GESTÃO DOCUMENTAL

SISTEMA DE INFORMAÇÃO DE APOIO À DECISÃO

DATA WAREHOUSES E DATA MINING

Licenciatura - Secretariado de Administração - ESTGL - IPV

Carla Eiriz e Jorge Duarte

2022/2023
Sumário

• Sistemas de informação para Gestão

• Sistemas de Suporte à Decisão

• Data Warehouses

• Data Mining

2
Sistemas de Informação para Gestão
• Surgem com a constatação que apesar da enorme quantidade de dados armazenados
nos sistemas informáticos, não era possível fornecer aos diversos níveis de gestão,
informação que lhes permitisse melhorar a capacidade de decisão no controle e
planeamento do negócio.

• Passando para um aumento da eficácia da gestão através da satisfação das suas

necessidades de informação.

• Mas os métodos de aproximação instituídos no desenvolvimento dos Sistemas

Operacionais estavam longe de ser adequados para estes novos sistemas.

3
Sistemas de Informação para Gestão

Como exemplo: Existe uma enorme diferença entre:

1. perguntar a um operacional "como se processa a faturação de um cliente?" na

tentativa de automatizar este processo.
2. Perguntar a um gestor "qual a informação que necessita para se tomar mais
eficaz nas suas funções?".

4
Sistemas de Informação para Gestão
Resposta:
1. Vai fazer uma descrição do processo formal e repetitivo de faturação e das
regras associadas.
2. Dependerá da perceção do gestor do seu papel na empresa, da sua visão, da
sua capacidade de descrever necessidades em termos lógicos e na
compreensão, da parte do analista, de como a eficácia do gestor depende do
seu relacionamento com o resto da organização.
Ter em conta, que além da qualidade da resposta, a conversão de necessidades
em sistemas informáticos é também um processo complexo.
5
Sistemas de Suporte à Decisão

6
Sistemas de Suporte à Decisão

Os Sistemas de Suporte à Decisão são sistemas de informação que apoiam os

decisores na tomada de decisão.
Não existe uma definição universal do que é um Sistema de Suporte à Decisão
(SSD).
No entanto, Romão(2006) afirma ser um “Sistema de informação computacional
para apoiar os decisores na tomada de decisões”.

7
Sistemas de Suporte à Decisão

8
Sistemas de Suporte à Decisão - Benefícios

• Rapidez e melhoria da decisão;

• Consistência;
• Possibilidade de simulação num modelo da realidade, reduzindo potenciais
perdas;
• Facilita a comunicação entre decisores;
• Facilita o acesso a conhecimento antes recolhido e compilado.
Por sua vez, o SSD não deve tomar decisões pelo ser humano, apenas expor ou
exibir possíveis soluções para os problemas. Além de contribuírem e apoiarem,
não substituem o decisor.
9
Sistemas de Suporte à Decisão – Principais caraterísticas

• Sustentam todas as fases do processo de tomada de decisão;

• Suportam, mas não substituírem o decisor;
• Destinados aos gestores de todos os níveis;
• Sustêm a resolução de problemas semi e não estruturados;
• São interativos e baseados em computadores;
• São fáceis de utilizar;
• São flexíveis.

10
 Sistemas de Suporte à Decisão – Principais caraterísticas
• Os SSD permitem analisar as variáveis de um negócio, o qual ajuda o processo de tomada de
decisões dos executivos, são ferramentas uteis de inteligência empresarial.
• Dentro das funções que realiza destacamos:
1. Extração e manipulação de informação de maneira flexível
2. Dá suporte em processos na tomada de decisões não estruturadas.
3. Permite a definição da informação que necessita e a sua combinação a favor do
utilizador.
4. Inclui várias ferramentas, como simulação, modelação, etc.
5. Permite a combinação da informação dos sistemas da empresa com os das outras
empresas externas.
11
Sistemas de Suporte à Decisão – Categorias

12
 Sistemas de Suporte à Decisão – Principal Objetivo

Oferecer informações que apoiem o utilizador na tomada de decisões oportunas, o que

pode ser dividido em três objetivos secundários:

1. Aumentar a eficácia da tomada de decisão do gestor.

2. Apoiar a tomada de decisão do gestor, mas não substituí-lo.
3. Melhorar a eficácia da tomada de decisão dos gestores.

13
Sistemas de Suporte à Decisão – Estrutura de um SSD

Principais componentes de um SSD

14
Sistemas de Suporte à Decisão – Estrutura de um SSD

A arquitetura de um sistema de apoio à decisão é geralmente composta por três

componentes:
1. Uma base de dados (Base de Conhecimento)
2. Um modelo: O contexto de decisão e os critérios do utilizador
3. Interface de utilizador

Os próprios utilizadores são também componentes importantes da arquitetura.

Estes elementos podem variar dependendo dos critérios de elaboração do
sistema.
15
Sistemas de Suporte à Decisão – Arquitetura DSS

Existem várias conceções de arquitetura DSS por muitos autores tais como:

Sprague y Carlson Power Hättenschwiler Arakas

• O sistema de • A interface de • Utilizadores • O sistema de
gestão de bases utilizador • Contexto de gestão de dados
de dados • A base de dados decisão • O sistema de
• O sistema de • Ferramentas • Sistema-alvo gestão de
gestão de analíticas e de • Bases do modelos
modelos modelação Conhecimento • O motor do
• O gestor de • A rede e • Ambiente de conhecimento
diálogo e o arquitetura da trabalho • A interface de
sistema gerador DSS utilizador
• Utilizadores

16
Sistemas de Suporte à Decisão – Principais tarefas que realiza

As principais tarefas que o sistema de suporte à decisão executa são:

1. Melhorar o rácio custo-eficiência e produtividade;
2. Otimizar estratégias para a geração de negócios;
3. Monitorizar tendências e descobrir anomalias;
4. Calcular oportunidades de negócio;
5. Gerar tabelas de dados;
6. Criar gráficos e análise de dados que são necessários.

17
Sistemas de Suporte à Decisão – Vantagens

• Promove a aprendizagem ou formação;

• Melhora a eficiência pessoal;
• Gerar novas evidências para apoiar uma
• Acelera o processo de tomada de
decisão,
decisão;
• Criar uma vantagem competitiva sobre a
• Aumenta o controle organizacional;
concorrência;
• Incentiva a exploração e descoberta
• Revela novas abordagens para pensar sobre o
pelo tomador de decisão;
espaço do problema;
• Acelera a resolução de problemas na
• Ajuda a automatizar os processos de gestão
organização;
• Redução de custos em tarefas que exigem
• Facilita a comunicação interpessoal;
decisões

18
Sistemas de Suporte à Decisão – Desvantagens
• Os funcionários devem ser instruídos
sobre o manuseio adequado do
sistema.
• Quando implementado, alguns
membros da organização podem se
opor ao seu uso, uma vez que não
estão cientes disso. É conhecido como
"resistência à mudança"
• Desconfiança nos resultados
produzidos pelo sistema pelos
membros da organização;
• A cultura organizacional deve estar aberta a
novas propostas para o desenvolvimento da
empresa, caso contrário, ao utilizar um SAD
pode ser obrigatório.
• Muito relevo na tomada de decisões.
• Assunção de relevância, uma vez que os
utilizadores se acostumam, eles passam a
depender do sistema.
• Redução de autoridade, o SAD pode ser
percebido como a transferência de
autoridade de decisão para o software.
19
Sistemas de Suporte à Decisão – Relação com outros sistemas
DSS e MIS (sistemas de informações gerenciais) estão profundamente relacionados, estes
facultam informações necessárias para gerir organizações de forma eficiente e eficaz.

Um SAD fornece uma série de ferramentas integradas que permitem que o tomador de decisão
interaja diretamente com computadores para deter informações finais para decisões
estruturadas e não estruturadas.

