UMA PROPOSTA DE APLICAO DE BUSINESS

INTELLIGENCE NO CHO-DE-FBRICA
Marcos Roberto Fortulan
Tecumseh do Brasil Ltda,
Rua Cel. Jlio Augusto de Oliveira Salles, 478, CEP 13570-900, So Carlos, SP,
e-mail: fortulan@tecumseh.com.br
Eduardo Vila Gonalves Filho
Escola de Engenharia de So Carlos, EESC,
Departamento de Engenharia Mecnica, Universidade de So Paulo,
Av. Dr. Carlos Botelho, 1465, Centro, CEP 13560-250, So Carlos, SP,
e-mail: evila@sc.usp.br

v.12, n.1, p.55-66, jan.-abr. 2005

1 Verso Recebida em 24/6/2003

2 Verso Recebida em 23/7/2004
Aceito em 25/2/2005

Resumo
A evoluo do cho-de-fbrica tem sido signicativa nas ltimas dcadas, quando grandes investimentos tm sido
realizados em infra-estrutura, automao, treinamento e sistemas de informao, transformando-o numa rea estratgica para as empresas. O cho-de-fbrica gera hoje grande quantidade de dados que, por estarem dispersos ou
desorganizados, no so utilizados em todo o seu potencial como fonte de informao. Com vistas nessa decincia,
este trabalho prope a implantao de um sistema de Business Intelligence por meio do uso de ferramentas de Data
Warehouse e OLAP (On-Line Analytical Processing), aplicadas especicamente ao cho-de-fbrica. O objetivo
desenvolver um sistema que utilize os dados resultantes do processo produtivo e os transforme em informaes que
auxiliem o gerente na tomada de decises, de forma a garantir a competitividade da empresa. Um prottipo foi construdo com dados simulados para testar a proposta.
Palavras-chave: sistema de apoio deciso, business intelligence, data warehouse, OLAP, cho-de-fbrica.

1. Introduo
O cho-de-fbrica, como conhecemos hoje, comeou
a delinear-se aps a Revoluo Industrial. Antes dela,
a produo de bens se dava, basicamente, por meio de
pequenas ocinas, que tinham como uma caracterstica
importante o fato de que o conhecimento a respeito do
produto nal e como faz-lo estava associado quele que
efetivamente fabricava o produto, ou seja, ao arteso.
A busca incessante do homem por melhores condies
de vida, aliada ao desenvolvimento tecnolgico, gerou
novas necessidades a respeito de qualidade, quantidade e
preo dos produtos, o que fez a antiga ocina dar lugar ao
que chamamos hoje de indstria. Nas indstrias, um conjunto de homens e mquinas passou a ocupar um mesmo
espao na chamada produo seriada, e com ela ocorreu
a transferncia da habilidade de fabricao do homem
para a mquina. Com a indstria, o conhecimento sobre
o produto nal foi separado daquele que o produzia. Essa
separao deu origem a uma nova classe social em subs-

tituio ao arteso, o proletariado, e a uma nova rea em

substituio s ocinas, o cho-de-fbrica.
Hoje encontramos empresas onde o cho-de-fbrica,
ao contrrio de um sculo atrs, organizado, limpo e seguro, fruto de grandes investimentos em infra-estrutura,
automao e treinamentos. Nelas, o cho-de-fbrica exige prossionais qualicados para lidar com equipamentos complexos, buscar melhorias contnuas e com postura
voltada qualidade e satisfao do cliente, foco que no
existia no incio da industrializao. Dentro deste novo
cenrio, durante o processo produtivo gerada uma grande quantidade de dados relacionados qualidade, produtividade, manuteno, mquinas, materiais, produtos,
funcionrios, etc. No entanto, muitas empresas ainda no
sabem o que fazer com essa massa de dados, desconhecendo sua importante utilidade como matria-prima para
a gerao de informaes teis gesto do negcio. Muitos gerentes de cho-de-fbrica, que hoje sofrem por falta

56

Fortulan e Gonalves Filho Uma Proposta de Aplicao de Business Intelligence no Cho-de-fbrica

de informaes, podem ter um grande aliado se dispuserem de ferramentas para processar os dados.
Esses dados tm pouca utilidade em seu estado bruto,
por isso precisam ser tratados e interpretados para que
deles seja possvel tirar informaes e conhecimento.
Para tal, existem hoje diversas ferramentas especcas
e disponveis comercialmente. Empresas do mundo da
Tecnologia da Informao, como Oracle, IBM, Seagate e
Microsoft, oferecem softwares que podem ser ajustados
s necessidades de cada usurio ou corporao. Esta rea
vem hoje sendo tratada como Sistemas de Apoio Deciso (SAD) ou Business Intelligence (BI), termo que vem
sendo mais explorado ultimamente.
Atualmente, as principais aplicaes de BI so encontradas nas reas de nanas, marketing e atendimento ao
cliente, maciamente concentradas em bancos, seguradoras e empresas de comrcio. , portanto, exatamente para
essa lacuna que este trabalho est voltado, ou seja, para o
tratamento dos dados do cho-de-fbrica por intermdio
de uma ferramenta de BI.
A proposta apresentada no decorrer deste trabalho,
ao longo de mais quatro sees. A seo 2 tem como objetivo introduzir o conceito dos Sistemas de Informao
e sua importncia, destacando caractersticas como exibilidade e integrao, pois o BI passa a ser mais um
elemento deste sistema ao lado, principalmente, dos sistemas ERP (Enterprise Resource Planning). A seo 3
faz uma reviso sobre os conceitos de Business Intelligence e Sistemas de Apoio Deciso, destacando suas
ferramentas mais recentes: Data Warehouse, OLAP (OnLine Analytical Processing), Data Mining e Web-Business Intelligence. Na seo 4 discutida a proposta do BI
especicamente para o cho-de-fbrica, sugerido um
modelo dimensional de banco de dados e so detalhadas suas tabelas de Fato. Tambm so apresentadas na
seo 4 a capacidade do sistema, as limitaes e decises
que devem ser tomadas antes de se iniciar o projeto. Por
m, na seo 5, faz-se uma concluso utilizando-se uma
situao hipottica para discutir a viabilidade e ganhos
potenciais da proposta.

