Você está na página 1de 19

O que Business Intellingence parte I/V Overview

Publicado por Daniel Rodrigues em julho 10, 2012

Ento, o que BI?


Inteligncia do negcio hoje uma ferramenta empresarial, mas historicamente remete a tempos imemoriais. BI nada mais do que o ato de cruzar informaes para obter melhores condies de tomar a deciso mais correta. Povos antigos j utilizaram dessa tecnologia, Persas, Egpcios e outros povos precisaram reunir informaes para decidir a melhor poca de plantio ou colheita, saber se e quando iria chover ou qual inimigo atacar e quando. Voltando aos tempos de hoje, o BI uma arma empresarial estratgica para que gestores possam tomar decises e no dar tiros s cegas utilizando-se de achismos infundados. Ele surge na dcada de 70 em uma poca em que no havia bancos de dados ou softwares com interfaces em desktop. Antes chamado de OLAP ou DW foi renomeado de Business Intelligence por Gideon Gartner , tambm criador da Gartner Group1.

Como o BI pode atingir seu objetivo:


Atravs da tecnologia vigente, deve-se extrair e integrar os dados de mltiplas fontes. Mltiplas por que algumas empresas possuem um sistema de armazenamento de dados para cada setor. Feito isso esses dados so armazenados no repositrio de uma tecnologia chamada Data Warehouse (falaremos sobre ele depois). Essa tecnologia possui um super banco de dados e orientado a assunto o que facilita a analise para tomada de deciso. Ento, analisando os dados contextualizados, analisando causa e efeito, com anos de informaes armazenadas em uma fonte uniforme, o gestor pode chegar a uma deciso melhor embasada.

O BI funciona atravs de algumas tecnologias, so elas:

Data Warehouse ETL (extract, transform, load) Data Mining OLAP

O Data Warehouse:
Segundo: Imon uma coleo de dados orientados a assuntos, integrados, variveis com tempo e no volteis, para dar suporte ao processo de tomada de deciso2. Kimball o conjunto de ferramentas tcnicas de projeto, que quando aplicadas as necessidades especificadas dos usurios e aos bancos de dados especficos permitir que planejem e construam um data warehouse3. O Data Warehouse um sistema de computao que inclui um banco de dados de super capacidade de armazenamento de Terabytes. Projetado para o processamento de sistema OLAP ele pode armazenar anos e anos de dados que so sumarizados, consolidados, periodicamente atualizados e descritivos. Esses dados no sofrem alterao, so histricos e como veremos o sistema analtico no permite essas transaes como insero ou excluso de dados.

O ETL:
O ETL um processo, seu significado Extract, Transform, Load, pois exatamente isso. Atravs de ferramentas como ODI(Oracle Data Integrator) ou IS(Integration Services) feita a extrao dos dados do banco de dados relacional, a transformao desses dados divergentes em um padro e o carregamento dos dados no data warehouse. claro este processo no to simples, existem alguns procedimentos:

Limpeza de dados: Os dados devem ser analisados visando evitar o carregamento de dados contraditrios epara que a extrao ocorra somente nos dados que tero importncia para o negcio. Integrao dos dados: Faz com que as diferentes fontes de dados possam conversar entre si. Carga dos dados: a cpia ou transferncias dos dados para o data warehouse. Atualizao dos dados: Claro, como estamos falando de um sistema de tomada de deciso, os dados devem ser atualizados, caso contrrio teramos um sistema obsoleto por defasagem.

O OLAP:
On line Analitical Processing um SGBDM (Sistema Gerenciador de Banco de Dados Multidimensional). Funciona de forma dedicada tomada de deciso, possui varias dimenses visualizveis, hierarquizadas em vrias granularidades e segue um modelo lgico multidimensional. So geralmente desenvolvidas para trabalhar em bancos de dados de-normalizados.

O OLAP um sistema analtico diferente do OLTP que transacional. A diferena entre eles est no quadro a seguir:

O Data Mining:
Ou minerao de dados a utilizao dos recursos de BI para a obtenso de dados e gerao de relatrios visando auxiliar na tomada de deciso. Faz-se a pesquisa dos dados relacionados a determinado assunto e seu cruzamento fazendo com que as informaes importantes sejam identificadas para posterior analise dos dados.

Bibliografia: http://www.slideshare.net/douglas/entendo-business-intelligence http://www.dct.ufms.br/~mzanusso/Data_Mining.htm http://www.efagundes.com/artigos/O%20que%20eum%20data%20warehouse.htm

O que business intelligence parte II/V OLTP X OLAP


Publicado por Daniel Rodrigues em julho 17, 2012
O que OLTP:

OLTP (On-line Transactional Processing) um sistema utilizado como base de SGBD (Sistema Gerenciador de Banco de Dados) transacionais ele permite que a realizao de comandos bsicos como insert, update e delete. utilizado pela maior parte das

empresas em pequenas transaes em tempo real e de forma rpida, como no salvam histrico de dados no so ideais para utilizao em suporte a tomada de deciso. O Ambiente: O ambiente OLTP operacional, para leitura e gravao de dados. O acesso aos dados atmico, ou seja, no possvel maior detalhamento de dados do que ele j apresenta e estes so normalizados.

Seus principais pontos fortes so: Eficincia: A possibilidade da reduo de documentos e maior velocidade na resposta dos clculos de despesas ou retornos so exemplos de como esse sistema pode beneficiar a empresa que o tem como base de seu SGBD. Simplicidade: Ele permite que o acesso aos dados seja mais fcil, rpido e organizado, fazendo com que sua utilizao aperfeioe processos. Segue modelo OLTP:

O que OLAP:
On-line Analytical Processing um SGBD relacional. Funciona de forma dedicada tomada de deciso, possui varias dimenses visualizveis, hierarquizadas em vrias granularidades e segue um modelo lgico multidimensional. So geralmente desenvolvidas para trabalhar em bancos de dados no normalizados. Os dados presentes neste sistema no podem ser alterados, j que o sistema permite update dos dados, mas no manipulaes com excluso ou modificao direta dos dados.

Sua principal caracterstica a viso multidimensional, so consultas que fornecem informaes sobre os dados presentes em uma ou mais dimenses, mas para entender esse conceito vamos falar sobre outras caractersticas:

Cubo: uma estrutura que armazena os dados de negcio em formato multidimensional, tornando-os mais fcil de analisar. Dimenso: uma unidade de anlise que agrupa dados de negcio relacionados. As dimenses se tornam cabealho de colunas e linhas, como exemplo linhas de produto, regies de venda ou perodos de tempo. Hierarquia: composta por todos os nveis de uma dimenso, podendo ser balanceada ou no. Na hierarquia balanceada os nveis mais baixo so equivalentes, porm, isto no ocorre nas hierarquias no balanceadas onde a equivalncia hierrquica no existe. Por exemplo, em uma dimenso geogrfica o nvel pas no possui o subnvel Estado para um determinado membro e possui para outro. Membro: um subconjunto de uma dimenso. Cada nvel hierrquico tem membros apropriados aquele nvel. Por exemplo, em uma dimenso geogrfica existe o nvel e seus membros. Medida: uma dimenso especial utilizada para realizar comparaes. Ela inclui membros tais como: custos, lucros ou taxas.

Certo, visto esses conceitos bsicos vamos falar sobre os operadores OLAP para navegao.

So eles: Roll-up Drill-down Drill-through Drill-cross Slice Dice Pivot Rank Vamos comear falando sobre os operadores de navegao ao longo das hierarquias. Roll-up: Abstrai detalhes, navega entre as hierarquias diminuindo nvel do detalhe. Ex: Regio > Pas Drill-down: Aumento o detalhamento dos dados, navegar entre as hierarquias buscando detalhamentos no visualizados. Ex: Regio > Estado Drill-through: Detalha os valores, ao longo de uma dimenso dada alm do nvel mais baixo do cubo. Drill-across: Detalha vrios cubos com dimenses compartilhadas. Passemos ento ao operador retculo de cubos. Slice: Extrai um sub-cubo das clulas verificando restries ao longo de uma dimenso. Dice: Extrai um sub-cubo das clulas verificando restries ao longo de vrias dimenses. E finalmente os operadores de visualizao de resultados. Pivot: O pivot permite diferenciar as visualizaes atravs de trocas de colunas por linhas ou alterando eixos das tabelas.

Rank: O rank permite ordenar os dados de uma dimenso de acordo com a medida corrente e serve tambm como filtro com ordenar os valores de vendas por ordem de data ou do maior para o menor valor.

