Material Adicional

Prévia do material em texto

Tema 1:
Introdução a Inteligência de Negócios
Prof. Dr. Lawrence Chung Koo
Aula 1: Inteligência de 
Negócios
Sumário
1. Introdução
2. Inteligência de Negócios
3. Framework de uma Solução de BI
4. Qualidade da Fonte de Dados
4.1 Extração
4.2. Transformação e carregamento
Pontuando
1. Introdução
Mercado
• Diversificado
• Mercado mais competitivo
• Aceleração na comunicação
• Qualidade x Rapidez
• Pressão de custos
• Cliente com poder de escolha
• Maior oferta
Fonte Imagem: http://pixabay.com
1. Introdução
Empresa
• Ferramenta para auxiliar nos processos internos
(ERP e CRM)
• Administração com qualidade e planejamento
(PMBOK)
• Qualidade nos produtos e serviços (ISO, CMMI e
INMETRO)
• Garantir um diferencial competitivo
Sumário
1. Introdução
2. Inteligência de Negócios
3. Framework de uma Solução de BI
4. Qualidade da Fonte de Dados
4.1 Extração
4.2. Transformação e carregamento
Pontuando
Revista Exame, 15 de maio de 2002
Peter Drucker
O GURU dos gurus
“Os acontecimentos mais importantes 
para determinar o futuro já 
aconteceram , e de forma irrevogável”
Prof. Dr. Lawrence Chung Koo 
Thomas Jefferson
“The possession of facts is knowledge, 
the use of them is wisdom”
Prof. Dr. Lawrence Chung Koo 
Knowledge GapDados
1960 1970 1980 1990 2000 2010 2020
Disponibilidade de
Dados e Informações
Potencial 
Analítico
Knowledge Gap
Prof. Dr. Lawrence Chung Koo
Inteligência de 
Negócios
Ferramentas
Analíticas
Competência
Analítica
A competência competitiva depende essencialmente das 
capacidades analíticas em Negócio e Tecnologia
TecnologiaQuestões de 
negócio
Fonte: Kugler 2013
2. Inteligência de Negócios
Definição
• Conjunto de ferramentas
• Relatórios, painéis de negócio, gráficos, etc.
• Informações com conteúdo preciso
• Auxiliam os alto executivos na
tomada de decisão
• Decisões rápidas e assertivas
Fonte Imagem: http://pixabay.com
2. Inteligência de Negócios
Benefícios
• Redução de tempo
• Redução do custo
• Aumento do retorno de investimento
• Aumento das novas receitas
• Definição de uma verdade única
• Melhores estratégias, planos, táticas e decisões
• Melhoramento de processos
Fonte Imagem: http://pixabay.com
2. Inteligência de Negócios
Parte Organizacional
• Definição do plano estratégico da empresa
• Qual é a necessidade de cada setor?
• O que desejamos avaliar?
• Quais índices serão avaliados?
• Quais metas devemos atingir?
• Quais tipos de análises queremos que sejam
feitas?
Fonte Imagem: http://pixabay.com
Gap
Analysis
Cadeia de
valor
Questões
críticas de
negócio
Métricas de
desempenho
Gestão de 
desempenho
Reflexão 
estratégica
Controle,
avaliação e
melhorias
Trilha
gerencial
Trilha
informacional
Trilha
técnica
Projetos 
analíticos
Competência Analítica
Fonte: Kugler, 2013.
É a capacidade coletiva de conciliar e 
conduzir projetos e iniciativas analíticas que 
enderecem de forma efetiva as questões 
críticas de negócio.
Competência Analítica
Fonte: Kugler, 2013.
Relatórios e
Consultas
O que
aconteceu?
Por que
aconteceu?
Como aconteceu?
E se...?
Esboçar e testar 
relações causais
O que pode 
acontecer?
Aprofundar relações 
causais
Monitorar eventos 
e operações
Melhorar a
alocação de recursos
Sincronizar operações 
e processos
Experimentar e
validar alternativas
Antecipar, explorar 
e prevenir
Competência
Analítica
Desafio
Gerencial
Foco de
Análise
OLAP, KPIs e 
Dashboards
Segmentação,
Scores e 
Simulações
Cenários e
Modelos 
Preditivos
a aa Aa AA
Competência Analítica
Fonte: Kugler, 2013.
Otimizar operações 
e processos
2. Inteligência de Negócios
Parte Tecnológica
• É um conjunto de ferramentas dividas em 4 etapas:
• Aquisição de dados/ETL: de acordo com o 
que foi levantado na parte organizacional, os 
dados são coletados, extraídos, transformados 
armazenados; 
• Armazenamento de dados: os dados são 
armazenados em data warehouses e data 
marts;
Fonte Imagem: http://pixabay.com
2. Inteligência de Negócios
Parte Tecnológica
• Acesso e análise dos dados: ferramentas irão 
possibilitar aos usuários o acesso às 
informações e também fornecer meios para 
realizarem análises.
• Desempenho e estratégia: é a fase final onde 
as ferramentas são voltadas para estratégia de 
negócio, baseadas principalmente na 
metodologia do BSC (Balanced Scorecard) de 
gestão de negócios.
Fonte Imagem: http://pixabay.com
Tema 2:
Framework Solução BI
Prof. Dr. Lawrence Chung Koo
Tecnologias e Soluções em TI
Inteligência de Negócios
Sumário
1. Introdução
2. Inteligência de Negócios
3. Framework de uma Solução de BI
4. Qualidade da Fonte de Dados
4.1 Extração
4.2. Transformação e carregamento
Pontuando
3. Framework de uma Solução de BI
Fonte Imagem: http://pixabay.com
3. Framework de uma Solução de BI
Aquisição de Dados
• Bancos de dados operacionais (transacionais)
• ERP (Enterprise Resource Planning –
Planejamento de Recursos da Empresa)
• CRM (Costumer Relationship Management –
Gerenciamento de Relacionamento com o Cliente)
• Bancos de dados externos (IBGE, Banco Central, 
Indicadores do MEC)
Fonte Imagem: http://pixabay.com
3. Framework de uma Solução de BI
ETL (Extraction, Transformation and Load –
Extração, Transformação e Carregamento)
• Limpeza
• Organização
• Formatação
• Estruturação
• Informações com verdade única
• Carregamento no banco de dados
Fonte Imagem: http://pixabay.com
3. Framework de uma Solução de BI
Acesso e análise dos dados
• Ferramentas para auxílio da visualização e análise
dos dados
• Relatórios
• Dashboards (painéis de bordo)
• Ferramentas de data mining (mineração de dados)
• Algoritmos inteligentes
• Metodologias matemáticas
Fonte Imagem: http://pixabay.com
3. Framework de uma Solução de BI
Desempenho e estratégia
• Ferramentas baseadas no gerenciamento de 
negócio
• Metodologia BSC (Balanced Scorecard)
• BPM (Business Performance Management –
Gerência de Performance de Negócios) 
• BAM (Business Activity Monitoring - Monitoramento 
de Atividades de Negócios)
Fonte Imagem: http://pixabay.com
Sumário
1. Introdução
2. Inteligência de Negócios
3. Framework de uma Solução de BI
4. Qualidade da Fonte de Dados
4.1 Extração
4.2. Transformação e carregamento
Pontuando
Tema 3:
Qualidade dos Dados - Extração
Prof. Dr. Lawrence Chung Koo
Tecnologias e Soluções em TI
Inteligência de Negócios
4. Qualidade da Fonte de Dados
Primeira fase do framework de BI –
Aquisição de dados
• Bancos de dados de outras empresas
• Bancos de dados das filiais
• Fontes externas de dados
• Data warehouses
• Data marts
4. Qualidade da Fonte de Dados
Cliente
Nome Est. Civil
Maria Casada
José Solteiro
Pessoas
Nome Civil
Maria C
José S
Cliente Produto
DataEndereço
VendasId_cliente
Nome
CPF
Id_prod
Desc.
Valor
Id_end
Lograd.
Num.
Id_data
Dia
Mês
Id_cliente
Id_prod
Id_end
Id_data
Qtd
4. Qualidade da Fonte de Dados
Problemas
• Padrões diferentes
• Nomenclaturas diferentes
• Grande volume de informação
• Armazenagem diferentes
• Como correlacionar tanta informação?
• Se a fonte dos dados não for bem tratada, isso
será refletido em resultados de pouco valor
Fonte Imagem: http://pixabay.com
4. Qualidade da Fonte de Dados
O que precisamos?
• Informações únicas
• Compatibilidade de dados
• Formatação nas estruturas do banco de dados
• Limpeza dos dados que não serão utilizados
• Manutenção dos dados
• Como?
Sumário
1. Introdução
2. Inteligência de Negócios
3. Framework de uma Solução de BI
4. Qualidade da Fonte de Dados
4.1 Extração
4.2. Transformação e carregamento
Pontuando
Tema 4:
Qualidade dos Dados – Transformação e
Carga
Prof. Dr. Lawrence Chung Koo
Tecnologias e Soluções em TI
Inteligência de Negócios
4. Qualidade da Fonte de Dados
Segunda fase do framework de BI – ETL
(Extraction, Transformation and Load – Extração,
Transformação e Carregamento)
4. Qualidade da Fonte de DadosSegunda fase do framework de BI – ETL
Extração
• Mapeamento: verifica os campos das tabelas e
estabelece relacionamentos entre campos iguais,
tentando obter equivalência entre os dados.
Cliente
Nome Est. Civil
Maria Casada
José Solteiro
Pessoas
Nome Civil
Maria C
José S
4. Qualidade da Fonte de Dados
Extração
• Criar perfil dos dados: analisa e identifica
problemas de qualidade. São criadas métricas para
medir a qualidade dos dados nos campos
específicos de uma tabela.
Cliente
Nome String
Idade String
CPF String
Cliente
Nome String
Idade Numeric
CPF Numeric
String = caracteres 
Numeric = números
4. Qualidade da Fonte de Dados
Extração
• Corrigir / Limpar: prepara os dados de cada
registro corrigindo e padronizando para serem
utilizados.
Categorias
Crianças 0 ~ 20
Adultos >= 21
Pessoas
Ana 15
Maria 36
José
Pessoas
Ana Adulto
Maria Adulto
José Adulto
Pessoas
Ana Criança
Maria Adulto
4. Qualidade da Fonte de Dados
Extração
• Monitorar: : controla a qualidade ao longo do
tempo. São criadas regras com limite de tolerância
para a qualidade dos dados juntamente com alertas
para quando exceder o limite permitido.
Categorias
Crianças 0 ~ 20
Adultos >= 21
Pessoas
Ana 15
Maria 36
José
Pessoas
Ana Adulto
Maria Adulto
José Adulto
Alarme
Sumário
1. Introdução
2. Inteligência de Negócios
3. Framework de uma Solução de BI
4. Qualidade da Fonte de Dados
4.1 Extração
4.2. Transformação e carregamento
Pontuando
4.2. Transformação e carregamento
Transformação
• Parte organizacional
• Quais foram os índices definidos?
• Quais análises devem ser feitas?
• Somatórios, contagens, agrupamentos e 
estatísticas
• A análise das diversas informações devem levar a
uma verdade única
4.2. Transformação e carregamento
Transformação
• A parte organizacional é fundamental para o
sucesso do BI
• Todas as questões levantadas na parte
organizacional devem constar na modelagem
• Modelagem do data warehouse e/ou data marts
• Criação das tabelas dimensões e fatos
4.2. Transformação e carregamento
Carregamento
• Seleção do gerenciador de banco de dados
• Criação das tabelas dimensão e fato
• Conjuntos de comandos complexos no banco de
dados para preencher as tabelas
• Carregamento
Sumário
1. Introdução
2. Inteligência de Negócios
3. Framework de uma Solução de BI
4. Qualidade da Fonte de Dados
4.1 Extração
4.2. Transformação e carregamento
Pontuando
Pontuando
• Para as empresas se tornarem competitivas, elas
precisaram oferecer não só serviços de qualidade,
mas também um diferencial. Em busca deste,
surgiu o BI que é um conjunto de aplicações e
ferramentas que ajudam os alto executivos a
tomarem decisões estratégicas;
Pontuando
• A estrutura básica de um BI é composta por quatro
segmentos: aquisição de dados, armazenamento de
dados e análise com acesso aos dados e desempenho e
estratégia;
• Dados de qualidade geram análises precisas e confiáveis;
• É importante considerar as informações levantadas na
parte organizacional do BI, pois é a partir dela que o data
warehouse e/ou data marts serão estruturados.
Pontuando
 As principais alternativas para estruturar as camadas analíticas são:
1. Data warehouse centralizado.
2. Vários data marts descentralizados.
3. Ou uma estrutura híbrida, que busca conciliar centralização e
descentralização.
 A correta identificação das questões críticas de negócio direciona o
fluxo de alimentação das camadas analíticas.
 Veremos esses ponto mais detalhadamente nas próximas aulas
Tema 1:
Introdução a Data Warehouse
Prof. Dr. Lawrence Chung Koo
Sumário
1. Introdução
2. Data Warehouse
3. Data Mart
4. Metadados
5. Modelo multidimensional
Pontuando
1. Introdução
Fase de armazenagem
• Data warehouse (visão de todo o negócio)
• Data mart (dividido por assunto ou departamentos)
• Metadados (informação sobre os dados)
• Como essas informações estão armazenadas?
Fonte Imagem: http://Office.com
Gestão e 
Operação
Dados 
Operacionais 
e Externas
ExtraçãoTransformação
Carga
Armazenagem 
DW
Áreas de 
Negócio
Busca e 
Entendimento
Análise e 
Descoberta
Elemento de Dados
Mapeamentos
Business Views
Processo de Datawarehousing
Prof. Dr. Lawrence Chung Koo 
1. Introdução
Fase de armazenagem
Sumário
1. Introdução
2. Data Warehouse
3. Data mart
4. Metadados
5. Modelo multidimensional
Pontuando
2. Data Warehouse
Definição
• O data warehouse pode ser considerado um banco
de dados voltado a um conjunto de assuntos. Ele
extrai informações valiosas das diversas fontes de
dados e as armazena no banco de dados único de
um forma estruturada para atender as ferramentas
de suporte à decisão.
2. Data Warehouse
Definição
• Ralph Kimbal define o data warehouse como um
conjunto de data marts.
• Bill Inmon, define o data warehouse como sendo
uma estrutura que possui as seguintes
características: orientado a assunto, integrado, não
volátil e variável no tempo.
Fonte Imagem: http://Office.com
2. Data Warehouse
Definição
 Ralph Kimball define o data 
warehouse como um conjunto de 
data marts que representa os focos
de análise de forma intuitiva, 
facilitando a filtragem e agregação dos 
dados gerenciais. 
 Bill Inmon define o data warehouse 
como uma base de dados orientada 
por assuntos, integrada, não 
volátil, com histórico cumulativo 
indexado no tempo.
Ralph Kimball
Fonte da imagem: Intelligent Enterprise, 2007. Google image
Bill Inmon
Tema 2:
Data Warehouse e Data Mart
Prof. Dr. Lawrence Chung Koo
2. Data Warehouse
Características:
• Orientado a assunto: as suas estruturas devem
ser organizadas de forma a atender a necessidade
de se estudar um determinado assunto.
• Departamento de vendas :
Produtos x Mês
• Departamento de marketing:
Avaliar o produto durante o ano
Fonte Imagem: http://Office.com
2. Data Warehouse
Características:
• Integrado: deve armazenar informações de
diferentes fontes de dados de forma consistente.
Ou seja, deve ter seus dados apurados por
ferramentas de ETL.
2. Data Warehouse
Características:
• Não volátil: isto significa que o banco de dados
não pode ser atualizados, eles são somente
consultados.
• Variável no tempo: os dados devem ser
armazenados de acordo com o momento do
carregamento.
