UTILIZAO DA MINERAO DE DADOS EM LOJAS DE DEPARTAMENTOS

Guilherme Barbosa Alves Aluno Graduando em Sistema de Informao Faculdades Jorge Amado, Salvador, Ba, Brasil schkrab@yahoo.com.br Luiz Adelmo dos Anjos Silva Aluno Graduando em Sistema de Informao Faculdades Jorge Amado, Salvador, Ba, Brasil l_adelmo@oi.com.br Marli da Silva Oliveira Aluno Graduando em Sistema de Informao Faculdades Jorge Amado, Salvador, Ba, Brasil marly_oliveira@oi.com.br Landoilson Ferreira Pereira Aluno Graduando em Sistema de Informao Faculdades Jorge Amado, Salvador, Ba, Brasil lando_fp@yahoo.com.br Maiana Cristina da Silva Guedes Aluno Graduando em Sistema de Informao Faculdades Jorge Amado, Salvador, Ba, Brasil maiguedes@gmail.com

RESUMO

Com a crescente necessidade de explorao e anlise dos dados, na procura de novo conhecimento sobre o negcio nas organizaes a Minerao de Dados uma das ferramentas que vm sendo utilizada para extrao deste conhecimento na busca de informaes teis e consistentes para a tomada de deciso. A informatizao dos meios produtivos vem possibilitando um aumento considervel do volume de dados nas organizaes. A Manipulao desses dados e, a partir deles, a extrao de informaes que auxiliem nos processos decisrios, tem se tornado cada vez mais indispensvel para as empresas que desejam manter-se no mercado de maneira competitiva. O presente artigo vem analisar como a utilizao de Minerao de dados em lojas de departamentos, possibilita o aumento das vendas e gera lucratividade. Neste artigo ser utilizada a tcnica da regra de associao com o objetivo de traar o comportamento do consumidor e avaliar seus hbitos de compra. Com este mesmo objetivo ser aplicado o algoritmo Apriori e do aplicativo Weka, que permitiu a eficiente execuo para o alcance do objetivo proposto. PALAVRAS CHAVES: Inteligncia de Negcios, Minerao de Dados, Regras de Associao, Apriori. ABSTRACT

With the growing need for exploration and analysis of data, in search of new knowledge about the business organizations in the Data Mining is one of the tools that are being used for extraction of this knowledge in the search for useful information and consistent for the decision. The computerization of productive resources is enabling a considerable increase in the volume of data in organizations. The handling of such data, and from them, the extraction of information that help in decision-making, has become increasingly essential for companies wishing to remain on the market so competitive. This article is to examine how the use of data mining in department stores, enables the increase in sales and generates profitability. This paper will be used the technique of the rule of association with the aim of mapping the behaviour of consumers purchasing habits. With this same goal will be applied the algorithm Apriori and Application Weka, which allowed the efficient implementation to achieve the proposed objective. 1. INTRODUAO Com o avano das tecnologias de informao e o aumento da capacidade de armazenamento e de processamento dos sistemas computacionais, cada vez mais as empresas armazenam em suas bases de dados informaes referentes s vrias formas de interao com seus clientes e fornecedores [BL97]. Aqueles que detm informaes sobre seus negcios podem utiliz-las para determinar o perfil e preferncias de seus clientes, definirem estratgias de marketing e reduzir riscos ao ingressar em novas reas de negcios. A dificuldade em obter conhecimento til de grandes volumes de dados faz com que haja a necessidade de se ter meios para o devido tratamento e extrao de informaes que possam vir a ter utilidade para uma organizao [AI93]. Essa necessidade vem fazendo com que tcnicas e ferramentas sejam criadas e aprimoradas com o intuito de facilitar essa tarefa. Este artigo tem como objetivo fazer uma anlise sobre a importncia da Minerao de dados em lojas de departamentos e o impacto deste junto ao consumidor, na escolha de produtos que no esto co-relacionados em sua busca inicial, utilizando como escolha para execuo o algoritmo apriori que identifica ocorrncia de itens de um subconjunto de dados, que expressa na forma de regra de associao e esta organizado da seguinte forma: A Seo 2 conceituar empresa de departamento, problemas enfrentados para melhorar o atendimento e disponibilidade dos produtos junto ao consumidor; A Seo 3 ser conceituada os principais processos de descoberta de conhecimento em banco de dados; A Seo 4 direciona o escopo do artigo na regra de associao, suas caractersticas, onde pode ser utilizada e sero citados os mtodos mais utilizados; A Seo 4.1 apresentao do algoritmo do apriori, conceito e suas funcionalidades; A Seo 5 apresentao da ferramenta Weka; A Seo 6 utilizando o mtodo apriori pode resolver os problemas levantados na seo 2 usando a ferramenta weka para realizar 2

testes prticos; A Seo 7 os resultados obtidos e finalmente, na Seo 8 esto descrito a concluso do trabalho.

