Sistemas de suporte à decisão e tecnologias analíticas

CAPÍTULO 1
SISTEMAS DE SUPORTE
À DECISÃO
Tecnologias de Informação e Comunicação

2
Temas a abordar
Tecnologias de Informação e Comunicação Cap. 1 – Sistemas de suporte à decisão
1 Os gestores e o processo de tomada de decisão
2 Data Warehouse
3 Data Mining
4 OLAP (on-line analytic processing)
5 CRM – Customer Relationship Management
6 SIG – Sistemas de Informação Geográficos

Os gestores e o processo
de tomada de decisão
Tecnologias de Informação e Comunicação 3
Capítulo
1
Sistemas
de
suporte
à
decisão

Funções dos gestores
Que fazem os Gestores? (Mintzberg [1980])
 Os gestores precisam da informação e usam os computadores para os apoiar
na tomada de decisão.
4
Interpessoal
• Figura de topo
• Líder
• Ligação
Informacional
• Monitor
• Disseminador
• Porta voz
Decisória
• Empreendedor
• Manipulador de
distúrbios
• Arrumador de
recursos
• Negociador

Tomada de Decisão da Gestão e SI
 Todas as actividades de gestão gravitam à volta da tomada de decisão;
 O gestor é o tomador de decisões;
 São usados estilos individuais, e não métodos científicos esquemáticos
quantitativos;
 Agora estamos perante um ambiente de mudança rápida e complexo;
 É difícil tomar decisões;
 Muitas alternativas devido à tecnologia evoluída e aos sistemas de
comunicações;
 O custo de cometer erros pode ser muito elevado;
 A informação pode ser difícil de aceder;
 As decisões têm de ser tomadas rapidamente  Uso de novas ferramentas e
técnicas.
5

Gestores e Apoio Computorizado
 As tecnologias de computação têm evoluído e expandido-se
exponencialmente;
 Impacto nas organizações e na sociedade tem-se expandido;
 Interacção e cooperação entre pessoas e máquinas tem vindo a crescer;
 Sistemas computorizados são agora utilizados em áreas de gestão
complexas;
 As tecnologias de informação são vitais para o negócio.
6

A necessidade de suporte à decisão pelasTI
 Computações mais rápidas;
 Ultrapassagem dos limites cognitivos no processamento e
armazenamento;
 Os limites cognitivos podem restringir a capacidade individual de solução
do problema;
 Redução de custo;
 Suporte técnico;
 Suporte de qualidade;
 Vantagem competitiva.
7

Tecnologias Primárias de Suporte à Decisão
 Management Support Systems (MSS)
 Decision Support Systems (DSS)
 Group Support Systems (GSS), incluindo Group DSS (GDSS)
 Executive Information Systems (EIS)
 Expert Systems (ES)
 Artificial Neural Networks (ANN)
 Hybrid Support Systems
 Sistemas Inteligentes
(Algoritmos Genéticos, Lógica Encrespada, Agentes Inteligentes, ...)
8

Relações entre estas tecnologias
 Cada tecnologia é única;
 As tecnologias estão inter-relacionadas;
 Cada uma suporta determinados aspectos da elaboração de decisão pela
gestão;
 A evolução e criação de novas ferramentas ajuda a expandir o papel das
tecnologias de informação para o aperfeiçoamento da gestão das
organizações;
 O relacionamento e a coordenação entre estas ferramentas continua a
evoluir.
9

Datawarehouse
Capítulo
1
Sistemas
de
suporte
à
decisão

Introdução
“Às quintas-feiras, parte significativa das
pessoas que costumam comprar cerveja
compram também fraldas”.
ícone do suporte à decisão
11
Conclusão que não poderia ser antecipada por nenhum analista, meramente
com base numa análise superficial dos dados.

