Tecnologias de Apoio à Decisão: uma Análise Sistemática

Por Paulo Alceu d´Almeida Rezende

 

 

INTRODUÇÃO

 

Desde o surgimento da informática os sistemas de informação desenvolvidos geram dados e informações, como relatórios, sendo estes a principal fonte de dados utilizada até hoje.

Cada vez mais as empresas têm a necessidade de analisar e visualizar os dados corporativos independentes de onde estejam, tanto em suas casas como no escritório do trabalho, de uma forma cada vez mais rápida, dinâmica, consistente e que facilite a tomada de decisão para a sua empresa.

Sempre que existe a necessidade de um novo relatório, uma nova análise é feita, geralmente solicitada ao departamento de informática ou analista de sistemas responsável, que precisa de muito tempo para propor e apresentar a solução. Apesar disso, os relatórios são estáticos e o acúmulo de diferentes tipos de relatórios em um sistema gera problemas de manutenção.

Toda manutenção feita no sistema, como novos campos e / ou retirada de campos altera a saída de dados, agregando custo a essa manutenção.

Para solucionar estes requisitos surgiram então as ferramentas OLAP. São aplicações na qual os usuários finais do sistema têm acesso para extraírem os dados das bases de dados do sistema e construir os relatórios capazes de responder as suas questões gerenciais.

As ferramentas OLAP proporcionam condições de análise de dados on-line necessárias para responder as possíveis perguntas dos analistas, gerentes e usuários finais. Elas surgiram juntamente com os sistemas de apoio à decisão para fazerem a consulta e análise dos dados contidos nos Data Warehouses.

 

SISTEMAS DE INFORMAÇÃO

 

A tomada de decisão no processo de trabalho é considerada a função que caracteriza o desempenho da gerência. Independentemente do aspecto da decisão, esta atitude deve ser fruto de um processo sistematizado, que envolve o estudo do problema a partir de um levantamento de dados, produção de informação, estabelecimento de propostas de soluções, escolha da decisão, viabilização e implementação da decisão e análise dos resultados obtidos. 

 

 

Entende-se por sistema de informação todo conjunto de dados e informações que são organizados de forma integrada, com o objetivo de atender à demanda e antecipar as necessidades dos usuários. Portanto, sistemas de informação para apoio à decisão são sistemas que coletam, organizam, distribuem e disponibilizam a informação utilizada nesse processo.

Em geral, os sistemas de apoio à decisão obtêm dados do ambiente interno e externo à organização e processam estes dados, transformando-os em informações. O sistema opera por meio de softwares que permitem a disponibilização destas informações na forma de relatórios, de modelos matemáticos expressos em gráficos e tabelas e, ainda, permite que se instale um encontro virtual entre vários indivíduos trabalhando como um grupo dentro da organização. Além disso, os softwares mais modernos permitem também a integração dos dados com resultados que refletem em maior rapidez na análise dos dados, transformando-os em informações essenciais para a tomada de decisão. (GUIMARÃES, 2004, p. 75).

 

Segundo Bazzotti (2003), os sistemas de informação são constituídos do gerenciamento da informação, a partir do levantamento das necessidades e requisitos dos gerentes, da coleta e obtenção dos dados, na análise dos dados transformando-os em informação, na distribuição da informação de acordo com as necessidades do gerente, da utilização das informações pela sua incorporação no processo de trabalho e, finalmente, da avaliação constante dos resultados obtidos e de redirecionamentos no sistema para atender às demandas e antecipar as necessidades dos gestores.

Sendo assim, são mecanismos de apoio à gestão, desenvolvida com base na tecnologia de informação (TI) e com suporte da informática para atuar como condutores das informações que visam facilitar, agilizar e otimizar o processo decisório nas organizações.

Os sistemas de informação têm contribuído para o processo de produção e gestão nas organizações e, em empresas, em especial, têm possibilitado maior segurança para a tomada de decisão, o que resulta em melhor atendimento aos pacientes.

