pela dedicação dispensada,

pela amizade e principalmente por discordar de mim quando era necessário.

Aos amigos que ganhei durante o curso, que estavam sempre ao meu lado

(Luana, Marcos, Jonatas, Marcelo, Vagner), me ajudando com a realização dos

portfólios, dos projetos e das aulas atividades, obrigada por muitas vezes aguentar

meu mau humor, minha falta de paciência e principalmente por querer sempre o meu

bem.

Aos meus amigos de trabalho (Bianca, Alex, Marcelo, Michelli, Marcia) que

me ajudaram muito na elaboração desse trabalho, me orientando, revisando e

auxiliando em tudo no que foi necessário. Agradeço o convívio diário que não é fácil,

por me aguentarem nos momentos de choro, tristeza e alegrias.

Por fim, agradeço aos meus amigos e familiares pela compreensão, paciência

e carinho e a todos que diretamente e indiretamente contribuíram para a conclusão

deste trabalho meu agradecimento eterno.

Epígrafe

“Apesar dos nossos defeitos, precisamos enxergar que somos pérolas únicas no teatro da vida e entender que não existem pessoas de sucesso e pessoas fracassadas. O que existem são pessoas que lutam pelos seus sonhos ou desistem deles.” (Augusto Cury)

RESUMO

O projeto sobre o tema em pauta traz como proposta principal elencar o

surgimento do Business Inteligente (BI), pautando seus conceitos e detalhando cada

fase do processo de implantação desta ferramenta e técnicas empregadas em sua

utilização. A solução completa é composta pelos recursos de Data Warehouse que é

um banco de dados onde se armazena dados provenientes de outros sistemas

transacionais, para que seus utilizadores possam analisar os dados de forma

seletiva. O Processo ETL extrai os dados de fontes externas que são chamados de

sistemas transacionais, e transforma os mesmos conforme a necessidade da

organização e os carrega no Data Warehouse. Já o Data Mart é um Data

Warehouse, mas de menor capacidade, pois foca em atender as necessidades de

um determinado departamento da organização. O OLAP faz consulta e analisa os

dados contidos nos Data Warehouse e Data Mart, ajudando o usuário final a extrair

os dados de suas bases e construir relatórios. O Data Mining é um processo que

varre grande bases de dados, procurando padrões e relacionamento, para poder

validar esses dados aplicando os padrões, com a junção destes recursos é criado o

ambiente de BI, aonde os gestores das organizações terão acesso rápido e ágil a

informações de cunho gerencial, melhorando assim a gestão da empresa e

qualificando a tomada de decisão. Hoje no século XXI, conhecido como a era da

informação, este sistema de BI é imprescindível para o mundo dos negócios, pois

torna as empresas muito mais competitivas, ajudando a entender todo o seu fluxo de

negócios e em consequência se organizar da melhor forma possível para atender a

todos as demandas de mercado, pois trata o que tem de maior valor dentro de uma

empresa, a INFORMAÇÃO.

Palavras chaves : Business Intelligence ; Data warehouse; Data Mining

ABSTRACT

The project on the subject in question has as main purpose to list the

emergence of Business Intelligence (BI), basing their concepts and detailing each

phase of implementation of this tool and techniques utilized in its use. The complete

solution consists of the resources that the Data Warehouse is a database where it

stores data from other transactional systems, so your users can analyze data

selectively. The ETL process extracts data from external sources, which are called

transactional systems, and transforms them according to the needs of the

organization and loads it into the Data Warehouse. Data Mart is like a Data

Warehouse, but lower capacity, because it focused on meeting the needs of a

particular department of the organization. OLAP performs queries and analyzes the

data contained in the Data Warehouse and Data Mart, helping the end user to extract

data from their database and make a reports. Data mining is a process that scans

large databases, searching for standards and relationships in order to validate these

data by applying the standards, with the addition of these resources is possible to

create the BI environment, where managers of organizations will have fast and agile

the information management, thereby improving the management of the company

and enabling the decision-making. Nowadays in the twenty-first century, called as the

information age, this BI system is essential to the business world because it becomes

companies more competitive, helping to understand your business flow and

consequently to organize the best way to meet all demands of the market because it

has the highest value within a company, the INFORMATION.

Keywords: Business Intelligence ; Data warehouse; Data Mining

LISTA DE ABREVIATURAS

BI - Business Intelligence

DW - Data Warehouse

DM - Data Mining

ETL - Extract, Transform and Load

OLAP - On-line Analytical Processing

EIS - Executive Informations System

SIE - Sistemas de Informações Executivas

DSS - Decision System Suporte

DASD - Direct Access Storage Device

SGBD - Sistema Gerenciador de Banco de Dados

ERP - Enterprise Resource Planning

BSC - Balanced Scorecard

OLTP - Sistemas de processamentos de transações Online

MOLAP - Multidimensional On-Line Analytical Processing

ROLAP - Relational On-Line Analytical Processing

DOLAP - Desktop On-Line Analytical Processing

HOLAP - Hybrid On-Line Analytical Processing

LISTA DE FIGURAS

Figura 1 - Evolução do BI

Figura 2 - Bases de dados Operacionais vs Data Warehouses

Figura 3 - Componentes de um DW

Figura 4 - Processo de vendas

Figura 5 - Esquema Estrela

Figura 6 - Floco de Neve

Figura 7 - Esquema Constelação

Figura 8 - Data mart (Top- Down)

Figura 9 - Data Mart (Button-up)

Figura 10 - Cubo

Figura 11 - Data Mining

Figura 12 - Processo ETL

Figura 13 - Estrutura de funcionamento do BI

Figura 14 - Tela do módulo do software de BI

Figura 15 - Cubo de dados utilizado para alimentar o software de BI

Figura 16 - Indicadores gerados com ferramentas OLAP do Excel com base no cubo

de dados mostrado na figura 15

Figura 17 - Distribuição de dados

Sumário

INTRODUÇÃO ............................................................................................................ 1

CAPÍTULO 1 - BUSINESS INTELLIGENCE (BI) ......................................................... 3

1.1 História ............................................................................................................... 3

1.2 Conceito ............................................................................................................. 5

1.3 Ferramenta Balanced Scorecard (BSC) ............................................................ 6

CAPÍTULO 2 – FERRAMENTAS DE BI ...................................................................... 8

2.1 Data warehouse (DW) ....................................................................................... 8

2.1.1 Características .......................................................................................... 10

2.1.2 Modelação Multidimensional ..................................................................... 12

2.1.2.1 Tabelas fatos ...................................................................................... 12

2.1.2.2 Tabelas de Dimensão ......................................................................... 15

2.1.2.3 Esquema estrela ................................................................................. 16

2.1.2.4 Esquema floco de neve ...................................................................... 18

2.1.2.5 Esquema constelação ........................................................................ 19

2.2 Data Mart ......................................................................................................... 19

2.3 OLAP ............................................................................................................... 22

2.4 Data Mining ...................................................................................................... 25

2.5 Processo ETL .................................................................................................. 27

CAPÍTULO 3 – ESTUDO DE CASO ......................................................................... 30

CONSIDERAÇÕES FINAIS ...................................................................................... 43

REFERÊNCIAS BIBLIOGRAFICAS .......................................................................... 45

ANEXO ...................................................................................................................... 48

1

INTRODUÇÃO

O presente trabalho tem a finalidade de abordar o Business Intelligence (BI),

também conhecido como Inteligência do Negócio, que auxilia a tomada de decisão

de maneira rápida e fácil, acessando informações sintetizadas, através de

tecnologias que coletam, fornecem acesso e analisam dados e informações sobre

todas as operações de uma empresa. O objetivo deste processo é transformar os

dados em informações úteis e significativas, a fim de distribuir àqueles que

realmente farão uso e tomarão decisões corretas e imediatas.

Além disso, as tecnologias de BI auxiliam as empresas a tecer uma análise de

tendências de transformação do mercado, alterações no comportamento dos clientes

e padrões de consumo. Ajudando os analistas a determinar quais ajustes

demonstram maior probabilidade de alterar ou afetar essas tendências.

O número de dados cresce cada vez mais, e uma das consequências é a

saturação de informações. Atualmente a tecnologia já fornece estrutura para coletar

e armazenar dados, porém não possuímos a habilidade para analisar, resumir e

extrair conhecimentos desses dados. Entretanto, com a ferramenta de BI, isso já

pode ser realizado.

Os dados estão em toda a parte, contudo é preciso transformá-los em

informações, e estas, em conhecimento. As empresas sofrem com a abundância de

dados, pois não têm capacidade de administrar com eficiência, tornando impossível

usar os dados para fins de suporte à tomada de decisões.

A Secretaria de Educação do Município de Guarulhos, local onde trabalho,

não possui um gerenciamento de negócios, ou seja, uma ferramenta de BI.

