UNIVERSIDADE DO SUL DE SANTA CATARINA CÁSSIUS HENRIQUE LEMES
VICTOR ALMEIDA DE SOUZA
ANÁLISE EXPLORATÓRIA DE DADOS:
ESTUDO DE CASO DA REDE DE RESTAURANTES MIYOSHI
Palhoça 2008
CÁSSIUS HENRIQUE LEMES VICTOR ALMEIDA DE SOUZA
ANÁLISE EXPLORATÓRIA DE DADOS:
ESTUDO DE CASO DA REDE DE RESTAURANTES MIYOSHI
Trabalho de Conclusão de Curso apresentado ao Curso de Graduação em Sistemas de Informação da Universidade do Sul de Santa Catarina, como requisito parcial à obtenção do tí tulo de Bacharel em Sistemas de Informação.
Orientador: Aran Bey Tcholakian Morales
Palhoça 2008
CÁSSIUS HENRIQUE LEMES VICTOR ALMEIDA DE SOUZA
ANÁLISE EXPLORATÓRIA DE DADOS:
ESTUDO DE CASO DA REDE DE RESTAURANTES MIYOSHI
Este Trabalho de Conclusão de Curso foi julgado adequado à obtenção do título de Bacharel em Sistemas de Informação e aprovado em sua forma final pelo curso de Sistemas de Informação, da Universidade do Sul de Santa Catarina.
Palhoça, 2 de julho de 2008.
__________________________________________________ Prof. e orientador Aran Bey Tcholakian Morales, Dr.
Universidade do Sul de Santa Catarina
__________________________________________________ Prof. João Luiz Alkaim, Dr.
Universidade do Sul de Santa Catarina
__________________________________________________ Rosana Velasco Friedrich
AGRADECIMENTOS
CÁSSIUS:
Como não poderia deixar de ser, começo agradecendo aquele que tornou este trabalho possível, a mim. Graças a minha força de vontade e dedicação, consegui concluir mais esta etapa. Porém, outras pessoas foram fundamentais para isto.
Agradeço aos meus pais, Marcos Antônio Lemes e Sandra Helena da Silva por tudo que fizeram, fazem e farão por mim, sempre ao meu lado, mesmo quando não o fizera por merecer tal atitude.
Agradeço àquela que, muito antes de adentrar a esta jornada, já estava ao meu lado. Keilla de Souza Ferreira , obrigado pela compreensão, paciência e amor ao longo deste s anos todos.
Agradeço ao Senhor Londres Machado, pelas oportunidades e confiança despejada sobre mim.
Ao meu amigo Victor Almeida de Souza que foi um excelente parceiro no desenvolvimento deste trabalho, assim como foi durante toda vida.
Ao Prof. Aran Bey Tcholakian Morales pela excelente orientação e por todo conhecimento passado durante este período.
A todos os funcionários da Rede de Restaurantes Miyoshi, em especial para Rosana Friedrich (Marketing - Miyoshi), André Becker Testa (T.I - Miyoshi) e Rafael Augusto Nito (Gerência - Miyoshi) por todo auxílio e boa vontade demonstrados quando requisitados.
A toda Família Yamaguchi, minha segunda família, mas não menos importante. Aos meus cachorros, principalmente ao Simba Alface, por manterem o silêncio e a ordem durante o desenvolvimento deste trabalho.
VICTOR:
Aos meus pais, Nicéia Mara Almeida de Souza e Joceli de Souza, e à minha irmã Rafaela Almeida de Souza , pelo amor e dedicação constantes, proporcionados durante toda minha vida.
À minha namorada Pâmela Pereira de Oliveira, pelo amor e por me apoiar sempre. Ao meu amigo Cássius Henrique Lemes , por também ser um excelente parceiro durante toda a vida.
Ao meu orientador Aran Bey Tcholakian Morales , pelos conselhos e apoios valiosos e por nos ensinar a procurar os caminhos científicos a serem percorridos.
"Pobres de ti se pensas estar vencido. Tua derrota é caso decidido. Queres vencer, mas em ti não crês, tua descrença esmaga -te de vez." ANÔNIMO
“Somos o que repetidamen te fazemos. A excelência, portanto, não é um feito, mas um hábito.”
RESUMO
O presente estudo tem por finalidade analisar os dados dos clientes e os diversos formulários de opinião de uma empresa , para descobrir informações e conhecimento qu e auxiliem na busca de estratégias de melhoria no atendimento e relacionamento com o cliente , com aplicação na Rede de Restaurantes Miyoshi. Para tanto, contextualizou -se o trabalho com um acurado levantamento bibliográfico sobre gerência de relacionamento com o cliente e análise exploratória de dados. A metodologia utilizada foi a ICONIX, como modelo de proposta de solução. O exame dos resultados aponta algumas medidas de melhoria para aplicação no sistema, com informações úteis para a empresa até então desconhecidas.
Palavras-chave: Análise exploratória de dados. Data warehouse. Fidelização. Gerência de relacionamento com o cliente. Satisfação.
ABSTRACT
The present study it has for purpose to analyze the data of the customers and d iverse forms of opinion of a company, to discover information and knowledge that assist in the search of strategies of improvement in the attendance and relationship with the customer, with application in the net of Miyoshi restaurants. For in such a way, the work was contextualized with the accurate bibliographical survey on management of relationship with the customer and exploratory analysis of data. As a model of solution proposal it was used the I CONIX methodology. The examination of the results points some measures of improvement with respect to application in the system, with useful information for the company until then unknown.
Keywords: Exploratory analysis of data. Data warehouse. Fidelizing. Customer relationship management. Satisfaction.
LISTA DE FIGURAS
FIGURA 01: Esquema da solução proposta ... ... ... 15
FIGURA 02: Ferramentas para acompanhar e medir a sa tisfação de clientes ... 22
FIGURA 03: Comparação entre dados de natureza operacional e informacional ... 26
FIGURA 04: Dados, informação e conhecimento... ... 27
FIGURA 05: O ciclo de tratamento dos dados ... ... ... 30
FIGURA 06: Análise exploratória de dados versus estatística tradicional ... 31
FIGURA 07: ICONIX – Atividades da análise de requisitos ... ... 44
FIGURA 08: ICONIX – Atividades da análise e projeto prel iminar ... .... 45
FIGURA 09: ICONIX – Atividades do projeto ... ... ... 46
FIGURA 10: Diagrama de classes ... ... ... 47
FIGURA 11: Requisitos funcionais ... ... ... 48
FIGURA 12: Casos de uso ... ... ... .. 49
FIGURA 13: CSU001 – Extração, transformação e carga - ETL ... ... 49
FIGURA 14: CSU001 – Descrição... ... ... 50
FIGURA 15: CSU002 – Ferramenta de front-end... ... 50
FIGURA 16: CSU002 – Descrição... ... ... 51
FIGURA 17: Diagrama de robustez – ETL ... ... ... 51
FIGURA 18: Diagrama de robustez – Ferramenta de front-end ... ... 52
FIGURA 19: Diagrama de tabela de dados ... ... ... 56
FIGURA 20: Reformulação das tabelas de fid elidade... ... 57
FIGURA 21: Reformulação das tabelas de satisfação ... ... 57
FIGURA 22: Cadastro de clientes ... ... ... 58
FIGURA 23: Percentual de clientes por estado ... ... .... 59
FIGURA 24: Percentual de clientes por cidades de Santa Catarina ... ... 59
FIGURA 25: Percentual de clientes por bairros de Florianópolis ... ... 60
FIGURA 26: Percentual de clientes por bairros de São José ... ... 60
FIGURA 27: Percentual de clientes por bairros de Blumenau ... ... 61
FIGURA 28: Percentual de clientes por faixa etária ... ... 61
FIGURA 29: Percentual de clientes por ocupação ... ... 62
FIGURA 30: Média de idade por cidade ... ... ... 62
FIGURA 31: Evolução da fidelização ... ... ... 63