• Permite que a mesma consulta seja retornada 
com o mesmo dados
Fonte Imagem: http://Office.com
Arquitetura DW – Bill Inmon
Prof. Dr. Lawrence Chung Koo 
Fonte: The Data Warehouse Toolkit – R. Kimball
Transações
Fontes
A
q
u
is
iç
ã
o
 d
e
 d
a
d
o
s
EDW
(DW
Corporativo)
Tabelas em
3ª. Forma
Normal
Dados
Atômicos
Pesquisável
Pelo
Usuário
D
a
ta
 D
e
li
v
e
ry
Data Mart
- Dimensional
- Geralmente 
Sumarizado
- Departamental A
p
li
c
a
ç
õ
e
s
 B
I
Back room
Front room
Arquitetura DW – R.Kimball
Prof. Dr. Lawrence Chung Koo 
Fonte: The Data Warehouse Toolkit – R. Kimball
Transações
Fontes
E
 
 T
 
 L
EDW
(DW
Corporativo)
Tabelas em
3ª. Forma
Normal
Dados
Atômicos
E
 
 T
 
 L
Área de Apresen-
tação
- Dimensional 
(Star Schema
ou Cubos OLAP)
- Dados atômicos 
e sumarizados
- Organizados 
pelos processos 
de Negócios
- Utilizados na 
suas dimensões
A
p
li
c
a
ç
õ
e
s
 B
I
Back room Front room
EDW
BUS
2. Data Warehouse
Características:
• Variável no tempo:
Cliente
Nome Est. Civil
Maria Casada
José Solteiro
10/01/10 Cliente
Nome Est. Civil
Maria Casada
José Solteiro
Ana Solteira
João Casado
10/01/11
2. Data Warehouse
Estrutura:
2. Data Warehouse
Diferenças entre BI e Data Warehouse:
• Inteligência de negócios
• Utilização da tecnologia de data warehouse
• Ferramentas de apoio a tomada de decisão
• Voltado a negócios
• Parte organizacional
Sumário
1. Introdução
2. Data Warehouse
3. Data Mart
4. Metadados
5. Modelo multidimensional
Pontuando
O que é um Data Mart
Data Mart
 “Uma implementação de um DW com um escopo menor e
mais restrito de dados e funções, servindoa um único
departamento ou parte de uma organização”*
Fontes
de Dados
Prof. Dr. Lawrence Chung Koo 
3. Data Mart
Definição:
• É um segmento/parte do Data Warehouse;
• Separado por assunto/departamento;
• Protótipo rápido;
• Restringe o acesso aos dados;
• Possui três tipos: dependente, independente e o
híbrido.
Data Mart - Características
Características de um Data Mart
 Um data mart tem escopo restrito
tamanho, usabilidade, ciclo de vida
 Um data mart suporta dados primitivos, sumarizados
ou outras derivações, direcionados para resolver um
problema de negócio
 Um data mart geralmente suporta análise de dados
multi-dimensionais
 O desenho de um data mart tende a ser dependente
da ferramenta
Prof. Dr. Lawrence Chung Koo 
Tema 3:
Data Marts e Metadados
Prof. Dr. Lawrence Chung Koo
3. Data Mart
Tipos de Data Mart:
• Dependente: Sua fonte de
dados é o próprio data
warehouse .
Fonte Imagem: adaptado de LANE et al., 1999 
3. Data Mart
Tipos de Data Mart:
• Independente: É criado sem
um data warehouse central,
busca as suas informações
diretamente dos bancos
operacionais e dados
externos
Fonte Imagem: adaptado de LANE et al., 1999 
3. Data Mart
Tipos de Data Mart:
• Híbrido: Não há exigência
quanto ao tipo de sua fonte
de dados. Pode ser gerado a
partir de diversas fontes
como data warehouses, data
marts, bancos de dados
operacionais e dados
externos.
Fonte Imagem: adaptado de LANE et al., 1999 
Sumário
1. Introdução
2. Data Warehouse
3. Data Mart
4. Metadados
5. Modelo multidimensional
Pontuando
4. Metadados
Definição:
• Os metadados são informações sobre os dados;
• A ideia principal, é abstrair a informação de forma
que ela possa ser compreendida por qualquer
sistema;
• Possuem 4 tipos: sintáticos, estruturais,
semânticos e negócios/técnicos.
4. Metadados
Definição:
• Os Metadados podem estar dentro encapsulados dentro do
mesmo arquivo de dados ou podem estar separados em
outros arquivos. Por exemplo, no início de cada arquivo de
dados temos a descrição em forma de tags.
<nome>
Conteúdo com a característica da tag
</nome>
• São baseadas nos padrões XML (Extended Markup
Language – Linguagem de Marcação Extendida).
4. Metadados
Definição:
• Dicionário de dados
• Catálogo de dados
• Diretório de dados
• Normalmente administrado por um DA (Data
Administrator), gestor de informação da empresa
Tema 4:
Modelo Multidimensional
Prof. Dr. Lawrence Chung Koo
Sumário
1. Introdução
2. Data Warehouse
3. Data Mart
4. Metadados
5. Modelo multidimensional
Pontuando
5. Modelo Multidimensional
Definição:
• É uma forma de estruturação dos dados é
baseada em tabelas dimensão e fato,
diferentemente da entidade-relacionamento que
nós conhecemos.
5. Modelo Multidimensional
Definição:
• Tabelas dimensão: são as unidades de
consultas representadas por tabelas que devem
possuir um campo de identificação (chave) e
campos interessantes para consulta/junções que
podem ser estar organizados de forma
hierárquica.
5. Modelo Multidimensional
Definição:
• Tabelas fato: são tabelas que relacionam/
agrupam dimensões através de medidas. Ela
contém chaves das dimensões e as medidas da
relação entre seus membros.
5. Modelo Multidimensional
Modelo estrela:
5. Modelo Multidimensional
Modelo floco de neve:
5. Modelo Multidimensional
Consultas
• Representação do cubo
vendas (fato) para análise
da data, produto e cliente
(dimensões).
5. Modelo Multidimensional (OLAP)
230
49
31
9258
6819132214
166
10
3510718
63
202815
48122511
Curitiba
Recife
São Paulo
Rio de Janeiro
VW
Porto Alegre
Total de acidentes
GMFiat Honda
Total de acidentes com
veículos marca Honda
Veículos marca GM 
acidentados em 
Recife
Total de acidentes
em Porto Alegre
Cidades
Veículos
Fonte: Kugler, 2013.
