Tecnologia da Informação (TI)

Postar as novas Tecnologias da Informação em Gestão de Negócios.

Neste item o membro do blog será capaz de:

– Enumerar os fundamentos e as inovações tecnológicas geradas a partir de pesquisa em Sistemas de Informação. Terá uma visão geral sobre: a gestão e implantação dos modelos em sistemas de informação das organizações; Arquitetura integrada de sistemas; Sistemas de infra-estrutura; Sistemas para integração de aplicações empresariais.

– identificar quais os aspectos nas áreas de conhecimento, identificando o custo e valor da informação para organização, as vantagem competitiva e informação, a evolução dos Sistemas de Informação, a visão sistêmica nas áreas administrativa, financeira, comercial e produção, e por fim, na gestão empresarial. Apresentação de técnicas utilizadas em Tecnologia da Informação.

2 Respostas

  1. DATA MART

    Rosane Aparecida Braz, aluna.
    Rua Braz Wanka, 238, Vila Nova – CEP 89035-160, Blumenau – SC
    Email: rosaneabraz@gmail.com

    Universidade Regional de Blumenau – FURB
    Faculdade de Sistemas de Informação
    CEP: 89035-160 Blumenau/SC Brasil

    Resumo

    Muitas companhias ingressam num projeto de Data Warehouse focando necessidades especiais de pequenos grupos dentro da organização. Estes pequenos armazenamentos de dados são chamados de Data Marts. Um Data Marts é um pequeno Data Warehouse que fornece suporte à decisão de um pequeno grupo de pessoas.

    Palavras-chave

    Data Warehouse (DW);
    Data Marts (DM).

    1 Introdução

    Data Marts atende as necessidades de unidades específicas de negócio ao invés das da corporação inteira. Eles otimizam a entrega de informação de suporte à decisão e se focam na gerência sumarizada e/ou dados exemplificativos ao invés do histórico de níveis atomizados. Eles podem ser apropriados e gerenciados por pessoal fora do departamento de informática das corporações.

    2 Data Marts

    É subconjunto de dados de um Data Warehouse (armazém de dados). Geralmente são dados referentes a um assunto em especial (ex: Vendas, estoques, Controladoria) ou diferentes níveis de sumarização (ex: Vendas Anuais, Vendas Mensal, Vendas 5 anos), que focalizam uma ou mais áreas específicas. Seus dados são obtidos do Data Warehouse, desnormalizados e indexados para suportar intensa pesquisa. Data Marts extrai e ajusta porções de Data Warehouse aos requisitos específicos de grupos/departamentos.
    O Data Warehouse pode ser uma decisão estratégica, mas não pode ser encarado com imediatismo, ou seja, não é apenas algo que se realiza aos poucos, mas também é um processo contínuo de atualização e consolidação dos dados corporativos. Por isso, os investimentos em um sistema desse tipo não devem nem podem ser feitos de uma única vez, mas de forma gradual ao longo do tempo.
    No desenvolvimento de Data Marts (DM), o processo de modelagem de dados tem como necessidades básicas a integração de fontes heterogêneas e a apresentação de um bom desempenho nas consultas (Performance). Estas necessidades identificam diferentes requisitos quanto às estruturas que lhe dão apoio e a sua organização em repositórios de dados [1].
    Infelizmente, não existem regras bem definidas que orientem a construção de modelos de dados para o Data Marts.

    3 Objetivos de Data Marts

    É preciso ter em mente que as diferenças entre Data Marts são apenas com relação ao tamanho e ao escopo do problema a ser resolvido. Portanto, as definições dos problemas e os requisitos de dados são essencialmente os mesmos para ambos. Enquanto um Data Marts trata de problema departamental ou local, um Data Warehouse envolve o esforço de toda a companhia para que o suporte às decisões atue em todos os níveis da organização. Sabendo-se as diferenças entre escopo e tamanho, o desenvolvimento de um Data Warehouse requer tempo, dados e investimentos gerenciais muito maiores que um Data Marts.
    Os Data Marts têm diminuído drasticamente o custo de implementação e manutenção de sistemas de apoio à decisão e têm os posto ao alcance de um número muito maior de corporações.
    O Data Warehouse é normalmente acedido através de Data Marts, que são pontos específicos de acesso a subconjuntos do Data Warehouse. Os Data Marts são construídos para responder prováveis perguntas de um tipo específico de usuário. Por exemplo: um Data Marts financeiro poderia armazenar informações consolidadas dia-a-dia para um usuário gerencial e em periodicidades maiores (semana, mês, ano) para um usuário no nível da diretoria. Um Data Marts pode ser composto por um ou mais cubos de dados. Hoje em dia, os conceitos de Data Warehouse e Data Marts fazem parte de um conceito muito maior chamado de Corporate Performance Management. A garantia da integração e da consolidação dos dados no DM ou no DW é obtida através do emprego de metadados que permitem o gerenciamento e controle dos dados[2].

