Business Intelligence aplicado para administração de empresas de monitoramento de alarmes
Tiago A. Prusnal (UEPG) tprusnal@hotmail.com
Resumo:
O conhecimento está se tornando um fator de grande importância para as empresas se manterem atuantes e competitivas no mercado. Através de um banco de dados multidimensional com à aplicação do Business Intelligence, ferramentas são disponibilizadas para análise de geração de informações estratégicas. Com o intuito de auxiliar os gestores na administração de empresas de monitoramento de alarmes, a obterem e visualizarem informações precisas, de forma rápida e de fácil interpretação, é desenvolvido um data mart, protótipo de data warehouse, paras as áreas técnica e operacional, juntamente com a ferramenta OLAP para consultas analíticas.
Palavras chave: Business Intelligence, Data Warehouse, Dados, Informação.
Business Intelligence applied to management of companies of alarm monitoring
Abstract
The knowledge is becoming a important factor to companies keep active e competitive at the market global. Trough a database with many dimensions with a application of Business Intelligence, tools are available to analysis the generation of strategics information. With intuitive to help the alarm companies ' managers to get and view the right informations, fast and with a easy form, is developed a data mart, data warehouse prototype, to the tecnic and operanting areas, with the OLAP tool to analytical consults.
Keywords: Business Intelligence, Data Warehouse, Data, Information.
1 Introdução
A chave para o sucesso das empresas não está somente em sua estrutura física, funcionários ou nas tecnologias utilizadas, mas sim, e principalmente, nas informações que ela possui e como as administra. Através do Business Intelligence (BI) é possível administrar os dados de uma empresa transformando-os em informações estratégicas para o negócio, auxiliando no alcance dos objetivos (ANDRADE; AZARIAS; PRUSNAL, 2008).
Nas empresas de monitoramento, os sistemas consomem um longo tempo de processamento para gerar informações em forma de relatórios que, na maioria das vezes, retornam informações pouco significativas para o usuário final. Considerando que, a cada segundo, a base de dados aumenta gerando muitos registros e criando a necessidade de transformá-los em informações úteis a empresa.
Nós humanos temos certa dificuldade, de forma manual, em gerir e analisar grande quantidade de dados, torna-se então indispensável a utilização de tecnologia e ferramentas adequadas para que dos dados possam surgir informações relevantes a tomada de decisão pelos gestores.(LIBÓRIO; MATOS, 2010).
As informações, sejam elas em qualquer tipo de organização, são necessárias a promoção do conhecimento, tendo aspecto importante no auxílio a interpretações de atividades do passado, situações presentes que visam identificar possibilidades para o futuro.
Existem várias soluções propostas para auxiliar no processo decisório e, aplicando-se o conceito de BI, tem-se: Data Warehouse, Data Mart e ferramentas analíticas (OLAP). Essas soluções propostas têm como objetivo gerar informações estratégicas, por meio de análises dos dados da organização.
1 Funcionamento do processo de monitoramento
Para Andrade, Azarias e Prusnal (2008) o procedimento do monitoramento de alarmes,
“Consiste em instalar equipamentos e dispositivos em um determinado local, residencial ou comercial, que gerenciam sua segurança de acordo com os critérios estabelecidos pelo cliente”.
Quando o dispositivo detecta uma violação, ou algum outro fato, este envia um sinal para uma receptora com as descrições dos eventos ocorridos no local, como ilustrado na Figura 1. E a receptora, por sua vez está conectado em um computador que possui um software capaz de traduzir o sinal para os responsáveis, para que estes tomem as devidas providências.
(ANDRADE; AZARIAS; PRUSNAL, 2008).
Figura 1 - Processo de Recepção (ANDRADE; AZARIAS; PRUSNAL, 2008)
O processo de recepção está implantado em um sistema desenvolvido por uma empresa da cidade de Ponta Grossa - PR, a qual atua no mercado de desenvolvimento de softwares de segurança eletrônica. Todo e qualquer evento é armazenado na base de dados, o que acarreta
numa grande quantidade de dados, devido aos inúmeros eventos que ocorrem diariamente.
(ANDRADE; AZARIAS; PRUSNAL, 2008).
2 Business Intelligence
Business Intelligence (BI) é um termo novo, mas certamente não é um conceito novo. O conceito é simplesmente fazer uso de informações já disponíveis na empresa para ajudar os responsáveis que gerenciam qualquer processo, a tomarem as decisões e adotar as melhores opções baseado em uma percentagem de acerto (JACOBSON; MISNER; HITACHI , 2007).