2. LOJAS DE DEPARTAMENTO Como est fortemente presente no dia a dia do consumidor, o nvel de comparao entre as diversas lojas e modelos de negcios alto. De um lado, a globalizao tem intensificado a competio com a entrada de novos concorrentes multinacionais. Por outro lado, o avano tecnolgico e acesso ao capital possibilitam aos concorrentes a reproduo de um produto, servio ou conceito em intervalos de tempo cada vez menores. As lojas de departamentos se caracterizam pela alta competitividade e dinamismo, reforadas pela entrada de novos concorrentes e o elevado grau de exigncia dos consumidores, que a cada dia se tornam mais conscientes de seus direitos e papel no processo de comercializao. A partir desta necessidade, o marketing de relacionamento surge como um poderoso instrumento que pode representar fator de vantagem competitiva e essa necessidade vem fazendo com que tcnicas e ferramentas sejam criadas e aprimoradas com o intuito de facilitar essa tarefa. A proposta deste trabalho analisar uma loja contendo uma grande variedade de produtos, que so comprados diariamente pelos clientes. Cada cliente chega ao caixa com uma variedade de itens que ele selecionou. A caixa faz o registro de todos esses itens como parte de uma transao. Desta forma mesmo sem saber nada sobre o cliente, conhecemos certos itens que um nico cliente compra em conjunto. Quando comparamos todas as compras temos a informao do comportamento dos clientes. Desta forma a utilizao da minerao de dados consegue passar informaes preciosas sobre o perfil dos clientes, os produtos mais consumidos, como os clientes percorrem as lojas, e desta maneira facilitando a tomada de deciso de como distribuir os produtos ao longo desses caminhos, alm de realizar promoes em alguns produtos para forar o cliente a fazer um determinado caminho e levar outros produtos. A minerao de dados possibilita aos empresrios um melhor conhecimento e permite que seja traado uma estratgia mais eficaz, para obter melhores resultados nas vendas e consequentemente aumentar o lucro. 3. MINERAO DE DADOS Nos dias de hoje, as empresas possuem grandes quantidades de dados armazenados, que surgem atravs das transaes (OLTP - Online Transaction Processing) geradas por seus sistemas. Estes dados podem ser transformados em informao por um analista, atravs do acesso ao banco de dados onde pode ser elaborado diversas questes ou manipular os dados utilizando sistemas OLAP 3

(On-Line Analytical Processing) para examinar diferentes tabulaes cruzadas sobre os dados, que mesmo assim pode passar despercebido regras e padres valiosos para tomada de deciso. A minerao de dados pode ser aplicada tambm com diversas fontes tais como textos, arquivos de log, data warehouses, entre outras [CS02]. O termo minerao de dados ou (Data Mining) refere-se ao processo de analisar grandes bancos de dados. Segundo Berry e Linoff a Minerao de dados a explorao e a anlise, por meio automtico ou semi-automtico, de grandes quantidades de dados, a fim de descobrir padres e regras significativos . a etapa responsvel por parte do processo de Descoberta de Conhecimento em Banco de Dados (KDD Knowledge Discovery in Databases) que a seleo dos mtodos a serem utilizados para localizar padres nos dados a depender do objetivo de KDD. O principal objetivo da minerao de dados descobrir relacionamentos entre dados e como fornecer subsdios para uma previso de tendncias futuras, baseada no passado. Uma empresa que utiliza o data mining capaz de criar parmetros para entender o comportamento do consumidor, identificar afinidades entre as escolhas de produtos e servios, prever hbitos de compras e analisar comportamentos habituais. Os resultados obtidos com a minerao de dados podem ser usados no gerenciamento de informao, processamento de pedidos de informao, tomada de deciso, controle de processo e muitas outras aplicaes [AI93]. O processo de minerao de dados baseado na interao entre as diferentes categorias de usurio, e para que a aplicao seja bem sucedida depende exatamente dessa interao. Entender o domnio dos dados um requisito essencial para se extrair conhecimento til, para isso o usurio necessita possuir conhecimentos sobre a rea de aplicao para que essas informaes teis sejam obtidas. As principais tarefas de minerao de dados, que podem ser aplicadas de acordo com o objetivo do KDD so: Classificao: - analisa um conjunto de dados de treinamento e constri um modelo para cada classe baseado nas caractersticas dos dados; Estimativa: esta funo de minerao prediz os possveis valores de alguns dados desconhecidos ou a distribuio de valores de certos atributos em um conjunto de objetos; Segmentao: consiste em identificar possveis agrupamentos nos dados, onde um agrupamento uma coleo de objetos que so "semelhantes", um ao outro. Sumarizao: analisa um grande conjunto de dados de sries temporais para encontrar certas regularidades e caractersticas interessantes, incluindo a pesquisa de seqncias ou subseqncias semelhantes e descobrindo assim padres seqenciais, periodicidades, tendncias e divergncias. Associao: Estuda um padro de relacionamento entre itens de dados [V99]. 4

