Google Drive

SISTEMAS DE APOIO À DECISÃO Sistemas de Informação Prof. Eduardo C. Sepini

TECNOLOGIA DE INFORMAÇÃOAPLICADAS

Sistemas de Apoio à Decisão

Prof. Eduardo Costa Sepini [email protected]

2016-02

http://www.sepini.com.br

Agenda SISTEMAS DE APOIO À DECISÃO Sistemas de Informação Prof. Eduardo C. Sepini

Tecnologia de InformaçãoAplicadas: - Business Intelligence e ferramentas de Suporte: -Data Mart; -DataWarehouse; -Data Minning: -Conceito; -Motivação; -Aplicação; -Técnicas de mineração de dados; -Data Minning e CRM. 2


DATA MART (DM) BUSINESS INTELLIGENCE E FERRAMENTAS DE SUPORTE

3

Business Intelligence e ferramentas de SISTEMAS suporteDE APOIO À DECISÃO Sistemas de Informação Prof. Eduardo C. Sepini

- Data Marts – DM: • Corresponde a um agrupamento de bancos de dados transacionais* aglutinados por algum critério, normalmente “temas de negócios”, que são questões administrativas freqüentemente abordadas. Por exemplo, o tema: Satisfação do Cliente. • Para verificar a satisfação do cliente devemos agrupar alguns Bancos de dados: ✓(a) Banco de dados de vendas para verificar a demanda de determinados produtos; ✓(b) BD do setor financeiro para verificar a pontualidade do pagamento do cliente que pode ser um indicador de satisfação; ✓e (c) BD de atendimento ao consumidor que terão registros mais precisos sobre a sua satisfação.

‣O cruzamento de informações específicas (note que não são necessárias todas as informações de cada BD) de cada um destes BD ́ s contribuirá para atender às questões do tema Satisfação do Cliente. Portanto, neste caso, o Data Mart será um novo BD, criado a partir da integração dos três bancos anteriores. *Bancos de dados 4

transacionais – Bancos de dados que compõem um SPT;atendem ao nível operacional da organização.


Na figura, temos dois Data Marts (Satisfação do Cliente e Logística) formados por Bancos de Dados Transacionais (financeiro, vendas, atendimento e estoque).

Esquema de Data Marts X BD transacionais

5


DATAWAREHOUSE (DW) BUSINESS INTELLIGENCE E FERRAMENTAS DE SUPORTE

6


- Data Warehouse – DW: • O Data Warehouse é a integração de diversos Data Marts. ✓Com

isso, a organização passa a ter um depósito de informações, integrado, que poderá atender a uma demanda muito mais ampla de temas de negócio, uma vez que o cruzamento de informações entre dois DM ou mais pode gerar a possibilidade de se identificar novos temas.

• O DW proporciona uma sólida e concisa integração dos dados da empresa, para a realização de análises gerenciais estratégicas de seus principais processos de negócio. ✓ Ele se preocupa em integrar e consolidar as informações de fontes internas, na maioria das vezes heterogêneas, e fontes externas, sumariando, filtrando e limpando esses dados, preparando-os para análise e suporte à decisão. ✓extração de dados de fontes heterogêneas (internas e/ou externas); ✓transformação e integração dos dados antes da carga final. 7


- Data Warehouse – DW:

• De acordo com O’Brien (2004), as principais características dos DW são: ✓Não Volatilidade

dos dados – Os dados de um DW não são excluídos e alterados como nos SPT’s; a única operação é a de inserção de novos dados.

✓Historicidade

ou Variação no tempo – Como consequência da não volatilidade um DW armazena informações de vários anos, dando maior credibilidade nas análises temporais.

✓Orientação

por Assunto - um DW armazena as informações agrupadas por assuntos de interesse da empresa que são mais importantes.

8


• De acordo com O’Brien (2004), as principais características dos DW são: ✓Integração

- Dados com alto nível de integração afim de se obter a unicidade das informações. A existência de sistemas mais antigos com padrões de codificação de dados, leva à existência de diferentes padrões entre os sistemas operacionais, que quando da carga do DW são resolvidos pelos processos de filtragem e agregação.

✓Meta

dados – Como os dados existentes em um DW são oriundos de diversas fontes e muitas vezes modificados, faz-se necessário construir um “Mapa” dos dados, ou seja, um guia de referência explicando como cada dado, campo e registro do DW foi extraído dos bancos de dados originais.

