Tecnologia da

Informação Aplicada
para Administração
e Negócios
(BI) Business Inteligence

Responsável pelo Conteúdo:

Prof. Ms. Vagner Silva

Revisão Textual:
Profª. Esp. Márcia Ota
Unidade (BI) Business Inteligence

1- Introdução

Informação é um dos bens mais valiosos atualmente, considerado

como bem intangível ela se comporta de forma totalmente diferente
dos outros bens, não se guarda uma informação de forma pessoal,
aliás, o ideal é que ela veicule que seja compartilhada para dar
resultados satisfatórios. O que torna uma pessoa dentro da empresa
diferente no mundo dos negócios é a informação e como ela a usa.
O que torna a empresa diferenciada no mercado de trabalho é saber responder algumas
perguntas básicas, mas não menos importantes para a continuidade e sucesso da empresa,
perguntas como:
• Quais são os melhores clientes para vender os seus produtos?
• Quais são os segmentos de mercado mais significativos para o seu negócio?
• Como aumentar a participação de seus produtos no mercado?
• Quais promoções devem realizar?
• Como reduzir custos sem impactar na qualidade do produto?
• Que produto tem melhor retorno?

Essas e outras perguntas devem ser respondidas de forma ágil e precisa para que os
administradores tenham condições de tomar decisões de forma rápida e precisa dando a empresa
vantagens competitivas no mercado e nos negócios. Você deve estar se perguntando, mas isto
não é obvio? Infelizmente não, muitas empresas ainda não têm condições de ter respostas
rápidas e acabam perdendo muitas oportunidades por conta disto, os dados, por muitas vezes
estão armazenados, no entanto, não há recursos adequados para avaliá-los e converte-los em
informações em tempo hábil.
O dinamismo como os negócios são feitos atualmente se deve, em grande parte, pela forma
como as informações são processadas e analisadas e considerando a competitividade entre as
empresas quanto mais rápidas e precisas estas informações chegarem aos administradores, mais
chances de sair na frente na tomada de decisões uma empresa terá.

5
 Unidade: (BI) Business Inteligence

Por este motivo é que as organizações investem em Tecnologia da Informação e sistemas

de informações que sozinhos não são garantias para o sucesso da empresa, mas a torna capaz
de competir, o ser humano ainda tem um papel fundamental em todo o processo e, por este
motivo, faz parte da tecnologia da Informação.

Os sistemas de informação devem ser capazes de compartilhar estas informações

na quantidade certa para as pessoas certas e no momento certo, ele deve
aproximar áreas da empresa em todos os níveis dando as informações necessárias
para tomada de decisões também no tempo certo.
É isto que torna uma empresa diferente no mercado, quanto mais rápido
uma informação chegar à pessoa certa, mais a empresa se beneficiará na
tomada de decisões.

Segundo Sun Tzu: Um general que só conhece a capacidade de suas tropas, mas não sabe a
invulnerabilidade do inimigo, terá só metade das chances de vitória. Um general que sabe que
o inimigo pode ser derrotado, mas não sabe a inabilidade de suas próprias tropas, também terá
só metade das chances de vitória. Um general que sabe que o inimigo pode ser derrotado e que
suas próprias tropas têm a capacidade para atacar, mas não sabe que as condições do terreno
são inadequadas para a batalha, as suas chances de vitória estarão reduzidas pela metade.
Embora o texto acima contemple casos de guerra, pode ser levado o mesmo pensamento
para os negócios, ou seja, não basta ter informações somente da própria empresa e informações
de mercado, em muitos casos informações do concorrente também ajudam na análise e tomada
de decisão, ou seja, o conhecimento deve ser muito mais amplo.
Em leituras feitas em artigos sobre o assunto em questão encontrei uma figura que retrata
muito bem os processos pelos quais devem passar os dados até serem úteis as empresas.