Acidentes em 26/set
58
14
18
15
11
58
14
18
15
11
58
14
18
15
11
58
14
18
15
11
14
18
15
11
58
14
18
15
11
58
14
18
15
11
58
14
18
15
11
58
14
18
15
11
14
18
15
11
14
18
15
11
58
14
18
15
11
14
18
15
11
58
14
18
11
14
18
15
11
Curitiba
Recife
São Paulo
Rio de Janeiro
VW
Porto Alegre
GMFiat Honda
26/set
27/set
28/set
Total de veículos Fiat 
acidentados em Recife 
nos 3 dias
Cidades
Veículos
Data
Total de veículos FIAT 
acidentados em 27/set
Total de 
acidentes
nos 3 dias
Total de veículos 
Honda acidentados nos 
3 dias
Total de veículos GM 
acidentados em Porto 
Alegre nos 3 dias
Total de 
acidentes
em Porto Alegre 
em 28/set
5. Modelo Multidimensional (OLAP)
Fonte: Kugler, 2013.
Modelo ER vs. Modelo Dimensional
ER MD
Fonte: Kugler, 1997.
Modelo Relacional
Voltados para processamento transacional (OLTP –
online transaction processing).
 Executam operações específicas, pontuais,
predefinidas.
Gerenciam acessos múltiplos ao mesmo banco de
dados.
 Muitas pessoas realizando concorrentemente as
mesmas operações.
Tempo de resposta precisa ser imediato.
 Transações rápidas e curtas operando sobre poucos
dados.
Fonte: Kugler, 2013.
Atualização em tempo real.
 As bases de dados refletem imediatamente as
operações realizadas.
Controle rígido de concorrência.
 Mecanismos de locking, commit e rollback para
evitar corrupção dos dados.
Extração e Reporting complicados.
 Muitas solicitações encaminhadas à TI, gerando
backlog.
Históricos com horizonte breve.
 Em geral, limitados a poucos meses.
Modelo Relacional
Fonte: Kugler, 2013.
Modelo Dimensional
Orientado para análise (OLAP – online
analytical processing).
• Consultas para análises táticas e planejamento
estratégico.
Menos usuários.
• Relativamente poucas pessoas realizando
consultas e análises ao mesmo tempo.
• Tempo de resposta > minutos ou horas.
• Consultas sobre muitos fatos e grande volume
de dados.
Tema 1:
Introdução
Aula 3: OLAP e Data Mining
Sumário
1. Introdução
2. OLAP
3. Data mining
Pontuando
1. Introdução
Fase de Acesso e Análise
• Acesso às informações nos data warehouses são
feitas a partir de operações OLAP;
• A ferramenta de data mining é um sistema
complexo utilizado para a análise dos dados,
através dela possível extrair conhecimento dos
dados.
1. Introdução
Fase de Acesso e Análise
Alguns elementos da disciplina de BI, 
Datawarehousing e Big Data
BI - Business Intelligence
Suporte a processo da tomada de decisão por meio da análise de informações
Datawarehousing
É o processo de extrair valor do seu ativo informacional através de 
arquivos especiais chamados Data Warehouse
Data Mining
Tecnologia de reconhecimento de padrão nos dados e predição do 
comportamento futuro
OLAP
Análise de n-variáveis simultaneamente para descobrir a aderência 
ou não nos conjuntos de dados perante uma questão
Big Data
BI com as seguintes características típicas (3V’s): 
Volume, Velocidade e Variedade
Prof. Dr. Lawrence Chung Koo
Usos típicos em BI
Consultas e Relatórios
On-line Data Analysis
Data Mining
Prof. Dr. Lawrence Chung Koo 
Fluxo do Processo de Consultas e Relatórios
Definição das consultas
 Questões de negócio ou hipóteses são traduzidas em consultas 
computacionais
Acesso aos dados e recuperação
 a consulta é submetida ao componente de acesso ao DW que retorna o 
conjunto de respostas da consulta
Cálculos e manipulação
 cálculos e manipulações de dados podem ser realizados pelo usuário final; 
resultados são analisados
Apresentação do relatório
 o resultado das consultas ou das operações de análise são apresentados 
na forma de relatórios e gráficos e tabelas
Entrega do relatório
 o relatório é entregue ao usuário final Prof. Dr. Lawrence Chung Koo
On-Line Data Analysis
Verificação de Existência
Comparação de itens
Análise de tendências
Ranking e cluster analysis
Análises Estatísticas
Análises iterativas
Prof. Dr. Lawrence Chung Koo 
O que é OLAP?
Visões lógicas multi-dimensionais dos dados
 Independente de como o dados está armazenadoAnálise de dados multi-dimensionais
 slice & dice, drill-down, roll-up, pivoting,...
Engine poderosas de transformações de dados
 estatísticas ao longo de várias dimensões
Previsões, análise de tendências, análises estatística
Apresentação poderosas da Informação
 2D/3D, gráficos, tabelas,...
Geralmente envolve armazenamento multi-dimensional (MDDB)
Prof. Dr. Lawrence Chung Koo 
Data Mining
Análise de descoberta
Os propósitos do data mining vão desde descobrir “relações
desconhecida” até revelar novos fatos de negócios, em vastas
quantidades de dados detalhados
Direcionado para
o analista
Direcionado para
os dados
Assistido
pelo analista
Relatórios e
Consultas
On-line data
analysis
Análise 
Estatística
Knoledge
discovery
Data Mining
Prof. Dr. Lawrence Chung Koo 
Tema 2:
OLAP
Sumário
1. Introdução
2. OLAP
3. Data mining
Pontuando
2. OLAP
Definição
• OLAP (On-Line Analitycal Processing –
Processamento Analítico em Tempo Real);
• Operações voltadas para consultas e não inserção,
atualização, remoção e leitura;
• Possuem 4 tipos: ROLAP, MOLAP, HOLAP e DOLAP.
2. OLAP
Tipos de OLAP:
• DOLAP (Desktop OLAP): fornecem ferramentas
mais simples que executam as análises
multidimensionais locais sobre os dados baixados
dos bancos de dados no cliente;
• ROLAP (Relational - Relacional OLAP): está sobre
um banco de dados relacional. Realiza consultas
complexas, porém pode criar visões
multidimensionais.
2. OLAP
Tipos de OLAP:
• MOLAP (Multidimensional OLAP): está sobre um
banco de dados multidimensional. Os dados já
estão organizados com valores resumidos
• HOLAP (Hibrid – Híbrido OLAP): guarda as
informações de agregação em MOLAP e as
informações detalhadas em ROLAP, aproveitando
assim as vantagens dos dois tipos;
2. OLAP
Operações
• Slice (fatiar): faz a restrição por um valor da
dimensão.
Produtos
Clientes
Tempo
Clientes
Tempo
2. OLAP
Operações
• Dice (cubo): mostra um subcubo.
Produtos
Clientes
Tempo
Clientes
Produtos
Tempo
2. OLAP
Operações
• Roll-up ou Drill-up (enrolar para cima): quando
temos níveis hierárquicos de dados, ele sobe um
nível.
Produtos
Clientes
Tempo
Tempo
Produtos
Homens
Mulheres
2. OLAP
Operações
• Drill-down (desenrolar): é o contrário do Roll-up,
ele desce um nível detalhando mais a informação.
Produtos
Maria
João
José
Ana
Tempo
Tempo
Produtos
Homens
Mulheres
2. OLAP
Operações
• Pivot/Rotate (eixo/rotacionar): muda o eixo da
análise.
Produtos
Cliente
Tempo
Tempo
Cliente
Produtos
2. OLAP
Operações
• Selection (seleção): filtra dos dados de acordo com
os parâmetros passados.
Produtos
Cliente
Tempo
Cliente: Maria
Produto: Arroz
Tempo: 01/11
Tema 3:
Data Mining
Sumário
1. Introdução
2. OLAP
3. Data mining
Pontuando
3. Data Mining
Definição
• Mineração de dados é a busca de evidências que apontem
tendências e padrões de comportamento.
• Utiliza técnicas matemáticas e estatísticas para modelar o
problema e eventos de interesse de maneira mais correta (ou
seja, mais científica).
• A escolha da técnica depende da análise que se pretende
realizar.
• O data mining é necessário para aprofundar a investigação 
sobre as causas dos eventos e determinar sua provável 
evolução.
• Baseando-se apenas no OLAP (que é extremamente útil, mas 
não suficiente) podemos chegar a conclusões incompletas ou 
incorretas.
• Vejamos o exemplo seguinte, que sumariza as vendas de três 
produtos em três lojas diferentes.
3. Data Mining
Data Mining
- Classificação: Designar os objetos em classes
- Estimativa: Saída discreta de resultado - sim,não,
quantidade de filhos por família...
- Predição: Estimativa com premissas
- Regras de Associação/Affinity Group: Carrinho de
compra
- Clustering: Segmentação em grupos com similaridade
- Descrição e Visualização: Suporte para entendimento de
uma grande quantidade de dados.
Prof. Dr. Lawrence Chung Koo 
3. Data mining
Tarefas
• Classificação: busca um modelo que de acordo
com uma lista de classes determina a qual classe
pertence os novos registros.
Fonte Imagem: http://Office.com
Classes
3. Data mining
Tarefas
• Regressão: busca um modelo que classifique os
registros em um número real.
Maria
Data Saldo Cartão
01/09/12 100,00 -200,00 
01/10/12 500,00 -150,00
01/11/12 200,00 -100,00
Acum. 800,00 -450,00
José
Data Saldo Cartão
01/09/12 -100,00 50,00
01/10/12 10,00 150,00
01/11/12 50,00 -100,00
Acum. -40,00 100,00
C : 800 - (-450) = 1250 C : -40 - (100) = -140
3. Data mining
Tarefas
• Clusterização: busca um modelo que separa os
registros em diversos grupos que são mais
semelhantes entre si.
Fonte Imagem: http://Office.com
3. Data mining
Tarefas
• Sumarização: busca um modelo que identifique as
características em comum dentre os registros.
PadrõesRegistros
3. Data mining
Tarefas
• Detecção de desvios: busca um modelo que
identifique registros que estão fora do padrão.
Padrão
Registros
3. Data mining
Tarefas
• Análise de evolução: busca um modelo que
consiga identificar comportamentos regulares e
tendências dos objetos de estudo em função do
tempo.
Sequência de atividades Tendência
Tema 4:
Data Mining / Pontuando
3. Data mining
Métodos
• Algoritmo Apriori: desenvolvido especificamente
para ser utilizado na mineração de dados para
resolver tarefas de associação. Ele encontra a
frequência com que determinado conjunto aparece
nos dados.
Frequências
4/4
3/4
3/4
1/4
1/4
Registros
3. Data mining
Métodos
• Redes neurais: é uma solução que através de
uma modelagem estatística consegue simular o
comportamento do aprendizado realizado nos
neurônios;
• Algoritmos genéticos: foi desenvolvido para
resolver problemas de otimização, utilizando os
conceitos da genética;
Fonte Imagem: http://Office.com
3. Data mining
Métodos
• Lógica nebulosa (fuzzy): é uma solução que
permite classificar itens com informações imprecisas
ou subjetivas;
• Métodos estatísticos: são diversas soluções
matemáticas que são utilizadas para analisar os
dados;
Fonte Imagem: http://Office.com
3. Data mining
Primitivas
• Dados relevantes para a tarefa: especificam
quais são as tabelas e campos que serão utilizados;
• Tipo de tarefa: determina a tarefa a ser realizada;
• Medidas e limites: são definidas para avaliar as
descobertas encontradas pelos reconhecedores de
padrão
3. Data mining
Primitivas
• Conhecimento prévio: é utilizar conhecimentos
prévios sobre os dados para ajudar a realizar as
consultas. Exemplo: a tabela de endereço, sabemos
que um número é subordinado a uma rua que está
associada a uma cidade, pertencente a um estado.