9


✓Redundância

de dados – Nos bancos de dados convencionais a redundância e a repetição dos dados são ações indesejadas, pois podem gerar dubiedade de interpretação. Já nos DW a redundância é aceita, pois, dependendo do contexto, de fato a mesma pergunta pode gerar respostas distintas.

• Após a “carga de dados” em um DW, segue-se a etapa mais importante do processo de BI: o Data Minning.

9


DATA MINNING (DM) MINERAÇÃO DE DADOS

……………………………………………………………………………………………………………………………………………………………………

BUSINESS INTELLIGENCE E FERRAMENTAS DE SUPORTE

10


- Data Minning, ou Mineração de Dados: • Corresponde ao ato de extrair informações do DW, a fim de identificar tendências, padrões de negócio e cenários. ✓É possível realizar simulações e fazer testes de hipótese. ✓Para efetuar a mineração é necessário um conjunto de ferramentas denominadas OLAP.

11


- Conceito: • Definido de forma simples, Data Mining automatiza a detecção de padrões relevantes em um banco de dados. ✓Por exemplo, um padrão poderia indicar que homens casados com crianças têm duas vezes mais chances de dirigir um carro esporte específico do que homens casados sem crianças. Para um gerente de marketing de uma indústria automobilística, esse padrão surpreendente poderia ser bastante valioso.

11


CONCEITO DATA MINNING (DM)

12

Data Mining SISTEMAS DE APOIO À DECISÃO Sistemas de Informação Prof. Eduardo C. Sepini

- Conceito: Por [Harrison] temos a classificação de “data mining” (mineração de dados), comoo tipo mais complexo de função analítica OLAP, uma vez que emprega sofisticados modelos de reconhecimento de padrões e algoritmos de aprendizado para identificar relações entre elementos de dados. Ele projeta problemas não-lineares com grande número de variáveis, análise multiautomática, usando técnicas como algoritmos de árvores de decisão, redes neurais, lógica difusa e algoritmosgenéticos. Data-mining (mineração de dados) - analisa as informações constantes em um banco de dados usando ferramentas que procuram tendências ou anomalias.

13


MOTIVAÇÃO DATA MINNING (DM)

14


- Motivação:

• O crescimento da concorrência e a consequente mudança do perfil do cliente, que passa a ser mais exigente, faz surgir a necessidade de novas estratégias de negócio e os tomadores de decisão modernos precisam de subsídios para encarar as mudanças. Ao mesmo tempo, existe uma enorme quantidade de informação potencialmente importante guardada nos bancos de dados, mas que ainda não foi descoberta, ou seja, está escondida e é raramente tornada explícita.

15


• Técnicas de Mineração de Dados surgem então como auxílio no processo de tomada de decisão. ✓Algoritmos de mineração de dados extraem, de grandes bases de dados e sem prévia formulação de hipóteses, tendências, padrões e correlações entre os dados conhecimento -, os quais devem ser úteis à tomada de decisão. Sendo assim, a utilização do processo de mineração de dados é de extrema importância, visto que, através dela, muitos dados armazenados em poderosos SGBDs podem ser transformados em informações relevantes que podem ser utilizadas de várias formas no processo de tomada de decisão.

15


APLICAÇÃO DATA MINNING (DM)

16


- Aplicação: • Mineração de dados pode ser utilizada nos mais variados segmentos do mercado e auxilia em processo para analisar e determinar o perfil dos clientes, analisar vendas, traçar estratégias de marketing, entre outros aspectos. ✓Um dos melhores exemplos de aplicativo Data Mining é a determinação de fatores associados à fraude e avaliação de risco de cartão de crédito.

• Várias técnicas de mineração de dados podem ser encontradas, dentre as quais se destacam: ✓Regras de Associação; ✓e Classificação.

17


- Técnicas de mineração de dados: ✓Especificamente

falando da geração de regras de associação, a capacidade de descobrir correlação entre produtos vendidos é extraordinariamente importante ao processo de tomada de decisão nas empresas de comércio varejista. Esta técnica é geralmente utilizada para descobrir vendas associadas de produtos nos mais diversos ramos.

✓Já

a classificação procura formar classes a partir dos dados minerados. Por exemplo, a partir desta técnica é possível saber que clientes terão mais chances de não pagar um determinado empréstimo no banco.

18


TÉCNICAS DE MINERAÇÃO DE DADOS DATA MINNING(DM)

19


- O Diferencial das Técnicas de Data Mining: • O resultado da utilização de Data Mining é diferente de outros processos de negócio baseados em dados. ‣Na maioria das técnicas de exploração dos dados, os resultados apresentados são coisas já conhecidas. ✓Por exemplo, um relatório mostrando a diminuição das vendas de certa linha de produtos em uma região pode ser direto para o usuário porque ele intuitivamente sabe que esse tipo de informação existe no banco de dados.