FIGURA 32: Média de gasto por loja ... ... ... 63
FIGURA 33: Evolução do faturamento ... ... ... 64
FIGURA 34: Faturamento mensal por ano ... ... ... 64
FIGURA 35: Percentual de gasto quinzenal ... ... ... 65
FIGURA 36: Faturamento por cidade... ... ... 66
FIGURA 37: Faturamento por cidade, por loja ... ... .... 66
FIGURA 38: Média de gasto por faixa etária ... ... ... 67
FIGURA 39: Percentual do faturamento por faixa etária ... ... 67
FIGURA 40: Formulário de satisfação ... ... ... 68
FIGURA 41: Tipo de propaganda ... ... ... 69
FIGURA 42: Qualificação geral ... ... ... 70
FIGURA 43: Qualificação dos clientes fidelizados e não fidelizados... ... 71
FIGURA 44: Média das qualificações por loja ... ... .... 71
FIGURA 45: Avaliação dos comentários ... ... ... 72
SUMÁRIO 1 INTRODUÇÃO ... ... ... ... 12 1.1 APRESENTAÇÃO DO PROBLEMA ... ... ... 12 1.2 JUSTIFICATIVA ... ... ... ... 13 1.3 OBJETIVOS ... ... ... ... 13 1.3.1 Geral ... ... ... ... 14 1.3.2 Específicos ... ... ... ... 14 1.4 PROPOSTA DE SOLUÇÃO ... ... ... 14 1.5 DELIMITAÇÃO ... ... ... ... 15 1.6 METODOLOGIA DA PESQUISA ... ... ... 16 1.7 ESTRUTURA DO TRABALHO ... ... ... 17 2 REVISÃO BIBLIOGRÁFICA ... ... ... 18
2.1 GERÊNCIA DE RELACIONAMENTO COM O CLIENTE ( CUSTOMER RELA-TIONSHIP MANAGEMENT - CRM) ... ... ... 18
2.1.1 Conceitos... ... ... ... 18
2.1.2 Objetivos ... ... ... ... 19
2.1.3 Satisfação e fidelização ... ... ... 21
2.2 ANÁLISE EXPLORATÓRIA DE DADOS ... ... ... 24
2.2.1 Dados, informação e conhecimento ... ... ... 25
2.2.2 Data warehouse (armazém de dados)... ... ... 28
2.2.2.1 Modelo dimensional ... ... ... . 28
2.2.2.2 Extração, transformação e carga - ETL ... ... ... 29
2.2.3 Análises estatísticas ... ... ... ... 31
2.2.4 On-Line Analytical Processing (OLAP) ... ... .... 32
2.2.5 Mineração de dados ( data mining)... ... ... 32
2.3 ANÁLISE EXPLORATÓRIA DE DADOS APLICADA À CRM ... .. 35
2.4 CONSIDERAÇÕES FINAIS DA REVISÃO BIBLIOGRÁFICA ... .. 38
3 MODELAGEM ... ... ... ... 39
3.1 INTRODUÇÃO ... ... ... ... 39
3.2 LINGUAGEM DE MODELAGEM UNIFICADA - UML ... ... 40
3.3 ICONIX ... ... ... ... 42
3.3.1 Análise de requisitos ... ... ... .. 43
3.3.2 Análise e projeto preliminar ... ... ... 44
3.3.3 Projeto ... ... ... ... 45
3.3.4 Implementação ... ... ... ... 46
3.4 MODELAGEM DO PROTÓTIPO ... ... ... 46
3.4.1 Análise de requisitos ... ... ... .. 48
3.4.2 Análise e projeto preliminar ... ... ... 51
3.4.3 Projeto ... ... ... ... 52
3.4.4 Implementação ... ... ... ... 52
3.5 CONSIDERAÇÕES FINAIS DA MODELAGEM ... ... 53
4 ESTUDO DE CASO: REDE D E RESTAURANTES MIYOSHI ... .. 54
4.1 A EMPRESA ... ... ... ... 54
4.2 ANÁLISE DOS DADOS ... ... ... 55
4.2.1 Análises de clientes fidelidade ... ... ... 58
4.2.2 Análises dos formulários de satisfação ... ... ... 68
5 CONCLUSÃO ... ... ... ... 75
5.1 TRABALHOS FUTUROS ... ... ... 76
5.1.1 Integração do Cartão Fidelidade versus Colibri Food... ... 76
5.1.2 Implementação de novos relatórios ... ... ... 76
5.1.3 Novo modelo de Formulário d e Satisfação ... ... 76
5.1.4 Aplicação de algoritmos de mineração de dados ... ... 77
REFERÊNCIAS ... ... ... ... 78
1 INTRODUÇÃO
1.1 APRESENTAÇÃO DO PROBLEMA
A situação da economia global e a grande competitividade têm tornado as empresas mais cautelosas em relação à fidelização de seus clientes.
A importância que as organizações dão ao atendimento do consumidor e à qualidade do que lhe é oferecido é cada vez maior , assim como a de manter-se atualizadas.
Os cuidados são redobrados na venda de seus produtos e serviços, através da elaboração de diferentes técnicas e métodos para obte nção de um maior grau de satisfação de consumidores.
Segundo Kotler (2000, p.58), s atisfação consiste na “sensação de prazer ou desapontamento resultante da comparação do desempenho (ou resultado ) percebido de um produto em relação às expectativas do comprador ”. Para ele, além de satisfazer as necessidades dos clientes, é preciso encantá -los.
Sabendo da importância de manter um cliente satisfeito, muitas organizações elaboram formulários para ter informações deles (clientes), suas preferências, reclamações e sugestões a respeito de produtos e serviços ofertados. Entretanto, muitas vezes, observa-se que os dados coletados não são aproveitados como deveriam, pois diversas informações essenciais p ara aprimoramento da empresa não são levadas em consideração, o que torna o sistema ineficiente.
Desta forma, este trabalho procurará responder à seguinte questão -problema: como converter os dados coletados – através de formulários de satisfação, cartões de fidelidade de clientes ou outras formas de opinião – em informações que possam auxiliar as organizações a entenderem melhor seus clientes e, a partir daí, oferecer serviços e produtos mais adequados às expectativas deles?
1.2 JUSTIFICATIVA
No ambiente competitivo da atualidade , a informação torna-se uma aliada indispensável para empresas que perseguem o sucesso. Consciente desse fato, procurou -se referenciar um conjunto de métodos, técnicas e ferramentas , responsáveis por transformar dados e informações em conhecimentos¹, com o objetivo de gerar benefícios às organizações.
O trabalho desenvolvido procura integrar a prática à teoria até hoje aprendida na Universidade do Sul de Santa Catarina – UNISUL, e possibilitar que os empresários tenham ciência da importância da informação e conheçam as vantagens que podem ser obtidas quando ela é tratada de forma adequada .
Dentre os benefícios e vantagens que o estudo possibilita à empresa, destacam-se:
Aumento do controle sobre as informações fornecidas pelos c lientes;
Maior aproveitamento dos dados;
Integração e relacionamento dos dados;
Visão dimensional das informações, o que facilita a análise; e
Possibilidade de elaboração de estratégias de m ercado mais apropriadas.
1.3 OBJETIVOS
Em seguida, serão apre sentados o objetivo geral e os específicos deste trabalho.
______________
1.3.1 Geral
Analisar os dados dos clientes e dos diversos formulários de opinião sobre os serviços e produtos de uma empresa, para descobrir informações e conhecimento , através de técnicas de análise exploratória de dados (AED)¹, que auxiliem na busca de estratégias para melhoria do atendimento e relacionamento com os clientes .
1.3.2 Específicos
Levantar as técnicas de AED mais adequadas aos dados disponíveis;
Coletar dados dos formulários de opinião dos clientes sobre serviços e produtos de uma empresa;
Levantar dados do cadastro dos clientes para complementar as informações dos formulários de satisfação e, com isto, enriquecer as análises;
Integrar os dados apurados em um único banco de dados;
Aplicar técnicas de AED para extrair informações e conhecimento úteis com a finalidade de melhorar o relacionamento com os clientes; e
Realizar um estudo de caso com a base de dados fornecida pela Rede de Restaurantes Miyoshi.
1.4 PROPOSTA DE SOLUÇÃO
Segundo Barbiere (2001), as empresas possuem uma grande dificuldade em gerenciar o grande volume de dados que adquirem hoje, tornando -se assim impotentes no processo de tomada de decisão.
