business inteligence - software livre

INTELIGÊNCIA DE NEGÓCIOS USANDO SOFTWARE LIVRE DE B.I. APLICADO

A PEQUENA E MEDIA EMPRESA: UM ESTUDO DE CASO

Autor: Roginaldo Franco Soares1

Orientador: Marcelo Fiorin2

Resumo: Atualmente, as técnicas de Business Intelligence auxiliam na tomada de decisão,

tornando-se fatores decisivos para o futuro de uma organização. Neste contexto, o presente

trabalho visa apresentar o projeto e a implementação de uma das técnicas bastante

difundidas deste assunto, o Data Warehouse. Para isso será criado um deposito de dados

com auxílio de ferramentas de código aberto, buscando identificar as dificuldades e benéficos

e seu uso como ferramenta diferencial estratégica na gestão empresarial apresentando

algumas analises, relatórios que colaboram para esse entendimento, com o intuito de,

posteriormente, servir como apoio para o processo de tomada de decisão dentro de uma

empresa.

PALAVRAS-CHAVE: Business Intelligence, Decisão, Analise, Estratégia.

1 INTRODUÇÃO

O dinamismo das constantes mudanças tecnológicas e a necessidade de aprimoramento da

gestão estratégica das empresas, e a busca de um posicionamento privilegiado, permanência,

liderança de mercado impõem as empresas adotarem mudanças de comportamento e inserem

a Tecnologia da Informação no cenário de negócios como uma ferramenta diferencial de

competitividade. Porém a implantação e o uso da tecnologia não garantem o diferencial

esperado.

1 Pós-graduando do curso de Especialização Lato Sensu em Gestão de Tecnologia da

Informação do programa de Pós-Graduação da Faculdade Sul Brasil – Fasul. 2 Professor orientador do curso de Especialização Lato Sensu em Gestão de Tecnologia da Informação

do programa de Pós-Graduação da Faculdade Sul Brasil – Fasul.

A avaliação de um sistema de informação é importante para verificarmos a aderência

desse sistema e sua perspectiva de continuidade. É necessário avaliar a qualidade das

informações que serão utilizadas nas tarefas do dia-a-dia e sua confiabilidade nas tomadas de

decisão.

Os sistemas de tomada de decisão estão em crescimento no cenário dos negócios

inteligentes os quais utilizam os históricos da empresa como expertise para traçar indicadores

e metas de curto e de longo prazo.

Este artigo busca demonstrar o uso de uma solução tecnológica livre de código fonte

aberto, e atestar quanto a sua funcionalidade e idoneidade dos dados, busca demonstrar

também que é viável a utilização de ferramentas livre e possível atrelarem ao seu plano de

estratégico de negócios.

2 SISTEMAS DE BUSINESS INTELLIGENCE

Dada a motivação apresentada anteriormente, nesta seção cabe expor as definições dos

principais elementos envolvidos no estudo.

Business Inteligence (BI), ou Inteligência de Negócios, conceitua-se como um

conjunto de conceitos e métodos que são usados para auxiliar e aumentar a capacidade de

tomada de decisão fazendo uso das informações dos fatos ocorridos nas organizações.

Segundo Barbieri (2001), BI “representa a habilidade de se estruturar, acessar e

explorar informações, normalmente guardadas em DW/DM (Data Warehouse/Data Mart),

com o objetivo de desenvolver percepções, entendimentos, conhecimentos, os quais podem

produzir um melhor processo de tomada de decisão”.

O Conceito surgiu nos anos de 1980 e descreve as habilidades das corporações para

acessar dados e explorar as informações normalmente contidas em uma base de dados,

originalmente importadas de seus sistemas legados armazenadas em local especifica que são

chamados de DW/DM (Data Warehouse/Data Mart).

As analises provenientes dessas informações traz aos analistas percepções e

entendimentos das mesmas, o que as permite incrementar e pautar a tomada de decisão. As

organizações tipicamente recolhem informações com a finalidade de avaliar o ambiente

empresarial, completando estas informações com pesquisas de marketing, industriais e de

mercado, além de análises competitivas, desenvolvimento e criação de novos produtos ou

serviços.

Ao longo de sua existência as organizações competitivas acumulam experiências e

expertise à medida que ganham sustentação na sua vantagem competitiva, podendo considerar

tal expertise como o aspecto central para competir em alguns mercados. Geralmente as

primeiras fontes de dados são da própria empresa, podem ser usadas também informações

enviadas por outras empresas, isso faz com que quem decide entenda e faça da forma correta e

com menos risco.

