1. Prof. Dr. Mauricio Uriona Maldonado
Business Intelligence
Departamento de Engenharia de Produção e Sistemas
Gestão Estratégica da TI

2. COMO TOMAMOS DECISÕES?
• Na medida que a rede de lojas cresceu, a
7-eleven perdeu a capacidade de decidir
sobre a quantidade de pedido aos
fornecedores;
• Problemas: vendas perdidas, lucros mais
baixos e estoque excessivo;
• Ou seja, os fornecedores decidiam quanto
produto entregar às lojas;
• Solução 1: confiar no conhecimento dos
fornecedores sobre a demanda;
• Os fornecedores procuravam maximizar o
próprio lucro.
• Solução 2: desenvolver o próprio SI e o
próprio banco de dados.
• Isto possibilitou à empresa atingir a
“inteligência de negócio” ou BI

3. Bancos
de Dados
Data
Warehouse
Business
Intelligence
COMO TOMAMOS DECISÕES?
Descoberta de
padrões e
insights (OLAP,
data mining, etc.)
Controle das
transações
Tomar decisões em
resposta aos dados e
padrões

4. STERMAN, J. Business Dynamics. Mc-Graw Hill. 2000
Mundo Real
Informação a partir
do mundo realDecisões
Modelos Mentais
do Mundo Real
Estratégias e
Regras de Decisão
BI
COMO TOMAMOS DECISÕES?

5.  É um termo “guarda-chuva”;
 Inicialmente conhecidos como sistemas de informações
executivas (SIE), o termo BI envolve um conjunto de
diferentes significados.
 Incluem arquiteturas, ferramentas, bancos de
dados, aplicações e metodologias;
 Conjunto de tecnologias que utilizam os dados para
analisar o desempenho do negócio;
 Os principais objetivos:
 Permitir o acesso interativo aos dados;
 Proporcionar a manipulação desses dados;
 Proporcionar aos gerentes a capacidade de realizar
análise sobre o desempenho do negócio.
BUSINESS INTELLIGENCE

6.  Ambiente do Data Warehouse:
 DW é um repositório central de dados históricos;
 Este ambiente é de responsabilidade da equipe técnica
(TI).
 Ambiente do Business Analytics:
 Coleção de ferramentas para manipular e analisar os
dados, incluindo data mining;
 Este ambiente é de responsabilidade dos usuários de
negócio.
 Ambiente de avaliação do desempenho:
 Monitoria e análise do desempenho com o uso de
interfaces amigáveis de usuário, conhecidas como
dashboards;
 Em geral, os dashboards são utilizados pelos gerentes de
nível médio e os da alta administração.
ARQUITETURA E COMPONENTES

7. ERP
CRM
Outros
ARQUITETURA E COMPONENTES

8. ARQUITETURA E COMPONENTES

9. LÓGICA ETL

10. Data Warehouse

11.  Sistemas de informação funcionais apresentam
dificuldades na integração das informações, em
especial, quando é necessário analisar o
histórico de um determinado “problema” ou
“situação” ou quando precisamos analisar
“tendências”;
 Apresentam também, problemas de
redundância;
 Sistemas integrados (aplicativos integrados)
ajudam a eliminar (ou reduzir) esses problemas:
 Principalmente, pela integração das informações em
data warehouses.
DATA WAREHOUSE

12. DATA WAREHOUSE

13.  DW é um banco de dados que armazena
dados correntes e históricos de potencial
interesse para os tomadores de decisão de
toda a empresa.
 Os dados originam-se de várias fontes, ou seja,
de vários sistemas legados e/ou sistemas
integrados.
 DW consolida e padroniza as informações
oriundas de diferentes bancos de dados
operacionais, de modo que possam ser
utilizadas para a análise gerencial e para a
tomada de decisões.
DATA WAREHOUSE

14.  Dados correntes e
operacionais são
extraídos de
sistemas internos.
 Esses dados são
combinados com
fontes externas e
reorganizados em
um banco de
dados central
(DW);
 O diretório de
informações
fornece aos
usuários
informações sobre
os dados
disponíveis no DW.
COMPONENTES DO DW

15.  Para um bom entendimento do funcionamento do
DW, é importante explicar as duas formas de
processamento de dados: o processamento online de
transações (OLTP); e o processamento online
analítico (OLAP);
 Os OLTP lidam com processamentos rotineiros;
 Os sistemas OLTP respondem rapidamente às solicitações
dos usuários, onde cada solicitação é considerada uma
transação, ou seja, um registro de um evento separado,
como o recibo de um estoque ou um pedido do cliente.
 A maioria dos dados operacionais dos sistemas por
funções, e inclusive dos sistemas integrados (ERP, CRM,
SCM, etc.) estão armazenados num sistema OLTP.
PROCESSAMENTO OLTP