Administramos os dados em simples planilhas do Excel, buscamos os dados nos

sistemas que possuímos e preenchemos as planilhas conforme os dados

necessários. Quando se torna necessário um estudo para levantamento e extração

dos mesmos, que serão utilizados nas tomadas de decisões há um trabalho

exaustivo e demorado.

A importância do tema escolhido é mostrar que o Business Intelligence é uma

ferramenta muito útil para as empresas procurarem um diferencial competitivo,

2

afinal, cada minuto pode ser crucial em uma tomada de decisão e é justamente

através do BI que gestores recebem informações privilegiadas e corretas a fim de

decidir por uma ação.

Este trabalho estará voltado, portanto, para a compreensão da metodologia

do Business Intelligence como auxiliador para tomadas de decisão que são cruciais

para a movimentação estratégica no mercado de negócios.

O trabalho será dividido nos seguintes capítulos:

No Capítulo 1 será descrito o que é Business Intelligence sua história e seus

conceitos.

No Capítulo 2 será detalhado as ferramentas do BI, que são: o Data

Warehouse, o Data Mining, o Data Mart, o Processo ETL e a ferramenta OLAP e.

No Capítulo 3 mostrarei o estudo de caso da Kia Motors, onde a ferramenta

de BI foi aplicada.

Por fim apresento as considerações finais deste trabalho.

3

CAPÍTULO 1 - BUSINESS INTELLIGENCE (BI)

Na atualidade, saber fazer uso da informação é um dos diferenciais para a

competição empresarial. Os profissionais precisam tomar importantes decisões em

um curto período de tempo, e, para isso, eles se baseiam em fatos ou em

conhecimentos acumulados durante sua vida.

A quantidade de informações está crescendo freneticamente e necessitam ser

armazenadas em formato eletrônico, como exemplo o data center, que é um meio de

extrair dados de altos níveis para dar suporte a tomadas de decisões.

Para saber se as soluções a serem escolhidas poderão ajudar as empresas a

atingir seus objetivos, é necessária a utilização de informações estratégicas,

adquiridas através da análise dos dados.

Esse conceito é conhecido como Business Intelligence, no qual é capaz de

organizar os dados, estudá-los e fornecer informações estratégicas para a tomada

de decisão com auxilio de ferramentas.

1.1 História

O Business Intelligence [1] é um termo criado pela Gartner Group (empresa de

consultoria em TI) nos anos 80. Antes de ser nomeado Business intelligence, o

processo de tomada de decisão recebeu outros nomes: EIS (Executive Informations

System) ou “SIE - Sistemas de Informações Executivas”, procedimento no qual eram

copiados os valores de um relatório para uma planilha onde se pudessem tratar os

dados.

Mais tarde, esse processo passou a se chamar DSS (Decision System

Suporte) ou “Sistemas de Suporte a Decisão”, no qual se realizava o mesmo

trabalho citado acima.

4

No final da década de 60, a realidade na informática era os transistores e a

linguagem COBOL. Na chamada era “Pré-BI”, não existiam recursos eficientes para

realizar uma análise eficaz para as tomadas de decisões. As informações eram

reunidas e associadas com os sistemas transacionais, onde só era possível ter uma

determinada visão da empresa, e não se representavam ganhos remuneráveis.

Na década de 70, surgiram novas tecnologias de armazenamento e acesso

de dados, DASD (Direct Access Storage Device – dispositivo de armazenamento de

acesso direto) e SGBD (Sistema Gerenciador de Banco de Dados), duas siglas cujo

principal significado era estabelecer uma única fonte de dados para todo o

processamento. (PRIMAK ,2006).

Nos anos 90 as empresas só contavam com os Centros de Informação (CI),

no qual mantinha estoques de dados, de onde eram gerados relatórios, mas não se

disponibilizava a quantidade de informações necessárias. [2]

Entre os anos 1992 e 1993 surgiu o Data warehouse, uma ferramenta capaz

de gerenciar grandes quantidades de dados, modelando-os para suprir as

necessidades por informações mais rápidas sobre o desempenho da empresa. É

considerada a peça essencial para a execução prática de um projeto de Business

Intelligence.

Por volta do ano de 1996, o Business Intelligence começou a ser difundido

como um processo de evolução do EIS, um software que tem como objetivo principal

objetivo é oferecer ao usuário, em um curto espaço de tempo, uma visão gerencial

da organização, mostrando como funcionam seus processos de trabalho.

O termo Business Intelligence inclui uma série de ferramentas (Figura1), como

o próprio EIS e DSS , Planilhas Eletrônicas, Geradores de Consultas e de Relatórios,

Data Marts, Data Mining, Ferramentas OLAP, entre outras.

Business Intelligence também está ligado ao ERP (Enterprise Resource

Planning), sistemas de comunicação que armazenam, processam e documentam

cada acontecimento e distribuem as informações de maneira clara e segura. Esses

sistemas podem armazenar grande quantidade de dados, porém as informações

ficam espalhadas em vários sistemas dentro da empresa, causando duplicidade de

informação. Percebeu-se, então, que era necessária uma ferramenta que agrupasse

as informações em uma única base, para que fosse possível realizar diferentes

5

analises sob vários ângulos. Por esse motivo o BI e o ERP estão sendo usados

conjuntamente. [2]

Figura 1 – Evolução do BI (TURBAN, 2009).

1.2 Conceito

No tópico que segue, serão descritas algumas definições sobre o BI, cujo objetivo

é esclarecermos o conceito deste termo.

Segundo Grupo Gartner [3],

A maior ameaça das empresas da atualidade é o

desconhecimento... O Business Intelligence se empenha em

eliminar as dúvidas e a ignorância das empresas sobre suas

informações, aproveitando os enormes volumes de dados

coletados pelas empresas.

6

Para Tozi [4],

Dentre as principais características do conceito de BI,

pode-se destacar: extrair e integrar dados de múltiplas fontes;

fazer uso da experiência, trabalhar com hipóteses e

simulações, procurar relações de causa e efeito e transformar

os registros obtidos em informação útil para o conhecimento

empresarial.

Conforme Grupo Gartner [3],

Para que uma empresa possa prosperar, é preciso

atender rapidamente seus clientes e estar atenta as constantes

mudanças. Isso significa que os executivos terão de tomar

decisões críticas em questão de segundos. Entretanto, se as

informações não forem utilizadas de maneira correta, ocorrerá

o comprometimento da agilidade e eficiência da empresa.

De acordo com Haberkorn (2004,p.140). “Business Intelligence é uma

tecnologia que possibilita aos usuários acessar dados e explorar as informações

visando uma tomada de decisão mais correta.”

Portanto podemos concluir que o BI é um conjunto de ferramentas que

interagem entre si, integrando toda a tecnologia que possa prover ao usuário um

poder de análise com a rapidez e a precisão que ele não possui, permitindo

transformar os dados em informação para um melhor gerenciamento de seus

negócios.

1.3 Ferramenta Balanced Scorecard (BSC)

O Balanced Scorecard é uma ferramenta de gestão que integra as ações

Estratégicas, Operacionais e Organizacionais, auxiliando as organizações a

transformarem suas estratégias em objetivos operacionais, direcionando ações,

calculando desempenhos e propiciando uma estrutura de mensuração eficiente.

Os seus principais benefícios são:

• traduz a estratégia em objetivos e ações concretas;

7

• promove o alinhamento dos indicadores chaves com os objetivos

estratégicos a todos os níveis organizacionais;

• Proporciona à gestão uma visão sistematizada do desempenho

operacional;

• constitui um processo de avaliação e atualização da estratégia;

• facilita a comunicação dos objetivos estratégicos, focalizando os

colaboradores na sua consecução.

A implementação dessa metodologia nos sistemas ERP, está colaborando

para que cada vez mais as empresas adotem essa ferramenta.

As quatros perspectivas que constituem a ferramenta BSC são Finanças,

Cliente, Processos Internos e Crescimento.

Perspectiva Financeira: Avalia a lucratividade da estratégia, aumento da

receita, lucro, geração de caixa, novas fontes de faturamento, diminuição e variação

de custos, giro dos estoques, otimização do uso dos ativos, aumento da participação

nas vendas de itens de alta margem, inadimplência no contas a receber;

Perspectiva Clientes: Agilidade e pontualidade no atendimento, entendimento

da concorrência, preços competitivos, satisfação e reclamações dos clientes,

qualidade e defeitos testados pelo consumidor, lealdade, fixação e recuperação de

clientes, uso da garantia;

Perspectivas Processos Internos: Inova os produtos, logística de entrega,

marketing, gastos com tecnologia, utilização do ERP.

