Você está na página 1de 6

Business Intelligence: Inteligncia nos Negcios

Iris Fabiana de Barcelos Tronto, Ana Cludia Araujo, Jos Demso Simes da Silva, Nilson Santanna* Ministrio da Cincia e Tecnologia MCT Instituto Nacional de Pesquisas Espaciais INPE Laboratrio Associado de Computao e Matemtica Aplicada LAC/CAP E-mail: iris_barcelos@lac.inpe.br Resumo
Este artigo apresenta os principais conceitos de BIBusiness Intelligence e sua aplicao para a soluo de problemas prticos de uma corporao. Neste contexto, dada nfase ao conceito de Data Mining, uma das ferramentas utilizadas por BI que utiliza, dentre outras tcnicas, rvores de Deciso e tcnicas de Inteligncia Artificial, tais como Algoritmos Genticos e Redes Neurais em sua implementao. h produo sistemtica de informao gerencial, veloz e consistente, capaz de auxiliar empresas a tomarem as melhores decises nos negcios, baseado em fatos reais, com profundidade suficiente para descobrir as causas de uma tendncia ou de um problema. Business Intelligence tem como principais caractersticas: - A capacidade de extrair e integrar dados de mltiplas fontes. - A transformao dos registros obtidos em informao til para o conhecimento empresarial. - A valorizao da experincia. - A anlise de dados contextualizados. - A procura de relaes de causa e efeito, trabalhando com hipteses e desenvolvendo estratgias e aes competitivas. A construo de um ambiente de Business Intelligence requer dados dos vrios sistemas informatizados operacionais existentes na empresa. O conjunto de dados coletados matria-prima para uma srie de transformaes, cujo produto final carregado no Data Warehouse (depsito de dados). So criadas visualizaes gerenciais que possibilitam que as decises gerenciais sejam tomadas em tempo real. As aplicaes de Business Intelligence, que utilizam as informaes armazenadas em um Data Warehouse, podem incluir consultas e relatrios, anlises OLAP (On-Line Analytical Processing), anlises estatsticas, previses, Balanced Scorecard e Data Mining. O conceito de Data Mining surgiu com objetivo de melhorar o uso das informaes armazenadas em um Data Warehouse, utilizando algoritmos inteligentes que possam selecionar os padres mais relevantes para certas aplicaes. Dentro deste contexto algumas tcnicas como rvore de Deciso, Algoritmos Genticos e Redes Neurais so utilizados. Este trabalho est organizado em cinco sees. A Seo 2 apresenta os principais conceitos relacionados a Business Intelligence. Visto que o objetivo principal deste trabalho explorar a aplicao de Inteligncia Artificial em Business Intelligence, ser enfocada a ferramenta de Data Mining, cujos conceitos fundamentais so apresentados na Seo 3. Na Seo 4 abordado um exemplo de aplicao de Business Intelligence. Finalmente, a Seo 5 apresenta as concluses deste trabalho.

Abstract
This paper presents the main concepts of BI- Business Intelligence and its application to solve enterprise practical problems. In this context, focalize the concept of Data Mining, which is one tool used at BI. Data Mining uses Answer Trees and techniques of Artificial Intelligence, for example, Genetic Algorithms and Neural Works in its implementation.

1. Introduo
O acelerado crescimento tecnolgico e conseqente informatizao das empresas possibilitou avanos operacionais nos negcios. medida que o Hardware ficou mais barato e de melhor desempenho, grandes sistemas foram criados, possibilitando transaes rpidas e eficientes, resultando na gerao de grandes volumes de dados. Estes so armazenados em repositrios, que possuem uma caracterstica comum: a dificuldade de extrao de informao. Importantes informaes ficam armazenadas dentro da prpria empresa, sendo seu acesso muito difcil. A partir disso no difcil de se concluir que este processo gradativo de implantao de sistemas informatizados produziu mltiplos estoques de dados, com lgicas prprias e dificuldades de consolidao. O conceito de Business Intelligence (BI) surgiu para resolver estes problemas e consiste de uma vasta categoria de tecnologias e programas aplicativos utilizados para extrair, armazenar, analisar e transformar grandes volumes de dados, produzindo um ambiente de conhecimento, onde

2. Business Intelligence
Chegou a era da fidelizao, da customizao, da seduo do cliente e da Inteligncia aplicada aos negcios. Assim sendo, os grandes bancos de dados corporativos comearam a produzir variantes, como os Depsitos de Dados (Data Warehouse), com o objetivo de entregar aos tomadores de deciso, a informao na forma mais precisa e utilizvel possvel. Os dados que at ento eram simples representantes de fatos comuns como nome, endereo, telefone, dentre outros, hoje se sofisticam na representao de imagens, vdeos, sons, dados temporais, indicadores econmicos, planilhas, pginas HTML e estruturas XML, acompanhando as mudanas solicitadas por uma sociedade agora alavancada por outras indstrias, como entretenimento, comunicao e comrcio eletrnico. A informtica fez os dados, depois os transformou em informao. Agora o objetivo usinar conhecimentos, a partir daquelas matrias-primas. BI representa a habilidade de se estruturar, acessar e explorar informaes, normalmente guardadas em DW/DM (Data Warehouse, Data Marts) com o objetivo de desenvolver percepes, entendimentos e conhecimentos, os quais podem produzir um melhor processo de tomada de deciso. o conceito de Data Mining (garimpagem de dados) que objetiva melhorar o uso desses gigantescos arsenais de informao atravs da identificao de padres de correlao normalmente invisveis em anlises convencionais. Indicadores de produtos comprados em conjunto ou de padres de fraudes praticadas ajudaro os gerentes de empresas, no seu cotidiano, a descobrir sinuosas correlaes que certamente o levaro a melhor dispor a gndola do seu mercadinho, ou modificar os critrios de anlise de riscos de uma proposta de emprstimo. Vive-se a era do BI-Business Intelligence, com a informao usinada a partir dos dados sendo diretamente aplicada aos negcios [1]. Assim como a rea de gerncia de conhecimento (KMS-Knowledge Management System), BI visa criar estoques de dados e fatos que suportem processos decisrios fundamentais. Enquanto as duas abordagens acima visam olhar para dentro da empresa, existe uma terceira que visa observar o mundo exterior da empresa. o conceito de CICompetitive Intelligence. Pode-se entender CI como um BI aplicado ao mundo fora das fronteiras empresariais, focado primariamente em informaes textuais e factais que dizem respeito aos movimentos do mercado e dos concorrentes. A estratgia de CI passa pelas vizinhanas dos conceitos de KMS e se acopla aos de Mining. A proposta de BI acopladas com as de CRM (Costomer Relationship Management) e SCM (Supplay Chain Management) de se concentrar em prol dos clientes algo que parece definitivo. SCM representa os processos de

produo e entrega do produto final, do fornecedor para o cliente. CRM so os sistemas, aplicativos e as tecnologias devotadas ao tratamento com o cliente da empresa, com o objetivo de melhorar as aes de marketing, vendas e servios. Um novo conceito emerge na indstria da informtica: EAI (Enterprise Application Integration), que pode ser traduzido como a integrao de aplicaes corporativas. Neste trabalho, o conceito de Business Intelligence apresentado segundo os conceitos de Data Warehouse[7], Data Mart[1] e Data Mining[5], cobertos na prxima seo.

