Escolar Documentos
Profissional Documentos
Cultura Documentos
Chão de Fábrica2
Chão de Fábrica2
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
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 substituio 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
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.
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
Data Mining
OLAP
Business Intelligence
alimentaro o Data Warehouse, levando-se em conta que este um sistema j comum em empresas de grande porte ou de classe mundial.
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.
58
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 So grandes e continuam crescendo ao longo do tempo.
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.
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;
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-
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
Dimenso 1 Chave 1 Atributo Atributo Atributo N 1 N Tabela de fatos Chave 1 Chave 2 Chave 3 Chave 4 Dados Dados Dimenso 3 Chave 3 Atributo Atributo 1 Dados Dados 1 N N 1
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).
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).
60
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.
4.1 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.
61
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:
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
62
ii
iii
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-
63
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
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
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
65
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
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
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. 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. 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.
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. SINGH, H. S. Data Warehouse. 1 ed. So Paulo: Macron Books, 2001. 406 p. 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. ZANCUL, E.; ROZENFELD, H. Sistemas ERP. 1999. Disponvel em: <http://www.numa.org.br/conhecimentos/ ERP_V2.html>. Acesso em 16 nov 2000.