 

Os sistemas de informação têm por objetivo gerar informações para a tomada de decisões, os dados são coletados, processados e transformados em informação. Sistemas de informação é uma série de elementos ou componentes inter-relacionados que coletam, manipulam e armazenam, disseminam os dados e informações. (BAZZOTTI, 2003, p. 05).

 

 

Conclui-se que a gestão empresarial precisa cada dia mais do apoio de sistemas, pois estes dão segurança, agilidade e versatilidade para a empresa no momento em que se processam as decisões.

 

SUPORTE À TOMADA DE DECISÃO / GESTÃO DO CONHECIMENTO

 

Nas empresas, os dados operacionais e de fontes externas de dados devem ser tratados a fim de se eliminar inconsistências e serem integrados num banco de dados orientado a assuntos. A exploração eficaz destes dados para subsidiar decisões, depende em grande parte de ferramentas capazes de dar suporte ao processamento.

Sendo assim, a função de um ambiente de Data Warehouse (DW), detalhado nos próximos itens, é tornar as informações corporativas, obtidas a partir de bancos de dados operacionais e de fontes de dados externas à organização, acessíveis para entendimento e uso das áreas estratégicas de uma organização.

Os ambientes de DW constituem-se como recursos fundamentais para os resultados de explorações nas informações e melhor entendimento e conhecimento do negócio, criando os meios para a definição de estratégias que irão garantir a competitividade da empresa.

Ferramentas OLAP facilitam, através de visões multidimensionais dos dados, operações como cruzamentos e totalizações de variáveis em diferentes níveis de detalhamento, enquanto que ferramentas de Data Mining permitem identificar padrões não anteriormente conhecidos e realizar inferências e correlações não antecipadas entre os itens de informação.

A informação gerada pela exploração de dados nos ambiente de DW chama-se informação explícita; é aquela informação que facilmente pode ser compartilhada, codificada e armazenada.

Porém existem algumas informações, conhecidas como informações tácitas, que não podem ser compartilhadas, codificadas e armazenadas. Elas possuem um caráter intuitivo e/ou experimental, ou seja, existe uma situação ocorrida que nunca tinha acontecido e ainda não existe um método para tratar do problema.

Quando são armazenadas as informações explícitas algumas formas de conhecimento tácito não são guardadas, pois existe uma descontextualização: Por exemplo, a intuição e experiência de um médico em um procedimento cirúrgico.  Outra razão é que as informações guardadas para representar o conhecimento devem passar por um processo de aprendizado e recontextualização, isto pode levar um tempo considerável, ou até mesmo nunca acontecer de forma completa. É sempre desejável que este processo seja o mais eficiente, breve e simples possível.

O conhecimento tácito é difícil de ser transformado em explícito e de ser mantido, também é difícil de ser difundido para virar conhecimento corporativo, para isso existe a gestão do conhecimento, que tem como objetivo fazer com que a organização seja mais adaptável às mudanças imprevisíveis de negócios.

As decisões estratégicas que acontecem nas organizações podem ocorrer de forma muito espaçada, e por grupos de dirigentes completamente diversos; por isso o foco está na captura do conhecimento tácito inerente aos processos de tomada de decisão.

É necessário também armazenar o fluxo de processos decisórios e as práticas mais comuns em situações semelhantes. Uma forma de modelar estes fluxos de trabalhos é conhecida como workflow que não será detalhada deste texto. Nesta forma de armazenamento é importante saber as fontes de informação pesquisadas, quais critérios de escolha para solução foram adotados e quais medidas de controle foram aplicadas para medir o sucesso ou fracasso da solução aplicada.