Nos dois sistemas emitem informações úteis para o utilizador, no MIS são gerados relatórios e
resumos, geram informações, mas não oferecem função de suporte como nos sistemas SAD;
Concluindo, o SAD é uma extensão ou evolução do SIG voltado para o campo da tomada de
decisão.
20
Sistemas de Suporte à Decisão – Exemplos
Entre os exemplos mais significativos de um sistema de suporte à decisão (DSS) encontramos:
Microstrategy, http://www.microstrategy.com/

Esta plataforma de Business Intelligence na versão MicroStrategy 9 oferece ao utilizador maior

velocidade, maior desempenho, maior simplicidade, maior eficiência e muito mais, tudo focado
em tomar decisões mais eficazes. Business Intelligence é um conjunto de sistemas de software
que oferece suporte completo de informações para que o utilizador possa tomar a melhor
decisão para o seu negócio.
21
Sistemas de Suporte à Decisão – Exemplos

Cognos, http://www.cognos.com/
SAS, https://www.sas.com/
SPSS, https://spss-clementine.software.informer.com/

22
Sistemas de Suporte à Decisão – Processo decisório

23
Sistemas de Suporte à Decisão – Estilos de tomada de decisão

24
Sistemas de Suporte à Decisão

25
Sistemas de Suporte à Decisão – Tipos e níveis de decisão

26
Sistemas de Suporte à Decisão – Tecnologias para os diversos
tipos de decisão

27
Sistemas de Suporte à Decisão – Tipos

Sistemas de Informação de Gestão (MIS)

MIS (Sistemas de Informação de Gestão), também chamados de Sistemas de Informação de
Gestão (AIS), oferecem uma visão mais ampla de tarefas organizacionais. Este sistema está
entre um DSS tradicional e um aplicativo CRM/ERP.

Sistemas de Informação Executiva (EIS)

EIS (Executive Information System ) são tipo de DSS mais utilizado no Business Intelligence,
porque promovem as tomadas de decisão de acesso simples a informação interna e externa da
empresa, e que é relevante para chegar ao sucesso.

28
Sistemas de Suporte à Decisão – Tecnologias para os diversos tipos de
decisão

Sistemas especialistas baseados em inteligência artificial (SSEE)

Os sistemas especialistas, também chamados de sistemas baseados em conhecimento, usam redes
neurais para simular o conhecimento de um especialista e usá-lo efetivamente para resolver um
problema específico.

Group Decision Support Systems (GDSS)

GDSS (Group Decision Support Systems) é um sistema que suporta grupos de pessoas que têm um
objetivo comum e que serve como interface com um ambiente compartilhado. O GDSS baseia-se
no fato de que se as comunicações forem melhoradas, as decisões podem ser melhoradas.

29
Sistemas de Suporte à Decisão – A quem se destina

Inicialmente projetado para qualquer organização que possua grandes quantidades de

informações, mas também quem utiliza este sistema é alguém moderno e sem
resistência a mudanças, além disso a organização deve confiar no sistema e fornecer
todas as informações disponíveis para o sistema para funcionar com eficiência.
Este sistema pode ser dirigido a essas grandes empresas, mas isso não significa que as
PME e qualquer outra pequena organização não possam aproveitá-lo e tirar o máximo
proveito dele. Todos nós precisamos entender que o uso da tecnologia nos pode ajudar a
alcançar o sucesso e que a tecnologia é desenvolvida para ser usada por qualquer pessoa
que seja capaz.
30
Sistemas de Suporte à Decisão – Diferenciação

Os SAD diferenciam-se de outros sistemas pela sua função de dar suporte aos
utilizadores, como o próprio nome diz, sistema de apoio à decisão, com o objetivo de
apoiar a tomada de decisão, havendo uma interação entre o utilizador e o sistema, sendo
o utilizador o último a tomar as decisões.
Já outros sistemas apenas auxiliam na realização de tarefas, são sistemas produzidos para
o desempenho automatizado de tarefas, como ex: Office Automation Systems (OAS)
ou Sistemas de Informação Gerencial (MIS), não havendo interação do utilizador ou
feedback posterior.