2. Sistemas de gesto da informao

Todas as empresas tm enfrentado nos ltimos anos
um grande aumento na quantidade de informaes dentro e fora delas, seja para controlar seus processos internos
- manufatura, contabilidade, custos, logstica, comercial,
projeto - seja para relacionar-se com a sociedade, clientes
e fornecedores. Toda esta estrutura suportada pelos sistemas de informaes existentes na organizao, que guiam
todas as atividades da empresa e, por isso, pode-se dizer
que o sucesso de uma organizao est estreitamente ligado ao sucesso do seu Sistema de Informaes (SI).
O papel do SI sofreu uma mudana dramtica ao longo
das ltimas trs dcadas, passando de uma passiva fer-

ramenta de automao ou argumentao, para um dispositivo estratgico e competitivo de transformao das

estruturas organizacionais (Lee e Kim apud Avison et al.,
1999, p. 421). Hoje imprescindvel que esse sistema
seja exvel e integrado, para que se possibilite editar ou
incluir novos processos sem comprometer o desempenho
daquilo que j est em funcionamento, no qual todas as
reas da organizao estejam envolvidas, canalizando as
informaes essenciais para todos os nveis que delas necessitem, levando todos otimizao. necessrio, portanto, que, ao incluir um novo componente no SI, este
seja exvel e se integre com os demais componentes, o
que vale para os BI.
No possvel citar um SI ideal, geral ou nico para
qualquer atividade que seja, pois, alm da enorme quantidade de solues disponveis comercialmente, os desenvolvimentos no param, trazendo novos recursos a cada
dia. No entanto, a integrao um ponto em comum entre todas as ferramentas que buscam colocar dentro de
um nico sistema todas as informaes relativas a todas
as reas e unidades da empresa, seus clientes, seus fornecedores, inclusive a Web.
A seguir, na Figura 1, apresentado um SI genrico,
com o objetivo de mostrar o uxo dos dados e informaes. Pela gura, observa-se que o ERP alimenta os bancos de dados operacionais, que por sua vez serviro de
fonte de dados para o Data Warehouse. No entanto, antes
de serem colocados para dentro do Data Warehouse, os
dados devem ser tratados e processados. Uma vez povoado o Data Warehouse, podem-se aplicar ferramentas
OLAP e Data Mining para a obteno de informaes e,
assim, teremos o ambiente de BI. Nesta gura, embora
no seja mencionada a integrao com a Web, vale ressaltar que a Web j est integrada a tais SI, como ser
abordado na seo 3, no assunto Web Business Intelligence. A seguir, apresentado o conceito de ERP e, posteriormente, na seo 3 deste trabalho, sero discutidos os
conceitos de Data Warehouse e Data Mining.
Os ERP (Enterprise Resources Planning) so uma
evoluo dos sistemas MRP (Manufacturing Requirements Planning) e MRP II (Manufacturing Resources
Planning), dos quais um dos objetivos consolidar as
informaes da empresa como um todo, agregando as
funes de Planejamento e Controle da Produo, Planejamento das Necessidades de Materiais, Clculo da
Capacidade de Produo, Controle do Cho-de-Fbrica,
Controle de Compras, Gerenciamento de Recursos Humanos, Vendas e Distribuio, Finanas e Controladoria,
entre outros, dentro de um nico sistema, eliminando assim a diculdade de se obter informaes consolidadas e
a inconsistncia de dados redundantes armazenados em
mais de um sistema (Zancul e Rozenfeld, 1999).
A importncia do ERP neste trabalho, como j citado,
considerar que ele ser a fonte primria dos dados que

57

GESTO & PRODUO, v.12, n.1, p.55-66, jan.-abr. 2005

Data Mining

ERP
Sistema de
Gesto da
Empresa

Fonte de
dados
Operacionais
Data
Warehouse

Fonte de
dados
Operacionais

OLAP
Metadados
Metadados
Metadados

Business Intelligence

Figura 1. SI integrado e o uxo de dados e informaes.

alimentaro o Data Warehouse, levando-se em conta que

este um sistema j comum em empresas de grande porte
ou de classe mundial.

3. Os novos Sistemas de Apoio Deciso

(SAD) ou Business Intelligence (BI)
Para competir no mercado global de hoje, as empresas
precisam deter mais conhecimento do que antigamente e,
ainda, para obter sucesso, elas precisam saber mais sobre
seus clientes, mercados, tecnologias e processos, e precisam
ter essas informaes antes que seus concorrentes (Heinrichs e Lim, 2003). Ter informaes em mos uma poderosa
ferramenta para quem precisa tomar decises e, tendo em
vista esse princpio, as empresas comearam a extrair dados
dos seus sistemas operacionais e armazen-los, separados
dos dados operacionais, donde surgiram os SAD.
Shim et al. (2002) dizem que os SAD so solues computacionais desenvolvidas para apoiar a tomada de decises
complexas durante a resoluo de problemas. Ferramentas
clssicas de SAD compreendem componentes para gerenciamento de sosticados bancos de dados, poderosas funes de modelagem e poderosos, embora simples, projetos
de interface com o usurio, que permitem trabalhar interativamente com questes, relatrios e funes grcas.
Carlsson e Turban (2002) explicam que o termo SAD,
propriamente dito, tem sido visto cada vez menos, tanto em revistas quanto em Websites de vendas, e no seu
lugar tem sido cada vez mais freqente o uso de termos
como Business Intelligence e OLAP. Do mesmo modo,