Perspectiva Aprendizado e Crescimento dos Colaboradores: é formada pelo

Capital Organizacional, Capital Humano e Capital da Informação. O Capital

Organizacional alinha os objetivos de todos os colaboradores, em especial a cultura

orientada aos clientes O Capital Humano envolve o desenvolvimento de

competências e habilidades e a atração e retenção de talentos. O Capital da

Informação é o compartilhamento do conhecimento e o Capital. (Haberkorn,2004).

8

CAPÍTULO 2 – FERRAMENTAS DE BI

2.1 Data warehouse (DW)

Para que possamos entender um pouco melhor sobre Data Warehouse é

importante fazer uma comparação com o conceito tradicional de banco de dados os

chamados de Operacionais.

A tecnologia esta presente no nosso cotidiano, na maioria das nossas ações

como: Um simples saque no caixa eletrônico, um deposito em banco e assim por

diante. Esses processos de transações que ocorrem com freqüência estão

envolvidos na atualização do banco de dados que chamamos de operacional. Onde

podem ocorrer os seguintes procedimentos, uma transação de saque de caixa

eletrônico, onde o saldo bancário deve ser reduzido segundo o valor retirado. Esses

procedimentos que lidam com negócios rotineiros no andamento de uma empresa

são chamados de Sistemas de processamentos de transações Online (OLTP).

Um Data warehouse por sua vez trabalha com o Sistemas de

Processamentos analíticos online (OLAP), pois é um banco que fornece

armazenamento para os dados que serão utilizados para análise. Isso proporciona

aos profissionais acessar os dados da empresa e usar a análise para dar um suporte

tático ou operacional às decisões, isso possibilitara uma toma de decisão mais

rápida e informada. (TURBAN,2009).

As principais diferenças entre uma base de dados operacional e um Data

Warehouse, esta sendo representada na Figura 2.

9

Figura 2 - Bases de dados Operacionais vs Data Warehouses

(SANTOS,2006,P.79).

Segundo Turban (2009, p.57),

Data Warehouse é uma coleção de dados projetada

para oferecer suporte à tomada de decisões gerenciais, contêm

uma grande variedade de dados que apresentam uma imagem

coerente das condições da empresa em um determinado ponto

no tempo. A idéia por trás do conceito foi criar uma infra-

estrutura de banco de dados que estivesse sempre online e

contivesse todas as informações dos sistemas OLTP, incluindo

dados históricos. Porém, esta infra-estrutura seria reorganizada

e estruturada de forma a oferecer rapidez e eficiência em

consultas, analises e suporte à decisão.

Podemos definir o Data Warehouse como um banco de dados que armazena

dados atuais e Históricos, onde seus utilizadores podem analisar os dados de forma

seletiva. Esses dados vêm de outros sistemas transacionais, o Data Warehouse

estabiliza e padroniza as informações para que elas possam ser usadas por toda a

empresa para analise gerencial e tomada de decisões.

10

Figura 3 – Componentes de um DW (LAUDON, 2007).

2.1.1 Características

A melhor forma de apresentaremos o Data Warehouse é detalharmos suas

características:

Orientado por assunto: Os dados são organizados por assuntos de uma

organização como, clientes, fornecedores, produtos ou lojas, não armazena

informações do dia-a-dia da organização, contem apenas as informações relevantes

ao suporte à decisão. A orientação por assunto permite informar o desempenho e o

porquê dele, proporcionando uma visão mais abrangente da organização.

Integrado: Um Data warehouse é construído de diversas fontes heterogenias

de dados, ou seja, de diversas fontes de dados da organização. Esse termo

11

integrado refere-se a consistências de nomes, no sentido que os dados vão ser

colocados em um formato consistente, um exemplo, o campo sexo, pode existir

aplicações que codificam sexo como M/F e outras como H/M. Quando os dados são

carregados para dentro do DW, eles são convertidos para um estado uniforme, ou

seja, sexo é codificado apenas de uma forma. Para isso, devem enfrentar conflitos

de nomenclaturas e discrepâncias entre unidades de medidas.

Variável no tempo: O Data Warehouse mantém dados históricos, fornecendo

informações sob uma perspectiva histórica, quando ocorre uma mudança no banco ,

ou seja, um novo registro, uma nova entrada é criada para marcar esta mudança,

por exemplo, se um cliente sofre alterações no seu cadastro de endereço três vezes

no último ano serão gerados três novas linhas no banco de dados sendo possível a

identificação de todo este histórico posteriormente.

Não – Volátil: Nos sistemas operacionais são realizadas operações básicas

nos registros, como consultas, inserções, atualizações e exclusões. Porem o Data

warehouse os usuários não tem o poder de alterar, atualizar ou excluir os dados que

foram inseridos. Os dados antigos que não são mais utilizados são descartados e as

alterações são registradas com dados novos. (TURBAN, 2009).

Segundo (Santos, 2006,P.81),

Apresentadas as principais características de um Data

Warehouse, convém realçar que este integra a informação

relativa a um determinado assunto, ou assuntos, da

organização. Isto significa que caracteriza a organização e não

parte dela. Sempre que o âmbito é mais restrito, por exemplo,

departamental, o repositório de dados armazena um

subconjunto especifico de dados da organização, sendo

designado de Data Mart e não de Data Warehouse.

12

2.1.2 Modelação Multidimensional

A Modelação multidimensional é utilizada para arquitetar a estrutura de um

Data Warehouse, ela tem dois pressupostos que são: produzir uma estrutura de

base de dados fácil de compreender e utilizar ; e otimizar o desempenho no

processamento de questões, fazendo com que a os relatórios que dão suporte à

decisão possam ser gerados rapidamente e com boa performance. (SANTOS, 2006).

Os elementos básicos de representação são estabelecidos quando o modelo

de dados começa a ser definido, para que se possa criar um padrão de modelagem.

Os elementos são as dimensões e fatos representados em tabelas, podendo haver

múltiplas dimensões e múltiplas tabelas de fatos. [5]

2.1.2.1 Tabelas fatos

As tabelas fatos são um dos principais componentes dos modelos

multidimensionais, pois permitem armazenar registros a analisar de interesse da

organização. Estes registros devem ser numéricos porque eles serão agregados

utilizando-se operações tais como, média, soma, contagem e etc. Os dados podem

ser armazenados diariamente, semanalmente, quinzenalmente, mensalmente,

bimestralmente, trimestralmente, semestralmente ou anualmente. Porem os dados

não possuem as mesmas características, portanto não podem ser analisados da

mesma maneira. [6]

Segundo Cheila [8],

As tabelas de fatos possuem duas ou mais chaves

estrangeiras, relacionadas às tabelas de dimensão,

caracterizando a integridade referencial, geralmente a chave

primária da tabela de fatos é formada por um subconjunto das

chaves estrangeiras, denominada chave composta.

De acordo com Nardi [9],

Ao modelar a(s) tabela(s) de fatos (ou apenas tabela

fato), deve-se ter em mente os seguintes pontos:

13

A chave primária é composta, sendo um elemento da chave

para cada dimensão;

Cada elemento chave para a dimensão deve ser

representado e descrito na “tabela dimensão” correspondente

(para efetuar a junção);

A dimensão tempo é sempre representada como parte da

chave primária.

Os fatos podem ser: fatos aditivos, fatos semi-aditivos e fatos não-aditivos.

Fatos Aditivos

Um fato é aditivo quando pode ser agregado em todas as dimensões que

estão diretamente relacionadas com as tabelas fatos.

Para que possamos entender melhor os fatos aditivos, a Figura 4 apresenta

um esquema em estrela, onde a tabela fato esta ligada em diversas dimensões e

integra um conjunto de fatos. O processo de negocio que esta sendo representado

nessa figura é o processo de vendas, onde o mesmo integra os fatos, ou indicadores

de negócio, Quantidade, PreçoUnitário e TotalVenda.

O TotalVenda é calculado a partir da multiplicação da quantidade do produto

vendido e do seu PreçoUnitário. Nessa figura as dimensões são a dimensão Tempo,

a dimensão Produto, a dimensão Funcionário e a dimensão Cliente. (SANTOS,

2006).

14

Figura 4 – Processo de vendas (SANTOS, 2006, p.88).

Pegaremos a dimensão Tempo e somaremos todos os registros associados

às vendas de um dado mês, no atributo TotalVenda, obtemos como resultado o valor

total de vendas verificado no mês escolhido. Se pegarmos a dimensão Cliente e

agregarmos o TotalVenda, teremos o valor total de compras já realizadas pelo

cliente. Se pegarmos a dimensão Produto, para os produtos são somados os valores

disponíveis na tabela fatos, permitindo conhecer o valor total de vendas por produto.