Figura 1: Pirâmide de aprimoramento dos dados

6
 Perceba que na base da pirâmide encontram-se os dados que sustentam um conjunto
de aprimoramentos pelos quais podem passar, os dados estão em grandes quantidades e
são concretos dentro dela.Logo acima estão às informações, que são estabelecidas tomando
como base os dados.
Observe que dados e informação são tratados de forma diferente, enquanto os dados são
considerados como um campo ou registro isolado, a informação é composta por um conjunto
de dados que de forma organizados são úteis e ajudam na tomada de decisões.
Subindo na pirâmide, encontramos o conhecimento que tem como base as informações
adquiridas, o conhecimento é obtido por um conjunto de informações relevantes nos processos,
ele pode ser constituído de informações internas ou externas de setores e departamentos
diferentes, qualquer relação de informações com o ramo, atividade e processos podem ser
constituídas em conhecimento.
No topo da pirâmide está a sabedoria que tem como alicerce os conhecimentos adquiridos,
quanto mais nos dirigimos ao topo da pirâmide, maior é o grau de abstração. Enquanto na
base da pirâmide os dados são concretos, no topo da pirâmide a sabedoria é totalmente
abstrata, porém é no topo da pirâmide que se encontram aqueles que melhor sabem lidar
com as informações.
Uma versão desta pirâmide referente aos recursos de TI é apresentada abaixo:

Decisão

Apresentação, Maior
Visualização, Utilidade para
Interpretação a empresa
Data Mining
Análise Estatistica,
Preparação
Data Warehouses, Data Marts
Papel, arquivos, WWW, notícias Bd,
logs de OLTP, etc.

Figura 2: Pirâmide da TI

Esta pirâmide reflete exatamente o que é desejável pelas empresas, observe que na base temos
um conjunto de dados isolados que por si só não servem muito a não ser para quem o criou.
O data Warehouse são desenvolvimentos que visam padronizar estas informações, subindo a
pirâmide podemos observar que os dados deverão ser analisados e preparados para entrar em
um data mining que tem por objetivo encontrar associações entre os dados disponibilizando-as
em relatórios para avaliação e tomada de decisão.

7
 Unidade: (BI) Business Inteligence

A necessidade de se implantar um sistema que pudesse dar aos administradores condições

de tomar decisões rápidas e precisas surgiu, justamente, pela informatização das empresas.
No início, cada funcionário elaborava seu próprio controle usando as ferramentas disponíveis
como: planilhas eletrônicas, processadores de textos, banco de dados e outros aplicativos que se
achavam convenientes para armazenar informações. Neste período a importância da informação
em mídia não era considerada muito útil para as empresas e sim para aqueles que as detinham,
eram épocas em que os funcionários organizavam as informações para uso próprio.
Muitas informações foram inseridas em planilhas e banco de dados e este comportamento veio
a afetar e dificultar a integração devido à grande quantidade de informações disponibilizadas em
aplicativos totalmente diferentes na forma de armazenar informações. Algumas soluções foram
desenvolvidas para aproveitar este rico repositório de dados personalizados a fim de torná-los
úteis para toda a empresa, pois estas informações, em grande parte, podiam ser convertidas
em conhecimentos. Abaixo descreve-se algumas das soluções desenvolvidas para aproveitar os
dados armazenados.

2- KDD – Knowledge Discovery in Databases.

É um processo de extração, de forma diferenciada, de informação compreensível,

nova e potencialmente útil. O KDD é considerado um processo executado em
diversas fontes de dados para extrair informações, portanto, o KDD não é um
software e nem tão pouco um banco de dados, ele é um processo.