Visando uma exemplificao da aplicabilidade de KDD, abaixo segue um caso onde a descoberta de conhecimento em bancos de dados pode desempenhar tarefas relevantes [WF00]: Diagnstico uma das principais aplicaes de sistemas especialistas. A manuteno preventiva de dispositivos eletromecnicos pode evitar falhas que interrompam processos industriais. Tcnicos regularmente inspecionam cada dispositivo, medindo vibraes e outros fenmenos que indicam necessidade de manuteno. Instalaes de indstrias qumicas chegam a utilizar mais de mil diferentes dispositivos, que vo de pequenas bombas a grandes turbo alternadores. A medio de vibraes e demais fenmenos muito ruidosa, devido s limitaes dos procedimentos de medio e registro. Estes dados, uma vez estudados por um especialista, conduzem a um diagnstico. As limitaes dos procedimentos tcnicos, aliadas subjetividade humana, oferecem uma margem de erro preocupante. Por outro lado, um universo de 600 falhas, cada uma devidamente registrada com seus conjuntos de medies representando 20 anos de experincia, pode ser utilizado para determinar o tipo de falha atravs de procedimentos de KDD, aperfeioando assim o processo de busca e correo de problemas eletromecnicos. 4. REGRA DE ASSOCIAO A tcnica de descoberta de regras de associao estabelece uma correlao estatstica entre certos itens de dados em um conjunto de dados (Goebel e Gruenwald, 1999). A tarefa de associao consiste em determinar quais itens tendem a concorrer em uma mesma transao. O exemplo clssico a determinao de quais produtos costumam ser colocados juntos em um carrinho de supermercado, da o termo anlise de cesta de mercado. As cadeias de varejo usam associao para planejar a disposio dos produtos nas prateleiras das lojas ou em um catlogo, de modo que os itens geralmente adquiridos na mesma compra sejam vistos prximos entre si (Harrison, 1998). A tarefa de associao pode ser considerada uma tarefa bem definida, determinstica e relativamente simples, que no envolve predio da mesma forma que a tarefa de classificao [AT06]. A notao que representa bem a regra de associao X=>Y (X implica Y), onde x e y formam um conjunto de itens distintos (X Y = ). O objetivo desta tcnica representar, com determinado grau de certeza, uma relao existente entre o antecedente (x) e o conseqente (y). A associao uma tarefa descritiva, ou seja, ela visa identificar padres em dados histricos [V99]. De acordo com Abraham o objetivo de um algoritmo de regras de associao identificar todas aquelas que tenham suporte (Sup) e confiana (Conf) maiores do que os valores mnimos 5

estipulados, onde o suporte um nmero mnimo de ocorrncias e a confiana o percentual das transaes que satisfazem X e Y. Desta forma, Sup Supmnimo e Conf Confmnima devem ser satisfeitos. Na regra X Y, o suporte dado por sup (XY) e a confiana dada por sup (XY) / sup (X) [SKS06]. Existem diversos algoritmos baseados na regra de associao tais como : Apriori, DHP, ABS, Sampling dentre outras. Neste artigo ser utilizado apenas do algoritmo Apriori.

