Uma Visão Geral dos Sistemas de Inteligência nos Negócios (BI)

886 visualizações

Publicada em

Apresentação realizada em 26/04/2014 no FLISOL-Coxim 2014, evento organizado pela IFMS-Coxim.

Publicada em: Tecnologia
0 comentários
1 gostou
Estatísticas
Notas
  • Seja o primeiro a comentar

Sem downloads
Visualizações
Visualizações totais
886
No SlideShare
0
A partir de incorporações
0
Número de incorporações
6
Ações
Compartilhamentos
0
Downloads
0
Comentários
0
Gostaram
1
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide
  • Atentar a seta de operacional para estratégico.
  • Funil de utilização dos usuários.
  • OLAP
    Enquanto no Data Warehouse o dado é armazenado, nas ferramentas de tecnologia OLAP o dado é visualizado e manipulado pelo usuário, ou seja, é a ferramenta de interface entre o usuário e o banco de dados, esta fornece a possiblidade de criação de relatórios de forma “ad-hoc”.
  • Descrição (Description) - É a tarefa utilizada para descrever os padrões e tendências revelados pelos dados. A descrição geralmente oferece uma possível interpretação para os resultados obtidos. A tarefa de descrição é muito utilizada em conjunto com as técnicas de análise exploratória de dados, para comprovar a influência de certas variáveis no resultado obtido.
    Classificação (Classification) - Uma das tarefas mais comuns, a classificação, visa identificar a qual classe um determinado registro pertence. Nesta tarefa, o modelo analisa o conjunto de registros fornecidos, com cada registro já contendo a indicação à qual classe pertence, a fim de “aprender” como classificar um novo registro (aprendizado supervisionado). Por exemplo, categorizamos cada registro de um conjunto de dados contendo as informações sobre os colaboradores de uma empresa: perfil técnico, perfil negocial e perfil gerencial. O modelo analisa os registros e então é capaz de dizer em qual categoria um novo colaborador se encaixa. A tarefa de classificação pode ser usada por exemplo para:
    Determinar quando uma transação de cartão de crédito pode ser uma fraude;
    Identificar em uma escola, qual a turma mais indicada para um determinado aluno;
    Diagnosticar onde uma determinada doença pode estar presente;
    Identificar quando uma pessoa pode ser uma ameaça para a segurança.
    Estimação ou regressão - A estimação é similar à classificação, porém é usada quando o registro é identificado por um valor numérico e não um categórico. Assim, pode-se estimar o valor de uma determinada variável analisando-se os valores das demais. Por exemplo, um conjunto de registros contendo os valores mensais gastos por diversos tipos de consumidores e de acordo com os hábitos de cada um. Após ter analisado os dados, o modelo é capaz de dizer qual será o valor gasto por um novo consumidor. A tarefa de estimação pode ser usada por exemplo para:
    Estimar a quantia a ser gasta por uma família de quatro pessoas durante a volta às aulas;
    Estimar a pressão ideal de um paciente baseando-se na idade, sexo e massa corporal.
    Predição (Prediction) - A tarefa de predição é similar às tarefas de classificação e estimação, porém ela visa descobrir o valor futuro de um determinado atributo. Exemplos:
    Predizer o valor de uma ação três meses adiante;
    Predizer o percentual que será aumentado de tráfego na rede se a velocidade aumentar;
    Predizer o vencedor do campeonato baseando-se na comparação das estatísticas dos times.
    Alguns métodos de classificação e regressão podem ser usados para predição, com as devidas considerações.
    Agrupamento (Clustering) - A tarefa de agrupamento visa identificar e aproximar os registros similares. Um agrupamento (ou cluster) é uma coleção de registros similares entre si, porém diferentes dos outros registros nos demais agrupamentos. Esta tarefa difere da classificação pois não necessita que os registros sejam previamente categorizados (aprendizado não-supervisionado). Além disso, ela não tem a pretensão de classificar, estimar ou predizer o valor de uma variável, ela apenas identifica os grupos de dados similares. Exemplos:
    Segmentação de mercado para um nicho de produtos;
    Para auditoria, separando comportamentos suspeitos;
    Reduzir para um conjunto de atributos similares registros com centenas de atributos.
    Associação (Association) - A tarefa de associação consiste em identificar quais atributos estão relacionados. Apresentam a forma: SE atributo X ENTÃO atributo Y. É uma das tarefas mais conhecidas devido aos bons resultados obtidos, principalmente nas análises da "Cestas de Compras"(Market Basket), onde identificamos quais produtos são levados juntos pelos consumidores. Alguns exemplos:
    Determinar os casos onde um novo medicamento pode apresentar efeitos colaterais;
  • Uma Visão Geral dos Sistemas de Inteligência nos Negócios (BI)

    1. 1. {{ Uma Visão Geral dos Sistemas deUma Visão Geral dos Sistemas de Inteligência nos Negócios (BI)Inteligência nos Negócios (BI) Fernando Maia da MotaFernando Maia da Mota @fernandommota@fernandommota
    2. 2. Fernando Maia da MotaFernando Maia da Mota Formado em Sistemas de Informação CPCX/UFMS;Formado em Sistemas de Informação CPCX/UFMS; Mestrando em Computação Aplicada FACOM/UFMS;Mestrando em Computação Aplicada FACOM/UFMS; Na IT4biz é Analista/Arquiteto de Business Intelligence.Na IT4biz é Analista/Arquiteto de Business Intelligence. ApresentaçãoApresentação
    3. 3. Sun Tzu fala em seu livro (A Arte da Guerra) que para vencer, a pessoa deve deter todo o conhecimento de suas fraquezas e virtudes, além de todo o conhecimento das fraquezas e virtudes do inimigo. A falta deste conhecimento pode resultar na derrota. MotivaçãoMotivação
    4. 4. BI;BI; Data Warehouse;Data Warehouse; Data Mining;Data Mining; Ferramentas;Ferramentas; Demonstração.Demonstração. AgendaAgenda
    5. 5. O termo Inteligência de Negócios (BI) significa, resumidamente, coletar dados de diversas fontes, organizá- los, analisá-los e compartilhá-los com os executivos mais importantes da empresa. Estes então transformam essas informações relevantes em decisões importantes para o futuro da empresa (IT4BIZ, 2014). BIBI
    6. 6. O Prof. PhD. Ralph Kimball é um dos precursores dos conceitos de armazém de dados e sistemas de apoio à decisão realizando pesquisas e conceitos desde 1982. Seus estudos influenciam até hoje a maioria dos projetos de Inteligência de Negócios das empresas no Brasil e no mundo. Data WarehouseData Warehouse
    7. 7. A metodologia Kimball, mais conhecida como modelagem dimensional, ensina como tornar sistemas transacionais em sistemas orientados ao mundo empresarial, permitindo uma maior organização, melhor compreensão e rapidez (KIMBALL, 1996). Data WarehouseData Warehouse
    8. 8. Modelo multidimensional  Modelo Estrela (MOTA, 2009) Data WarehouseData Warehouse
    9. 9. Modelo multidimensional representado na forma de cubo. Data WarehouseData Warehouse
    10. 10. OLAP ( On-line Analytical Processing) (ObrasDoPAC, 2014)(ObrasDoPAC, 2014) Data WarehouseData Warehouse
    11. 11. A mineração de dados ou Data Mining, é uma prática relativamente recente no mundo da computação, e utiliza técnicas de recuperação de informação, inteligência artificial, reconhecimento de padrões e de estatística para procurar relações entre dados que permitam adquirir conhecimento . Data MiningData Mining
    12. 12. É composta pelas seguintes tarefas:  Descrição;  Classificação;  Estimação ou regressão;  Predição;  Agrupamento;  Associação; Data MiningData Mining
    13. 13. Portanto o Data Mining complementa o Data Warehouse no que se refere a análise dos dados e geração de informações para dar suporte aos gestores na tomada de decisão. Data MiningData Mining
    14. 14. Algumas ferramentas:  Openi;  Qlickview;  Saiku Server;  Jaspersoft;  Vanilla BI;  Etc... FerramentasFerramentas
    15. 15. DemonstraçãoDemonstração
    16. 16. ContatoContato mota.fernandomaia@gmail.com @fernandommota http://fernandomaia.eti.br http://br.linkedin.com/in/fernandommota/

    ×