As empresas atualmente têm organizado os seus dados em níveis diferentes para conseguir administrar seu negócio, os níveis são (TECHNET, 2007):
− Nível operacional: São dados resultantes de sistemas de informação que monitoram as atividades e transações;
− Nível de administração: São consultas sobre informações armazenadas no sistema, proporcionando relatórios e facilitando a administração da informação por parte dos níveis intermediários;
− Nível de conhecimento: Neste nível temos os dados históricos das operações da empresa, com alguns serviços de tratamento de dados;
− Nível estratégico: Seu objetivo é realizar as atividades de planejamento em longo prazo, tanto do nível de administração quanto dos objetivos apresentados pela empresa;
Nos níveis de conhecimento e no estratégico é onde encontramos o BI, o qual é diferencial para que a empresa tenha condições de tomar decisões baseadas em fatos concretos.
Figura 2 - Níveis de Uso de Dados (TECHNET, 2007)
Com a evolução da tecnologia e a grande concorrência entre as organizações, o conhecimento está se tornando um diferencial, criando assim a necessidade de administrar seu negócio de forma inteligente visando ganhar mercado. (PAIVA, 2002).
As soluções de BI permitem que as empresas encontrem informações estratégicas a partir de sua base de dados. Considerando o caso em que uma empresa deseja criar um novo produto no mercado, ou oferecer um novo serviço, as soluções de BI podem ser aplicadas para gerar o perfil do produto, serviço, que atenderá as expectativas de seus clientes (MARAFANTE, 2005).
2.1 Data Warehouse
Para Machado (2006), o Data Warehouse (DW) é “Considerado um componente no campo de BI, sendo visto como um depósito de dados operacionais”.
DW é um banco de dados que tem como finalidade principal organizar grandes volumes de dados históricos, num formato adequado para análise e recuperação da informação. Esse tipo de aplicação pode combinar dados de fontes heterogêneas em uma estrutura unificada e simples que facilite consultas analíticas (RAMALHO, 2005).
Ao possuir os dados históricos deve-se projetar um banco de dados para armazenar essas informações, sendo assim necessário ferramentas para extrair, limpar e transformar os dados dos sistemas fontes, que podem estar em uma variedade de plataformas de hardware usando vários bancos de dados, como ilustrado na Figura 3. Essa ferramenta é conhecida como ETL (Extract Transformation Load). (MACHADO, 2006).
Figura 3 - Processos DW (ANDRADE; AZARIAS; PRUSNAL, 2008)
Os dados obtidos através de sistemas OLTP (Online Transaction Processing ou Processamento de Transações em Tempo Real), sistema encarregado de registrar todas as transações de uma operação, devem ser precisos, pois, as informações podem originar de diferentes sistemas e é necessário fazer uma transformação para que os dados estejam no mesmo formato. Processo esse que garante a integridade, entre outras características do DW, como: orientado por assunto, integrado, não volátil, variável com o tempo (CARVALHO JÚNIOR, 2006).
O DW pode ser definido também de acordo com suas características, tais como (CARVALHO JÚNIOR, 2006):
− Orientado por assunto: os dados podem ser armazenados por áreas (vendas, contábil, financeiro), encontrando os indicadores e métricas para cada área, específicos para o interesse da empresa;
− Integrado: os dados devem ser consistentes entre si em termos de: nome, formato, unidade de medida. Visto que podem ser originados de diferentes plataformas, de diversos sistemas internos e até mesmo externos a organização;
− Não Volátil: no ambiente de DW, os dados após serem integrados, são carregados e armazenados num banco de dados analítico, ficando disponíveis apenas para consultas e geração de relatórios;
− Variável com o tempo: todos os dados encontrados no DW são precisos em algum instante no tempo. As informações do DW referem-se a algum momento específico, significando que ele não é atualizável. Estes dados só são atualizáveis nos bancos de dados operacionais e estas mudanças serão refletidas no DW quando ocorrer uma nova carga de dados;
− Agregação: Agregações são aglutinações de registros de dados de mesmo tipo onde determinados atributos numéricos são totalizados segundo critérios estabelecidos. Praticamente todos os DW apresentam dados agregados, buscando principalmente um melhor tempo de resposta das consultas feitas pelo usuário final. As agregações garantem ainda uma redução no tempo de resposta de processamento e uma redução de espaço de armazenamento;
− Granularidade: é o nível de detalhamento existente no DW. Quanto mais detalhe existir, mais baixo será o nível de granularidade. Caso contrário, mais alto será o nível.
A granularidade modifica o volume de dados, afetando conseqüentemente o tipo de consulta.
Na área de monitoramento de alarmes, se mostram diferentes os níveis de granularidade dos dados em relação aos procedimentos por setor em um determinado período, conforme ilustra a Figura 4. Entende-se por setor, uma divisão geográfica adotada pela empresa (cidade, bairro, etc.), e por atendimento, ações tomadas diante de um determinado disparo. (ANDRADE;
AZARIAS; PRUSNAL, 2008).
Figura 4 - Níveis de Granularidade (ANDRADE; AZARIAS; PRUSNAL, 2008)
Para Carvalho Junior, “através das características de DW pode-se modelar um banco de dados destinado a um sistema de apoio à decisão, possibilitando consultas com processamento analítico”.
2.1.2 Data Mart
Data Mart (DM) é uma parte do DW restrita a um único processo de negócio, ou a um grupo de processos relacionados entre si (MARAFANTE, 2005).
No ambiente das empresas de monitoramento a incerteza sobre o desempenho do atendimento prestado aos seus clientes, e aos fatores que os cercam, podem levar a atitudes errôneas ou tardias, acarretando numa redução da qualidade do serviço prestado ou até mesmo a perda de clientes. (ANDRADE; AZARIAS; PRUSNAL, 2008).
Para melhor atender as empresas de monitoramento de alarmes, e fornecer uma ferramenta para auxiliar a tomada de decisão foi implementado um Data Mart que contém as áreas técnica e operacional.
As diferenças entre DM e DW são com relação ao tamanho e ao escopo do problema a ser resolvido. Portanto, as definições dos problemas e os requisitos de dados são essencialmente os mesmos para ambos. Enquanto o DM trata de problema departamental ou local, um DW envolve o esforço de toda a companhia para que o suporte à decisões atue em todos os níveis da organização. (MACHADO, 2004).
2.2 Modelagem Multidimensional
A modelagem multidimensional é uma técnica de concepção e visualização de um modelo de dados, de um conjunto de medidas que descrevem aspectos comuns de negócios (MACHADO, 2006).
A modelagem multidimensional exige uma análise de dados, contribuindo para que o modelo tenha:
“Uma representação simples do negócio estudado, com modelo físico de fácil interpretação, de modo que usuários sem treinamento em Tecnologia da Informação (TI) possam entendê-lo, tendo facilidade na maximização do desempenho das consultas aos dados. No modelo multidimensional o foco principal são as consultas aos dados, sendo elas um pré-requisito para a escolha do modelo multidimensional”
(MACHADO, 2006).
Na estrutura multidimensional de dados, o Cubo expressa a forma na qual os tipos de informações se relacionam entre si. O cubo armazena todas as informações relacionadas a um determinado assunto, de maneira a permitir que sejam montadas várias combinações entre elas, resultando na extração de várias visões sobre o mesmo tema. (CARVALHO JÚNIOR, 2006).
Na figura 5, observa-se um exemplo de cubo operacional do setor de monitoramento, no qual pode ser visto de três dimensões diferentes: Mês, Setores e Atendimentos.
Figura 5 – Cubo (ANDRADE; AZARIAS; PRUSNAL, 2008)
Para se obter informações inteligentes é necessário criar regras de negócio dentro do cubo, conhecidos como indicadores de negócio que são métricas organizacionais que levam em consideração as necessidades do negócio e dos usuários, criando modelos abstraídos das informações ou de indicadores necessários para criar um contexto apropriado para tomada de decisão. (ANDRADE; AZARIAS; PRUSNAL, 2008).
Nota-se que na área das empresas de monitoramento de alarmes,
“O diferencial para as empresas consiste na agilidade em atender aos eventos ocorridos, no deslocamento dos táticos as residências, podendo ser usados como métricas o tempo de deslocamento dos táticos, tempo de inspeção, tempo de duração do processo, envolvendo os atendimentos em setores em um determinado período no tempo. (ANDRADE; AZARIAS; PRUSNAL, 2008).
2.3 Ferramentas OLAP
Para Machado, “OLAP é o conjunto de ferramentas que possibilita efetuar a exploração dos dados de um DW”. Descrito por Date como: “um processo interativo de criar, gerenciar, analisar e gerar relatórios sobre dados”.
Na modelagem multidimensional os dados são representados como dimensões ao invés de tabelas. Nas ferramentas OLAP combina-se as dimensões para o usuário ter uma visão dos dados de um DW. (DATE, 2003).
O usuário pode visualizar os dados de formas diferentes, tais como: drill-down, Drill-Up, Slice and dice, Rotação, rank e Drill-Through:
− Drill-Down: É a técnica pela qual o usuário pode navegar entre as hierarquias de uma dimensão desagrupando os dados. (TECHNET, 2007) Por exemplo, numa consulta de Atendimentos por Setor, pode-se realizar a operação drill-down na dimensão Setor, que mostrará os tipos de atendimentos contidos em cada um.
(ANDRADE; AZARIAS; PRUSNAL, 2008), como ilustrado na Figura 6;
Figura 6 - Representação Drill-down (ANDRADE; AZARIAS; PRUSNAL, 2008),
− Drill-up: é a operação pela qual o usuário pode navegar entre as hierarquias de uma dimensão agrupando os dados. (TECHNET, 2007). Por exemplo, se o usuário está visualizando nível Atendimento em detalhe e deseja consultar um nível acima, pode realizar Drill-up. Esta operação agrupará a informação por setor (ANDRADE; AZARIAS; PRUSNAL, 2008), conforme mostra a Figura 7;
Figura 7 - Representação Drill-Up (ANDRADE; AZARIAS; PRUSNAL, 2008),
− Dice: ao selecionar vários membros de várias dimensões forma-se um sub cubo. Tanto o Slice quanto o Dice são formas particulares de filtro. (TECHNET, 2007). A Figura 8 ilustra um exemplo dessa operação, em que se monta um sub cubo de três dimensões: Setores, Mês, Atendimentos. Neste caso, desconsidera as demais dimensões (ANDRADE; AZARIAS; PRUSNAL, 2008);
Figura 8 - Representação Dice (ANDRADE; AZARIAS; PRUSNAL, 2008),
− Slice: Ao selecionar um membro em particular de uma dimensão forma-se uma “Fatia”
(Slice) do cubo original. (TECHNET, 2007). A Figura 9 ilustra um exemplo da operação Slide detalhando um determinado período;
Figura 9 - Representação Slice (ANDRADE; AZARIAS; PRUSNAL, 2008),
− Rotação: Muda o eixo de visualização. (TECHNET, 2007). Por exemplo, passar a dimensão tempo da horizontal para a vertical. A Figura 10 ilustra a mudança da linha “Setores” com a coluna “Mês”;
Figura 10 - Representação Rotação (ANDRADE; AZARIAS; PRUSNAL, 2008),
− Rank: Ordena os atributos de uma dimensão de acordo com algum critério. (TECHNET, 2007) A Figura 11 demonstra um exemplo de ordenação dos registros do maior para o menor da coluna “Contagem Procedimentos”;
Figura 11 - Representação Rank (ANDRADE; AZARIAS; PRUSNAL, 2008),
− Drill-Through: Recupera um conjunto de linhas de uma fonte de dados que foram Rotação
utilizados na composição de uma célula do cubo. (TECHNET, 2007). A Figura 12 ilustra um exemplo desta operação, em que ao selecionar o registro “0012 – Charlie 06”, o usuário visualizará os 20 primeiros registros dos 386 totalizados.
Neste caso, algumas informações adicionais são mostradas, como por exemplo, operador, código do cliente. (ANDRADE; AZARIAS; PRUSNAL, 2008).
Figura 12 - Representação Drill-Through (ANDRADE; AZARIAS; PRUSNAL, 2008),
Antes da implementação do DM na área operacional e tática, o sistema oferecia formas de consultas típicas de um sistema OLTP. Entretanto, o grande volume de dados mantidos em sistemas OLTP podem sobrecarregar uma organização. À medida que os bancos de dados ficam maiores, aumentando a complexidade, o tempo de resposta pode ser rapidamente afetado devido á concorrência encontrada pelos recursos disponíveis (RAMALHO, 2001).
Através dessas funcionalidades o OLAP se destaca realizando consultas otimizadas e personalizadas para cada usuário, oferecendo o potencial de recuperação e análise da informação de maneira rápida e fácil (CARVALHO JÚNIOR, 2006).
3 Conclusão
Business Intelligence compreendido como um conjunto de conceitos e métodos que utilizam os acontecimentos e sistemas que apoiam a tomada de decisões nos negócios da organização.
Com dados adquiridos via sistema de processamento online de transações (OLTP), sendo
armazenados em um sistema de banco de dados, a exemplo do Data warehouse, gerando, por sua vez, o subconjunto de dados, o Data mart . Em seguida, tais dados podem ser processados em uma ferramenta de análise, neste caso, a ferramenta de processamento analítico online (OLAP).
Com o desenvolvimento do Data mart para as áreas técnica e operacional, e que através das consultas analíticas de fácil manuseio, que suportam a criatividade e individualidade de cada usuário, essa tecnologia possibilita aos usuários visualizarem todas as informações envolvidas para análise, avaliando o monitoramento de alarmes por meio de fatos concretos, permitindo tomar decisões rápidas e acertadas.
Com a evolução dos sistemas e dos equipamentos de hardware, e a grande competitividade entre as empresas, torna-se necessário o aprimoramento para a inteligência organizacional. A aplicação de BI fornece subsídios necessários aos gestores na área de segurança monitorada, mercado que está em constate crescimento, em encontrar conhecimento, antes implícito na grande quantidade de dados armazenados.
Referências
ANDRADE, A. Eliane; AZARIAS, Priscila; PRUSNAL, A. Tiago. Business Intelligence: Construção de um data mart no ambiente de monitoramento de alarmes. Monografia (Análise e Desenvolvimento de Sistemas).
Universidade Tecnológica Federal do Paraná - Ponta Grossa, 2008.
CARVALHO, Rodrigo Baroni de. Aplicações de Softwares de Gestão de Conhecimento: Tipologia e Usos.
Dissertação Mestrado (Ciência da Informação). Universidade federal de Minas Gerais – Belo Horizonte, 2000.
Disponível em: < http://www.bibliotecadigital.ufmg.br >. Acesso em 22 fev 2011.
CARVALHO JÚNIOR, Arnaldo Ferreira de. Data Warehouse: Melhorando o Desempenho Acadêmico.
Monografia (Ciência da Computação). Universidade Federal da Bahia - Salvador, 2006. Disponível em:
<http://im.ufba.br/MATA67/ResumosSemestre20061#Data_Warehouse_Melhorando_o_Dese> . Acesso em 12 fev 2011.
CRIVELINI, Wagner. Mitos e Verdades sobre Modelagem Multidimensional. Revista SQL Magazine, nº 39, p. 6 - 14, 2007.
DATE, C. J. Introdução a Sistemas de Banco de Dados. 8. ed. Rio de Janeiro: Campus, 2003.
JACOBSON, Reed; MISNER, Stacia; HITASHI. C. S. SQL Server 2005 Analyses Services Passo a Passo.
São Paulo: Bookman, 2007.
LIBÓRIO , de Oliveira Junior; MATOS, Simone N. O descobrimento do conhecimento em base de dados com a técnica da mineração de dados e o apoio do sistema Help Desk como suporte de decisões na organização; Anais do ADM2010 –Congresso Internacional de Administração; 2010; Ponta Grossa; BRASIL.
MACHADO, F. N. R. Tecnologia e Projeto de Data Warehouse: Uma Visão Multidimensional. São Paulo:
Érica, 2004.
MARAFANTE, T, L, S. Análise, Projeto e Implementação de um Data Mart para Ambientes de Business Intelligence. Monografia (Ciência da Computação). Universidade Federal de Pernambuco – Recife, 2005.
Disponível em: <http://www.cin.ufpe.br/~tg/2005-1/tmls.pdf >. Acesso em 21 fev 2011.
PAIVA, S. B. Algo Novo no Mundo Empresarial: do Turbilhão de Dados ao Requinte da Inteligência.
Tutorial. Recife, 2002. Disponível em <http://www.ead.fea.usp.br/cad-pesq/v09-4resumos.htm> Acesso em 20 jan de 2011.
RAMALHO, J. A. Microsoft SQL Server 2005: Guia Prático. Rio de Janeiro: Elsevier, 2005.
SANTOS, E, R. Implantação de tecnologia de Data Warehouse em Bibliotecas com Uso de Tecnologia Adequada. EAESP-FGV, 2002
SILVA, H. L. J. Data Warehouse Aplicado em Instituições de Ensino Superior. Disponível em: <
http://www.devmedia.com.br/articles/viewcomp.asp?comp=5538>. Acesso em 20 mar 2011.
TECHNET, M. Material para Estudo - Módulo 1. Disponível em Microsoft TechNet Brasil:
<https://www.technetbrasil.com.br/academia2007/bi/Secure/Mod1.aspx>. Acesso em 20 mar 2011.
