Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumo
Ao longo dos anos, as empresas e organizaes em geral tm se deparado com a
contnua necessidade de tomar decises em espaos de tempo cada vez menores. Ao
mesmo tempo, cresce tambm a quantidade de dados disponveis, fato que traz
grandes desafios na coleta, armazenamento e processamento de tais dados, assim
como em obter dos mesmos a informao e o conhecimento necessrios para gerar a
Inteligncia de Negcio (do Ingls, Business Intelligence), permitindo, assim, o devido
suporte na tomada de deciso. Recentemente, uma nova denominao tem sido usada
para o tratamento de dados em diversas reas do conhecimento, conhecida como
Cincia de Dados (do Ingls, Data Science). O presente artigo tem como objetivo fazer
um estudo comparativo dos diversos conceitos e tcnicas usados em Inteligncia de
Negcio e Cincia de Dados, bem como de suas aplicaes, traando um paralelo entre
esses dois termos contemporneos.
1. Introduo
Barbieri (2011) apresenta uma definio mais prtica de BI, tendo como foco
sua aplicao pelas empresas, ao afirmar que o conceito de BI, de forma mais ampla,
pode ser entendido como a utilizao de variadas fontes de informao para definir
estratgias de competitividade nos negcios da empresa.
A fim de melhor entender a relao entre BI e DSS, pode-se dizer que: DSS so
sistemas ou subsistemas interativos, baseados em computadores, direcionados a
auxiliar a tomadores de deciso a usar tecnologias de comunicao, dados,
documentos, conhecimento e/ou modelos para identificar e resolver problemas,
realizar tarefas completas do processo de deciso e a tomar decises. DSS um termo
geral para qualquer aplicao de computador que melhora a habilidade de tomar
decises. Adicionalmente, DSS se refere a um campo acadmico de pesquisa que
envolve a concepo e o seu estudo no contexto de sua utilizao. Os cinco tipos mais
especficos de Sistemas de Suporte Deciso incluem: DSS dirigido comunicao;
dirigido a dados; dirigido documentao; dirigido ao conhecimento; e dirigido a
modelos (Power, 2002).
Com base nos tipos de DSS, Power traa o paralelo entre BI e DSS, ao concluir
que BI um DSS orientado a dados que apoia, principalmente, a consulta de uma
base de dados histrica e a elaborao de relatrios peridicos resumidos podendo,
ainda, ser referido a um propsito especfico para alguns DSS orientados a Dados.
3. Cincia de Dados
Fawcett, 2013a).
partir de dados.
Um requerimento epistmico comum, para avaliar se um novo conhecimento
susceptvel como recurso para a tomada de deciso o seu poder preditivo e
no apenas sua capacidade de explicar o passado.
Um cientista de dados requer um conjunto de habilidades integradas que
abrange matemtica, aprendizagem de mquina, inteligncia artificial,
estatstica, bases de dados e otimizao, juntamente com uma profunda
compreenso do ofcio de formulao de um problema para projetar solues
eficazes.
lentamente
Por fim, h ainda outro importante paradigma em comum nestas duas reas
o paradigma de Big Data uma abordagem em que enormes velocidades, variedades
[Digite texto]
Como dito acima, Big Data um conceito relacionado a dados que excedem a
capacidade de sistemas tradicionais de bancos de dados, devido s suas principais
particularidades, como possurem enormes volumes, se moverem rapidamente e no
se encaixarem nos requisitos tradicionais de arquiteturas de bancos de dados. Quatro
principais caractersticas os Quatro Vs - definem o que Big Data: volume,
velocidade, variedade e valor.
Este modelo baseia-se em duas etapas distintas para uma aplicao: Map: uma
etapa inicial de ingesto e transformao, na qual os registros individuais de entrada
podem ser processados em paralelo; Reduce: uma etapa de agregao ou resumo, em
que todos os registros associados devem ser processados juntos por uma nica
entidade.
Por fim, possvel ver o termo Big Data ser continuamente relacionado
Cincia de Dados (Dhar, 2013). Entretanto, cabe ressaltar que o termo possui papel
fundamental em outras reas relacionadas ao gerenciamento de dados, como a
engenharia de dados e a minerao de dados.
Alm deste processo principal, h ainda outros cinco que compem o KDD:
Preparao de dados;
Seleo de dados;
Limpeza de dados;
Incorporao do conhecimento prvio adequado;
Interpretao correta dos resultados de minerao.
voltados para a rea de negcios. Neste sentido, a Cincia de Dados no deixa de ser
uma extenso a BI quando aplicada a reas de negcios.