‣Técnicas de Data Mining, por outro lado, extraem informação útil, valiosa e previamente desconhecida.

20


DATA MINING E CUSTOMER RELATIONSHIP MANAGEMENT (CRM) DATA MINNING (DM)

21


- Data Mining e Customer Relationship Management (CRM): • Customer Relationship Management é um processo que gerencia as interações entre a empresa e seus clientes.Os usuários primários das aplicações de CRM são pessoal de Banco de Dados e de Marketing, que procuram automatizar os processos de interação com os clientes. É necessário para estas equipes a identificação de segmentos contendo clientes com alto potencial de lucro. A partir daí, são construídas e executadas campanhas que impactam favoravelmente o comportamento desses clientes.

22


• Segmentar clientes e traçar seus perfis requer uma quantidade significativa de dados sobre os mesmos e seus comportamento de compra. Entretanto, o armazenamento massivo de dados torna difícil filtrar a base em busca das informações valiosas. Desta forma, as aplicações de Data Mining têm servido para automatizar os processos de procura nas montanhas de dados de maneira a encontrar padrões que sejam bons preditores de comportamentos de compra. Depois disso, providências são tomadas levando em consideração os segmentos de mercado definidos.

exemplo de aplicação

22

Para efetuar a mineração é necessário um conjunto de ferramentas denominadas OLAP.


DESENVOLVIMENTO DE SISTEMAS DE INFORMAÇÃO DE SUPORTE AO PROCESSO DECISÓRIO TÁTICO E ESTRATÉGICO

Data Agenda Mining SISTEMAS DE APOIO À DECISÃO Sistemas de Informação Prof. Eduardo C. Sepini

Desenvolvimento de sistemas de informação de suporte ao processo decisório tático e estratégico: -Introdução: •Visão Geral; •Importância da Qualidade da Informação para o SAD. -Modelos para SAD; - Passos Preliminares àSolução;

2

DataMining


INTRODUÇÃO

3

Data Introdução Mining SISTEMAS DE APOIO À DECISÃO Sistemas de Informação Prof. Eduardo C. Sepini

- Desde o início da década de 70, os SSD tem surgido como uma forma de ajudar as pessoas a executarem as atividades de manuseio de informação para atingir metas, persistir em objetivos e para a resolução de problemas. - Os SSD têm sido caracterizados como sistemas iterativos que ajudam o usuário a executar tarefas semi-estruturadas, fazendo uso de modelos com bancos de dados internos e externos, fornecendo flexibilidade,efetividade e adaptabilidade nesta execução.

A julgar pelos exemplos de SSD citados na literatura, a maioria dos casos são sistemas de larga escala construídos para facilitar processos decisórios bem definidos e repetitivos,ou então são pequenos sistemas para PC que disponibilizam rotinas rápidas e econômicas para suporte à tomada de decisão únicas, ou seja, aqueles processos decisórios simples que tem que ser executados apenas uma vez. [Igbaria96] propõe modelos para SSD em ambientes de tomada de decisão, onde o processo decisório é indefinido, impreciso e não rotineiro. 4

Data Introdução Mining SISTEMAS DE APOIO À DECISÃO Sistemas de Informação Prof. Eduardo C. Sepini

O desenvolvimento de um SSD é similar ao processo de desenvolvimento de um sistema tradicional.

- A construção de DSS é um processo complicado que envolve desde aspectos técnicos, tais como escolha do hardware até aspectos comportamentais, tais como interfaces homemmáquina e o impacto de um DSS em indivíduos e grupos. Os DSS podem ser construídos em poucos dias e serem feitos para uma única tomada de decisão, como também podem demorar vários anos para serem concluídos e serem usados para diversas tomadas de decisões.

- Estudos comparativos já foram levantados sobre as várias metodologias de desenvolvimento de DSS (Saxena [1992]).

5

DataMining


VISÃO GERAL

6

Data Visão Mining Geral SISTEMAS DE APOIO À DECISÃO Sistemas de Informação Prof. Eduardo C. Sepini

- Desenvolver um SSD não é a única questão a ser considerada para auxílio ao processo decisório, em [Palvia95] são abordados alguns fatores que influenciam a predição do sucesso da implementação de um SSD. Nos ambientes competitivos da atualidade, as empresas não podem perder a oportunidade de contar com um processo de tomada de decisão de qualidade, através da utilização de um SSD.