estes termos praticamente eliminaram o uso do termo

EIS (Executive Information Systems). Por outro lado, est
crescendo o reconhecimento de que BI est se tornando
um componente necessrio na chamada segunda gerao
dos sistemas ERP, que claramente reconhece a necessidade de dar suporte no apenas ao processamento de
transaes operacionais, mas tambm ao processamento
de anlises.
Complementam Grigori et al. (2004) que com dados
limpos e agregados sobre um determinado processo, armazenados em um Data Warehouse, possvel realizar
anlises utilizando-se tecnologias de BI e extrair conhecimento sobre as circunstncias que levaram a determinado
resultado no passado, tenha o resultado sido bom ou ruim.
Assim, possvel utilizar essas informaes para explicar
por que tais circunstncias ocorreram e para predizer potenciais problemas nos processos em andamento.
Os Data Warehouses, OLAP, Data Mining e WebSAD surgiram no comeo dos anos 90 como novas ferramentas para SAD, e formam a base dos sistemas de BI
(Shim et al., 2002). Estas ferramentas sero discutidas na
seqncia.

3.1 Data Warehouse

Ao longo do tempo, os bancos de dados foram desenvolvidos para ns de processamentos de dados operacionais e analticos, havendo maior nfase no primeiro
caso, ainda que ambos tivessem usurios com diferentes
necessidades. Uma vez compreendida essa diferena,
foram criados bancos de dados separados para ns ana-

58

Fortulan e Gonalves Filho Uma Proposta de Aplicao de Business Intelligence no Cho-de-fbrica

lticos, chamados de Data Warehouse, explicam Gray e

Watson (1999). inevitvel a perda de produtividade e
conabilidade quando os dados so retirados de diversas
fontes em sistemas desintegrados; assim, o conceito de
Data Warehouse propicia integrao e consolidao da
informao.
Conforme Harding e Yu (1999), o Data Warehouse
extrai, de uma maneira eciente, informaes valiosas
dos bancos de dados operacionais que esto espalhados
por toda a empresa e que, certamente, contm dados duplicados ou parcialmente duplicados. Por isso, antes de
povoar o Data Warehouse com os dados operacionais,
estes dados precisam ser preparados para estarem aptos
a serem questionados, pesquisados, analisados e apresentarem concluses. Nas aplicaes de BI, o foco est mais
voltado para as tendncias e agregaes do que para cada
transao individual; portanto, os dados armazenados devem oferecer nveis de agregao apropriados.
Gray e Watson (1999) destacam como caractersticas
destes bancos:
So orientados a determinado assunto;
So integrados;
No so violveis, ou seja, seus dados no so alterados, s includos;
Representam um histrico;
So condensados;
Representam um longo perodo de tempo (de 5 a
10 anos);
No so normalizados, ou seja, podem ter dados redundantes;
No so baratos e tm implantao demorada; e

mente das ocorrncias do negcio, por exemplo, vendas,

produo e defeitos. J as segundas armazenam as descries do negcio, como dados sobre o produto (marca, tamanho, categoria, preo), tempo (dia, ms, ano) ou
cliente (nome, endereo, classe social). Cada tabela de
Dimenso possui uma nica chave primria, e o conjunto
dessas chaves primrias formar a chave composta da tabela de Fato. Cada negcio ou assunto possui sua tabela
de Fato e suas respectivas tabelas de Dimenso.
Uma variao do esquema Estrela o Snowake, que
consiste, na realidade, de uma normalizao do primeiro. No esquema Snowake, as tabelas de Dimenso so
estruturadas de modo que atendam terceira forma normal, mantendo as tabelas de Fato em sua estrutura inicial.
Vale ressaltar que o uso do esquema Snowake traz como
desvantagens o aumento da complexidade da estrutura de
dados, dicultando a compreenso do modelo por parte
de usurios que trabalham diretamente com a estrutura fsica das tabelas. No entanto, o uso do Snowake pode ser
indispensvel em alguns casos em que, por exemplo, o
modelo desnormalizado (Estrela) requeira muito espao
em disco ou suas tabelas dimensionais sejam muito grandes, prejudicando o desempenho do sistema (Singh, 2001
e Poe et al., 1998). A Figura 2 mostra o formato geral de
um esquema Estrela e uma derivao Snowake.
Muito utilizados em projetos-piloto, existem tambm
os Data Marts, que, conforme Singh (2001) dene, so
subconjuntos do Data Warehouse da empresa-inteira. Tipicamente desempenham o papel de um Data Warehouse
departamental, regional ou funcional. Uma empresa pode
construir uma srie de Data Marts ao longo do tempo
e, eventualmente, vincul-los por meio de um Data Warehouse lgico da empresa-inteira.

So grandes e continuam crescendo ao longo do tempo.