31
Sistemas de Suporte à Decisão – Diferenciação

Sistemas SSD
Decisão
Utilizador Sistema Informação do
utilizador

Outros Sistemas

Tarefa
Utilizador Sistema
realizada

32
Data Warehouses - Definição

"Um Data Warehouse é uma base de dados analítica, utilizada como fundação de Sistemas
de Suporte à Decisão. E desenhada para armazenar enormes volumes de dados, devendo
providenciar acesso intuitivo à informação que será utilizada na tomada de decisão."
[Videite et.ai, 1996].

"Um Data Warehouse é um armazém de dados integrado e único, que fornece a base
infraestrutural para as aplicações informacionais da empresa." [Kelly, 1996].

33
Data Warehouses - Definição

34
Data Warehouses - Definição

Já para Inmon, um Data Warehouse é uma coleção de dados para suporte dos gestores, nos
processos de tomada de decisão, com as seguintes caraterísticas:

1. Orientada para os assuntos do negócio da empresa;

2. Integrada;
3. Variável com o tempo;
4. Não volátil.

35
Data Warehouses - 1. Orientada para os assuntos do negócio da empresa

Os dados são organizados em torno dos assuntos da empresa, em vez de continuarem

agrupados às aplicações. Assuntos típicos das organizações são os clientes, produtos,
postos de venda, etc.

36
Data Warehouses - 1. Orientada para os assuntos do negócio da empresa

• Orientado exclusivamente para os dados, em vez da tradicional orientação para os

processos e dados dos Sistemas transacionais.
• Nos Sistemas transacionais, os assuntos da organização encontram-se fragmentados
pelas diversas aplicações, fornecendo apenas visões parciais das entidades do negócio.
• Exemplo: a banca, onde a informação sobre o cliente está distribuída pelas aplicações que
suportam os diversos produtos financeiros.
• Um Data Warehouse deve fornecer uma visão única do cliente.

37
Data Warehouses - 2. Integrada
A integração dos dados é obtida num Data Warehouse em vários níveis - consistência nos
formatos, consistência nos nomes, consistência nas descrições, consistência nas unidades de
medida, etc. Desta forma, os dados, com múltiplos significados nas aplicações operacionais,
serão armazenados num Data Warehouse com uma única definição.

38
Data Warehouses - 3. Variável com o tempo
A nível operacional, concentração nos dados correntes de uma organização.
Significa que os dados operacionais refletem sempre a situação empresarial atual como,
por exemplo, os stocks atuais, o balancete atual, etc.

39
Data Warehouses - 3. Variável com o tempo

• As organizações necessitam dos dados que lhes permitam analisar tendências ao longo de
um período, não detetáveis na simples análise dos dados atuais.
• Um Data Warehouse deve armazenar e disponibilizar a informação histórica, pelo que os
dados apenas fazem sentido quando contextualizados com a data da sua criação.
• As modificações provenientes dos Sistemas Operacionais darão sempre origem a novos
registos nos Data Warehouse.

40
Data Warehouses - 4. Não volátil

• Os dados operacionais são constantemente modificados pelas transações das aplicações

operacionais, de forma a refletirem sempre a realidade atual.
• OLTP – Registo de transações diárias.
• Nos Data Warehouse apenas existem 2 tipos de operações:
• O carregamento periódico de dados.
• O acesso de leitura para análise, geralmente designado de OLAP – Transações
analíticas.
• Os Data Warehouse nunca serão modificados diretamente pelas aplicações operacionais,
sendo o seu carregamento efetuado periodicamente.

41
Data Warehouses - 4. Não volátil

42
Data Warehouses - Estrutura

Quatro componentes principais:

1. Dados correntes detalhados

2. Dados históricos detalhados
3. Dados sumarizados
4. Metadados.

43
Data Warehouses

44
Data Warehouses

45
Data Warehouses

46
Data Warehouses – OLTP - Registo de transações diárias
• Produzidos vários arquivos e documentos todos os dias.
• CRM (Existem sistemas com Gestão relacionamento com cliente),
que gerem vários dados.
• Bancos de dados operacionais que a empresa utiliza para vender,
comprar, produzem muitos dados.
• ERP (Sistemas de gestão empresarial), também produzem muitos
dados durante o quotidiano da empresa.
OLTP – Online Transaction Processing que ocorrem diariamente na
empresa
(Arquivos e documentos; CRM, Bancos de dados operacionais e ERP)

47
Data Warehouses – OLTP - Registo de transações diárias
• Estas informações todas vão passar por um sistema de extração, transformação e
carregamento, chamado ETL .