O OLAP pode ser composto por alguns modelos fsicos de dados dos quais os principais so o ROLAP e o MOLAP. MOLAP: O modelo MOLAP(Multidimensional On-Line Analytical Processing) armazena os dados de forma multidimensional, sua implementao frequentemente feita em banco de dados relacional, porm no normalizado na 3 forma. Seu acesso acontece diretamente no servidor multidimensional e no atinge a granularidade mnima. ROLAP: O modelo ROLAP(Relational On-line Analytical Processing) armazena os dados das tabelas relacionais, apresenta dados somente de forma multidimensional e por serem tambm relacionais apresentam maior compatibilidade com os sistemas, fontes, OLTP. Porm necessita de remodelagem prvia em esquemas especializados que sero modelados em star schema ou snow flake.

Modelo de dados Star Schema(Estrela):

O modelo de dados Star Schema possui uma tabela Fato contendo no mnimo uma coluna por medida agregada e uma coluna por chave de dimenso. Tabelas de dimenso contendo uma coluna para cada atributo descrevendo a dimenso e geralmente uma coluna por hierarquia. No se preocupe com redundncias, pois haver j que o modelo no possui normalizao.

Modelo Snow Flake(Floco de Neve):

O modelo Snow Flake parecido como o Star Schema. A diferena principal est na normalizao das tabelas dimenses. Isso facilita a evoluo das dimenses e ajuda a desocupar algum espao antes utilizado pelas prprias, porm como passa a existir a necessidade de junes para acessar dados normalizados o tempo de resposta acaba ficando maior e talvez at mesmo pela velocidade e facilidade o modelo Estrela seja mais popular.

O DW utilizado para armazenar informaes e o OLAP para recupera-las, ambos so especializados para exercer suas funes de forma eficiente. As duas tecnologias so complementares de modo que um bom DW planejado com produo de relatrios em mente. Desta forma, para explorar o DW completamente necessrio o OLAP que ir extrair e alavancar totalmente as informaes nele contidas. O OLAP e Data Mining so partes integrantes de todo e qualquer processo de suporte deciso. Ainda, nos dias de hoje, a maioria dos sistemas de OLAP tem o foco no provimento de acesso aos dados multidimensionais, enquanto os sistemas de DM lidam com a anlise de influncia para os dados de uma nica dimenso. As grandes empresas como a IBM, Oracle esto liberando verses de seus RDBMS que possuem ferramentas de OLAP e DM. Quando os usurios possuem ferramentas de OLAP e no de minerao de dados, eles gastam boa parte de seu tempo fazendo as tarefas pertinentes a um DM, como classificaes e predies das informaes recebidas.

Bibliografia:
http://pt.wikipedia.org/wiki/OLTP

http://www.fag.edu.br/professores/limanzke/Administra%E7%E3o%20de%20Sistemas%20de %20Informa%E7%E3o/OLAP.pdf www.cin.ufpe.br/~compint/aulas-IAS/kdd-011/OLAP.ppt

O que Business Intelligence parte III/V Data Warehouse


Publicado por Daniel Rodrigues em julho 24, 2012
O Data Warehouse um sistema de computao que inclui um banco de dados de supercapacidade de armazenamento, de Tera Bytes. Projetado para o processamento de sistema OLAP ele pode armazenar anos e anos de dados que so sumarizados, consolidados, periodicamente atualizados e descritivos. Esses dados no sofrem alterao, pois utilizam um sistema OLAP que como o prprio nome diz, analtico e as transaes de insero ou excluso de dados no so possveis deixando-os somente para leitura. O DW possibilita o a anlise de um grande volume de dados retirados ou importados de um sistema transacional (OLTP). O armazenamento dos dados feito em um repositrio nico e de rpido acesso. Esse repositrio pode armazenar dados histricos em sistemas como ERPs1 ou CRMs2. Quanto mais dados do histrico das operaes da empresa, melhor para que a analise das informaes reflita o momento da empresa. A figura abaixo ilustra o ambiente do DW:

10

Uma parte muito importante de um DW so os metadados, so descritos como dados sobre dados. Metadados so informaes adicionais necessrias para que os dados se tornem teis, um conjunto de caractersticas sobre os dados que no esto normalmente includas nos dados. Os metadados possuem trs diferentes camadas: Operacionais Centrais Nvel de Usurio

E trs diferentes componentes: Mapeamento que descreve como os dados dos sistemas operacionais so transformados antes de entrarem no DW. Histrico que descreva as regras a serem utilizadas nos dados corrigindo-os quando as regras de negcio mudam. Algoritmos de Sumarizao que mostram a relao entre diferentes nveis de detalhes dos dados, indicando tambm qual nvel de sumarizao mais indicado para um dado objeto.

As fontes de metadados podem ser Repositrios de Ferramentas CASE, Documentao de Desenvolvimento de Sistemas Operacionais, Cdigo Fonte do Sistema Operacional, Entrevistas e at o prprio Data Warehouse em informaes como frequncia de acesso ou tempo de resposta de cada consulta. Caracterstica de um Data Warehouse: Orientao por Assunto Integrao Variao no Tempo No voltil

Orientao por Assunto: Um DW sempre armazena as informaes de acordo com um assunto ou tema para que cada setor da empresa possa consult-lo obtendo somente as informaes importantes para aquele determinado negcio. Por exemplo, se uma empresa trabalha com vendas de produtos e deseja saber o perfil dos compradores ou clientes, ento o DW ser voltado para quem compra e no para seus produtos em si. Integrao: A integrao deve ser feita para evitarmos que um mesmo elemento em tabelas diferentes tenha nomes distintos. No DW esses dados precisam estar na mesma escala, ou nomenclatura.

11

Variao no Tempo Os dados em um DW dizem respeito a um perodo especfico no tempo e no podem ser alterados. De fato caso haja algum dado que necessite de alterao feita uma nova entrada de dados para que a alterao, que foi efetuada no banco de dados fonte operacional, seja registrada. No volatilidade Aps a integrao, transformao e insero dos dados o DW os organiza em blocos para facilitar o acesso.

Arquitetura de um Data Warehouse:

12

O DW possui algumas arquiteturas e camadas das quais fazem parte as seguintes : A camada de aquisio de informao responsvel por reunir, refinar, limpar e agregar os dados dos sistemas de produo. O dado deve estar correto e prover um nico significado para a tomada de deciso , a camada de armazenamento da informao prov o armazm da informao enquanto a camada de disponibilizao da informao suporta o conjunto de ferramentas de apresentao e anlise.

Existe uma arquitetura, de Cahaudhuri, que possui dois componentes o Componente de Back End e o Componente de Front End. Componente de Back End: o conjunto de aplicaes responsveis por extrair, filtrar, transformar, integrar e carregar os dados de diferentes origens. Componente de Fronte End: o conjunto de aplicaes responsvel por disponibilizar aos usurios finais acesso ao DW.

13

Bibliografia: http://pt.wikipedia.org/wiki/ERP http://pt.wikipedia.org/wiki/Customer_relationship_management http://www.baguete.com.br/artigos/206/gelson-petuco/05/06/2006/data-warehouse http://pt.wikipedia.org/wiki/Data_Warehouse http://www.infoescola.com/informatica/datawarehouse/ http://www.pucminas.br/dw/index_padrao.php? PHPSESSID=e619c19b51fd82937f3d59854a5e6440 http://www.pontes.inf.br/docs/datawarehouse.pdf http://homepages.dcc.ufmg.br/~mateus/compmovel/aula8.pdf http://www.ppgia.pucpr.br/~scalabrin

O que business intelligence parte IV/V ETL


Publicado por Daniel Rodrigues em julho 31, 2012
O ETL (Extract, Transform and Load) um processo destinado extrao transformao e carga de dados vindos de um banco transacional para um DW. Nesse processo so obrigatrias s fazes de extrao e carga j que se os dados estiverem no mesmo formato ou linguagem do destino no ser necessrio a faze de transformao. O que ETL O processo de ETL o mais longo e trabalhoso da faze de construo de um BI, pois a extrao dos dados de uma base transacional de origem, transformao, limpeza desses dados e carregamento no DW.