A partir do momento que o profissional de TI fizer todo o levantamento das necessidades

da empresa e estiver convicto dos objetivos deve-se agrupar de forma organizada a massa de
dados que passará pelo processo de mineração e então verificar e complementar, através de
softwares específicos, a consistência entre as informações, preencher valores desconhecidos,
eliminar: informações redundantes e os valores que não pertencem ao domínio, esta etapa
chamamos de limpeza de dados.
Segundo Groth (1998) e Han, Chen & Yu (1996), A partir de fontes de dados (bancos de dados,
relatórios, logs de acesso, transações, etc) efetua-se uma limpeza (consistência, preenchimento de
informações, remoção de ruído e redundâncias, etc). Disto nascem os repositórios organizados
(Data Marts e Data Warehouses), que já são úteis de diversas maneiras.
A análise para encontrar padrões, seja ela por algoritmo ou pelo analista, requer que os
dados a serem analisados sejam sistematicamente garimpados de forma a desconsiderar aquilo
que é específico e isolado e privilegiar aquilo que é genérico. Isto tem que ser feito, pois fatos
isolados não irão trazer benefícios. Por exemplo: uma loja de sua rede que tenha vendido a um
cliente em particular uma quantidade impressionante de um determinado produto em uma
única data pode apenas significar que esse cliente em particular procurava grande quantidade
desse produto naquele exato momento e talvez não se repetirá mais. Mas isso provavelmente
não indica nenhuma tendência de mercado (Navega, Capelli, 2002).

8
 Como você pode ver é um caso isolado e não pode ser levado em consideração e especulação
sobre este determinado produto já que se identificou uma venda isolada. Se os algoritmos
que identificam padrões não forem desenvolvidos considerando esta particularidade
então um erro grave poderá ser cometido para o caso citado acima. É notório que
este tipo de informação deverá ser isolado para a análise atual e não eliminada, digo isolado
porque este tipo de informação poderá ter importância maior com o passar do tempo, ou seja,
se este cliente todo ano compra esta quantidade de produto no mesmo período então isto deve
ser levado em conta para que a empresa não fique com o estoque reduzido e perder o negócio.
Para que o processo dê certo, é necessário sim desprezar os eventos particulares para só
manter aquilo que é genérico (Navega, Capelli, 2002).
Os dados pré-processados devem ainda passar por uma transformação que os armazenam
adequadamente, visando facilitar o uso das técnicas de Data Mining. Prosseguindo no processo,
chega-se à fase de Data Mining especificamente, que começa com a escolha dos algoritmos a serem
aplicados. Essa escolha depende fundamentalmente do objetivo do processo de KDD: classificação,
clusterização, regras associativas, etc. De modo geral, na fase de Data Mining, ferramentas
especializadas procuram padrões nos dados. Essa busca pode ser efetuada automaticamente pelo
sistema ou interativamente com um analista responsável pela geração de hipóteses.
Ao final do processo o Data Mining pode gerar relatórios e, consequentemente, novas
situações que poderão ocorrer considerando o histórico.

Figura 3: Processos do KDD

3- Data Mining

O Data Mining usa algumas operações de mineração como: classificação, detecção de desvios,
sumarização, mineração de texto dentre outras operação disponíveis.
Veja o exemplo dado abaixo no artigo “Princípios Essenciais do Data Mining“ (Navega,
Capelli, 2002)
Nosso cérebro utiliza-se de processos similares, pois muito do conhecimento que temos em
nossas mentes é, de certa forma, um processo que depende da localização de padrões. Por essa
razão, muito do que se estuda sobre o cérebro humano também pode nos auxiliar a entender o que
deve ser feito para localizar padrões. Mas o que é mesmo localizar padrões? O que é indução? Para
exemplificar esses conceitos, proponho um breve exercício de uma indução de regras abstratas.
Nosso objetivo é tentar obter alguma expressão genérica para a seguinte seqüência:

9
 Unidade: (BI) Business Inteligence

Sequência original: ABCXYABCZKABDKCABCTUABEWLABCWO

Observe atentamente essa sequência de letras e tente encontrar alguma coisa relevante.
Veja algumas possibilidades:

Passo 1: A primeira etapa é perceber que existe uma seqüência de letras que se repete
bastante. Encontramos as seqüência “AB” e “ABC” e observamos que elas ocorrem com
frequência superior à das outras sequências.