• Para predizer se a implementação do SSD será bem sucedida o autor identificou dez dimensões organizadas em três categorias influenciadoras deste sucesso: ✓Custo

e benefício;

✓Facilidades ✓Histórico

7

tentativas de uso;

do sistema.


- Custo e Benefício: Analisar se o SSD melhorará o desempenho do gerente, se ele exigirá mais recursos que o sistema corrente e se ele não apresentará riscos significativos em caso de falhas (ou seja, deve existir um sistema de backup facilmente acessível). - Facilidade tentativas e de uso: Deve ser possível testar o SSD em uma escala limitada com a mesma base lógica do sistema corrente. As saídas do sistema devem ser compreensíveis e estar numa linguagem familiar à dos usuários, deve ser fácil de usar, e deve ser possível retornar ao processo gerencial corrente, caso o novo SSD se comprove insatisfatório.

8


- Histórico do sistema: A proposta do SSD deve parecer confiável, ou seja, ele tem que ter dado certo em algum outro lugar e o analista responsável e o grupo de sistemas de informação devem ter credibilidade dentro da empresa.

‣Os esforços do analista são direcionados para duas questões. Em primeiro lugar o analista

precisa determinar a percepção do gerente com relação ao SSD proposto, a falha neste aspecto pode incorrer na não utilização do sistema. Segundo, o analista deve avaliar fatores no ambiente de implementação que aumentarão ou diminuirão as probabilidades de sucesso do SSD.

8

Data Visão Mining Geral SISTEMAS DE APOIO À DECISÃO Sistemas de Informação Alter e Ginzberg (1978) identificaram um conjunto de sete “fatores de risco de Prof. Eduardo C. Sepini desenvolvimento”. Para eles o ambiente ideal de desenvolvimento deve ter:

- Complexidade mínima: Pequeno número de gerentes e analistas. Desta forma a probabilidade de diferenças significativas de opiniões com relação ao propósito ou abordagem do projeto, bem como as chances de erros de comunicação serão reduzidos. - Forte cognição: Os gerentes e analistas envolvidos no desenvolvimento tem que ter experiência com este tipo de SSD. Eles devem compreender e concordar com o propósito do sistema bem como com o impacto deste sistema em seu trabalho. - Forte comprometimento no ambiente de projeto: O projeto deve ter forte suporte por parte da gerência, o termo “gerentes” aqui se refere àqueles na organização para quem os usuários do SSD terão que se reportar, mas que não são diretamente afetados pelo sistema. O projeto deve ser adequado, viável do ponto de vista econômico, operacional e técnico. 9


Em [Ragh99] é citado que os investimentos anuais em tecnologia de informação pelas empresas americanas é de centenas de milhões de dólares.As razões para um investimento tão alto incluem a queda drástica no preço do hardware e a notória melhoria na produtividade associada a esta tecnologia de informação.

A maior qualidade da informação, melhor eficiência, menores custos e alta produtividade são citadas como as razões para melhoria da produtividade e desempenho associados com a tecnologia de informação.

10

DataMining


IMPORTÂNCIA DA QUALIDADE DA INFORMAÇÃO PARA O SAD

11


Ainda em [Ragh99] é feita uma investigação do impacto da qualidade da informação e a qualidade da tomada de decisão praticada atualmente usando modelos teóricos e de simulação.

- Na investigação utilizou-se a precisão como medida desta qualidade e a análise mostra que, dependendo da qualidade da tomada de decisão, a qualidade da decisão pode melhorar ou piorar quando a qualidade da informação melhora. • A qualidade da decisão melhora com a melhoria da qualidade da informação para um tomador de decisão que tem conhecimento sobre os relacionamentos entre as variáveis do problema. • Entretanto, a qualidade da decisão de um tomador de decisão que não conhece estes relacionamentos pode diminuir com o aumento da qualidade da informação que ele recebe. ‣Neste aspecto fica evidente a importância da qualidade da informação para o sucesso de um sistema de apoio à decisão. Não basta ter um sistema completo, bem modelado e que siga os requisitos qualitativos de um bom sistema de informação, a qualidade da informação que flui neste sistema é crucial. 12


- Os requisitos de qualidade desejáveis em um sistema de informação segundo [Turban95]: ✓Disponibilizar informação no tempo certo; ✓Melhoria da eficiência; ✓Informação precisa; ✓Informação relevante; ✓Facilidade de uso; ✓Melhoria da comunicação; ✓Interface adaptável; ✓Capacidade de adaptação quando os requisitos de informação mudam;

13


✓Relatórios

de exceção; ✓Definições padronizadas na empresa; ✓Acesso a dados externos; ✓Drill down: detalhamento da informação apresentada; ✓Modos múltiplos de apresentação; ✓Acesso a dados internos; ✓Cor e gráficos; ✓Tempo de resposta rápido; ✓Análise de tendências.