 

Ferramentas OLAP geralmente são utilizadas na pesquisa de informações, bem como no acompanhamento (verificação e controle) da solução. É valioso conhecer quais são os padrões de sua utilização, quais sequências de análises acontecem com maior frequência para determinadas situações, intuições e palpites que surgem nas questões motivando ou interrompendo linhas de raciocínio. Ferramentas OLAP permitem que o analista de informação inspecione os dados previamente preparados (durante o processo de Data Warehousing) de diversas maneiras, de acordo com sua necessidade e suas hipóteses. Como se tratam usualmente de informações sumariadas, em geral as decisões envolvidas são de caráter estratégico, entretanto não impedindo que se esteja tratando de um caso de nível tático ou operacional. Elas permitem a identificação de relacionamentos entre os dados existentes, de comprovações de resultados previstos, de inspeção de resultados esperados. . (PARRINI, 2001, p. 03).

 

As informações encontradas fornecem para o analista de informação os meios para que ele faça, de forma mais eficiente e segura, a fundamentação da escolha da alternativa mais adequada.

Conclui-se que é possível aprimorar estratégias de sucesso já ocorridas, ou conhecer por que motivos determinadas soluções não obtiveram sucesso. Este conhecimento tácito, tão precioso para a organização, nada mais é do que sua memória organizacional. Ela representa uma grande oportunidade para obtenção de uma grande vantagem competitiva.

 

 

Características e etapas para o processo de tomada de decisão.

Existem diversas representações feitas por vários autores. Para as características do processo de tomada de decisão. Inicialmente é preciso definir como acontece um processo decisório. Segundo Parrini (2001), resumidamente, pode-se dizer que um processo decisório é formado pelas seguintes etapas:

a) Definição do problema.

b) Estudo e definição das possíveis alternativas.

c) Escolha da melhor alternativa.

d) Implementação da alternativa escolhida.

e) Monitoramento do resultado da implantação.

 

É importante lembrar que a utilização de um bom método decisório aumenta as chances de tomar boas decisões, por isso foram desenvolvidos métodos para a tomada de decisão.

 

A ideia é sistematizar o processo, organizá-lo de acordo com as suas diversas etapas (basicamente as etapas acima) e fornecer uma receita de como implementá-lo. Os métodos são, na verdade, diretrizes para fazer uma boa escolha, mas não inibem o componente da subjetividade humana. (PARRINI, 2001, p. 04).

 

Cada instância do processo de decisão possui características muito particulares e as decisões podem variar quanto ao nível organizacional (estratégico, tático ou operacional). Os modelos de decisão podem ser: racionais, racionalidades limitadas, satisfatórias, dentre outros. Existem vários métodos que podem ser adotados, e também muitas ferramentas de apoio que podem ser utilizadas, dependendo de cada caso.

Existirão algumas tarefas durante o processo que só serão escolhidas, ou até mesmo definidas, após o início da execução. A implementação de uma decisão só pode ser definida após a escolha da melhor alternativa. Este é um fato que expõe claramente a característica específica de cada processo decisório.

 

Business Intelligence (BI)

 

Business Intelligence, também vista algumas vezes sob o acrônimo BI, pode ser traduzido como Inteligência de Negócios ou Inteligência Empresarial. BI é uma classe de tecnologias e ferramentas voltadas para atender o nível gerencial das organizações, transformando dados em informações significativas, ou seja, BI é caracterizado como os processos, tecnologias e ferramentas necessárias para transformar dados em informação, informação em conhecimento, e conhecimento em planos que conduzem ações de negócio lucrativas.

As soluções de BI envolvem ferramentas e sistemas desenvolvidos para coletar e analisar dados de maneira planejada e estratégica para a organização. O BI auxilia as empresas a traçarem o perfil de seus clientes, oferecer suporte adequado a cada um deles, realizar pesquisas e fazer a segmentação do mercado, fazer análises estatísticas e inventários, entre outra infinidade de aplicações. As soluções de BI são adotadas para trazer inteligência ao negócio de uma companhia.

As empresas devem certificar-se a respeito do absoluto alinhamento entre a estratégia das unidades e seus objetivos principais, indicadores de desempenho e sistemas de compensação.

 

Extraction, Transformation and Load (ETL).

