Business Intelligence

1. Business Intelligence (BI)
6

2. Conceito
• Termo introduzido em 1989 por Howard Dresner, membro do Gartner
Group, para descrever um conjunto de conceitos e métodos para
melhorar as decisões de negócio baseadas em fatos apoiados por
sistemas de informação.
• Business intelligence (BI) é um termo guarda-chuva que inclui
aplicações, infraestrutura, ferramentas e melhores práticas que
permitem o acesso à e a análise de informações para melhorar e
otimizar decisões e desempenho (IT Glossary – Gartner).
7

3. Atividade analítica a partir de um início simples
A Venda de
Cerveja em
números!
8

4. Crescimento da atividade analítica a partir de um
início simples
Clima
Feriados
Eventos
Esportivos
Venda de
Cerveja
Venda de
Cerveja
1
2
Dimensionan
do...
9

5. Crescimento da atividade analítica a partir de um
início simples
Clima
Feriados
Eventos
Esportivos
Venda de
Cerveja
Região
-Bares
-Restaurantes
-Mercado
-Outros
3
Temperatura
Sucesso/
Fracasso
10

6. Crescimento da atividade analítica a partir de um
início simples
Clima
Feriados
Eventos
Esportivos
Venda de
Cerveja
Região
-Bares
-Restaurantes
-Mercado
-Outros
4
Temperatura
Sucesso/
Fracasso
O que é mais consumido junto?
Fralda
Batata frita
Cigarros
Consumo
Bar
Pack 6
Lata
Garrafa 11

7. Exemplo de arquitetura de BI
12

8. Glossário
• ETL (Extract, Transform, Load): softwares que extraem os dados de diversos
sistemas, transformam esses dados conforme regras de negócio, e carregam
esses dados no DW;
• Data Warehouse (DW): é uma arquitetura de armazenamento projetada para
conter dados extraídos de sistemas de transação, armazenamentos de dados
operacionais e fontes externas. Em seguida, o depósito combina esses dados em
um formulário agregado e resumido, adequado para análise e relatório de dados
em toda a empresa para necessidades de negócios pré-definidas;
• OLAP (Online Analytical Processing): capacidade de manipulação e análise de
grande volume de dados sob múltiplas perspectivas;
• Data Mart: sub-conjunto de dados de um DW, geralmente organizados por
assunto (vendas, controladoria, etc) ou nível de sumarização (anual, mensal, etc).
13

9. 14

10. Fonte:
Purificação
(2012)
15

11. Fonte:
Purificação
(2012)
16

12. Big Data
17

13. Conceito
• Termo definido por Doug Laney no começo dos anos 2000, definindo
o big data em 03 Vs:
• Volume: organizações coletam dados de fonts variadas;
• Velocidade: dados são transmitidos numa velocidade sem precedentes e
devem ser tratados em tempo hábil;
• Variedade: dados são gerados em inúmeros formatos, de estruturados
(bancos de dados tradicionais) a não-estruturados (texto, vídeo, áudio).
• Big data são ativos de informação com alto volume, alta velocidade e/
ou alta variedade que demandam formas inovadoras e de custo
efetivo para processamento de informação, permitindo uma visão
aprimorada, uma melhor tomada de decisão e a automação do
processo (Gartner).
18

14. Fonte: Hoppen
(2016)
19

15. Fonte: Danko
(2016)
20

16. Fonte: Daniel (2017)
21

17. Data Mining
22

18. Conceito
• Data mining é o processo de descoberta de correlações, padrões e
tendências significativos peneirando grandes quantidades de dados
armazenados em repositórios. Emprega tecnologias de
reconhecimento de padrões, bem como técnicas estatísticas e
matemáticas.
23

19. 24

20. Técnicas do DM
• Associação: eventos inter-relacionados;
• Ex: a influência, na venda de salgadinhos, quando a lata de refrigerante está em promoção.
• Sequência: eventos inter-relacionados ao longo do tempo;
• Ex: após mudarem-se para uma casa nova, há um padrão de compra de micro-ondas 15 dias
após a mudança, e de uma geladeira 30 dias após a mudança.
• Classificação: separação por critério pré-definidos;
• Ex: separação de peças defeituosas num processo de fabricação;
• Clustering: separação sem critérios pré-definidos.
• Ex: perfil e comportamento do consumidor.
25