Passo 2: Após determinarmos as sequências “ABC” e “AB”, verificamos que elas segmentam
o padrão original em diversas unidades independentes:
“ABCXY”
“ABCZK”
“ABDKC”
“ABCTU”
“ABEWL”
“ABCWO”

Passo 3: Fazem-se agora induções, que geram algumas representações genéricas dessas
unidades:
“ABC??” “ABD??” “ABE??” e “AB???”,
onde ‘?’ representa qualquer letra
No final desse processo, toda a sequência original foi substituída por regras genéricas
indutivas que simplificou (reduziu) a informação original a algumas expressões simples. Se você
compreendeu esta explicação até aqui, então acaba de conhecer um dos pontos essenciais do
Data Mining: como se pode fazer para extrair certos padrões de dados brutos. Contudo, mais
importante do que simplesmente obter essa redução (compressão) de informação, esse processo
nos permite gerar formas de predizer futuras ocorrências de padrões. Este é exatamente o ponto
onde este processo começa a mostrar o seu valor.

3.1- Um Exemplo Prático

Vamos observar aqui apenas um pequeno exemplo prático de como estas informações podem
ser úteis. Lembre-se das expressões abstratas genéricas que obtivemos no exemplo anterior.
Uma dessas expressões nos diz que toda vez que encontramos a sequência “AB”, podemos
inferir que iremos encontrar mais três caracteres e isto completaria um “padrão”. Nesta forma
abstrata, ainda pode ficar difícil de perceber a relevância deste resultado. Por isso vamos usar
uma representação mais próxima da realidade.

10
 Imagine que a letra ‘A’ esteja representando um item qualquer de um registro comercial. Por
exemplo, a letra ‘A’ poderia significar “aquisição de pão” em uma transação de supermercado.
A letra ‘B’ poderia, por exemplo, significar “aquisição de leite”. A letra ‘C’ é um indicador de
que o leite que foi adquirido é do tipo desnatado. É interessante notar que a obtenção de
uma regra com as letras “AB” quer dizer, na prática, que toda vez que alguém comprou pão,
também comprou leite. Esses dois atributos estão associados e isto foi revelado pelo processo
de descoberta de padrões.
Esta associação já nos fará pensar em colocar “leite” e “pão” mais próximos um do
outro no supermercado, pois assim estaríamos facilitando a aquisição conjunta desses
dois produtos. Mas a análise pode ir além disso, bastando continuar nossa exploração da
indução. É o que faremos a seguir.

3.2- Indução Orientada a Atributos

Continuando com nosso exemplo acima, suponha que a letra X queira dizer “manteiga sem
sal”, e a letra ‘Z’ signifique “manteiga com sal”. A letra ‘T’ poderia significar “margarina”. Parece
que poderíamos tentar unificar todas essas letras através de um único conceito, uma idéia que
resuma uma característica essencial de todos esses itens. Introduzimos a letra ‘V’, que significaria
“manteiga/margarina”, ou “coisas que passamos no pão”. Fizemos uma indução orientada a
atributos, substituímos uma série de valores distintos (mas similares) por um nome só.
Observe que ao fazer isso estamos perdendo um pouco das características dos dados originais.
Após essa transformação, já não sabemos mais o que é manteiga e o que é margarina. Essa
perda de informação é fundamental na indução e é um dos fatores que permite o aparecimento
de padrões mais gerais.
Qual a vantagem de assim proceder? Basta codificar nossa sequência original substituindo a
letra V em todos os lugares devidos. Assim fica essa sequência transformada:
ABCVYABCVKABDKCABCVUABEWLABCVO

Daqui, nosso sistema de Data Mining irá extrair, entre outras coisas, a expressão “ABCV”, que
nos irá revelar de pronto algo muito interessante:
A maioria dos usuários que adquiriram pão e leite desnatado também adquiriu manteiga
ou margarina.
De posse desta regra, fica fácil imaginar uma disposição nas prateleiras do supermercado
para incentivar ainda mais este hábito. Em linguagem mais lógica, pode-se dizer que pão e leite
estão associados (implicam) na aquisição de manteiga:
Pão, Leite  Manteiga

O lado da esquerda desta expressão (Pão, Leite) é chamado de Antecedente, e o lado da

direita de Consequente.
Muitas empresas já se beneficiaram do uso destas técnicas utilizando-se do processo de
associações, abaixo se encontra alguns exemplos

11
 Unidade: (BI) Business Inteligence

O que as cervejas têm a ver com as fraldas?