 

Extraction, Transformation and Load (ETL), é o processo dividido em etapas e é responsável pela integridade, qualidade e consolidação das informações extraídas das fontes externas até o armazenamento no DW, ou seja, ele é o processo de extração, transformação e carga.

ETL é um tipo de data integration em três etapas (extração, transformação, carregamento) usado para combinar dados de diversas fontes. Ele é comumente utilizado para construir um data warehouse. Este processo ocorre na carga inicial e nas atualizações periódicas dos dados do DW, sendo que a periodicidade das atualizações deve levar em consideração o volume de dados e de processamento envolvido.

 

A ETL é um fator crítico de sucesso na implantação de um Data Warehouse. Deve-se atribuir uma importância fundamental a este processo na fase de projeto de um Data Warehouse. É o processo de integração e transformação de dados tipicamente consome até 80% dos recursos de desenvolvimento. De acordo com a maioria dos profissionais, o trabalho de projeto e desenvolvimento com ETL consomem de 60% a 80% de um projeto inteiro de BI. (GRAMBER, 2006, p. 21).

Um ETL mal projetado e/ou executado pode arruinar completamente o desenvolvimento de um DW em uma organização, tanto pelos recursos e custos necessários, como pela qualidade das informações fornecidas para a área externa. O valor da qualidade de uma informação pode ser medido comparando os resultados das ações tomadas a partir de uma informação exata com os resultados obtidos através de uma informação equivocada.

DATA WAREHOUSE, OLAP E DATA MINING

 

O OLAP é um componente de uma ferramenta de BI utilizado para apoiar as empresas na análise de informações, visa-se obter novos conhecimentos que são empregados na tomada de decisão.

A tecnologia OLAP tem como objetivo transformar dados em informações, capazes de dar suporte as decisões gerenciais de forma amigável e flexível ao usuário. Através do OLAP é possível efetuar cálculos complexos (e em tempo hábil) como previsões, percentuais de crescimento e médias diversas considerando a variável tempo.

O DW é utilizado para armazenar informações e o OLAP para recuperá-las, ambos são especializados para exercer suas funções de forma eficiente. As duas tecnologias são complementares de modo que um bom DW é planejado com produção de relatórios em mente. OLAP é uma ferramenta muito importante no contexto gerencial, ajudando a analisar de forma mais eficiente, a quantidade de dados crescente armazenada pelas organizações, transformado em informação útil.

Um Data Warehouse apresenta uma fotografia coerente das informações de uma organização em um determinado espaço de tempo. Também visto sob o acrônimo DW, a expressão faz referência a um espaço onde ficam armazenadas umas séries de dados capazes de suportar decisões de negócios.

Desta forma, para explorar o DW completamente é necessário utilizar uma ferramenta OLAP que irá extrair e alavancar totalmente as informações nele contidas.

O Data Mining, como o OLAP, é parte integrante de todo e qualquer processo de suporte à decisão. A maioria dos sistemas de OLAP tem o foco no provimento de acesso aos dados multidimensionais, enquanto os sistemas de Data Mining lidam com a análise de influência para os dados de uma única dimensão.

As grandes empresas como a IBM, Oracle e Microsoft estão liberando versões de seus RDBMS[1] que possuem ferramentas de OLAP e Data Mining. Quando os usuários possuem ferramentas de OLAP e não de mineração de dados, eles gastam boa parte de seu tempo fazendo as tarefas pertinentes a uma Data Mining, como classificações e predições das informações recebidas.

Conclui-se que o DW é utilizado para armazenar informações e, relativo a Data Mining e OLAP, são ferramentas com pontos de vistas diferentes que recuperam dados de um DW.

 

 

OLAP CONCEITOS

 

Para compreender o que é OLAP, neste item se fará à descrição de sua origem, seus conceitos e o contexto em que se insere.

A base da análise multidimensional para OLAP não é nova. Segundo Anzanello (2006), a IBM desenvolveu e implementou a primeira linguagem com análise multidimensional, no fim da década de 60, chamada de APL, definida matematicamente e utilizada por usuários finais e grandes consumidores de recursos, foi amplamente utilizada nas décadas de 80 e 90 em aplicações de negócio.