3.2 On-Line Analytical Processing (OLAP)

Para o desenvolvimento de um Data Warehouse,

utilizada a modelagem dimensional de banco de dados,
cuja representao se d por meio do chamado esquema
Estrela. Algumas vantagens deste modelo de banco de
dados sobre os mode los relacionais convencionais para
aplicaes de Data Warehouse so citadas por Poe et al.
(1998) e Bispo (1998) e descritas abaixo:
Permite a criao de um projeto de banco de dados que
fornecer respostas rpidas, com menos tabelas e ndices;

Bispo e Cazarini (1998) apresentam o OLAP como

uma ferramenta capaz de efetuar anlises de dados com
viso multidimensional do negcio, comparando-os por
diversos ngulos. Aplicaes que utilizam este tipo de
ferramenta devem ter como caractersticas:
Permitir viso multidimensional dos dados;

Permite ao administrador do banco de dados trabalhar

com projetos mais simples e assim produzir melhores
planos de execuo; e
Possui uma estrutura mais intuitiva, assemelhando o
projeto do banco de dados com a forma como o usurio
nal pensa e usa os dados.

O modelo dimensional composto basicamente por

dois tipos de tabelas: as de Fato e as de Dimenso. As
primeiras so grandes tabelas centrais, compostas basica-

Realizar clculos complexos;

Criar agregaes e consolidaes;
Fazer previses e anlise de tendncia;
Construir cenrios a partir de suposies; e
Fazer clculos e manipular dados atravs de diferentes
dimenses.

Os cubos so os principais objetos de um OLAP.

Construdos com tecnologia que permite rpido acesso
aos dados, normalmente eles so construdos a partir de
sub-conjuntos de um Data Warehouse e so organizados e
sumarizados dentro de estruturas multidimensionais de-

59

GESTO & PRODUO, v.12, n.1, p.55-66, jan.-abr. 2005

Dimenso 1
Chave 1

Dimenso 2
1

Tabela de fatos
N

Atributo

Atributo

Chave 1

Atributo
N

Chave 2
N

Atributo

Atributo

Chave 3
Chave 4

Chave 2

Atributo
N

Dados
Dados
Dados

Dimenso 3
Chave 3
Atributo

1
Dados

Chave 4
Atributo
Atributo

Atributo

Sub - Dimenso 4

Dimenso 4

Chave X
Atributo

N
Atributo

Atributo
Atributo
Esquema Snowflake
Esquema Estrela

Figura 2. Modelo Dimensional de banco de dados utilizando esquema Estrela e Snowake.

nidas por dimenses e medidas. Os bancos de dados multidimensionais guardam as informaes numa espcie de
cubo de dimenso n, o que resulta em diversas matrizes
esparsas que permitem trabalhar simultaneamente com
diversos cenrios denidos por combinaes de dados,
como produtos, regio, vendas, tempo, etc. Esses cubos
podem ser armazenados em modelos de bancos de dados ROLAP (Relacional OLAP), MOLAP (Multidimensional OLAP) ou HOLAP (Hbrido OLAP). A vantagem
dos bancos de dados multidimensionais sobre os bancos
de dados relacionais que os primeiros esto otimizados
para obter velocidade e facilidade de resposta, complementam Gray e Watson (1999).

3.3 Data Mining

Conforme Bispo e Cazarini (1998), o objetivo desta
ferramenta extrair informaes potencialmente teis
a partir de dados crus armazenados em um Data Warehouse ou em bancos de dados dos sistemas operacionais, porm, preferencialmente nos primeiros, por j
estarem consolidados. Para tal, utilizam-se tcnicas sosticadas de procura, como algoritmos de Inteligncia
Articial, Redes Neurais, rvores de Decises, Regras
de Induo, ou ainda, combinaes entre elas.
O resultado obtido pela aplicao do Data Mining
deve ser compacto, legvel (apresentado de alguma forma

simblica), interpretvel e deve representar elmente os

dados que lhe deram origem. Isso necessrio porque as
pessoas normalmente esto mais interessadas em obter o
conhecimento propriamente dito do que os modelos matemticos, arma Bck (2002).

3.4 Web SAD ou Web Business Intelligence

Tan et al. (2003) e Henrichs e Lim (2003) destacam
o recente desenvolvimento e crescimento do que pode
ser chamado de Web Business Intelligence (WBI). WBI
mescla Data Warehousing e sistemas de BI com as novas
tecnologias da Web. A Internet, associada com as tecnologias da Web, tem mudado a forma como as pessoas
fazem seus negcios. A Web um modelo de sucesso,
e seu ambiente distribudo e os Web browsers oferecem
excelentes exemplos de como dispor software e acesso
de dados dentro das organizaes. As vantagens do uso
de sistemas de BI baseados na Web, quando comparados
com os sistemas tradicionais, incluem facilidades de uso,
acesso universal s diversas plataformas, possibilidade
de congurao para diversos nveis de usurios e capacidade de trabalho com grcos, sons e vdeos alm de
textos e nmeros.
Os Web-BI tm reduzido barreiras tecnolgicas, tornando mais fcil e barato disponibilizar informaes
relevantes para tomadas de deciso aos gerentes da cor-

60

Fortulan e Gonalves Filho Uma Proposta de Aplicao de Business Intelligence no Cho-de-fbrica

porao, mesmo que estes estejam geogracamente em

localizaes diferentes. Construir Web-BI uma tarefa
complexa, pois deve considerar um sistema que esteja
disponvel sete dias por semana, vinte e quatro horas por
dia e deve manipular um grande nmero de solicitaes
concorrentes (Shim et al., 2002).
O modelo proposto na seo 4 no aborda sua aplicao na Web, porm a ferramenta utilizada nele, o Analysis
Services do Microsoft SQL Server 2000, j est preparada
para esta integrao, tratando-se apenas de uma questo
tcnica.