Se pegarmos a dimensão Funcionário, o TotalVenda permitira calcular o total de

vendas de um determinado funcionário. Portanto o fato TotalVenda, foi agregado

pelas diversas dimensões consideradas no modo estrela, mostrando que é um fato

aditivo. (SANTOS, 2006).

Fatos Semi–Aditivos

Os Fatos Semi – Aditivos são os fatos que só podem ser agregados por

algumas das dimensões, pode ser tanto em uma dimensão, como podem ser em

mais. Portanto a diferença dos Fatos Aditivos é que pelo menos uma dimensão não

tem como agregar um determinado fato. (SANTOS, 2006).

15

Fatos Não–Aditivos

Os Fatos Não-Aditivos são os fatos que não podem ser agregados por

nenhuma das dimensões que estão no modelo. Não faz muito sentido utilizar um fato

deste tipo, mas um uso para ele seria uma simples contagem.[6] Se tentarmos

agregar esse fato nas dimensões, nos retornara valores que não correspondem à

realidade. Pois fatos Não-Aditivos integram preços ou valores unitários,

porcentagens e outros atributos que precisam de uma analise isolada. (SANTOS,

2006).

2.1.2.2 Tabelas de Dimensão

As Tabelas Dimensão são uma entidade auxiliar da Tabela Fato que

determinam o contexto de um assunto de negócios que armazenam informações. As

dimensões são os aspectos pelos quais se pretende observar as métricas e são

compostas por uma chave primária que interliga com a tabela fato.

Segundo Araujo [7],

As dimensões podem ser compostas por membros que

podem conter hierarquias. Membros são as possíveis divisões

ou classificações de uma dimensão. Por exemplo, a dimensão

tempo, pode ser dividida nos seguintes membros: ano,

trimestre e mês, e a dimensão localização em: cidade, estado e

país.

Conforme Nardi [9],

Deve haver uma “tabela dimensão” para cada dimensão

do modelo, contendo:

Uma chave artificial (ou gerada) genérica;

Uma coluna de descrição genérica para a dimensão;

Colunas que permitam efetuar os filtros;

16

Um indicador NÍVEL que indica o nível da hierarquia a

que se refere a linha da tabela.

2.1.2.3 Esquema estrela

O Esquema estrela (Star Schema) é a forma mais comum de modelar dados

para o uso multidimensional. Esse esquema esta estruturado para facilitar as

consultas, enquanto o esquema relacional é arquitetado para armazenar dados que

venham de transações, evitando redundância.

O esquema estrela esta estruturado com apenas uma única tabela fatos, que

constitui o centro da estrela, e múltiplas tabelas de dimensões ligadas a tabelas

fatos. Onde a tabela fatos corresponde ao assunto que se pretende analisar, essa

tabela integra valores numéricos, que podem ser analisados utilizando as funções

estatísticas, também é composta pelas chaves de ligação das tabelas de dimensões

(Figura 5). (SANTOS, 2006).

Figura 5 – Esquema Estrela (SANTOS, 2006, p.83).

17

Segundo Gouveia [12],

O Esquema estrela é uma estrutura com tabelas e

ligações bem definidas, baseado no formato de uma estrela. É

formado por uma tabela central, denominada Tabela de fatos, a

qual possui os dados principais da visão da análise, ou seja, o

assunto que está sendo analisado, por exemplo, o consumo, as

quantidades de inadimplentes, as quantidades de

consumidores, etc. Nela ficam ligadas as tabelas de dimensão,

que possuem os aspectos pelos quais se deseja observar as

medidas relativas ao processo que se está analisando.

De acordo com Santos (2006, p.83),

As tabelas de dimensões são normalmente tabelas não

normalizadas, podendo ter embebidas um ou mais hierarquias.

As características mais representativas dos esquemas

em estrela são:

Tabelas fatos:

Integra um conjunto de atributos numéricos (fatos) e um

conjunto de chaves estrangeiras que relacionam a tabela de

fatos com as diversas dimensões que lhe estão associadas;

Apresenta-se normalizada;

Contém uma grande quantidade de registros, ocupando

normalmente mais de 95% do espaço ocupado pelo Data

Warehouse.

Tabela Dimensões:

Existem tantas dimensões quantas vertentes pelas

quais se pretende analisar os fatos;

Apresentam-se não normalizadas, integrando na

maioria dos casos uma grande quantidade de atributos;

Contêm poucos registros quando comparadas com a

tabela de fatos, apesar de integrarem muitos atributos.

18

2.1.2.4 Esquema floco de neve

O Esquema floco de neve (snowflake schema) é um esquema em estrela

onde suas dimensões são normalizadas, pois formam hierarquias nas mesmas.

Esse esquema ajuda a diminuir as redundâncias, mas conseqüentemente aumenta

a sua complexidade, dificultando a compreensão dos usuários.

O Esquema floco de neve indica a estrutura de cada uma das suas

dimensões, diferente do esquema estrela, onde as dimensões integram um

conjunto estruturado de dados, como as dimensões estão normalizadas esse

esquema evita que a informação redundante seja armazenada. (Figura 6)

A vantagem de se usar o esquema floco de neve é que ele ajuda a diminuir o

volume de dados que são levados para a memória, o inner join que é feito com a

tabela normalizada também é mais fácil de ser resolvido. Porém o número de

relacionamento entre as tabelas é maior, fazendo com que o tempo de execução

das consultas aumente. [12]

Figura 6 – Floco de Neve. (SANTOS, 2006, p.86).

Segundo Horita [11],

O esquema floco de neve representa uma variação do

esquema estrela. Este esquema aplica a terceira forma normal

(3FN) em todas as tabelas dimensão, ou seja, são retirados

das tabelas os campos que são funcionalmente dependentes

de outros campos que não são chave

19

2.1.2.5 Esquema constelação

O esquema Constelação (constellation schema) é composto de varias

tabelas fatos que compartilham dimensões comuns. Esse esquema pode ser

visto como um conjunto de esquemas estrelas.

Esse esquema pode modelar assuntos múltiplos e inter-relacionados,

pois as diversas estrelas que o integram podem ser interligadas por mais do

que uma dimensão (Figura 7).

Figura 7 – Esquema Constelação (SANTOS, 2006, p.87).

2.2 Data Mart

O Data Mart é considerado um Data Warehouse, mas de menor capacidade e

complexidade, pois foca em atender as necessidades de um determinado

departamento da organização.

Segundo Gouveia [12],

Um Data Mart representa uma área especifica a partir

de único processo empresarial, sendo considerado a parte de

um todo. É por isso que o Data Mart, que é uma abordagem

descentralizada do conceito de Data Warehouse, não é um

“pequeno Data Warehouse”, mas sim um unidade lógica de um

DW, podendo ser qualificado com um Data Warehouse

Departamental.

20

Alem da implementação do Data Mart ser bem mais rápida e o custo bem

mais baixo que um Data Warehouse, o Data Mart esta sendo usado mais

constantemente pois pode servir como teste para as companhias que desejam

adquirir o Data Warehouse.

Segundo Primak (2008,p.28), É preciso ter em mente que as diferenças entre Data

Mart e Data Warehouse são apenas com relação ao tamanho e

ao escopo do problema a ser resolvido. Portanto, as definições

dos problemas e os requisitos de dados são essencialmente os

mesmos para ambos. Enquanto um data mart trata de

problema departamental ou local, um data warehouse envolve

o esforço de toda a companhia para que o suporte à decisões

atue em todos os níveis da organização. Sabendo se as

diferenças entre escopo e tamanho, o desenvolvimento de um

data warehouse requer tempo, dados e investimentos

gerenciais muito maiores que um data mart.

As empresas que optam nas soluções de um Data Warehouse têm a idéia de

começar pequeno, mas pensando no grande, iniciam o processo a partir de uma

área especifica da empresa para depois ir crescendo aos poucos.

Ao implementar o Data Mart é necessário se preocupar com o

compartilhamento dos dados, tabelas e relatórios que são iguais aos de outros

departamentos, que seriam os outros Data Marts. Pois havendo vários Data Marts

em uma mesma organização o risco de ocorrer redundância de dados é muito alto.

De acordo com Primak (2008,p.29),

Abaixo teremos algum dos motivos pela crescente

popularidade de data marts:

Os data marts têm diminuído drasticamente o custo de

implementação e manutenção de sistemas de apoio à decisão

e têm os posto ao alcance de um número muito maior de

corporações.

21

Eles podem ser prototipados muito mais rápido, com

alguns pilotos sendo construídos entre 30 e 120 dias e

sistemas completos sendo construídos entre três e seis meses.

Os data marts tem o escopo mais limitado e são mais

identificados com grupos de necessidades dos usuários, o que

se traduz em esforço/time concentrado.