• Tipo de representação: definem quais os tipos de
representação dos dados, pode ser um dashboard,
um relatório, regras, cubos etc.
Sumário
1. Introdução
2. OLAP
3. Data mining
Pontuando
Pontuando
• O OLAP é uma ferramenta utilizada para dar suporte
às consultas aos data warehouses e data marts. Os
comandos principais trabalham com as diferentes
visualizações e análise dos dados que estão
dispostos em cubos (hipercubos).
• O OLAP pode ser trabalhado com bancos de dados
relacionais ou multidimensionais.
Pontuando
• A mineração de dados possui algumas tarefas bem
definidas que utilizam técnicas computacionais,
matemáticas e algoritmos especialmente definidos
para mineração de dados para encontrar um modelo
de solução para o problema levantado.
• As primitivas da mineração de dados mostram os
passos para estabelecer as consultas e conseguir
alcançar as análises desejadas.
Tema 1:
Introdução
Prof. Dr. Lawrence Chung Koo
Aula 4: Desempenho e Estratégias 
de Negócios
Sumário
1. Introdução – Aplicando TI na estratégia
corporativa
2. BPM
3. BAM
4. Considerações Finais
Pontuando
Prof. Dr. Lawrence Chung Koo 
Exemplo da Aplicação de BI na Estratégia de Negócios
Prof. Dr. Lawrence Chung Koo 
Exemplos de BI na Estratégia de Negócios
Prof. Dr. LawrenceChung Koo
Exemplos de BI na Estratégia de Negócios
Prof. Dr. Lawrence Chung Koo 
Prof. Dr. Lawrence Chung Koo 
Prof. Dr. Lawrence Chung Koo 
Prof. Dr. Lawrence Chung Koo 
Exemplos de Análise Estatística na Estratégia de Negócios
Tema 2:
BPM
Sumário
1. Introdução
2. BPM
3. BAM
4. Considerações Finais
Pontuando
1. Introdução
Fase de Desempenho e Estratégias
1. Introdução
Fase de Desempenho e Estratégias
• A BPM (Business Performance Management –
Gerencia de Performance de Negócios) é uma
ferramenta que envolve dois passos um de análise
e outro operacional. O primeiro fornece a estrutura
para a criação dos objetivos estratégicos através
da definição de objetivos específicos e indicadores
chaves que são importantes para a empresa.
Segundo fornece o suporte para o gerenciamento
de desempenho dos objetivos.
1. Introdução
Fase de Desempenho e Estratégias
• A BAM (Bussiness Activity Monitoring -
Monitoramento de Atividades de Negócios) é um
sistema de monitoramento completo que
acompanha os processos desde a sua criação. Ela
possui a função que geram alertas de acordo com
determinadas condições. Assim elas interrompem o
processo e providenciam todas as formas de
visualização e análise necessárias para tomada de
decisão do responsável pelo processo.
2. BPM
Definição
• BPM é uma série de aplicações que dão suporte às
estratégias de gestão do negócio e que visam
melhorar os processos através de mudanças que
tornem a empresa competitiva.
• Segundo Turban (2009) ajuda as empresas as
suas estratégias e objetivos em planos e monitorar
o desempenho e executar as ações de
contingência quando necessário.
2. BPM
Uma coleção de eventos, atividades e decisões relacionados ,
que envolve um número de atores e recursos, e que juntos,
resulta em uma saída (ou entregável) que gera valor para uma
organização ou seus clientes
Examplos:
Ordem de Pagamento
Ordem de Compra
Pedido de Aprovação
Pedido de Indenização
Representação para Resolução de Conflitos
O que é um Business Process
Regra do dedão
“Aquilo que não deixa ao menos três pessoas com
ódio, não é um processo.”
Hammer and Stanton (1995)
“A primeira regra de qualquer tecnologia usada em um 
negócio é que a automação aplicada a uma operaçao
eficiente aumentará a sua eficiência.
A segunda é que a automação aplicada a uma operação
ineficiente aumentará a sua ineficiência.”
Bill Gates
2. BPM
As suas principais contribuições são:
• Melhora a comunicação e colaboração interna da
empresa. Todas as pessoas e todos os setores
estão cientes das atividades que estão ocorrendo;
• Melhora o controle do planejamento, do
monitoramento e da execução dos processos;
• Possibilita a rápida aplicação de mudanças do
negócio.
2. BPM
Etapas de um processo
• A função da BPM é oferecer aplicações que
permitam gerenciar os processos desde a sua
criação até a execução de forma rápida e
automatizada.
• Assim o acompanhamento do desempenho é
contínuo e acessado prontamente para quando
surgir alguma falha, se possa rapidamente
contornar o problema.
2. BPM
Etapas de um processo
3. Monitorar
Relatórios
Dashboards
Alarmes
4. Agir
Planos de 
contingência
2. Planejar
Projetos e 
iniciativas
1. Criar estratégia
Planos e mapas 
estratégicos
Dados 
compartilhados
Tema 3:
BAM
2. BPM
Etapas de um processo
1. Criar estratégia: é onde a empresa quer chegar.
• Visão da empresa e do mercado;
• Identificação dos pontos de melhoria;
• Identificação dos pontos a serem incluídos;
• Estabelecer uma visão da vantagem 
competitiva;
• Definir planos e mapas estratégicos.