13

DataMining


MODELOS PARA SAD

14

Modelos para Sistemas de Suporte Data Mining SISTEMAS DE APOIO À DECISÃO à Decisão Sistemas de Informação Prof. Eduardo C. Sepini

- Conceito: Os modelos de SSDs servem como guia para estabelecer suas características chave, seu escopo, limitações e potencial de aplicação. Eles facilitam o processo de construção de um SSD reduzindo esforço despendido, tempo e custos.

• Os modelos são utilizados diariamente de forma consciente ou não pelas pessoas e sua aplicabilidade é ampla e rica. • Os modelos apresentados estão em quatro categorias: ✓Simbióticos; ✓Especialistas; ✓Holísticos; ✓Adaptativos.

15


- Modelos simbióticos: • este modelo para SSD surgiu no final dos anos 80. • a principal característica de sistema simbióticos é que eles podem alterar seu comportamento básico para se adequarem ao usuário através do monitoramento da cognição do usuário, bem como do seu estilo de tomada de decisão. ‣um tomador de decisão simbiótico consiste de um usuário e um sistema de suporte à decisão simbiótico. • embora sendo mais avançado que um SSD convencional, este tipo de sistema também é estático, ou seja, suas mudanças de comportamento não são independentes e/ou baseadas em qualquer modificação de um novo conhecimento. ‣Ele somente reage com base no comportamento projetado para o usuário com base nas ações passadas. ‣Procedimentos para avaliação histórica e projeção de comportamento são prédefinidos. 16


- Modelos Especialistas: • Este é o mais antigo dos quatro modelos. • A primeira implementação foi o DENDRAL, na década de 60. • Desde então estes sistemas têm proliferado dentro de uma diversidade de áreas de aplicação. • Este sistema pode raciocinar usando conhecimento armazenado que está fragmentado na forma de regras. ‣Todo o conhecimento deste sistema é extraído de especialistas humanos e ele também caracteriza-se como estático, pois todas suas capacidades estão pré-definidas na base de conhecimento.

17

Modelos para Sistemas Sistemasde deSuporte Data Mining SISTEMAS DE APOIO À DECISÃO Suporte à Decisão à Decisão Sistemas de Informação Prof. Eduardo C. Sepini

- Holísticos:

• O sistema é capaz de reconhecer e processar problemas holísticos*. • Ele tenta resolver problemas que seguem a característica: “Alguém pode representar raciocínio como regras independentes e tomada de decisão inteligente como derivação lógica das verdades a partir dos fatos usados as regras.A crítica é que especialistas humanos geralmente pensam holisticamente, axiomatizando* seu conhecimento de formas inconsistentes (porque geralmente a informação disponível é conflitante e incompleta) e raciocinam mediante a incerteza. Eles mostram inteligência combinando de forma eficiente processos relativamente simples para resolver problemas complexos”

• Este tipo de sistema tem um comportamento dinâmico.

18


- ModelosAdaptativos: • O sistema é capaz de derivar mudanças positivas em si próprio para melhorar sua capacidade de processamento de problemas. • Ele confia na inferência indutiva para conduzir partes críticas de seu esforço de processamento, em adição ao processamento computacional convencional e, talvez, outras formas de raciocínio. • A indução* possibilita ao sistema ser inovador, mas sempre existe a possibilidade de erro de inferência*. • Este tipo sistema é altamente dinâmico.

19

Modelos para Sistemas de Suporte Data Mining SISTEMAS DE APOIO À DECISÃO à Decisão Modelos paraSistemasde Suporteà Decisão

Sistemas de Informação Prof. Eduardo C. Sepini

PASSOS PRELIMINARES À SOLUÇÃO

20

Modelos para Sistemas de Suporte Passos Data Preliminares Mining à Solução SISTEMAS DE APOIO À DECISÃO à Decisão Sistemas de Informação Prof. Eduardo C. Sepini

Levando em consideração a importância da qualidade da informação e os modelos para SAD o que o SAD a ser desenvolvido deve nos oferecer?

21


- Um SAD deve oferecer:

• suporte a múltiplos processos, pois há uma variedade de processos de tomada de decisão. ✓Diferentes

tipos de decisões exigem diferentes processamentos de dados.

