PROJETO E

IMPLEMENTAÇÃO
DE SISTEMAS DE
APOIO À DECISÃO

Cristiane Mendes Netto

Ferramentas de apoio para
a tomada de decisão
Objetivos de aprendizagem
Ao final deste texto, você deve apresentar os seguintes aprendizados:

 Descrever o papel das ferramentas de apoio para a tomada de decisão.

 Enumerar as principais ferramentas de apoio para a tomada de decisão.
 Aplicar as ferramentas de apoio para a tomada de decisão.

Introdução
Com o desenvolvimento das tecnologias digitais de informação e comuni-
cação, os limites físicos de atuação, antes conhecidos pelas organizações,
viram-se dissolvidos com a possibilidade de negociações a níveis globais
e instantâneos. Se por um lado isso traz oportunidades, por outro requer
maior domínio gerencial e agilidade para a tomada de decisão.
As fontes de informação variam de dados internos das organizações
a informações de concorrentes, clientes, distribuidores, fornecedores,
redes sociais, além de aspectos políticos e legais no contexto global.
Assim, a utilização de recursos tecnológicos que permitam analisar esse
cenário e transformar dados em informação para apoiar as decisões pode
determinar a vantagem competitiva das organizações. Com o avanço
em hardware e software, os recursos tecnológicos apresentam-se hoje
em diversas ferramentas de apoio para a tomada de decisão, disponíveis
para a adoção de gestores em uma abordagem estratégica.
Neste capítulo, você estudará as ferramentas de apoio para a tomada
de decisão no contexto das tecnologias da informação, consideradas
como sistemas destinados a armazenar, processar e gerar informação
significativa e útil às pessoas no processo de gestão das organizações.
Também serão abordadas as características das principais ferramentas
de apoio para a tomada de decisão e suas aplicações.
2 Ferramentas de apoio para a tomada de decisão

1 Papel das ferramentas de apoio

Para compreender o papel das ferramentas de apoio para a tomada de deci-
são, é preciso considerar que há diferentes tipos de decisões e necessidades
informacionais no cotidiano organizacional. Essa variação refletirá no papel
e nas tecnologias adotadas pelas ferramentas que devem se ajustar a cada
contexto e propósito. O tipo de apoio que as decisões operacionais demandam
das ferramentas requer sistemas que ofereçam recursos como processamento
de transações e relatórios periódicos. Já as decisões estratégicas, associadas a
um nível mais elevado de gestão, demandam sistemas que ofereçam análises
sofisticadas que permitam simular cenários e indicar potenciais tendências.
As ferramentas de apoio para a tomada de decisão fazem parte de um conceito
mais amplo denominado sistemas de apoio à decisão e, considerando a diferença
de necessidades de decisões, podem ser caracterizadas, com base em Laudon
e Laudon (2014), em: sistemas de processamento de transações, sistemas de
inteligência empresarial e sistemas de apoio ao executivo.
Os sistemas de processamento de transações são atendidos por ferra-
mentas que cumprem o papel de oferecer recursos que atendam às atividades
básicas da organização, como vendas, recebimentos e folhas de pagamento. Eles
devem apoiar as decisões operacionais e rotineiras, com critérios predefinidos
para gerar relatórios de interesse da gestão. Além disso, podem também ser
utilizados para gerar informação para outros tipos de sistemas.
Os sistemas de inteligência empresarial são atendidos por ferramentas
que cumprem o papel de coletar dados fornecidos por outros sistemas e fontes
externas e gerar relatórios por meio de modelos matemáticos e estatísticos
avançados. Algumas soluções podem oferecer recursos que permitem analisar
o impacto de determinados cenários, como: qual seria a consequência na
produção se as demandas por um produto dobrassem em determinado período?
Os sistemas de apoio ao executivo são atendidos por ferramentas que
cumprem o papel de apresentar um cenário visual da informação, por meio
de gráficos e de uma interface de interação para consultas de tendências e
eventos externos. Geralmente, estão acessíveis por meio de interface web e
com informações sintetizadas dos sistemas de inteligência empresarial.
No campo dos sistemas de processamento de transações, temos como exem-
plo as ferramentas CRM e ERP. As ferramentas de gestão do relacionamento
com o cliente, denominadas Customer Relationship Management (CRM),
cumprem o papel de oferecer à organização uma visão única e completa de
todas as nuanças da relação com os clientes. O’Brien e Marakas (2013) definem
CRM como ferramentas que utilizam a tecnologia da informação para criar
 Ferramentas de apoio para a tomada de decisão 3