As informações podem incluir necessidades do consumidor, processo de decisão do

cliente, pressões competitivas, aspectos econômicos e tecnológicos e tendências culturais. A

partir dos resultados podemos formar meta específica, tendo por base o objetivo

organizacional ou a visão da empresa, em seu plano estratégico de negócios.

O Data Warehouse é um composto por um banco de dados estruturado, projetado para

a análise de dados não voláteis, lógica e fisicamente transformados, provenientes de diversas

aplicações, alinhados com a estrutura da empresa, atualizados e mantidos por um longo

período de tempo, referidos em termos utilizados no negócio e sumarizados para análise

rápida. A integração de um Sistema de informação e Data Warehouse permite prover dados

históricos, e permite a recuperação de informações de forma sintética ou analíticas.

Segundo Inmon (1997, p. 33), [...] “Data warehouse é um conjunto de dados baseado

em assuntos, integrado, não-volátil, e variável em relação ao tempo, de apoio às decisões

gerenciais" [...].

Data Marts: é um banco de dados pequeno Data Warehouse que fornece suporte à

decisão de um pequeno grupo de pessoas, como por exemplo, informações necessárias para

um departamento da organização. É preciso estar ciente que as diferenças entre Data Mart e

Data Warehouse são apenas com relação ao tamanho e ao escopo do problema a ser

trabalhado onde se pretende atingir a resolução de um problema especifico.

O termo OLAP origina-se da expressão On-Line Analytic Processing, Kimball define

como a atividade de consulta e apresentação de dados textuais e numéricos de uma forma

dinâmica e multidimensional em um DW. Permite o detalhamento das consultas ou agregação

de dados em um processo OLAP.

O Data Mining refere-se a mineração de dados (DM) é definido pelo processo de

extração informação válida da base de dados, previamente desconhecida e de máxima

abrangência a partir de grandes bases de dados, usando-as para efetuar decisões importantes.

3 BUSINESS INTELLIGENCE SUITE PENTAHO

O Pentaho é uma suíte de ferramentas composta por diversos softwares livres open

source, objetivando a disponibilização de uma completa plataforma de BI. Seu

desenvolvimento está centrado na linguagem de programação de computadores Java. A suite

conta com duas versões:

• Pentaho Community Edition (CE): versão da comunidade de pessoas que

trabalham com a ferramenta, onde o suporte é dado pela própria comunidade.

• Pentaho Enterprise Edition (EE): sistema comercial, suportado pela empresa

ou por representante oficial da Pentaho.

No Brasil varias empresas utilizam o Pentaho, destacam-se dentre todas como por as

empresas: Banco do Brasil, Caixa Econômica Federal, Serpro, Rede Globo de Televisão.

De acordo com a Pentaho (2013), o Pentaho Data Integration – PDI, também

conhecido como Kettle, é a ferramenta de ETL da Pentaho, é totalmente baseado em

metadados. No Kettle, o conceito de processo ETL clássico (extração, transformação e

carregamento) foi ligeiramente modificado, porque é composto por quatro elementos ETTL,

que significam:

• Extração de dados das bases de dados de origem;

• Transporte dos dados;

• Transformação dos dados;

• Carregando (Loading) dados em um Data Warehouse.

Assim, Kettle é um conjunto de ferramentas e aplicativos que permite manipulações de

dados através de múltiplas fontes. (PENTAHO, 2013)

O Spoon, é uma ferramenta gráfica utilizada para modelar o fluxo de dados de um

processo de transformações ETTL. Desempenha as funções de fluxo de dados típicos como a

leitura, validação, refino, transformação, gravação de dados em uma variedade de diferentes

fontes de dados e destinos. As transformações projetadas em Spoon podem ser executadas

com Pan e Kitchen.

Pan - Constitui em uma de aplicação dedicada para executar transformações de dados

projetados em Spoon.

Chef - Uma ferramenta para automatizar tarefas de atualização do banco de dados

deuma forma complexa.

Kitchen - Um aplicativo que ajuda a executar as tarefas em modo de lote, geralmente

usando uma programação que torna fácil para iniciar e controlar o processamento ETL.

Carte - È um servidor web que permite o monitoramento remoto dos processos ETL

através de um navegador web. Embora as ferramentas de ETL sejam mais frequentemente

usadas em ambientes de data Warehouses, o Kettle também pode ser aplicado para outros

fins:

o Migrar dados entre aplicações ou bases de dados;

o Exportar ou importar dados entre bancos de dados e arquivos simples;

o Carregar de dados maciçamente em bancos de dados;

o Limpar e analisar dados;

o Integrar aplicações.

3.1 CUBO

Um banco de dados multidimensional permite que os dados sejam apresentados

em forma de cubos, ou matrizes, onde cada face representa um aspecto do assunto que

se deseja analisar. Assim, ao mesmo tempo, é possível observar várias visões do dado

que está sendo apresentado (ROSINI e PALMISANO, 2003, p. 47-48 ).

3.2 SAIKU OLAP ANALYTICS

O plugin Saiku se integra a suíte Pentaho, criado pela Analytical Labs foi

desenvolvido para fazer análises rápidas de dados, visualizando cubos OLAP é uma

ferramenta que surge para substituir o antigo JPivot. Com uma interface mais amigável e a

funcionalidade do Drag and Drop, traz as analises maior facilidade de compreensão.

Para a sua utilização deve se ter um cubo OLAP previamente definido, com fatos e

dimensões a serem trabalhadas nas analises. A figura 3 demonstra um relatório de um cubo

Olap de uma tabela fato vendas.

Figura 1 - Saiku Reporting

Fonte: Autoria própria.

4 ESTUDO DE CASO

O estudo de caso limitou-se a uma empresa localizada na região sudeste da cidade de

Toledo Paraná. Constituída a quatro anos a empresa atua especificamente no ramo de venda

de materiais de construção.

A sua área de atuação de vendas concentra-se nos bairros próximos, tem-se como

estratégia financeira oferecer condições de pagamento variadas mais seguras como: Venda a

vista, vendas no cartão de crédito. Com esse objetivo estratégico a empresa visa eliminar a

inadimplência. Constatou-se que uma das estratégias da empresa é vender produtos com

preços acessíveis e que possa ser levado pelo próprio cliente.

5 CONSTRUÇÃO DOS RELATÓRIOS E ANALISES

Para esse estudo de caso foi montado um DW, a partir dos dados do ERP da empresa

que contempla o fato vendas. A tabela fato vendas considerou as dimensões de: Clientes,

formas de pagamento, vendedor, produto, grupo de produtos e unidade de medida e tempo.

Para o processo de carga de dados foram criadas nove procedures responsável por

executarem a carga dos dados de tabelas de origem para a tabela de destino. Essas quando

executadas fazem a tarefa de popular as tabelas de destino do DW. A partir das tabelas do

DW, foram criados dois cubos, um com a tabela fato em vendas e outro centrado em itens de

venda.

A figura 2 representa as duas fatos criados a partir das tabelas e seus atributos.

Figura 2 – Fato_Vendas

Fonte: Autoria própria.

O relatório de análise vendas líquidas por mês representado pelo gráfico 1 traz duas

linhas de análises: Total por percentual e por percentual acumulado.

Gráfico 1 - Vendas por Mês

Fonte: dw_vendas autoria própria.

O relatório de análise representada pelo gráfico 2 composto pelo total de Vendas

líquidas por bairros, expressando demonstra a presença da empresa, este traz duas linhas de

análises: Total por percentual e por percentual acumulado.

Gráfico 2 - Vendas por Bairros


O relatório de análise representada pelo gráfico 3 composto pelo total de Vendas

líquidas por plano de pagamento, expressando demonstra a presença da empresa, este traz

duas linhas de análises: Total por percentual e por percentual acumulado. Essa análise

demonstra que a forma de pagamento mais solicitada pelos clientes.

Gráfico 3 - Vendas por Plano de Pagamento

Fonte: dw_vendas autoria propria.

A tabela 1 representa uma análise das vendas vista de duas dimensões, trimestres e

planos de pagamentos. Essa análise possibilita uma avaliação e formação do perfil do cliente

quanto aos planos de pagamentos solicitados pelos mesmos.