- Um SAD precisa ser flexível para oferecer apoio aos decisores (tomadores de decisão): ‣um SAD deve prover representações familiares para dar suporte (cartas, tabelas, gráficos etc.), pois os decisores precisam confiar na conceptualização quando de uma tomada de decisão; ‣ um SAD deve prover operações que apoiem estas atividades, pois os decisores exercitam atividades de "inteligência, concepção e escolha" enquanto tomam/participam de uma decisão; 22


- Um SAD deveoferecer: • Flexibilidade: A necessidade de flexibilidade de um DSS pode ser observada pelas características observadas nos usuários e ambiente de um DSS. Nem o usuário, nem o desenvolvedor são capazes de especificar requisitos funcionais de antemão.

• Usuários não sabem ou não conseguem comunicar o que eles realmente querem ou precisam; • A concepção do usuário muda a medida que o sistema evolui; • O uso real de um DSS é quase sempre diferente do que o uso para o qual ele foi planejado; • Soluções originadas de um DSS são subjetivas;

23


• Há uma grande variedade entre os indivíduos de como eles o utilizam. • Podemos distinguir esta flexibilidade dos DSS em 4 níveis: ✓Flexibilidade para solução; ✓Flexibilidade para modificação; ✓Flexibilidade para adaptação; ✓Flexibilidade para evolução.

23


- Um SAD deve oferecer: • um SAD deve constantemente oferecer uma ajuda durante todo o processo de tomada de decisão, pois os decisores necessitam de uma memória suplementar (help,ajuda); • um SAD deve poder ajudar o trabalho de cada um com as suas limitações, estilos e capacidades, pois os decisores exibem uma variedade de habilidades, estilos e conhecimentos;e • um SAD deve prover controle através do qual o usuário sinta que exerce diretamente um controle pessoal sobre o sistema, pois os decisores esperam poder controlar o processo de utilização desse dito apoio à decisão.

24

Modelos para Sistemas Sistemasde deSuporte Passos Data Preliminares Mining à Solução SISTEMAS DE APOIO À DECISÃO Suporte à Decisão à Decisão Sistemas de Informação Prof. Eduardo C. Sepini 1

Sabemos que com base nestes modelos e nas características do SSD a ser desenvolvido, o profissional responsável terá subsídios para um desenvolvimento mais adequado e eficiente..

25

2

..a importância das soluções de suporte à decisão são notórias e quase que indiscutíveis sob vários aspectos, então o que mais precisamos saber antes de proceder à sua implementação?

Modelos para Sistemas de Suporte Passos Data Preliminares Mining à Solução SISTEMAS DE APOIO À DECISÃO à Decisão Sistemas de Informação Prof. Eduardo C. Sepini 3 1

Identificar as necessidades da organização/indivíduo... 2

...conhecer os estilos decisórios dos tomadores de decisão...

26

!

...e escolher a abordagem para o desenvolvimento/construção do DSS mais adequada de acordo com o nosso problema.


- Identificar as necessidades da organização:

• A metodologia dos fatores críticos de sucesso (CSF) é utilizada na identificação das necessidades de informação da organização e, subsequentemente, no desenvolvimento de um plano de sistema de informação corporativo. ‣Este levantamento de necessidades de informação é conduzido através de processos de entrevistas com todos os interessados, dando liberdade de expressão a todos, independente do nível hierárquico ocupado na organização e uma das metodologias citadas é a de“BrainStorming”.

‣São examinados e discutidos os CSFs corporativos, departamentais e até mesmo os individuais, pois muitas vezes a pessoa não sabe fazer a análise do ponto de vista dos interesses da corporação, mas pensando mais restritamente sob o que é importante no seu dia-a-dia de trabalho acaba atingindo os interesses corporativos.

27


- Identificar as necessidades da organização: • A tendência natural seria a de colocar “mãos à obra” com apenas uma noção vaga e geral desta necessidade de informação.

• Empregando tal metodologia as reais necessidades são identificadas, a partir de um bom levantamento, é claro, sendo então o sistema planejado e implementado com uma visão realística do que será disponibilizado aos usuários, sem criar as falsas expectativas que constituem um dos riscos de insucesso de qualquer sistema, seja ou não de apoio à decisão. • Um treinamento da equipe na metodologia de CSF é importante.

28


- Identificar as necessidades da organização: • Representações, Operações, ajudas de Memória e mecanismos de Controle (ROMC): Uma das maiores dificuldades em se construir um DSS são os requisitos de informação, que são o ponto de partida para o projeto do sistema. Devido a própria natureza dos DSS, estes requisitos de sistema normalmente são mal especificados.