Na década de 90, surgiu um novo tipo de ferramenta no mercado, que foi batizado de OLAP; possuem a maioria dos conceitos introduzidos pela linguagem APL, porém, com maior integração na utilização das fontes de dados.

 

Visão multidimensional.

 

As visões multidimensionais são consultas que fornecem dados a respeito de medidas de desempenho, decompostas por uma ou mais dimensões dessas medidas. Ela pode ser filtrada pela dimensão e/ou pelo valor da medida e fornecem as técnicas básicas para cálculo e análise requeridos pelas aplicações de BI. Para se obter a visão multidimensional é necessário entender os conceitos de:

a)  Cubo: uma estrutura que armazena os dados em formato multidimensional, que se torna mais fácil de analisar.

b)  Dimensão: unidade de análise que agrupa os dados de negócio relacionados.  Elas se tornam cabeçalho de colunas e linhas, como exemplo linhas de produto, regiões de venda ou períodos de tempo.

c) Membro: é um subconjunto ou sub-nível de uma dimensão. Cada nível hierárquico tem membros apropriados aquele nível. Por exemplo, em uma dimensão geográfica existe o nível e seus membros.

 

TABELA 1 - Membros

Nível	Membros
Região	Ásia, América do Sul, América do Norte
Países	China, Brasil, USA
Estados/Províncias	Yunna, Piauí, Califórnia

Fonte: ANZANELLO, 2006

 

d)  Hierarquia: é composta por todos os níveis de uma dimensão. Esta pode ser balanceada ou não. Na balanceada os níveis mais baixos são equivalentes, nas não balanceadas a equivalência hierárquica não existe.

e)  Medida: é uma dimensão especial utilizada para realizar comparações.

 

O OLAP é mais do que uma aplicação; é uma solução de ambiente, integração e modelagem de dados. Para formular um projeto de uma solução OLAP multidimensional sempre devem der feitas as seguintes perguntas: Quando? O quê? Onde? E quem?

A maioria dos dados de uma aplicação OLAP são originárias de outros sistemas e/ou de fontes de dados, sendo assim a obtenção dos dados é destinada aos DW e, possivelmente para um ou vários Data Marts[2].

Anzanello (2006) diz que durante o projeto de OLAP, conforme os requisitos do usuário, poderá haver a necessidade de integração de dados de plataformas diferentes e soluções de conectividade devem ser planejadas. Ele completa que além disto, a modelagem dos dados é outra preocupação importante para que as respostas esperadas às consultas complexas possam ser fornecidas com a flexibilidade e com a performance adequada aos requisitos dos usuários.

 

Definição – Sistemas OLTP X OLAP

 

A aplicação OLAP soluciona o problema de síntese, consolidação de dados e análise, pois trabalha com processamento analítico on-line dos dados, ou seja, tem capacidade de visualizações das informações a partir de muitas perspectivas diferentes, enquanto mantém uma estrutura de dados adequada e eficiente.

Um sistema OLAP tem por finalidade apoiar os usuários finais a tomar decisões estratégicas, por isso a visualização é realizada em dados agregados, e não em dados operacionais. Os dados são apresentados em termos de medidas e dimensão, a maior parte das dimensões é hierárquica.

Considera-se que as aplicações empresariais utilizadas diariamente no controle de atendimento a pacientes, na qual são efetuadas consultas e/ou internações, se tem o exemplo típico de sistema de OLTP. O interesse destes usuários é criar, atualizar, alterar e recuperar informações sobre registros individuais como um simples sistema. Já para o diretor de uma empresa tem como requisitos de uso de informações dos atendimentos e internação por finalidade a análise global das consultas com diversas visões. Por exemplo: o diretor pode requerer uma análise sobre atendimento a pacientes que tenha plano de saúde e tenha utilizado este em um determinado período de tempo em algumas regiões no estado. Não é possível obter essa resposta com agilidade com o uso de ferramentas relacionais padrão.