Tabela 1 - Plano de Pagamento por Trimestre

Plano de Pagamento Tri 1 Tri 2 Tri 3 Tri 4

A VISTA 9.832,70 14.898,63 50.469,64 43.640,30

BONUS -CRED 1 PAGAMENTO 287,80 105,47 1.651,10

BONUS-CRED 2 PAGAMENTOS 370,25 1.596,08

BONUS-CRED 3 PAGAMENTOS 2.048,26

BONUS-CRED 4 PAGAMENTOS 873,45

BONUS-CRED 5 PAGAMENTOS 243,20 820,80

BONUS-CRED 6 PAGAMENTOS 1.725,29 4.209,92

LOJA 1 + 30 DIAS 42,60 8.209,64 3.601,40 2.167,83

LOJA 1 + 30/60 5.148,00 1.517,97

LOJA 1 + 30/60/90 104,00 954,37 1.685,37

LOJA 30 DIAS DIRETO 2.403,68 5.308,37 16.323,78 8.083,27

LOJA 30/60 164,08 512,29 3.518,15 2.210,95

LOJA 30/60/90 1.787,91 450,61 3.932,10 1.473,53

LOSANGO ATE 24 PAGAMENTOS 1.700,00 7.348,86

REDECARD CREDITO 01 PAGAMENTO 110,55 384,28

REDECARD CREDITO 02 PAGAMENTOS 829,07

REDECARD CREDITO 03 PAGAMENTOS 921,54



REDECARD DEBITO 1.020,07 2.508,86


A tabela 2 representa uma análise das vendas vista de duas dimensões, planos de

pagamentos e bairros. Essa análise possibilita uma visão da localização dos clientes e as suas

formas de pagamento mais requisitadas, fato determinante para uma avaliação e formação do

perfil do cliente quanto aos planos de pagamentos solicitados pelos mesmos.

Tabela 2 - Vendas por Bairro e Plano de Pagamento


6 RESULTADOS E DISCUSSÃO

Durante o processo de busca de repostas e identificação das estratégias empresarias

constatou-se que o sistema de gestão integrado (ERP) da empresa não esta sendo utilizado de

forma a maximizar o potencial da ferramenta. O processo de entrada de dados através dos

cadastros não apresentava uma massa de dados sólida. A ferramenta de BI. Pentaho Data

Integration – PDI, responsável pela importação dos dados e geração do Data Warehouse já

contextualizada, apontou várias inconsistências: Estoque com produtos negativos; produtos

em estoque sem entrada de compra; lançamento de vendas com cartão de crédito apontadas

como entradas em espécie no caixa.

Inicialmente houve muita dificuldade em ter acesso ao banco de dados do sistema

legado da empresa, bem como qual fato analisar devido a falta de documentação do banco de

dados. O não conhecimento da senha de acesso à base de origem dos dados foi um dos

maiores obstáculo à execução desse estudo.

Posteriormente as dificuldades se concentraram no aprendizado da suíte Pentaho,

especificamente na seleção de qual ferramenta usar. A falta de domínio das ferramentas, o

pouco material em idioma português e incompletude dos tutoriais disponível na internet

contribuíram negativamente para a execução e a elaboração dessa seleção das ferramentas.

Finalmente vencidas as complicações obtendo acesso a base de dados, utilizando-se a

ferramenta administration-console foi estabelecida a conexão com a base de dados. Com isso

foi possível criar o Data Warehouse dw_vendas, e utilizar o Pentaho Data Integration para a

importação dos dados, onde se concentrou todas as análises desse artigo.

O banco dw_vendas foi construído a partir dos dados das tabelas de: Clientes, formas

de pagamento, vendedor, produto, grupo de produtos e unidade de medida e tempo. A sua

estrutura pode ser vista na figura 4.

A nova base de dados manteve os campos originais das tabelas de origem,

acrescentado um campo com um registro índice para cada tabela e um campo de relação da

tabela de vendas com a tabela de tempo. Com base nesses dados para na análise originou-se

dois cubos: O de vendas com a tabela fato em vendas e o de produtos com a tabela fato em

itens de vendas. Com isso foi possível criar 3 gráficos e duas tabelas descritos na seção 5.

O gráfico 1 permite ao empresário uma projeção para antecipação de cenários de

vendas para os meses futuros, esse traz duas linhas de análises de realizado e acumulado,

deixa de forma transparente os meses em que as foram de maior volume e de menor volume.

O gráfico 2 traz a conhecimento, os bairros onde se concentram os clientes da empresa

em termos de residência. Esse gráfico permite a interpretação da localização geográfica,

trazendo oportunidades de personalização em campanhas de marketing e propaganda

direcionada. Pode com essa informação também elaborar uma personalização no atendimento

a esses clientes.

O gráfico 3 a conhecimento uma fonte valiosa para a empresa, onde fica visível as

condições de pagamento mais requisitadas pelos clientes. Pode se notar que esse gráfico traz

como a forma mais requisitada a venda a vista, o que comprova que a estratégia da empresa

descrita na seção 4. De posse dessas informações a empresa pode tomar decisões em relação

até mesmo a ampliar o estoque de produtos de forma estratégica.

As tabelas 1 e 2 respectivamente tratam as informações contidas nos gráficos em

escala de valores. A tabela 1 traz os valores das vendas por condições de pagamento por

trimestre, o que pode trazer uma interpretação da dimensão de recuperação em uma situação

de diminuição das vendas.

A tabela 2 um pouco mais complexa traz uma análise especifica a qual demonstra a

área de atuação da empresa e qual a forma de pagamento mais requerida pelos clientes.

Através das informações contidas nessa tabela podemos abstrair qual setor, descrito aqui por

bairro, e qual a condição de pagamento mais usada. Essa informação é estratégica e muito

importante para a empresa, a qual pode se antecipar ao cliente e oferecer os produtos que

estão dentro perfil dos clientes do setor.

7 CONCLUSÃO

Neste trabalho realizou se uma pesquisa acerca da inteligência de negócios usando

software livre de Bussiness Inteligence aplicado a pequena e media empresa fazendo uso de

ferramentas de código aberto. Dentre os vários sistemas com essa característica selecionou-se

a Suíte Pentaho versão 4.8.0 com a qual foi possível criar um Data Warehouse onde os dados

histórico da empresa foram importados.

Utilizou-se como fonte de dados a área de vendas da empresa, considerando esta como

uma área estratégica para a realização de negócios, para uma empresa de pequeno porte. Essa

área concentra a maioria das decisões, as quais tendem a dar suporte ao negocio. O modelo de

dados multidimensional projetado para o presente artigo possui apenas as dimensões básicas

descritas na literatura, no entanto as informações obtidas através das consultas realizadas no

servidor OLAP foram satisfatórias, pois atendem aos requisitos necessários para executar as

analises.

A partir das analises feitas no Data Warehouse verifica-se que o sistema pode-se

apoiar ao legado e pode ser aliado a estratégia empresarial. Essas analises revelam

informações que podem ser usadas para a tomada de decisão estratégica. Como por exemplo a

criação de campanhas direcionadas para as regiões segundo o plano de pagamento. Deve-se

destacar também a inexistência de mensalidades para seu uso, e a facilidade nas analises dos

dados e geração relatórios, os quais podem ser exportados para outros softwares.

Um dos maiores benefícios da ferramenta poder ser usado como um diferencial

revelando oportunidades de negócios que estejam ocultas não previstas no sistema de gestão.

Dessa forma permiti direcionar as forças e oportunidades segundo o histórico de

acontecimentos anteriores, para o fortalecimento e crescimento da empresa, construindo assim

um plano estratégico solido pautado em sua própria trajetória de negócios.

Portando o desconhecimento acerca de ferramentas de software livre para gestão, bem

como de analise das informações e a necessidade de pesquisas especificas, direcionadas, com

cunho empresarial, contribuem ativamente para que as pequenas e medias empresas não

adotem uma solução de Bussiness Inteligence.

REFERÊNCIAS BIBLIOGRÁFICAS

BARBIERI, Carlos. BI Business Intelligence - Modelagem & Tecnologia: Editora AXCEL BOOKS, Rio de Janeiro, 2001.

ECKERSON, Wayne W. Performance Dashboards: Measuring, Monitoring, and Managing Your business. John Wiley & Sons, Inc., Hoboken, New Jersey, 2011. INMON, W. H. Como construir o Data Warehouse. 2. ed. Rio de Janeiro: Campus, 1997.

KIMBALL, Ralph e ROSS, Margy. The Data Warehouse Toolkit: Editora Campus, Rio de Janeira, 2002. LAUDON, K. C. e LAUDON, J. P. Gerenciamento de sistemas de informação. 3º ed. LTC, Rio de Janeiro, 1999.

LAUDON, Kenneth C. LAUDON, Jane P. Sistemas de informação gerenciais: Administrando a empresa digital. São Paulo: Prentice Hall, 2004.

PENTAHO. Pentaho InfoCenter. Disponível em: <http://www.pentaho.com >. Acesso em: 13 ago. 2013. ROSINI, Alessandro M.; PALMISANO, Ângelo. Administração de sistemas de informação e a gestão do conhecimento. São Paulo: Thomson, 2003.

REZENDE, D.; ABREU, A. Tecnologia da informação aplicada a sistemas de informação empresariais: o papel estratégico da informação e dos sistemas de informação nas empresas. São Paulo: Atlas, 2003. SANTOS, Rui Rossi dos. Java na Web: programando sites dinâmicos. Rio de Janeiro: Axcel Books, 2007.

SERRA, Laercio. A Essência do Business Intelligence: Editora BERKELEY BRASIL, São Paulo, 2002. THOMSEN, Erik. OLAP: construindo sistemas de informações multidimensionais. 2. ed. Rio de Janeiro: Campus, 2002.

business inteligence - software livre

Documents