O Data Mart pode tomar as seguintes arquiteturas: [13]

Top-Down: Primeiramente cria-se o Data Warehouse e logo depois divide o

mesmo em áreas menores gerando pequenos bancos orientados por assuntos

departamentalizados, que são os Data Marts. (Figura 8)

Figura 8 – Data mart ( Top- Down) [13]

Na Figura 8, notamos que o Data Warehouse é alimentado pelo processo ETL

(Extraction, Transformation and Loading), e depois carrega os Data Marts, onde

cada um recebera os dados referente aos assuntos ou departamento. Essa

aplicação requer um grande investimento e muito tempo de construção. [13]

Botton-up: É a aplicação ao contrário, a empresa prefere criar um banco de

dados somente para um área da organização, pois não conhece direito a tecnologia

22

usada, fazendo assim um teste e também tendo um custo bem inferior do que um

projeto de Data Warehouse. Conforme os primeiros resultados partem para outra

área da organização e assim por diante ate resultar em um data warehouse. (Figura

9) [13]

Figura 9 – Data Mart (Button-up) [13]

Nessa aplicação o Data Mart é carregado através do processo ETL, onde

cada um deles é carregado com as informações adequadas. Depois podemos

decidir se deve ou não construir um Data Warehouse.[13]

2.3 OLAP

OLAP (On-line Analytical Processing) é uma tecnologia para apoiar análises e

consultas online auxiliando a responder as perguntas dos analistas, gerentes e

executivos e também auxilia os usuários a resumir as informações através de

comparações, visões personalizadas e análises históricas [12]. A ferramenta OLAP

ela faz consulta e analisa os dados contidos nos Data Warehouse e Data Mart e faz

com que o usuário final consiga extrair os dados de suas bases e construir relatórios

capazes de responder as questões gerenciais.

23

Essa Tecnologia permite criar cubos (Figura 10) para analisar a informação

sob diferentes perspectivas, esses cubos permitem analisar os fatos disponíveis na

tabela fatos, pelas diferentes dimensões consideradas na modelação realizada,

portanto a modelação é muito importante, pois ela que garante que toda a

informação necessária seja considerada. (SANTOS, 2006)

Figura 10 – Cubo [13] Segundo Anzanello [13],

O OLAP é mais do que uma aplicação é uma solução

de ambiente, integração e modelagem de dados. A maioria dos

dados de uma aplicação OLAP, são originárias de outros

sistemas e fontes de dados. Para formular a topologia e o

projeto de uma solução OLAP multidimensional as seguintes

perguntas devem ser feitas: Quando ?, O quê ?, Onde ? e

Quem ?. Essas perguntas formam a base de todos os arrays

multidimensionais. A obtenção dos dados originários das

respostas são destinados aos DW e, daí, possivelmente para

um ou vários Data Marts. Os Data Marts são subconjunto de

informações dos DWs, segmentado para uma determinada

área ou assunto, visando aumentar a velocidade na consulta

de informações.

24

Para ser elaborada a estrutura da aplicação, precisamos conhecer os

métodos de armazenamento de dados da ferramenta OLAP que são:

MOLAP (Multidimensional On-Line Analytical Processing): Nesse método os

dados são armazenados de forma multidimensional e também é utilizado bases de

dados Multidimensionais para armazenamento dos dados. [14]

ROLAP ( Relational On-Line Analytical Processing): Nesse método tanto os

dados como as consultas são processados em um banco relacional, utilizando um

sistema gestor de bases de dados relacionais para armazenar e gerir os dados que

a serão posteriormente analisados. (SANTOS, 2006)

DOLAP (Desktop On-Line Analytical Processing): Nesse método fornece a

vantagem de redução de trafico na rede e também fornece uma probabilidade dos

dados.[14]

HOLAP (Hybrid On-Line Analytical Processing): Nesse metodo que é o mais

recente, nele temos uma combinação entre o MOLAP e o ROLAP, assim nos

beneficiamos dos dois métodos, da escalabilidade do ROLAP e da velocidade de

processamento do MOLAP.[14]

Com o crescimento das necessidades das empresas em tomar decisões,

estão sendo criadas varias ferramentas de OLAP, cujos componentes principais são

o do administrador que gera os cubos de dados a serem acessados e o componente

do usuário final que tem acesso aos dados para extraí-los, onde será possível gerar

relatórios capazes de responder as questões gerenciais. Algumas características

dessas ferramentas são: [14]

Consultas ad-hoc: São utilizadas pelos usuários finais, que cruzam

informações conforme suas necessidades para terem as respostas que precisam.

25

Slice and Dice: Possibilita alterar a posição de uma informação, como trocar

linhas por colunas para facilitar a compreensão dos usuários e também permite girar

o cubo sempre que tiver necessidade.

Drill down: Seu objetivo é fornecer uma visão mais detalhada dos dados que

serão analisados.

Drill up ou Roll up: Ao contrario do Drill down essa ferramenta diminui o nível

de detalhamento da informação.

Segundo Anzanello [13],

A escolha da ferramenta de OLAP não deve ser uma

das primeiras tarefas em um projeto de desenvolvimento de

uma aplicação OLAP. O mais interessante é iniciar com a

obtenção dos dados, sua modelagem, armazenamento e, aí

sim, se proceda a escolha da ferramenta de OLAP.

2.4 Data Mining

Na nossa atualidade o volume de informação esta cada vez maior e se torna

indispensável aproveitar o máximo o que essa informação pode nos oferecer, essas

informações são armazenadas em banco de dados, onde é possível recuperar esses

dados para possíveis consultas, porém somente essas consultas não propicia todas

as vantagens possíveis que possamos ter com essas informações. Essa Informação

pode ser usada para melhorar os procedimentos da empresa, permitindo que a

mesma descubra tendências e que possa tomar decisões rapidamente para um

evento que esta por vir.

Mas devido ao grande volume de dados as empresas não são capazes de

aproveitar totalmente o que esta armazenado em seu banco de dados, e os métodos

convencionais não conseguem suprir essa necessidade. O processo de Data Mining

permite que se investigue esses dados à procura de padrões que tenham valor para

a empresa.

Segundo COMPOLT [15],

26

A tecnologia utilizada no Data Mining utiliza da procura

em grandes quantidade de dados armazenados procurando

extrair padrões e relacionamentos que podem ser fundamentais

para os negócios da empresa. O Data Mining trabalha com um

conjunto de técnicas avançadas e princípios de inteligência

artificial para identificar os padrões e associações que os dados

refletem, com isso oferecendo conclusões que podem trazer

valiosas vantagens a nível de mercado para as empresas.

Reconhecendo o Data Mining como uma forma de incorporar

significado aos dados, propõe-se especificar e desenvolver um

Sistema de Informação para efetuar classificação e

segmentação utilizando as técnicas de Data Mining.

Portanto o processo de Data mining é um processo que explora grandes

bases de dados, procurando padrões e relacionamento para que se possam validar

esses dados que são fundamentais para os negócios da empresa.

Através do Data Mining, o usuário não precisa definir o problema, selecionar

os dados e ainda escolher a ferramenta para analisar esses dados, essa ferramenta

pesquisa automaticamente os dados a procura de irregularidades e possíveis

relacionamentos, encontrando assim problemas que não tinham sido identificados

pelos usuários, portanto o Data Mining analisa os dados, identificam possíveis

problemas ou relacionamentos dos dados, assim diagnosticam o comportamento do

negócio, assim os usuários só se preocupara em buscar o conhecimento e produzir

as vantagens competitivas.[16]

Como podemos ver, o Data Mining, somente facilita e auxilia o trabalho dos

gestores das empresas, ajudando as mesmas a serem mais competitivas e

aumentarem seus lucros.

Nesse processo as tecnologias estão embutidas no software, assim os

usuários não precisam conhecer as técnicas para extrair as informações

necessárias, podendo ainda exportar os dados para planilhas eletrônicas e para

outras ferramentas que servem de apoio à tomada de decisão.

27

Figura 11 – Data Mining [16]

2.5 Processo ETL

O Processo ETL (Extract, Transform and Load), ou seja, extração,

transformação e carga. Esse processo extrai os dados de fontes externas,

transforma os mesmos conforme à necessidade da organização e os carrega no

Data Warehouse.[17]

Os dados da organização podem ter várias origens diferentes, portanto, pode

ocorrer uma inconsistência de dados, além deles possuírem as mesmas

informações, contudo foram gravados de forma diferente, por isso é necessário

estabelecer um padrão para ajustar esses dados. Um exemplo que pode ocorrer é,

um Sistema X que possui a tabela Alunos e essa tabela contem a coluna Sexo, e os

dados dessa coluna são F para Feminino e M para Masculino. No sistema Y que

também agrega a tabela Alunos, com a Coluna de Sexo, os dados dessa coluna são

28

preenchido com 1 Feminino e O Masculino. Ao carregar esses dados sem ocorrer o

Processo de ETL, o sistema não identificará que esses dados possuem a mesma

informação. Então é necessário realizar as transformações e carregar os dados já

tratados no processo de transformação para o Data Warehouse e a partir desses

dados será possível realizar as análises.