um sistema empresarial interfuncional que integra e automatiza processos de

atendimento ao cliente em termos de vendas, marketing e serviços que intera-
gem com os clientes da empresa. As ferramentas ERP (Enterprise Resource
Planning) são definidas por O’Brien e Marakas (2013) como sistemas que
permitem controlar os recursos empresariais e a posição dos compromissos
firmados pela empresa independentemente do departamento ou setor que
inseriu os dados no sistema.
Quanto aos sistemas de inteligência empresarial, ao longo dos anos, observa-
-se que as ferramentas existentes evoluíram em suas funcionalidades, propor-
cionando diferentes automações, processamentos, bem como a diminuição de
custos para aquisição. Além disso, o avanço em suas interfaces permitiu que
usuários com diferentes domínios tecnológicos tivessem acesso com maior
facilidade, o que popularizou sua utilização. Como característica essencial
dessas ferramentas, tem-se a capacidade de modelagem analítica, oferecendo
diferentes respostas às solicitações de informação para apoio à decisão. Há
quatro tipos básicos de atividades de modelagem analítica na utilização de
sistemas de apoio à decisão (O’BRIEN; MARAKAS, 2013):

 Análise “e se”: o usuário busca a informação gerada pela alteração de

variáveis ou de relações entre elas para observar reflexos nos valores
de outras variáveis. Exemplo: avaliar qual seria o impacto gerado nas
vendas se houvesse um corte de publicidade.
 Análise de sensibilidade: trata-se de um caso de análise “e se”, porém
envolvendo mudanças repetidas em apenas uma variável por vez, com
avaliação sobre como afeta outras variáveis. Exemplo: avaliar reduções
repetidas na variável publicidade para observar a sua relação com as
vendas.
 Análise por busca de objetivo: ao contrário das análises “e se” e de
sensibilidade, o objetivo é definir um valor alvo (objetivo) para uma
variável e alterar outras variáveis até que o valor alvo seja alcançado.
Exemplo: qual é o valor de aumento necessário para a publicidade para
alcançar um milhão de vendas de um produto.
 Análise de otimização: pode ser considerada uma ampliação da análise
de busca por objetivo, com foco em determinar o valor ideal de uma
variável ou mais, sob determinadas restrições. Exemplo: com base
no orçamento estabelecido, qual seria o valor ideal a ser gasto com
publicidade.
4 Ferramentas de apoio para a tomada de decisão

Na atualidade, com a importância da agilidade na gestão com base em dados

e a evolução dos sistemas de processamento, uma tendência é a integração
de ferramentas com funções que atendam tanto aos sistemas de inteligência
empresarial quanto aos sistemas de apoio ao executivo. Esse conjunto de
ferramentas associado ao processo estruturado de transformar dados em
informações para decisões estratégicas vem ganhando relevância, o chamado
de business intelligence (BI). Conforme apresenta Sharda, Delen e Turban
(2019), o termo business intelligence, também chamado de inteligência de
negócios, é um termo para referenciar o conjunto arquitetura, banco de dados,
ferramentas analíticas, aplicativos e metodologias.

O conceito do termo business intelligence foi cunhado em meados de 1989 por Howner
Dresner, do Gartner Group, um instituto de pesquisa e análise do setor de tecnologia
da informação. Conheça mais sobre esse histórico em Business intelligence e análise
de dados para gestão do negócio, de Ramesh Sharda, Dursun Delen e Efraim Turban.

Sobre a definição do termo, conforme aborda Aristizábal (2016), observa-

-se que há uma falta de consenso em sua utilização. Além de ser usado para
referir de forma mais ampla essa abordagem sistematizada de obtenção de
informação para a tomada de decisão, considerando as ferramentas e as téc-
nicas, também é tratado como um tipo específico de sistemas de informação.
Neste capítulo, onde estamos tratando das ferramentas de apoio para a tomada
de decisão, consideraremos a definição de Sharda, Delen e Turban (2019), que
é mais ampla, vista como uma integração das tecnologias e as suas aplicações
em um processo para armazenar e analisar dados para apoiar as decisões
organizacionais.
Como objetivo principal, o business intelligence visa possibilitar o acesso
interativo e a manipulação de dados para oferecer aos gestores a capacidade de
realizar as análises apropriadas. A estrutura organizada para isso, conforme
apresentado por Ranjan (2009), é composta por um conjunto de ferramentas
com atividades articuladas em diferentes etapas, conforme mostra a Figura
1. As atividades principais incluem uma preparação de dados de múltiplas
fontes, como dados de clientes, vendas, fornecedores, entre outros. Essas
fontes, geralmente heterogêneas, podem ser de sistemas CRM, sistemas ERP
 Ferramentas de apoio para a tomada de decisão 5

e planilhas, necessitando, para integração, passar por um processo de extra-

ção, transformação e carga para o data warehouse. A partir disso, os dados
relevantes serão agregados e organizados para compor os sistemas de arma-
zenamento em data warehouse. O processamento desses dados ocorre com
o uso de ferramentas analíticas, que fornecerá a informação de saída para os
usuários gestores por meio de interfaces de visualização.
VENDAS
FORNECEDORES
CLIENTES

