Tecnologias Analíticas 1 Tecnologias Analíticas Típicas 

Os  gestores  das  organizações  que  estão  a  planear  tornarem‐se  competitivos  na  componente  analítica  devem  estar  familiarizados  com  as  categorias  chave  das  ferramentas  de  software  analítico: 

• As folhas do cálculo, do Microsoft Excel, são as ferramentas analíticas mais comuns,  porque são fáceis de usar e reflectem os modelos mentais dos utilizadores. Analistas e  gestores  usam‐nas  como  o  último  passo  da  componente  analítica  antes  de  os  dados  serem  apresentados  num  formato  de  relatório  ou  gráfico  aos  decisores.  No  entanto,  muitos  utilizadores  usam  as  folhas  de  cálculo  para  tarefas  que  não  deviam,  o  que  conduz a erros e conclusões incorrectas. Mesmo usando, de forma correcta, as folhas  de cálculo estão sujeitas ao erro humano (mais de 20% das folhas de cálculo têm erros,  e  5%  têm  células  calculadas  de  forma  incorrecta).  Para  minimizar  estas  falhas,  os  gestores  insistem  em  começar  com  dados  precisos,  validados  e  com  utilizadores  que  tenham  as  competências  adequadas  e  experiência  para  desenvolverem  as  folhas  de  cálculo e modelos necessários para a monitorização e ou tomada de decisão. 

• Os  processadores  analíticos  on‐line  são  geralmente  conhecidos  pela  sua  abreviação,  OLAP, e são usados para decisões e análises semi‐estruturadas. Numa base de dados  relacional  (RDBMS)  os  dados  são  armazenados  em  tabelas  relacionais  de  forma  a  tornar eficiente a organização dos dados em sistemas transaccionais. No entanto, não  são eficientes para analisar dados em formato de vector (como é o caso da forma, em  célula, como os dados estão organizados numa folha de cálculo) ou linhas temporais. 

As  ferramentas  OLAP  foram  especificamente  desenhadas  para  problemas  multidimensionais.  Os  dados  são  organizados  em  cubos  (de  dados)  para  permitir  análises por tempo, pela geografia, por linhas de produto, entre outras. Os cubos de  dados  são  conjuntos  de  dados  que  assentam  em  três  ou  mais  variáveis  e  que  estão  preparados  para  “reporting”  e  análises,  estes  cubos  podem  ser  idealizados  como  folhas  de  cálculo  multidimensionais.  Enquanto  que  nas  folhas  de  cálculo  do  Excel  existe  um  número  finito  de  dimensões,  os  modelos  OLAP  não  têm  essa  limitação.  Como  resultado,  necessitam  de  competências  especializadas  para  serem  desenvolvidos,  ou  podem  ser  criados  por  “power  users”  que  estejam  familiarizados  com  as  suas  capacidades.  Ao  invés  das  tradicionais  folhas  de  cálculo,  as  ferramentas  OLAP têm de lidar com a proliferação de dados ou rapidamente os modelos se tornam  inviáveis. Para consultas (“queries”) complexas, as ferramentas OLAP têm a reputação  de produzir uma resposta em 0,1% do tempo que seria necessário para ser respondida  por um modelo relacional. A Business Objects e a Cognos são fornecedores que estão  entre os líderes de mercado nesta categoria.    • Os algoritmos quantitativos e estatísticos permitem que os gestores ou profissionais  na  área  da  estatística  possam  analisar  os  dados  de  forma  sofisticada.  Os  algoritmos  processam dados quantitativos para chegarem ao objectivo ideal como o melhor preço  ou  uma  quantidade  exacta.  Os  algoritmos  estatísticos  também  englobam  modelação  preditiva,  optimização  e  simulação.  Note‐se  que  no  inicio  dos  anos  70,  organizações  como a SAS e a SPSS introduziram no mercado aplicações informáticas que tornaram a  estatística mais acessível a todos.  

• Os motores de regras processam uma série de regras de negócio que usam instruções  condicionais  para  endereçarem  questões  lógicas.  Por  exemplo,  se  uma  pessoa  com  menos  de  25  anos,  sem  casa  própria  e  sem  ser  licenciado,  pretender  efectuar  um  seguro para uma mota, não será possível. Os motores de regras podem fazer parte de  uma  aplicação  automatizada  ou  proporcionarem  recomendações  para  quem  precise  de tipos de decisões muito particulares. 