4.1. ALGORITMO APRIORI O algoritmo apriori mais conhecido e utilizado para tratar o problema da anlise da cesta de compras. O algoritmo foi concebido por Agrawal, Imielinksy & Swami, 1993, e utiliza um mtodo interativo chamado de busca inteligente por nvel (level-wise search). Segundo Elmasri o algoritmo Apriori faz a minerao de dados em duas etapas: Gerao: faz-se uma varredura na base de dados com o intuito de gerar todos os conjuntos de possveis combinaes de campos das colunas que tenham uma freqncia superior ao suporte mnimo estipulado. Poda: considera-se somente os conjuntos que possuam o grau de suporte mnimo e descartam os demais. Ao executar diversas varreduras na base de dados, o algoritmo gera primeiramente um conjunto de itens candidatos e, em seguida, verifica se os candidatos satisfazem o suporte mnimo estipulado, caso positivo ser gerado um conjunto de itens freqentes . O algoritmo fica em loop at esgotar as combinaes possveis. Um exemplo prtico da aplicao da regra seria constatar que, em um determinado conjunto de dados, N% dos registros em que constam os atributos A e B, constam tambm o atributo C. A porcentagem de ocorrncia expressa em N% representa o fator de confiana da regra e utilizado para eliminar tendncias fracas e manter as regras que descrevem as tendncias mais fortes[EN05]. Portanto, o algoritmo apriori uma forma eficiente de se encontrar regras de associao, pois essa tcnica analisa o fato de que, se um conjunto ocorre com freqncia o mesmo se d com os seus subconjuntos. 5. APLICATIVO WEKA Waikato Environment for Knowledge Analysis WEKA [Waikato 2004, Witten & Frank 2000] uma ferramenta de KDD que contempla uma srie de algoritmos de preparao de dados, de aprendizagem de mquina (minerao) e de validao de resultados. WEKA foi desenvolvido na Universidade de Waikato na Nova Zelndia, sendo escrito em Java e possuindo cdigo aberto 6

disponvel na Web (a atual verso - 3.4.3 - demanda Java 1.4). A equipe de desenvolvimento tem lanado periodicamente correes e releases do software, alm de manter uma lista de discusses acerca da ferramenta. Grande parte de seus componentes de software so resultantes de teses e dissertaes de grupos de pesquisa desta universidade. Inicialmente, o desenvolvimento do software visava a investigao de tcnicas de aprendizagem de mquina, enquanto sua aplicao inicial foi direcionada para a agricultura, uma rea chave na economia da Nova Zelndia. O sistema possui uma interface grfica amigvel e seus algoritmos fornecem relatrios com dados analticos e estatsticos do domnio minerado. Grande parte de seus recursos acessvel via sua GUI, sendo que os demais podem ser utilizados programaticamente atravs de APIs. Foi disponibilizada tambm uma abrangente documentao online do cdigo fonte. Por ser escrito em Java, o cdigo pode ser rodado em diferentes plataformas, conferindo uma boa portabilidade ao software. Uma limitao da ferramenta a sua escalabilidade, uma vez que suas verses atuais limitam o volume de dados a ser manipulado dimenso de memria principal. Mesmo assim, possvel minerar bases de dados relevantes, tornando o pacote atrativo para um grande nmero de aplicaes (componentes do Weka tm sido utilizados em um considervel nmero de projetos) [GUW01].

6. UTILIZAO DA MINERAO DE DADOS

Ser aplicado a tcnica da regra de associao apriori em uma base de dados, que simula transaes realizadas pelos clientes em uma loja de departamento. Essa base foi tratada primeiramente na planilha eletrnica (Excel) e depois no editor de texto (Word) obedecendo um padro para ser executado na ferramenta Weka verso 3.4.11, que tem outras regras e mtodos. A implementao do algoritmo apriori na ferramenta Weka, apresenta algumas particularidades como: o algoritmo apriori tenta gerar dez regras de associao, o valor de confiana default de 90%, o valor de suporte mnimo comea com 100% e vai diminuindo 5% at que 10 regras sejam formadas ou que o valor do suporte chegue a 10%, e as regras geradas so ordenadas de acordo com o valor de confiana (SQL - Magazine, , p.21 ). Os dados de entrada para o software devem estar no formato ARFF, que pode ser visto na Figura 1, onde necessrio ter o tipo da informao de cada atributo. Como o algoritmo apriori no aceita valores numricos, necessrio que os dados sejam
@relation table @attribute field1 {option1,option2,option3} @attribute field2 numeric ... @data option1,20 option3,40 option2,10 ...

