Business Intelligence: Inteligncia nos Negcios

Iris Fabiana de Barcelos Tronto, Ana Cludia Araujo, Jos Demso Simes da Silva, Nilson Santanna*
Ministrio da Cincia e Tecnologia MCT
Instituto Nacional de Pesquisas Espaciais INPE
Laboratrio Associado de Computao e Matemtica Aplicada LAC/CAP
E-mail: iris_barcelos@lac.inpe.br
Resumo
Este artigo apresenta os principais conceitos de BI-
Business Intelligence e sua aplicao para a soluo de
problemas prticos de uma corporao. Neste contexto,
dada nfase ao conceito de Data Mining, uma das
ferramentas utilizadas por BI que utiliza, dentre outras
tcnicas, rvores de Deciso e tcnicas de Inteligncia
Artificial, tais como Algoritmos Genticos e Redes Neurais
em sua implementao.
Abstract
This paper presents the main concepts of BI- Business
Intelligence and its application to solve enterprise practical
problems. In this context, focalize the concept of Data
Mining, which is one tool used at BI. Data Mining uses
Answer Trees and techniques of Artificial Intelligence, for
example, Genetic Algorithms and Neural Works in its
implementation.
1. Introduo
O acelerado crescimento tecnolgico e conseqente
informatizao das empresas possibilitou avanos
operacionais nos negcios. medida que o Hardware
ficou mais barato e de melhor desempenho, grandes
sistemas foram criados, possibilitando transaes rpidas e
eficientes, resultando na gerao de grandes volumes de
dados. Estes so armazenados em repositrios, que
possuem uma caracterstica comum: a dificuldade de
extrao de informao. Importantes informaes ficam
armazenadas dentro da prpria empresa, sendo seu acesso
muito difcil. A partir disso no difcil de se concluir que
este processo gradativo de implantao de sistemas
informatizados produziu mltiplos estoques de dados, com
lgicas prprias e dificuldades de consolidao.
O conceito de Business Intelligence (BI) surgiu para
resolver estes problemas e consiste de uma vasta categoria
de tecnologias e programas aplicativos utilizados para
extrair, armazenar, analisar e transformar grandes volumes
de dados, produzindo um ambiente de conhecimento, onde
h produo sistemtica de informao gerencial, veloz e
consistente, capaz de auxiliar empresas a tomarem as
melhores decises nos negcios, baseado em fatos reais,
com profundidade suficiente para descobrir as causas de
uma tendncia ou de um problema.
Business Intelligence tem como principais
caractersticas:
- A capacidade de extrair e integrar dados de mltiplas
fontes.
- A transformao dos registros obtidos em informao
til para o conhecimento empresarial.
- A valorizao da experincia.
- A anlise de dados contextualizados.
- A procura de relaes de causa e efeito, trabalhando
com hipteses e desenvolvendo estratgias e aes
competitivas.
A construo de um ambiente de Business Intelligence
requer dados dos vrios sistemas informatizados
operacionais existentes na empresa. O conjunto de dados
coletados matria-prima para uma srie de
transformaes, cujo produto final carregado no Data
Warehouse (depsito de dados). So criadas visualizaes
gerenciais que possibilitam que as decises gerenciais
sejam tomadas em tempo real. As aplicaes de Business
Intelligence, que utilizam as informaes armazenadas em
um Data Warehouse, podem incluir consultas e relatrios,
anlises OLAP (On-Line Analytical Processing), anlises
estatsticas, previses, Balanced Scorecard e Data Mining.
O conceito de Data Mining surgiu com objetivo de
melhorar o uso das informaes armazenadas em um Data
Warehouse, utilizando algoritmos inteligentes que possam
selecionar os padres mais relevantes para certas
aplicaes. Dentro deste contexto algumas tcnicas como
rvore de Deciso, Algoritmos Genticos e Redes Neurais
so utilizados.
Este trabalho est organizado em cinco sees. A Seo
2 apresenta os principais conceitos relacionados a Business
Intelligence. Visto que o objetivo principal deste trabalho
explorar a aplicao de Inteligncia Artificial em Business
Intelligence, ser enfocada a ferramenta de Data Mining,
cujos conceitos fundamentais so apresentados na Seo 3.
Na Seo 4 abordado um exemplo de aplicao de
Business Intelligence. Finalmente, a Seo 5 apresenta as
concluses deste trabalho.
2. Business Intelligence
Chegou a era da fidelizao, da customizao, da
seduo do cliente e da Inteligncia aplicada aos negcios.
Assim sendo, os grandes bancos de dados corporativos
comearam a produzir variantes, como os Depsitos de
Dados (Data Warehouse), com o objetivo de entregar aos
tomadores de deciso, a informao na forma mais precisa
e utilizvel possvel. Os dados que at ento eram simples
representantes de fatos comuns como nome, endereo,