Existem limitações do uso de ferramentas relacionais padrão, ter um RDBMs não significa ter a solução instantânea da tomada de decisão. Mesmo com tantas possibilidades, os RDBMs não oferecem poderosas funções de síntese, análise e consolidação de dados.

Observa-se que as aplicações OLAP diferem das aplicações OLTP no que se refere aos requisitos funcionais e de desempenho, conforme apresentado na Tabela 2 apresentada por Anzanello (2006).

 

TABELA 2 - As características marcantes que diferenciam os sistemas OLAP e OLTP

CARACTERÍSTICAS	OLTP	OLAP
Operação Típica	Atualização	Análise
Telas	Imutável	Definida pelo Usuário
Nível de Dados	Atomizado	Altamente Sumarizado
Idade dos Dados	Presente	Histórico, Atual e Projetado
Recuperação	Poucos registros	Muitos registros
Orientação	Registro	Arrays
Modelagem	Processo	Assunto

Fonte: - ANZANELLO, 2006.

 

OLAP arquitetura.

 

As ferramentas OLAP, apesar de obedecerem a uma estrutura cliente / servidor e multiusuário, podem ser implementadas de diversas formas, classificadas em cinco tipos a seguir:

 

a)     MOLAP (Multidimensional On Line Analytical processing).

b)     ROLAP (Relational On Line Processing).

c)      HOLAP (Hybrid On Line Analytical Processing).

d)     DOLAP (Desktop On Line Analytical Processing).

e)     WOLAP (Web On Line Analytical Processing).

 

Nos casos de MOLAP e ROLAP o local de armazenamento pode ser um banco de dados multidimensional, em HOLAP e DOLAP um banco de dados relacional, em DOLAP e WOLAP em arquivos de base de dados locais ou mesmo em memória de estações clientes. Cada um deles tem uma função específica e deve ser utilizada quando melhor atender às necessidades de análise pela ferramenta de OLAP.

 

OLAP FERRAMENTAS

 

Durante o projeto de OLAP, a modelagem dos dados é uma preocupação importante para que as respostas esperadas às consultas complexas possam ser fornecidas com a flexibilidade e com a performance adequada aos requisitos dos usuários. Além disto, conforme os requisitos do usuário, poderá haver a necessidade de integração de dados de plataformas diferentes e soluções de conectividade devem ser planejadas. O armazenamento dos dados ou será feito em um RDBMS ou em um banco de dados multidimensional (MDDB). A modelagem para o armazenamento dos dados deve considerar as vantagens, desvantagens e aplicabilidade oferecidas por cada tipo.

Anzanello (2006) comenta sobre OLAP que:

 

OLAP é mais do que uma aplicação é uma solução de ambiente, integração e modelagem de dados. As maiorias dos dados de uma aplicação OLAP são originárias de outros sistemas e fontes de dados. (Anzanello, 2006, p. 03)

 

A escolha da ferramenta de OLAP não deve ser uma das primeiras tarefas em um projeto de desenvolvimento de uma aplicação. O mais interessante é iniciar com a obtenção dos dados, sua modelagem, armazenamento e, aí sim, se proceda à escolha da ferramenta de OLAP.

Como exemplo de ferramentas OLAP existem grandes fornecedores de bancos de dados como a Oracle e a Microsoft, que fornecem servidores OLAP juntamente com seus bancos de dados relacionais: o OLAP Option da Oracle e Analysis Services 2005 da Microsoft. Existem também outros como o DSS MicroStrategy e o OLAP ModelKit da Perpetuum Software.

O Microsoft SQL Server Analysis Services 2005 (SSAS) é uma ferramenta de processamento analítico - OLAP -  utilizada para integração de dados relacionais. Através do SSAS é possível criar soluções de BI e data mining de uma forma fácil, interativa e a um custo muito inferior de outras ferramentas OLAP consagradas. Sua principal novidade é que vem com o conceito de UDM (Unified Dimensional Model – Modelo Dimensional Unificado), o qual permite que DBAs[3] e desenvolvedores definam dimensões, cubos OLAP e hierarquias de forma mais abstrata que possam subseqüentemente ser armazenados em bases relacionais ou multidimensionais.