convertidos para valores nominais (Strings). Os dados so armazenados em um arquivo ARFF onde a tag @relation indica o nome do conjunto de dados, @attribute indica as informaes dos atributos com 7

seus tipos respectivos e @data indica cada linha do conjunto de dados [V99].
Figura 1: Base de Dados no Padro ARFF @relation Produtos @attribute @attribute @attribute @attribute @attribute @attribute @attribute @attribute @attribute @attribute @attribute Po Leite Manteiga Cerveja Salaminho Silicone Estopa Fralda Cala Cinto Dia {Sim, {Sim, {Sim, {Sim, {Sim, {Sim, {Sim, {Sim, {Sim, {Sim, {Seg, ?} ?} ?} ?} ?} ?} ?} ?} ?} ?} Ter, Qua, Qui, Sex, Sab, Dom}

@data Sim,Sim,?,?,?,?,?,?,?,?,Dom Sim, Sim, Sim,?,?,?,?,?,?,?,Dom ?,?,?, Sim, Sim,?,?,?,?,?,Sex ?,?,?, Sim, Sim,?,?,?,?,?,Sex ?,?,?, Sim, Sim,?,?,?,?,?,Sex ?,?,?, Sim, Sim,?,?,?,?,?,Sex Sim,Sim,?,?,?,?,?,?,?,?,Dom ?,?,Sim,?,?,?,?,?,Sim,Sim,Seg ?,?,?,?,?,?,?,?,Sim,Sim,Seg ?,?,?,?,?,?,?,?,Sim,Sim,Seg ?,?,?,?,?,?,?,?,Sim,Sim,Seg ?,?,?,?,?,Sim,Sim,Sim,?,?,Qui ?,?,?,?,?,Sim,Sim,Sim,?,?,Qui ?,?,?,?,?,Sim,Sim,Sim,?,?,Qui ?,?,?,Sim,?,?,?,Sim,?,?,Qui ?,?,?,Sim,?,?,?,Sim,?,?,Qui ?,?,?,Sim,?,?,?,Sim,?,?,Qui ?,?,?,Sim,?,?,?,Sim,?,?,Qui ?,?,?,Sim,?,?,?,Sim,?,?,Qui ?,?,?,Sim,?,?,?,Sim,?,?,Qui

A figura 2: mostra a base de dados que aplicaremos na ferramenta weka j no padro ARFF.

7. RESULTADOS A figura 3 mostra o resultado gerado pela ferramenta weka aplicando o mtodo aprioi na base de
=== Run information === Scheme: weka.associations.Apriori -N 10 -T 0 -C 0.9 -D 0.05 -U 1.0 -M 0.1 -S -1.0 Relation: Produtos Instances: 20 Attributes: 11 Po Leite Manteiga Cerveja Salaminho Silicone Estopa Fralda Cala Cinto Dia === Associator model (full training set) === Apriori ======= Minimum support: 0.2 (4 instances) Minimum metric <confidence>: 0.9 Number of cycles performed: 16 Generated sets of large itemsets: Size of set of large itemsets L(1): 8 Size of set of large itemsets L(2): 9 Size of set of large itemsets L(3): 3 Best rules found: 1. Fralda=Sim 9 ==> Dia=Qui 9 conf:(1) 2. Dia=Qui 9 ==> Fralda=Sim 9 conf:(1) 3. Cerveja=Sim Fralda=Sim 6 ==> Dia=Qui 6 conf:(1) 4. Cerveja=Sim Dia=Qui 6 ==> Fralda=Sim 6 conf:(1) 5. Cala=Sim 4 ==> Cinto=Sim Dia=Seg 4 conf:(1) 6. Cinto=Sim 4 ==> Cala=Sim Dia=Seg 4 conf:(1) 7. Dia=Seg 4 ==> Cala=Sim Cinto=Sim 4 conf:(1) 8. Cala=Sim Cinto=Sim 4 ==> Dia=Seg 4 conf:(1) 9. Cala=Sim Dia=Seg 4 ==> Cinto=Sim 4 conf:(1)

dados.