Figura 1. Composição de um sistema de BI.

Fonte: Adaptada de Ranjan (2009).

2 Principais ferramentas de apoio

Compreender o contexto de uso das ferramentas de apoio à tomada de decisão
e as tecnologias que as envolvem é essencial para a elaboração de projetos
que tragam benefícios às organizações. Uma visão holística é essencial para
lograr êxito, visto que as tecnologias serão utilizadas a partir de necessidades
6 Ferramentas de apoio para a tomada de decisão

humanas e organizacionais, exigindo adaptações e escolhas adequadas a cada

propósito e condição.
Para cada uma das ferramentas apresentadas a seguir, há diferentes opções
comerciais, com variações de recursos, custos, tipos de licenças e plataformas.
A escolha dependerá de uma análise das necessidades, e o domínio dos concei-
tos essenciais de funcionamento de cada uma delas é um requisito fundamental.

Data warehouse e data marts

O conceito de data warehouse está associado ao de repositório de dados.
Essa associação refere-se à sua finalidade de realizar o armazenamento dos
dados. No entanto, é preciso compreender que a sua estrutura se difere de
sistemas de banco de dados tradicionais. Essa diferenciação ocorre por serem
projetados com tecnologias voltadas para a otimização de recuperação de
dados integrados e suporte para análises complexas. Uma das especificidades
dos data warehouses é sua estrutura com capacidade otimizada para o pro-
cessamento analítico (ELMASRI; NAVATHE, 2019). De forma distinta, os
bancos de dados tradicionais são estruturados para suportar processamento de
transações, como operações de inserções, atualizações, exclusões e consultas
em rotinas organizacionais.
Na definição de Sharda, Delen e Turban (2019), um data warehouse consiste
em uma coleção de dados produzidos para apoiar a tomada de decisão, com um
repositório de dados históricos e correntes de interesse de uma organização.
Trata-se de uma coleção organizada por temas detalhados, para visão abran-
gente de uma organização. Além disso, possuem uma estrutura consistente
de integração dos dados, com suporte para manter variações temporais e a
não volatilidade dos dados.
Associado ao conceito de data warehouse, temos o data mart, que é de-
finido por Elmasri e Navathe (2019) como um conjunto de dados analíticos
semelhantes ao data warehouse, mas com um escopo mais restrito, geral-
mente, um subconjunto do data warehouse, onde são armazenados dados
específicos de um assunto. Um data mart pode ser implementado tanto de
forma dependente de um data warehouse quanto independente. No caso de
data marts dependentes, a vantagem é usar um mesmo modelo consistente
de dados. No entanto, isso requer um investimento mais elevado no custo da
tecnologia de data warehouse. Assim, para minimizar os custos, empresas
podem adotar data marts independentes, projetados para apenas uma unidade
ou um departamento da organização.
 Ferramentas de apoio para a tomada de decisão 7

A Figura 2 ilustra a organização dos componentes de um data warehouse.

A partir da aquisição de dados, ocorre a estruturação para o gerenciamento
de metadados que comporá o projeto de data warehouse e data marts. Com o
repositório estruturado, técnicas de análises poderão ser aplicadas, e os seus
resultados serão gerados para os usuários a partir dos sistemas de informação
(O’BRIEN; MARAKAS, 2013).

Figura 2. Componentes de um Data Warehouse.

Fonte: Adaptada de O’Brien e Marakas (2013).