1

Para tentar contornar este problema, podemos utilizar a abordagem ROMC, que se constitui de um conjunto de quatro entidades orientadas ao usuário: 29


- Identificar as necessidades da organização/indivíduo: • Representações, Operações, ajudas de Memória e mecanismos (ROMC):

de Controle

‣Representações – habilidade em descrever os problemas, preferencialmente de uma forma visual. ‣Operações – devem existir operações para analisar e manipular as representações. ‣Ajuda a memória – Ajudar o usuário em ligar as operações e representações; ‣Mecanismos de controle – Mecanismos usados para controlar e operar todo o sistema. É a estrutura que integra as outras três entidades em um sistema de suporte a decisão útil.

30


- Identificar as necessidades da organização/indivíduo: • Representações, (ROMC):

Operações,

ajudas

de Memória

e mecanismos

de Controle

‣Esta abordagem foi baseada em cinco características observadas no processo de tomada de decisão: ✓Tomadores de decisão tem dificuldades em descrever situações. Eles preferem utilizar representação gráfica sempre que possível; ✓As fases de inteligência, projeto e escolha podem ser aplicados na análise do DSS; ✓Ajudas à memória (relatórios, índices, regras mentais, etc...) são extremamente úteis na tomada de decisão e devem fazer parte de um DSS; ✓Tomadores

de decisão diferem em estilo, capacidade e conhecimento. Portanto o DSS deve deixar o tomador de decisão utilizar e desenvolver o seu próprio estilo; ✓Os tomadores de decisão esperam exercitar controle direto sobre o sistema de suporte. Devem ser capazes de entender as capacidades do DSS e de analisar suas entradas e saídas. 31


‣São várias as alternativas para apoio ao processo decisório, como visto até aqui, datawarehouse, datamining, OLAP, redes neurais, sistemas de apoio à decisão especificando-se em sistemas especialistas, sistemas de apoio ao executivo, dentre outras. ✓Estas

alternativas por sua vez, apresentam algumas desvantagens, pois não são soluções perfeitas.

✓Da

mesma forma são diversas as abordagens e requisitos para implementação destas soluções de forma bem sucedida.

‣Além desta gama de soluções possíveis, o perfil do tomador de decisão também constitui um fator que influencia nesta solução.

32


- Estilos Decisórios: • Definição do que seriam os estilos decisórios de acordo com Driver et al. (1990, p. 05): "Existem muitas maneiras pelas quais as decisões das pessoas diferem. Algumas gostam de arriscar; outras tomam longos atalhos para evitar o risco.Algumas tomam decisões sozinhas, enquanto outras parecem querer tomar decisões somente em grupo. Algumas pessoas se baseiam fortemente na intuição;outras procedem somente com base em uma análise detalhada.Algumas são rápidas,outras são lentas. Algumas pessoas parecem estar certas sobre quase tudo, outras vêem o mundo em sombras de possibilidade ao invés de em fatos concretos."

33


- Estilos Decisórios: • Dois aspectos parecem prover as diferenças-chave entre os estilos decisórios: ✓O

uso da informação: a quantidade de informação realmente considerada para a tomada de decisão;

✓O foco:

34

o número de alternativas identificadas na tomada de decisão.


- São classificados cinco estilos decisórios: • O Estilo Decisivo: é o indivíduo que utiliza pouca informação para decidir. Prefere organizações onde as tarefas são bem definidas e trabalha um problema de cada vez. • O Estilo Flexível: o tomador de decisão flexível utiliza pouca informação para decidir, mas procura analisá-la sob diferentes aspectos, optando pela mais apropriada. Prefere organizações pouco estruturadas e regradas. • O Estilo Hierárquico: o tomador de decisão hierárquico planeja a longo prazo, fazendo análises complexas dos dados. Faz máximo uso de informações para alcançar a única melhor solução.

35


• O Estilo Integrativo: o tomador de decisão integrativo usa muita informação e gera o maior número de alternativas possíveis para uma decisão. Suas decisões geralmente estão abertas a modificações e demoram a ser tomadas. Prefere organizações menos rígidas. • O Estilo Sistêmico: o tomador de decisão sistêmico é o mais complexo e difícil de ser compreendido. Combina qualidades do integrativo e do hierárquico. Valoriza a informação, estimulando sua coleta regular e cuidadosa.