______________
Para atingir ao objetivo, serão utilizadas técnicas de Business Intelligence (BI)¹, destinadas a melhor adequação específica dos dados, integrando-as de maneira estruturada em um repositório com as propriedades similares aos modelos dimensionais utilizados na construção de data warehouse (DW)².
Definido o banco de dados integrado, aplicar-se-á ferramentas de análise exploratória de dados (AED), para se obter informações e conhecimento d e interesse da organização.
As informações obtidas serão repassadas para o Analista de Negócios da empresa que, por sua vez, estudará propostas de melhoria e buscará estratégias de marketing, fidelização de clientes, aumento da performance de vendas, dentre outras.
FIGURA 01: Esquema da solução proposta
FONTE: Elaboração dos autores
1.5 DELIMITAÇÃO
O projeto abrange a definição e a construção de um data warehouse, e aplicação e elaboração de rotinas de suporte à decisão de mercado (extração, transfo rmação e carga – ETL).
Foram aplicadas ferramentas de análise exploratória de dados, porém técnicas de mineração e análises analíticas não.
______________
¹ Business Intelligence (BI), ou Inteligência de Negócios, é a busca de estratégias de competitividad e nos negócios de uma empresa através de variadas fontes de informação. (BARBIERI, 2001)
Os dados analisados no trabalho foram coletados até o dia 10/10/2007 .
Como ferramenta de front-end¹ foram utilizados os softwares MySQL-Front e Microsoft Excel 2007.
Foram analisadas somente as tabelas “ qwpurchase”, “qwcliente” e “opiniao”² da base de dados da Rede de Restaurantes Miyoshi , descartando todas as outras das análises.
Todo o estudo foi voltado somente para os usuários gerenciais.
1.6 METODOLOGIA DA PESQUISA
Segundo Silva & Menezes (2005), a classificação das pesquisas pode ser feita a partir de vários pontos de vista, no entanto destacam as quatro formas clássicas :
Quanto à natureza;
Quanto à forma de abordagem ;
Quanto aos objetivos; e
Quanto aos procedimentos técnicos .
O presente estudo, do ponto de vista de sua natureza, utilizou a pesquisa aplicada pois “objetiva gerar conhecimentos para aplicação prática e dirigidos à solução de problemas específicos”. Quanto à forma de abordagem do problema, é uma pesquisa qua ntitativa porque “considera que tudo pode ser quantificável, o que significa traduzir em números opiniões e informações para classificá -las e analisá-las”. (SILVA & MENEZES, 2005, p.20)
De acordo com Gil (1991, apud SILVA & MENEZES, 2005, p.21), do ponto de vista dos objetivos, a metodologia utilizada é a pesquisa exploratória, pois:
visa proporcionar maior familiaridade com o problema com vistas a torná -lo explícito ou a construir hipóteses. Envolve levan tamento bibliográfico; entrevistas com pessoas que tiveram experiências práticas com o problema pesquisado; análise de exemplos que estimulem a compreensão. Assume, em geral, as formas de Pesquisas Bibliográficas e Estudos de Caso.
______________
¹ Front-end é a parte do sistema de software que interage diretamente com o usuário.
Quanto aos procedimentos técnicos, pode ser tanto uma pesquisa bibliográfica, pois esta é “elaborada a partir de ma terial já publicado, constituído principalmente de livros, artigos de periódicos”, quanto um estudo de caso, que “ envolve o estudo profundo e exaustivo de um ou poucos objetos de maneira que se permita o seu amplo e detalhado conhecimento ”. (GIL, 1991, p.21)
1.7 ESTRUTURA DO TRABALHO
O primeiro capítulo apresenta uma introdução ao assunto pesquisado, contextualiza o tema, define o objetivo geral e os específicos e propõe uma solução para o problema em estudo.
Com a revisão bibliográfica, no capítulo se guinte, são fornecidos os conceitos de gerência de relacionamento com o cliente e de análise exploratória de dados, dentre outros.
No terceiro, é exposta a modelagem do protótipo construído.
Já no quarto, é feito um estudo de caso com os dados coletados na base de dados da Rede de Restaurantes Miyoshi.
O quinto e último capítulo traz as considerações finais, onde é apresentada a conclusão do estudo.
2 REVISÃO BIBLIOGRÁFICA
Neste capítulo serão apresentadas referências sobre gerência de relacionamento com o cliente (CRM), seus conceitos e objetivos . Também serão relacionados temas sobre satisfação e fidelização de cliente.
Outra abordagem é sobre análise exploratória de dados , aonde serão conceituados dados, informação e conhecimento. Alé m desse, data warehouse e seus processos de extração, transformação e carga (ETL). Por fim, análises estatísticas, algumas técnicas analíticas de processamento de dados ( OLAP) e mineração de dados farão parte deste capítulo.
2.1 GERÊNCIA DE RELACIONAMENT O COM O CLIENTE (CUSTOMER RELA-TIONSHIP MANAGEMENT - CRM)
Com o surgimento do computador, da flexibilidade das fábricas e do marketing de banco de dados, reduziu -se o custo de oferta de produtos a cada tipo de cliente. Já é possível realizar encomendas de peças de roupas específicas, sobre medida e únicas no mercado ou de um automóvel personalizado de acordo com o gosto do cliente. (KOTLER, 1999)
Após os anos noventa, nasce uma estrutura de conceitos capaz de estreitar a relação entre a empresa e o cliente, que busca conhecimento profundo de seus anseios, além de uma forma de serviços que visa satisfazê-lo antes que a concorrência o faça. Esse é o novo código deste início de milênio: C ustomer Relationship Management – CRM (gerência de relacionamento com o cliente). (BARBIERI, 2001)
2.1.1 Conceitos
Segundo Brown (2001, p.XXIII), o C ustomer Relationship Management – CRM (gerência de relacionamento com o cliente) “não é nem um conceito nem um projeto. Ao
contrário, é uma estratégia de negócios que visa entender, antecipar e administrar as necessidades dos clientes atuais e potenciais de uma organização”.
Greenberg (2001) afirma que o CRM é um sistema completo que, além de oferecer alternativas e métodos para fidelizar um cliente, auxilia na sua identific ação, conquista e manutenção, oferecendo uma visão exclusiva do cliente em relação à empresa como um todo.
Segundo Richers (2000, p.376) , o CRM é “uma estratégia de negócios projetada para elevar a lucratividade e a receita da empresa, por meio do aumento do nível de satisfação daqueles que utilizam os bens e serviços por ela comercializados”. Para o autor, o CRM colabora com a racionalização e fidelização de clientes por segmento de mercado.
A essência do conceito de CRM está no pleno conheci mento do perfil do consumidor, em que é possível a segmentação desta classe visando a probabilidade de negócios, melhoria no planejamento de campanhas e ações de marketing mais objetivas. (BARBIERI, 2001)
2.1.2 Objetivos
No momento em que um cliente busca serviços o u produtos de uma empresa, despertam-se expectativas que determinarão seu comportamento, de acordo com a experiência vivida. No caso de a experiência ser positiva, fortalecerá sua fide lidade; se negativa, o levará à busca de serviços ou produtos oferecidos pela concorrência. A capacidade de identificar e gerenciar esse processo é a essência do CRM. (GREENBERG, 2001)
O CRM mostra com clareza o processo interativo que converte informações sobre os clientes em relacionamentos positivos com os mesmos; denota a abordagem empresarial que objetiva entender e influenciar o comportamento dos clientes, através de comunicações significativas para melhorar as compras, a retenção, a lealdade e a lucratividade deles. (SWIFT, 2001)
A tecnologia CRM fornece uma infra -estrutura focada na manutenção da flexibilidade, tanto na forma de tratamento e do tipo de dado coletado, quanto nos métodos de acesso para fornecer informações no local certo, na hora certa, da maneira certa. Esta tecnologia é a integração entre o marketing e a informação, com o objetivo de munir a empresa de meios mais eficazes para permitir um maior conhecimento sobre o cliente. (BRETZKE, 2000)
Para Jamil (2001), o CRM visa analisar as maneiras de se coletar, classificar, processar e informar conhecimento sob re as reações, hábitos e preferências dos clientes.
Para Swift (2001, p.14-16), o objetivo do CRM é melhorar o processo de comunicação com o cliente certo, efetuando a oferta certa, através de um canal certo, no tempo certo. Segundo o autor, o CRM efetiva mente engloba a capacidade de uma organização para:
Descobrir clientes. Conhecer os mesmos.
Manter comunicações com eles.
Assegurar que eles recebam o que desejam da organização – não somente quanto ao aspecto do produto, mas em cada detalhe de como a org anização lida com eles. Verificar se eles recebem o que lhes foi prometido – certamente, desde que seja
lucrativo.
Assegurar que o cliente seja mantido – mesmo que o cliente não seja lucrativo atualmente, o objetivo é lucratividade a longo prazo.
Brown (2001) aponta algumas vantagens do uso do CRM em relação ao tradicional marketing de massa, como a redução de custos de propaganda, a diminuição do tempo entre o desenvolvimento e a comercialização de um produto, a focagem em clientes específicos, além da diminuição de gastos com clientes de baixo valor.
De acordo com Swift (2001), os benefícios do CRM podem ser encontrados em diversas áreas, tais como: redução do custo de vendas ; maior lucratividade por cliente ; retenção e lealdade dos clientes; melhores custos na conquista de novos clientes.
Brown (2001) divide o CRM em quatro tipos de programas , de acordo com a finalidade:
Reconquistar ou salvar: processo que visa convencer um cliente a se manter fiel à empresa ou a reconquistar ex -clientes;
Busca de clientes em potencial (prospecting): objetiva a busca de novos clientes, através de segmentação, seletividade e fontes;
Fidelidade: procura evitar o abandono de clientes utilizando segmentação com base no valor e de suas necessidades, além de dispositivos de previsão de desistência; e
Cross-selling / up-selling: tem por objetivo aumentar os gastos do cliente com a empresa através de ofertas complementares que ele gostaria de receber.
Swift (2001) expõe os principais objetivos e benefícios de um processo de CRM como a retenção, obtenção e lucratividade de clientes , afirmando que o CRM é composto por um ciclo de quatro processos, a saber:
Descoberta do conhecimento: identifica oportunidades de mercado e estratégias de investimento, através da análise das inform ações do cliente;
Planejamento de mercado: responsável por estabelecer ofertas específicas para os clientes, canais de distribuição, programas e dependências, o que permite desenvolver planos ou programas de comunicações estratégicas;
Interação com cliente s: de extrema importância, permite estabelecer e gerenciar comunicações com os clientes existentes e/ou potenciais , com informações e ofertas relevantes e convenientes; e
Análise e refinamento: compreende uma aprendizagem ininterrupta a partir de diálogos com os clientes, capturando e analisando os dados destas interações, para entender as respostas relativas aos estímulos fornecidos a eles.
2.1.3 Satisfação e fidelização
Segundo Kotler (2000), antes as empresas não se preocupavam em satisfazer seus clientes. Acreditavam que os mesmos eram garantidos, uma vez que não dispunham de alternativas de compra, em razão da deficiência dos concorrentes em geral. Já nos tempos atuais, com o aumento das abordagens por parte da concorrência, os clientes tornaram -se mais inteligentes, conscientes e exigentes.
Ao contrário do que aplicava, hoje é dada maior importância ao relacionamento com os clientes existentes, monitorando seus níveis de satisfação e aplicando -lhes ações que os estimulem. (KOTLER, 1999)
Para isto, profissionais de marketing, com visão empreendedora, estão se utilizando do gerenciamento de dados dos clientes potenciais e atuais para a obtenção de vantagens competitivas. (KOTLER, 1999)
Para Kotler (1999), é criada uma expectativa a partir de comentár ios de outras pessoas, das promessas do vendedor e da experiência de compras similares. O autor ainda afirma que, ao usufruir um produto ou serviço, o cliente poderá assumir cinco níveis de satisfação: muito satisfeito, satisfeito, indiferente, insatisfeit o ou muito insatisfeito.
A probabilidade de um cliente muito satisfeito retornar à empresa é bem maior do que um meramente satisfeito, uma vez que ele poderá experimentar outra empresa que lhe prometa satisfação igual ou maior. Já os demais níveis são cons iderados como clientes perdidos pela empresa. (KOTLER 1999)
Segundo Kotler (2000), a satisfação dos clientes, para algumas empresas, é ao mesmo tempo uma meta e uma ferramenta de marketing. Empresas que atingem altos índices de satisfação fazem questão que seu mercado alvo saiba disso. Na FIGURA 02, o autor descreve quatro métodos utilizados pelas empresas para acompanhar a satisfação dos clientes .
FIGURA 02: Ferramentas para acompanhar e medir a satisfação de clientes
Sistemas de reclamações e sugestões
Organizações centradas no cliente facilitam o recebimento de sugestões e reclamações, oferecem formu lários para que seus clientes relacionem os itens de que gostaram e de que não gostaram , criam sistemas de ligações gratuitas, utilizam páginas web e e-mail, para facilitar a recepção e resposta das comunicações, entre outros, o que permite agir com rapidez na solução de problemas.
Pesquisas de satisfação de clientes
De acordo com alguns estudos , os níveis de reclamação não são uma boa medida de satisfação, visto que, apesar da insatisfação, menos de cinco por cento dos clientes reclamam. A maioria deles simplesmente passa a comprar menos ou muda de fornecedor. Algumas empresas enviam questionários, telefonam aleatoriamente para clientes recentes ou solicita m opiniões dos compradores quanto ao desempenho da concorrência, para medir a satisfação de forma direta.
Ao coletar dados de satisfação de clientes, é útil medir também o nível da intenção de recompra, que normalmente será alto se houver alto nível de satisfação de cliente. Recomenda -se ainda avaliar a probabilidade de esse novo cliente recomendar a empresa e a marca para outras pessoas, assim como sua disposição para isso. Um alto índice positivo de propaganda boca a boca indica que a empresa está produzi ndo alto nível de satisfação de clientes
Compras simuladas
As empresas podem contratar pessoas para se passar por compradores potenciais, a fim de relatar pontos fortes e fracos vivenciados na compra de produtos da empresa e dos concorrentes. Esses compr adores misteriosos podem até testar se a equipe de vendas da empresa está preparada para lidar adequadamente com diversas situações. Assim, um comprador misterioso pode reclamar da comida de um restaurante para testar como o restaurante lida com esse tipo de reclamação. As empresas não devem se limitar a contratar compradores misteriosos. Os gerentes devem sair de suas salas de tempos em tempos, simular uma situação de compra tanto na sua empresa quanto nas concorrentes em que não são conhecidos e experimen tar em
primeira mão o tratamento que recebem como ‘clientes’. Uma variação
dessa ferramenta consiste em os gerentes telefonarem para sua empresa com perguntas e reclamações para verificar como os telefonemas são atendidos. Análise de clientes
perdidos
As empresas devem contatar clientes que deixaram de comprar ou que tenham mudado para outro fornecedor a fim de verificar por que isso aconteceu. Quando a IBM perde um cliente, ela empreende um esforço minucioso para descobrir onde errou. É importante não ap enas conduzir entrevistas de saída quando os clientes param de comprar, como também acompanhar o índice de perdas de clientes. Se estiver crescendo, é um claro indício de que a empresa não está conseguindo deixar seus clientes satisfeitos.
Para Kotler (1999), é importante que as empresas pesquisem periodicamente o Índice de Satisfação do Cliente (ISC), visando um aumento da fidelidade dos mesmos. Pesquisas apontadas pelo autor afirmam que noventa e cinco por cento dos clientes nã o reclamam por não saber como ou a quem reclamar, porém, quando reclamam e têm sua queixa atendida de forma satisfatória, tornam -se clientes mais fiéis do que outros que jamais ficaram insatisfeitos. Segundo Richers (2000, p.187), de oitenta a noventa por cento das empresas dos Estados Unidos se preocupam em:
conhecer melhor o grau de satisfação do consumidor com seus produtos, sua participação de mercado em relação a seus concorrentes, a forma como o setor segmenta o mercado, o grau de conscientização das marcas e as modalidades de comportamento de compra de seus clientes.
Estudos mencionados pelo autor apontam que um cliente insatisfeito pode repassar sua insatisfação para até onze pessoas, sendo que cada uma delas contará a terceiros, gerando assim um crescimento geométrico de clientes potenciais que terão ouvido comentários negativos sobre a empresa. (KOTLER , 1999)
As empresas devem estar cientes de que clientes podem se dizer altamente satisfeitos por motivos diversos. Um pode ser o tipo de pessoa que está sempre satisfeito e o outro pode ser uma pessoa realmente exigente que nes se momento ficou satisfeito. Além disso, devem considerar que vendedores e gerentes podem manipular índices de satisfação por saber em que estão sendo avaliados: podem fazer de t udo para agradar clientes na hora da pesquisa ou até mesmo excluir da pesquisa clientes insatisfeitos. (KOTLER, 2000)
Para Kotler (1999), nem todos os clientes têm a mesma importância e, em virtude disto, as empresas devem avaliar a lucratividade de cada u m deles. O autor cita uma regra freqüentemente adotada, que estabelece que vinte por cento dos clientes mais lucrativos são responsáveis por oitenta por cento dos lucros da empresa e trinta por cento dos menos lucrativos reduzem os lucros pela metade.
Nos anos oitenta, a palavra de ordem para as empresas era a satisfação do cliente. A preocupação em bem atender e superar as expectativas dos clientes era de todos. A crença era de que comprariam mais e com maior freqüência os clientes satisfeitos. Porém, pesquisas realizadas sugerem que altos níveis de satisfação não necessariamente se traduzem em compras regulares ou aumento de vendas. (GRIFFIN, 1998)
Para Gitomer (1998 apud KOTLER, 2000, p.68) “o desafio não é deixar os clientes satisfeitos; vários concorren tes podem fazer isso. O desafio é conquista r clientes fiéis”.
Chegou a era da fidelização, da customização, da sedução do cliente e da inteligência aplicada aos negócios (BARBIERI, 2001).
Machado (2000) afirma que os pontos pr incipais para um relacionament o diferenciado com o cliente devem ser centrados na identificação, diferenciação, interação e personalização do contato com o mesmo.
Para Barbieri (2001, p.12) , “é cinco vezes mais caro conquistar um novo cliente do que mantê-lo, e é nove vezes mais caro reconquistar um cliente perdido”. Já Kotler (2000) afirma que conquistar novos clientes pode custar até cinco vezes o valor para satisfazer e manter os já existentes, porque necessita de um grande empenho para estimular clientes satisfeitos a deixar de con tratar seus concorrentes.
Com o intuito de aumentar a fidelização de seus clientes, uma empresa pode criar programas de associação que gerem benefícios para os mesmos. Desta forma, os clientes associados ficarão relutantes em partir e abrir mão des ses benefícios, caso sejam suficientes. (KOTLER, 1999)
Algumas estatísticas mencionadas por Swift (2001) afirmam que um acréscimo de cinco por cento na taxa de retenção de clientes pode aumentar os lucros de uma empresa de sessenta a cem por cento. Para ele, os clientes fiéis que indicam a empresa a outros geram negócios a um custo muito baixo ou até mesmo sem custos.
Para Swift (2001), o segredo do sucesso de uma empresa não está somente em ter os melhores produtos ou serviços, a melhor publicidade, ou a melhor marca, mas sim ter os melhores clientes. A partir do momento que você conhece seus clientes, você pode suprir suas necessidades repetidamente e , pelo preço certo, conquista r sua lealdade.
2.2 ANÁLISE EXPLORATÓRIA DE DADOS
A análise exploratória de dad os neste estudo será voltada à área de Inteligência de Negócios (Business Intelligence - BI).
Para descobrir novas relações dos clientes não identificadas a olho nu , são utilizados alguns procedimentos, por meio da análise dos dados dos clientes encontrad os nos registros das empresas. Tais análises procuram encontrar pontos em comuns entre clientes, divididos por regiões, por data de compra, por faixa etária, etc. . Assim, podem-se descobrir alguns
fatores que determinem, por exemplo, a queda de vendas em d eterminada região e, posteriormente, tomar decisões para solucionar o problema detect ado.
2.2.1 Dados, informação e conhecimento
Dados, segundo O’Brien (2003, p.23), “são fatos ou observações cruz, normalmente sobre fenômenos físicos ou transações de negócios”; “são medidas objetivas dos atributos (as características) de entidades (como pessoas, lugares, coisas e eventos) ”. Para o autor, eles podem ter diversas formas , tais como textos, imagens, sons, entre outros.
Para Oliveira (2004, p.275), o dado “é qualquer elemento identificado em sua forma bruta que, por si, não conduz a uma compreensão de determinado fato ou situação”.
Machado (2000) define dado como um valor relativo à descrição de um objeto de interesse.
Para Inmon (1997, p.18) existem doi s tipos de dados: os primitivos (ou operacionais) e os derivados. Dados primitivos são ricos em detalhes, podem ser atualizados, possuem alta disponibilidade e são exatos em relação ao momento do acesso. Já os dados derivados, são resumidos ou refinados, n ão podem ser atualizados e representam valores de momentos passados ou instantâneos.
Stevenson (2001) divide os dados em quatro tipos:
Dados contínuos: podem assumir qualquer valor num intervalo contínuo. Ex.: altura, peso, velocidade;
Dados discretos: são valores inteiros resultantes da contagem do número de itens. Ex.: quantidade de café vendida por dia, gasolina vendida por hora, número diário de clientes;
Dados nominais: são relativos a categorias específicas onde é contado o número de observações referentes a elas. Ex.: sexo (masculino ou feminino), desempenho (excelente, bom, sofrível ou mau); e
Dados por postos: valores relativos com finalidade de denotar ordem. Ex.: primeiro, segundo, último.
Já Barbieri (2001), define a natureza dos dados como o peracionais e informacionais :
FIGURA 03: Comparação entre dados de natureza operacional e informacional
Características Dados operacionais Dados informacionais
Conteúdo Valores concorrentes Valores sumariados, calculados,
integrados de várias fontes Organização dos dados Por aplicação/sistema de informação Por assuntos/negócios
Natureza dos dados Dinâmica Estática até o “refreshment” dos
dados Formato das estruturas Relacional, próprio para computação
transacional
Dimensional, simplificado, próprio par atividades analíticas
Atualização dos dados Atualização campo a campo Acesso sem update
Uso Altamente estruturado, processamento
repetitivo
Desestruturado, com
processamento analítico/heurístico Tempo de resposta Otimizado para 2 a 3 segundos Análises mais complexas com
tempos de respostas maiores FONTE: Barbieri (2001, p.47)
Os dados, quando não processados, muitas vezes podem não possuir sentido e , em grandes quantidades, podem gerar confusão. Isto acontece, pois a mente não é capaz de compreender a variedade e os detalhes inerentes a grandes conjuntos de números. O processamento converte dados em informação eliminando detalhes menores e destacando os aspectos mais importantes de forma organizada e consistente. (STEVENSON, 2001)
Informação, para Oliveira (2004, p.276), “é o dado trabalhado que permite ao executivo tomar decisões”.
Segundo Bretzke (2000, p.101) , o data base “é particularmente importante nesse contexto, pois fornece, em tempo real, informações relevantes sobre os clientes atuais e potenciais, tais como: preferências, necessidades não atendidas, hábitos de compra e muitas outras que subsidiam a tomada de decisão referente à estratégia”.
Segundo Stevenson (2001), freqüentemente grandes conjuntos de dados podem ser reduzidos a algumas medidas numéricas que resumem todo o conjunto, facilitando assim seu manejo e compreensão, que, por sua vez, são fundamentais para aplicação de técnicas computacionais.
Para Kotler (1999, p.15 -16), existe uma enorme diferença entre dados, informações, conhecimento e sabedoria. “A não ser que os dados sejam processados em informações que, por sua vez, se transformem em conhecimento, que mais tarde se torne sabedoria de mercado, quase tudo é desperdiçado”.
Tendo conhecimento dos tipos de informações de que a e mpresa necessita, nasce a pergunta de como obtê -las eficientemente. Valiosas são as informações, mas têm um custo.
Empresas podem gastar fortunas adquirindo -as, sem conseguir extrair o conhecimento desejado. (KOTLER, 1999)
Dados são os componentes básicos , a partir do qual a informação é criada. Exemplo: nota fiscal número 1.040 emitida em 23.09.2003; foi cancelada em 30.09.2003; motivo: pedido entregue com atraso. Informação são dados com significado, inseridos num contexto. Exemplo: relação de notas fisc ais canceladas em setembro de 2003, agrupadas pelos respectivos motivos. Conhecimento é o que orienta as pessoas no uso da informação para que possam trabalhar. Exemplo: as causas mais expressivas de atrasos nas entregas devem ser evitadas a todo custo, e a organização deve aprender com tais erros, trabalhando para evitar cancelamentos e descontentamentos por parte dos clientes. (FILHO, 2004, p.11)
As armas competitivas do século XXI mais valiosas do que os recursos naturais, grandes empresas ou consideráv eis contas bancárias, são conhecimento e informação. Garantem o sucesso de quem as possui e utiliza melhor (em tempo e com boa qualidade) , em qualquer setor. (FILHO, 2004)
Existem dois tipos básicos de co nhecimento: técnico e sobre atributos. Com eles, é possível estabelecer uma espécie de foco, de acordo com a atividade desempenhada . (FILHO, 2004)
Segundo Filho (2004, p.63), para visualizar a evolução do dado em conhecimento, “é obrigatório o domínio dos significados de dado, informação e do próprio conh ecimento”, os quais podemos observar na FIGURA 04. Para o autor, “saber identificar as características de cada um, e como tratá-las, é o passaporte para o crescimento gradual”.
FIGURA 04: Dados, informação e conhecimento
Dado Informação Conhecimento
São simples observações sobre o estado do mundo
São dados dotados de relevância e propósito
É valioso na mente humana Facilmente estruturado Requer unidade de análise Inclui reflexão, síntese e contexto Facilmente obtido por intermédio
de sistemas
Exige consenso sobre o significado
De difícil estruturação Freqüentemente quantificado Exige necessariamente uma
medição humana
De difícil captura em máquina Facilmente transferível Transferível com uma certa dose
de esforço
De difícil transferência
Claro, apresentável Exige uma camada de
apresentação que formate -o em gráficos ou indicadores de desempenho
De difícil apresentação e compartilhamento
FONTE: Filho (2004, p.64)
Para atender às necessidades de se adequar às exigências do mercado, as empresas passaram a investir em soluções de forma a transformar dados em informação.
Posteriormente, para a obtenção de uma sucessão de idéias que auxiliem na tomada de decisão, é interessante a proposta de um projeto de data warehouse. Finalmente, interagindo com cada profissional dentro das empresas, consegue -se converter informação em conhecimento. (FILHO, 2004)
2.2.2 Data warehouse (armazém de dados)
Barbieri (2001, p.49) define data warehouse como “um banco de dados, destinado a sistemas de apoio à decisão e cujos dados foram armazenados em estruturas lógicas dimensionais, possibilitando o seu processamento analítico por ferramentas especiais (OLAP e mining)”.
De acordo com Inmon (1997, p.33), data warehouse é “um conjunto de dados baseado em assuntos, integrado, n ão-volátil, e variável em relação ao tempo, de apoio às decisões gerenciais”.
O data warehouse apresenta uma integração de dados consistente e precisa, para a realização de análises gerenciais estratégicas de uma empresa , feita a partir de fontes internas e/ou externas, sumarizando, filtrando e limpando os dados para uma futura análise e apoio à decisão. MACHADO (2000)
Para Machado (2000, p.11), o “principal objetivo do data warehouse é disponibilizar informações para o apoio à s decisões da empresa”.
Já Barbieri (2001, p.51) sugere que o objetivo do data warehouse é “armazenar os dados em vários graus de relacionamento e sumariação, de forma a facilitar e agilizar os processos de tomada de decisão por diferentes níveis gerenciais”.
2.2.2.1 Modelo dimensional
Segundo Filho (2004, p.175), “as técnicas de modelagem dimensional são voltadas exclusivamente aos projetos de data warehouse, ou sistemas para o ambiente de suporte à decisão”. Para o autor, a modelagem dimensional é projetada para tornar possível a
observação da mesma informação , por diferentes maneiras, pelos usuários do ambiente de apoio à decisão.
Segundo Machado (2000, apud ANTUNES & VIEIRA, 2006 ) um modelo dimensional possui três elementos básicos:
Fato: representa um negócio, utilizando medidas, e é implementado em tabelas denominadas tabela de fato ( fact tables); um item ou uma transação de negócio . São utilizados para analisar o processo de negócio de uma empresa;
Dimensões: elementos que participam de um ou mais fatos, ou assuntos de neg ócios; determinam um assunto de negócio, ou seja, um banco de dados que analisa vendas de produtos; e
Medidas: atributos numéricos que representam um fato; representam o desempenho de um indicador de negócios referente às dimensões que participam de tal fa to.
2.2.2.2 Extração, transformação e carga - ETL
“A inteligência de um data warehouse reside em seus programas de extração de dados.” O ETL - extração, transformação e carga ( que em inglês significa Extraction, Transformation and Load ) pode ser um aplicativo desenvolvido como suporte à decisão para o mercado. (FILHO, 2004, p.188)
Segundo Filho (2004), independente da solução aceita, para realizar o ETL deve -se respeitar algumas regras básicas de seqüência, freqüência e tipo de carga, atentando para a s necessidades de adaptações ainda que a escolha seja por um produto existente no mercado.
Para o autor, ao construir programas de ETL , algumas dificuldades são encontradas, como a grande variedade das fontes de dados, que na maioria das vezes encontram -se espalhadas dentro das organizações. Existem ainda três fatores a serem considerados : quantidade de tempo disponível para coleta, processamento e distribuição das informações.
O ciclo de tratamento de dados para o data warehouse é executado, principalmente, em três fases: (FILHO, 2004)
Extração: são obtidas informações dos sistemas transacionais com mínimo processamento possível, para que não haja impacto no desempenho (dos sistemas). As informações são depositadas em uma área especial do banco de dados do data warehouse, chamada de área de transformação. Eventualmente, há nesse ciclo alguns processos de transformação, que visam melhor adequar o dado captado do sistema transacional ao mecanismo que ocorrerá em seguida;
Transformação: utiliza informações captadas pela extração, criando tabelas que estão de acordo com as especificações contidas nos modelos do banco de dados do data warehouse, e aplica rotinas de transformação para uniformizar a informação; e
Carga em produção: os dados transformados são tra nsferidos para a área de produção, onde podem ser acessados pelos usuários do ambiente de suporte à decisão .
FIGURA 05: O ciclo de tratamento dos dados
FONTE: Filho (2004, p.190)
Em alguns casos, pode haver ainda uma quarta fase, conhecida como pós -produção, cujo intuito é semelhante à pós-produção cinematográfica: realiza ajustes finos nos dados, para atender demandas específicas. Como exemplo, tem-se a criação de tabelas auxiliares
atuando como filtro dos dados para bibliotecas de consultas, a fim de que usuários de filiais da empresa possam acessar as informações de forma segmentada. (FILHO, 2004)
O investimento de tempo e recursos na fase de captação deve ser o suficiente para transportar os dados, sem florear em demasia o processo. Na transformação , todo o trabalho pode ser considerado pouco, uma vez que é neste momento que os dados começam a se transformar em informação com valor agregado. Na fase de carga em produção, o esforço deve ser equilibrado para garantir a entrega das informações, em tempo, para os usuários. (FILHO, 2004, p.191)
2.2.3 Análises estatísticas
Para Spiegel (1994), a estatística diz respeito a métodos científicos para coleta, organização, resumo, apresentação e análise de dados, além de obtenção de conclusões válidas e na tomada de decisões baseadas nos resultados.
A palavra estatística pode ser descrita como um conjunto de dados numéricos ou um ramo da matemática que se ocupa da análise de dados levantados. As técnicas estatísticas associadas a programas específicos de comp utadores são importantes instrumentos na administração. (DOWNING, 2000)
Dados estatísticos são obtidos através de um processo que engloba a observação ou mensuração de itens. Conhecidos como variáveis, tendem a possuir um grau específico de variação, quando mensurados sucessivamente. (STEVENSON, 2001)
Para Triola (1999), análise exploratória de dados tem por objetivos tornar mais clara a descrição dos dados e atingir uma visão mais extensa d e sua essência. Na FIGURA 06, o autor faz uma comparação da análise exploratória de dados com a estatística tradicional em suas três principais áreas :
FIGURA 06: Análise exploratória de dados versus estatística tradicional Análise exploratória de dados Estatística tradicional
Explora os dados em um nível preliminar Confirma conclusões finais sobre os dados Poucas (ou talvez nenhuma) hipóteses são feitas
sobre os dados
Tipicamente, exige hipóteses muito importantes sobre os dados
Costuma exigir cálculos e gráficos relativamente simples
Em geral, os cálculos são complexo s e os gráficos desnecessários
2.2.4 On-Line Analytical Processing (OLAP)
Segundo Filho (2004, p.91), a tradução literal de On-Line Analytical Processing (OLAP) é “Processamento On-Line Analítico. São as ferramentas direcion adas aos usuários finais para acessar as informações do data warehouse (ou de suas fontes de dados), com os quais é possível gerar relatórios capazes de permitir a tomada de decisão ”. O autor expõe algumas ferramentas OLAP, cada qual com seu enfoque:
ROLAP – Relational On-Line Analytical Processing: utiliza os próprios sistemas gerenciados de banco de dados, através de tabelas implementadas com uma estrutura relacional básica. Oferece as vantagens dos sistemas gerenciados, mas exige esforços para o gerenciamento do desempenho, pois o tempo de resposta das pesquisas pode ser comprometido pelo excesso de tabelas;
MOLAP – Multi-dimensional On-Line Analytical Processing: parece-se com o modelo anterior por utilizar sistemas gerenciados, mas com ferramentas par a tratamento dimensional dos dados e características especiais de armazenamento;
HOLAP – Hybrid On-Line Analytical Processing: é um composto dos modelos ROLAP E MOLAP, com utilização de estruturas relacionadas para dados de maior granularidade e as dimensi onais para armazenar informações consolidadas; e
DOLAP – Desktop On-Line Analytical Processing: neste modelo, com o propósito de facilitar o desempenho, estruturas dimensionais ou multidimensionais são transferidas do data warehouse para a estação de traba lho do cliente, minimizando o tráfego na rede da empresa.
2.2.5 Mineração de dados (data mining)
A mineração de dados, segundo Carvalho (2001, p.7), consiste no “uso de técnicas automáticas de exploração de grandes quantidades de dados de forma a des cobrir novos padrões e relações que, devido ao volume de dados, não seriam facilmente descobertos a olho
nu pelo ser humano”. Para o autor, o data mining, quando colocado em prática , melhora a interação entre empresa e cliente, aumenta as vendas e conduz a s estratégias de marketing.
Para Swift (2001, p.97), mineração de dados “é o processo de extração e apresentação de novos conhecimentos, anteriormente não detectáveis, selecionados de bancos de dados para decisões que possam ser acionadas”.
Segundo Barbieri (2001), o data mining tem por objetivo melhorar o uso de uma imensa quantidade de informação, identificando padrões de relacionamentos, normalmente invisíveis em análises convencionais.
Já para O’Brain (2003), o data mining tem por finalidade identifica r fatores e tendências chaves nos padrões das atividades de negócios, através do processamento dos dados de um data warehouse. Por sua vez, seu resultado poderá auxiliar tomadas de decisões sobre mudanças estratégicas nas operações da empresa, buscando van tagens competitivas no mercado.
Para Filho (2004, p.257), data mining é uma técnica com o intuito de melhorar a tomada de decisões, buscando informações imperceptíveis às ferramentas tradicionais, gerando relatórios ou cubos de decisão. O autor faz a seg uinte definição científica:
um conjunto estruturado de processos de exploração e análise de grandes volumes de dados, por meio de métodos automáticos e semi -automáticos, com o intuito de descobrir e determinar padrões, tendências, relacionamentos e regras , que permitam converter tais dados em conhecim ento de alto valor estratégico.
O objetivo do data mining, segundo Filho (2004, p.258) é “automatizar ao máximo o processo de análise de informações contidas em um banco de dados, descobrindo correlações, associações, ausência ou presença e ciclos que, a princípio, são impossíveis de se enxergar a olho nu”.
Filho (2004) divide o data mining em três classes de atuação, cada uma com objetivos diferentes e, portanto, levando a resultados característicos:
Descoberta: o banco de dados é submetido a um exame em busca de padrões de comportamento ocultos, sem uma idéia ou hipótese predeterminada. Em grandes bancos de dados é difícil de se imaginar quais perguntas são necessárias para obtenção de certos padrões. Os di ferenciais apresentados aqui são a qualidade da informação libertada e a riqueza dos padrões que podem ser expressos e descobertos;
Modelagem de prognóstico : os padrões descobertos são usados para gerar previsões, permitindo ao usuário a criação de cenário s, com a inserção de valores hipotéticos para a execução do data mining. Enquanto o processo de descoberta busca padrões nos dados, a modelagem de prognóstico emprega tais padrões para delinear ambientes virtuais, simulando ações dos executivos;
Análise prévia: é o processo no qual os padrões extraídos são aplicados para descobrir anomalias ou elementos de dados raros. Para tanto, precisa -se primeiro detectar os dados que seguem um padrão para, a partir daí, ser possível identificar os que fogem dele.
Segundo Filho (2004), quando se fala em data mining, deve-se pensar em pesquisar o desconhecido. O objetivo é garimpar informações essenciais para determinadas decisões a serem tomadas dentro de uma empresa. Para o autor, is so só é possível com a utilização de algumas técnicas estatísticas, tais como:
Árvores de decisão; Retenção de dados; Destilação de padrões; Semelhança lógica; Regra indutiva; Algoritmos genéticos; Tabulação cruzada; Agentes; Redes de confiança; Aproximações equacionais ; e Redes neurais.
Para executar projetos de mineração de dados e alocar seus recursos, foi desenvolvida uma metodologia chamada de Cross-Industry Standard Process for Data Mining - CRISP-DM. Segundo tal metodologia, para atingir aos objetivos, podemos dividir a implementaçã o de um sistema de mineração de dados em seis fases interdependentes, as quais vão listadas a seguir: (FILHO, 2004)
Entendimento do negócio : é a fase inicial do projeto. Seu objetivo é iden tificar metas e requerimentos através de uma perspectiva de negóci o, convertendo-as para uma aplicação de mineração de dados;
Entendimento dos dados: a principal atividade é avaliar o ambiente onde se encontram e extrair uma amostra dos dados a serem utilizados;
Preparação dos dados: baseia-se na criação de programas de extração, limpeza e transformação dos dados para uso pelos algoritmos de mineração de dados;
Modelagem: seleciona o que será utilizado, com foco no processamento do modelo. Como determinados algoritmos necessitam dos dados em formatos específicos, causa alguns retornos à fase de preparação dos dados;
Avaliação do modelo: avalia os modelos com a visão do negócio, certificando-se da inexistência de falhas ou contradições e relação às regras do neg ócio;
Publicação: a validação e a criação do modelo torna m possível alcançar mais um passo, com intuito de tornar a informação gerada acessível, através de várias maneiras.
2.3 ANÁLISE EXPLORATÓRIA DE DADOS APLICADA À CRM
No mundo atual, quase tudo é copiável: equipamentos, produtos e procedimentos da concorrência. O que não se pode copiar são as informações e o capital intelectual das empresas, diferenciando-as umas das outras competitivamente. (KOTLER, 1999)
Espalhadas por inúmeros cantos e armazenadas de várias maneiras, as informações que as empresas reúnem sã o inimagináveis. O modo como são organizadas essas informações é que levam as empresas a encontrar com maior facilidade respostas a muitas perguntas e tomar decisões fundamentadas. (KOTLER, 1999)
Segundo Kotler (1999, p.100), os dois tipos de erros relacionados a informações que as empresas podem cometer são o de “reuni-las em quantidade excessiva ou insuficiente”.
Para Kotler (1999), as empresas são grandes depósitos de registros internos , ricos em informações de todos os tipos. De acordo com o autor, estas informações são utilizadas pelos gerentes para preparar previsões de vendas, distribuição orçamentária, balancetes e assim por diante.
Com informações detalhadas dos clientes, temos um banco de dados de grande importância, com características de cada u m, perfil e reações. Porém, muitas vezes , estas informações não se encontram disponíveis ao alcance de todos da empresa, pois ficam concentradas em determinadas pessoas, vendedores ou gerentes, muitas vezes sem acesso a outras áreas da estrutura, o que lev a à perda quando se afastam da organização (os colaboradores). Por tal razão, através de complexos sistemas de automação de vendas, muitas empresas captam os dados dos computadores dos vendedores e os concentram em um computador central. (KOTLER, 1999)
Para a coleta de informações são identificadas três abordagens: observações, dados secundários e dados primários. A observação normalmente não é capaz de produzir evidências fortes ou sistemáticas – para uso da pesquisa exploratória – mas colabora com o apren dizado dos gerentes. Dados secundários são os preexistentes coletados para outro propósito . O que se costuma é examiná-los, para tentar solucionar problemas sem a necessidade da coleta de dados primários, que são mais onerosos e que podem ser obtidos comprando de empresas ou através de uma variedade de publicações governamentais, enciclopédias e periódicos. (KOTLER, 1999)
Um fato bastante preocupante é quando os dados primários estão defasados, imprecisos, incompletos ou não são confiáveis , já que possuem um preço mais elevado. Divididos em entrevistas individuais, entrevistas grupais, levantamentos por correio ou telefone e pesquisa experimental , são responsáveis por discutir um produto, serviço, organização ou outra entidade de marketing, para realização d e estudos destinados à compreensão de crenças, atitudes e comportamento s dos consumidores, explorando novas idéias, opiniões e percepções, descobrindo o nível de conhecimento, as preferências e a satisfação das pessoas, e para medir a amplitude dessas desc obertas na população-alvo, obtendo os relacionamentos de causa e efeito por meio da eliminação das discrepâncias de análise nas diferenças observadas. (KOTLER, 1999)
Kotler (1999) aconselha a criação de um Centro de Informações de Marketing (CIM) para o gerenciamento das informações pois , muitas vezes, estas se encontram espalhadas pela empresa. Tal centro seria responsável pela coleta, classificação e avaliação das informações, bem como pela definição de suas necessidades. Para o autor, é importante a existência de um sistema de apoio a decisões de marketing , que abranja uma coleção de dados, sistemas, ferramentas e técnicas auxiliadas por software e hardware, com o intuito de reunir, interpretar e transformar as informações em uma base para ações que serão empreendidas, para apoio de
decisões como: estabelecimento de preços, verbas para propaganda, análise de veículos de comunicação, entre outras.
Para Kotler (1999), o avanço tecnológico promete uma nova era de estratégias de marketing baseadas na inform ação. Hoje, já é possível: desenvolver uma intranet para otimizar a movimentação das informações dentro de uma empresa ; estabelecer uma extranet para a troca de dados ou sugestões entre a empresa e seus clientes, fornecedores e distribuidores; utilizar a própria internet para obter um enorme número de informações.
Devido à fragmentação do mercado, estão surgindo cada vez mais veículos de comunicação especializados, como revistas e canais de televisão, voltados para um público específico que pode ser atingido de maneira mais eficiente graças aos bancos de dados gerenciados pelas empresas, onde se tem o perfil de milhares ou até mesmo milhões de clientes em potencial. (KOTLER, 1999)
Segundo Kotler (1999), a través de uma classificação de clientes em bancos de dados, é possível formar subconjuntos que representem oportunidades de marketing. O autor ainda exemplifica que uma empresa, ao conhecer um subconjunto de clientes que adquiriram microcomputadores, já possui um público -alvo de clientes que possivelmente te rá mais interesse em adquirir um scanner em promoção.
Para Kotler (1999, p.148), devido à imensa quantidade de informações dos bancos de dados, diversas possibilidades de agrupamentos só podem ser encontradas através de técnicas avançadas, ressaltando que:
o banco de dados de clientes representa um data warehouse que exige triagem de dados por meio de ferramentas estatísticas e matemáticas avançadas. Ao utilizar essas ferramentas, as empresas são capazes de definir melhor seus mercados -alvo e aumentar o índice de resposta.
Segundo Kotler (2000, p.138), um sistema de apoio a decisões de marketing é:
um conjunto coordenado de dados, sistemas, ferramentas e técnicas com software e hardware de suporte, por meio do qual uma empresa coleta e interpreta informa ções relevantes provenientes dos negócios e do ambiente e as transformações em uma base para ação em marketing.
2.4 CONSIDERAÇÕES FINAIS DA REVISÃO BIBLIOGRÁFICA
Com o levantamento bibliográfico realizado pudemos compreender melhor as técnicas de extração, transformação e carga, para então realizar a análise exploratória de dados . Para tanto, no capítulo seguinte, foi realizada a modelagem da proposta de solução exposta no primeiro capítulo.
3 MODELAGEM
3.1 INTRODUÇÃO
Segundo Bezerra (2002), nos dias atuais, uma empresa que possui à sua disposição um maior número de informações sobre seu processo de negócio está em vantagem em relação às concorrentes. Ele afirma que , devido ao aumento da importância da informação, se f ez necessário gerenciar as mesmas de forma adequada e eficiente, razão pela qual surgiu os sistemas de informações.
Um sistema de informações é uma combinação de pessoas, dados, processos, interfaces, redes de comunicação e tecnologia que interagem com o objetivo de dar suporte e melhorar o processo de neg ócio de uma organização empresarial com relação às informações que nela fluem. (BEZERRA 2002, p.1)
Para Bezerra (2002), o desenvolvimento de um sistema de informações é algo complexo, que abrange diverso s componentes, entre eles um sistema de software que, por sua vez, é responsável pelos módulos funcionais computadorizados que interagem com o usuário, proporcionando a automatização de diversas tarefas. Para o autor, devido à grande complexidade do desenvolvimento de sistemas de software, é necessário um planejamento inicial anterior feito através de um modelo que atuará como uma representação idealizada do sistema a ser construído.
Cougo (1997, p.7) conceitua modelo como sendo uma “representação abstrata e simplificada de um sistema real, com a qual se pode explicar ou testar o seu comportamento, em seu todo ou em partes”.
Bezerra (2002) relata que um modelo de sistema de software é composto de diversas representações gráficas denominadas diagramas. O auto r esclarece que um diagrama nada mais é do que um conjunto de elementos gráficos com um significado predefinido. Existe ainda a necessidade de informações textuais, que por sua vez podem explicar ou definir certas partes do diagrama. Os diagramas em conjun to com as informações textuais formam a documentação do modelo.
A modelagem de dados não é apenas uma ferramenta para projeto de banco de dados. Serve para facilitar o tratamento de várias aplicações, dentre as quais destacam -se:
representar um ambiente o bservado; servir de instrumento para comunicação ; favorecer o processo de verificação e validação ; capturar aspectos de relacioname nto entre os objetos observados; servir como referencial para a geração de estruturas de dados ; e estabelecer conceitos únicos a partir de visões diversas. (COUGO, 1997)
A modelagem de sistemas de software, segundo Bezerra (2002, p.4), “consiste na utilização de notações gráficas e textuais com o objetivo de construir modelos que representem as partes essenciais de um sistema, c onsiderando-se diversas perspectivas diferentes e complementares”.
Para Cougo (1997), antes de iniciar o trabalho de modelagem, deve -se definir alguns pontos importantes para a geração do produto esperado:
Abrangência: sua definição é essencial; é importante para definir que objetos serão buscados no processo de observação, pois expectativas mal definidas podem levar ao descarte do melhor dos projetos ;
Nível de detalhamento: mesmo com a abrangência bem definida é preciso saber quais são as expectativas com relação ao nível de detalhamento esperado para o produto final;
Tempo para produção do modelo : é de suma importância saber as expectativas de prazo para a conclusão do trabalho , para não ter dificuldades em produzir o modelo esperado; e
Recursos disponíveis: deve-se considerar o número de indivíduos, especialistas ou não, a serem alocados para participar da modelagem .
3.2 LINGUAGEM DE MODELAGEM UNIFICADA - UML
Com o surgimento no final da década de 1990, a Linguagem de Modelagem Unificada (Unified Modeling Language - UML) é definida como uma “união de diversas notações preexistentes, com alguns elementos removidos e outros elementos adicionados com o objetivo de torná-la mais expressiva”. (BEZERRA, 2002, p.13)