Necessidade de um datawarehouse
Sistemas
operacionais
Data
Warehouse
Processos
analíticos
Processos
operacionais
 Volume de dados
 Nº utilizadores
 Desempenho
 Informação analítica
Suporte à tomada de decisão
ETL
Extracção
Transformação
Transferência
12

Conceito de DW
Repositório analítico onde os dados são armazenados de forma mensurável,
sendo contemplada a sua caracterização segundo diversos eixos de análise
(dimensões).
 Separação física dos ambientes operacionais e de suporte à decisão;
 Os dados são transformados e integrados numa estrutura consistente.
13

Data Marts
Sub-repositórios analíticos orientados para cada um dos departamentos ou
áreas de negócio.
Data mart
Comercial
Data mart
Marketing
Data mart
Produção
Data mart
Financeiro
Data Warehouse Empresarial
14

Data warehouse empresarial
15

Conceito de Sistema Suporte Decisão
Solução analítica pensada e desenhada para permitir que
gestores e outros agentes de tomada de decisão dentro de uma
organização tenham acesso à informação de cariz analítico
relacionada com a actividade.
16

Arquitectura de um SSD
17

Dimensões
Dimensão temporal
• Anos
• Trimestres
• Meses
• Dias
• Horas
• Minutos
• Segundos
 Artigo  sub-família de artigo  família de artigo
 Artigo  marca de artigo
 Artigo  linha de artigo
18

Data Mining
Capítulo
1
Sistemas
de
suporte
à
decisão

Problema
 Turnover (seis meses após o término do período inicial) é de 40%;
 Os clientes recebem um incentivo na abertura da conta;
 Atribuir novos incentivos aos clientes que pretendem sair é muito caro (bem
como desperdício);
 Trazer de volta um cliente depois de sair é difícil e caro.
Você é um gestor de marketing de uma empresa de corretagem e tem um
problema:
A rotatividade dos clientes é muito alta
20

... A solução
 Se pretender manter um cliente que tem previsão de churn, oferecer-lhe
algo com base no valor previsto;
 Os que não são previstos para churn não precisam de atenção;
 Se não quiser manter o cliente, não fazer nada.
Um mês antes do final do período inicial, prever quais os clientes que vão sair
21

Conceito
Data mining = Estracção do conhecimento + teste de hipóteses
DW
Memória
(clientes, RH, processos)
Comportamento
futuro
Data mining
Capacidade cognitiva capaz de explorar
grandes volumes de dados e de traçar
planos para o futuro.
22

Áreas de conhecimento
Data
Mining
Conjunto de processos de suporte à decisão através dos quais se
processam padrões, relacionamentos e dependências semânticas em
grandes volumes de dados.
 Probabilidades e estatística;
 Investigação operacional;
 Matemática;
 Robótica;
 Inteligência artificial.
23

Categorias algorítmicas
1. Classificação de entidades (dados);
2. Estimação de propriedades;
3. Previsão temporal;
4. Descoberta de afinidades;
5. Criação de agrupamentos homogéneos de dados (clustering);
6. Descrição de comportamentos organizacionais.
24

Examina novos pedaços de informação e enquadra-os num dos grupos (classes) com as
mesmas características que foram previamente definidas através da análise e inferência
sobre todo um passado histórico armazenado no repositório de dados.
Exemplos:
 Diagnóstico médico assistido por computador.
 Análise de risco em situações de crédito bancário.
25

Contrariamente à catalogação, neste caso a solução do problema não se encontra
definida a priori – o resultado pode assumir valores contínuos e o domínio pode não
estar balizado à partida.
Exemplo:
 Estimativa sobre o tempo de vida esperado para novos produtos colocados
no mercado face às suas principais características e à oferta da
concorrência.
26

Assemelha-se com a classificação, com a diferença de considerar a dimensão temporal
sobre a qual são estabelecidas as análises.
Exemplo:
 Previsão do volume de vendas de um determinado artigo ao longo dos
próximos períodos.
27

 Tenta descobrir dentro de um universo de transacções, as coisas que surgem
normalmente associadas entre si.
 Assenta na procura de correlações em universos de transacções.
Exemplo:
 Conhecer quais os artigos adicionais que as pessoas poderão vir a adquirir
cada vez que efectuem uma compra numa superfície comercial se os
mesmos lhe forem propostos por campanhas de marketing ou qualquer
disposição de expositivos de artigos que atraia a atenção dos clientes.
28

Segmentar um universo heterogéneo de dados em sub-grupos que partilham
características comuns.
Compreender os relacionamentos e os fluxos de informação gerados em torno da
actividade da organização.
29

Algoritmo Classif. Estimação Previsão Afinidade Clustering Descrição
Estatística
clássica      
Regras de
associação
   