A organização de dados em data warehouses e data marts é realizada com

modelos multidimensionais que tiram proveito dos relacionamentos dos dados
para criar os chamados cubos de dados ou hipercubos no caso de terem mais
de três dimensões. Como exemplo, com base em Elmasri e Navathe (2019),
considere as informações de uma organização sobre vendas de produtos em
determinadas cidades, conforme apresenta a Figura 3. Essa informação pode
ser representada de forma bidimensional, com linhas e colunas informando
os produtos e as cidades, respectivamente. Agora, vamos acrescentar uma
dimensão tempo, para armazenar, por exemplo, os dados referentes a cada
trimestre do ano. Com isso, podemos considerar que temos um cubo para a
organização dos dados sobre vendas de produtos por trimestre e nas diferentes
cidades. Outras dimensões também poderiam ser acrescentadas e consultas
aplicadas em qualquer combinação das dimensões.
8 Ferramentas de apoio para a tomada de decisão

Figura 3. Exemplo de modelo de cubos de dados em data warehouse.

Fonte: Adaptada de Elmasri e Navathe (2019).

A partir da implementação da organização dos dados em data warehouse

e data marts, outras ferramentas são empregadas para que os usuários inte-
rajam com os dados armazenados. Entre essas ferramentas, destacam-se as
de processamento analítico on-line (OLAP), data mining e ferramentas de
visualização de dados.

Processamento analítico on-line

Elmasri e Navathe (2019) definem o processamento analítico on-line (OLAP)
como análise de dados complexos do data warehouse. O termo OLAP advém
de On-line Analytical Processing e caracteriza-se por análises de relações
complexas entre dados armazenados em data warehouses. Diferem-se das ope-
rações de processamento de transações on-line, chamadas de aplicações OLTP
(On-line Transaction Processing), aplicadas em bancos de dados tradicionais.
O processamento analítico on-line permite que grandes volumes de dados
consolidados sejam manipulados de forma interativa em várias perspectivas.
As operações básicas analíticas variam conforme as necessidades, podendo
oferecer as funcionalidades descritas a seguir:

 Roll-up: consiste em agregar uma ou mais dimensões com ampliação ou

redução de uma hierarquia de dados, também chamada de agregação.
 Drill-down: consiste em ampliar os níveis de detalhes dos dados, também
chamada de desmembramento, o inverso da operação Roll-up.
 Slicing e dicing: consiste em extrair dados de projeções nas dimensões,
também chamada de fatiar e cortar em cubos.
 Rotação: consiste em determinar uma perspectiva para a visualização
dos dados, também chamada de pivoteamento.
 Ferramentas de apoio para a tomada de decisão 9

A seguir, é apresentado um exemplo, com base em Bispo (1998), a fim de

demonstrar visualmente essas operações aplicadas a um conjunto de dados.
O contexto de aplicação refere-se a dados de uma rede de concessionárias de
carros, com uma relação das vendas de modelos de carros por cores, realizadas
em suas diversas lojas. A Figura 4 representa os dados agregados em uma
estrutura multidimensional: em uma dimensão, estão representados os quanti-
tativos de vendas por modelos de carros, por exemplo, carro A, carro B, carro
C; em outra dimensão, temos os quantitativos de vendas por cores, como
azul, vermelho, verde; enquanto em outra, temos os quantitativos de vendas
de carros por cada concessionária, relacionados também por cores e modelos.

Figura 4. Dados agregados em estrutura multidimensional.

Fonte: Bispo (1998, p. 64).

Os dados representados dessa forma proporcionam uma flexibilidade para

consultas e análises, permitindo diferentes perspectivas conforme a rotação
aplicada, como a relação existente entre as cores vendidas por modelos e por
concessionárias, ou da forma concessionárias por cores e modelos. A Figura
5 demonstra essas organizações de manipulação dos dados agregados.
10 Ferramentas de apoio para a tomada de decisão

Figura 5. Cubo de dados em diferentes perspectivas de dados.

Fonte: Bispo (1998, p. 66).

A Figura 6 representa a aplicação de uma operação de Slicing e Dicing,

onde um subconjunto de dados é extraído de um conjunto maior a partir de
determinados requisitos. No exemplo mostrado, optou-se por reduzir os dados
à análise de apenas três modelos de carros e três concessionárias.
 Ferramentas de apoio para a tomada de decisão 11

Carro A

Carro B

Carro C

Carro D

Carro E Concessionária 6
Concessionária 5
Concessionária 4
Carro F Concessionária 3
Concessionária 2
Concessionária 1
Cinza Verde Branco Verm. Preto Azul

Carro B

Carro D

Carro F Concessionária 6
Concessionária 4
Concessionária 2
Verde Vermelho Azul

Figura 6. Operação Slicing e Dicing aplicada aos dados.

Fonte: Bispo (1998, p. 69).