35


- Estilos Decisórios: • Kendall (1991) verificam a existência de diferenças de estilos decisórios entre os três níveis organizacionais (operacional, tático e estratégico), onde em um extremo tem-se o operacional utilizando formas mais analíticas (objetivas) para a tomada de decisão e no outro extremo existem estilos mais heurísticos (subjetivos) utilizados no planejamento estratégico. ✓Neste

caso o estilo analítico de decisão é aquele onde o tomador de decisão é mais objetivo/racional, já o estilo heurístico aplica-se ao tomador de decisão mais impulsivo/ emocional.

• Além dos estilos decisórios inerentes a cada tomador de decisão, é necessário analisar os tipos de decisões que eles enfrentam no dia-a-dia de seu ambiente de trabalho.

36

Referências SISTEMAS DE APOIO À DECISÃO Sistemas de Informação Prof. Eduardo C. Sepini - Marakas, G.M.; Decision Support Systems in the 21st Century. 2ed, Ed. Prentice Hall, 2002. ISBN: 9780130922069. - Cortes, B.; Sistemas de Suporte á Decisão. Ed. FCA, 2005. ISBN: 9789727225170. - Turban, E.;Aronson, J.E.; Liang,T.P.; Sharda, R.; Decision Support and Business Intelligence Systems, 8ed, Ed. Prentice Hall, 2006. ISBN: 9780131986602. - Colaço, M.; Projetando

Sistemas

de Apoio

á Decisão

Baseados

em

Data Warehouse.

1ed. Ed.Axcel Books, 2004. ISBN: 8573232080.

- Cassarro, A.C.; Sistemas

de

Informação

para Tomada

de

decisões. 3ed, Ed. Pioneira, 2003.

- Bertalanffy, L.; Teoria Geral dos Sistemas: Fundamentos, desenvolvimento e Aplicações. 1ed, Ed.Vozes, 2008. ISBN: 9788532636904.

Referências SISTEMAS DE APOIO À DECISÃO Sistemas de Informação Prof. Eduardo C. Sepini

- Stair, R. M.; Reynolds, G.W.; Princípios de Sistemas de Informação. 1ed. Ed. Cengage Learning, 2005. ISBN: 8522104816. - Laudon, K.C.; Laudon, J.P.; Management Information System: Managing thw Digital Firm. 10ed, Ed. Prentice Hall, 2007. ISBN: 9780132337748. - Audy, J.L.N.;Andrade, G.K.; Cidral,A.; Fundamentos de Sistemas de Informação. 1ed, Ed. Bookman, 2005. ISBN: 8536304480. - Imoniana, J.O.; 9788522450022.

Auditoria

de

Sistemas

de

Informação.

2ed,

Ed. Atlas,

2008.

ISBN:

Referências SISTEMAS DE APOIO À DECISÃO Sistemas de Informação Prof. Eduardo C. Sepini - Schimidt, P.; Santos, J. L.; Arima, C.H.; Fundamentos de Auditoria de Sistemas.Vol. 9, 1ed, Ed.Atlas, 2006. ISBN: 8522442517. - Cortes, P.L.; Administração

de

Sistemas

de

Informação. 1ed. Ed. Saraiva, 2008. ISBN: 9788502064508.

- Campos, A.L.N..; Sistemas de Segurança de Informação: Controlando os Riscos, 2ed, Ed. Visual Books, 2007. ISBN: 8575022172. - Dias, C.; Segurança

e Auditoria

da Tecnologia

da

Informação. Ed. Axcel

ISBN: 8573231319.

- Sistemas

de

Informação:

http://www.ufpi.br/uapi/conteudo/disciplinas/sistemas/

download/Sistema_informacao_completo%20revisado%20final.pdf - Braga, J.L.Tecnologia da Informação.

Books, 2000.

Google Drive

Google Drive

Suggest Documents

Google Drive Datasheet.pdf - Google Drive

Google Drive - Installing Google Drive v2.pdf - Google Drive

New-Google-Drive-Cheat-Sheet.pdf - Google Drive

NEW Google Drive Cheat Sheet.pdf - Google Drive

Google Drive Essential Training.pdf - Google Drive

Valkyrie Drive ~Mermaid - Google Drive

Google Docs.pdf - Google Drive

Google+ Manual.pdf - Google Drive

Google Hummingbird.pdf - Google Drive

Slim Drive OWC.pdf - Google Drive

Blood Drive Form.pdf - Google Drive

Raid Drive Recovery.pdf - Google Drive

Google Drive

Google Drive

Google Drive

Google Drive

Google Drive

Google Drive

Google Drive

Google Drive

Google Drive

Google Drive

Google Drive

Google Drive