telefone, dentre outros, hoje se sofisticam na representao
de imagens, vdeos, sons, dados temporais, indicadores
econmicos, planilhas, pginas HTML e estruturas XML,
acompanhando as mudanas solicitadas por uma sociedade
agora alavancada por outras indstrias, como
entretenimento, comunicao e comrcio eletrnico.
A informtica fez os dados, depois os transformou em
informao. Agora o objetivo usinar conhecimentos, a
partir daquelas matrias-primas. BI representa a habilidade
de se estruturar, acessar e explorar informaes,
normalmente guardadas em DW/DM (Data Warehouse,
Data Marts) com o objetivo de desenvolver percepes,
entendimentos e conhecimentos, os quais podem produzir
um melhor processo de tomada de deciso.
o conceito de Data Mining (garimpagem de dados)
que objetiva melhorar o uso desses gigantescos arsenais de
informao atravs da identificao de padres de
correlao normalmente invisveis em anlises
convencionais. Indicadores de produtos comprados em
conjunto ou de padres de fraudes praticadas ajudaro os
gerentes de empresas, no seu cotidiano, a descobrir
sinuosas correlaes que certamente o levaro a melhor
dispor a gndola do seu mercadinho, ou modificar os
critrios de anlise de riscos de uma proposta de
emprstimo.
Vive-se a era do BI-Business Intelligence, com a
informao usinada a partir dos dados sendo diretamente
aplicada aos negcios [1]. Assim como a rea de gerncia
de conhecimento (KMS-Knowledge Management System),
BI visa criar estoques de dados e fatos que suportem
processos decisrios fundamentais.
Enquanto as duas abordagens acima visam olhar para
dentro da empresa, existe uma terceira que visa observar o
mundo exterior da empresa. o conceito de CI-
Competitive Intelligence. Pode-se entender CI como um BI
aplicado ao mundo fora das fronteiras empresariais, focado
primariamente em informaes textuais e factais que dizem
respeito aos movimentos do mercado e dos concorrentes. A
estratgia de CI passa pelas vizinhanas dos conceitos de
KMS e se acopla aos de Mining.
A proposta de BI acopladas com as de CRM (Costomer
Relationship Management) e SCM (Supplay Chain
Management) de se concentrar em prol dos clientes algo
que parece definitivo. SCM representa os processos de
produo e entrega do produto final, do fornecedor para o
cliente. CRM so os sistemas, aplicativos e as tecnologias
devotadas ao tratamento com o cliente da empresa, com o
objetivo de melhorar as aes de marketing, vendas e
servios.
Um novo conceito emerge na indstria da informtica:
EAI (Enterprise Application Integration), que pode ser
traduzido como a integrao de aplicaes corporativas.
Neste trabalho, o conceito de Business Intelligence
apresentado segundo os conceitos de Data Warehouse[7],
Data Mart[1] e Data Mining[5], cobertos na prxima
seo.
2.1. Data Warehouse, Data Mart e Data Mining
Os dados que habitam os tradicionais sistemas legados
recentemente implementados, ERP (Enterprise Resource
Planning), ou pacotes integrados de gesto, que constituem
a base dos processos de negcios das empresas, esto
formatados e estruturados da forma transacional,
dificultando, dessa maneira, o seu tratamento
informacional. Assim, BI deve ser entendido como o
processo de desenvolvimento de:
- Estruturas especiais de armazenamento de informaes
como Data Warehouse (DW), Data Mart(DM) e ODS
(Operational Data Store), com o objetivo de se montar
uma base de recursos informacionais, capaz de sustentar
a camada de inteligncia da empresa e possvel de ser
aplicada aos seus negcios, como elementos
diferenciais e competitivos. Juntamente com o conceito
de DM, DW, OSD, o conceito de BI contempla tambm
o conjunto de ferramentas ETC - Extrao, Tratamento
e Carga, fundamentais para a transformao do recurso
de dados transacional em informacional. Enquanto DW
e DM se referem estruturas dimensionais de dados,
remodeladas com o objetivo de prover anlises
diferenciais, o conceito de OSD, por sua vez, est
relacionado ao armazenamento e tratamento de dados
operacionais, de forma tambm consolidada, porm sem
as caractersticas dimensionais. O ODS alm de
representar a metade do caminho entre o legado e o
DW, tambm oferece informaes importantes do ponto
de vista decisrio, devido a sua caracterstica de
consolidao e integrao de vrias fontes de dados.
- Aplicaes especiais de tratamento de dados, como
OLAP e Data Mining. O termo OLAP (On-Line
Analytical Processing), hoje muito difundido, traduzido
para processamento analtico on-line, representa essa
caracterstica de se trabalhar os dados, com operadores
dimensionais, possibilitando uma forma mltipla e
combinada de anlise. O conceito de Data Mining por