16.  O próprio fato que torna um sistema OLTP eficiente no
processamento de transações, o torna ineficiente em
relatórios, consultas e análises ad hoc;
 Os sistemas de informação e bancos de dados eram
considerados o “buraco negro” pois as informações entravam
mas nenhum saía;
 Consultas ad hoc em tempo real eram praticamente
impossíveis.
 Todas as solicitações de relatórios precisavam ser
configuradas e programas pela equipe de TI;
 Apenas relatórios pré-definidos podiam ser gerados sem
precisar de programação de código pela equipe de TI;
 Embora os sistemas ERP dos anos 1990 facilitassem a
geração de relatórios, eles ainda estavam longe do que
precisavam os usuários finais.
PROCESSAMENTO OLTP

17.  O Processamento online analítico (OLAP) permite a
análise multidimensional dos dados, pois usa
múltiples dimensões;
 Cada aspecto da informação (preço, produto, custo,
região, etc.) representa uma dimensão.
 Dessa forma, o gerente consegue “cruzar” as
informações das diferentes dimensões em formar
um “cubo” que responda a questões específicas:
 P.ex.: a ferramenta de análise multidimensional poderia
cruzar dados de vendas por tipo de produto, numa região
determinada, num mês específico, comparar esses dados
com os do mês anterior e ainda confrontá-los com uma
previsão de vendas.
 O OLAP permite que os usuários obtenham
respostas a tempo real (online) com velocidade
razoável, mesmo quando os dados estão
armazenados em bancos de dados gigantescos.
PROCESSAMENTO OLAP

18.  A intenção dos DW é trabalhar com os
dados informativos usados nos
sistemas OLAP;
 Enquanto que consultas tradicionais a
bancos de dados respondem a
perguntas como: “Quantas unidades do
Produto X foram expedidas em
Fev/2015?”;
 O OLAP dá apoio a requisições de
informação muito mais complexas, tal
como: “Compare as vendas do produto
X com o planejado, por trimestre, e por
região de vendas, nos dois últimos
anos”.
 Para utilizar o OLAP efetivamente, os
usuários precisam ter uma boa ideia da
informação que estão procurando.
PROCESSAMENTO OLAP

19. Business Analytics

20.  Business Analytics o termo utilizado para se
referir a utilização de modelos quantitativos e
preditivos e nas decisões com base em fatos;
 Utilizam o OLAP para permitir aos usuários
criarem relatórios e consultas sob demanda e
realizarem análises de dados;
 Para realizar a análise de negócios (business
analytics), o usuário precisa de um software
chamada middleware (para acessar o data
warehouse) bem como uma interface de usuário
ao sistema;
 Outro elemento central para a BA, é a data
mining.
BUSINESS ANALYTICS

21.  Enquanto o OLAP é mais orientado a responder
a perguntas que os gerentes ou analistas de
negócios sabem que procuram, o data mining é
mais orientado a descoberta;
 Ou seja, fornece insights dos dados que não
podem ser fornecidas pelos sistemas OLAP,
descobrindo padrões e relacionamentos ocultos
em grandes bancos de dados, para prever
comportamentos futuros;
 As ferramentas de data mining ajudam a
descobrir novas e significativas correlações,
padrões e tendências através de tecnologias de
reconhecimento de padrões e métodos
estatísticos avançados.
DATA MINING

22.  Os tipos de informação que podem ser obtidos pelo data
mining incluem associações, sequencias, classificações,
aglomerações e previsões:
 Associações são ocorrências ligadas a um único evento. P.ex. Um
modelo pode revelar que quando se compram salgadinhos de
batata, compra-se também refrigerantes de cola em 65% das
vezes;
 Sequencias, referem-se a eventos ligados no tempo. P.ex. Pode-se
descobrir que, quando compra-se uma casa, em 65% das vezes
compra-se também uma geladeira no período de duas semanas;
 Classificações servem para reconhecer grupos aos quais itens
específicos pertencem. P.ex. Em negócios onde a perda de clientes
é constante – como em empresas de cartão de crédito – este
método pode ajudar a identificar as características de clientes que
provavelmente irão abandonar o serviço, e ajudar a prever esta
situação, com base em campanhas especiais e outras;
DATA MINING