A Figura 7 ilustra as operações de Drill-down e Roll-up, criando represen-

tações capazes tanto de generalizar quanto de reduzir detalhes dos dados. Na
Figura 7, a operação de Roll-up foi aplicada reduzindo a dimensão de Estados
do País com lojas de concessionárias de carros, para apenas dados da região
Sudeste: Minas Gerais, Rio de Janeiro e São Paulo. Já a operação Drill-down
é a aplicação da operação reversa do Roll-up, permitindo mostrar todos os
Estados do País com lojas de concessionárias de carros.
12 Ferramentas de apoio para a tomada de decisão

Carro A

Carro B

Carro C
Carro D

Carro E Azul
Carro F Verm.Preto
Branco
Verde
Cinza
BA CE MG RJ RS SP
Todos os estados onde existem concessionárias

Drill-down Roll-up

Carro A

Carro B

Carro C

Carro D

Carro E Azul
Preto
Verm.
Carro F Branco
Verde
Cinza
MG RJ SP
Somente os estados da Região Sudeste

Figura 7. Operações Drill-down e Roll-up aplicadas aos dados.

Fonte: Bispo (1998, p. 70).

Data mining
A expressão data mining também é chamada de mineração de dados, definida
por Elmasri e Navathe (2019) como como um conjunto de técnicas para extração
de informação e descoberta de conhecimento com análises de padrões e regras
de associação dos dados. Geralmente, essas técnicas fornecem os resultados
 Ferramentas de apoio para a tomada de decisão 13

esperados quando atuam sobre data warehouses projetados e preparados

previamente para isso.
Conforme Elmasri e Navathe (2019), o data mining pode ser visto também
como uma etapa principal de um processo maior chamado de descoberta de
conhecimento em banco de dados, geralmente abreviado e conhecido como
Knowledge Discovery in Databases (KDD). Esse processo é composto por
etapas de seleção de dados, limpeza, enriquecimento, transformação, mineração
e relatórios de apresentação da informação descoberta.
Quanto aos tipos de conhecimento que podem ser descobertos no processo de
mineração de dados, estamos considerando que esse conhecimento é o resultado
de uma transformação analítica de dados em informações estruturadas. Durante
as operações de data mining, tem-se que o conhecimento pode ser representado
de muitas maneiras. De forma não estruturada, ele pode estar representado por
regras ou por lógica proposicional. Em forma estruturada, ele pode estar repre-
sentado por árvores de decisão, redes semânticas, redes neurais ou hierarquias
de classes ou frames. De acordo com Elmasri e Navathe (2019), o conhecimento
descoberto durante o data mining pode ser descrito conforme a seguir:

 Regras de associação: correlacionam a presença de um conjunto de

itens com outra faixa de valores de um outro conjunto de variáveis. Um
exemplo comum para esse caso é o de encontrar pares de produtos que,
com frequência, são comprados em conjunto.
 Hierarquia de classificação: parte de um conjunto existente de eventos
para criar uma hierarquia de classes. Entre as aplicações, tem-se a
identificação de categorias como localização, faixa etária, entre outros.
 Padrões sequenciais: investigam uma sequência de ações ou eventos
com a finalidade de detectar padrões. Por exemplo, após três meses de
determinada cirurgia, pacientes possuem uma alteração de exames.
 Padrões com séries temporais: detectam similaridades que podem ser
encontradas em posições de uma série temporal de dados, que é uma
sequência de dados tomada a intervalos regulares. Um exemplo é a
descoberta de um padrão de condições climáticas e a previsão de eventos.
 Categorizações: particionam itens em conjuntos de elementos similares.
Uma aplicação, por exemplo, é a de dividir grupos em tratamento de
determinada doença conforme os efeitos colaterais gerados.

Para a maioria das aplicações dedata mining, o conhecimento que se deseja

encontrar do processo de mineração de dados é resultado de uma combinação
desses tipos de estratégias.
14 Ferramentas de apoio para a tomada de decisão

Visualização de dados
Os sistemas de visualização de dados são definidos por O’Brien e Marakas
(2013) como aqueles capazes de apresentar informações complexas utilizando
representações gráficas tridimensionais interativas, como gráficos, quadros
e mapas. Seus recursos permitem apresentar as informações geradas de ma-
neira a favorecer a cognição humana. São considerados sistemas de apoio ao
executivo, conforme Laudon e Laudon (2014) e, por meio de representações
gráficas, geralmente interativas, permitem sintetizar e explorar a informação
para a tomada de decisão.
Com a evolução computacional para processamento gráfico, muitas dessas
ferramentas de visualização de dados são executadas via internet, ultrapassando
as possibilidades de gráficos e diagramas estáticos. No ambiente de negócios,
o termo dashboard é usado para se referir a essas interfaces gráficas que ofe-
recem painéis com indicadores de desempenho relevantes para a organização
(SHARDA; DELEN; TURBAN, 2019). Em uma perspectiva de tendência e
evolução, acredita-se que recursos de visualizações tridimensionais se tornarão
populares em breve, possibilitando novas perspectivas para análises e tomada
de decisão, incluindo ainda integração com dados de informações geográficas
e de comportamento em redes sociais.