outro lado, est mais relacionado com os processos de
anlise de inferncia do que com os de anlise
dimensional de dados e representa uma forma de busca
de informao baseada em algoritmos que objetivam o
reconhecimento de padres escondidos nos dados e no
necessariamente revelados pelas outras abordagens
analticas, como OLAP.
A Figura 1 mostra esquematicamente os
componentes de Data Warehouse, Data Mart, ODS e
Ferramentas (entre as quais as de Mining), compondo o
mosaico de BI. Alm dos depsitos de dados na forma
consolidada de Data Warehouse ou por assuntos/
negcios (como Data Marts) e o ODS, aparece tambm
a camada fundamental de ETC-Extrao,
Transformao e Carga, responsvel pelas aes de
coleta, limpeza, preparao e carga desses depsitos de
informaes. Os processos de Mining trabalharo sobre
um extrato de dados especialmente preparado para esta
forma de tratamento.
Figura 1 Componentes de um ambiente de BI- Business
Intelligence [1]
2.2. Mercado e Ferramentas de BI
As ferramentas para um ambiente de BI-Business
Intelligence podem ser classificadas como de Construo,
Gerncia, Uso e Armazenamento.
As ferramentas de construo tm o objetivo de auxiliar
no processo de Extrao de dados das fontes diversas, seu
tratamento de preparao, transformao e sua carga nas
estruturas finais do DW/DM.
As ferramentas de Gerncia objetivam auxiliar o
processo de armazenamento e utilizao dos DW/DM e do
repositrio, onde residem as informaes de meta-dados,
responsveis pela definio das estruturas e dos processos
de transformao desejados. .
As ferramentas de uso so, na essncia, os mecanismos,
atravs dos quais os usurios manipulam os dados nos
DW/DM e obtm as informaes requeridas. Oferecem um
arsenal de operadores, dentre outros drill-down, up, cross,
through e trabalham em interfaces Web. O conceito de
Data Mining est presente neste tipo de ferramenta.
O mercado de BI aponta para valores bastante
significativos para os primeiros anos do novo milnio.
Com o crescimento vertiginoso do conceito de BI e com a
forte tendncia de fuses e aquisies, o mercado de BI
ser bastante disputado nos prximos anos. A Computer
Associates fortaleceu o seu arsenal de BI com as aquisies
da Platinum e da Sterling que, por sua vez, j haviam
comprado outras empresas menores. Agora, a Computer
Associates dever integr-las em um mosaico de BI [1]. A
Oracle desenvolveu um poderoso conjunto de Ferramentas
BI, iniciando com a aquisio da Oracle Express, seguido
de outras ferramentas na rea de Mining (Darwin da
Thinking Machines).
No cenrio de produtos que estaro brigando pelo
mercado emergente de BI, certamente dois produtos iro
catalisar a ateno dos desenvolvedores de DW e DM, e
influenciaro diretamente nos processos de anlise e
escolha de solues OLAP para as empresas: o BW-
Business Information Warehouse, da SAP e o MS-SQL
Server Analysis Services, da Microsoft.
3. Data Mining
Um dos grandes problemas dos especialistas em anlise
de informao a transformao de dados em informao.
Como fazer isso de uma forma automatizada, e no menor
tempo possvel? Uma das respostas para isso a
combinao de estatstica convencional e tcnicas de
inteligncia artificial, que resulta em uma tcnica muito
comentada nos dias de hoje, o Data Mining.
Os processos de Data Mining so extremamente
complexos, alm de ser um trabalho que dificilmente ser
resolvido apenas por um especialista em Data Mining. Em
qualquer projeto de Data Mining obrigatrio a existncia
de um profissional com o conhecimento do negcio, pois
ele possui domnio total do assunto. Para evitar que a
resultado da modelagem no tenha a menor utilidade para
apoiar uma deciso.
Segundo Naliato [9], o conceito de Data Mining flutua
entre uma forma de estatstica e um conceito
revolucionrio, agora aplicado ao mercado. Na verdade, o
objetivo desta tcnica encontrar padres, ainda no
descobertos nos dados, que possam gerar respostas corretas
para novos casos. Este processo de busca e interpretao
de padres tipicamente interativo e iterativo, envolvendo
a aplicao repetitiva de mtodos especficos de minerao
de dados ou algoritmos e interpretaes dos padres
gerados como resultado destes algoritmos.
A Figura 2 mostra, numa viso geral, os passos
principais de um projeto de Data Mining. No esquema
esto os grandes blocos do projeto, com as fases de
Preparao, Minerao, Anlise e Aplicao.
A fase de preparao consiste de atividades que vai
desde a construo de um banco de dados, separado, para
os dados sujeitos ao Mining at a atividade de carregar o
banco de dados para o processo de Mining. A preparao
dos dados a serem utilizados num projeto vai variar de
acordo com o algoritmo de Mining escolhido. Dependendo