2.1. Data Warehouse, Data Mart e Data Mining


Os dados que habitam os tradicionais sistemas legados recentemente implementados, ERP (Enterprise Resource Planning), ou pacotes integrados de gesto, que constituem a base dos processos de negcios das empresas, esto formatados e estruturados da forma transacional, dificultando, dessa maneira, o seu tratamento informacional. Assim, BI deve ser entendido como o processo de desenvolvimento de: - Estruturas especiais de armazenamento de informaes como Data Warehouse (DW), Data Mart(DM) e ODS (Operational Data Store), com o objetivo de se montar uma base de recursos informacionais, capaz de sustentar a camada de inteligncia da empresa e possvel de ser aplicada aos seus negcios, como elementos diferenciais e competitivos. Juntamente com o conceito de DM, DW, OSD, o conceito de BI contempla tambm o conjunto de ferramentas ETC - Extrao, Tratamento e Carga, fundamentais para a transformao do recurso de dados transacional em informacional. Enquanto DW e DM se referem estruturas dimensionais de dados, remodeladas com o objetivo de prover anlises diferenciais, o conceito de OSD, por sua vez, est relacionado ao armazenamento e tratamento de dados operacionais, de forma tambm consolidada, porm sem as caractersticas dimensionais. O ODS alm de representar a metade do caminho entre o legado e o DW, tambm oferece informaes importantes do ponto de vista decisrio, devido a sua caracterstica de consolidao e integrao de vrias fontes de dados. - Aplicaes especiais de tratamento de dados, como OLAP e Data Mining. O termo OLAP (On-Line Analytical Processing), hoje muito difundido, traduzido para processamento analtico on-line, representa essa caracterstica de se trabalhar os dados, com operadores dimensionais, possibilitando uma forma mltipla e combinada de anlise. O conceito de Data Mining por outro lado, est mais relacionado com os processos de anlise de inferncia do que com os de anlise dimensional de dados e representa uma forma de busca de informao baseada em algoritmos que objetivam o

reconhecimento de padres escondidos nos dados e no necessariamente revelados pelas outras abordagens analticas, como OLAP. A Figura 1 mostra esquematicamente os componentes de Data Warehouse, Data Mart, ODS e Ferramentas (entre as quais as de Mining), compondo o mosaico de BI. Alm dos depsitos de dados na forma consolidada de Data Warehouse ou por assuntos/ negcios (como Data Marts) e o ODS, aparece tambm a camada fundamental de ETC-Extrao, Transformao e Carga, responsvel pelas aes de coleta, limpeza, preparao e carga desses depsitos de informaes. Os processos de Mining trabalharo sobre um extrato de dados especialmente preparado para esta forma de tratamento.
Dados Operacionais D D D D

Consolidao

Extrao Transformao -Carga

ODS Operacional Data Store

forte tendncia de fuses e aquisies, o mercado de BI ser bastante disputado nos prximos anos. A Computer Associates fortaleceu o seu arsenal de BI com as aquisies da Platinum e da Sterling que, por sua vez, j haviam comprado outras empresas menores. Agora, a Computer Associates dever integr-las em um mosaico de BI [1]. A Oracle desenvolveu um poderoso conjunto de Ferramentas BI, iniciando com a aquisio da Oracle Express, seguido de outras ferramentas na rea de Mining (Darwin da Thinking Machines). No cenrio de produtos que estaro brigando pelo mercado emergente de BI, certamente dois produtos iro catalisar a ateno dos desenvolvedores de DW e DM, e influenciaro diretamente nos processos de anlise e escolha de solues OLAP para as empresas: o BWBusiness Information Warehouse, da SAP e o MS-SQL Server Analysis Services, da Microsoft.

3. Data Mining
Um dos grandes problemas dos especialistas em anlise de informao a transformao de dados em informao. Como fazer isso de uma forma automatizada, e no menor tempo possvel? Uma das respostas para isso a combinao de estatstica convencional e tcnicas de inteligncia artificial, que resulta em uma tcnica muito comentada nos dias de hoje, o Data Mining. Os processos de Data Mining so extremamente complexos, alm de ser um trabalho que dificilmente ser resolvido apenas por um especialista em Data Mining. Em qualquer projeto de Data Mining obrigatrio a existncia de um profissional com o conhecimento do negcio, pois ele possui domnio total do assunto. Para evitar que a resultado da modelagem no tenha a menor utilidade para apoiar uma deciso. Segundo Naliato [9], o conceito de Data Mining flutua entre uma forma de estatstica e um conceito revolucionrio, agora aplicado ao mercado. Na verdade, o objetivo desta tcnica encontrar padres, ainda no descobertos nos dados, que possam gerar respostas corretas para novos casos. Este processo de busca e interpretao de padres tipicamente interativo e iterativo, envolvendo a aplicao repetitiva de mtodos especficos de minerao de dados ou algoritmos e interpretaes dos padres gerados como resultado destes algoritmos. A Figura 2 mostra, numa viso geral, os passos principais de um projeto de Data Mining. No esquema esto os grandes blocos do projeto, com as fases de Preparao, Minerao, Anlise e Aplicao. A fase de preparao consiste de atividades que vai desde a construo de um banco de dados, separado, para os dados sujeitos ao Mining at a atividade de carregar o banco de dados para o processo de Mining. A preparao dos dados a serem utilizados num projeto vai variar de acordo com o algoritmo de Mining escolhido. Dependendo