O OLAP Option da Oracle é executado com uma única instância de banco de dados, somente um processo, sendo portável para todas as plataformas de servidor onde o banco pode ser executado, incluindo o Linux e o Apple.

A Oracle está priorizando o SQL convencional com extensões analíticas como sua opção de linguagem de consulta OLAP. O Oracle OLAP agora pode carregar e agregar mais dados que antes e, para determinada quantidade de disco.

Ele oferece um melhor desempenho para esses ambientes, e se você utilizar o Oracle 11g, você pode inclusive criar um ambiente Híbrido (HOLAP) entre MOLAP/ROLAP de forma automática com o Oracle.

A empresa MicroStrategy, fornece a ferramenta chamada de DSS classificada como uma ferramenta ROLAP por acessar um banco de dados relacional via comandos SQL.

Com um dos seus módulos chamado de DSS Agent pode-se gerar as consultas em SQL baseada nos metadados. Relativo à arquitetura não há necessidade de todos os módulos que estão relacionados à arquitetura serem usados, por isso sai classificação é ambígua. Além disso, pode acessar o banco de dados relacional de duas maneiras. A primeira é diretamente, mantendo a conexão com o banco e mantendo o terminal do cliente “inoperante” para outros aplicativos. A outra forma é através do DSS Server, que se encarrega da execução da consulta, gerenciando prioridades de diferentes usuários e armazenando estatísticas sobre as consultas.

O OLAP ModelKit é um componente OLAP multifuncional para .NET completamente escrito em código gerenciado. Este componente se destaca dos seus concorrentes pela sua aparência e utilização de temas XP e a habilidade de usar qualquer fonte de dados .NET (incluindo ADO.NET e IList).

A flexibilidade do produto é adicionalmente estendida pela habilidade de apresentar dados com a ajuda de qualquer componente de terceiros, especialmente quando se trata de componentes gráficos de terceiros.

OLAP ModelKit permite ao desenvolvedor incorporar uma tecnologia OLAP efetiva em todos os aplicativos Windows baseados em dados relacionais. O OLAP ModelKit incorporado permitirá que o usuário final interaja com bases de dados muito grandes resumindo e explorando dados infinitamente.

Com o OLAP ModelKit incorporado no seu aplicativo, os seus clientes poderão visualizar qualquer quantidade de dados na forma considerada adequada no momento, bem como efetuar qualquer tipo e qualidade de análise interativa. As seguintes manipulações estão disponíveis: data filtering, drilling down, rolling up, dimensional pivoting e ranking.

 

DATA MINING

 

Segundo Rezende (2003), com o grande número de sistemas de mineração de dados desenvolvidos para os mais diferentes domínios, as tarefas para mineração de dados vêm se tornando cada vez mais diversificadas. Estas tarefas podem extrair diferentes tipos de conhecimento, sendo necessário decidir no início do processo de mineração de dados qual o tipo de conhecimento que o algoritmo deve extrair. As atividades de descrição procuram padrões interpretáveis pelos humanos que descrevem os dados antes de realizar a previsão. Essa tarefa visa o suporte à decisão.

A seguir estão listadas as principais tarefas da mineração de dados (GOLDSCHMIDT, 2005):

§  associação: abrange a busca por itens que frequentemente ocorram de forma simultânea em transações de banco de dados. É conhecida como extração de regras de associação;

§  classificação: consiste em descobrir uma função que mapeie os registros em um conjunto de rótulos categóricos predefinidos, denominados classes;

§  clusterização (ou agregação/segmento de dados): consiste em separar registros de uma base de dados em subconjuntos ou clusters, de tal forma que os elementos de um cluster compartilhem as propriedades comuns que os distingam de elementos em outros clusters;

§  regressão: compreende a busca por uma função que mapeie os registros de um banco de dados em valores reais;

§  sumarização: consiste em procurar identificar e indicar características comuns em um conjunto de dados;

§  sequências: é a descoberta de associações buscando sequências frequentes de itens ocorridas ao longo de um período de tempo.