Financeira Recursos Humanos Distribuio
Query/Report
EIS
Rolap
Molap
Mining
Dados
Operacionais
Integrao
Botton-up

Consolidao
Ferramentas

ODS
Operacional
Data
Store Extrao Transformao -Carga


Data Mart


Data Mart


Data Mart


Mining
D D D D

rea-1

rea-2

rea-3

Data Warehouse
deste algoritmo, os dados sero formatados de maneiras
diferentes. Este processo de preparao dos dados
determinante no sucesso do Data Mining e costuma
consumir muito tempo e recurso.
A fase de minerao responsvel por criar os modelos
de Data Mining, definir amostras ou populao e
selecionar dados para treinar o modelo. Alm disso, aqui
dever ser definida a formatao requerida pelas
ferramentas. Por exemplo, redes neurais exigem dados na
forma dicotmica (sim/no) e rvore de deciso demanda
agrupamentos, como bom, mdio e ruim. Por fim, cria os
previsores ou atributos-chave para a anlise do negcio.
Alguns modelos bsicos de garimpagem de dados
podem ser utilizados na fase de anlise tais como:
- Regras de associao: So regras que so formadas
com informaes existes na base de dados. So
relacionamentos que na grande parte das vezes no so
conhecidos pelo detentor do negcio.
- Classificao: so processos utilizados para se definir
grupos ou classes de elementos, baseado em certos
parmetros pr-estabelecidos.Vrias abordagens so
usadas para definir modelos de referncia (redes
neurais, rvores de deciso, baseados em regras), sendo
que algumas permitem a definio explcita da classe
(rvore de deciso) e outras o seu modelo implcito
(redes neurais).
- Padres Seqenciais: so processos que visam a
identificao de fatos que implicam em outros fatos, em
momentos diferentes de tempo.
- Agregao: tem como objetivo a obteno de
agrupamentos baseados na similaridade apresentada
pelos dados.
Figura 2 Viso geral do processo de Data Mining [1].
Estes modelos de garimpagem de dados podem ser
usados de forma integrada, realizando anlises em cascata,
com operadores aplicados sobre resultados de outros. Isso
pode ser visto em [2].
Depois de definido e testado o modelo, ocorre a fase de
aplicao, que se d pela utilizao daqueles algoritmos
ajustados em situaes reais de sistemas. Alguns produtos
permitem que seja produzido um cdigo fonte, resultante
dos modelos e algoritmos definidos e compilados, que
poder ser incorporado em sistemas tradicionais e
invocado para a execuo das anlises requeridas. As
Sees 3.1, 3.2 e 3.3 abordam algumas aplicaes de Data
Mining.
Existem vrias tcnicas de Data Mining que podem
ajudar as empresas a encontrar informaes para fomentar
a sua tomada de deciso. Heinrichs & Lim [6] utilizam a
tcnica de Anlise de Regresso em seu trabalho sobre
ferramenta de Data Mining baseado na Web. Outras
tcnicas como Anlise de Conglomerados, Mtodos
Preditivos com Sries Temporais, rvore de Deciso,
Redes Neurais e Algoritmos Genticos so importantes.
Essas trs ltimas so apresentadas a seguir. Resta aos
especialistas identificar a melhor tcnica para o seu
problema.
3.1. rvore de Deciso
A rvore de deciso uma tcnica que, a partir de uma
massa de dados, cria e organiza regras de classificao e
deciso em formato de diagrama de rvores, que iro
classificar suas observaes ou predizer resultados futuros.
Se seus dados estiverem divididos em classes dicotmicas,
por exemplo, infectados contra no-infectados, um rvore
de deciso pode ser construda para criar regras que
classifiquem casos j existentes ou casos novos, com
preciso.
Comea com um nico grupo que rene todos os casos
em estudo. Na medida em que a rvore vai se expandindo,
esta base dividida em mdulos que representam
categorias das variveis analisadas. Cada galho da rvore
formado por esses ndulos que vo se abrindo em
subgrupos mutuamente exclusivos. Cada ndulo e cada
galho apresentam uma proporo de obteno da resposta
em estudo.
O emprego de rvore de Deciso abrangente e se d
nas seguintes abordagens:
a) Segmentao: Identificao de grupos baseando-se na
identificao de caractersticas em comum
apresentadas pelos elementos. Por exemplo, em
segmentao de mercado.
b) Estratificao: Determinao de regras para que se
possa designar cada caso a uma dentre vrias
categorias existentes, como por exemplo classificar
um cliente tomador de crdito em grupo de risco
elevado, risco mdio, risco baixo.
c) Predio: Criao de regras para aplicao em eventos
futuros. Podendo ser usada tambm para identificar
relaes entre atributos preditivos e valore de uma
varivel contnua. Por exemplo, a identificao de