Data Warehouse
Integrao Botton-up rea-1 rea-2 rea-3 Ferramentas Mining

Data Mart Distribuio

Data Mart Recursos Humanos

Data Mart Financeira

Query/Report EIS Rolap Molap Mining

Figura 1 Componentes de um ambiente de BI- Business Intelligence [1]

2.2. Mercado e Ferramentas de BI


As ferramentas para um ambiente de BI-Business Intelligence podem ser classificadas como de Construo, Gerncia, Uso e Armazenamento. As ferramentas de construo tm o objetivo de auxiliar no processo de Extrao de dados das fontes diversas, seu tratamento de preparao, transformao e sua carga nas estruturas finais do DW/DM. As ferramentas de Gerncia objetivam auxiliar o processo de armazenamento e utilizao dos DW/DM e do repositrio, onde residem as informaes de meta-dados, responsveis pela definio das estruturas e dos processos de transformao desejados. . As ferramentas de uso so, na essncia, os mecanismos, atravs dos quais os usurios manipulam os dados nos DW/DM e obtm as informaes requeridas. Oferecem um arsenal de operadores, dentre outros drill-down, up, cross, through e trabalham em interfaces Web. O conceito de Data Mining est presente neste tipo de ferramenta. O mercado de BI aponta para valores bastante significativos para os primeiros anos do novo milnio. Com o crescimento vertiginoso do conceito de BI e com a

deste algoritmo, os dados sero formatados de maneiras diferentes. Este processo de preparao dos dados determinante no sucesso do Data Mining e costuma consumir muito tempo e recurso. A fase de minerao responsvel por criar os modelos de Data Mining, definir amostras ou populao e selecionar dados para treinar o modelo. Alm disso, aqui dever ser definida a formatao requerida pelas ferramentas. Por exemplo, redes neurais exigem dados na forma dicotmica (sim/no) e rvore de deciso demanda agrupamentos, como bom, mdio e ruim. Por fim, cria os previsores ou atributos-chave para a anlise do negcio. Alguns modelos bsicos de garimpagem de dados podem ser utilizados na fase de anlise tais como: - Regras de associao: So regras que so formadas com informaes existes na base de dados. So relacionamentos que na grande parte das vezes no so conhecidos pelo detentor do negcio. - Classificao: so processos utilizados para se definir grupos ou classes de elementos, baseado em certos parmetros pr-estabelecidos.Vrias abordagens so usadas para definir modelos de referncia (redes neurais, rvores de deciso, baseados em regras), sendo que algumas permitem a definio explcita da classe (rvore de deciso) e outras o seu modelo implcito (redes neurais). - Padres Seqenciais: so processos que visam a identificao de fatos que implicam em outros fatos, em momentos diferentes de tempo. - Agregao: tem como objetivo a obteno de agrupamentos baseados na similaridade apresentada pelos dados.
DW/DM

Depois de definido e testado o modelo, ocorre a fase de aplicao, que se d pela utilizao daqueles algoritmos ajustados em situaes reais de sistemas. Alguns produtos permitem que seja produzido um cdigo fonte, resultante dos modelos e algoritmos definidos e compilados, que poder ser incorporado em sistemas tradicionais e invocado para a execuo das anlises requeridas. As Sees 3.1, 3.2 e 3.3 abordam algumas aplicaes de Data Mining. Existem vrias tcnicas de Data Mining que podem ajudar as empresas a encontrar informaes para fomentar a sua tomada de deciso. Heinrichs & Lim [6] utilizam a tcnica de Anlise de Regresso em seu trabalho sobre ferramenta de Data Mining baseado na Web. Outras tcnicas como Anlise de Conglomerados, Mtodos Preditivos com Sries Temporais, rvore de Deciso, Redes Neurais e Algoritmos Genticos so importantes. Essas trs ltimas so apresentadas a seguir. Resta aos especialistas identificar a melhor tcnica para o seu problema.

