BUSINESS INTELLIGENCE

Início » Artigos » Descoberta do Conhecimento em Bancos de Dados e a Gestão Estratégica das Organizações

Descoberta do Conhecimento em Bancos de Dados e a Gestão Estratégica das Organizações

INTRODUÇÃO

As instituições governamentais, organizações de interesse público ou privado, impulsionadas pela tecnologia e abrangência da INTERNET, disponibilizam imensos volumes de dados e informações, porém, de difícil visualização, interpretação e respectiva aplicação e capitalização do conhecimento.

Han e Kamber (2001) apontam que informação e conhecimento obtidos nessas bases de dados podem ser utilizados para diversas aplicações, que vão do gerenciamento de negócios, controle da produção e análises de mercado, aos projetos de engenharia e exploração cientifica.

Fayyad, Shapiro e Smyth (1996) afirmam que, dado o crescimento exponencial desses bancos de dados, tornam-se necessárias novas ferramentas e técnicas para análise automática e inteligente de bancos de dados.

O conjunto de técnicas que permite identificar informações estratégicas ou padrões de desempenho em grandes volumes de dados é chamado de Data Mining (DM) ou mineração de dados. Esse conjunto de técnicas integra um processo maior de “Descoberta de Conhecimento em Bancos de Dados” ( Knowledge Discovery in Databases – KDD).

Essa descoberta se caracteriza pela interdisciplinaridade e consiste na identificação, por meio de uma conjunção de dados válidos, de novos conhecimentos (previamente desconhecidos) , potencialmente úteis e compreensíveis, presentes num banco de dados, visando melhorar o entendimento de um problema ou um procedimento de tomada de decisão (FAYYAD, SHAPIRO E SMYTH, 1996).

Elmasri e Navathe (2004) afirmam que esse conhecimento pode ser extraído diretamente de um banco de dados ou a partir de um depósito, armazém de dados, denominado de Data Warehouse (DW).

Para essa extração, são necessárias ferramentas de exploração ou algoritmos conhecidos como mineração de dados, que podem incorporar técnicas estatísticas isoladas ou em conjunto com a inteligência artificial e são capazes de fornecer respostas às pesquisas ou mesmo descobrir novos conhecimentos (ROMÃO et al., 2000).

GESTÃO ESTRATÉGICA E A PESQUISA-AÇÃO

Segundo Thiollent (2011) uma característica marcante da pesquisa-ação é o envolvimento dos pesquisadores na resolução de um problema coletivo, onde tal envolvimento pode ser cooperativo ou participativo, já que podem desempenhar papel ativo no equacionamento dos problemas encontrados.

Ainda, de acordo com Thiollent (2011) a pesquisa-ação pode ser pensada como instrumento de estudo das mudanças organizacionais decorrentes de novas tecnologias, sobretudo de tecnologias baseadas na informática. A pesquisa-ação pode favorecer a circulação de informações, aprendizagem coletiva e a organização do trabalho em equipe.

A estratégia da pesquisa-ação foi originada de questões constantes de qualquer investigação, ou seja: “quem”, “o quê”, “onde”, “quanto”, “quando e como”. Essa categorização transforma-se em atributos das informações descritivas (dimensões) e quantitativas (métricas) do caso investigado (HEDRICK, BICKMAN e ROGER, 1993).

A gestão das organizações pode ser caracterizada como uma pesquisa-ação permanente, em que as questões investigativas propostas por Hedrick, Bickman e Roger, estão presentes no gerenciamento  de qualquer processo organizacional, do back-office aos processos finalísticos do negócio.  Corrobora para essa caracterização, os mecanismos de Gestão da Inovação proposto por Possoli (2011) e amparado por Thiollent (2011):

  • Technology foresight: O termo originário da língua inglesa denota a capacidade de prever eventos prováveis e, utilizando essa visão de futuro, elaborar planos de ação de forma estratégica. A União Europeia considera um instrumento de gestão de inovação que incorpora três dimensões de modo integrado: pensar o futuro, debater o futuro e modelar o futuro;
  • Inteligência competitiva: Processo de desenvolvimento de identificação, sistematização e interpretação de sinais do ambiente das organizações com o objetivo de alimentar processos de decisão;
  • Gestão do conhecimento: A gestão do conhecimento enfatiza os organismos e instrumentos de compartilhamento, circulação e aperfeiçoamento do capital intelectual produzido nas organizações, proporcionando condições para que o conhecimento seja criado, socializado e externalizado dentro das organizações, transformando-o de tácito em explícito.

BUSINESS INTELLIGENCE COMO MECANISMO DE MINERAÇÃO DE DADOS

As organizações, apesar de armazenarem grandes quantidades de dados sobre as suas operações, não dispõe de ferramentas que possam cruzar esses dados ou estabelecer inter-relações que proporcionem informações relevantes aos decisores (ALMEIDA, FREITAS e SOUZA, 2011).

Para suprir essa deficiência, ferramentas e metodologias tecnológicas como Business Intelligence (BI) podem auxiliar as organizações nos processos de criação, armazenagem e disseminação de informações e conhecimento, alavancando o processo decisório.