21. Usos de DM
• CRM (Customer Relationship Management)
• Análise da cesta de compras (tendências e hábitos de consumo);
• Projeção de vendas;
• Segmentação da audiência.
• Detecção de fraude
• Cartão de crédito;
• Plano de saúde.
• Segmentação de clientes
• Interesses;
• Tendências e preferências;
• Necessidades;
• Hábitos;
• Padrões de comportamento em geral.
26

22. Usos do DM
• Healthcare
• Análise de pesquisas.
• Análise da cesta de compras
• Agrupamento de itens.
• Análise preditiva/ projeção
• Análise de regressão;
• Classificação;
• Clustering;
• Regras de associação.
27

23. Usos do DM
• Gestão de risco
• Análise de diferentes opções;
• Aptidão de candidatos para determinada vaga.
28

24. Apenas para conceituar:
Data Science
29

25. Conceito
• DJ Patil (Linkedin) e Jeff Hammerbacher (Facebook) cunharam o
termo “cientista de dados” em 2008.
• Campo interdisciplinar de inferência de dados, construção de
algoritmos e de sistemas para obter insights a partir de dados.
30

26. 31

27. Business Analytics
32

28. Conceito
• Tem sido usado desde o fim do Século XIX, quando foi posto em
prática por Frederick Winslow Taylor.
• Business analytics é composto de soluções usadas para construir
modelos de análise e simulações para criar cenários, compreender
realidades e prever estados futuros. Inclui mineração de dados,
análise preditiva, análise aplicada e estatísticas, e é entregue como
um aplicativo adequado para um usuário corporativo.
• Uso de conceitos estatísticos para extrair insisghts de dados de
negócio.
33

29. Fonte: Dragon1
(2016)
34

30. Fonte:
DataScience
(2018)
35

31. 36

32. 37

33. 38

34. 39

35. 40

36. 41

37. 42

38. Cases
• Empresa: American Honda Motor Co.
• Segmento: montadora de automóveis (EUA).
• Utilização: aprimorar reivindicações de garantia e prever o uso de
peças e serviços.
• Resultados:
• 99% de precisão na previsão da demanda;
• Análises de pedidos 3x mais rápidas;
• Custo de mão-de-obra reduzida;
• Atendendo 1200 concessionárias nos EUA.
• Soluções: business analytics; BI; projeção.
43

39. Cases
• Empresa: SciSports
• Segmento: empresa de análise de esportes (Holanda).
• Utilização: análise em tempo real de dados de streaming de futebol.
• Resultados:
• 01 plataforma online com dados de 244 ligas do mundo;
• 90.000 jogadores ativos analisados no índice SciSkill toda semana;
• 14 câmeras ao redor do campo para obter o movimento do jogador em
tempo real.
• Soluções: data mining; machine learning.
44

40. Cases
• Empresa: WWF (World Wildlife Fund)
• Segmento: ONG (EUA).
• Utilização: maximizar as contribuições de doações enquanto minimiza os
custos.
• Resultados:
• Doações aprimoradas para correspondências individuais em 25%, otimizando
campanhas individuais;
• Aumento da receita líquida ao reduzir o envio de 500.000 correspondências;
• Redução de correspondências duplicadas como economia significativa;
• Economias significativas em taxas anuais, não precisando mais dos serviços de uma
empresa de consultoria externa.
• Soluções: business analytics; gestão e qualidade de dados.
45

41. Cases
• Empresa: DETRAN-PA
• Segmento: governo – trânsito (Brasil).
• Utilização: detecção de fraudes e gestão de processos.
• Resultados:
• 26.224 CNHs canceladas devido a fraudes na emissão.
• Soluções: business analytics.
46

42. Cases
• Empresa: NVM (Associação Holandesa para Corretores e Especialistas
Imobiliários)
• Segmento: serviços imobiliários (Holanda).
• Utilização: melhorar os insights para corretores imobiliários.
• Resultados:
• 4.100 membros;
• 75% de casas holandesas vendidas pelos membros da NVM;
• Centenas de relatórios ricos em insights.
• Soluções: business analytics.
47

43. Cases
• Empresa: Departamento de Serviço Social do Município de New
Hanover (Carolina do Norte)
• Segmento: governo – prefeitura (EUA)
• Utilização: avaliação de risco contínua de crianças.
• Resultados:
• 300 casos de abuso e negligência triados mensalmente;
• 1º programa desse tipo na Carolina do Norte;
• US$ 1.1 milhão economizados anualmente.
• Soluções: dashboards.
48