3 Aplicação das ferramentas de apoio

As aplicações das ferramentas de apoio para a tomada de decisão são bastante
variadas. Na área de marketing, por exemplo, podem ser aplicadas para orientar
as campanhas e ofertas de acordo com o comportamento dos consumidores. Na
área de esportes, podem contribuir para direcionar treinamentos e estratégias
de jogos. Na área de educação, uma aplicação é a possibilidade de direcionar
as estratégias pedagógicas mais adequadas a cada perfil de estudante, a partir
da análise de dados de ambientes virtuais de aprendizagem.
Um dos exemplos mais comuns de aplicação de ferramentas de suporte
à decisão, com técnicas de data mining, é na área de análises de perfil de
consumo, com base em dados de compras. Essa aplicação pode ser realizada
tanto em sistemas de comércio eletrônico quanto em comércios físicos de
varejo. Nesse tipo de aplicação, o objetivo é determinar quais produtos que
são adquiridos em conjunto com outros itens, denominada análise de cesta de
produtos (O’BRIEN; MARAKAS, 2013). Com a informação correta, gestores
podem determinar como organizar seus produtos em lojas físicas, aproximando,
 Ferramentas de apoio para a tomada de decisão 15

por exemplo, itens vendidos juntos com mais frequência. Já em sistemas de

comércio eletrônico, essa informação pode ser usada para apresentar sugestões
de produtos aos clientes.
Há casos em que a identificação de itens vendidos em conjunto é trivial,
no entanto, um exemplo bastante conhecido de aplicação de data mining é a
de um supermercado que realizou a análise de cesta de produtos e identificou
uma relação significativa entre compra de cerveja e fralda. Esse resultado,
embora possa fazer sentido, não é de constatação trivial, configurando um
exemplo de como a análise de dados pode favorecer a descoberta de novos
conhecimentos. O Quadro 1, elaborado a partir de dados de O’Brien e Marakas
(2013), contém exemplos de aplicações e ações práticas advindas da análise
da cesta de produtos.

Quadro 1. Aplicações e ações da análise de cesta de produtos

Aplicação Ação prática

Venda cruzada Ofertar itens associados

quando o cliente adquirir
determinado produto da loja.

Localização de produtos Organizar produtos com vendas

associadas em locais próximos uns
dos outros nas lojas físicas, para
favorecer a compra em conjunto.

Promoção por afinidade Planejar campanhas promocionais

com base em produtos associados.

Descoberta de fraude Detectar fraudes em cartões de

crédito devido a comportamentos
não usuais de clientes.

Comportamento do cliente Associar as campanhas de

ofertas de produtos a dados
demográficos e econômicos
conforme o perfil do cliente.

Fonte: Adaptado de O’Brien e Marakas (2013).

Para entender melhor como é realizada essa descoberta de informação por

regras de associação em data mining, considere o exemplo, com base nos dados
16 Ferramentas de apoio para a tomada de decisão

de Elmasri e Navathe (2019), demonstrado pelo Quadro 2, que representa os

dados de compras de clientes de um supermercado.

Quadro 2. Exemplo de itens comprados por clientes

Identificação
da transação Horário Itens comprados

197 7:06 leite, pão, suco

298 8:12 leite, suco

5435 8:05 leite, ovos

2324 8:45 pão, biscoito, café

Fonte: Adaptado de Elmasri e Navathe (2019).

