Escolar Documentos
Profissional Documentos
Cultura Documentos
Inteligência de Negócios
O que é Informação?
Definição Princípios
informação redundância
O que é Informação?
Cognição
Processo Cognitivo
Ambiente: origem dos Estímulos Os anos ensinam muito do
que os dias jamais saberão.
Registro: Estímulos captados e
transformado em Dados Ralph Waldo Emerson
Sabedoria
Inteligência Corporativa
• OLAP Inteligência
sintético
• Mineração de Dados
+ agregação
Estratégico
coletivo
estatística Gestão Conhecimento
• ERP
Tático • Sistemas Integrados
analítico • KM Informação
+ detalhe
individual Automação
granular Operacional • Frente de Loja
• Chão-de-Fábrica Dados
• Call Center
Estímulos
INTELIGÊNCIA DE NEGÓCIOS
BANCOS DE DADOS, OLTP E OLAP
Modelo Relacional
Objetivos Desnormalização
Data Mining
ETL
Fin
Produção Comercial
Cubo OLAP
Arquivos Diversos
Relatórios
Data Marts
INTELIGÊNCIA DE NEGÓCIOS
OLAP – DIMENSÕES E FATOS
Dimensões Fatos
São os aspectos que serão São os dados que servirão de base de
considerados nas consultas, por
exemplo: totalização, por exemplo:
Tempo (Ano, Trimestre, Mês) Valor de Venda
Representam critérios de
Agregação dos Fatos a Analisar Em geral são dados numéricos, dos
quais se podem obter estatísticas:
Obs: toda dimensão deve ter domínio SUM() – Soma
discreto; se não tiver, transformar em AVG() – Média Aritmética
faixas de valores, ex: faixas de idades
até 18, 19 a 35, de 36 a 50 e acima MIN() – Menor Valor
de 51 MAX() – Maior Valor
Exemplo:
SELECT
P.Brand,
S.Country,
SUM (F.Units_Sold)
FROM
Fact_Sales F
INNER JOIN Dim_Date D
ON F.Date_Id = D.Id
INNER JOIN Dim_Store S
ON F.Store_Id = S.Id
INNER JOIN Dim_Product P
ON F.Product_Id = P.Id
WHERE
D.Year = 2009 AND P.Product_Category = ‘TV’
GROUP BY
P.Brand, S.Country
INTELIGÊNCIA DE NEGÓCIOS
SNOWFLAKE SCHEMA
Trimestre
Normalização no nível
de Elementos de
Dimensão (uma tabela
para cada grau de
dimensão)
TEMPO
Quantidade de Incidentes | Quantidade de Acidentes
Região
INTELIGÊNCIA DE NEGÓCIOS
SNOWFLAKE SCHEMA
Exemplo:
Quantas Televisões vendidas
em 2009 por marca e país:
SELECT
P.Brand,
S.Country,
SUM (F.Units_Sold)
FROM
Fact_Sales F
INNER JOIN Dim_Date D
ON F.Date_Id = D.Id
INNER JOIN Dim_Store S
ON F.Store_Id = S.Id
INNER JOIN Dim_Geography G
ON S.Geography_Id = G.Id
INNER JOIN Dim_Product P
ON F.Product_Id = P.Id
INNER JOIN Dim_Product_Category C
ON P.Product_Category_Id = C.Id
INNER JOIN Dim_Brand B
ON P.Brand_Id = B.Id
WHERE
D.Year = 2009 AND P.Product_Category = ‘TV’
GROUP BY
P.Brand, S.Country
INTELIGÊNCIA DE NEGÓCIOS
CUBO OLAP
LOCAL COMPETÊNCIA
Região País Unidade Divisão Departamento Grupo
África África do Sul Georgetown Mineração Extração E
África Moçambique Maputo Mineração Extração F
África Moçambique Mocuba Mineração Extração G
América Canadá Quebec Mineração Processamento P
América Canadá Montreal Transporte Ferroviário C
América Brasil Carajás Transporte Ferroviário D
América Brasil Serra do Cachimbo Transporte Marítimo M
Transporte Marítimo N
TEMPO Ano Trimestre Mês
2004 1 Janeiro
2004 1 Fevereiro
2004 1 Março
2004 2 Abril
2004 2 Maio
2004 2 Junho
2004 3 Julho
UNIP : SEMINÁRIO ESPECIAL DE INTELIGÊNCIA DE NEGÓCIOS
CUBO OLAP – FATOS
2004
1 2 3
Jan Fev Mar Abr Mai Jun Jul Ago Set
África do Sul Georgetown 3 1 2 3 4 5 3 1 2
África Maputo 3 4 5 1 0 2 3 4 5
Moçambique
Mocuba 6 5 8 3 9 2 6 5 8
Quebec 1 8 9 3 6 2 1 8 9
Canadá
Montreal 7 8 3 5 1 4 7 8 3
América
Carajás 5 7 3 2 8 5 5 7 3
Brasil
Serra do Cachimbo 7 8 1 5 4 4 7 8 1
INTELIGÊNCIA DE NEGÓCIOS
CUBO OLAP – VISÃO BIDIMENSIONAL
Ciclo de Vida
ETL
Extract, Transform, Load
Extrair:
obter dados das fontes
mapeadas
Definições
Definições
Utilização de Algoritmos
(MS SQL Server 2008
Analysis Services) Previsão de Seqüência
Árvores de Decisão
Previsão de Atributo Discreto Análise de Seqüência
Árvores de Decisão
Naive-Bayes Identific. de Grupos Comuns
Clustering Árvores de Decisão
Rede Neural Clustering
Árvores de Decisão
É um algoritmo de classificação e
regressão.Faz previsões baseadas nas
relações entre atributos num conjunto de
dados. O algoritmo usa alguns atributos
para prever um atributo tido como
previsível.
Por exemplo, em um cenário em que se
deseja prever a tendência dos clientes em
adquirir uma bicicleta, se 9 de 10 clientes
jovens comprarem uma bicicleta, mas
apenas 2 de 10 clientes mais velhos
fizerem o mesmo, o algoritmo infere que
idade é um bom indicador para a compra
de bicicletas.
INTELIGÊNCIA DE NEGÓCIOS
DATA MINING - EXEMPLOS DE ALGORITMOS
Naive Bayes
Aplicações
Aplicações
Limitações e Requisitos
Semelhanças Diferenças
Inteligência de Negócios
FIM