4. Aplicao do BI no cho-de-fbrica
modelo proposto
Os dados gerados no cho-de-fbrica normalmente
cam espalhados pelos diversos bancos de dados operacionais ou documentos em papel da rea, forma de armazenagem que diculta em muito a recuperao dos dados
e o levantamento de comportamentos histricos. Essa
uma situao crtica quando se trata de programas de
melhorias, como os conduzidos por Seis Sigma, FMEA
(Failure Mode and Effects Analysis ou Anlise do Modo
e Efeito da Falha) ou PDCA (Plan, Do, Check and Action
ou Planejar, Executar, Vericar e Agir). Esses programas
podem perder sua fora por causa da diculdade de se
obter informaes sobre condies passadas e futuras em
relao s suas implementaes. Isso diculta e, s vezes,
at impossibilita a anlise da eccia das mudanas e dos
fatores relacionados a ela. Este fato acaba prejudicando o
processo de mudana em si, pois no so conhecidos os
benefcios ou prejuzos trazidos pelas alteraes. uma
situao que pode ser melhorada com a implantao do
modelo proposto, que aplica o BI no cho-de-fbrica.
Outra grande vantagem dos sistemas de BI sua facilidade para trabalhar com questes ad-hoc, pois praticamente impossvel desenvolver uma aplicao em que
todos os relatrios e pesquisas de que um gerente possa
precisar para realizar seu trabalho estejam presentes. J
os sistemas de BI permitem criar facilmente relatrios e
pesquisas especcas relativas s necessidades emergentes de cada gerente ou momento.

4.1 Trabalhando com bancos de dados do

Data Warehouse ou do OLTP (On line
Transactions Processing)
A proposta de desenvolvimento de um Data Warehouse pode assustar num primeiro instante, dada sua complexidade, custos e longo prazo de desenvolvimento.
Realmente, antes de partir para a adoo de qualquer ferramenta, importante saber o que se deseja. O foco deve
estar voltado para as informaes desejadas, e no para
a tecnologia que ser utilizada para obt-las. Se houver
dvidas quanto relao Custo X Benefcio do projeto,

talvez seja aconselhvel melhorar os sistemas OLTP (On

line Transactions Processing) j existentes na empresa, e
nestes aplicar ferramentas convencionais para a gerao
de relatrios, como o Crystal Reports, Excel ou mesmo
ferramentas OLAP, enquanto se analisam melhor as solues baseadas em Data Warehouses. As opes so diversas e devem ser pensadas antes de se iniciar o projeto.
A principal vantagem dos Data Warehouses que eles
so bancos de dados projetados exclusivamente para a
gerao de relatrios, pois possuem propriedades especcas para a anlise de dados. Outra vantagem a liberao dos sistemas OLTP para a realizao exclusiva das
transaes operacionais, que normalmente tm que ser
executadas on-line e freqentemente tratam diretamente
com o cliente, que, entre outras caractersticas, no gosta
de esperar. Agora, uma vez que se decide pela construo
de um sistema exclusivo para apoio da tomada de deciso, os Data Warehouses, com certeza, so o ponto nal
desta procura.
Pode-se ainda, antes de partir para o desenvolvimento
de um Data Warehouse corporativo, trabalhar com Data
Marts, que so subconjuntos de um Data Warehouse voltados para uma determinada funo, assunto ou departamento em particular, que no presente artigo o cho-defbrica. Os Data Marts so menores e de implantao
mais rpida, e podem ser tratados inclusive como um
projeto piloto para que a empresa comece a conhecer os
benefcios desta tecnologia. Assim, neste projeto, os dados do cho-de-fbrica iro compor uma parte dos dados
do Data Warehouse, ou seja, teremos um Data Mart.
Deve-se, no entanto, tomar cuidado com a proliferao dos Data Marts sem um sistema que os consolide,
entenda-se aqui um Data Warehouse, pois estes sistemas
rapidamente estaro desintegrados e, junto dessa desintegrao, traro todas as conseqncias j citadas. No
h problemas em se comear pequeno, mas no se pode
perder a viso do sistema maior, o Data Warehouse corporativo, refora Corey et al. (2001). O Data Warehouse
normalmente se inicia nas reas de marketing, vendas e
nanas, pois nestas ca mais fcil justicar o investimento, uma vez que elas esto diretamente relacionadas
com as transaes nanceiras ou com os clientes da empresa.

4.2 Desenvolvimento do sistema no chode-fbrica

Neste trabalho, o modelo proposto de BI composto de cinco tabelas de Fato e onze tabelas de Dimenso,
estando cada tabela de Fato relacionada a um comportamento do cotidiano de uma rea tpica de cho-de-fbrica. A escolha dos assuntos que compem as tabelas de
Fato teve como inteno produzir informaes a respeito
daquilo que mais interessa ao cliente, que so custo, qualidade e prazo. Assim, as cinco tabelas de Fato propostas

GESTO & PRODUO, v.12, n.1, p.55-66, jan.-abr. 2005

tm como incumbncia representar o custo, a qualidade

e o prazo do cho-de-fbrica, o que, claro, ser sentido pelo cliente. Neste trabalho, quando se fala em custo,
deve-se entend-lo como uma funo direta da ecincia e qualidade da rea, pois no ser tratado neste Data
Mart o valor nanceiro dos produtos ou processo. J o
prazo est relacionado eccia do atendimento das datas de fabricao.
Para a realizao dos testes deste modelo, foi construdo um Data Mart utilizando-se o banco de dados Microsoft Access e o Analysis Services, software componente
do Microsoft SQL Server 2000. Os exemplos de anlise
aqui apresentados foram realizados sobre o Data Mart
de Desempenho, como pode ser visto na Figura 3. Entenda-se como desempenho, neste trabalho, a quantidade
produzida, a ecincia e a eccia, sumarizadas por data,
clula, equipe, turno e produto. Nesta tabela, a ecincia
relativa ao aproveitamento da mo-de-obra, e a eccia
relativa ao cumprimento dos prazos de entrega previstos nas ordens de fabricao.
A tabela Fato de Desempenho foi povoada com dados
simulados, procurando atingir uma situao real baseada
na experincia dos autores. Sua nalidade permitir analisar a funcionalidade da proposta. A partir deste Data
Mart, foram construdos dois cubos, sendo um para Produo e outro para Ecincia. A exibilidade e facilidade das pesquisas que podem ser realizadas pelo Analysis
Services so bastante amplas, possibilitando uma ferramenta realmente til para a tomada de deciso do gerente
da rea. Por meio da Figura 4 podemos obter, por exemplo, as seguintes informaes:

61

i. A unidade brasileira do grupo produz 2,79 vezes mais

que a americana;
ii. No Brasil, por sua vez, a unidade do Rio de Janeiro
maior, pelo menos em produo, que a de So Paulo;
e
iii. Dentre as reas brasileiras, a rea D a que est sendo
mais utilizada, enquanto a rea B a que est, teoricamente, mais ociosa.

Combinaes entre as dimenses produto, equipe,

turno e tempo tambm podem ser realizadas facilmente
dentro deste cubo, bem como operaes de drill-down,
drill-up, slice and dice. Com base nessas informaes, o
gerente pode decidir por redistribuir sua capacidade de
produo entre suas unidades, reas, turnos e equipes,
considerando-se, por exemplo, a demanda existente em
cada localidade.
O segundo cubo montado neste Data Mart o cubo de
Ecincia. Com ele possvel responder seguinte pergunta: Qual o turno que tem maior e qual o que tem menor
ecincia? Com base no cubo apresentado na Figura 5,
possvel vericar que, de forma geral, o turno A possui menor ecincia, e o turno C, maior. No entanto,
analisando-se por pas, esta armao nem sempre verdadeira. Por isso, necessrio estar capacitado a analisar
as informaes geradas no sistema. Elas podem requerer
questionamentos mais aprofundados antes de se tirar uma
concluso sobre a situao. Isso pode estar acontecendo,
por exemplo, por que em um pas existe maior resistncia
para a aceitao de determinado horrio de que no outro.
Podem estar acontecendo tambm problemas especcos

Figura 3. Data Mart Desempenho modelado no Analysis Services.

62

Fortulan e Gonalves Filho Uma Proposta de Aplicao de Business Intelligence no Cho-de-fbrica

ii

iii

Figura 4. Cubo de Produo construdo no Analysis Services.

Comparao de
turnos entre pases

Comparao
entre turnos

Figura 5. Cubo de Ecincia com foco no turno e clula.

em determinado turno, como alterao da temperatura

ambiente. Com base nessas informaes, o gerente deve
pensar em aes que minimizem seus efeitos e revertam
num ganho de desempenho. Ou seja, o sistema no d
a resposta para o problema, mas sim gera informaes
sobre comportamentos da rea, que precisaro ser analisados por pessoal competente e com poder de ao. Por
isso, chamado de um sistema de apoio s decises, requerendo a presena de um tomador de deciso, no caso
aqui, o gerente do cho-de-fbrica.
Dentro deste mesmo cubo, possvel ainda vericar
o que acontece com a ecincia das equipes e ver se h
alguma variao quando ocorre a mudana de turnos,
como mostrado na Figura 6, ou tambm observar se h
variao da ecincia em funo do dia da semana, como
aparece na Figura 7. Em ambos os casos, caber uma atitude gerencial para vericar e resolver o porqu de as

ecincias das equipes carem quando as equipes trabalham no Turno A (Figura 6) ou o que acontece durante
determinado dia da semana, quando a ecincia menor
(a Figura 7 mostra que neste exemplo esta variao no
signicativa). Deve-se tomar cuidado para no atribuir
a causa a uma determinada varivel e penaliz-la quando o problema pode estar em outra, porm o fato que
existe um problema. Anlises semelhantes podem ser feitas tambm levando-se em conta o produto ou famlia de
produtos que esto sendo fabricados. Por m, de posse do
Data Mart povoado, possvel construir cubos geradores
de informaes que permitiro ao gerente direcionar suas
aes de forma a melhorar o desempenho de sua rea e,
tambm, acompanhar o resultado de suas aes.
No entanto, conforme a proposta inicial, o BI para o
cho-de-fbrica composto por cinco tabelas de Fato,
pois visa possibilitar uma anlise completa do comporta-

GESTO & PRODUO, v.12, n.1, p.55-66, jan.-abr. 2005

63

Figura 6. Cubo de Ecincia com foco no turno e equipe.

Figura 7. Cubo de Ecincia com foco no dia da semana e turno.

mento da rea. Embora os Data Marts e cubos do modelo

completo no tenham sido mostrados aqui neste trabalho,
tal modelo j foi implementado e testado no Analysis Services com resultados de desempenho iguais aos obtidos
pelo Data Mart Desempenho.
As demais tabelas de Fato que compem o modelo completo so: Medies, Qualidade, Horas-Perda e
Evento. A tabela Medies tem o intuito de vericar a
conformidade do processo produtivo, e nela so registrados os valores de medies realizadas no processo produtivo, sumarizadas por dia de trabalho, mquina, produto e
processo de medio. Cada processo de medio da empresa deve ser identicado por meio de um nico cdigo
que sirva para toda a empresa ou corporao.
A partir do Data Mart montado sobre esta tabela, aplicando-se o Analysis Services, podemos obter respostas
para perguntas do tipo:
Qual o comportamento da mdia, desvio-padro, mximo e mnimo das medidas de Rugosidade do produto
A, fabricados no ano de 2004 na Mquina AA, ao
longo dos meses ms a ms? Este tipo de informao

fundamental para a conduo de projetos de Seis Sigma, PDCA e FMEA.

Na tabela de Fato de Qualidade sero registrados os

dados dos defeitos e sucatas detectados no processo produtivo, normalmente obtidos pelos testes ou inspees
100%. Neste caso no se trata de valores variveis, mas
sim de atributos, por exemplo, oxidao, trinca, queima,
risco, no liga, etc. Os valores apontados so de quantidade de defeitos e defeitos por milho (PPM), sumarizados
por data, clula, equipe, turno, mquina, produto e tipo
de defeito. A partir desta tabela, possvel vericar qual
clula, equipe, turno, mquina ou produto geram mais
defeitos e quais foram os tipos de defeitos. Pode-se, ainda, montar um cubo que faa uma combinao entre as
vrias dimenses citadas e mais as datas de fabricao.
A quarta tabela de Fato a tabela de Horas-Perda. Nela
devem ser apontadas todas as perdas de horas de produo
ocorridas por causa de paradas, como manutenes e ajustes em mquinas e equipamentos. Alm do cdigo da horaperda, que deve ser nico para toda a empresa, nesta tabela
tambm apontado o tempo perdido. A partir dela, pode-se

64

Fortulan e Gonalves Filho Uma Proposta de Aplicao de Business Intelligence no Cho-de-fbrica

descobrir qual clula, equipe, turno, mquina ou produto geram mais horas-perda, e que tipos de perda. Isso permitir
ao gerente saber para onde deve direcionar seus esforos.
Por m, a ltima tabela de Fato deste modelo a tabela de Evento. A inteno dela registrar todos os eventos
que possam afetar os resultados de Medies, Qualidade,
Desempenho ou Horas-Perda. Aqui feita uma aluso
metodologia de identicao de causa-efeito conhecida
como 6M, a saber: mquina, material, meio ambiente, mtodo, medida e mo-de-obra. Assim, eventos observados
como a introduo de um novo processo/mquina/material, ou o uso de um material suspeito, ou a introduo de
equipes novas, ou a reforma de mquinas, ou a ocorrncia
de treinamentos, etc., devero ser registrados. Essa prtica
visa sistematizar a forma de identicao e registro dos
eventos, devendo estes ser apontados sempre pelo lder da
equipe a cada ocorrncia. A partir da, ser possvel relacion-los s demais tabelas de Fato do modelo.
A Figura 8 mostra o Data Mart completo para o chode-fbrica, o qual, conforme j citado, foi desenvolvido
com o banco de dados Access, tirando-se proveito do seu

potencial de relacionamentos e edio dos bancos de dados. No entanto, o ideal para uma implementao numa
situao real a utilizao de bancos de dados mais robustos para aplicaes corporativas, como o Microsoft
SQL Server ou o Oracle.
Para se ter uma idia da possibilidade de consultas deste modelo, basta calcular quantas combinaes de consultas so possveis de se efetuar a partir de cada tabela
de Fato em funo de seus atributos e valores medidos:
Tabela de Medies: 4 atributos e um valor.
Cmedies = C4,1 + C4,2 + C4,3 + C4,4 = 15
Tabela de Qualidade: 7 atributos e dois valores.
Cqualidade = C7,1 + C7,2 + C7,3 + .... + C7,7 = 127X = 254
Tabela de Desempenho: 5 atributos e trs valores.
CDesempenho = C5,1 + C5,2 + C5,3 + C5,4 + C5,5 = 31X3
= 93
Tabela de Horas-Perda: 7 atributos e um valor.
CHorasPerda = C7,1 + C7,2 + C7,3 + ....+ C7,7 = 127

Figura 8. Modelo Estrela completo do Data Mart para o cho-de-fbrica.

GESTO & PRODUO, v.12, n.1, p.55-66, jan.-abr. 2005

Total = 489 combinaes possveis, isto sem considerar

os possveis subnveis de cada dimenso.

5. Concluso
O cho-de-fbrica gera uma grande quantidade de dados no seu dia-a-dia, porm, eles, em grande parte das
empresas, cam espalhados em diversos bancos de dados
operacionais ou em relatrios em papel, o que j diculta
sua recuperao histrica, quanto mais a obteno de informaes ad-hoc a partir deles. Como exemplo, imagine
uma empresa que produza 1000 peas/hora distribudas
em 10 tipos de produtos diferentes, realize inspees
em 10 clulas com 5 postos de inspeo cada, trabalhe
em 2 turnos de 8 horas e atinja uma rejeio interna de
1000 PPM. Ela produzir em torno de 7056 registros por
ms no cho-de-fbrica, conforme mostram as contas
abaixo:
Medies = 1 (medio) X 10 (clulas) X 5 (postos) X
2 (turnos) = 100
Qualidade = 1000 (p/h) X 16 (horas por dia) X 1000
PPM = 16
Desempenho = 10 (clulas) X 2 (turnos) X 10 (produtos) = 200
Eventos = 1 (evento signicativo) X 10 (clulas) X
2 (turnos) = 20
Total de registros por dia = 336
* Total no ms (21 dias teis) = 7056

65

Com tal volume de dados, ca praticamente impossvel

para o gerente obter informaes relevantes e em tempo
hbil, se no estiver disponvel uma ferramenta que sistematize e organize a recuperao dos dados. justamente
para este foco que est voltado este artigo, que prope a
construo de um sistema de BI no cho-de-fbrica para
administrar tais dados. Desta forma, foi proposto um modelo de banco de dados que pode ser utilizado por sistemas de BI disponibilizados comercialmente por empresas como IBM, Oracle, Microsoft, Seagate, entre outras.
No presente artigo foi construdo um Data Mart de uma
empresa ctcia e utilizado o Analysis Services do Microsoft SQL Server. Por meio dos exemplos dos cubos
montados, possvel vericar a facilidade e exibilidade
de tais sistemas de BI, conforme prometido na literatura.
Sem dvida, este sistema trar ao gerente um bom suporte para a tomada de direes em busca de melhores
resultados para a sua rea. Sem informaes corretas e no
momento certo, no possvel controlar; sem controlar,
no possvel gerenciar; e, sem gerenciar, no possvel
melhorar (Kueng et al., 2001).
O prximo passo deste trabalho, pretendido pelos autores, a explorao das funes MDX (multidimensinal
expressions) e das ferramentas para Data Mining disponveis no Analysis Services. Uma outra vantagem do uso
do SQL Server 2000 que seu banco de dados facilitar a
integrao e incorporao dos dados com os demais sistemas OLTP ou ERP j em funcionamento na empresa,
pois apresenta uma soluo amplamente aceita nos ambientes empresariais.

Referncias Bilbliogrcas
AVISON, D. E.; CUTHBERTSON, C. H.; POWELL, P. The
paradox of information systems: strategic value and low
status. Journal of Strategic Information Systems, v. 8,
n. 4, p. 419-445, 1999.
BCK, T. Adaptative business intelligence based on evolution strategies: some application examples of self-adaptative software. Information Sciences, v. 148, n. 1-4,
p. 113-121, may. 2002.
BISPO, C. A. F. Uma anlise da nova gerao de sistemas
de apoio deciso. 1998. 165 p. Dissertao (Mestrado
em Engenharia de Produo) Escola de Engenharia
de So Carlos, Universidade de So Paulo, So Carlos,
1998.
BISPO, C. A. F.; CAZARINI, E. W. A nova gerao de sistemas de apoio deciso. In: ENEGEP, 18, 1998, Niteri,
Rio de Janeiro, Brasil. Anais... Niteri: ABEPRO, 1998.
CARLSSON, C.; TURBAN, E. DSS: directions for the next

decade. Decision Support Systems, v. 33, n. 2, p. 105110, 2002.

COREY, M., ABBEY, M.; ABRAMSON, I.; TAUB, B. Oracle 8i Data Warehouse. 1 ed. Rio de Janeiro: Campus,
2001. 817 p.
GRAY, P.; WATSON, H. J. The new DSS: data warehouses, OLAP, MDD and KDD. 1999. Disponvel em:
<http://hsb.baylor.edu/ramsover/ais.ac.96/papers/graywats.htm>. Acesso em: 20 maro 1999.
GRIGORI, D., CASATI, F.; CASTELLANOS, M.; DAYAL,
U.; SAYAL, M.; SHAN, M. C. Business Process Intelligence. Computers in Industry, v. 53, n. 3, p. 324-343,
2004.
HARDING, J. A.; YU, B. Information-centred enterprise
design supported by a factory data model and data warehousing. Computers in Industry, v. 40, n. 1, p. 23-36,
1999.

66

Fortulan e Gonalves Filho Uma Proposta de Aplicao de Business Intelligence no Cho-de-fbrica

HEINRICHS, J. H.; LIM, J. S. Integrating web-based data

mining tolls with business models for knowledge management. Decision Support Systems, v. 35, n. 1, p. 103112, 2003.

SHIM, J. P.; WARKENTIN, M.; COURTNEY, J.; POWER,

D. J.; SHARDA, R.; CARLSSON, C. Past, present, and
future of decision support technology. Decision Support
System, v. 33, n. 2, p. 111-126, 2002.

KUENG, P.; WETTSTEIN, T.; LIST, B. A holistic process

performance analysis through a performance data warehouse. In: AMERICAS CONFERENCE ON INFORMATION SYSTEMS, 7, 2001, Boston, Massachusetts, USA.
Proceedings Boston, 2001. p. 349-356.

SINGH, H. S. Data Warehouse. 1 ed. So Paulo: Macron

Books, 2001. 406 p.

POE, V.; KLAUER, P.; BROBST, S. Building a data warehouse for decision support. 2 ed. Upper Saddle River
- NJ: Prentice-Hall PTR, 1998. 285 p.

ZANCUL, E.; ROZENFELD, H. Sistemas ERP. 1999. Disponvel em: <http://www.numa.org.br/conhecimentos/

ERP_V2.html>. Acesso em 16 nov 2000.

TAN, X.; YEN, D. C.; FANG, X. Web warehousing: web

technology meets data warehousing. Technology in Society, v. 25, n. 1, p.131-148, 2003.

A PROPOSAL FOR APPLYING BUSINESS

INTELLIGENCE ON THE SHOP FLOOR
Abstract
Signicant advances have been made on the shop oor in recent decades, involving substantial investments in
infrastructure, automation, training and information systems which have transformed the shop oor into a strategic
area for companies. Today, the shop oor generates large quantities of data; however, because they are dispersed or
disorganized, these data are not used to the best possible advantage as a source of valuable information. In view of
this deciency, this paper proposes the implementation of a Business Intelligence system, using Data Warehouse and
OLAP tools specically applied to the shop oor. Our objective is to develop a system that uses production data, transforming them into information to aid managers in decision-making, thereby enhancing the companys competitiveness.
A prototype of the system was built with simulated data to test the viability of this proposal.
Keywords: decision-making support system, business intelligence, data warehouse, OLAP, shop oor.