3.1. rvore de Deciso


A rvore de deciso uma tcnica que, a partir de uma massa de dados, cria e organiza regras de classificao e deciso em formato de diagrama de rvores, que iro classificar suas observaes ou predizer resultados futuros. Se seus dados estiverem divididos em classes dicotmicas, por exemplo, infectados contra no-infectados, um rvore de deciso pode ser construda para criar regras que classifiquem casos j existentes ou casos novos, com preciso. Comea com um nico grupo que rene todos os casos em estudo. Na medida em que a rvore vai se expandindo, esta base dividida em mdulos que representam categorias das variveis analisadas. Cada galho da rvore formado por esses ndulos que vo se abrindo em subgrupos mutuamente exclusivos. Cada ndulo e cada galho apresentam uma proporo de obteno da resposta em estudo. O emprego de rvore de Deciso abrangente e se d nas seguintes abordagens: a) Segmentao: Identificao de grupos baseando-se na identificao de caractersticas em comum apresentadas pelos elementos. Por exemplo, em segmentao de mercado. b) Estratificao: Determinao de regras para que se possa designar cada caso a uma dentre vrias categorias existentes, como por exemplo classificar um cliente tomador de crdito em grupo de risco elevado, risco mdio, risco baixo. c) Predio: Criao de regras para aplicao em eventos futuros. Podendo ser usada tambm para identificar relaes entre atributos preditivos e valore de uma varivel contnua. Por exemplo, a identificao de

Outros dados internos

Dado preparado
Dados externos

Conjunto total de dados

Preparao

Minerao

Anlise
!?!?

Aplicao

Figura 2 Viso geral do processo de Data Mining [1]. Estes modelos de garimpagem de dados podem ser usados de forma integrada, realizando anlises em cascata, com operadores aplicados sobre resultados de outros. Isso pode ser visto em [2].

quais aes de marketing podero levar a um aumento significativo nas vendas. d) Reduo de dados e filtro de variveis: podem ser utilizadas para identificar quais variveis tm mais influncia sobre a resposta, diminuindo assim o volume de variveis em estudo. e) Identificao de Interaes: identificao de interaes pertinentes somente em determinados subgrupos e especificaes destas em modelos paramtricos formais. f) Mero de categorias e discretizao de variveis contnuas: significa a possibilidade de recodificao de variveis categricas e contnuas com perda mnima de informao. rvores de Deciso podem ser aplicadas em vrias reas. Alguns exemplos tpicos de sua aplicao so apresentados em [1]. Dentre eles, se destacam: Mala Direta; Credit Scoring (tambm conhecida como escoragem de crdito); Anlise de Mercado; Controle de Qualidade; Recursos Humanos; Pesquisas Mdicas e Estudos de Polticas Internas.

importante salientar que no existe uma tcnica universalmente melhor que todas. O sucesso do Data Mining depende muito da experincia e sensibilidade do pesquisador, o qual ter que identificar qual a melhor ferramenta a ser utilizada, de acordo com o tipo de resposta procurada e com o modo em que se encontram seus dados. Por isso, os exemplos de aplicaes dos mtodos relacionados neste trabalho podem se repetir. A tcnica de Redes Neurais pode ser aplicada em Data Mining para resolver problemas relacionados a: Marketing; Modelos Preditivos; Vendas; Finanas; Energia e; Produo. Exemplos dessas aplicaes so apresentados em [1].