• ETL recebe várias fontes de informações internas da

empresa de elementos transacionais, mas tb de fontes
externas (Publicações em redes sociais que fazem sobre a
empresa).

48
Data Warehouses – OLTP - Registo de transações diárias

• Essas extrações, transformações e

carregamentos vão ser são inseridos no
Data Warehouse, por assunto e porque é
que são inseridos?
• Para posteriormente possam auxiliar as
tomadas de decisão através de sistemas
OLAP (Online Analytical Processing), que
vão analisar os dados existente no (DW),
para apoiar a tomada de decisão.

49
Data Warehouses

50
Data Warehouses - Acesso

51
Sistema OLAP (Definição por FASMI)

52
Sistema OLAP - Definição
• Tecnologia de banco de dados otimizada para consulta e relatórios, em vez de processar
transações.
• Os dados de origem do OLAP são bancos de dados OLTP (Processamento Transacional
Online) que são comumente armazenados em data warehouses.
• Os dados OLAP são derivados dos dados históricos e agregados em estruturas que
permitem análises sofisticadas.
• Os dados OLAP também são organizados hierarquicamente e armazenados em cubos
em vez de tabelas.
• Tecnologia sofisticada que usa estruturas multidimensionais para fornecer acesso rápido
aos dados para análise.
53
Sistema OLAP - Definição

• Exemplo: A organização facilita que um relatório de tabela dinâmica ou um relatório

Gráfico Dinâmico para exibir resumos de alto nível, como os totais de vendas em todo o
país ou região, e também exibe os detalhes para sites onde as vendas são
particularmente fortes ou fracas.
• Os bancos de dados OLAP foram projetados para acelerar a recuperação de dados.
• Os bancos de dados OLAP contêm dois tipos básicos de dados:
1. Medidas;
2. Dimensões.

54
OLAP contêm dois tipos básicos de dados:
1. Medidas - dados numéricos, as quantidades e médias que podemos usar para tomar
decisões comerciais informadas.
2. Dimensões - são as categorias que se usam para organizar essas medidas. Ex: Cliente,
Produto, Cidade, Valor…etc.

Os bancos de dados OLAP ajudam a organizar dados por vários níveis de detalhes, usando
as mesmas categorias que estamos habituados para analisar os dados.

Exemplo: https://www.tableau.com/pt

https://www.oracle.com/pt/business-analytics/business-intelligence/

55
Sistemas de OLAP

56
Sistemas de OLAP

57
Sistemas de OLAP

58
Sistemas de OLAP

59
Sistemas OLTP vs OLAP

https://www.youtube.com/watch?v=iw-5kFzIdgY
https://www.youtube.com/watch?v=wq0H3vITOTY
60
Data Mining - Reflexão

• Já imaginaram como é que empresas como Netflix, Google e Facebook conseguem

prever tantas coisas sobre nós, sobre as nossas pesquisas e interesses?

• Pois, isso só é possível graças a algo chamado Ciência de Dados, área interdisciplinar
que reúne estatística e ciência da computação.

• Não é segredo que estas grandes empresas, tenham acesso a grandes quantidades de
dados, porém, dados brutos não são o suficiente para criar mecanismos que
entendam o comportamento dos consumidores e muito menos conseguir prevê-lo.

• Assim, o Data Mining, Data Warehouse e análise preditiva vão ajudar a prever esses
interesses.
61
Data Mining - Reflexão

• Já imaginaram como é que empresas como Netflix, Google e Facebook conseguem

prever tantas coisas sobre nós, sobre as nossas pesquisas e interesses?

• Pois, isso só é possível graças a algo chamado Ciência de Dados, área interdisciplinar
que reúne estatística e ciência da computação.

• Não é segredo que estas grandes empresas, tenham acesso a grandes quantidades de
dados, porém, dados brutos não são o suficiente para criar mecanismos que
entendam o comportamento dos consumidores e muito menos conseguir prevê-lo.

• Assim, o Data Mining, Data Warehouse e análise preditiva vão ajudar a prever esses
interesses.
62
Data Mining - O que é
• Data mining, ou mineração de dados, é a prática de examinar dados que já foram coletados,
utilizando diversos tipos de algoritmos, normalmente de forma automática, a fim de gerar
novas informações e encontrar padrões.
• Processo de pesquisa de relações e padrões de comportamento que existem nas bases de
dados, mas que não são evidentes para os utilizadores.
• Estas relações podem representar um conhecimento valioso sobre os assuntos armazenados
e, consequentemente, do negócio que registam.
• É um dos processos com maior capacidade de análise de dados.
• Apoiam o analista na interpretação dos dados. Este por sua vez, formula hipóteses, que
depois verifica através da análise da informação extraída da base de dados.
63
Data Mining - O que é

• Data mining, ou mineração de

dados, é um fator importante
para recuperar novas
associações não percebidas
dentro do depósito de dados que
é um (DW).

64
Data Mining – Como funciona
• A função do Data Mining é utilizar grandes bases de dados para trazer insights sobre
comportamentos que se repetem de maneira consistente. Isto deve-se à elaboração de
algoritmos que conseguem identificar padrões no meio desses dados e estabelecer
conexões entre eles.
• Para que este funcione necessitamos primeiro de dados, para depois serem devidamente
“limpos” e dispostos uniformemente, serão sujeitos a uma manipulação e comparação dos
dados a fim de estabelecer relações entre seus comportamentos através de um software
especializado.
• Resultando, deste processo a transformação de dados brutos em insights preciosos que
poderão ser utilizados para atingir os diferentes objetivos organizacionais.
65
Data Mining – Como funciona

• Considerando que minerar dados é um processo de transformar dados em informações

úteis (dados mais valiosos a partir de dados complexos).
• Para atingir esse objetivo, alguns passos são realizados, como: encontrar padrões,
associações e anomalias gerais nos dados.
• Para garantir uma seleção confiável, o data mining combina técnicas de inteligência
artificial, estatística, matemática, ciência da computação e machine learning.
• Resumindo o data mining ou exploração de dados é uma solução tecnológica que permite a
extração de dados relevantes em meio a um volume imenso de dados.

66
Data Mining – Etapas no Processo

67
Data Mining – Etapas no Processo

1 - O pré-processamento de dados: limpeza e integração de dados; redução e

transformação de dados;
2 - Exploração de dados: exploração, avaliação de padrões e representação de
conhecimento de dados.

68
Data Mining – O pré-processamento de dados

1. Limpeza de dados – 1ª etapa da exploração é o levantamento e a exclusão dos dados

que não podem ser aproveitados, ou seja, dos dados incompletos ou incoerentes,
duplicados, entre outros. Esses dados serão eliminados para não causarem nenhum tipo
de ruído e nem acumulação ao longo do processo.
2. Integração de dados - nesta etapa, é realizada a consolidação dos dados provenientes
de fontes diversas, ou seja, todos os dados aproveitáveis vão fazer parte de um único
banco de dados. Após a conclusão da estabilização é recomendável realizar novamente
a primeira etapa a fim de verificar e eliminar as inconsistências e os dados repetidos.

69
Data Mining – O pré-processamento de dados

3. Redução de dados - é basicamente começar a peneirar o que pode ser um dado

relevante ou não. Algumas técnicas costumam ser usadas nesta fase, tais como:
redução do número de atributos do total de dados, substituição e compactação das
representações de dados. Alguns métodos são fundamentais nesta etapa, por exemplo,
as árvores de decisão e as redes neurais.

4. Transformação de dados - etapa em que os dados são mapeados e reconhecidos através

de códigos e, assim, começam a ser trabalhados para o uso efetivamente.

70
Data Mining – O pré-processamento de dados
São estratégias de transformação:
a) Suavização: Eliminação de ruídos.
b) Agregação: Combinação de dois ou mais atributos em um só.
c) Normalização: Escalonamento de dados para alcançar intervalos menores.
d) Discretização: Os valores brutos dos dados numéricos são substituídos por intervalos

5. Exploração - Data mining é a etapa que dá início à exploração de dados propriamente dita,
consiste no processo em que algoritmos inteligentes são aplicados para identificar padrões e
conhecimentos relevantes. A partir desta etapa os dados são representados por modelos
estruturados através de técnicas de agrupamento e classificação.
71
Data Mining – O pré-processamento de dados
6. Avaliação de padrões - Nesta etapa, os padrões serão avaliados de acordo com o seu valor de
interesse à medida que representam algum tipo de conhecimento relevante. Algumas
metodologias podem ser usadas para tornar os dados mais compreensíveis para o usuário, tais
como: classificação, associação ou relação, armazenamento, previsão, entre outras.

7. Representação do conhecimento de dados - A representação é a última etapa de todo o

processo de exploração de dados. É nesta etapa que os dados extraídos e transformados em
conhecimento são representados e podem ser visualizados em seu formato final. Esse
conhecimento pode ser apresentado através de ferramentas que possibilitam uma melhor
visualização dos dados, tais como: gráficos, tabelas, relatórios, fluxogramas, entre outros.
72
Data Mining – Para que serve
Data Mining possibilita descobrir correlações escondidas em meio a bases de dados tão imensas
que seria humanamente impossível analisá-las sem auxílio computacional.
Data Mining fornece insights importantes que muitas vezes respondem a perguntas que nem
sabíamos que existiam, abrindo potenciais novos caminhos a serem seguidos. As vantagens de
insights sobre o comportamento do público podem ser:
1. Diminuição de Custos.
2. Aumento do ROI (Retorno do investimento).
3. Melhor aproveitamento de oportunidades.
4. Maior previsibilidade.

73
Data Mining – Para que serve
1. Diminuição de Custos - Com uma maior compreensão do público podemos focar esforços e
investimentos para atingir o público que realmente está mais propenso a converter.
2. Aumento do ROI - Em conjunto a diminuição nos custos, as taxas de conversão irão
potencialmente aumentar devido a maior assertividade e personalização das ofertas,
resultando em um maior retorno de investimento.
3. Melhor aproveitamento de oportunidades - A identificação de padrões podem levar
empresas a criarem soluções mais elaboradas para serem ofertadas ao mercado, seja
criando novos produtos ou otimizando antigos.
4. Maior previsibilidade - As correlações e os insights fornecidos pelo Data Mining fornecem a
base para a elaboração de modelos estatísticos para a realização de predições mais
assertivas. 74
Data Mining – Conclusão
• O volume de dados dos novos tempos exigem soluções inteligentes para compilar e organizar essas
informações de forma otimizada.
• Para além de registrar e organizar informações, a exploração de dados produz conhecimento a partir
da extração de dados e da aplicação de técnicas e métodos que transformam esses dados brutos em
conhecimento.
• A produção de conhecimento é um fator fundamental para o sucesso dos negócios de uma
organização. É a partir desses dados relevantes que um gestor consegue estabelecer metas
estratégicas, elaborar planos de ação e tomar decisões projetando o futuro.
• Por fim, o data mining garante a confiabilidade e a consistência dos dados representados que podem
ser visualizados através de ferramentas próprias e consultados pela gestão.
• O tratamento e a automação de dados são diferenciais importantes para a competitividade de
qualquer organização ciente das mudanças cada vez mais rápidas neste mercado. 75
Data Mining

https://www.youtube.com/watch?v=dWL0jvj1PJw
https://www.youtube.com/watch?v=81bm2OsEzbg

IA - https://www.iberdrola.com/inovacao/o-que-e-inteligencia-artificial

76