Fonte Imagem: http://Office.com
2. BPM
Etapas de um processo
2. Planejar: é onde se estabelece as iniciativas
necessárias e alocar recursos para o cumprimento
dos objetivos e das metas.
• Planejamento organizacional;
• Planejamento financeiro / recursos;
• Equilíbrio e coesão;
• Painéis de indicadores.
Fonte Imagem: http://Office.com
2. BPM
Etapas de um processo
3. Monitorar: é a verificação através de medidas e
análises se a meta está sendo cumprida .
• Alarmes;
• Relatórios;
• Dashboards;
• Ferramentas de análise (data mining).
Fonte Imagem: http://Office.com
2. BPM
Etapas de um processo
4. Agir: são as ações que devem ser tomadas se o
monitoramento apontar algum problema durante a
execução dos planos.
• Gerenciamento de riscos;
• Previsões de riscos e oportunidades;
• Medidas de ação;
Fonte Imagem: http://Office.com
2. BPM
Ferramentas para cada uma das etapas
1. Criar 2. Planejar 3. Monitorar 4. Agir
Construtores
de métricas 
(KPIs)
Planos e 
orçamentos
Relatórios Alarmes
Mapeadores
de estratégias
Capacidade e 
RH
Dashboards Monitores
Editores de 
objetivos e 
metas
Modeladores 
de processos
Data mining
Previsões Scorecards
Como adotar BPM?
Melhoria Contínua de Processos (CPI)
Não coloca em questão a estrutura de Processo atual
Procura identifica problemas e resolve-os
incrementalmente, um passo de cada vez e uma
solução de cada vez
Reengenharia dos Processos de Negócio (BPR)
Questiona as premissas e Pricípios fundamentais da 
estrutura de Processos existentes
Endereça o atingimento de soluções de rupture, por
exemplo, removendo tarefas custosas que não
adicionam valores a organização
Business Process Modeling Notation (BPMN)
• Baseado no padrão da OMG (é suportado por diversar
ferramentas):
– Bizagi Process Modeller (free)
– Signavio (http://www.signavio.com/) - subscription
– Oracle BPA – “kind of free”
– IBM Websphere Business Modeler
– Logizian – não é tão conhecida..
– Visio – Sua empresa talvez já tenha essa ferramenta
da Microsoft..
– Lápis e papel – sem desculpa para começar….
http://www.signavio.com/
Tema 4:
Considerações Gerais
Sumário
1. Introdução
2. BPM
3. BAM
4. Considerações Finais
Pontuando
3. BAM
Definição
• Sistema em tempo real que monitora as medidas de
desempenho dos negócios, os riscos e as
oportunidades. A partir deles é gerado um relatório
com o diagnóstico com as causas para o que o
responsável tome a ação necessária e, portanto,
aperfeiçoando o sistema ciclicamente para aumentar
a sua eficiência.
3. BAM
Ciclo da BAM
3. BAM
Ciclo da BAM
• Modelagem:
• Indicadores de performance
• Medidas a serem monitoradas
• Contexto de acionamento de alarmes
• Itens: Monitor, contexto e medidas.
Fonte Imagem: http://Office.com
3. BAM
Ciclo da BAM
• Configuração:
• Notificação enviada para o responsável
• Interação do usuário com o sistema
• Consultas e relatórios em tempo real
• Comunicação rápida e clara entre os 
colaboradores
• Itens: cronômetros, contadores, acionadores 
e relatórios
Fonte Imagem: http://Office.com
3. BAM
Ciclo da BAM
• Integração:
• Resolução do problema ativado pelo alarme
• Capacidade de investigação
• Familiarização com o problema
• Informações relevantes
• Acesso de forma mais eficiente
• Conhecimento
Fonte Imagem: http://Office.com
3. BAM
Ciclo da BAM
• Implementação:
• Definição quais as atuais configurações devem 
ser alteradas ou extraídas
• Criação de novas definições
• Implementação do conhecimento adquirido
Fonte Imagem: http://Office.com
4. Considerações Finais
4. Considerações Finais
• O BI é uma solução com diversos aplicativos;
• O seu diferencial está em ser voltado a negócios;
• As ferramentas BPM e BAM ajudam no
gerenciamento dos processos da empresa e na
garantia de execução dos planos estratégicos;
• Logo em breve todas essas tecnologias deverão
trabalhar em conjunto com os sistemas já
existentes de ERP e CRM entre outros.
Sumário
1. Introdução
2. BPM
3. BAM
4. Considerações Finais
Pontuando
Pontuando
• BPM é uma ferramenta robusta para o
gerenciamento do planejamento estratégico das
empresas. Ele reúne em um só sistema diversas
atividades que são realizadas nas empresas,
facilitando assim a comunicação e possibilitando as
tomadas de decisões rápidas e assertivas;
Pontuando• BAM é um sistema complexo de monitoramento
que acompanha o sistema desde a primeira fase
da aquisição de dados até a BPM. Ela é
responsável por identificar os riscos e as
oportunidades e providenciar o ambiente
necessário para a tomada rápida de decisão;
Pontuando
• A BAM possui um processo cíclico que faz com que
o seu sistema “aprenda” com os erros, pois
conforme os alarmes são ativados e novas
soluções são fornecidas, elas são incorporadas ao
sistema. Mantendo assim a evolução e eficiência
dos processos.
	1.pdf (p.1-46)
	2.pdf (p.47-91)
	3.pdf (p.92-133)
	4.pdf (p.134-176)