Figura 3: Resultado gerado pela ferramenta weka

O mtodo apriori gerou 10 regras que default da ferramenta. Desta forma ficou 10

evidenciado que apesar de a base de dados possui vrios produtos, mas nem todos foram inseridos nas 10 regras porque no atingiram valores mnimos de suporte e confiana. Segundo Correia, prtica comum estabelecer valores de suporte mais baixos, j que o suporte representa o nmero de ocorrncias em um subconjunto de dados e, quando seu valor alto, podem-se obter regras muito triviais, no possibilitando a aquisio de novos conhecimentos. Algumas regras ficaram bem claras, conforme abaixo:

Regra 01-02: Existe uma tendncia muito grande da compra de fralda no dia de quinta-feira. Regra 03: Existe uma grande tendncia tambm do usurio que compra cerveja tambm compra fralda e essa regra acontece com grande freqncia na quinta-feira. Regra 04: Existe uma tendncia muito grande da compra de cerveja no dia de quinta-feira. Regra 05-10: Existe uma relao muito forte entre cala e cinto ou vice-versa adquirido com uma grande freqncia na segunda-feira.

8. CONCLUSO

Conforme pode ser observado neste artigo a utilizao da minerao de dados com o mtodo da regra de associao e o algoritmo apriori, ficou evidente que as lojas de departamentos que investem na minerao de dados, analisando de forma cuidadosa suas transaes conseguem entender o comportamento e preferncias dos seus clientes. Desta forma possvel repassar essas informaes ao departamento de marketing possibilitando uma interferncia direta nas tomadas decises, no sentido de propiciar ao usurio produtos que ser agregada a sua compra inicial devido um planejamento do layout. Essas informaes tambm so de grande importncia para o departamento de compras, pois sabendo o dia em que determinado produto tem maior sada fica mais fcil manter um estoque para que no haja falta do produto, ou seja, possvel manter o estoque sempre atualizado e as prateleiras repostas. Este artigo propicia ao leitor um melhor entendimento, quanto utilizao da regra de associao com mtodo apriori, bem como aplica - l em lojas de departamento e poder obter benefcios com seu uso, no mercado de trabalho.

11

REFERNCIAS BIBLIOGRAFICAS
[AI93] AGRAWAL, R., IMIELINKSY, T. & Swami, A., 1993. Mining Association Rules between Sets of Items in Large Databases. In: Proceedings of the 1993 ACM SIGMOD Conference. Washington DC, EUA Traduo Galino, Marcos Disponvel em: http://professores.ibmecrj.br/psergio/papers/claio2002.pdf., acesso em

12/03/2008. [AT06]AMORIN, Thiago. Minerao de Dados para gerar conhecimento a partir de bases de dados. Publicado em 2006.2. Disponvel em: <http://www.cin.ufpe.br/~tg/2006-2/tmas.pdf>, Acesso em 01. MAR. 2008. [BL97] [CU07] BERRY, M. J. A., LINOFF, G. Data mining techniques. USA: John Wiley, 1997. CORREIA, Ulisses. Minerao de Dados de Help Desk. Publicado em 15/02/2007. Disponvel em: http://www.ibmecrj.br/sub/RJ/files/dissert_mestrado/ADM_ulissescorrea_fev.pdf, Acesso em 01. MAR. 2008.

[CS02]CORTES, Srgio. Minerao de Dados Tcnicas, Funcionalidades. Publicado em 02/05/2002. Disponvel em: < ftp://ftp.inf.puc-rio.br/pub/docs/techreports/02_10_cortes.pdf>, Acesso em 12/03/2008. [EN05] [GUW01] [GMC05] ELMASRI, Ramez, NAVATHE, Shamkant. Sistemas de Banco de Dados. 4ed, So Paulo: Pearson Addison, 2005. GARCIA-MOLINA, Hector, ULLMAN, Jeffrey d., WIDOM, Jennifer. Implementao de Sistemas de Bancos de Dados. Rio de Janeiro: Campus, 2001. GUIMARES, Cezar T., MILANI Gabriela N. F., CRESCITELLI, Edson. Aplicao de Aes de Marketing de Relacionamento em Lojas de Departamento. Publicado em 12/08/2005. Disponvel em: http://www.ead.fea.usp.br/semead/8semead/resultado/trabalhosPDF/57.pdf Acessado em 26/05/2008. SILBERSCHATZ, Abraham, KORTH, Henry F., SUDARSHAN, S.. Sistema de Banco de Dados. 5ed, Rio de Janeiro: Elsevier, 2006. VIANA, R. Minerao de Dados: Introduo a Aplicaes. SQL-Magazine.Srie(1999) 16-25. WITTEN, I.; FRANK, E. Minerao de Dados - Conceitos, Aplicaes e Experimentos com Weka (2000).

[SKS06] [V99]
[WF00]

12