Dado
preparado
! ? ! ?
DW/DM
Outros dados
internos
Dados externos
Conjunto total
de dados
Preparao Minerao
Anlise
Aplicao
quais aes de marketing podero levar a um aumento
significativo nas vendas.
d) Reduo de dados e filtro de variveis: podem ser
utilizadas para identificar quais variveis tm mais
influncia sobre a resposta, diminuindo assim o
volume de variveis em estudo.
e) Identificao de Interaes: identificao de interaes
pertinentes somente em determinados subgrupos e
especificaes destas em modelos paramtricos
formais.
f) Mero de categorias e discretizao de variveis
contnuas: significa a possibilidade de recodificao
de variveis categricas e contnuas com perda
mnima de informao.
rvores de Deciso podem ser aplicadas em vrias
reas. Alguns exemplos tpicos de sua aplicao so
apresentados em [1]. Dentre eles, se destacam: Mala
Direta; Credit Scoring (tambm conhecida como
escoragem de crdito); Anlise de Mercado; Controle
de Qualidade; Recursos Humanos; Pesquisas Mdicas e
Estudos de Polticas Internas.
3.2. Redes Neurais
As Redes Neurais so uma tecnologia cada vez mais
usada em Data Mining. Sua grande vantagem est
basicamente em sua habilidade de aprendizagem a partir
das experincias, no ficando restritas a uma ordem
seqencial pr-fixada. Elas consistem em algoritmos e
procedimentos computacionais que imitam a capacidade
de aprendizagem do crebro. Esta tcnica formada de
ndulos cujo processamento se assemelha ao dos
neurnios, da seu nome. No considerada uma
tcnica estatstica por no apresentar a robustez de uma.
No oferece estimadores definidos e o comportamento
de uma rede neural, com certa massa de dados, nem
sempre se repetir com outra.
Os ndulos so conectados como uma rede e
funcionam paralelamente. A primeira fase de ndulos
composta pelos ndulos de entrada. Eles recebem o
imput das variveis fornecidas pelo banco de dados,
transformam-no de acordo com uma funo (chamada
funo de ativao), produzindo informao de sada
que ser enviada prxima fase de ndulos. Esta, por
sua vez, receber diversas informaes dos ndulos de
entrada como seu input. Esta fase formada pelos
ndulos ocultos, que, em redes neurais mais complexas,
podem formar diversas camadas. Por fim, tem-se os
ndulos de sada. Estes processam as informaes
recebidas e produzem uma resposta, mas no a enviam
para outro ndulo, pois j o resultado final da rede. Se
a rede de classificao, o ndulo de sada j o final.
Para o caso de modelos de previso, o ndulo de sada
j representa um valor preditivo.
importante salientar que no existe uma tcnica
universalmente melhor que todas. O sucesso do Data
Mining depende muito da experincia e sensibilidade do
pesquisador, o qual ter que identificar qual a melhor
ferramenta a ser utilizada, de acordo com o tipo de
resposta procurada e com o modo em que se encontram
seus dados. Por isso, os exemplos de aplicaes dos
mtodos relacionados neste trabalho podem se repetir.
A tcnica de Redes Neurais pode ser aplicada em
Data Mining para resolver problemas relacionados a:
Marketing; Modelos Preditivos; Vendas; Finanas;
Energia e; Produo. Exemplos dessas aplicaes so
apresentados em [1].
3.3. Algoritmos Genticos
Algoritmos genticos, AGs, so mtodos de otimizao
e busca inspirados nos mecanismos de evoluo de