Uma regra de associação é da forma X → Y, onde X e Y representam

conjuntos de itens. A associação indica que, se um consumidor comprar um
produto X, ele possivelmente comprará Y. As regras de associação possuem
a forma LE (Lado Esquerdo) → LD (Lado Direito) e devem oferecer suporte
e confiança. O suporte para a análise é o percentual de transações que pos-
suem todos os itens da união, ou seja, LE ∪ LD. Se o percentual é baixo, isso
indica que não existe grande evidência de que os itens ocorram em conjunto
em uma compra. No conjunto de dados apresentados, a regra Leite → Suco
tem 50% de suporte, enquanto Pão → Suco tem 25%. Além desse cálculo, o
fator confiança também é usado, para considerar a prevalência da regra. Para
calcular a confiança consideramos todas as transações que incluem itens no
LE. A confiança para a regra de associação LE → LD é o percentual dessas
transações que também inclui o LD. Para Leite → Suco a confiança é de
66,7% (ou seja, a cada três transações em que ocorre leite, duas contêm suco),
e Pão → Suco tem 50% de confiança (significando que uma em cada duas
transações que contêm pão também contém suco).
A partir de regras definidas, como essas apresentadas, os dados são ga-
rimpados para gerar todas as possibilidades dentro de patamares de confiança
especificados pelos gestores. Podemos notar que as regras, em geral, são
simples, a complexidade consiste em aplicar isso a um grande volume de dados,
o que requer uma pesada carga computacional, exigindo sistemas com alto
poder de processamento. A seguir, são descritos dois casos reais de aplicação
de ferramentas de apoio para a tomada de decisão no cenário brasileiro.
 Ferramentas de apoio para a tomada de decisão 17

O primeiro caso é relatado pela Ibyte (2018), com a implantação de um serviço de

análise de dados, referência no varejo de itens de tecnologia e informática por comércio
eletrônico. O objetivo do projeto foi apoiar o processo de tomada de decisões com
base em dados. A solução buscada visava automatizar a apresentação de indicadores
consolidados para todas as áreas, com as respectivas métricas, visto que a empresa
fazia o processo manualmente via fórmulas e planilhas de Excel. Foram considerados
também os requisitos de assegurar um ambiente seguro, íntegro, com performance
e sistema de tolerância a falhas. O projeto foi realizado com disponibilização das
informações de business intelligence relacionadas aos diversos processos financeiros,
comercial e de serviços.
As tecnologias adotadas foram Microsoft SQL Server Analysis Services, Power BI e
SSIS — Microsoft SQL Server Integration Services. Para a estruturação do data warehouse,
foram realizados: levantamento e definição dos requisitos, modelagem dos dados,
criação dos pacotes ETL, criação dos cubos e medidas, ajustes e correção de problemas
e criação e ajustes de permissão dos usuários. Foram desenvolvidos diversos painéis e
relatórios no Power BI para favorecer a visualização de dados. O projeto contou ainda
com o treinamento dos usuários para o uso das plataformas, e o resultado gerou
agilidade para a obtenção de dados pelos gestores, permitindo também o acesso à
informação por dispositivos móveis.

O segundo caso é relatado pela empresa Microsoft (2016) e foi aplicado pelo Hospital
de Clínicas de Porto Alegre (HCPA). A atividade consistiu em uma atualização de
tecnologias, gerando maior rapidez para acesso aos gestores. Operações que antes
levavam mais de três horas passaram a ser finalizadas em menos de uma hora. O sistema
de BI adotado reuniu informações de diversos setores, como área assistencial, tempo
de permanência do paciente, entrada e saída no hospital, emergência, internação,
ambulatório, centro cirúrgico, entre outros setores considerados vitais para o hospital.
A tecnologia implantada foi a plataforma Microsoft SQL Server 2014, e o projeto, por
ter recebido apoio de outros parceiros, foi realizado em três meses. A modernização
da infraestrutura foi considerada estratégica pelos gestores do hospital devido à
necessidade de atender ao crescente volume de dados da instituição. O ponto de
melhoria destacado foi o acesso à informação pelos dashboards com uma interface
visual para aprimorar o acompanhamento da gestão.
18 Ferramentas de apoio para a tomada de decisão