No processo ETL os estágios Extração e Carga são obrigatórios, já a

Transformação é opcional.

Extração

Extração é a primeira parte do processo ETL, onde ocorre a extração dos

dados dos sistemas de origem, como cada sistema pode utilizar um formato de

dados diferentes, a extração converte esses dados para um determinado formato

para iniciar o processo de Transformação. [17]

Transformação

Esse estágio tem uma série de regras ou funções que se aplicam nos dados

extraídos para proceder nos dados que serão carregados, os dados poderão

necessitar das seguintes transformações:

• Seleção de apenas determinadas colunas para carregar os dados;

• Tradução de valores codificados, o que é conhecido como limpeza de

dados;

• Codificação de valores de forma livre;

• Derivação de um novo valor calculado;

• Junção de dados provenientes de diversas fontes;

• Resumo de várias linhas de dados;

• Geração de valores de chaves substitutas;

• Transposição ou rotação;

• Quebra de uma coluna em diversas colunas; [17]

29

Carga

Essa fase é que os dados são carregados no Data Warehouse, incluindo tarefas

de ordenação, agregação, consolidação e verificação da integridade dos dados,

entre outras. Esse processo varia conforme as necessidades da organização, pois

os dados no Data Warehouse podem ser substituídos semanalmente, como também

podem ser substituídos a cada hora.

Figura 12 – Processo ETL (SANTOS, 2006, p.93)

Após esse processo de ETL, os dados serão utilizados para gerar relatórios que

serão aproveitados em análises através de ferramentas online analytical processing,

que permitirão que o usuário navegue de forma rápida e eficiente.

30

CAPÍTULO 3 – ESTUDO DE CASO

O Estudo de caso apresentado nesse Trabalho de Conclusão de Curso foi

apresentado na integra, cujo objetivo foi exemplificar o Business Intelligence

aplicado no ambiente coorporativo. [18]

Business Intelligence para Alavancar as Vendas de Automóveis.

O mercado automotivo, atualmente, possui muitas oportunidades de utilização

de BI principalmente para ganhos de competitividade com relação aos concorrentes.

A ferramenta de BI tem por objetivo fornecer maior disponibilidade de

informações processadas de forma que o executivo possa tomar decisões com base

em dados estatísticos, gráficos e relatórios, entre outros.

Assim sendo, a confiabilidade e a qualidade das decisões tornam a empresa

mais agressiva com relação aos seus concorrentes.

A ferramenta de BI utiliza recursos de Tecnologia de Informação (TI) para

disponibilizar a maior quantidade possível de informações ao usuário de forma

organizada. Permitindo assim, que o executivo tenha visão da empresa em diversos

aspectos e pontos de vista.

A visão geral da empresa possibilita evitar erros de tomada de decisões

devido à falta de informação ou interpretações de dados de maneira errônea.

Um aspecto que deve ser levado em consideração é o custo de ter uma

ferramenta como esta dentro da empresa. A ferramenta de BI é custosa e

conseqüentemente apenas grandes empresas podem adquirir esta ferramenta em

sua plenitude.

As montadoras de automóveis freqüentemente fazem parte de rol das grandes

empresas e estão normalmente imersas em uma concorrência ferrenha. Neste

cenário as montadoras podem ter a ferramenta de BI como uma grande aliada em

suas investidas contra os concorrentes de forma que esta adquira o máximo de

segurança possível em seus investimentos e estratégias.

31

Caracterizando o Business Intelligence (BI)

O BI, para Wu (2000), recorre ao uso de tecnologia para colecionar e

efetivamente usar informação para melhoria empresarial. Um sistema ideal de BI

fornece aos empregados de uma organização e aos seus sócios, o acesso fácil à

informação que eles precisam e a capacidade de analisar e compartilhar estas

informações.

A estrutura de funcionamento do BI segue uma estrutura de camadas em

forma de pirâmide mostrada por Wu (2000) as quais servem para ajudar a focar as

informações necessárias para que as ações sejam tomadas com maior base.

Figura 13 - Estrutura de funcionamento do BI – Fonte: Afolabi (2004)

As montadoras acumulam grandes volumes de dados em Data Warehouse

sobre seus clientes, vendas, produtos, componentes, mercados internacionais,

enfim, sobre qualquer coisa que possa ajudar nos seus negócios.

A filtragem e análise destes dados geram informação selecionando os dados

que realmente são interessantes de serem analisadas.

Com base nas informações coletadas são gerados indicadores para que a

compreensão do problema ocorra com maior facilidade e possa se conhecer os

objetivos da pesquisa e o que se deseja obter do volume de dados disponível.

32

Para que se possa adquirir conhecimento das informações coletadas,

normalmente, são utilizadas ferramentas de Data Mining para que o conhecimento

seja extraído utilizando-se as informações obtidas e a compreensão do problema.

Graças ao conhecimento obtido pela ferramenta de mineração de dados, Data

Mining, que faz com que os envolvidos com o problema colaborem com

conscientização para que os objetivos sejam alcançados e o gestor tome as ações

corretivas exatamente no centro do problema assim a eficiência e eficácia das ações

sejam maximizadas.

Implementadas as colaborações & ações de acordo com o planejamento

ditado pelos processos anteriores o retorno do investimento (ROI) é obtido

naturalmente e com maior volume possível.

Na metodologia mostrada por AFOLABI & THIERY (2004), para que a

ferramenta de BI atinja seus objetivos deve-se identificar o que se quer alcançar com

o BI. Em condições práticas isto significa procurar oportunidades na organização

onde a inteligência empresarial pode melhorar a qualidade das decisões.

Este processo de BI é dividido em três etapas básicas:

A primeira etapa requer consideração de onde pode ser aplicado o BI em uma

organização (por exemplo, unidades empresariais ou áreas funcionais), quem são os

beneficiários (por exemplo, executivos, analistas e gerentes) e são definidos os tipos

de informação (por exemplo, dimensões e medidas).

A segunda etapa consiste em envolver as pessoas para juntar idéias e

compartilhar as experiências sobre as quais processos empresariais podem se

beneficiar do BI e que informação pode ajudar a melhorar os processos da empresa.

A terceira etapa é a seleção criteriosa das idéias para identificar as

oportunidades de BI que oferecem os maiores benefícios.

Os benefícios de se utilizar o software de BI, principalmente o retorno do

investimento, conforme KOUNADIS (2000), são tipicamente mais difíceis de se

avaliar, especialmente para companhias que têm pouca ou nenhuma experiência

com a tecnologia. Os benefícios mais importantes não são facilmente quantificados

com antecedência, eles envolvem variáveis menos mensuráveis como o impacto de

ter informação mais rapidamente, maior qualidade de decisões, perspectivas de

novos mercados e potenciais melhorias na estratégia competitiva.

33

Além disso, há uma lista de benefícios da implementação do software de BI

que, conforme DEBROOSE (2003), são intangíveis, e, no entanto, difíceis de

quantificar, mas, é onde os maiores e mais rápidos retornos acontecem.

Os benefícios intangíveis são:

Decisões operacionais e estratégicas de melhor qualidade e mais oportunas.

Melhoria da comunicação entre os empregados e satisfação no cargo, são os

resultados de um maior senso de autonomia.

Maior compartilhamento do conhecimento.

A camada mais visível da infra-estrutura de inteligência empresarial conforme

WU (2000) são as aplicações que se estendem em camadas para entrega de

informação aos usuários. As exigências de inteligência empresarial incluem geração

de relatório, consultas e capacidades para realizar investigações especiais nos

dados e análises que permitam a identificação de tendências.

Para DEBROOSE (2003), o software de BI deve permitir aos usuários a

interação com a informação para ganhar novas visões das variáveis empresariais

subjacentes e apoiar decisões empresariais.

Para alcançar a máxima velocidade da inteligência empresarial, processos

devem ser monitorados continuamente para que possam alertar aos responsáveis

através de indicadores, apressando ações para solucionar problemas ou compensar

eventos empresariais imprevistos.

Esta natureza de atividade da inteligência empresarial pode prover tremendos

benefícios de negócio.

A utilização da inteligência empresarial na Web através de portais, para

AFOLABI & THIERY (2004), está ganhando impulso considerável. Portais Web estão

se tornando um ponto personalizado de acesso para informações empresariais

fundamentais. Todos os principais fornecedores de software de BI desenvolvem

componentes que incluem na infraestrutura de BI da empresa portais de acesso a

informações empresariais.