populaes de seres vivos [8]. Esses algoritmos seguem o
princpio da seleo natural e sobrevivncia do mais apto,
declarado em 1859 pelo naturalista e fisiologista ingls
Charles Darwin em seu livro A Origem das Espcies.
Otimizao a busca da melhor soluo para um dado
problema, visando economizar os recursos desprendidos,
sejam eles financeiros, tempo, etc. Consiste em tentar
vrias solues e utilizar informao obtida neste processo
de forma a encontrar solues cada vez melhores.
O primeiro passo de um Algoritmo Gentico tpico a
gerao de uma populao inicial de cromossomos. Esta
populao formada por um conjunto aleatrio de
cromossomos, que representam possveis solues do
problema a ser resolvido. Durante o processo evolutivo,
esta populao avaliada e cada cromossomo recebe uma
nota (denominada de aptido), refletindo a qualidade da
soluo que ele representa. Em geral, os cromossomos
mais aptos so selecionados e os menos aptos so
descartados (darwinismo). Os membros selecionados
podem sofrer modificaes em suas caractersticas
fundamentais atravs dos operadores de crossover e
mutao, gerando descendentes para a prxima gerao.
Este processo repetido at que uma soluo satisfatria
seja encontrada.
Pesquisas mais recentes apontam para uma tendncia de
utilizao de Algoritmos Genticos Hbridos, em que
algoritmos Genticos so combinados com outras tcnicas
como, por exemplo, rvore de Deciso, Data Mining.
Debora [3];[4] prope uma soluo para o problema de
desbalanceamento de classes em uma base de dados,
baseada no uso de um mtodo hbrido com Algoritmos
Genticos e rvore de Deciso. Neste caso, o Algoritmo
Gentico age como um Wrapper usando a sada do
algoritmo de rvore de Deciso, para a obteno da funo
objetivo das populaes de indivduos.
4. Aplicaes de Business Intelligence
A SPSS uma empresa que lidera tecnologias em Data
Mining e aplicaes analticas para melhorar a tomada de
decises. Tais aplicaes atendem os objetivos do conceito
de Business Intelligence, que tem como premissa auxiliar
organizaes no gerenciamento do futuro, atravs de um
aprendizado do passado, do entendimento do presente e
prevendo potenciais problemas e possibilidade. A empresa
fornece todas as aplicaes necessrias para um processo
analtico, desde o planejamento, gerenciamento dos dados,
anlise e distribuio dos resultados.
Algumas dessas aplicaes analisam informaes
histricas para determinar com confiabilidade o que
acontecer no futuro. rvore de Deciso so teis em Data
Mining conforme abordado na Seo 3.1.. Elas criam uma
estrutura de rvore na qual cada ramo separado em
subconjuntos mutuamente exclusivos. Cada ramo da rvore
corresponde a uma regra para separar os dados em
subconjuntos que produzem pre-condies para os dados
atuais e para os novos dados. Os componentes de rvore de
deciso so teis, por exemplo, em segmentao de
marketing para identificar grupos distintos em um banco
de dados de clientes; em anlise de riscos para descobrir
fatores que determinam se uma aplicao particular um
risco de crdito bom ou ruim e; em gerenciamento de
relacionamento de clientes (CRM) para descobrir padres
em como clientes interagem com uma determinada
companhia.
Um dos produtos oferecidos pela empresa a
ferramenta AnswerTree, que um software para Data
Mining que capacita usurios de negcios analisar dados