As aplicações de BI podem ser apoiadas por técnicas de DM visando a criação de perfis de clientes, vendas direcionadas, administração de fluxos de trabalho e detecção de fraudes. Podem responder ainda questões como: “Quais clientes, produtos, modelos, vendedores, tamanhos ou cores, são os mais lucrativos, possuem maior estoque, maior giro, dentre outros atributos ou dimensões?” (TAN, STEINBACH e KUMAR, 2009).

Característica marcante dos aplicativos de BI, é o conjunto de ferramentas de filtragem dos dados e sua visualização por meio de painéis de controle (dashboards). É a chamada análise multidimensional. As operações básicas desses sistemas são o slice and dice, que é uma forma de mudanças das dimensões a serem visualizadas e o drill down, drill up, é como se denomina a navegação entre os níveis de detalhamento dos dados (MACHADO, 2012).

Atualmente existem aplicativos e componentes capazes de executar os mesmos processos de filtragem e análise de dados:

É aqui que entra o Microsoft Excel. Composto por diversos recursos de análise de dados, seu potencial é habitualmente pouco explorado pelos profissionais. É chegada a hora da verdade: integrar o ambiente de suporte à decisão a uma ferramenta cujo custo já foi pago, extraindo uma grande gama de recursos é aumentar o valor agregado do aplicativo (LEME FILHO, 2012).

CONCLUSÃO

Pode-se concluir que a construção de aplicativos de BI não são necessariamente dependentes da construção de Data Warehouse, Data Marts ou servidores OLAP (On-line Analytical Processing), mas decorrentes de quais dados são fundamentais para expressar uma informação que possa gerar um novo conhecimento e que seja útil a organização.

Diante disso, softwares que permitem obter o delineamento proposto nas características da pesquisa-ação, podem ser considerados como aptos a mineração de dados. A preferência por um ou outro fornecedor, dependerá fundamentalmente do tamanho da base de dados, da complexidade das métricas, das competências existentes na organização e primordialmente da qualidade e  integridade das informações nos bancos de dados. A partir daí é possível estimar a melhor relação custo-beneficio para aquisição das ferramentas disponíveis no mercado, ressaltando que a  limitação orçamentária das empresas, atualmente, não se constituem em fator impeditivo para adoção da metodologia.

REFERÊNCIAS BIBLIOGRÁFICAS

ALMEIDA, M. D. S.; FREITAS, C. R.; SOUZA, I. M. D. Gestão do conhecimento para tomada de decisão. São Paulo: Atlas, 2011. 114 p.

ELMASRI, R.; NAVATHE, S. B. Fundamentals of database systems. 4ª. ed. Nova York: Pearson Education, 2004. 1172 p.

FAYYAD, U.; SHAPIRO, G. P.; SMYTH, P. The KDD Process for Extracting Useful Knowledge from Volumes of Data. Communications of the ACM, Menlo Park, v.39, n. 11, p. 27-34, nov. 1996.

HAN, J.; KAMBER, M. Data mining – Concepts and techniques. San Francisco:Morgan Kauffman Publishers, 2001. 550 p.

HEDRICK, T.; BICKMAN, L.; ROGER, D. J. Applied research design. Bulletin de Méthodologie Sociologique, Newbury Park, v. 39, p. 62-74, Junho 1993.

LEME FILHO, T. Business inteligence no Excel. Rio de Janeiro: Novaterra, 2012. 406 p.

MACHADO, F. N. R. Tecnologia e projeto de data warehouse – Uma visão multidimensional. 5ª. ed. São Paulo: Érica, 2012. 314 p.

POSSOLI, G. E. Gestão da inovação e do conhecimento. Curitiba: IBPEX, 2011. 110 p.

ROMÃO, W.; FREITAS, A. A.; PACHECO, R. D. S. Uma revisão de abordagens genético-difusas para descoberta de conhecimento em banco de dados. Actia Scientarium – Technology, Maringá, v. 22, n. 5, p. 1347-1359, 2000.

TAN, P.-N.; STEINBACH, M.; KUMAR, V. Introdução ao data mining. Rio de Janeiro: Ciência Moderna, 2009. 900 p.

THIOLLENT, M. Metodologia da pesquisa-ação. 18ª. ed. São Paulo: Cortez, 2011. 136 p.

Anúncios

1 Comentário

  1. rodolfo4j disse:

    Republicou isso em Computadores Fazem Artee comentado:
    Data-mining sob o ponto de vista de negócios:

    Curtido por 2 pessoas

Deixe um comentário

Preencha os seus dados abaixo ou clique em um ícone para log in:

Logotipo do WordPress.com

Você está comentando utilizando sua conta WordPress.com. Sair / Alterar )

Imagem do Twitter

Você está comentando utilizando sua conta Twitter. Sair / Alterar )

Foto do Facebook

Você está comentando utilizando sua conta Facebook. Sair / Alterar )

Foto do Google+

Você está comentando utilizando sua conta Google+. Sair / Alterar )

Conectando a %s

Arquivos

Categorias

%d blogueiros gostam disto: