INTELLIGENCENOCHÃO-DE-FÁBRICA
MarcosRobertoFortulan TecumsehdoBrasilLtda, RuaCel.JúlioAugustodeOliveiraSalles,478,CEP13570-900,SãoCarlos,SP, e-mail:fortulan@tecumseh.com.br
EduardoVilaGonçalvesFilho EscoladeEngenhariadeSãoCarlos,EESC, DepartamentodeEngenhariaMecânica,UniversidadedeSãoPaulo, Av.Dr.CarlosBotelho,1465,Centro,CEP13560-250,SãoCarlos,SP, e-mail:evila@sc.usp.br
1ªVersãoRecebidaem24/6/2003 2ªVersãoRecebidaem23/7/2004 Aceitoem25/2/2005
Resumo
Aevoluçãodochão-de-fábricatemsidosignificativanasúltimasdécadas,quandograndesinvestimentostêmsido realizados em infra-estrutura, automação, treinamento e sistemas de informação, transformando-o numa área es-tratégicaparaasempresas.Ochão-de-fábricagerahojegrandequantidadededadosque,porestaremdispersosou desorganizados,nãosãoutilizadosemtodooseupotencialcomofontedeinformação.Comvistasnessadeficiência, estetrabalhopropõeaimplantaçãodeumsistemadeBusinessIntelligencepormeiodousodeferramentasdeData Warehouse e OLAP (On-Line Analytical Processing), aplicadas especificamente ao chão-de-fábrica. O objetivo é desenvolverumsistemaqueutilizeosdadosresultantesdoprocessoprodutivoeostransformeeminformaçõesque auxiliemogerentenatomadadedecisões,deformaagarantiracompetitividadedaempresa.Umprotótipofoicons-truídocomdadossimuladosparatestaraproposta.
Palavras-chave:sistemadeapoioàdecisão,businessintelligence,datawarehouse,OLAP,chão-de-fábrica.
v.12,n.1,p.55-66,jan.-abr.2005
1.Introdução
Ochão-de-fábrica,comoconhecemoshoje,começou a delinear-se após a Revolução Industrial. Antes dela, a produção de bens se dava, basicamente, por meio de pequenasoficinas,quetinhamcomoumacaracterística importanteofatodequeoconhecimentoarespeitodo produtofinalecomofazê-loestavaassociadoàqueleque efetivamentefabricavaoproduto,ouseja,aoartesão.
Abuscaincessantedohomempormelhorescondições de vida, aliada ao desenvolvimento tecnológico, gerou novasnecessidadesarespeitodequalidade,quantidadee preçodosprodutos,oquefezaantigaoficinadarlugarao quechamamoshojedeindústria.Nasindústrias,umcon-juntodehomensemáquinaspassouaocuparummesmo espaçonachamadaproduçãoseriada,ecomelaocorreu a transferência da habilidade de fabricação do homem paraamáquina.Comaindústria,oconhecimentosobre oprodutofinalfoiseparadodaquelequeoproduzia.Essa
separaçãodeuorigemaumanovaclassesocialemsubs-tituiçãoaoartesão,oproletariado,eaumanovaáreaem substituiçãoàsoficinas,ochão-de-fábrica.
deinformações,podemterumgrandealiadosedispuse-remdeferramentasparaprocessarosdados.
Essesdadostêmpoucautilidadeemseuestadobruto, por isso precisam ser tratados e interpretados para que deles seja possível tirar informações e conhecimento. Para tal, existem hoje diversas ferramentas específicas e disponíveis comercialmente. Empresas do mundo da TecnologiadaInformação,comoOracle,IBM,Seagatee Microsoft,oferecemsoftwaresquepodemserajustados àsnecessidadesdecadausuáriooucorporação.Estaárea vemhojesendotratadacomoSistemasdeApoioàDeci-são(SAD)ouBusinessIntelligence(BI),termoquevem sendomaisexploradoultimamente.
Atualmente,asprincipaisaplicaçõesdeBI sãoencon-tradasnasáreasdefinanças,marketingeatendimentoao cliente,maciçamenteconcentradasembancos,segurado-raseempresasdecomércio.É,portanto,exatamentepara essalacunaqueestetrabalhoestávoltado,ouseja,parao tratamentodosdadosdochão-de-fábricaporintermédio deumaferramentadeBI.
Apropostaéapresentadanodecorrerdestetrabalho, aolongodemaisquatroseções.Aseção2temcomoob-jetivointroduziroconceitodosSistemasdeInformação e sua importância, destacando características como fle-xibilidade e integração, pois o BI passa a ser mais um elementodestesistemaaolado,principalmente,dossis-temas ERP (Enterprise Resource Planning).A seção 3 fazumarevisãosobreosconceitosdeBusiness Intelli-genceeSistemasdeApoioàDecisão,destacandosuas ferramentasmaisrecentes:DataWarehouse, OLAP(On-Line Analytical Processing),Data Mining e Web-Busi-nessIntelligence.Naseção4édiscutidaapropostadoBI especificamente para o chão-de-fábrica, é sugerido um modelo dimensional de banco de dados e são detalha-das suas tabelas de Fato. Também são apresentadetalha-das na seção4acapacidadedosistema,aslimitaçõesedecisões quedevemsertomadasantesdeseiniciaroprojeto.Por fim,naseção5,faz-seumaconclusãoutilizando-seuma situação hipotética para discutir a viabilidade e ganhos potenciaisdaproposta.
2.Sistemasdegestãodainformação
Todas as empresas têm enfrentado nos últimos anos um grande aumento na quantidade de informações den-troeforadelas,sejaparacontrolarseusprocessosinternos - manufatura, contabilidade, custos, logística, comercial, projeto-sejapararelacionar-secomasociedade,clientes efornecedores.Todaestaestruturaésuportadapelossiste-masdeinformaçõesexistentesnaorganização,queguiam todasasatividadesdaempresae,porisso,pode-sedizer queosucessodeumaorganizaçãoestáestreitamenteliga-doaosucessodoseuSistemadeInformações(SI).
OpapeldoSIsofreuumamudançadramáticaaolongo
dasúltimastrêsdécadas,passandodeumapassivafer-ramenta de automação ou argumentação, para um dis-positivoestratégicoecompetitivodetransformaçãodas estruturasorganizacionais(LeeeKimapudAvisonetal., 1999, p. 421). Hoje é imprescindível que esse sistema sejaflexíveleintegrado,paraquesepossibiliteeditarou incluirnovosprocessossemcomprometerodesempenho daquiloquejáestáemfuncionamento,noqualtodasas áreasdaorganizaçãoestejamenvolvidas,canalizandoas informaçõesessenciaisparatodososníveisquedelasne- cessitem,levandotodosàotimização.Énecessário,por-tanto, que, ao incluir um novo componente no SI, este sejaflexíveleseintegrecomosdemaiscomponentes,o quevaleparaosBI.
NãoépossívelcitarumSIideal,geralouúnicopara qualqueratividadequeseja,pois,alémdaenormequan- tidadedesoluçõesdisponíveiscomercialmente,osdesen-volvimentosnãoparam,trazendonovosrecursosacada dia.Noentanto,aintegraçãoéumpontoemcomumen-tre todas as ferramentas que buscam colocar dentro de umúnicosistematodasasinformaçõesrelativasatodas asáreaseunidadesdaempresa,seusclientes,seusforne-cedores,inclusiveaWeb.
Aseguir,naFigura1,éapresentadoumSIgenérico, comoobjetivodemostrarofluxodosdadoseinforma-ções.Pelafigura,observa-sequeoERP alimentaosban-cosdedadosoperacionais,queporsuavezservirãode fontededadosparaoDataWarehouse.Noentanto,antes deseremcolocadosparadentrodoDataWarehouse,os dados devem ser tratados e processados. Uma vez po-voadooDataWarehouse,podem-seaplicarferramentas OLAPeDataMiningparaaobtençãodeinformaçõese, assim,teremosoambientedeBI.Nestafigura,embora nãosejamencionadaaintegraçãocomaWeb ,valeres-saltar que aWeb já está integrada a tais SI, como será abordadonaseção3,noassunto WebBusinessIntelligen-ce.Aseguir,éapresentadooconceitodeERP e,poste-riormente,naseção3destetrabalho,serãodiscutidosos conceitosdeDataWarehouseeDataMining.
Os ERP (Enterprise Resources Planning) são uma evolução dos sistemas MRP (Manufacturing Require-ments Planning) e MRP II (Manufacturing Resources Planning), dos quais um dos objetivos é consolidar as informações da empresa como um todo, agregando as funções de Planejamento e Controle da Produção, Pla-nejamento das Necessidades de Materiais, Cálculo da CapacidadedeProdução,ControledoChão-de-Fábrica, ControledeCompras,GerenciamentodeRecursosHu-manos,VendaseDistribuição,FinançaseControladoria, entreoutros,dentrodeumúnicosistema,eliminandoas-simadificuldadedeseobterinformaçõesconsolidadase ainconsistênciadedadosredundantesarmazenadosem maisdeumsistema(ZanculeRozenfeld,1999).
alimentarãooDataWarehouse,levando-seemcontaque esteéumsistemajácomumemempresasdegrandeporte oudeclassemundial.
3.OsnovosSistemasdeApoioàDecisão
(SAD)ou
BusinessIntelligence
(BI)
Paracompetirnomercadoglobaldehoje,asempresas precisamdetermaisconhecimentodoqueantigamentee, ainda,paraobtersucesso,elasprecisamsabermaissobre seusclientes,mercados,tecnologiaseprocessos,eprecisam teressasinformaçõesantesqueseusconcorrentes(Heinri-chseLim,2003).Terinformaçõesemmãoséumapoderosa ferramentaparaquemprecisatomardecisõese,tendoem vistaesseprincípio,asempresascomeçaramaextrairdados dosseussistemasoperacionaisearmazená-los,separados dosdadosoperacionais,dondesurgiramosSAD.
Shimetal.(2002)dizemqueosSADsãosoluçõescom-putacionaisdesenvolvidasparaapoiaratomadadedecisões complexasdurantearesoluçãodeproblemas.Ferramentas clássicasdeSADcompreendemcomponentesparageren- ciamentodesofisticadosbancosdedados,poderosasfun-çõesdemodelagemepoderosos,emborasimples,projetos deinterfacecomousuário,quepermitemtrabalharinterati-vamentecomquestões,relatóriosefunçõesgráficas.
CarlssoneTurban(2002)explicamqueotermoSAD, propriamentedito,temsidovistocadavezmenos,tan-toemrevistasquantoemWebsitesdevendas,enoseu lugartemsidocadavezmaisfreqüenteousodetermos comoBusinessIntelligenceeOLAP.Domesmomodo,
estes termos praticamente eliminaram o uso do termo EIS(ExecutiveInformationSystems).Poroutrolado,está crescendooreconhecimentodequeBIestásetornando umcomponentenecessárionachamadasegundageração dos sistemas ERP, que claramente reconhece a neces-sidade de dar suporte não apenas ao processamento de transaçõesoperacionais,mastambémaoprocessamento deanálises.
ComplementamGrigorietal.(2004)quecomdados limposeagregadossobreumdeterminadoprocesso,ar-mazenadosemumDataWarehouse,épossívelrealizar análisesutilizando-setecnologiasdeBI eextrairconheci-mentosobreascircunstânciasquelevaramadeterminado resultadonopassado,tenhaoresultadosidobomouruim. Assim,épossívelutilizaressasinformaçõesparaexplicar porquetaiscircunstânciasocorrerameparapredizerpo-tenciaisproblemasnosprocessosemandamento.
OsData Warehouses, OLAP,Data Mining e Web- SADsurgiramnocomeçodosanos90comonovasfer-ramentasparaSAD,eformamabasedossistemasdeBI (Shimetal.,2002).Estasferramentasserãodiscutidasna seqüência.
3.1DataWarehouse
Aolongodotempo,osbancosdedadosforamdesen-volvidos para fins de processamentos de dados opera-cionais e analíticos, havendo maior ênfase no primeiro caso,aindaqueambostivessemusuárioscomdiferentes necessidades. Uma vez compreendida essa diferença,
foramcriadosbancosdedadosseparadosparafinsana-MetadadosMetadados
Business Intelligence Data Mining
Data Warehouse
Metadados
OLAP ERP
Sistema de Gestão da
Empresa
Fonte de dados Operacionais
Fonte de dados Operacionais
líticos,chamadosdeDataWarehouse,explicamGraye Watson(1999).Éinevitávelaperdadeprodutividadee confiabilidadequandoosdadossãoretiradosdediversas fontesemsistemasdesintegrados;assim,oconceitode
DataWarehouse propicia integração e consolidação da informação.
Conforme Harding eYu (1999), oData Warehouse extrai, de uma maneira eficiente, informações valiosas dosbancosdedadosoperacionaisqueestãoespalhados portodaaempresaeque,certamente,contêmdadosdu-plicadosouparcialmenteduplicados.Porisso,antesde povoar oData Warehouse com os dados operacionais, estesdadosprecisamserpreparadosparaestaremaptos aseremquestionados,pesquisados,analisadoseapresen-taremconclusões.NasaplicaçõesdeBI,ofocoestámais voltadoparaastendênciaseagregaçõesdoqueparacada transaçãoindividual;portanto,osdadosarmazenadosde-vemoferecerníveisdeagregaçãoapropriados.
GrayeWatson(1999)destacamcomocaracterísticas destesbancos:
• Sãoorientadosadeterminadoassunto; • Sãointegrados;
• Nãosãovioláveis,ouseja,seusdadosnãosãoaltera-dos,sóincluídos;
• Representamumhistórico; • Sãocondensados;
• Representam um longo período de tempo (de 5 a 10anos);
• Nãosãonormalizados,ouseja,podemterdadosredun-dantes;
• Nãosãobaratosetêmimplantaçãodemorada;e • Sãograndesecontinuamcrescendoaolongodotempo.
Para o desenvolvimento de umData Warehouse, é utilizadaamodelagemdimensionaldebancodedados, cujarepresentaçãosedápormeiodochamadoesquema Estrela.Algumas vantagens deste modelo de banco de dadossobreosmodelosrelacionaisconvencionaispara aplicaçõesdeDataWarehousesãocitadasporPoeetal. (1998)eBispo(1998)edescritasabaixo:
• Permiteacriaçãodeumprojetodebancodedadosque fornecerárespostasrápidas,commenostabelaseíndices; • Permiteaoadministradordobancodedadostrabalhar
comprojetosmaissimpleseassimproduzirmelhores planosdeexecução;e
• Possui uma estrutura mais intuitiva, assemelhando o projetodobancodedadoscomaformacomoousuário finalpensaeusaosdados.
O modelo dimensional é composto basicamente por doistiposdetabelas:asdeFatoeasdeDimensão.As
primeirassãograndestabelascentrais,compostasbasica-mentedasocorrênciasdonegócio,porexemplo,vendas, produçãoedefeitos.Jáassegundasarmazenamasdes-crições do negócio, como dados sobre o produto (mar-ca,tamanho,categoria,preço),tempo(dia,mês,ano)ou cliente (nome, endereço, classe social). Cada tabela de Dimensãopossuiumaúnicachaveprimária,eoconjunto dessaschavesprimáriasformaráachavecompostadata-beladeFato.Cadanegócioouassuntopossuisuatabela deFatoesuasrespectivastabelasdeDimensão.
UmavariaçãodoesquemaEstrelaéoSnowflake,que consiste,narealidade,deumanormalizaçãodoprimei-ro.NoesquemaSnowflake,astabelasdeDimensãosão estruturadasdemodoqueatendamàterceiraformanor-mal,mantendoastabelasdeFatoemsuaestruturainicial. ValeressaltarqueousodoesquemaSnowflaketrazcomo desvantagensoaumentodacomplexidadedaestruturade dados,dificultandoacompreensãodomodeloporparte deusuáriosquetrabalhamdiretamentecomaestruturafí-sicadastabelas.Noentanto,ousodoSnowflakepodeser indispensávelemalgunscasosemque,porexemplo,o modelodesnormalizado(Estrela)requeiramuitoespaço emdiscoousuastabelasdimensionaissejammuitogran-des,prejudicandoodesempenhodosistema(Singh,2001 ePoeetal.,1998).AFigura2mostraoformatogeralde umesquemaEstrelaeumaderivaçãoSnowflake.
Muitoutilizadosemprojetos-piloto,existemtambém osDataMarts,que,conformeSingh(2001)define,são subconjuntosdoDataWarehouse daempresa-inteira.Ti-picamentedesempenhamopapeldeumDataWarehouse departamental,regionaloufuncional.Umaempresapode construir uma série deData Martsao longo do tempo e,eventualmente,vinculá-lospormeiodeum DataWa-rehouselógicodaempresa-inteira.
3.2On-LineAnalyticalProcessing(OLAP)
Bispo e Cazarini (1998) apresentam o OLAP como umaferramentacapazdeefetuaranálisesdedadoscom visãomultidimensionaldonegócio,comparando-ospor diversos ângulos.Aplicações que utilizam este tipo de ferramentadevemtercomocaracterísticas:
• Permitirvisãomultidimensionaldosdados; • Realizarcálculoscomplexos;
• Criaragregaçõeseconsolidações; • Fazerprevisõeseanálisedetendência; • Construircenáriosapartirdesuposições;e
• Fazercálculosemanipulardadosatravésdediferentes dimensões.
sumarizadosdentrodeestruturasmultidimensionaisdefi- nidaspordimensõesemedidas.Osbancosdedadosmul-tidimensionaisguardamasinformaçõesnumaespéciede cubodedimensão“n”,oqueresultaemdiversasmatrizes esparsas que permitem trabalhar simultaneamente com diversos cenários definidos por combinações de dados, comoprodutos,região,vendas,tempo,etc.Essescubos podem ser armazenados em modelos de bancos de da-dosROLAP(RelacionalOLAP ),MOLAP(Multidimen-sionalOLAP)ouHOLAP(HíbridoOLAP).Avantagem dosbancosdedadosmultidimensionaissobreosbancos dedadosrelacionaiséqueosprimeirosestãootimizados paraobtervelocidadeefacilidadederesposta,comple-mentamGrayeWatson(1999).
3.3DataMining
Conforme Bispo e Cazarini (1998), o objetivo desta ferramenta é extrair informações potencialmente úteis apartirdedados“crus”armazenadosemum DataWa-rehouse ouembancosdedadosdossistemasoperacio-nais, porém, preferencialmente nos primeiros, por já estarem consolidados. Para tal, utilizam-se técnicas so-fisticadas de procura, como algoritmos de Inteligência Artificial, Redes Neurais,Árvores de Decisões, Regras deIndução,ouainda,combinaçõesentreelas.
O resultado obtido pela aplicação doData Mining devesercompacto,legível(apresentadodealgumaforma
simbólica),interpretáveledeverepresentarfielmenteos dadosquelhederamorigem.Issoénecessárioporqueas pessoasnormalmenteestãomaisinteressadasemobtero conhecimentopropriamenteditodoqueosmodelosma-temáticos,afirmaBäck(2002).
3.4WebSADouWebBusinessIntelligence
Tanetal.(2003)eHenrichseLim(2003)destacam o recente desenvolvimento e crescimento do que pode serchamadodeWebBusinessIntelligence(WBI).WBI mesclaDataWarehousingesistemasdeBIcomasnovas tecnologias daWeb.AInternet, associada com as tec-nologiasdaWeb,temmudadoaformacomoaspessoas fazem seus negócios.AWeb é um modelo de sucesso, eseuambientedistribuídoeosWebbrowsersoferecem excelentes exemplos de como disporsoftware e acesso dedadosdentrodasorganizações.Asvantagensdouso desistemasdeBIbaseadosnaWeb,quandocomparados comossistemastradicionais,incluemfacilidadesdeuso, acesso universal às diversas plataformas, possibilidade deconfiguraçãoparadiversosníveisdeusuáriosecapa-cidadedetrabalhocomgráficos,sonsevídeosalémde textosenúmeros.
OsWeb-BI têm reduzido barreiras tecnológicas, tor-nando mais fácil e barato disponibilizar informações
relevantesparatomadasdedecisãoaosgerentesdacor-Esquema Estrela
Esquema Snowflake
Chave 1
Atributo Atributo
Atributo
Chave 2
Atributo Atributo
Atributo
Chave 4
Atributo Atributo
Atributo
Chave 3
Atributo Atributo
Atributo
Chave 1
Chave 2
Chave 3
Chave 4
Dados Dados Dados
Dados 1
N
1 N
N
N
1
1 Tabela de fatos Dimensão 1
Dimensão 3 Dimensão 4
Dimensão 2
Chave X
Atributo
Atributo N
1
Sub -Dimensão 4
poração,mesmoqueestesestejamgeograficamenteem localizações diferentes. ConstruirWeb-BI é uma tarefa complexa, pois deve considerar um sistema que esteja disponívelsetediasporsemana,vinteequatrohoraspor diaedevemanipularumgrandenúmerodesolicitações concorrentes(Shimetal.,2002).
Omodelopropostonaseção4nãoabordasuaaplica-çãonaWeb,porémaferramentautilizadanele,oAnalysis ServicesdoMicrosoftSQLServer2000,jáestápreparada paraestaintegração,tratando-seapenasdeumaquestão técnica.
4.Aplicaçãodo
BI
nochão-de-fábrica
–modeloproposto
Os dados gerados no chão-de-fábrica normalmente ficamespalhadospelosdiversosbancosdedadosopera- cionaisoudocumentosempapeldaárea,formadearma-zenagemquedificultaemmuitoarecuperaçãodosdados e o levantamento de comportamentos históricos. Essa éumasituaçãocríticaquandosetratadeprogramasde melhorias,comoosconduzidosporSeisSigma,FMEA (FailureModeandEffectsAnalysisouAnálisedoModo eEfeitodaFalha)ouPDCA(Plan,Do,CheckandAction ouPlanejar,Executar,VerificareAgir).Essesprogramas podem perder sua força por causa da dificuldade de se obterinformaçõessobrecondiçõespassadasefuturasem relaçãoàssuasimplementações.Issodificultae,àsvezes, atéimpossibilitaaanálisedaeficáciadasmudançasedos fatoresrelacionadosaela.Estefatoacabaprejudicandoo processodemudançaemsi,poisnãosãoconhecidosos benefíciosouprejuízostrazidospelasalterações.Éuma situaçãoquepodesermelhoradacomaimplantaçãodo modeloproposto,queaplicaoBInochão-de-fábrica.
OutragrandevantagemdossistemasdeBI ésuafaci-lidadeparatrabalharcomquestõesad-hoc ,poiséprati-camenteimpossíveldesenvolverumaaplicaçãoemque todososrelatóriosepesquisasdequeumgerentepossa precisarpararealizarseutrabalhoestejampresentes.Já ossistemasdeBIpermitemcriarfacilmenterelatóriose pesquisasespecíficasrelativasàsnecessidadesemergen-tesdecadagerenteoumomento.
4.1Trabalhandocombancosdedadosdo
DataWarehouseoudo
OLTP(Online
TransactionsProcessing)
Apropostadedesenvolvimentodeum DataWarehou-se podeassustarnumprimeiroinstante,dadasuacom-plexidade, custos e longo prazo de desenvolvimento. Realmente,antesdepartirparaaadoçãodequalquerfer-ramenta,éimportantesaberoquesedeseja.Ofocodeve estarvoltadoparaasinformaçõesdesejadas,enãopara atecnologiaqueseráutilizadaparaobtê-las.Sehouver dúvidasquantoàrelaçãoCustoXBenefíciodoprojeto,
talvezsejaaconselhávelmelhorarossistemasOLTP(On lineTransactionsProcessing)jáexistentesnaempresa,e nestesaplicarferramentasconvencionaisparaageração derelatórios,comooCrystalReports,Exceloumesmo ferramentasOLAP ,enquantoseanalisammelhorasso-luçõesbaseadasemDataWarehouses .Asopçõessãodi-versasedevemserpensadasantesdeseiniciaroprojeto. A principal vantagem dosDataWarehouses é que eles são bancos de dados projetados exclusivamente para a geraçãoderelatórios,poispossuempropriedadesespe- cíficasparaaanálisededados.Outravantageméalibe-raçãodossistemasOLTPparaarealizaçãoexclusivadas transações operacionais, que normalmente têm que ser executadason-lineefreqüentementetratamdiretamente comocliente,que,entreoutrascaracterísticas,nãogosta deesperar.Agora,umavezquesedecidepelaconstrução deumsistemaexclusivoparaapoiodatomadadedeci-são,osDataWarehouses,comcerteza,sãoopontofinal destaprocura.
Pode-seainda,antesdepartirparaodesenvolvimento deumDataWarehousecorporativo,trabalharcomData Marts,quesãosubconjuntosdeumDataWarehouse vol- tadosparaumadeterminadafunção,assuntooudeparta- mentoemparticular,quenopresenteartigoéochão-de-fábrica. OsData Marts são menores e de implantação mais rápida, e podem ser tratados inclusive como um projetopilotoparaqueaempresacomeceaconheceros benefíciosdestatecnologia.Assim,nesteprojeto,osda-dosdochão-de-fábricairãocomporumapartedosdados doDataWarehouse,ouseja,teremosumDataMart.
Deve-se,noentanto,tomarcuidadocomaprolifera-çãodosDataMartssemumsistemaqueosconsolide, entenda-seaquiumDataWarehouse,poisestessistemas rapidamenteestarãodesintegradose,juntodessadesin-tegração, trarão todas as conseqüências já citadas. Não háproblemasemsecomeçarpequeno,masnãosepode perderavisãodosistemamaior,oDataWarehouse cor-porativo,reforçaCoreyetal.(2001).ODataWarehouse normalmenteseinicianasáreasdemarketing,vendase finanças, pois nestas fica mais fácil justificar o investi-mento,umavezqueelasestãodiretamenterelacionadas comastransaçõesfinanceirasoucomosclientesdaem-presa.
4.2Desenvolvimentodosistemanochão-de-fábrica
Figura3.DataMartDesempenhomodeladonoAnalysisServices. têmcomoincumbênciarepresentarocusto,aqualidade
eoprazodochão-de-fábrica,oque,éclaro,serásenti-dopelocliente.Nestetrabalho,quandosefalaemcusto, deve-se entendê-lo como uma função direta da eficiên-ciaequalidadedaárea,poisnãoserátratadonesteData Martovalorfinanceirodosprodutosouprocesso.Jáo prazoestárelacionadoàeficáciadoatendimentodasda-tasdefabricação.
Paraarealizaçãodostestesdestemodelo,foiconstru-ídoumDataMartutilizando-seobancodedados Micro-softAccesseoAnalysisServices,softwarecomponente doMicrosoftSQLServer2000.Osexemplosdeanálise aqui apresentados foram realizados sobre oData Mart deDesempenho,comopodeservistonaFigura3.En-tenda-secomodesempenho,nestetrabalho,aquantidade produzida,aeficiênciaeaeficácia,sumarizadaspordata, célula,equipe,turnoeproduto.Nestatabela,aeficiência érelativaaoaproveitamentodamão-de-obra,eaeficácia érelativaaocumprimentodosprazosdeentregaprevis-tosnasordensdefabricação.
AtabelaFatodeDesempenhofoipovoadacomdados simulados,procurandoatingirumasituaçãorealbaseada naexperiênciadosautores.Suafinalidadeépermitirana-lisar a funcionalidade da proposta.A partir desteData Mart, foramconstruídosdoiscubos,sendoumparaPro- duçãoeoutroparaEficiência.Aflexibilidadeefacilida-dedaspesquisasquepodemserrealizadaspeloAnalysis Services sãobastanteamplas,possibilitandoumaferra-mentarealmenteútilparaatomadadedecisãodogerente daárea.PormeiodaFigura4podemosobter,porexem-plo,asseguintesinformações:
i. Aunidadebrasileiradogrupoproduz2,79vezesmais queaamericana;
ii.NoBrasil,porsuavez,aunidadedoRiodeJaneiroé maior,pelomenosemprodução,queadeSãoPaulo; e
iii.Dentreasáreasbrasileiras,aÁreaDéaqueestásendo maisutilizada,enquantoaÁreaBéaqueestá,teorica-mente,maisociosa.
Combinações entre as dimensões produto, equipe, turnoetempotambémpodemserrealizadasfacilmente dentrodestecubo,bemcomooperaçõesdedrill-down, drill-up,sliceanddice.Combasenessasinformações,o gerente pode decidir por redistribuir sua capacidade de produção entre suas unidades, áreas, turnos e equipes, considerando-se,porexemplo,ademandaexistenteem cadalocalidade.
em determinado turno, como alteração da temperatura ambiente.Combasenessasinformações,ogerentedeve pensaremaçõesqueminimizemseusefeitoserevertam num ganho de desempenho. Ou seja, o sistema não dá a resposta para o problema, mas sim gera informações sobrecomportamentosdaárea,queprecisarãoseranali-sadosporpessoalcompetenteecompoderdeação.Por isso,échamadodeumsistemadeapoioàsdecisões,re-querendoapresençadeumtomadordedecisão,nocaso aqui,ogerentedochão-de-fábrica.
Dentrodestemesmocubo,épossívelaindaverificar oqueacontececomaeficiênciadasequipeseversehá alguma variação quando ocorre a mudança de turnos, comomostradonaFigura6,outambémobservarsehá variaçãodaeficiênciaemfunçãododiadasemana,como aparecenaFigura7.Emambososcasos,caberáumaati-tude gerencial para verificar e resolver o porquê de as Figura4.CubodeProduçãoconstruídonoAnalysisServices.
i ii
iii
Figura5.CubodeEficiênciacomfoconoturnoecélula.
Comparação entre turnos Comparação de
turnos entre países
eficiênciasdasequipescaíremquandoasequipestraba-lhamno“TurnoA”(Figura6)ouoqueacontecedurante determinadodiadasemana,quandoaeficiênciaémenor (aFigura7mostraquenesteexemploestavariaçãonão ésignificativa).Deve-setomarcuidadoparanãoatribuir acausaaumadeterminadavariávelepenalizá-laquan-dooproblemapodeestaremoutra,porémofatoéque existeumproblema.Análisessemelhantespodemserfei-tastambémlevando-seemcontaoprodutooufamíliade produtosqueestãosendofabricados.Porfim,depossedo
DataMartpovoado,épossívelconstruircubosgeradores deinformaçõesquepermitirãoaogerentedirecionarsuas açõesdeformaamelhorarodesempenhodesuaáreae, também,acompanharoresultadodesuasações.
poisvisapossibilitarumaanálisecompletadocomporta-mentodaárea.EmboraosDataMartsecubosdomodelo completonãotenhamsidomostradosaquinestetrabalho, talmodelojáfoiimplementadoetestadono AnalysisSer-vicescomresultadosdedesempenhoiguaisaosobtidos
peloDataMartDesempenho.
As demais tabelas de Fato que compõem o mode-lo completo são: Medições, Qualidade, Horas-Perda e Evento.A tabela Medições tem o intuito de verificar a conformidadedoprocessoprodutivo,enelasãoregistra- dososvaloresdemediçõesrealizadasnoprocessoprodu-tivo,sumarizadaspordiadetrabalho,máquina,produtoe processodemedição.Cadaprocessodemediçãodaem-presadeveseridentificadopormeiodeumúnicocódigo quesirvaparatodaaempresaoucorporação.
ApartirdoDataMart montadosobreestatabela,apli-cando-se oAnalysis Services, podemos obter respostas paraperguntasdotipo:
• Qualocomportamentodamédia,desvio-padrão,máxi-moemínimodasmedidasde“Rugosidade”doproduto “A”,fabricadosnoanode2004na“MáquinaAA”,ao longodosmesesmêsamês?Estetipodeinformaçãoé
fundamentalparaaconduçãodeprojetosdeSeisSig-ma,PDCAeFMEA.
Na tabela de Fato de Qualidade serão registrados os dadosdosdefeitosesucatasdetectadosnoprocessopro-dutivo, normalmente obtidos pelos testes ou inspeções 100%.Nestecasonãosetratadevaloresvariáveis,mas simdeatributos,porexemplo,oxidação,trinca,queima, risco,nãoliga,etc.Osvaloresapontadossãodequantida-dededefeitosedefeitospormilhão(PPM),sumarizados pordata,célula,equipe,turno,máquina,produtoetipo dedefeito.Apartirdestatabela,épossívelverificarqual célula, equipe, turno, máquina ou produto geram mais defeitosequaisforamostiposdedefeitos.Pode-se,ain-da,montarumcuboquefaçaumacombinaçãoentreas váriasdimensõescitadasemaisasdatasdefabricação.
AquartatabeladeFatoéatabeladeHoras-Perda.Nela devemserapontadastodasasperdasdehorasdeprodução ocorridasporcausadeparadas,comomanutençõeseajus- tesemmáquinaseequipamentos.Alémdocódigodahora-perda,quedeveserúnicoparatodaaempresa,nestatabela tambéméapontadootempoperdido.Apartirdela,pode-se Figura6.CubodeEficiênciacomfoconoturnoeequipe.
descobrirqualcélula,equipe,turno,máquinaouprodutoge-rammaishoras-perda,equetiposdeperda.Issopermitirá aogerentesaberparaondedevedirecionarseusesforços.
Por fim, a última tabela de Fato deste modelo é a tabe-la de Evento. A intenção detabe-la é registrar todos os eventos que possam afetar os resultados de Medições, Qualidade, Desempenho ou Horas-Perda. Aqui é feita uma alusão à metodologia de identificação de causa-efeito conhecida como 6M, a saber: máquina, material, meio ambiente, mé-todo, medida e mão-de-obra. Assim, eventos observados como a introdução de um novo processo/máquina/mate-rial, ou o uso de um material suspeito, ou a introdução de equipes novas, ou a reforma de máquinas, ou a ocorrência de treinamentos, etc., deverão ser registrados. Essa prática visa sistematizar a forma de identificação e registro dos eventos, devendo estes ser apontados sempre pelo líder da equipe a cada ocorrência. A partir daí, será possível rela-cioná-los às demais tabelas de Fato do modelo.
A Figura 8 mostra o Data Mart completo para o chão-de-fábrica, o qual, conforme já citado, foi desenvolvido com o banco de dados Access, tirando-se proveito do seu
potencial de relacionamentos e edição dos bancos de da-dos. No entanto, o ideal para uma implementação numa situação real é a utilização de bancos de dados mais ro-bustos para aplicações corporativas, como o Microsoft
SQL Server ou o Oracle.
Paraseterumaidéiadapossibilidadedeconsultasdes- temodelo,bastacalcularquantascombinaçõesdecon-sultassãopossíveisdeseefetuarapartirdecadatabela deFatoemfunçãodeseusatributosevaloresmedidos:
• TabeladeMedições:4atributoseumvalor.
Cmedições = C4,1 + C4,2 + C4,3 + C4,4 = 15
• TabeladeQualidade:7atributosedoisvalores.
Cqualidade=C7,1+C7,2+C7,3+....+C7,7=127X=254 • TabeladeDesempenho:5atributosetrêsvalores.
CDesempenho=C5,1+C5,2+C5,3+C5,4+C5,5=31X3 =93
• TabeladeHoras-Perda:7atributoseumvalor.
CHorasPerda=C7,1+C7,2+C7,3+....+C7,7=127
• Total=489combinaçõespossíveis,istosemconsiderar ospossíveissubníveisdecadadimensão.
5.Conclusão
Ochão-de-fábricageraumagrandequantidadededa-dos no seu dia-a-dia, porém, eles, em grande parte das empresas,ficamespalhadosemdiversosbancosdedados operacionaisouemrelatóriosempapel,oquejádificulta suarecuperaçãohistórica,quantomaisaobtençãodein-formaçõesad-hocapartirdeles.Comoexemplo,imagine umaempresaqueproduza1000peças/horadistribuídas em 10 tipos de produtos diferentes, realize inspeções em10célulascom5postosdeinspeçãocada,trabalhe em2turnosde8horaseatinjaumarejeiçãointernade 1000PPM.Elaproduziráemtornode7056registrospor mês no chão-de-fábrica, conforme mostram as contas abaixo:
• Medições=1(medição)X10(células)X5(postos)X 2(turnos)=100
• Qualidade=1000(pç/h)X16(horaspordia)X1000 PPM=16
• Desempenho=10(células)X2(turnos)X 10(produ-tos)=200
• Eventos = 1 (evento significativo)X 10 (células)X 2(turnos)=20
• Totalderegistrospordia=336 * Totalnomês(21diasúteis)=7056
Comtalvolumededados,ficapraticamenteimpossível paraogerenteobterinformaçõesrelevanteseemtempo hábil,senãoestiverdisponívelumaferramentaquesiste-matizeeorganizearecuperaçãodosdados.Éjustamente paraestefocoqueestávoltadoesteartigo,quepropõea construçãodeumsistemadeBInochão-de-fábricapara administrartaisdados.Destaforma,foipropostoummo- delodebancodedadosquepodeserutilizadoporsiste-masdeBI disponibilizadoscomercialmenteporempre-sascomoIBM,Oracle,Microsoft,Seagate,entreoutras. NopresenteartigofoiconstruídoumDataMartdeuma empresa fictícia e utilizado oAnalysis Services do Mi-crosoft SQL Server. Por meio dos exemplos dos cubos montados,épossívelverificarafacilidadeeflexibilidade detaissistemasdeBI,conformeprometidonaliteratura. Sem dúvida, este sistema trará ao gerente um bom su-porteparaatomadadedireçõesembuscademelhores resultadosparaasuaárea.Seminformaçõescorretaseno momentocerto,nãoépossívelcontrolar;semcontrolar, nãoépossívelgerenciar;e,semgerenciar,nãoépossível melhorar(Kuengetal.,2001).
Opróximopassodestetrabalho,pretendidopelosau-tores,éaexploraçãodasfunçõesMDX(multidimensinal expressions)edasferramentasparaDataMining dispo-níveisnoAnalysisServices.Umaoutravantagemdouso doSQLServer2000équeseubancodedadosfacilitaráa integraçãoeincorporaçãodosdadoscomosdemaissis-temasOLTPouERPjáemfuncionamentonaempresa, poisapresentaumasoluçãoamplamenteaceitanosam-bientesempresariais.
AVISON,D.E.;CUTHBERTSON,C.H.;POWELL,P.The paradoxofinformationsystems:strategicvalueandlow status.JournalofStrategicInformationSystems,v.8, n.4,p.419-445,1999.
BÄCK, T.Adaptative business intelligence based on evo- lutionstrategies:someapplicationexamplesofself-ad-aptativesoftware.InformationSciences,v.148,n.1-4, p.113-121,may.2002.
BISPO,C.A.F.Umaanálisedanovageraçãodesistemas deapoioàdecisão.1998.165p.Dissertação(Mestrado em Engenharia de Produção) – Escola de Engenharia deSãoCarlos,UniversidadedeSãoPaulo,SãoCarlos, 1998.
BISPO,C.A.F.;CAZARINI,E.W.Anovageraçãodesiste-masdeapoioàdecisão.In:ENEGEP,18,1998,Niterói, RiodeJaneiro,Brasil.Anais...Niterói:ABEPRO,1998. CARLSSON,C.;TURBAN,E.DSS:directionsforthenext
decade.DecisionSupportSystems ,v.33,n.2,p.105-110,2002.
COREY,M.,ABBEY,M.;ABRAMSON,I.;TAUB,B. Or-acle8iDataWarehouse.1ed.RiodeJaneiro:Campus, 2001.817p.
GRAY, P.; WATSON, H. J.The new DSS: data ware-houses,OLAP,MDDandKDD.1999.Disponívelem: <http://hsb.baylor.edu/ramsover/ais.ac.96/papers/gray-wats.htm>.Acessoem:20março1999.
GRIGORI,D.,CASATI,F.;CASTELLANOS,M.;DAYAL, U.;SAYAL,M.;SHAN,M.C.BusinessProcessIntelli-gence.ComputersinIndustry,v.53,n.3,p.324-343, 2004.
HARDING, J. A.;YU, B. Information-centred enterprise designsupportedbyafactorydatamodelanddataware-housing.ComputersinIndustry,v.40,n.1,p.23-36, 1999.
HEINRICHS,J.H.;LIM,J.S.Integratingweb-baseddata miningtollswithbusinessmodelsforknowledgeman-agement.DecisionSupportSystems ,v.35,n.1,p.103-112,2003.
KUENG,P.;WETTSTEIN,T.;LIST,B.Aholisticprocess performanceanalysisthroughaperformancedataware- house.In:AMERICASCONFERENCEONINFORMA-TIONSYSTEMS,7,2001,Boston,Massachusetts,USA. Proceedings…Boston,2001.p.349-356.
POE,V.;KLAUER,P.;BROBST,S. Buildingadataware-housefordecisionsupport.2ed.UpperSaddleRiver -NJ:Prentice-HallPTR,1998.285p.
SHIM,J.P.;WARKENTIN,M.;COURTNEY,J.;POWER, D.J.;SHARDA,R.;CARLSSON,C.Past,present,and futureofdecisionsupporttechnology.DecisionSupport System,v.33,n.2,p.111-126,2002.
SINGH,H.S.DataWarehouse.1ed.SãoPaulo:Macron Books,2001.406p.
TAN, X.;YEN, D. C.; FANG, X.Web warehousing: web technologymeetsdatawarehousing. TechnologyinSo-ciety,v.25,n.1,p.131-148,2003.
ZANCUL,E.;ROZENFELD,H.SistemasERP.1999 .Dis-ponível em: <http://www.numa.org.br/conhecimentos/ ERP_V2.html>.Acessoem16nov2000.
APROPOSALFORAPPLYINGBUSINESS
INTELLIGENCEONTHESHOPFLOOR
Abstract
Significant advances have been made on the shop floor in recent decades, involving substantial investments in infrastructure,automation,trainingandinformationsystemswhichhavetransformedtheshopfloorintoastrategic areaforcompanies.Today,theshopfloorgenerateslargequantitiesofdata;however,becausetheyaredispersedor disorganized,thesedataarenotusedtothebestpossibleadvantageasasourceofvaluableinformation.Inviewof thisdeficiency,thispaperproposestheimplementationofaBusinessIntelligencesystem,usingDataWarehouseand OLAPtoolsspecificallyappliedtotheshopfloor.Ourobjectiveistodevelopasystemthatusesproductiondata,trans-formingthemintoinformationtoaidmanagersindecision-making,therebyenhancingthecompany’scompetitiveness. Aprototypeofthesystemwasbuiltwithsimulateddatatotesttheviabilityofthisproposal.