Pois então, o Wall Mart através de associação chegou à conclusão que homens casados, entre
25 e 30 anos compravam fraldas e/ou cervejas às sextas-feiras à tarde no caminho do trabalho
para casa, sendo assim, até para facilitar a compra o Wal-Mart otimizou às gôndolas nos pontos
de vendas, colocando as fraldas ao lado das cervejas;
Resultado: o consumo cresceu 30%.

(Info 03/98) Lojas Brasileiras aplicou 1 milhão de dólares em técnicas de data mining e
conseguiu reduzir de 51000 produtos para 14000 produtos oferecidos em suas lojas.
Exemplo de anomalias detectadas:
• Roupas de inverno e guarda-chuvas encalhados no nordeste
• Batedeiras 110v à venda em SC onde a corrente elétrica é 220v

Os fatos citados acima só foram associados devido a análise feita por algoritmos que
conseguem descobrir padrões.Porém, vale ressaltar que os analistas têm um papel
importante, pois embora os algoritmos ajudem na identificação de padrões nem
sempre isto é possível devido à complexidade no cruzamento das informações.

4- Business Intelligence

As ferramentas descritas acima são úteis para qualquer empresa que tenha um volume
expressivo de dados armazenados e ajudam bastante na tomada de decisões por oferecer
aos administradores informações precisas e concisas. Mas sempre há espaço para o
aperfeiçoamento e outra técnica chamada Business Intelligence está sendo usada para
melhorar a análise destas informações.

Segundo Howard Dresner da Gartner Group, Business Intelligence é um conjunto de

conceitos, métodos e recursos tecnológicos que habilitam a obtenção e distribuição
de informações geradas a partir de dados operacionais, históricos e externos,
visando proporcionar subsídios para a tomada de decisões gerenciais e estratégicas

Portanto Business Intelligence é um conceito que deve estar alinhado com as diretrizes da empresa
e deve ser considerado como qualquer atividade voltada à extração e análise de dados para facilitar
a tomada de decisão. Como pode ser observada, a inteligência nos negócios não é um tema atual,
pois isto já era feito há muito tempo, o que se pode considerar atual são as tecnologias e as técnicas
usadas para ajudar na análise das informações, ou seja, a forma como obter informações para
transformá-la em conhecimento são diferentes, mais rápidas e mais precisas.

12
 Muitos ainda confundem BI com ERP, mas são totalmente diferentes, enquanto o
ERP modifica, na maioria das vezes, a forma de trabalhar alterando alguns processos
para se adequarem às necessidades, o BI se adéqua às estratégias de negócio das
empresas. O ERP com sua base de dados torna-se parte do BI, as informações
geradas pelo ERP em conjunto com outras informações obtidas através do Data
Mining são fundamentais para o sucesso do BI.

Há várias empresas que implementam BI, dentre elas podemos citar a Cognos, Exceplan,
Asccntial, Microstrategy, SAS institute, IBM Brasil, Business Object, Hyperion, SSP, Extend
Software e Microsoft.
Alguns benefícios evidentes no BI são:
• Usar tecnologia de ponta para implantação e ter retorno máximo do investimento;
• Avaliar tendências e conduzir a empresa de forma a tirar proveito das análises;
• Avaliar impactos sobre as finanças e sobre a organização permitindo que se tomem
decisões antecipadamente;
• Avaliar riscos nos negócios e planejar estratégias de acordo com o objetivo do negócio;
• Distribuir informações de modo mais abrangente para obter envolvimento de todos os
funcionários da empresa.