Dentre os principais tipos de informações que podem ser mineradas, a tarefa de extração de regras de associação consiste em encontrar conjunto de regras de associação de itens que ocorram simultaneamente e de forma frequente em uma base de dados.

A mineração de dados (Data Mining) vem despertando um crescente interesse em todas as áreas e comunidades, pois toda empresa necessita de informações.

Dentre os principais tipos de informações que podem ser mineradas destaca–se a extração de regras de associação, que consiste em encontrar conjunto de regras de itens que ocorram simultaneamente e de forma frequente em uma base de dados. Diversos tipos de associações foram definidos e diferentes algoritmos têm sido propostos para tratar cada uma destas variações. Dentre estes tipos, encontra-se a extração de regras de associações negativas, que é o objetivo e tema desse trabalho. Uma regra negativa são regras que analisam transações que não ocorreram em um determinado contexto, ou seja, por exemplo: um cliente que não compra certo produto compra outro produto.

 

DATA MART

 

O Data Mart é geralmente descrito como um subconjunto dos dados contidos em um Data Warehouse extraído para um ambiente separado.

A dificuldade de evitar a redundância de dados pode ir contra o paradigma de um DW, já que a separação física em diferentes grupos diminui esta habilidade da organização. (Integração dos dados). Existe a necessidade da preservação da consistência das informações presentes nos Data Marts através da eliminação de redundâncias é clara, pois relatórios em comum não podem possuir valores diferentes.

 

CONCLUSÂO

 

As tecnologias de armazenamento, recuperação e análise de dados estratégicos têm evoluído em paralelo, pois elas são complementares uma das outras. As ferramentas vêm permitindo que a partir de uma resposta o usuário faça outros questionamentos, ou seja, o usuário consiga analisar o porquê dos resultados obtidos e cada vez mais se faz necessário analisar as informações que impulsionam os negócios das empresas com rapidez e eficiência.

OLAP é um conceito de interface com o usuário, não se trata de uma tecnologia de armazenamento de dados, mas de uma solução de ambiente, integração e modelagem de dados. Permite que o usuário trabalhe com cálculos complexos, através de consultas com maior flexibilidade e funcionalidade. Seu uso proporciona um bom andamento e um excelente gerenciamento de uma empresa.

As ferramentas OLAP e de Data Mining aliadas à filosofia de Data Warehouse revolucionaram o modo de se fazer negócios, garantindo agilidade e flexibilidade nas investigações e análise de dados para os usuários finais, isto é, aqueles que realmente fazem parte do processo de tomada de decisões.

 

REFERÊNCIAS

 

ANZANELLO. C. A., OLAP – Conceitos e Utilização. Instituto de Informática - Universidade Federal do Rio Grande do Sul (UFRGS) – Porto Alegre – RS – Brasil -2006.

BAZZOTTI. C., GARCIA. E, A importância do Sistema de Informação Gerencial para a tomada de decisões. UNIOESTE – Cascavel – Paraná– Brasil - 2003.

GOLDSCHMIDT. R., PASSOS. E. Data Mining: Um Guia Prático, Ed. Campus, Rio de Janeiro, 1ª Edição, 2005.

PARRINI. E., CAMPOS. M. L. M., BORGES. M. R. S., Gestão do Conhecimento no Suporte à Decisão em Ambientes OLAP - Universidade Federal do Rio de Janeiro - UFRJ - Rio de Janeiro– RJ – Brasil - 2001.

REZENDE, S. O, PUGLIESI, J. B, MELANDA E. A. Sistemas Inteligentes:  Fundamentos e Aplicações, Artigo, 2003.