34

Inteligência Empresarial e Indústria Automotiva

A indústria de automotiva é muito variável. Para Carvalho (2005), fatores

como globalização, fusões e aquisições, competição de instituições e inovação

tecnológica, forçou companhias a re-pensar a estratégia empresarial.

As empresas do mercado automotivo têm que criar novas fontes de renda,

entrar em novos mercados, ganhar parte do mercado e reduzir custos operacionais.

Além disso, as expectativas de clientes estão mudando. Eles estão mais bem

informados e mais exigentes. Companhias estão transformando a estratégia de

administração para se tornar mais focada ao cliente que ao produto.

Soluções de BI fizeram um papel significante na estratégia de muitas das

companhias automotivas, permitindo que estas se adaptem para comercializar

rapidamente novos produtos de acordo com as tendências de mercado. Com o fácil

acesso aos dados, analisados estatisticamente, companhias podem administrar

custos, desempenho e aumentar a rentabilidade em termos de lucros.

Soluções de BI podem ajudar a melhorar o desempenho das companhias nas

vendas do varejo garantindo mais investimentos em novos produtos e nichos de

mercado.

Contribuições do BI na qualidade das vendas

O BI, para Carvalho (2005), pode ajudar as empresas automotivas a

identificar os clientes e produtos mais lucrativos, entendendo os padrões de compra

dos clientes, reter os clientes e valorizá-los entendendo o comportamento de

maneira individual, identificando e respondendo as necessidades e oferecendo

produtos e serviços de melhor qualidade.

Outro aspecto relevante é a melhoria do atendimento ao consumidor

identificando e respondendo rapidamente a tendências de mercado, necessidade de

novos representantes, estudos de geografia e características de disputa de

mercado.

35

A eficiência das campanhas comerciais pode se tornar mais efetivas através

de analises de taxa ótima de resposta e da estratégia a ser trilhado que são feitas

muito eficientemente com a utilização da ferramenta de BI.

Os riscos perdas podem ser minimizados entendendo exposição de risco

tanto ao longo da organização quanto a um nível individual num setor.

Aplicação de uma ferramenta de BI na Kia Motors da Alemanha

Na Alemanha, as pessoas levam automóvel muito a sério, já que os alemães

são os produtores de alguns dos mais distintos e respeitados automóveis no mundo.

Mesmo assim, não é nenhuma novidade que os alemães não são leais com suas

marcas nativas, fazendo o mercado automotivo alemão ser extremamente

competitivo e desafiador para fabricantes e importadores de automóveis.

Em um esforço para impulsionar sua posição competitiva no exigente

mercado alemão de automóveis, a Kia Motors da Alemanha, uma divisão da Kia

Motors da Europa, queria proporcionar para suas 450 concessionárias, acesso de

tempo real de inventários de veículos novos e peças de reposição além de outras

informações para melhorar satisfação de cliente e aumentar as vendas.

Na Alemanha, as concessionárias da Kia Motors têm apenas alguns carros

novos disponíveis apenas para demonstração. Os carros, quando são comprados na

concessionária, geram uma ordem em demanda para Kia na Coréia e então os

carros são transferidos às concessionárias para entrega para o cliente. É

extremamente necessário, para que este processo ocorra bem, com disponibilidade

de dados precisos e imediatos da disponibilidade de carros sendo estes dados

cruciais ao sucesso das concessionárias e a satisfação dos clientes.

A exigência da Minimização de Processos baseados em papéis

Os concessionários da Kia estavam utilizando relatórios impressos

semanalmente com informações de tempo de disponibilidade de carros novos e

peças de reposição. Com a distribuição mundial de automóveis e peças, estes

relatórios de papel não puderam manter o ritmo das movimentações de inventário se

36

tornando obsoletos muito rapidamente. Além disso, concessionários dependiam dos

lentos e ineficientes relatórios em papel para realizar suas vendas de carros e peças

sobressalentes. Estes relatórios eram compartilhados por métodos, como fac-símile.

A falta de dados disponíveis mais rapidamente estava causando problemas para os

concessionários e era um fato impeditivo para os clientes comprarem os carros da

Kia Motors.

Os concessionários não confiavam na lista de papel e chamavam o

departamento de distribuição para confirmar a disponibilidade carros novos e peças

de reposição o que provocava desperdício de trabalho e tempo de ambos os lados.

Alguns clientes potenciais estavam preocupados com o excesso de tempo

para entrega dos pedidos de carros novos, devido à demora da chegada do pedido

ao fabricante na Coréia, o mesmo se diz para peças sobressalentes. Assim a Kia

quis melhorar seu nível de serviço com um software de BI.

Vantagens adquiridas com a implementação do software de BI

O novo sistema permite aos concessionários a fazer diversas operações

online entre elas pode se citar a checagem da disponibilidade de carros novos,

realização de pedidos de carros novos, obter a lista de peças sobressalentes, entre

outras funções.

Conforme Mostrado na figura 14 a interface do software é de fácil manuseio e

entendimento das informações oferecidas. O software foi concebido para utilização

por pessoas de diversos níveis hierárquicos, fornecendo tanto dados para suporte a

vendas quanto dados estatísticos sobre as vendas voltados para o planejamento

estratégico por parte da gerência.

37

Figura 14 - Tela do módulo do software de BI

O software desenvolvido é voltado para utilização em navegadores WEB para

o sistema operacional Microsoft Windows em ambiente de escritório. O software de

BI ajudou a Kia Motors a alavancar a lógica empresarial existente tornando críticas

as informações sobre a disponibilidade de inventário de automóveis e peças de

reposição através de uma intranet segura.

Com a melhoria do sistema de informação dos concessionários possibilitou-se

também a melhoria da inteligência empresarial para a Kia Motors, apresentando

dados executivos agregados para cada região e o histórico do concessionário.

O sistema fornece informações mais precisas sobre a data e o horário que um

pedido é feito, permitindo fazer melhorias dentro do planejamento de pessoal.

Adicionalmente, há estatísticas que permite analisar os concessionários tanto

individualmente quanto de maneira geral.

38

O ROI

A Kia da Alemanha alcançou resultados mensuráveis com a implementação

do software de BI:

• Redução de custos com força de trabalho entre 70 a 80 por cento.

• Melhoria das vendas de 30 por cento.

• Economia de 10.000 Marcos (5,000€) remetendo-se aos custos de

administração dos relatórios dos concessionários agora providos com o

acesso on-line e informações em tempo real de inventário de peças e

automóveis novos.

• Agilização do cumprimento das ordens, entregando ordens de peças

sobressalentes e carros novos em um dia em média, contra dois a três

dias no passado.

• Minimizado o tempo de treinamento dos empregados.

A Solução aplicada

O software de BI utiliza um cubo de dados, como mostrado na figura 15, para

fornecer dados de vendas de automóveis novos, peças de reposição e solicitações

de utilização de garantia pelo fabricante.

O cubo de dados é um repositório acessado pelos concessionários através de

um navegador WEB, todos os 450 concessionários KIA já possuem acesso ao banco

de dados com disponibilidade 24 horas.

Em uma versão de testes mais 610 concessionários distribuídos pela Europa

estão também acessando o mesmo banco de dados com o objetivo de integrar todos

os concessionários da Europa em uma única rede integrada de informações.

Com a integração dos concessionários de toda a Europa, aumentou-se ainda

mais a eficiência do sistema, permitindo que todos os concessionários da Europa

possam ter as mesmas informações sobre peças de reposição e carros novos além

da atualização online das regras de garantia dos produtos e preços dos produtos.

39

Figura 15 - Cubo de dados utilizado para alimentar o software de BI - Fonte:

Adaptado de Fidalgo et.al.(2004)

Os dados sobre vendas coletados pelo sistema são filtrados e exportados

para o Excel para que possam ser trados pela ferramenta OLAP disponível no

pacote Office da Microsoft.

Um exemplo do relatório montado em Excel com os dados de vendas de

acessórios dos carros, mais especificamente na área de som e vídeo é mostrado na

figura 16.

40

Figura 16 - Indicadores gerados com ferramentas OLAP do Excel com base no

cubo de dados mostrado na figura 15

A coleta de dados de controle de estoque e de estatísticas de vendas é

facilitado pela organização dos dados em data marts. A estrutura de dados do

sistema é mostrado pela figura 17.

41

Figura 17 - Distribuição de dados - Fonte: Adaptado de Fidalgo et. al.(2004)

Com a implantação do sistema de BI a Kia Motors da Alemanha foi capaz de

aumentar sua capacidade de administração de seu inventário e estendê-lo para sua

intranet, disponibilizando informações mais rapidamente e de melhor qualidade para

os concessionários, ao longo da Alemanha.

O projeto teve tanto êxito na Alemanha que o sistema foi utilizado em outras

divisões de Kia na Áustria, Bélgica, República Tcheca, Hungria e Suécia.