com uma maior preciso. Ela utiliza a tcnica de rvore de
Deciso (http://www.spss.com/spssetd/tools.htm).
Um exemplo de sua aplicao quando uma
organizao deseja determinar quais clientes, ou grupo de
cidados que melhor combinam com suas promoes e
programas, marcando precisamente as pessoas e
eliminando as conjecturas que levam a enviar ofertas a
grupos arbitrrios de pessoas em suas listas de e-mail.
Neste caso, AnswerTree permite que a organizao atinja
mais eficientemente o grupo certo de pessoas .
Ela usa rvores de Deciso escalveis, que revelam
segmentos e prev como grupos respondero a promoes
e programas. AnswerTree oferece quatro componentes de
rvore de deciso poderosos, (podendo escolher o que
melhor se aplica aos dados do usurio), mostra modelos
grficos permitindo visualizar os grupos daquele assunto.
Os grficos so importantes no sentido de permitir agir
sobre os resultados rapidamente.
Chen [5] fornece uma viso detalhada sobre os
algoritmos e sobre as tcnicas que podem ser utilizadas no
contexto de Data Mining.
5. Concluses
Atualmente, no difcil de se perceber que os sistemas
de BI da empresa so essenciais para a tomada de decises.
Neste contexto, pode-se dizer que DW (Data Warehouse)
tornou-se a ferramenta principal para o trabalho do
departamento de marketing e que a maioria das
informaes para tomada de deciso so extradas dos
sistemas de apoio tomada de deciso. Entre as diversas
utilizaes dos sistemas de BI, se destacam a anlise de
trfego, o acompanhamento da receita e sua tendncia,
anlise de churn e de reteno de clientes.
Vrias tcnicas, ferramentas e conceitos existem no
mercado. Porm, quando uma empresa busca implementar
uma soluo de BI-Business Intelligence, primeiro ela
dever identificar qual seu problema, como atac-lo e
principalmente como resolv-lo. Estas questes so
fundamentais para que se efetue uma boa escolha da
ferramenta ou tcnica a ser utilizada.
Uma vez que identificamos a necessidade de se dar
apoio tomada de deciso quando se trata do
desenvolvimento de software, pretende-se em trabalhos
futuros investigar a aplicabilidade de BI no processo de
desenvolvimento de software.
Referncias Bibliogrficas
[1] C.Barbieri, BI- Businesss Intelligence: Modelagem &
Tecnologia, Ed. Axcel Books, Rio de Janeiro, 2001.
[2] D. R. Carvalho, A hybrid decision tree/genetic algoritm for
coping with the problem of small disjuncts in Data Mining,
In:2000 Genetic and Evolutionary Computation Conference, Las
Vegas. 2000.
[3] D. R. Carvalho, Data Mining atravs de induo de Regras e
Algoritmos Genticos, Dissertao de Mestrado em Informtica
Aplicada, PUCPR, PR, 1999.
[4] D. R. Carvalho, A hybrid genetic algorithm decision tree
approach for coping with unbalanced classes, In: The Second
International Conference on Pratical Application of Knowledge
Management, London. 1998.
[5] Z.Chen, Data Mining and Uncertain Reasoning: An
Integrated Approach, John Wiley & Sons, Canada, 2001.
[6] H.Heinrichs, Jeen-Su Lim, Integrating web-based data
mining tools with business models for knowledge managment.
Decision Support System, vol.35, 2003, p. 103-112.
[8] E.G.M. Lacerda, A.C.P.L.F. Carvalho, Introduo aos
Algoritmos Genticos. In: Anais do XIX Congresso
Nacional da Sociedade Brasileira de Computao. vol.II,
1999, p.51-126.