Você está na página 1de 3

Sistemas de apoio a decisao Sistema computacional interactivo que apoia o decisor nas suas tomadas de decisao: Rapidez nas

decisoes; - Optimizacao das decisoes; - Capacidade de previsao Obejctivos: Deve permitir obeter vantagens competitivas em relacao a concorrencia. Deve permitir diminuir os custos na definicao estrategica da empresa atraves de uma capacidade processamento mais rapido e eficaz. Retorno do investimento a MEDIO prazo (aumento de cientes, clientes mais satisfetitos). TIPOS de SAD: Model-driven e Data-driven. Model driven: O decisor conhece o modelo. Ideal para criacao rapida de cenarios. Os mais comuns sao os modelos estatisticos para calculo de media,mediana,desvio padrao. Projeta resultados futuros atraves da analise de dados. Exemplo: Simuladores de Seguros, IRS, Folhas de calculo. Data-driven: Sao construidas normalmente data warehouses a patir de dados de de bases de dados transaccionais. Sao entao utilizadas tecnicas, como OLAP ou Data mining para visualizar e extrair informacao de dados. Justifica se um SAD se: (todas dos objectivos exepto o MEDIO prazo e tem ainda "a empresa deve ter capacidade para reagir as decisoes do SAD"). Processo decisorio: Inteligencia: Consiste em identificar os problemas. Indica porque,onde e com que consequencias e que o problema ocorre. Design: Sao definidas as alternativas possiveis para a resolucao do problema. Escolha: E' escolhida uma entre as varias alternativas. Implementacao: E' implementada a escolha do nivel anerior e e' acompanhado o progresso dessa implementao

Data warehouse - Data warehouse e' uma base de dados de grande dimensao que armazena um historico de dados com o objectivo de apoiar a tomada de decisao.Sao constituidas normalmente a partir dos dados das bases de dados relacionais ou de fontes externas. Data Mart Representa normalmente um subconjunto de dados de uma DW.Os dados respeitantes a uma area especifica da organizacao. Sao normalmente criadas com o intuito de respostas rapidas as necessidas numa dada actividade. Metadados Os metadados sao definidos como dados dos dados. So' a complexidade desses dados no DW aumenta muito. Caracteristicas: Orientacao para assuntos especificos: So interessam para a DW dados relevantes para a tomada de decisao. Integracao e consistencia dos dados: Garantir que duas pessoas recebem os mesmos dados, mesmo que sejam feitos em momentos diferentes; E' necessario integrar e dar consistencia aos dados antes de os armazenar numa DW. Dependencia do tempo: Numa DW, os dados sao recolhidos ao longo do tempo. Ao adicionar-se dados a' DW, e' adicionado igualmente o instante temporal no qual ira acontecer. Optimizacao das queries: Como as queries sao o unico tipo de operacoes que se podem efectuar numa DW, entao qualquer tipo de optimizacao deve ser pensada em termos de consulta (menor tempo).E' necessario desnormalizar o modelo fisico de dados. ETAPAS do processo de Design de DW 1) Escolher o processo a modelar (encomendas, vendas) 2) Definir a granularidade do processo de negocio (nivel de detalhe) 3) Escolher as dimensoes associadas a cada tabela de factos (tempo,clientes,produtos etc.) 4) Escolher as medidas a inserir na tabela de factos (unidades vendidas,preco de venda) BASE DE DADOS OPERACIONAL VS DW. BD Operacional 1) Ajuda as pessoas nas suas actividade diarias. 2)Baixo volume de dados. 3)Insercao,consulta,eliminacao,alteracao.

4)So interessa saber se ainda existem lugares vagos.Nao interessa saber ,por exemplo, a media. 5)Optimizacao Input de dados (transacoes). 6)Dados actualizados em real time 7) Event-Driven: Os processos geram dados. DW 1) ajuda as pessoas na tomada de decisao 2)Alto volume de dados por transacao 3)Apenas inclui insercao e consulta. 4)Dados resltanes de sumulas.Interessa fundamentalmente a visao global que se tem dos dados em vez dos detalhes. 5)Optimizacao-Queries. 6)Dados actualizados periodicamente. 7)Data-driven: Os dados geram respostas. DTA MINING Procura padroes de interessa numa determinada forma de representacao, ou conjunto de reprsentacoes: classificacao, aorvores de decisao,regras de inducao,regressao,segmentacao. Objectivos Extracao de padroes (informacao escondida) a partir de grandes quantidaddes de dados com o objectivo da tomada de decisoes;Encontrar melhores formas de exrair conhecimento a partir dos dados;Substituir os metodos estatisticos com menor trabalhoe maior fiabilidade. E' diferente da estatistica e do OLAP. Agenda Classificacao(previsao) Clustering(descricao) Regras Associacao(descricao) Regras sequencia(descricao) Regressao(previsao) Classificacao:Encontrar um modelo para o atributo que representa a classe a classificar como funcao dos valores dos outros atributos. Clustering:forma semelhante a classificacao com a diferenca que os grupos ou classes nao estados definidos a partida.E' o prorpio sistema que agrupa os dados de acordo com caracteristicas semelhantes. Asocciacoes:O objectio e' encontrar um modelo em que se identifiquem dependencias entre as varias variaveis,isto e, identificar grupos de dados tipicamente associados. Sequencia:Neste caso os produtos associados nao sao comprados conjutamente mas intervalados no tempo.