44. Cases
• Empresa: CEMIG
• Segmento: governo – energia elétrica (Brasil).
• Utilização: detecção e mitigação de perdas financeiras relacionadas à
roubo de eletricidade, erros nas contas e falhas de medição.
• Resultados:
• Detecta mais de 50% dos casos de fraude de energia;
• Aponta o desvio de energia (perda não técnica);
• Identifica falhas técnicas em metros (perda técnica);
• Economia de cerca de US$ 420.000 por mês.
• Soluções: data mining.
49

45. Cases
• Empresa: Universidade do Tennessee
• Segmento: universidade (EUA).
• Utilização: coleta e análise de dados para ajudar os educadores a
construir plano específico para estudantes visando crescimento e
metas acadêmicas individuais.
• Resultados:
• Os educadores podem medir o crescimento individual de cada estudante
anualmente e prever o desempenho acadêmico, ganhando e identificando
oportunidades para melhorar o potencial de cada criança.
• Soluções: análise preditiva.
50

46. Cases
• Empresa: Crouse Hospital
• Segmento: hospital (EUA)
• Utilização: melhoria na qualidade dos cuidados médicos.
• Resultados:
• 1887 operações realizadas;
• 500 leitos;
• 1º prestador de cuidados de maternidade em Nova York;
• 60% de redução nas infecções pós-operatórias.
• Soluções: business analytics visual.
51

47. Cases
• Empresa: Umstead Hotel and Spa
• Segmento: hotelaria (EUA).
• Utilização: Impulsionar relacionamentos mais duradouros com clientes
através de experiências personalizadas; entender e antecipar as
necessidades do cliente; criar uma visão unificada de cada convidado.
• Resultados:
• Proporcionou um serviço melhor e mais antecipado aos hóspedes por meio de um
conjunto unificado de dados sobre atividades anteriores dentro do hotel;
• Três sistemas integrados contendo informações dos hóspedes: reservas (Opera), spa
(SpaSoft) e refeições (OpenTable);
• Redução dos perfis duplicados em 52% e descoberta de novas áreas de segmentação
para marketing.
• Soluções: gestão de dados.
52

48. Cases
• Empresa: Força Aérea espanhola
• Segmento: governo – militar (Espanha).
• Utilização: calcular precisamente o custo de cada atividade e serviço
desempenhado.
• Resultados:
• Completo entendimento de todos os elementos envolvidos numa atividade e
poder identificar seus custos reais, resultando numa melhor alocação de
orçamento.
• Soluções: business analytics.
53

49. Cases
• Empresa: Nestlé Oceania
• Segmento: indústria de nutrição, saúde e bem-estar.
• Utilização: dificuldade para planejar, de forma consistente e precisa, a
demanda de venda em torno de promoções.
• Resultados:
• Melhorou a precisão do planejamento de demanda;
• Visão mais holística do impacto de uma promoção em toda a empresa;
• 6.000 funcionários, 12 fábricas, 05 CDs, 20 escritórios.
• Soluções: projeção.
54

50. Referências
• DRAGON1. Data Architecture Reference Model. 2016. Disponível em:
https://www.dragon1.com/watch/272083/data-architecture-reference-model. Acesso
em 23/04/2019.
• DANIEL, C. Speed, security and trust for your big data. 2017. Disponível em:
https://blogs.sap.com/2017/09/21/speed-security-and-trust-for-your-big-data/. Acesso
em 24/04/2019.
• PURIFICAÇÃO, M.C.S. Business Intelligence & Business Analytics. 2012. Disponível em
:https://www.slideshare.net/mscesar/business-intelligence-business-analytics. Acesso
em 23/04/2019.
• DANKO, J. Big Data: From Hype to Insight - Part 1 Landscape and Architecture. 2016.
Disponível em: https://blogs.oracle.com/financialservices/big-data:-from-hype-to-
insight-part-1-landscape-and-architecture. Acesso em: 23/04/2019.
• DATASCIENCE. A Visual Guide to Analytics, Data Science, Business Intelligence, Machine
Learning, and AI. 2018. Disponível em: https://www.datascience.com/blog/data-science-
vs-business-intelligence-machine-learning-ai . Acesso em: 23/04/2019.
56