3.3. Algoritmos Genticos


Algoritmos genticos, AGs, so mtodos de otimizao e busca inspirados nos mecanismos de evoluo de populaes de seres vivos [8]. Esses algoritmos seguem o princpio da seleo natural e sobrevivncia do mais apto, declarado em 1859 pelo naturalista e fisiologista ingls Charles Darwin em seu livro A Origem das Espcies. Otimizao a busca da melhor soluo para um dado problema, visando economizar os recursos desprendidos, sejam eles financeiros, tempo, etc. Consiste em tentar vrias solues e utilizar informao obtida neste processo de forma a encontrar solues cada vez melhores. O primeiro passo de um Algoritmo Gentico tpico a gerao de uma populao inicial de cromossomos. Esta populao formada por um conjunto aleatrio de cromossomos, que representam possveis solues do problema a ser resolvido. Durante o processo evolutivo, esta populao avaliada e cada cromossomo recebe uma nota (denominada de aptido), refletindo a qualidade da soluo que ele representa. Em geral, os cromossomos mais aptos so selecionados e os menos aptos so descartados (darwinismo). Os membros selecionados podem sofrer modificaes em suas caractersticas fundamentais atravs dos operadores de crossover e mutao, gerando descendentes para a prxima gerao. Este processo repetido at que uma soluo satisfatria seja encontrada. Pesquisas mais recentes apontam para uma tendncia de utilizao de Algoritmos Genticos Hbridos, em que algoritmos Genticos so combinados com outras tcnicas como, por exemplo, rvore de Deciso, Data Mining. Debora [3];[4] prope uma soluo para o problema de desbalanceamento de classes em uma base de dados, baseada no uso de um mtodo hbrido com Algoritmos Genticos e rvore de Deciso. Neste caso, o Algoritmo Gentico age como um Wrapper usando a sada do algoritmo de rvore de Deciso, para a obteno da funo objetivo das populaes de indivduos.

3.2. Redes Neurais


As Redes Neurais so uma tecnologia cada vez mais usada em Data Mining. Sua grande vantagem est basicamente em sua habilidade de aprendizagem a partir das experincias, no ficando restritas a uma ordem seqencial pr-fixada. Elas consistem em algoritmos e procedimentos computacionais que imitam a capacidade de aprendizagem do crebro. Esta tcnica formada de ndulos cujo processamento se assemelha ao dos neurnios, da seu nome. No considerada uma tcnica estatstica por no apresentar a robustez de uma. No oferece estimadores definidos e o comportamento de uma rede neural, com certa massa de dados, nem sempre se repetir com outra. Os ndulos so conectados como uma rede e funcionam paralelamente. A primeira fase de ndulos composta pelos ndulos de entrada. Eles recebem o imput das variveis fornecidas pelo banco de dados, transformam-no de acordo com uma funo (chamada funo de ativao), produzindo informao de sada que ser enviada prxima fase de ndulos. Esta, por sua vez, receber diversas informaes dos ndulos de entrada como seu input. Esta fase formada pelos ndulos ocultos, que, em redes neurais mais complexas, podem formar diversas camadas. Por fim, tem-se os ndulos de sada. Estes processam as informaes recebidas e produzem uma resposta, mas no a enviam para outro ndulo, pois j o resultado final da rede. Se a rede de classificao, o ndulo de sada j o final. Para o caso de modelos de previso, o ndulo de sada j representa um valor preditivo.

4. Aplicaes de Business Intelligence


A SPSS uma empresa que lidera tecnologias em Data Mining e aplicaes analticas para melhorar a tomada de decises. Tais aplicaes atendem os objetivos do conceito de Business Intelligence, que tem como premissa auxiliar organizaes no gerenciamento do futuro, atravs de um aprendizado do passado, do entendimento do presente e prevendo potenciais problemas e possibilidade. A empresa fornece todas as aplicaes necessrias para um processo analtico, desde o planejamento, gerenciamento dos dados, anlise e distribuio dos resultados. Algumas dessas aplicaes analisam informaes histricas para determinar com confiabilidade o que acontecer no futuro. rvore de Deciso so teis em Data Mining conforme abordado na Seo 3.1.. Elas criam uma estrutura de rvore na qual cada ramo separado em subconjuntos mutuamente exclusivos. Cada ramo da rvore corresponde a uma regra para separar os dados em subconjuntos que produzem pre-condies para os dados atuais e para os novos dados. Os componentes de rvore de deciso so teis, por exemplo, em segmentao de marketing para identificar grupos distintos em um banco de dados de clientes; em anlise de riscos para descobrir fatores que determinam se uma aplicao particular um risco de crdito bom ou ruim e; em gerenciamento de relacionamento de clientes (CRM) para descobrir padres em como clientes interagem com uma determinada companhia. Um dos produtos oferecidos pela empresa a ferramenta AnswerTree, que um software para Data Mining que capacita usurios de negcios analisar dados com uma maior preciso. Ela utiliza a tcnica de rvore de Deciso (http://www.spss.com/spssetd/tools.htm). Um exemplo de sua aplicao quando uma organizao deseja determinar quais clientes, ou grupo de cidados que melhor combinam com suas promoes e programas, marcando precisamente as pessoas e eliminando as conjecturas que levam a enviar ofertas a grupos arbitrrios de pessoas em suas listas de e-mail. Neste caso, AnswerTree permite que a organizao atinja mais eficientemente o grupo certo de pessoas . Ela usa rvores de Deciso escalveis, que revelam segmentos e prev como grupos respondero a promoes e programas. AnswerTree oferece quatro componentes de rvore de deciso poderosos, (podendo escolher o que melhor se aplica aos dados do usurio), mostra modelos grficos permitindo visualizar os grupos daquele assunto. Os grficos so importantes no sentido de permitir agir sobre os resultados rapidamente. Chen [5] fornece uma viso detalhada sobre os algoritmos e sobre as tcnicas que podem ser utilizadas no contexto de Data Mining.

5. Concluses
Atualmente, no difcil de se perceber que os sistemas de BI da empresa so essenciais para a tomada de decises. Neste contexto, pode-se dizer que DW (Data Warehouse) tornou-se a ferramenta principal para o trabalho do departamento de marketing e que a maioria das informaes para tomada de deciso so extradas dos sistemas de apoio tomada de deciso. Entre as diversas utilizaes dos sistemas de BI, se destacam a anlise de trfego, o acompanhamento da receita e sua tendncia, anlise de churn e de reteno de clientes. Vrias tcnicas, ferramentas e conceitos existem no mercado. Porm, quando uma empresa busca implementar uma soluo de BI-Business Intelligence, primeiro ela dever identificar qual seu problema, como atac-lo e principalmente como resolv-lo. Estas questes so fundamentais para que se efetue uma boa escolha da ferramenta ou tcnica a ser utilizada. Uma vez que identificamos a necessidade de se dar apoio tomada de deciso quando se trata do desenvolvimento de software, pretende-se em trabalhos futuros investigar a aplicabilidade de BI no processo de desenvolvimento de software.

Referncias Bibliogrficas
[1] C.Barbieri, BI- Businesss Intelligence: Modelagem & Tecnologia, Ed. Axcel Books, Rio de Janeiro, 2001. [2] D. R. Carvalho, A hybrid decision tree/genetic algoritm for coping with the problem of small disjuncts in Data Mining, In:2000 Genetic and Evolutionary Computation Conference, Las Vegas. 2000. [3] D. R. Carvalho, Data Mining atravs de induo de Regras e Algoritmos Genticos, Dissertao de Mestrado em Informtica Aplicada, PUCPR, PR, 1999. [4] D. R. Carvalho, A hybrid genetic algorithm decision tree approach for coping with unbalanced classes, In: The Second International Conference on Pratical Application of Knowledge Management, London. 1998. [5] Z.Chen, Data Mining and Uncertain Reasoning: An Integrated Approach, John Wiley & Sons, Canada, 2001. [6] H.Heinrichs, Jeen-Su Lim, Integrating web-based data mining tools with business models for knowledge managment. Decision Support System, vol.35, 2003, p. 103-112.

[8] E.G.M. Lacerda, A.C.P.L.F. Carvalho, Introduo aos Algoritmos Genticos. In: Anais do XIX Congresso Nacional da Sociedade Brasileira de Computao. vol.II, 1999, p.51-126.