Nos ramos das Cincias Naturais, uma das primeiras aplicaes foi na
Astronomia, alcanadas pelo sistema SKICAT [Fayyad, 1995].
Avanos extraordinrios tm-se obtido no campo da genmica, desde o
sequenciamento do genoma humano e de outras espcies de animais e plantas, cujas
informaes genticas encontram-se depositadas em bancos de dados pblicos,
aguardando processamento para ganharem sentido. O crescente interesse por
anlises genmicas in silico, utilizando sistemas KDD, resultado do sucesso que vem
sendo alcanado por meio de tais anlises na identificao de genes e suas funes,
cuja sequncia de nucleotdeos est disponvel em bases de dados pblicas na web.
Mtodos estatsticos, capazes de analisar grandes quantidades de dados
biolgicos, vm sendo desenvolvidos e implementados h anos na tentativa de
identificar e predizer as funes dos genes e protenas por eles codificados (Wang,
2003). Resultados alcanados por meio de anlise in silico e confirmadas
posteriormente em laboratrio (Silva, 2010), sugerem que possvel a identificao de
uma famlia inteiras de genes, por meio de processos de Cincia de Dados, a partir de
informaes genticas depositadas em banco de dados pblicos.
Recentes aplicaes de Cincia de Dados, seja como extenso a BI ou como
cincia aplicada, incluem domnios como Dados Abertos Governamentais (Veiga e
Guimares, 2015) e Hidrologia (Xavier et al, 2015), dando mostras da gama
diversificada de reas de conhecimento em que a Cincia de Dados pode ser aplicada.
6. Concluso
diferenciem definitivamente as duas reas, quer seja nos mtodos e tcnicas utilizadas
ou nos domnios de suas aplicaes.
Referncias
Barbieri, C. (2011) BI2 Business Intelligence: Modelagem e Qualidade. Editora
Elsevier.
Chen, H., Chiang, R. H. L., Storey, V. C (2012), Business Intelligence and Analytics: from
big data to big impact. In: MIS Quarterly, Vol. 36 No. 4, pp. 1165-1188.
Cody, W. F., Kreulen, J. T., Krishna, V., Spangler, W.S. (2002), The integration of
business intelligence and knowledge management IBM Systems Journal, Vol. 41/4.
Conway, D. (2010), The Data Science Venn Diagram. Disponvel em
http://drewconway.com/zia/2013/3/26/the-data-science-venn-diagram . ltimo
acesso em maio de 2015.
Davenport, T. H., Cohen, D., Jacobson, A. (2006), Competing on Analytics In:
Harvard Business Review, p. 98-107.
Dhar, V. (2013) Data Science and Prediction In: Communications of the ACM, Vol. 56
No. 12, pp. 64-73.
Fayyad, U., Piatetsky-Shapiro, G., Smyth P., From Data Mining to Knowledge
Discovery in Databases, 1996, In: Advances in Knowledge Discovery and Data
Mining , pp. 134.
Fayyad, Usama M. SKICAT: sky image cataloging and analysis tool. Proceedings of the
14th international joint conference on Artificial intelligence, 1995
Gartner (2015). Magic Quadrant for Business Intelligence and Analytics Platforms.
Disponvel em https://www.gartner.com/doc/2989518/magic-quadrant-business-
intelligence-analytics. ltimo acesso em agosto de 2015.
Godin, Benot. The Knowledge-Based Economy: Conceptual Framework or Buzzword?
Journal of Technology Transfer, v. 31, no 1, p. 17-30, Jan. 2006.
Golfarelli, M. and Rizzi, S. and Cella, I. (2004), Beyond data warehousing: whats next
in business intelligence? In: ACM International Workshop on Data Warehousing
and OLAP, pp. 001-006.
Luhn, H.P. (1958). "A Business Intelligence System" (PDF). IBM Journal 2 (4)
Moutinho, L. and Huarng, K.-H. (Eds) (2012), Quantitative Modelling in Marketing and
Management In: World Scientific, Singapore.
Negash, Solomon. Business Intelligence. Communications of the Association for
Information Systems (Volume13, 2004) 177-195
Power, Daniel. J., Decision Support Systems: Concepts and Resources for Managers,
Quorum Books, 2002.
Provost, F., Fawcett, T. (2013a), Data Science and its relationship to big data and
data-driven decision making In: Big Data Journal, Vol. 1, pp. 51-59.
Provost, F., Fawcett, T. (2013b), Data Science for Business, OReilly Media.
Schmarzo, B., Business Intelligence Analyst or Data Scientist? Whats the
Difference?, 2014, Disponvel em:
https://reflectionsblog.emc.com/2014/08/business-intelligence-analyst-data-
[Digite texto]