• As  ferramentas  de  data  mining  assentam  numa  gama  que  vai  desde  a  aritmética  computacional à inteligência artificial, estatística, árvores de decisão, redes neuronais  e  teoria  de  Bayes.  O  seu  objectivo  consiste  em  identificar  padrões  em  conjuntos  de  dados  complexos  e  pouco  estruturados.  Por  exemplo,  a  empresa  Sprint  usa  a 

tecnologia  analítica  de  redes  neuronais  para  prever  quais  os  clientes  que  não  estão  dispostos a trocar o seu telefone da rede fixa por um telemóvel. 

• As  ferramentas  de  text  mining  podem  ajudar  os  gestores  a  identificarem  de  forma  rápida,  praticamente  em  tempo  real,  padrões  emergentes.  A  simples  contagem  da  mesma  palavra  ou  frases  em  websites  é  um  exemplo  simples  de  text  mining.  A  monitorização  de  blogs  técnicos  pode  ajudar  um  vendedor  a  reconhecer,  em  poucas  horas, que um novo produto tem defeito antes de começar a receber reclamações dos  clientes.  Outros  produtos  de  text  mining  podem  reconhecer  referências  a  pessoas,  lugares,  objectos  ou  tópicos  e  usarem  esta  informação  para  desenharem  inferências  acerca do comportamento da concorrência. 

• As  ferramentas  de  simulação  modelam  os  processos  de  negócio  através  de  um  conjunto de funções matemáticas, cientificas, de engenharia e financeiras. Assim como  os  sistemas  de  desenho  assistido  por  computador  (CAD)  que  são  usados  por  engenheiros para modelar e desenhar um novo produto, as ferramentas de simulação  são usadas em bastantes áreas como a engenharia, a investigação e desenvolvimento  (ID), entre outras. As simulações podem ser usadas como dispositivo de formação de  forma  a  ajudar  os  utilizadores  a  compreenderem  as  implicações  da  alteração  de  um  processo  de  negócio.  Também  podem  ser  usadas  para  ajudar  a  verificar  o  fluxo  de  informação ou produtos, como por exemplo, ajudar os funcionários das organizações  de  saúde  a  decidir  para  onde  é  que  devem  enviar  os  órgãos  doados  de  acordo  com  certos critérios que englobam o tipo de sangue e as limitações geográficas. 

9.2.5.2 Tecnologias Analíticas Emergentes 

Existem  algumas  tecnologias  analíticas  que  no  futuro  próximo  irão  ter  um  papel  importante  nas organizações, a ver:     • A categorização de texto é um processo que usa modelos ou regras de estatística para  atribuir uma taxa à relevância de um documento para um certo tópico. Esta tecnologia  pode ser usada para avaliar de forma dinâmica os produtos dos seus concorrentes nos  seus websites.    • Os algoritmos genéticos são uma classe estocástica de métodos de optimização que  usam  os  princípios  da  reprodução  genética  natural  (“crossover”  ou  mutações  de 

estruturas  de  DNA).  Uma  aplicação  comum  consiste  na  optimização  de  rotas  de  distribuição de produtos alimentares. 

• Os  sistemas  inteligentes  (“expert  systems”)  não  são  uma  tecnologia  nova,  mas  têm  vindo a amadurecer com a idade. Aplicações especializadas de inteligência artificial são  capazes de disponibilizar conhecimento a quem toma decisões. 

• O  audio  e  video  mining  são  parecidos  com  as  outras  ferramentas  de  text  ou  data 

mining, no entanto, procuram padrões em áudio (som), vídeo ou imagens. 

• A swarm intelligence esta é utilizada para aumentar o realismo das simulações e para  compreender  os  efeitos  dramáticos  das  alterações  de  baixo  nível  num  sistema.  Esta  tecnologia pode ser observada nas sociedades complexas de formigas e abelhas.    

• A extracção de informação tem como função extrair conceitos como nomes, entidades  geográficas  e  relacionamentos  de  grandes  quantidades  de  dados  (normalmente  textuais) não estruturados.