Algoritmos
genéticos
 
Detecção
de clusters

Árvores de
decisão
   
Redes
neurais
   
Séries
temporais
  
Enquadramento de técnicas de Data Moning
30

On-Line Analytic
Processing
Capítulo
1
Sistemas
de
suporte
à
decisão

Técnica de análise e de reporting avançado sobre grandes volumes de dados
assentes em estruturas de armazenamento multidimensionais.
Conceito
OLAP – On-Line Analytic Processing
Cubos dimensionais
Estruturas de dados que
suportam as ferramentas OLAP
32

Exemplo de ferramenta OLAP
33

Navegação em OLAP
Drill-down sobre um cubo multidimensional
34

Drill Down e Roll Up
Permite desagregar a
informação de uma
determinada dimensão:
desagregar valores anuais em
trimestrais, mensais, etc.
Permite agregar a informação
de uma determinada
dimensão: esconde o detalhe
da consulta voltando a
trabalhar a informação a um
nível sumariado.
35

Slicing e Dicing
Slicing
Analisar apenas uma parte dos dados,
fixando uma das dimensões e mantendo
todo o processo de exploração dos
dados nas restantes dimensões.
Dicing
Colocar em segundo plano dimensões nas quais não se
está a concentrar a análise.
36

Outras funcionalidades
Outras funcionalidade de uma ferramenta OLAP:
 Ordenação de resultados (ranking);
 Aplicação de filtros nos dados lidos a partir dos repositórios (filtering);
 Parametrização de alertas;
 Envio de relatórios (e-mail, SMS);
 Actualização de websites (intranet, internet).
37

 Análise regular da evolução da actividade, cruzando dados das diversas
equipas de venda: lojas, portais, telemarketing, porta a porta, etc.;
 Comparação de vendas (real) com o orçamento;
 Determinação dos clientes que representam a maior fatia de vendas.
OLAP e Marketing
Sucesso de uma campanha
de marketing
Ferramentas OLAP ajudam a caracterizar o
universo real de clientes, desenhando o perfil
ideal de cliente para a oferta que a empresa
comercializa.
Aumento de quota de mercado
Área Comercial
38

Ferramentas
 www.microstrategy.com
 www.hyperion.com
 www.proclarity.com
 www.cognos.com
 www.oracle.com
39

Demonstração
MicroStrategy Business Intelligence
40
Business Intelligence em dois minutos

Customer Relationship
Management
(CRM)
Capítulo
1
Sistemas
de
suporte
à
decisão

Contexto
„O objectivo último de uma organização
é capturar clientes e retê-los.
Peter Drucker, The Practice of Management, 1954
42

Conceito
Define toda uma classe de ferramentas
que automatizam as funções de
contacto e relação com o cliente, para
benefício mútuo e duradouro.
É um conceito que coloca o cliente no
centro do desenho dos processos do
negócio.
43

Conceito
CRM é uma aproximação estratégica, uma
atitude face aos clientes, apoiada em
pessoas, processos, organização e sistemas.
Construir relações duradouras compreendendo
as necessidades e as preferências individuais,
gerando valor à organização e ao cliente.
44

Visão global
Satisfação do Cliente e Vantagem Competitiva
45

Grandes áreas do CRM
46
Vendas
• Simplifica e
automatiza os
processo de negócio
• Melhora e torna
mais fiáveis as
previsões de vendas
• Permite a
monitorização do
pipeline
• Ferramenta de apoio
à prospecção
Marketing
• Melhora e torna
mais eficiente o
processo de Gestão
de Leads
• Aumenta a
visibilidade e
alcance das
campanhas de
marketing
• Apoia na
identificação de
perfis
Serviço
• Registo e
acompanhamento de
questões, problemas,
reclamações,
sugestões, pedidos
de informação
• Inclui inquéritos de
satisfação do cliente

Porque é importante?
Principais Desafios das Empresas
47

Porquê o CRM?
Conhecemos os nossos clientes?
Conheço o histórico completo da relação com o cliente (ofertas, pedidos,
compras realizadas, reclamações, pagamentos …)?
Quais os clientes mais receptivos a este produto ou serviço em particular?
Com quais tenho mais lucros?
Qual o retorno real das minhas campanhas de marketing?
Estão satisfeitos com o nível de serviço oferecido?
48

Conceito
49

Benefícios
Os benefícios de fornecer ao cliente experiências excepcionais
e pessoais, são claros.
Os clientes satisfeitos:
 Tornam-se fiéis;
 Acreditam no seu fornecedor;
 Levantam menos questões;
 Compram mais produtos e serviços e com mais valor-acrescentado;
 Respondem a ofertas cross-sell e up-sell;
 São menos sensíveis ao preço que os outros.
50