As ferramentas de apoio para a tomada de decisão como data warehouses,

data marts, OLAP e data mining oferecem a possiblidade de sustentar as
organizações com uma base de recursos informacionais com potencial para
uma atuação estratégica e diferenciada. Com o desenvolvimento tecnológico, o
mercado dispõe atualmente de diferentes plataformas de software para atender
às organizações, permitindo uma redução no tempo de projetos de implantação.
Diferentes software comerciais viabilizam o projeto e a implementação de
data warehouses e data marts. Entre as soluções encontradas, estão soluções
pagas, gratuitas, de código aberto e com características diversificadas. A
escolha por uma solução dependerá das características de cada projeto. Como
exemplo, destacam-se três opções de código aberto para a estruturação de
dados em data warehouses e data marts: Talend Open Studio, Pentaho e
SpagoBI. A Talent Open Studio é uma plataforma que realiza as etapas de
extração, transformação e carregamento dos dados para a integração em data
warehouses. A Pentaho distingue-se por conter componentes que permitem a
integração de dados, o processamento analítico on-line (OLAP), a mineração
de dados e o dashboard. A plataforma Knowage é uma solução derivada da
plataforma SpagoBI, apresentando recursos para a criação de data warehouses
e relatórios.
Entre as plataformas estruturadas para a aplicação de data mining e
visualização de dados, destacam-se as seguintes soluções de código aberto:
Orange, KNIME Analytics e Gephi. A plataforma Orange possui recursos
para análise e visualização via programação visual ou por scripts em Python.
A proposta da solução KNIME Analytics é apoiar a manipulação, análise
e modelagem de dados por meio de programação, com acesso a módulos e
exemplos prontos para uso. A plataforma Gephi é voltada para a visualização
de dados, destacando-se na visualização e exploração de redes complexas,
como as redes sociais.
A variedade de plataformas de software existentes faz com que os profis-
sionais de tecnologias tenham que analisar as características peculiares das
aplicações para a escolha mais adequada. Fatores como tempo de implementa-
ção, infraestrutura, capacidade de investimento e disponibilidade de recursos
humanos são critérios que devem ser considerados no desenvolvimento de um
projeto de implantação de ferramentas de apoio à decisão nas organizações.
 Ferramentas de apoio para a tomada de decisão 19

ARISTIZÁBAL, C. R. Sucesso de sistemas de Business Intelligence: uma abordagem multi-

dimensional. 2016. Tese (Doutorado em Ciências) — Escola Politécnica, Universidade
de São Paulo, São Paulo, 2016. Disponível em: https://www.teses.usp.br/teses/dispo-
niveis/3/3136/tde-18082016-101353/publico/CatalinaRamirezAristizabal16.pdf. Acesso
em: 4 ago. 2020.
BISPO, C. A. F. Uma análise da nova geração de sistemas de apoio à decisão. 1998. Dis-
sertação (Mestrado em Engenharia da Produção) — Escola de Engenharia, Universi-
dade de São Paulo, São Carlos, 1998. Disponível em: https://www.teses.usp.br/teses/
disponiveis/18/18140/tde-04042004-152849/publico/dissertacao_carlos.pdf. Acesso
em: 4 ago. 2020.
ELMASRI, R.; NAVATHE, S. Sistemas de banco de dados. 7. ed. São Paulo: Pearson Edu-
cation, 2019.
IBYTE. Case de sucesso: solução de Data Analytics para varejo. BI do Brasil: Consultoria e
Treinamento, 2018. Disponível em: https://www.bidobrasil.com/blog/case-de-sucesso-
-solucao-de-data-analytics-para-varejo. Acesso em: 6 jul. 2020.
LAUDON, K. C.; LAUDON, J. P. Sistemas de informação gerenciais. 11. ed. São Paulo:
Pearson Education, 2014.
MICROSOFT News Center Brasil. Hospital de Clínicas de Porto Alegre ganha mais
agilidade com BI da Microsoft. Microsoft, 2016. Disponível em: https://news.microsoft.
com/pt-br/hospital-de-clinicas-de-porto-alegre-ganha-agilidade-com-bi-da-microsoft.
Acesso em: 6 jul. 2020.
O’BRIEN, J.; MARAKAS, G. Administração de sistemas de informação. 15. ed. Porto Alegre:
AMGH, 2013.
RANJAN, J. Business intelligence: concepts, components, techniques and benefits.
Journal of Theoretical and Applied Information Technology, v. 9, n. 1, p. 60–70, 2009.
Disponível em: http://www.jatit.org/volumes/research-papers/Vol9No1/9Vol9No1.
pdf. Acesso em: 4 ago. 2020.
SHARDA, R.; DELEN, D.; TURBAN, E. Business intelligence e análise de dados para gestão
do negócio. 4. ed. Porto Alegre: Bookman, 2019.

Leituras recomendadas
LEME FILHO, T. Business intelligence no Microsoft Excel. Rio de Janeiro: Axcel Books, c2004.
MYLIUS, M. Business intelligence: mais fácil do que você imagina. São Paulo: Edições
Inteligentes, 2004.
20 Ferramentas de apoio para a tomada de decisão

Os links para sites da web fornecidos neste capítulo foram todos testados, e seu fun-
cionamento foi comprovado no momento da publicação do material. No entanto, a
rede é extremamente dinâmica; suas páginas estão constantemente mudando de
local e conteúdo. Assim, os editores declaram não ter qualquer responsabilidade
sobre qualidade, precisão ou integralidade das informações referidas em tais links.