23.  Aglomerações ou clustering, funciona para agrupar um conjunto de
dados, quando os grupos ainda não foram definidos. P.ex. Criar
grupos de clientes comuns, com base em dados de demografia,
investimentos pessoais e outras;
 Por fim, as previsões utilizam o conjunto de valores de dados
existentes para prever quais serão os valores futuros. P.ex. Os
modelos de previsão podem ajudar a descobrir padrões que ajudem
os gerentes a estimar melhor variáveis como o de número de vendas.
 O data mining, de forma geral, ajuda a responder perguntas
do tipo: por que aconteceu?; e se continuasse a tendência, o
que aconteceria?; O que vai acontecer?; e, o que seria o
melhor que pudesse acontecer?
 Walmart identificou uma relação insólita no banco de dados dos seus
clientes na Florida: toda vez que existia ameaça de Furação, as
pessoas estocavam maiores quantidades de cerveja e bolinhos de
morango. Walmart agora incrementou os estoques desses produtos
quando há previsão de furações.
DATA MINING

24. AÇÃO
Como devemos responder?
OPERACIONALIZAÇÃO
O que irá acontecer agora?
PREVISÃO
O que irá acontecer no futuro?
ANÁLISE
O que fez isso acontecer?
REPORTE
O que está acontecendo?
LÓGICA DO DATA MINING

25. MATURIDADE DA BA

26. Repositório de dados
(DW)
Ferramentas de
software
Análise de ambiente
Mão de obra capacitada
COMPONENTES PRINCIPAIS

27. Antes Agora
Promoções Preços e recomendações
com base em informações
dos clientes
EXEMPLOS

28. Transações de vendas – banco de dados
Entidades
Transações
Campos
DATA (DADOS)

29. Filtragem: faz uma
predição dos ítens que
um cliente gostaria de
comprar com base no
histórico passado e no
comportamento de
compra de outros
clientes.
AMAZON.COM / NETFLIX

30. https://www.youtube.com/watch?v=UoPSlIpGQPQ
SOCIAL MEDIA ANALYTICS

31. Gerenciamento de
Desempenho
Empresarial
Business Performance Management

32.  O componente final do processo de BI é o de
gerenciamento de desempenho empresarial
(business performance management - BPeM);
 Tem como base de apresentação, o modelo do
Balanced Scorecard;
 Ou seja, é uma forma de conectar métricas de nível
estratégico, como informações financeiras, ao
desempenho real de todos os outros níveis hierárquicos
dentro da organização.
 BPeM usa a análise, a geração de relatórios e as
consultas ao BI, com o objetivo de melhorar o
desempenho global da organização;
 Os BPeM incluem dashboards, que proporcionam
uma visão rápida e abrangente de desempenho,
assemelhando-se ao painel de controle de um
avião.
BPeM

33.  Os dashboards oferecem uma visão abrangente
de:
 Os KPI (indicadores-chave de desempenho);
 Tendências e exceções do desempenho do negócio,
provenientes de múltiplas áreas da empresa.
 Os gráficos mostram o desempenho real em
comparação às métricas desejadas;
 Os dashboards têm como principal objetivo,
facilitar a interpretação dos resultados (e
indicadores-chave) do negócio, tendo como
principal cliente, o executivo ou gestor de alto
nível:
 Esta característica foi incorporada dos antigos SIE,
que tinham como função oferecer aos executivos,
uma visão macro da saúde da empresa.
DASHBOARDS

34. Utiliza dashboards e relatórios – seguindo a lógica do Baçanced
Scorecard - que auxiliam os gestores no monitoramento dos indicadores
de performance.
DASHBOARDS

37.  Os principais benefícios reportados por
pesquisas, são:
 Economia de tempo;
 Melhores estratégias e planos;
 Melhores decisões táticas;
 Processos mais eficientes;
 Redução de custos;
 Geração de relatórios mais rápida e precisa;
 Melhor serviço ao cliente;
 Maior receita
BENEFÍCIOS DA BI

38.  Alguns fornecedores de BI:
 Oracle: Siebel, Hyperion, Brio, Sun
 SAP: Business Objects, Sybase
 IBM: Cognos, SPSS, Coremetrics, Unica,
Netezza
 EMC: Greenplum
 HP: Vertica
 Teradata: Aster Data
 Vendedores independentes: MicroStrategy,
Informatica, SAS
PRINCIPAIS FORNECEDORES DE BI

39. • LA-Cap05
• PS-Cap11
• TU-Cap01-BI
REFERÊNCIAS BIBLIOGRÁFICAS
This work is licensed under a Creative Commons Attribution-
NonCommercial-ShareAlike 4.0 International License.

40. Prof. Dr. Mauricio Uriona Maldonado
Business Intelligence
Departamento de Engenharia de Produção e Sistemas
Gestão Estratégica da TI