Conclusão Estudo de Caso

O mercado automotivo em qualquer local do mundo apresenta muitas

disputas, sendo assim, as montadoras devem estar muito bem informadas sobre si e

sobre o mercado que estão participando.

A ferramenta de BI oferece vantagens competitivas, principalmente,

relacionadas com a disponibilidade de informações precisas e sempre atualizadas.

Este suporte é imprescindível para que as corporações se tornem mais

seguras sobre as estratégias que estão tomando e sobre as reações que o mercado

está tendo com relação às ações estratégicas aplicadas sobre ele.

42

Assim grandes prejuízos financeiros são evitados, prejuízos estes devido a

estratégias errôneas de mercado, perda de clientes e principalmente problemas com

a própria imagem da empresa.

Num cenário competitivo como este o atendimento ao cliente é fundamental

para que as vendas sejam realizadas, para que os clientes retornem à

concessionária para fazer reparos e quando ocorrer a troca esta seja feita por um

automóvel da mesma marca.

A fidelidade dos clientes é um patrimônio incalculável para as montadoras e o

software de BI é uma grande ferramenta para manter os clientes sempre satisfeitos.

As tecnologias de comunicação de dados principalmente as relacionadas com

a web são grandes ferramentas para melhoria da comunicação interna da empresa,

melhorando a qualidade das informações, com atualizações mais rápidas e precisas.

As ferramentas de BI estão explorando as redes de comunicação de dados

para que suas funcionalidades tenham o melhor êxito possível.

O investimento para implantação de um software de BI, segundo Microsoft

(2002), pode ser reduzido em muito com a utilização do pacote Office Microsoft

como software de apoio, gerando relatórios, contribuindo com a organização de

dados e geração de gráficos.

O software apresentado neste artigo ilustrou as potencialidades da ferramenta

para operações de logística e vendas das montadoras.

Mostrou que a utilização correta da ferramenta pode alavancar vendas,

melhorar a imagem da empresa mostrando que é uma instituição eficiente,

organizada e confiável.

A eficiência que o software de BI implementado mostrou provocou reações de

mercado e mudanças de ponto de vista dos clientes fazendo que a antiga imagem

ineficiência e lentidão da logística da KIA Motors da Alemanha fosse mudada para

melhor.

Conforme mostrado no artigo houve melhorias não somente em vendas, mas,

também em qualidade, marketing, logística, entre outros.

43

CONSIDERAÇÕES FINAIS

Tal pesquisa proporcionou uma visão ampla de como o BI pode servir de

apoio à tomada de decisão. No século XXI, a informação tornou-se um foco para as

que as empresas possam crescer, se as mesmas forem conduzidas de modo eficaz

certamente ajudará em seu crescimento. Conseguir atrelar essas informações junto

com o processo de decisão, para saber que rumo tomar dentro de uma organização

é o diferencial competitivo que todas as empresas, sejam elas: pequenas, médias e

grandes, procuram. Os Sistemas de Tomada de Decisão hoje estão cada vez mais

presentes na vida dos gestores, pois proporcionam metodologias eficazes no

processo decisório.

O Business Intelligence é uma excelente escolha para as empresas que

querem e precisam de um diferencial competitivo na era da informação, pois essa

ferramenta possibilita que os gestores possam manipular e extrair os dados

conforme suas necessidades, podendo assim transformá-los em informação. Todos

os que realmente disputam um lugar no mercado e que precisão tomar decisões

corretas e em tempo ágil, estão se rendendo a essa ferramenta, pois pode ser uma

importante arma nessa guerra de interesses.

Com base no estudo de caso, conclui-se que todos os objetivos por parte da

empresa Kia Motors que implementou o BI foram atendidos. O sistema se mostrou

apto a gerar informações de acordo com os dados selecionados, conseguindo cruzar

informações relevantes para a gestão integral das vendas, controle de estoque e

solicitações de utilização das garantias, dando subsídio aos gestores para um

possível caminho para sua tomada de decisão. O sistema disponibiliza essas

informações através de um cubo de decisões, onde esses dados são filtrados e

exportados para o Excel, que é tratado pela ferramenta OLAP disponível no pacote

Office da Microsoft que é capaz de gerar gráficos se for de preferência do executivo,

para facilitar visualmente a análise da informação.

Com ferramentas de fácil utilização e com finalidade bem definidas a Kia

Motors se satisfez com os resultados, pois além das informações forma

disponibilizadas mais rapidamente, as mesmas ganharam também na qualidade,

pois a técnica do BI retornou dados corretos e sem inconsistências.

44

Este trabalho proporciona aos gestores, diferencias competitivos a fim de

agregar informações coerentes em um tempo hábil para as tomadas de decisões.

Certamente pude perceber a real importância de uma tomada de decisão dentro de

uma empresa, e o quanto o modelo de negócios pode se tornar eficiente e os custos

podem ser reduzidos através deste trabalho.

45

REFERÊNCIAS BIBLIOGRAFICAS

Meio Digital

[1] Business Intelligence

http://www.businessintelligence.com.br/portal/modules.php?name=News&file=article

&sid=1

Acessado em: 15 de Outubro de 2011 às 15:32

[2] Curso de Business

http://www.nextgenerationcenter.com/detalle-curso/Business_Intelligence.aspx


[3] Conceito de BI

http://www.infobras.com.br/portugues/produtos_bi_conceito.asp


[4] Estudo do BI

http://www.uvv.br/portais/cienciacomputacao/pdf/2008/UM%20ESTUDO%20DO%20

BUSINESS%20INTELLIGENCE%20NO%20AMBIENTE%20EMPRESARIAL.pdf


[5] BI

http://msdn.microsoft.com/pt-br/library/cc518031.aspx

Acessado em: 02 de Novembro de 2011 às 18:17

[6] OLAP

http://www.din.uem.br/~ia/a_multid/mineracao/OLAP.html


46

[7[ Data Warehouse

http://www.devmedia.com.br/post-6978-Qualidade-na-Modelagem-dos-Dados-de-

um-Data-Warehouse.html


[8] SI

http://www.giovani.inf.br/adm_inf/artigos/DW_Sistema_de_Informacoes_Integradas.p

df


[9] Sistemas de Informação

http://msdn.microsoft.com/pt-br/library/cc518031.aspx


[10] Business Intelligence (BI)

http://bibdig.poliseducacional.com.br/document/?view=98


[11] Modelagem dimensional

http://www.flaviohorita.stillit.com.br/index.php?option=com_content&view=article&id=

81:modelagem-dimensional&catid=43:business-intelligence&Itemid=57


[12] Tecnologia

http://www.ppgi.di.ufpb.br/wp-content/uploads/2009robertamacedo.pdf


[13] Data Mart

http://www.dataprix.net/pt-pt/24-data-mart


[14] Sistemas de Informação - OLAP

47

http://www.fag.edu.br/professores/limanzke/Administra%E7%E3o%20de%20Sistema

s%20de%20Informa%E7%E3o/OLAP.pdf


[15] Globalização

http://campeche.inf.furb.br/tccs/1999-II/1999-2geandroluiscompoltvf.pdf


[16] Tecnologia – Business Intelligence

http://www.intelliwise.com/reports/i2002.htm

Acessado em: 12 de Novembro às 16:25

[17] Conceitos

http://www.infobras.com.br/portugues/produtos_conceito_etl.asp

Acessado em: 13 de Novembro às 15:16

[18] Estudo de caso

http://www.simpep.feb.unesp.br/anais/anais_13/artigos/642.pdf

Acessado em; 15 de Novembro às 18:05

Meio Impresso

HABERKORN, Gestão Empresarial com ERP . Microsiga, 2003.

LAUNDON. Sistemas de Informação Gerenciais . Pearson, 2007.

PRIMAK. Decisões com B.I (Business Inteligence) . Ciência Moderna, 2008.

SANTOS, RAMOS. Business Intelligence: Tecnologias da informação na

gestão de conhecimento . FCA - Editora de Informática, 2006.

TURBAN, et al. Business Intelligence Um enfoque Gerencial para a I nteligência

do negócio . Bookman, 2009.

48

ANEXO

Termo de compromisso e responsabilidade

Autenticidade e exclusividade sob as penas da Lei 9810/98

Pelo presente, os abaixo assinados declaram, sob as penas da lei, que o

presente trabalho é inédito e original, desenvolvido especialmente para os fins

educacionais a que se destina e que, sob nenhuma hipótese, fere o direito de autoria

de outrem.

Para maior clareza, firmamos o presente termo de originalidade.

Guarulhos, 16 de novembro de 2011

Thatiane Calegari Elias

TCC Thatiane Calegari Elias 972208

Documents

Transcript of TCC Thatiane Calegari Elias 972208