Muitas empresas já têm o retorno das soluções de Business Intelligence implantadas. Por
exemplo, as empresas do setor financeiro têm um vasto banco de informações sobre seus clientes,
elas podem obter informações sobre quais são seus melhores clientes e dar a eles tratamentos
diferenciados, as empresas de telecomunicações podem customizar ERB (Estação Rádio Base)
de acordo com o perfil dos usuários de determinadas regiões, uma farmácia pode obter o perfil
dos moradores da região e adequar seu estoque de acordo com este perfil, um estabelecimento
de material para construção pode adequar seu estoque máximo e mínimo. Veja abaixo alguns
exemplos concretos:

• General Motors do Brasil (GM) padronizou sua infra-estrutura de análise de dados com
plataforma de BI. São atendidas pela solução as áreas de Marketing e Vendas que reflete
desde o pedido até a pós venda às áreas de Manufatura, Finanças e Compras. O uso de BI
permitiu a troca de informações entre seus escritórios em todo o país e entender melhor o
perfil dos consumidores.

• Já o Bank of America usou essas técnicas para selecionar entre seus 36 milhões de
clientes aqueles com menor risco de dar calote em um empréstimo. A partir desses relatórios,
enviou cartas oferecendo linhas de crédito para os correntistas cujos filhos tivessem entre
18 e 21 anos e, portanto, precisassem de dinheiro para ajudar os filhos a comprar o próprio
carro, uma casa ou arcar com os gastos da faculdade. Resultado: em três anos, o banco
lucrou 30 milhões de dólares

13
 Unidade: (BI) Business Inteligence

• No início de suas operações, a TIM/Telecelular sul era a maior operadora de telefonia

móvel da região sul do Brasil, englobando os estados do Paraná, Santa Catarina e a região de
Pelotas (RS). Subsidiária da Telecom Itália, uma das maiores empresas de telecomunicações do
mundo, a TIM tem um grande volume de dados nos sistemas operacionais. São centenas de
milhares de chamadas realizadas diariamente, algumas vezes alcançando a casa dos milhões.
O problema é transformar esse grande volume de dados em informações úteis necessárias
para as rápidas tomadas de decisões dos executivos. Para ajudar a resolver isso, a TIM contratou
um time de consultores a fim de ajudá-los a construir um conjunto de soluções de BI, produzindo
informações gerenciais para subsidiar as decisões de seu time executivo.
Foram contratados fornecedores nacionais para a implementação de todo o projeto de BI da
TIM, incluindo módulos do Decision Suport System (DSS), Balanced Scorecard, Data Mining e
Tariff Impact.
Após quase um ano de projeto, os sistemas de BI da TIM atendem aos setores de marketing,
vendas e diretorias executivas, tornando a empresa mais ágil e mais apta a disputar o acirrado
mercado de telefonia móvel. São notáveis os ganhos de eficiência na realização do data base
marketing, bem como redução da taxa de troca de operadora realizada pelo cliente.

Embora muitas empresas já tenham se beneficiado do uso do BI, todas tiveram dificuldades
inerentes aos recursos para implementá-la. Como você pode perceber, é necessário organizar,
filtrar informações e torná-las de fácil acesso, permitindo aos funcionários participantes do
processo analisá-las e, caso seja sua responsabilidade, tomar decisões. Para que isto aconteça
é fato que as empresas devem ter um conjunto grande de informações armazenadas em
seus bancos de dados ou outras fontes como planilhas, arquivos textos e outros. Diante disto
é possível usar projetos de Data Warehouse para adequar os dados de forma estruturada,
projeto de data mining para descobertas de padrões que podem fazer diferença diante da
concorrência e outros desenvolvimentos que venham auxiliar na construção dos dados como
o ERP, SIG, BPM, CRM etc.
Segundo Gartner, os usuários de BI não são preocupados com as tecnologias de base que
unem todos os processos. Mas aquele que não estabelecer uma infra-estrutura de base correta
não obterá a flexibilidade e a extensão necessárias para que as soluções estejam disponíveis
para os diferentes níveis dentro da corporação. O conceito básico de implementação de BI
remete ao desenvolvimento de um Data Warehouse corporativo, integrado a cada Data Mart
destinado a atender segmentos específicos da empresa.

14
Anotações

15