O retorno do capital
Entre as vantagens específicas temos:
1. Mais serviços direccionados ao cliente e em tempo útil;
2. Maiores receitas por cliente;
3. Maior sucesso nas vendas simples e cruzadas;
4. Ciclos de vendas mais equilibrados;
5. Operações mais eficientes;
6. Previsões de vendas de melhor qualidade;
7. Menos problemas com clientes;
8. Decisões de marketing baseadas em melhores informações;
Os clientes com sistemas de CRM bem sucedidos apresentam maiores
lucros, menores custos para atrair e reter clientes, maior lealdade dos
clientese fluxos de trabalho mais fáceis e simples.
51

Demonstrações
Social CRM
Siebel Contact Center & Service
52

Sistemas de Informação
Geográficos
(SIG)
Capítulo
1
Sistemas
de
suporte
à
decisão

Definição
54
As definições são condicionadas pelo ambiente em que surgem e pela
realidade dos problemas que ajudam a resolver

Definição
55
Consoante o contexto de utilização
“Conjunto de procedimentos, manual ou automatizado, utilizados no
sentido do armazenamento, e manipulação de informação
georreferenciada.”
Aronoff (1989)
Em função do problema a resolver
“Sistema de apoio à decisão envolvendo integração de informação
georreferenciada num ambiente de resolução de problemas.”
Cowen (1988)

Definição
56
Mais redutoras
“Ferramenta com avançadas capacidades de modelação geográfica.”
Koshkariov (1989)
Mais abrangentes
“Conjunto de funções automatizadas, que fornecem aos
profissionais, capacidades avançadas de armazenamento, acesso,
manipulação e visualização de informação georreferenciada.”
Azemoy, Smith e Sicherman (1981)

Definição
57
Na realidade é um sistema especializado na modificação e análise de
informação geográfica (geo-espacial).

Componentes
58
 Hardware (PC, estações de trabalho, palmtops,...)
 Software (Prog. SIG, BD, Desenho, Estatística,…)
 Dados/Informação (2X superior ao custo do equipamento)
 Pessoas (Liveware)
 Métodos ou Procedimentos

Tecnologias relacionadas
59
 CAD – Desenho Assistido por Computador
 Cartografia numérica
 Sistema de Gestão de Bases de Dados (SGBD)
 Detecção Remota

Modelo de dados espaciais
60
Num SIG a informação
geográfica é organizada em
camadas ou níveis de
informação (layers),
consistindo cada uma num
conjunto seleccionado de
objectos associados e
respectivos atributos.

Definição
61
O mundo real pode ser
representado em forma de
imagem /raster ou de vectores

Abstração do mundo real
62

Ciclo do SIG
63

Resposta a problemas
64
 Localização Onde?
 Tendência/movimento Houve alteração?
 Rota/Proximidade Qual o melhor caminho?
 Padrões Há algum padrão espacial?
 Modelação/simulação O que aconteceria se?

Importância
65
 Facilidade de trabalhar com uma grande quantidade de
informação;
 Tempo de resposta em tempo real no apoio à decisão;
 Fácil gestão e armazenamento de dados geográficos;
 Rapidez com que a informação pode ser actualizada.

Apresentação dos dados
66

Caminho percorrido
67

Rotas/percursos
68

Utilização
69

Utilização
70
Combinando conjuntos de dados
Fontes de poluição Casos de leucemia

Marketing e SIG
71
Localização de novo restaurante (1)

Marketing e SIG
72
Localização de novo restaurante (2)

Futuro
73
Antes
• Mapas estáticos
• Baixo nível de
interactividade
• Privados
• SIG pago
Actualmente
• Mapas dinâmicos
• Muito interactivos
• Distribuição via Web
• SIG livre
• Integração SIG Livre e
de empresas privadas

Demonstrações
74
¿Qué es SIG?
Geographic Information Systems

Sistemas de suporte à decisão e tecnologias analíticas

Recomendados

Recomendados

Mais conteúdo relacionado

Semelhante a Sistemas de suporte à decisão e tecnologias analíticas

Semelhante a Sistemas de suporte à decisão e tecnologias analíticas (20)

Sistemas de suporte à decisão e tecnologias analíticas