14

Extrao: Segundo Inmon1 normal que aproximadamente 80% dos esforos de um BI sejam concentrados neste processo, j que para o funcionamento correto do BI proporcionando anlises confiveis os dados devem refletir a pura verdade e nada mais, o que faz do ETL um processo que deve ser pensado e realizado com cuidado. Esta etapa do processo deve se basear na busca das informaes mais importantes em sistemas fontes ou externos e que estejam em conformidade com a modelagem do DW. Essa busca, na maioria, dificultada pelo fato de as informaes estarem armazenadas em fontes distintas de dados. Num primeiro momento normal que a carga inicial seja feita para que todos os dados do sistema origem sejam transferidos para uma rea do DW chamada de Stage e posteriormente passada para a rea chamada ODS, tambm no DW. Aps isso as demais cargas sero incrementais que segundo Kimball2 a mais eficiente e carrega somente os registros que foram alterados ou inseridos na base origem. Transformao: A etapa seguinte extrao a transformao, nesta fase faz-se tambm a limpeza dos dados. Verificam-se erros de digitao, restries de permisso dos bancos (quando o h alguma restrio do tipo o usurio no pode inserir no DW), padronizam-se as abreviaes, etc. Para garantir a qualidade dos dados o devemos observar o seguinte: Unicidade: Evitar duplicaes de informao. Preciso: Os dados no devem perder suas caractersticas originais assim que so carregados no DW. Completude: No deve gerar dados parciais dos dados importantes para a anlise. Consistncia: Os dados devem ser coerentes com os dados das dimenses, devem ter forma homognea para a carga no DW.

Enquanto busca-se a homogeneidade dos dados podem ocorrer dois tipos de conflitos:

15

Semnticos: So aqueles que envolvem a palavra ou o nome associado s estruturas de modelagem, como ter o mesmo nome para entidades distintas. Estruturais: So os que dizem respeito prpria estrutura da modelagem e os mais tpicos so:
Diferenas de unidades: Quando as unidades utilizadas diferem, embora forneam a mesma informao. Como uma distncia em metros ou em quilmetros. Diferenas de preciso: Quando a preciso escolhida varia de um ambiente para outro. Se um valor monetrio armazenado (10,2) dez casas antes da vrgula e duas depois ou (10,6) dez casa antes da vrgula e seis depois. Diferenas em cdigos ou expresses: Quando o cdigo utilizado difere um do outro. Por exemplo, quando o sexo definido com cdigo M(masculino) e F(feminino) ou (1) masculino e (2) feminino. Diferenas de abstrao: quando a forma de estruturar uma mesma informao segue critrios diferentes. Quando um endereo est armazenado em uma coluna ou em vrias separado em nome da rua, nmero, complemento, etc. Depois de termos identificado os conflitos criamos regras de converso que visam exatamente corrigi-los. Essas regras podem ser criadas atravs de ferramentas de integrao Aps essas observaes pode-se iniciar o processo de carga.

Carga: Nesse momento so carregados os dados das Dimenses e da Fato. Este processo pode ser bastante demorado e requerer muito recurso de processamento, procura-se torna-lo mais curto, pois o DW ser utilizado constantemente. Por isso devemos tomar alguns cuidados. Como: Desligamento de ndices e referncias de integridade (isso pode prejudicar a validade dos dados, pois no so validados no momento da insero). Utilizao de comando tipo TRUNCATE ao invs de DELETE j que nos sistemas atuais esse recurso no gera armazenamento de informaes em reas de recuperao de dados. Ter conscincia de que alguns dados podem no ser carregados no momento da carga e assim devemos verificar os motivos para que possamos solucionar o problema.

Aps as dimenses estarem corretamente carregadas, j possvel iniciar a carga da fato, que depois de modelados para conter apenas os dados de importncia para a empresa, direcionam quais regras sero utilizadas como, por exemplo, filtros do que sero inserido ou somas a serem realizadas, provocando o aparecimento de regras que passaram despercebidas no incio da modelagem. No entanto, a fato demanda cuidados na sua carga, como o uso das chaves artificiais das dimenses para que se tenha uma integridade referencial, controle de valores nulos obtidos no momento da transao para que no gerem a falta de integridade referencial como datas que, estando nulas, invalidaro o histrico do fato. Tcnicas para amenizar o processo devido ao grande volume de dados podem ser usadas, como a carga incremental da fato, que ir carregar apenas dados novos ou alterados, execuo do processo em paralelo e em momentos de pouco ou nenhum uso do SGBD e a utilizao de tabelas auxiliares que sero renomeadas como definitivas ao fim da carga.

16

A figura abaixo mostra o ciclo do ETL em um DW.