    4 Aplicabilidade de Data Marts

    Numa visão comparativa dos dados, onde consideramos os quesitos escopo, integração, tempo, agregação, análise e dados voláteis, percebemos que a diferença está no escopo, pois enquanto o Data Warehouse é feito para atender uma empresa como um todo, o Data Marts é criado para atender um subconjunto da empresa. Repare que atender um subconjunto da empresa pode significar reunir dados de outros setores, já que, na prática, raramente um único setor possui ou gera toda informação que precisa. Vem dessa observação a defesa da tese de que o Data Marts é construído após o Data Warehouse.
    Não se pode dizer que um Data Warehouse é um conjunto de Data Marts. Seria o mesmo que dizer que o armazém geral de um supermercado, aonde todos os itens vão antes de seguir para as lojas, é o agrupamento de supermercados.

    Foram aplicados 10 projetos de Data Marts que estão em fase de produção. Após a aplicação da métrica e da proposta foi necessário efetuar as comparações entre os resultados obtidos com relação ao tempo real dos projetos. Para isto foram utilizados os fatores de produtividade. Foi utilizada a quantidade de recursos efetivamente alocada nas equipes durante o tempo real de desenvolvimento [1].

    5 Conclusão

    Os departamentos autônomos e as pequenas unidades de negócio freqüentemente preferem construir o seu próprio sistema de apoio à decisão via Data Marts.

    6 Referências Bibliográficas

    [1] SILBERSCHATZ, Abraham; KORTH, Henry; SUDARSHAN, S. Sistemas de Banco de Dados. 3 ed. São Paulo: Makron Books, 1999.

    [2] TÚPUA, YVÁN. Inteligências Computacionais Aplicadas da PUC – Rio, 1999.

  2. DATA MINING

    Rosane Aparecida Braz, aluna.
    Rua Braz Wanka, 238, Vila Nova – CEP 89035-160, Blumenau – SC
    Email: rosaneabraz@gmail.com

    Universidade Regional de Blumenau – FURB
    Faculdade de Sistemas de Informação
    CEP: 89035-160 Blumenau/SC Brasil

    Resumo

    Data Mining permite a geração de regras de associação a partir de um conjunto de transações com itens em um banco de dados.
    A motivação por traz de um algoritmo que gera regras de associação relaciona-se com a grande quantidade de aplicações possíveis para estas regras. Questões a respeito das características de consumo sempre foram analisadas com o objetivo de maximizar não apenas a quantidade de vendas, mas também a quantidade de vendas de certos produtos.

    Palavras-chave

    Data Mining (DM);
    Knowledge Discovery Database (KDD.

    1 Introdução
    ]
    Um método eficaz para transformar dados em conhecimentos potencialmente úteis chama-se Knowledge Discovery Database (KDD). Ele foi proposto em 1989 e tem como principal etapa do Data Mining, que é justamente a fase que transforma dados em informações [1].

    2 Data Mining

    A mineração de dados ou data mining é o processo de extrair informação válida, previamente desconhecida e de máxima abrangência a partir de grandes bases de dados (Data Warehouse), usando-as para efetuar decisões cruciais [1].
    Esta tecnologia está sendo usada para descrever características do passado, assim como predizer tendências para o futuro. Sua utilização permite avanços tecnológicos e descoberta cientifica, além de garantir uma vantagem competitiva invejável. Data Mining é o processo de extrair informação válida, previamente desconhecida e de máxima abrangência a partir de grandes bases de dados, usando as para efetuar decisões cruciais. As informações obtidas no processo Data Mining, a partir da identificação de correlações, padrões e ou tendências indicam e permitem analisar não só o passado, mas inferir sobre o futuro. Data Mining vai além, como no garimpo, busca num universo vasto algo que está obscuro ou não aparente, a obtenção de uma melhor visão sobre a extensa base de dados e a revelação de relações implícitas e padrões entre os dados que nem sempre são visíveis através da simples observação [2].
    É a etapa-chave no processo de KDD. Pode ser considerado o núcleo do KDD, consistindo na aplicação de algoritmos de extração de padrões a partir dos dados armazenados. O KDD na área de Sistemas de Informação tem como objetivo o desenvolvimento e a validação de ferramentas capazes de extrair informações relevantes de uma coleção de dados. Após a extração dos dados das bases tradicionais, com limpeza e adaptação para a nova modelagem, as informações são carregadas no Data Warehouse. É valido ressaltar que as informações contidas no Data Warehouse devem ser o espelho das que saíram do sistema operacional.
    Todo erro ou alteração deve ser feito na base de dados tradicional. Também é importante salientar que os analistas responsáveis pela mineração dos dados devem ter uma participação ativa no processo de modelagem do Data Warehouse, visando uma melhor acomodação dos dados e uma boa performance quando iniciar a fase de garimpagem. Esta é a melhor parte de um projeto de KDD. Nela acontecem as consultas complexas a base de dados e também são desvendados relacionamentos até então escondidos no banco de dados, no intuito de permitir ao analista inferir regras ou comprovar hipóteses. Para isso existem duas linhas de técnicas, as estatísticas e as heurísticas. Os algoritmos utilizados na mineração seguem estes dois tipos de tecnologia ou utilizam um pouco de cada.
    Outro fator que somou bastante para aumentar o interesse pela mineração de dados foi o desenvolvimento das técnicas de machine learning, que seguem os conceitos das técnicas heurísticas, como redes neurais artificiais, algoritmos genéticos, entre outras que tornaram a descoberta de relações interessantes em bases de dados mais atrativas [2].
    Existem alguns obstáculos para se usar as ferramentas de Data Mining. Alguns deles são: Alto custo, necessidade de grandes volumes armazenados em servidores robustos e de alta performance, uso restrito a pessoas especializadas e a dificuldade em preparar os dados para a ferramenta.
    Três razões principais para desenvolver um projeto de Data Mining:
    1. Visualização de dados: O objetivo é qualificar o organizar os dados a serem trabalhados.
    2. Descobertas de novos conhecimentos: O objetivo é explicitar relacionamentos ocultos, padrões e correlações entre os diferentes dados existentes nos bancos de dados das organizações.
    3. Acuracidade dos dados: Muitas vezes, as organizações descobrem que seus dados são incompletos, errados ou contraditórios.