Para ns do BI o ETL aplica-se na construo do DW, porm pode-se us-lo em qualquer tipo de trabalho envolvendo importao, transformao e carga de dados. Este o bsico sobre ETL, este conceito um pouco difcil de digerir sem um exemplo real, mas como sempre a base tambm importante para identificarmos os passo em nosso dia-a-dia. Bibliografia: http://www.fsma.edu.br/si/Artigos/V2_Artigo1.pdf http://vivianeribeiro1.wordpress.com/2011/06/28/o-que-e-etl-2/

O que business intelligence parte V/V final Data Mining


Publicado por Daniel Rodrigues em agosto 7, 2012
Data Mining ou em portugus, minerao de dados o processo atravs do qual podemos fazer uma varredura pelo banco de dados, em nosso caso pelo DW, para encontrar padres de relacionamento entre os dados e gerar novos subgrupos de informaes. Enfim o data mining como um agregador e organizador de dados. Feita a varredura e o novo agrupamento das informaes, so gerados dados estatsticos que iro aparecer nos relatrios gerados para a tomada de deciso em BI. Porm para que se possa utilizar este processo necessrio ter metas bem definidas para que seja possvel extrair o conhecimento contido nos novos agrupamentos. Essas metas podem ser alcanadas por meio dos seguintes mtodos:

17

Classificao: Classifica um item em uma ou vrias categorias pr-determinadas. Uma boa tcnica estatstica para classificao a anlise descriminante. Essa tcnica resume-se a descries grficas ou algbricas em uma ou mais classes pr-definidas. A ideia bsica substituir o conjunto original de diversas mensuraes em um valor nico, definido como conjunto linear delas. Esse tipo de anlise permite comparar dois grupos e dizer se h alguma diferena entre eles e qual a natureza dessa diferena, separandoos em duas ou mais categorias mutuamente exclusivas. Modelos de Relacionamento Entre Variveis: Associa um item a uma ou mais variveis de valores reais, consideradas variveis independentes ou exploratrias. Tcnicas estatsticas como regresso linear simples, mltipla e modelos lineares por transformao so utilizadas para vericar o relacionamento funcional que, eventualmente, possa existir entre duas variveis quantitativas, ou seja, constatar se h uma relao funcional entre X e Y. Analise de Agrupamento ou Cluster: Associa um item a uma ou vrias categorias (clusters), em que as classes categricas so divididas pelos dados, diferente da classificao na qual as classes so pr-definidas. Essa tcnica detecta a existncia e existncia de grupos diferentes dentro de conjunto de dados. Sumarizao: Determina a descrio para um subconjunto. Utilizam-se medidas de posio e variabilidade, por exemplo. As funes de sumarizao so frequentemente usadas na anlise exploratria de dados com gerao automatizada de relatrios, sendo responsveis pela descrio compacta de um conjunto de dados. A sumarizao utilizada, principalmente, no pr-processamento dos dados, quando valores invlidos so determinados por meio do clculo de medidas estatsticas como mnimo, mximo, mdia, moda, mediana e desvio padro amostral , no caso de variveis quantitativas, e, no caso de variveis categricas, por meio da distribuio de frequncia dos valores. Modelo de Dependncia: Os Modelos de Dependncia existem em dois nveis, estruturado e quantitativo e descreve dependncias significativas entre as variveis. Geralmente em forma de grfico, o nvel estruturado diz quais variveis so localmente dependentes. J o nvel quantitativo utiliza escala numrica para informar o grau de dependncia. Regras de Associao: As Regras de Associao definem a relao entre os campos de uma tabela. Utiliza a derivao de correlao multivalorada que fornece subsdios para a tomada de deciso. Descobrir essas associaes , geralmente, o motivo das pesquisas e orienta anlises, concluses e evidenciao de achados da investigao. Anlise de Sries Temporais: Como o prprio nome diz esse mtodo faz anlise por tempo, ento podemos comparar dados que foram coletados e analisa-los por hora ou por dia e formando um grfico com essas informaes. As sries so formadas por quatro padres, tendncia, variaes clnicas, variaes sazonais e variaes irregulares.

Obrigado e at o prximo artigo.

Bibliografia:

1 http://www.knoow.net/ciencinformtelec/informatica/datamining.htm

http://www.alvoconhecimento.com.br/2008/04/saiba-o-que-e-data-mining/ http://www.unimep.br/phpg/editora/revistaspdf/rct22art02.pdf http://www.inf.ufsc.br/~patrec/estatisticas.html O Sucesso da Inteligncia Empresarial BI O que Business Intelligence parte I V Overview O que Business Intelligence parte II V

18

O que Business Intelligence parte III V O que Business Intelligence parte IV V

19