    3 Objetivos de Data mining

    O objetivo é identificar o conjunto de variáveis que levam a ocorrência do óbito e possibilite a geração de um modelo para auxiliar na sua prevenção. Para isso, segue as etapas definidas no processo de descoberta de conhecimento (KDD), no qual Data Mining está inserida. Tendo como objetivos:
    – Verificar a existência da associação entre óbito de crianças menores de um ano com os dados clínicos e epidemiológicos do nascimento e os dados sociais da mãe;
    – Aplicar técnicas de Data Mining na base de dados do Sistema de Informações sobre Nascidos Vivos, para descobrir as associações com as variáveis mais influentes na morte da população estudada.

    4 Aplicabilidade de Data Mining

    A aplicação propõe aplicar técnicas estatísticas e de Data Mining nos dados do SINASC do município de Florianópolis, no segundo ano de implantação, juntamente com as informações sobre mortalidade infantil [1].

    Aplicações em Ciência e Tecnologia

    Técnicas Data Mining estão encontrando padrões de estruturas moleculares, dados genéticos, mudança global no clima e na temperatura, etc. O NASA-Jet Propulsion Laboratory e Caltech,Inc. desenvolveram o SKICAT (SKY Image Cataloging and Analysis Tool), um avançado sistema Data Mining para analisar e catalogar automatizadamente descobertas do segundo Observatório Espacial Palomar. Ao término da primeira fase do projeto, o SKICAT terá observado e analisado o catálogo de mais de 50 milhões de galáxias, 20 bilhões de estrelas e cem mil quasars e pulsares. O observatório terá uma produção de cerca de 3 terabytes de dados, que serão garimpados e consequentemente sintetizados em um relatório rico em informações e descobertas. O programa SKICAT descobriu recentemente 9 novos pulsares. Com as técnicas de pesquisas que eram utilizadas anteriormente a descoberta de um número semelhante de pulsares levaria cerca de três anos. Com SKICAT, os astrônomos da Caltech realizaram esse feito em menos de seis meses e com um tempo de observação reduzido em relação ao que levaria sem o desenvolvimento Data Mining [2].

    5 Conclusão

    O processo de Data Mining em conjunto com a técnica de Data Warehousing é de grande valia para os grandes centros que necessitam melhor utilizar o imenso volume de informações armazenadas e ociosas em suas bases de dados. Todavia, estas organizações produtoras de conhecimento esbarram no custo monetário e computacional deste tipo de ferramenta, que exige uma boa performance da máquina na qual será utilizado o minerador e o desembolso de uma elevada quantia, que na maioria das vezes a relação custo x benefício não valida o uso.

    6 Referências Bibliográficas

    [1] Aurélio, Marco; Vellasco, Marlley; Lopes, Carlos Henrique. Descoberta de conhecimento e Mineração de Dados. Rio de Janeiro: Laboratório de Inteligência Computacional Aplicada da PUC Rio, 1999. 102 págs., (apostila).

    [2] GIMENES, Eduardo. Mineração de Dados. Taguatinga: Fatec, 2001 35 págs.
    (monografia apresentada para graduação em Processamento de Dados).

Os comentários estão desativados.

%d blogueiros gostam disto: