uma abordagem multicritério para seleção de ferramenta de...
TRANSCRIPT
FACULDADE DE ECONOMIA E FINANÇAS IBMEC PROGRAMA DE PÓS-GRADUAÇÃO E PESQUISA EM
ADMINISTRAÇÃO E ECONOMIA
DDIISSSSEERRTTAAÇÇÃÃOO DDEE MMEESSTTRRAADDOO PPRROOFFIISSSSIIOONNAALLIIZZAANNTTEE EEMM AADDMMIINNIISSTTRRAAÇÇÃÃOO
Uma Abordagem Multicritério para Seleção de Ferramenta de
Business Intelligence
BBeerrnnaarrddoo BBaarrbboossaa CChhaavveess WWooii ttoowwiicczz
OORRIIEENNTTAADDOORR:: PPrrooff.. DDrr.. LLuuiizz FFlláávviioo AAuuttrraann MMoonntteeiirroo GGoommeess
Rio de Janeiro, 24 de agosto de 2009
“UMA ABORDAGEM MULTICRITÉRIO PARA SELEÇÃO DE FERRAM ENTA DE
BUSINESS INTELLIGENCE”
BERNARDO BARBOSA CHAVES WOITOWICZ
Dissertação apresentada ao curso de Mestrado Profissionalizante em Administração como requisito parcial para obtenção do Grau de Mestre em Administração. Área de Concentração: Administração Geral
ORIENTADOR: Prof. Dr. Luiz Flávio Autran Monteiro Gomes
Rio de Janeiro, 24 de agosto de 2009
“UMA ABORDAGEM MULTICRITÉRIO PARA SELEÇÃO DE FERRAM ENTA DE
BUSINESS INTELLIGENCE”
BERNARDO BARBOSA CHAVES WOITOWICZ
Dissertação apresentada ao curso de Mestrado Profissionalizante em Administração como requisito parcial para obtenção do Grau de Mestre em Administração. Área de Concentração: Administração Geral
Avaliação:
BANCA EXAMINADORA:
_____________________________________________________
Professor Dr. Luiz Flávio Autran Monteiro Gomes (orientador) Instituição: Faculdades IBMEC – IBMEC RJ _____________________________________________________
Professor Dr. Valter de Assis Moreno Junior Instituição: Faculdades IBMEC – IBMEC RJ _____________________________________________________
Professor Dr. Hugo Fuks Instituição: Pontifícia Universidade Católica do Rio de Janeiro – PUC RJ
Rio de Janeiro, 24 de agosto de 2009
FICHA CATALOGRÁFICA
658.4035 W847
Woitowicz, Bernardo Barbosa Chaves. Uma abordagem multicritério para seleção de ferramenta de Business Intelligence / Bernardo Barbosa Chaves Woitowicz - Rio de Janeiro: Faculdades Ibmec, 2009. Dissertação de Mestrado Profissionalizante apresentada ao Programa de Pós-Graduação em Administração das Faculdades Ibmec, como requisito parcial necessário para a obtenção do título de Mestre em Administração. Área de concentração: Administração geral. 1. Administração – Tomada de decisão - Técnicas. 2. Apoio à decisão – Teoria da Utilidade Multiatributo (MAUT). 3. Análise multicritério (Método Swing Weighting). 4. Negócios inteligentes (Business Intelligence – BI).
v
DEDICATÓRIA
À minha família que com seus valores e compreensão
sempre me nortearam em busca do crescimento pessoal e
profissional. Em especial à minha esposa Aline com seu
apoio incondicional nos momentos mais difíceis.
vi
AGRADECIMENTOS
Aos professores do Mestrado Profissionalizante em Administração do IBMEC que
colaboraram diretamente na minha formação acadêmica e no meu crescimento profissional.
Em especial ao Professor Dr. Luiz Flávio Autran Monteiro Gomes pelas orientações e
estímulos durante todo o desenvolvimento deste trabalho, contribuindo significativamente no
meu amadurecimento como aluno e pesquisador.
vii
RESUMO
Esta dissertação tem como objetivo demonstrar a aplicação da Teoria da Utilidade
Multiatributo (MAUT) em um processo de seleção de ferramenta para um projeto de Business
Intelligence em uma empresa multinacional diversificada nos seguintes ramos: seguros,
previdência privada, capitalização, fundos de pensão e gestão de recursos financeiros. Com a
aplicação do método fica evidenciada a importância de um procedimento formal para ajudar
os decisores nas escolhas, contribuindo com uma maior clareza e um alto aprendizado em
todo o processo. O processo de definição dos pesos foi embasado na técnica Swing Weighting,
a qual necessita de uma forte interação com os decisores para a correta atribuição dos pesos
em todos os critérios a serem analisados.
Palavras Chave: Business Intelligence – MAUT – Swing Weighting – Análise Multicritério
viii
ABSTRACT
This thesis aims to demonstrate the application of the Theory of Utility Multiattribute
(MAUT) in a process of selection of BI tool for a project in a diversified multinational
company in the following areas: insurance, private provident, capitalization, pension funds
and management of financial resources. With the application of the method is highlighted the
importance of a formal procedure to assist decision makers in choices, contributing to greater
clarity and a high learning in the process. The process of defining the weights was based on
technical Swing Weighting, which needs a strong interaction with the decision to correct the
allocation of weights in all criteria to be analyzed
Key Words: Business Intelligence – MAUT – Swing Weighting – Multicriteria Analysis
ix
LISTA DE FIGURAS
Figura 1 – Fluxo da Tomada de Decisão, adaptado de CLEMEN e REILLY (2001) ............. 12 Figura 2 – Gráfico das Três Melhores Ferramentas Analisadas Sob Todas as Perspectivas ... 48
x
LISTA DE TABELAS
Tabela 1 – Métodos da Família Electre (GOMES, ARAYA e CARIGNANO, 2004)............ 19 Tabela 2 – Resumo dos Métodos Prométhée (MORAIS e ALMEIDA, 2006) ....................... 19
Tabela 3 – Exemplo de Aplicação da Técnica SMART ........................................................ 31 Tabela 4 – Exemplo de Aplicação da Técnica SMARTER ................................................... 31
Tabela 5 – Exemplo de Aplicação da Técnica Swing Weighting ........................................... 33 Tabela 6 – Critérios para Avaliação...................................................................................... 36 Tabela 7 – Notas do Critério 4 – Relatórios e Gráficos - Sub-Critério 4.1 – Funções ............ 39 Tabela 8 – Notas e Pesos do Sub-Critério 4.8 - Dashboards ................................................. 41
Tabela 9 – Notas e Pesos dos Critérios e Sub-Critérios: 1 - Plataforma ................................. 41 Tabela 10 – Notas e Pesos dos Critérios e Sub-Critérios: 2 – Características Básicas ............ 42
Tabela 11 – Notas e Pesos dos Critérios e Sub-Critérios: 3 – Funcionalidades Web .............. 42 Tabela 12 – Notas e Pesos dos Critérios e Sub-Critérios: 4 – Relatórios e Gráficos .............. 42
Tabela 13 – Notas e Pesos dos Critérios e Sub-Critérios: 5 – Mineração de Dados ............... 43 Tabela 14 – Notas e Pesos dos Critérios e Sub-Critérios: 6 – Simulação de Cenários............ 43
Tabela 15 – Notas e Pesos dos Critérios e Sub-Critérios: 7 – Política de Segurança .............. 43 Tabela 16 – Notas e Pesos dos Critérios e Sub-Critérios: 8 – Capacity Planning .................. 43 Tabela 17 – Notas e Pesos dos Critérios e Sub-Critérios: 9 – Plano de Recovery .................. 43 Tabela 18 – Notas e Pesos dos Critérios e Sub-Critérios: 10 – Ferramentas de Planejamento 44
Tabela 19 – Notas e Pesos de Todos os Critérios .................................................................. 44 Tabela 20 – Notas do Critério 6 – Simulação de Cenários .................................................... 45 Tabela 21 – Pesos dos Sub-Critérios do Critério 6 – Simulação de Cenários......................... 45 Tabela 22 – Nota de Todos os Fornecedores para o Critério 6 – Simulação de Cenários ....... 46
Tabela 23 – Notas Calculadas a partir dos Sub-Critérios de Todos os Fornecedores ............. 46 Tabela 24 – Notas Finais de Todos os Fornecedores por Critério .......................................... 47
xi
LISTA DE ABREVIATURAS AHP Analytic Hierarchy Process
ANP Analytic Network Process
BI Business Intelligence
Electre Elimination et Choix Traduisant la Réalité
ERP Enterprise Resource Planning
MACBETH Measuring Attractiveness by Categorical Based Evolution Technique
MAUT Teoria da Utilidade Multiatributo (Multiattribute Utility Theory)
ORCLASS Ordinal Classification
PACOM Paired Compensation
Prométhée Preference Ranking Organization Method for Enrichment Evaluations
RFI Request for Information
SMART Simple Multi-Attribute Rating Technique
SMARTER Simple Multi-Attribute Rating Technique Exploiting Ranks
TI Tecnologia da Informação
TODIM Tomada de Decisão Interativa Multicritério
VDA Verbal Decision Analysis
xii
SUMÁRIO
1 INTRODUÇÃO .................................................................................................... 1
1.1 Business Intelligence .............................................................................................................................. 1
1.2 Objetivo do Estudo ................................................................................................................................ 4
1.3 Relevância do Tema .............................................................................................................................. 6
2 REFERENCIAL TEÓRICO ................................................................................. 9
2.1 Introdução ............................................................................................................................................. 9
2.2 Problemas Multicritério .......................................................................................................................14
2.3 Métodos da Escola Americana .............................................................................................................15
2.4 Métodos da Escola Francesa ................................................................................................................18
2.5 Outros Métodos Multicritério ..............................................................................................................20
2.6 Justificativa da Escolha do Método ......................................................................................................22
2.7 Método MAUT .....................................................................................................................................24
2.8 Técnicas de Atribuição de Pesos...........................................................................................................30
3 METODOLOGIA ............................................................................................... 34
3.1 Introdução ............................................................................................................................................34
3.2 Tratamento dos Dados .........................................................................................................................38
3.3 Atribuição dos Pesos .............................................................................................................................39
3.4 Aplicação do Método ............................................................................................................................44
3.5 Análise de Sensibilidade .......................................................................................................................49
4 LIMITAÇÃO ...................................................................................................... 52
5 PESQUISAS FUTURAS...................................................................................... 54
xiii
6 CONCLUSÃO .................................................................................................... 56
7 REFERÊNCIAS BIBLIOGRÁFICAS ................................................................. 59
8 APÊNDICE A ..................................................................................................... 70
9 GLOSSÁRIO ...................................................................................................... 76
1
1 Introdução
1.1 Business Intelligence
A internet é um conjunto poderoso de ferramentas que podem ser utilizadas em
praticamente todas as indústrias e como parte de praticamente qualquer estratégia (PORTER,
2001).
Dentre as diversas vantagens trazidas pela Internet, uma das principais é a facilidade
na obtenção de informações. Graças à rede, as empresas coletam milhares de dados
relacionados aos seus negócios. No entanto, essa avalanche de dados causou um problema:
como extrair dessa pilha de dados, as informações realmente úteis para o desenvolvimento do
negócio e como analisá-las. Segundo LOSHIN (2003), no últimos anos a habilidade para
criar, coletar e armazenar informação ultrapassou a nossa capacidade de fazer uso
significativo destas informações.
As empresas estão precisando manipular dados na faixa dos terabytes e petabytes.
Concomitantemente, aumentou também a necessidade de análises mais sofisticadas e de
síntese mais rápida de informações de melhor qualidade (SINGH, 2001).
2
Essa crescente inundação de informações dificulta o processo de tomada de decisão,
na medida em que a alta e média gerência se sentem impotentes no processo de busca e
recuperação de informações (BARBIERI, 2001).
Os mercados atuais são mais competitivos e dinâmicos. O sucesso ou fracasso das
empresas depende da velocidade e sofisticação de seus Sistemas de Informação e de sua
habilidade em analisar e sintetizar informações (SINGH, 2001). Nos dias atuais, o grande
diferencial está na qualidade e na velocidade com que as informações chegam às mãos dos
profissionais que decidem (SERRA, 2002).
Surgindo como solução para este problema contextualizado, aonde se obtém com
extrema facilidade dados mas não informação relevante e de forma eficaz, os sistemas de
Business Intelligence (BI) se apresentam como alternativa.
BI é um grupo de aplicações projetado para organizar e estruturar os dados de
transação de uma empresa, de forma que possam ser analisados a fim de beneficiar as
operações e o suporte às decisões da empresa (KALAKOTA e ROBINSON, 2002).
SHARIAT e HIGHTOWER (2007) complementam esta afirmação dizendo que o objetivo do
BI é fornecer suporte estratégico, tático e operacional necessário ao processo de tomada de
decisão.
Outro grande diferencial é a facilidade com que qualquer profissional de uma empresa,
seja ele jornalista, médico ou engenheiro, pode fazer consultas ao banco de dados e gerar
relatórios sem a necessidade de conhecimentos de programação (KALAKOTA e ROBINSON
2002).
3
Portanto, o conceito de Business Intelligence pode ser entendido, em uma de suas
vertentes, como diretamente relacionado ao apoio e subsídio aos processos de tomada de
decisão (COOPER et al., 2000) baseado em dados trabalhados especificamente para a busca
de vantagem competitiva (BARBIERI, 2001). Segundo PORTER (2001), as soluções de TI
permitem às empresas a obtenção de vantagem competitiva.
Com o apoio dos profissionais de TI e consultores externos, as empresas deveriam
utilizar a tecnologia de forma estratégica para reforçar o serviço, aumentar a eficiência e
alavancar os pontos fortes existentes (PORTER, 2001). A TI altera suas operações, seus
produtos e serviços, seus relacionamentos com parceiros, mercados e concorrentes (SERRA,
2002).
Outros autores defendem esta visão da tecnologia da informação voltada mais para a
estratégia da empresa. HENDERSON e VENKATRAMAN (1999) afirmaram que em vários
países e mercados, a área de TI estava deixando de ser uma área de back-office e cada vez
mais assumindo um papel estratégico, não só para dar suporte as estratégias de negócio, mas
também para moldar as estratégias nas empresas. LAURINDO e ROTONDARO (2008)
corroboram esta afirmação, dizendo que a TI evoluiu de uma orientação operacional de
suporte administrativo para um papel mais estratégico dentro da organização
Com a utilização de uma arquitetura de BI, muitas empresas estão obtendo vantagem
competitiva (BARBIERI, 2001), pois este, influencia diretamente os processos estratégicos da
organização. Permitindo com isso, uma maior fidelização dos clientes, visão de mercados
4
promissores, melhora na qualidade dos produtos e processos empresariais, além é claro, de
permitir avanço contínuo nos lucros.
Em resumo, Business Intelligence (BI) é uma arquitetura com capacidade de extrair e
integrar informações de diferentes bancos de dados, possibilitando a interpretação de forma
contextualizada, trabalha com hipóteses e procura relações de causa e efeito, transformando
os dados brutos em informações estratégicas (SERRA, 2002), fundamenta o processo
decisório da organização e disponibiliza conteúdo relevante para atuação da empresa. Além
de ser flexível o suficiente para propiciar isso, a todos os profissionais da empresa.
1.2 Objetivo do Estudo
A Wicz é uma empresa multinacional que atua em diversos ramos: seguros de vida,
previdência privada, títulos de capitalização, administração de recursos e fundos de pensão. A
empresa foi criada em 1991, sendo a primeira seguradora especializada em seguros de vida e
planos de previdência complementar no Brasil. Somente em 1995 a empresa entrou no
mercado de títulos de capitalização. Em 1996 ocorreu a fusão com um grupo americano,
permitindo maior visibilidade e confiabilidade para a então multinacional Wicz. Atualmente a
empresa está entre as dez maiores seguradoras do mercado.
Cada ramo de negócio de atuação da Wicz possui um vasto leque de especificidades,
por isso não existe um sistema ERP (Enterprise Resource Planning) que integre todas estas
áreas. Por vários anos um projeto para a criação de um sistema integrado foi financiado pela
empresa, porém sem sucesso devido à natureza dos negócios envolvidos.
5
Cada área de negócio de empresa possui uma arquitetura proprietária, dificultando a
consolidação das informações. A inexistência de um sistema integrado impacta na geração de
relatórios analíticos, prejudicando as análises dos gestores, por não terem as informações ou
por não estarem disponíveis no tempo necessário. Existe também o impacto na área de
Tecnologia da Informação com a sobrecarga de trabalho devido ao excesso de demanda de
relatórios provenientes das áreas usuárias.
Com este contexto totalmente desfavorável em relação à quantidade e confiabilidade
das informações disponíveis, a empresa optou pela contratação de uma consultoria
especializada em BI, para fazer o levantamento das necessidades da Wicz e conduzir o
processo de escolha da ferramenta de Business Intelligence a ser adquirida pela organização.
Por determinação da empresa só serão avaliadas as principais ferramentas de Business
Intelligence do mercado. Após uma análise do comitê responsável pelo processo de seleção,
determinou-se que somente as ferramentas da Business Objects, Cognos, Oracle BI Enterprise
Edition, Oracle Discoverer e MicroStrategy seriam avaliadas.
Esta pesquisa tem como principal objetivo a utilização de um método de análise
multicritério para o processo de seleção de ferramenta de BI a ser conduzido por uma
consultoria especializada na empresa Wicz, tornando o processo mais racional e transparente.
Com isso a consultoria torna o processo de seleção imparcial e fidedigno, pois as informações
serão disponibilizadas de maneira clara e fundamentada em uma metodologia cientifica.
6
1.3 Relevância do Tema
A atividade de tomada de decisão é extremamente importante para nossa vida pessoal
e para o sucesso das organizações (BROWN, 2005). O processo de tomada de decisão nas
organizações é complexo e envolve uma análise sob diferentes aspectos (CLEMEN e
REILLY, 2001; ZOPOUNIDIS e DOUMPOS, 2002). Frequentemente no processo decisório,
segundo ROY (2005), se torna necessário levar em consideração diferentes pontos de vista,
por exemplo, finanças, recursos humanos, aspectos ambientais, atrasos, segurança, qualidade,
ética e etc.
Estudos decorrentes da teoria da decisão sugerem que más decisões muitas vezes
ocorrem devido ao fato das alternativas não estarem claramente definidas, a informação
correta não estar disponível ou os custos e benefícios não estarem adequadamente
ponderados, além das distorções no processo cognitivo inerentes aos seres humanos
(HAMMOND, KEENEY e RAIFFA, 1998). Embora se possa pensar que as decisões sejam
tomadas de forma racional, não é sempre assim (BROWN, 2005).
Por tudo isso, a abordagem da análise de decisão pode beneficiar importantes
avaliações sob incertezas (ROWE e LUECKE, 2006), já que a intuição humana é pobre em
processar probabilidades e lidar com detalhes (SCHUYLER, 2001).
Uma decisão pode ser difícil, devido a sua complexidade intrínseca, devido às
incertezas inerentes à situação, devido à necessidade de atender a múltiplos objetivos, que
nem sempre apontam para a mesma direção e, finalmente, um problema pode ser altamente
7
sensível à mudança em um parâmetro ou a utilização de diferentes perspectivas pode levar a
conclusões diversas (CLEMEN e REILLY, 2001).
Além disso, segundo BROWN (2005), não existem decisores que sejam
completamente racionais, que façam ótimas escolhas sem auxílio, baseadas exclusivamente
no que eles conheçam e sintam, que cheguem sozinhos às mesmas conclusões que chegariam
seguindo uma lógica rigorosa. E vários são os critérios que podem se tornar necessários para
uma escolha final entre diferentes alternativas, o que exige o desenvolvimento e a aplicação
de metodologias que permitam ao decisor ponderar com eficiência os diferentes critérios
usados na tomada de decisão (GOMES, ARAYA e CARIGNANO, 2004).
A motivação para perseguirmos uma tomada de decisão racional envolve: a melhoria
na qualidade da decisão, a transparência do processo como um todo e sua disponibilidade para
posterior análise que, se tornada pública, desencoraja a tomada de decisão sob condições
suspeitas (BROWN, 2005). Essa prática fornece uma base sólida para se formar melhores
agentes de decisão, por conter elementos de entendimento comum as pessoas que decidem
tais como objetivos, conseqüências e barganhas, incluindo procedimentos que facilitam a
implementação desses conceitos de uma forma lógica transparente e organizada (KEENEY,
2004).
A grande contribuição deste trabalho é apresentar a utilização de uma metodologia de
apoio multicritério à decisão, explicitando e comprovando as principais vantagens e
desvantagens na adoção destas no contexto empresarial. Além de corroborar os benefícios
apresentados por outros autores e demonstrar a versatilidade dos métodos multicritério.
8
Outra contribuição se deve ao caráter intuitivo proporcionado pela aplicação do
método e a apresentação formal com exemplos práticos, permitindo maior familiarização dos
métodos de apoio multicritério aos decisores em geral. FIGUEIRA et al. (2005) afirmam que
existe um vínculo muito forte e vital entre teóricos e desenvolvimentos metodológicos, por
um lado, e as aplicações reais em outro. Assim segundo este autor, a validade dos
desenvolvimentos teóricos e metodológicos só pode ser medida em função da utilização
prática no mundo real.
Segundo GOMES, ARAYA e CARIGNANO (2004) a aplicação dos métodos de
apoio multicritério de maneira natural, desmistificam qualquer complexidade que possa existir
na visão do usuário final quanto à aplicação prática destas metodologias.
Outra importante contribuição deste trabalho são as referências bibliográficas
adquiridas no estudo exaustivo de livros e artigos científicos. Ao utilizar estas referências o
autor permite que outros trabalhos possam ser produzidos a partir desta dissertação,
recomendando autores consagrados e indicando possíveis fontes para aprofundamentos
teóricos.
Este estudo permite ainda, o confronto na utilização de diferentes métodos para
resolução de problemas multicritério nas organizações, com o intuito de propiciar maior
conhecimento sobre os mesmos e facilitar futuras escolhas. Com isso, os pesquisadores e
analistas de decisões em geral se capacitam com a ampliação do conhecimento adquirido,
permitindo escolhas mais adequadas quando for necessária a opção por um método específico.
9
2 Referencial Teórico
2.1 Introdução
A partir de década de 70, começaram a surgir os primeiros métodos de apoio ou
auxílio multicritério à decisão, com o intuito de enfrentar situações específicas, nas quais um
decisor, atuando com racionalidade, deveria resolver um problema em que vários eram os
objetivos a serem alcançados de forma simultânea (GOMES, ARAYA e CARIGNANO,
2004). Estes fazem parte de uma disciplina que engloba vários métodos, técnicas e atitudes no
sentido de orientar o processo de tomada de decisão sob incerteza (NEWENDORP e
SCHUYLER, 2000).
MALCZEWSKI (1999) afirma que as decisões são necessárias quando uma
oportunidade ou problema existe, ou quando algo não é o que deveria ser ou ainda quando
existe uma oportunidade de melhoria. As decisões estão presentes quando se seleciona um
candidato para trabalhar em uma empresa, quando se opta pela compra de um carro novo, ou
ainda a escolha de um curso ou de uma faculdade.
A pesquisa operacional sugere lidar com o problema de decisão da seguinte forma:
primeiro definir uma função objetivo, ou seja, um único ponto de vista representando a
10
preferência das ações consideradas, depois minimizar ou maximizar este objetivo (FIGUEIRA
et al., 2005). Diferentemente de uma análise em que se busca a maximização ou minimização
de um único parâmetro, como ocorre na pesquisa operacional tradicional, o apoio
multicritério à decisão visa uma solução de compromisso, onde deve prevalecer o consenso
entre as partes envolvidas (GOMES, GOMES e ALMEIDA, 2006).
Em síntese, os métodos de apoio à decisão visam estruturar o problema, permitindo a
compreensão precisa de sua natureza, geram cursos alternativos de ação e identificam
objetivos importantes e critérios de compensações, propiciando recomendações consistentes
em todo o processo decisório (CLEMEN e REILLY, 2001).
Os componentes básicos dos métodos de apoio à decisão são: um conjunto finito ou
infinito de ações (alternativas, soluções, cursos de ação e etc), pelo menos dois critérios, e,
obviamente, pelo menos um decisor (FIGUEIRA et al., 2005).
Os métodos de apoio multicritério auxiliam o decisor na tomada de decisão, onde o
decisor pode ser um indivíduo ou um grupo de indivíduos (CLEMEN e REILLY, 2001) e a
decisão é o processo que leva – direta ou indiretamente – à escolha de, ao menos, uma dentre
diferentes alternativas, todas estas candidatas a resolver determinado problema (GOMES,
2007). A alternativa é uma das possibilidades que compõem o objeto da decisão, é qualificada
como potencial quando existe algum interesse no âmbito do processo decisório ou quando
esta pode ser implementada, e pode ser identificada no início ou no decorrer do processo
(ROY, 2005). Ainda segundo este autor, estas alternativas têm suas performances avaliadas a
partir de critérios, pois estes são instrumentos construídos para avaliar e comparar as
potenciais ações. TRIANTAPHYLLOU (2000) afirma que os critérios representam diferentes
11
dimensões das alternativas, ou seja, uma forma julgar uma escolha ou ação melhor do que
outra (BELTON e STEWART, 2002).
ROY e BOUYSSOU (1993) definem o apoio multicritério à decisão como sendo a
atividade do analista de decisão que, calcado em modelos claramente explicitados, mas não
necessariamente formalizados, ajuda na obtenção de elementos de resposta às questões de um
agente de decisão ao longo do processo decisório.
Portanto, o apoio multicritério à decisão é uma abordagem prescritiva projetada para
pessoas com inteligência normal pensarem de forma sistemática sobre problemas reais e é
composta por um conjunto de axiomas e procedimentos sistemáticos, de modo a tratar de
forma responsável a complexidade embutida nos problemas de decisão (KEENEY e RAIFFA,
1999). Os métodos de apoio à decisão visam organizar e estruturar o processo decisório,
aumentando a coerência entre os valores subjacentes aos objetivos e metas, e a decisão final
ROY (2005). E estes contribuem para a tomada de decisão, sobretudo em termos de escolha,
classificação ou triagem de alternativas (FIGUEIRA et al., 2005).
BOUYSSOU et al. (2002) e WALLENIUS et al. (2008) enfatizam a necessidade de
analisarmos a decisão como um processo e não de forma pontual como um decreto.
HAMMOND, KEENEY e RAIFFA (2004) afirmam que um processo de decisão eficaz
começa com a concentração naquilo que é efetivamente importante no processo decisório, que
deve ser lógico e coerente, contemplando fatores objetivos e subjetivos, misturando raciocínio
analítico e intuição.
12
CLEMEN e REILLY (2001) afirmam que a análise nas decisões provê estrutura e
orientação para o pensamento sistemático sobre as decisões e sugerem sete passos para o
processo de tomada de decisão, conforme apresentado no fluxo abaixo:
Figura 1 – Fluxo da Tomada de Decisão, adaptado de CLEMEN e REILLY (2001)
Identificar a Situação de Decisão e Compreender
os Objetivos
Identificar as Alternativas
Decompor e Modelar o Problema:
1 – Modelar a Estrutura 2 – Modelar Incertezas 3 – Modelar Preferências
Escolher a Melhor Alternativa
Análise de Sensibilidade
Necessidade de Análise
Adicional
Implementar Solução
Não
Sim
13
De acordo com BOUYSSOU (1993), com uma abordagem multicritério em um
processo de tomada de decisão complexo, obtém-se as seguintes vantagens: a constituição de
uma base para o diálogo entre os diferentes agentes de decisão (interventores), a possibilidade
concreta de se trabalhar com subjetividades e incorporar incertezas e imprecisões, além da
visualização de cada solução potencial satisfatória como compromisso entre os diferentes
pontos de vista em conflito.
NEWENDORP e SCHUYLER (2000) citam outras vantagens do método de análise de
decisão: permitir que se considerem explicitamente os possíveis resultados, possibilitar o
realce dos fatores chave, facilitar a comparação de projetos com riscos diferentes, explicitar os
julgamentos sobre risco e tomar decisões que envolvam investimentos complexos.
De acordo com ZOPOUNIDIS (1999), os métodos multicritério facilitam a
estruturação de problemas complexos, permitem a utilização de critérios qualitativos e
quantitativos na avaliação das alternativas no processo decisório, além de serem científicos,
flexíveis, sofisticados e realistas. ZOPOUNIDIS e DOUMPOS (2002) afirmam que o
benefício mais importante destes métodos é propiciar a participação ativa dos decisores,
apoiando e suportando o mesmo na compreensão das especificidades encontradas nos
problemas do mundo real.
14
2.2 Problemas Multicritério
De acordo com ROY (2005), existem quatro tipos de problemas de apoio à decisão,
estes não são independentes, pois um problema de ordenação de alternativas (Pγ) pode servir
como base para a resolução de problemas de seleção da melhor alternativa (Pα):
• Problema Pα: o objetivo é selecionar uma única alternativa em um pequeno grupo de
boas alternativas ou selecionar um pequeno grupo de alternativas satisfatórias;
• Problema Pβ: o objetivo é aceitar alternativas que parecem boas e descartar as que
parecem ruins, ou seja, realizar uma classificação das alternativas. A atribuição de
uma categoria (i, ii, iii ou iv) para cada alternativa, permite a distinção entre ações
plenamente justificáveis (i), aconselhadas após pequenas modificações (ii),
aconselhadas após alterações importantes (iii) ou desaconselháveis (iv);
• Problema Pγ: o objetivo é gerar uma ordenação completa ou parcial das alternativas;
• Problema Pδ: o objetivo é realizar uma descrição das alternativas;
Os algoritmos multicritério podem ser classificados de acordo com a teoria em que se
baseiam, sendo as escolas Americana e Francesa os dois mais importantes agrupamentos de
métodos analíticos (GELDERMANN e RENTZ, 2000).
15
2.3 Métodos da Escola Americana
A escola Americana é definida como critério único de síntese e exclui o estado de
incomparabilidade (DIAS, COSTA e CLÍMACO, 1996), sendo possível a indicação do
posicionamento global de cada alternativa (GOMES, GOMES e ALMEIDA, 2006). A escola
assume que todos os estados são comparáveis e que existe a transitividade nas relações de
preferência (KEENEY e RAIFFA, 1999).
Portanto, os métodos desta escola não permitem que as alternativas sejam
incomparáveis e se A é preferível a B e B é preferível a C, então A é preferível a C. Os
principais métodos desta escola são: AHP, MACBETH e MAUT (FIGUEIRA et al., 2005).
O método AHP (Analytic Hierarchy Process), desenvolvido por SAATY (1991), foi
um dos primeiros métodos voltados para o ambiente de decisão multicritério e talvez o mais
utilizado hoje em todo o mundo (MACHADO, GOMES e CHAUVEL, 2003).
O método AHP decompõe um problema multicritério complexo em um sistema de
hierarquia de objetivos, seu principal objetivo é gerar uma matriz com a importância relativa
das alternativas em cada critério (TRIANTAPHYLLOU, 2000). Este método utiliza as
comparações par a par através do julgamento de experts para mensuração de critérios
qualitativos e intangíveis (SAATY, 2005; FIGUEIRA et al., 2005).
16
O método ANP (Analytic Network Process) é uma generalização das hierarquias para
redes com dependência e feedback, sua estrutura básica é composta por redes e as prioridades
são estabelecidas através da comparação par a par e do julgamento, assim como no método
AHP (SAATY, 2005). O ANP identifica o resultado da dependência e do feedback dentro e
entre os agrupamentos de elementos (FIGUEIRA et al., 2005).
Outro método da escola Americana é o MACBETH (Measuring Attrativeness by a
Categorical Based Evaluation Technique), este foi criado pelo pesquisador lusitano Carlos
António Bana e Costa, com o apoio do seu colega belga Jean-Claude Vansnick (BANA e
COSTA E VANSNICK, 2000), sendo posteriormente agregado à equipe Jean-Marie De Corte
(BANA e COSTA et al., 2003). Este método é baseado no modelo de utilidade aditiva
(FIGUEIRA et al., 2005).
O MACBETH é uma abordagem que necessita somente de julgamentos qualitativos
sobre as diferenças de valor e ajuda o decisor (pode ser indivíduo ou grupo de indivíduos) a
quantificar a atratividade relativa entre as opções (BANA e COSTA et al., 2005).
Em síntese, o método MACBETH visa construir uma escala de intervalos de
preferência sobre um conjunto de ações, sem a necessidade de representação numérica destas
preferências (FIGUEIRA et al., 2005), ou seja, através do julgamento qualitativo mede-se a
diferença de atratividade entre as alternativas (BANA e COSTA et al., 2005).
A Teoria da Utilidade Multiatributo, referida frequentemente por MAUT
(Multiattribute Utility Theory), também pertence à escola Americana, foi introduzida por
KEENEY e RAIFFA (1999) e incorpora à teoria da utilidade a questão do tratamento de
17
problemas com múltiplos objetivos (GOMES, GOMES e ALMEIDA, 2006; ZOPOUNIDIS e
DOUMPOS, 2002).
O método MAUT é a abordagem mais utilizada para resolução de problemas de
alternativas discretas (WALLENIUS et al., 2008). Sua forte fundamentação teórica tem sido
um dos pilares do desenvolvimento dos métodos multicritério e suas aplicações práticas
(ZOPOUNIDIS e DOUMPOS, 2002).
De acordo com BELTON e STEWART (2002), a intenção deste método analítico é a
associação de um valor a cada alternativa, produzindo-se uma ordem de preferência entre as
alternativas de modo consistente com os julgamentos de valor do decisor. Estes julgamentos
são representados em uma função de utilidade (ZOPOUNIDIS e DOUMPOS, 2002).
Em síntese, o método MAUT consiste em calcular uma utilidade, expressa por uma
nota ou pontuação, para cada objetivo (ou critério) e depois essas utilidades são somadas, em
particular no caso em que se emprega a modelagem pela função de utilidade aditiva,
ponderando apropriadamente os critérios, de acordo com sua respectiva importância em
relação aos demais (CLEMEN e REILLY, 2001; MUSTAJOKI, HAMALAINEN e
LINDSTEDT, 2006).
O objetivo dos decisores no método MAUT é maximizar o valor de utilidade
(WALLENIUS et al., 2008), sendo que a pontuação baixa em um critério pode ser
compensada por um valor maior em outro critério (LINKOV et al., 2006).
18
2.4 Métodos da Escola Francesa
A escola Francesa é composta por métodos que se baseiam na comparação par a par e
na relação binária de superação entre as alternativas, onde A supera B, se e somente se, A é
pelo menos tão boa quanto B (FIGUEIRA et al., 2005; ZOPOUNIDIS e DOUMPOS, 2002).
Ao contrário da escola Americana, a escola Francesa aceita a incomparabilidade entre
alternativas (DIAS, COSTA e CLÍMACO, 1996), permitindo ao decisor confrontar-se com
uma das quatro situações abaixo (ROY e BOUYSSOU, 1993):
• Uma alternativa é preferida a outra com preferência forte;
• Uma alternativa é preferida a outra com preferência fraca;
• Uma alternativa é indiferente a outra;
• Uma alternativa é incomparável a outra;
Portanto, os métodos da escola Francesa utilizam comparações paritárias e
pressupõem subordinação entre as alternativas, ou seja, estes métodos baseiam-se na relação
de superação ou dominância. Os principais métodos desta escola são: Electre e Prométhée
(FIGUEIRA et al., 2005).
O primeiro método da família Electre (Elimination et Choix Traduisant la Réalité) foi
proposto por ROY (1968). O conceito básico desta família de métodos é a utilização das
relações de superação nas comparações par a par das alternativas (TRIANTAPHYLLOU,
2000).
19
Os métodos Electre são compostos pela relação de superação (outranking) entre as
alternativas e o procedimento de exploração, sendo este utilizado para fazer recomendações
(dependendo da problemática) a partir dos resultados obtidos na primeira fase (FIGUEIRA,
2005). A tabela a seguir apresenta resumidamente os métodos da família Electre e os tipos de
problemas adequados a cada um.
Versão Autor Ano Tipo de
Problema Tipo de Critério
Utilização de Pesos
I Roy 1968 Seleção Simples Sim II Roy e Bertier 1973 Ordenação Simples Sim III Roy 1978 Ordenação Pseudo Sim IV Roy e Hugonard 1982 Ordenação Pseudo Não IS Roy e Skalka 1985 Seleção Pseudo Sim
TRI Yu Wei 1992 Classificação Pseudo Sim
Tabela 1 – Métodos da Família Electre (GOMES, ARAYA e CARIGNANO, 2004)
Os métodos Prométhée (Preference Ranking Organization Method for Enrichment
Evaluations) se baseiam na comparação paritária e levam em consideração os desvios nas
avaliações entre as alternativas, podendo o decisor especificar uma preferência pequena ou
grande de acordo com os desvios (BRANS e MARESCHAL, 2005). Uma análise de
concordância ou discordância, baseada no parâmetro de veto, é realizada para avaliar a
relação de superação entre as alternativas (MARTEL e MATARAZZO, 2005). A tabela a
seguir apresenta os objetivos de cada método Prométhée.
Método Objetivos
Prométhée I Ordenação Parcial – Problemática da Escolha
Prométhée II Ordenação Completa – Problemática da Ordenação
Prométhée III Ordenação Completa – Ampliação da Noção de Indiferença
Prométhée IV Classificação Completa – Conjunto Contínuo de Soluções
Prométhée V Classificação Completa – Restrições de Segmentos
Prométhée VI Classificação Completa – Graus de Dificuldade com Pesos
Tabela 2 – Resumo dos Métodos Prométhée (MORAIS e ALMEIDA, 2006)
20
2.5 Outros Métodos Multicritério
O método TODIM (Tomada de Decisão Interativa Multicritério) tem como base a
escola Francesa e Americana, pois combina aspectos provenientes da teoria da utilidade
multiatributo do método AHP e dos métodos Electre (ROY e BOUYSSOU, 1993). O método
está fundamentado na avaliação de alternativas em relação a um conjunto de critérios de
decisão, sendo estes avaliados em uma escala ordinal (TROTTA et al., 1999).
O TODIM é fundamentado na Teoria dos Prospectos (KAHNEMAN e TVERSKY,
1979), esta teoria conclui que a maneira como as pessoas decidem em uma determinada
situação de risco decorre do contexto em que esta está inserida, ou seja, nas situações que
envolvem ganhos, a tendência do ser humano é ser mais conservador, enquanto que em
situações envolvendo perdas as pessoas se mostram mais propensas ao risco (GOMES,
ARAYA e CARIGNANO, 2004).
O método de Análise Verbal de Decisões (VDA) tem como principal objetivo apoiar o
processo de tomada de decisão partindo diretamente da representação verbal (LARICHEV e
OLSON, 2001; LARICHEV e MOSHKOVICH, 1995) e foi proposto para resolução de
problemas desestruturados (MOSHKOVICH, MECHITOV e OLSON, 2005).
Em síntese, o método VDA se orienta pela utilização de formas verbais para elucidar
preferências e avaliar alternativas decisórias (MOSHKOVICH, MECHITOV e OLSON,
2005), e sua principal característica é não desprezar a influência que a pouca habilidade das
pessoas no trabalho com números tem sobre o julgamento e o processamento de informações
em situações decisórias (MOSHKOVICH, MECHITOV e OLSON, 2002). Estes métodos
21
pretendem utilizar operações e procedimentos simples, claros e compreensíveis pelos
decisores (ASHIKHMIN e FUREMS, 2005).
O método ZAPROS-LM é baseado nos princípios do VDA, foi criado para solucionar
problemas de ordenação e visa a construção de uma escala ordinal para todos os critérios
(MOSHKOVICH, MECHITOV e OLSON, 2005), de forma que todas as alternativas sejam
ordenadas a partir das preferências declaradas do decisor (MOSHKOVICH, MECHITOV e
OLSON, 2002). Este é recomendado para problemas decisórios com muitas alternativas a
serem avaliadas, uma vez que o seu objetivo é estabelecer um ranking – no mínimo parcial –
das alternativas selecionadas (LARICHEV e MOSHKOVICH, 1995).
Outro método que se baseia nos princípios da VDA é o ORCLASS (Ordinal
Classification), este foi criado para solucionar problemas de classificação, ou seja, agrupar as
alternativas de forma a se obter diferentes classes de decisão (MOSHKOVICH, MECHITOV
e OLSON, 2005).
A principal característica do método PACOM (Paired Compensation), outro método
baseado nos princípios da VDA, é o processamento da compensação e análise em pares dos
critérios de uma situação decisória para seleção da melhor alternativa (LARICHEV e
MOSHKOVICH, 1997). Segundo estes autores, os principais objetivos deste método são:
organizar as idéias do tomador de decisão, inspirá-lo a formular outras saídas acerca da
solução do problema e auxiliá-lo na escolha da melhor alternativa, utilizando a expressão
verbal para elucidar as preferências.
22
2.6 Justificativa da Escolha do Método
Estudos comparativos entre os diferentes métodos de apoio à decisão multicritério,
mostram que não existem metodologias que podem ser apontadas como melhores em relação
às outras em qualquer situação (LARICHEV e OLSON, 2001; ROY, 2005). Os métodos de
apoio à decisão podem representar diferentes respostas para o mesmo problema de decisão
(OZERNOY, 1992; TRIANTAPHYLLOU, 2000), por isso é muito importante identificar
qual o método é mais adequado ao processo de tomada de decisão, considerando o contexto e
o tipo de problema a ser resolvido.
Escolher um método multicritério envolve vários fatores, dentre os quais se destacam
as características: do problema analisado, do contexto considerado, da estrutura de
preferências do decisor e da problemática (GOMES, GOMES e ALMEIDA, 2006). Para
BOUYSSOU et al. (2000) esta escolha é resultado de uma avaliação dos parâmetros
escolhidos, do tipo e da precisão dos dados, da forma de pensar do decisor e do seu
conhecimento sobre o problema.
O método MAUT tem como principal vantagem seu fundamento na Teoria da
Utilidade (FISHBURN, 1970) e o objetivo essencial deste método é a associação de uma
medida de utilidade a cada alternativa, produzindo a ordem de preferências (ordenação
completa) entre as alternativas, consistente com as avaliações ou juízos de valor do próprio
tomador de decisão (BELTON e STEWART, 2002). Possui uma consistente base axiomática
(MOSHKOVICH, MECHITOV e OLSON, 2005), fornecendo uma robusta justificativa para
23
o tipo de função (de utilidade) usada na agregação da utilidade unitária de cada critério
(LARICHEV e OLSON, 2001).
Outra vantagem do método MAUT apresentada por LARICHEV e OLSON (2001) é
que o envolvimento do decisor é necessário para elaborar a função utilidade, porém após esta
definição é possível comparar várias alternativas, já existentes e/ou novas. LINKOV et al.
(2006) afirmam que o método MAUT permite comparar alternativas com maior facilidade,
pois as pontuações globais são expressas em números. LARICHEV e OLSON (2001)
argumentam ainda, que quando existem alternativas baseadas em preferências subjetivas ou
quando o número de alternativas é grande, novas alternativas podem ser geradas a partir das
originais.
O processo de seleção de ferramentas de BI envolve um conjunto finito de opções,
com objetivos simultâneos a serem alcançados, onde devemos quantificar os trade-offs
(compensações) entre as alternativas, por isso pode-se trabalhar com o método MAUT
(KEENEY e RAIFFA, 1999).
Neste trabalho será utilizado o método MAUT, pois é relativamente simples e pode ser
interpretado intuitivamente, fornecendo uma mensuração da força de preferência do decisor
(DYER, 2005) e permite fazer uma avaliação profunda sobre as trocas ou compensações que
este precisa estabelecer entre os critérios conflitantes do seu problema de decisão (KEENEY e
RAIFFA, 1999). O método contribui ainda para a resolução de conflitos com o aumento da
transparência, proporcionando com maior facilidade a obtenção do consenso (HOSTMANN
et al., 2005) e todos os pressupostos da estrutura axiomática (ordenabilidade e transitividade)
do método são consistentes com o problema a ser estudado.
24
2.7 Método MAUT
A formalização da teoria da utilidade efetuada por NEUMANN e MORGENSTERN
(1947), posteriormente refinada por FISHBURN (1970) e KEENEY e RAIFFA (1976; 1999),
serviu de base para a formulação de uma teoria de preferência para escolhas envolvendo
riscos (DYER, 2005).
KEENEY e RAIFFA (1999) introduziram o conceito de se medir a utilidade de cada
uma das alternativas candidatas à resolução de um problema decisório, na presença de
múltiplos atributos, através da construção de uma função matemática. Ao estimar a função de
utilidade, constrói-se um modelo matemático de representação de preferências (CLEMEN e
REILLY, 2001).
De acordo com GOMES, GOMES e ALMEIDA (2006), o decisor deve obedecer aos
seis axiomas relacionados a seguir, de modo que sua função de utilidade possa ser
perfeitamente definida.
• Axioma da Ordenabilidade: dadas as consequências A e B, pode-se dizer que
A é preferível a B, ou A é indiferente a B ou B é preferível a A;
• Axioma da Transitividade: se A é preferível a B e B é preferível a C, então A é
preferível a C. Se A é indiferente a B e B é indiferente a C, então A é
indiferente a C;
25
• Axioma da Continuidade: se A é preferível a B e B é preferível a C, então
existe uma probabilidade p, 0 < p < 1, tal que B seja indiferente a uma loteria
com probabilidade p de ocorrer A e p-1 de ocorrer C;
• Axioma da Substitutabilidade: é possível substituir um evento incerto com
consequência A por outro evento equivalente mais complexo B, ou seja, é o
inverso do axioma da redutibilidade;
• Axioma da Redutibilidade: é possível reduzir um evento complexo com
consequência A por outro evento equivalente menos complexo B, sem afetar as
preferências do decisor.
• Axioma da Monotonicidade: caso existam duas consequências equivalentes, o
decisor prefere aquela com maior probabilidade de alcançar o resultado
desejado.
De acordo com DYER (2005) a teoria da preferência multiatributo seria um termo
mais geral para cobrir diversos modelos multiatributo de escolhas. O autor argumenta que,
apesar de muitos acadêmicos considerarem a teoria da utilidade multiatributo de KEENEY e
RAIFFA (1976; 1999) como sinônimo da teoria da preferência multiatributo, essa teoria não é
apropriada para decisões envolvendo múltiplos objetivos, quando o risco não é um fator a ser
considerado, tendo em vista que os axiomas apropriados para escolhas de risco não precisam
ser satisfeitos nestes casos.
26
BELTON e STEWART (2002) adotam a nomenclatura “Teoria de Valor Multiatributo
– MAVT (Multiattribute Value Theory)” e consideram que a teoria da utilidade pode ser vista
como uma extensão da teoria de valor aplicada às situações de incerteza. DYER (2005)
corrobora esta afirmação definindo uma função de representação de preferência, sob
condições de certeza, como função valor (v) e uma função de representação de preferência,
sob condições de risco, como função utilidade (u).
De acordo com DYER (2005) a teoria da utilidade multiatributo é baseada em
rigorosos axiomas que caracterizam o comportamento de escolha dos indivíduos e são
essenciais para o estabelecimento de funções de representação de preferências, se constituindo
na base lógica para a análise quantitativa de preferências. A seguir são apresentados estes
axiomas sugeridos pelo autor:
• Preferência Assimétrica: assume que o decisor está apto para escolher sem
contradição entre duas alternativas, ou seja, não pode haver preferência estrita
de x em relação a y e de y em relação a x simultaneamente;
• Transitividade Negativa: se x é preferível estritamente a y e qualquer outro
elemento z em X, então ou x é preferível estritamente a z ou z é preferível
estritamente a y ou ambos;
• Se uma relação de preferência estrita é assimétrica e negativamente transitiva é
chamada de ordenação fraca;
27
• Se uma relação de preferência é uma ordenação fraca, então as relações de
indiferença e preferência fraca associadas são bem comportadas;
Portanto, um indivíduo cuja preferência estrita possa ser representada por uma
ordenação fraca pode ranquear todas as alternativas em uma ordenação única e, se a
preferência estrita em X é uma ordenação fraca e X é finito, então, existe uma representação
numérica de preferência representada por uma função de valor real em X (DYER, 2005), tal
que x é preferível a y se, e somente se, o resultado da função de valor v(x) é maior do que o
resultado da função de valor v(y), para todo x e y em X (FISHBURN, 1970).
Existem duas formas predominantes de análise de alternativas para o método MAUT:
a aditiva e a multiplicativa (KEENEY e RAIFFA, 1999). A mais simples e amplamente
utilizada forma de função de utilidade é o modelo aditivo (BELTON e STEWART, 2002;
DYER, 2005). A Função multiatributo aditiva é a agregação, por adição, constituindo uma
média ponderada das utilidades segundo cada atributo (CLEMEN e REILLY, 2001).
Em síntese, na função de utilidade aditiva, calcula-se a utilidade multiatributo,
expressa por uma nota ou uma pontuação, para cada objetivo (ou critério), e depois essas
utilidades são somadas, ponderando-se apropriadamente os critérios de acordo com suas
importâncias relativas aos demais (CLEMEN e REILLY, 2001).
A condição de independência é necessária para se utilizar a função de utilidade aditiva
(DYER, 2005; RAIFFA, 2006), isso significa que uma compensação (isto é, uma relação de
troca, ou trade-off) entre quaisquer dois critérios, que o tomador de decisão esteja disposto a
aceitar, não pode depender de qualquer outro critério (BELTON e STEWART, 2002;
28
RAIFFA, 2006). Segundo CLEMEN e REILLY (2001), um critério y é dito independente do
ponto de vista das preferências com relação a x, se as preferências pelas conseqüências
específicas de y não dependerem da variação do nível do critério x.
BELTON e STEWART (2002) esclarecem que a função de valor aditiva pode ser
expressa pela fórmula a seguir:
eq. (1)
Na qual v(a) é o valor que se deseja obter para uma alternativa a, vi(a) é um valor
específico de a para um critério i, i variando de 1 a m, e wi é o peso dado para o critério i.
De acordo com CLEMEN e REILLY (2001), caso se identifique a dependência entre
os critérios, recomenda-se que a família de critérios seja repensada e transformada,
eventualmente por meio de agrupamentos ou mesmo de redefinições.
Outra opção, nos casos onde a representação aditiva não possa ser utilizada, é
considerar a utilização de uma forma multiplicativa, sendo que com isso, condições mais
rigorosas devem ser satisfeitas (DYER, 2005). A utilização da forma multiplicativa exige que
cada subconjunto de critérios satisfaça a condição de independência com os demais critérios
(CLEMEN e REILLY, 2001).
∑=
=m
i
aav iivw1
)()(
29
A fórmula apresentada a seguir é a representação matemática da função de valor
multiplicativa sugerida por DYER (2005):
eq. (2)
Onde vi é a função de valor de atributo único de xi, escalado entre 0 e 1, λi são
constantes de escala positiva e λ é uma constante de escala adicional. Caso a constante de
escala adicional λ seja igual a zero, a eq.(2) pode ser reduzida para a forma aditiva:
eq. (3)
Onde , ou seja, o somatório das constantes de escala positiva é igual a 1.
∏=
+=+n
i
iii xvxv1
]1[ )()(1 λλλ
∑=
=n
i
iii xvxv1
)()( λ
∑=
=n
i
i
1
1λ
30
2.8 Técnicas de Atribuição de Pesos
A definição dos pesos de cada critério reflete a importância de cada um destes para o
decisor no problema a ser solucionado (GOODWIN e WRIGHT, 2000), por isso é
extremamente importante conhecer as técnicas de atribuição de pesos para escolher a mais
adequada ao contexto. Para TRIANTAPHYLLOU (2000) ao atribuir pesos aos critérios no
processo decisório, o decisor deve procurar fazê-lo de modo a representar a verdadeira
importância de cada critério.
No método Trade-off Weighting (KEENEY e RAIFFA, 1999), o decisor compara duas
alternativas que se diferenciam por apenas dois atributos com os outros atributos mantidos
fixos. É realizado um ajuste em um dos atributos até que as alternativas contenham igualdade
de preferências.
O método SMART é amplamente utilizado por causa da sua simplicidade nas
respostas necessárias do decisor e na maneira pela qual estas respostas são analisadas
(GOODWIN e WRIGHT, 2000). Neste método as alternativas são ordenadas de forma
decrescente, sendo que o valor 10 é atribuído para a alternativa de menor importância
(MUSTAJOKI, HAMALAINEN e SALO, 2005). As demais são avaliadas em relação a esta
alternativa e os valores atribuídos devem ser maiores do que 10 e proporcionais a preferência
na comparação entre elas.
Segundo POYHONEN e HAMALAINEN (2001) e POYHONEN, VROLIJK e
HAMALAINEN (2001), deve-se tomar cuidado com os possíveis vieses de julgamento por
31
parte dos decisores, pois ao determinar o valor 10 para o atributo de menor importância, o
decisor pode ser influenciado a pontuar os demais atributos com múltiplos de 10.
Os pesos são calculados a partir da normalização da pontuação em relação ao total de
pontos atribuídos (MUSTAJOKI, HAMALAINEN e SALO, 2005). A tabela a seguir
exemplifica a aplicação da técnica SMART para cinco atributos:
1ª. Etapa: Ordenação
2ª. Etapa: Pontuação
3ª. Etapa: Normalização
Atributo 1 (Mais Importante) 100 0,425532
Atributo 2 70 0,297872
Atributo 3 30 0,127660
Atributo 4 25 0,106383
Atributo 5 (Menos Importante) 10 0,042553
Tabela 3 – Exemplo de Aplicação da Técnica SMART
O método SMARTER é uma simplificação do SMART, a função de valor é linear e o
processo de comparação é mais simples: o decisor ordena as trocas por importância
(GOODWIN e WRIGHT, 2000). Os pesos são calculados utilizando o Rank Centroid Method
(BARRON e BARRET, 1996) que converte o ranking em um conjunto aproximado de pesos,
conforme exemplificado na tabela a seguir:
1ª. Etapa: Classificação 2ª. Etapa: Fórmula 3ª. Etapa:
Peso
1 1/5 * (1/1 + 1/2 + 1/3 + 1/4 + 1/5) 0,456667
2 1/5 * (1/2 + 1/3 + 1/4 + 1/5) 0,256667
3 1/5 * (1/3 + 1/4 + 1/5) 0,156667
4 1/5 * (1/4 + 1/5) 0,090000
5 1/5 * (1/5) 0,040000
Tabela 4 – Exemplo de Aplicação da Técnica SMARTER
32
A técnica de ponderação Direct Rating é utilizada quando um critério é difícil de ser
quantificado, por exemplo, imagem ou conforto, o decisor é convidado a ordenar de maneira
decrescente as alternativas (GOODWIN e WRIGHT, 2000). É atribuído o valor 100 para a
mais preferida e 0 para última do ranking, as demais são posicionadas pelo decisor entre estas
duas alternativas. Os valores relativos ao posicionamento de cada alternativa representam a
quantificação das alternativas segundo um determinado critério.
No método Swing Weighting (WINTERFIELD e EDWARDS, 1986), o decisor é
convidado a considerar a situação hipotética de uma alternativa que possui a menor pontuação
em todos os critérios envolvidos no processo de decisão (GOODWIN e WRIGHT, 2000;
MUSTAJOKI, HAMALAINEN e SALO, 2005). Com isso é criada uma situação de
benchmark (referência), caracterizada pelo pior cenário.
O decisor atribui 100 pontos para o critério que decide elevar à maior pontuação
possível. Após atribuir 100 pontos para esse critério, elimina-o do processo. O decisor
consulta os critérios restantes e novamente escolhe o critério que gostaria de elevar e atribui
um valor inferior a 100 pontos e assim sucessivamente (GOODWIN e WRIGHT, 2000;
MUSTAJOKI, HAMALAINEN e LINDSTEDT, 2006). Portanto, o decisor atribui uma
pontuação para cada critério partindo do mais relevante até o critério com pouca relevância.
Swing Weighting é uma técnica que pode ser utilizada em praticamente qualquer
situação de mensuração de pesos e tem como grande vantagem a construção intuitiva. O
decisor define uma situação de benchmark e ordena os critérios de maneira decrescente,
atribuindo pontos para cada um nesta ordem (CLEMEN e REILLY, 2001).
33
Segue abaixo uma tabela com o exemplo de ponderação utilizando a técnica interativa
Swing Weighting, onde o peso do critério é igual a nota do critério divida pela soma de todas
as notas:
Critérios Ranking Nota Peso
Benchmark 3 0 -
Critério I 1 100 0,76923
Critério II 2 30 0,23076
Tabela 5 – Exemplo de Aplicação da Técnica Swing Weighting
No método Interval SMART / Swing Weighting, o atributo de referência pode ser
qualquer atributo, não precisa ser necessariamente o mais importante ou o de menor
importância, permitindo que o decisor utilize intervalos de julgamento na ponderação e avalie
as alternativas considerando a imprecisão (MUSTAJOKI, HAMALAINEN e SALO, 2005).
Portanto, segundo estes próprios autores, o método apresentado permite a modelagem de
imprecisão sem a perda significativa da facilidade já constatada pelos métodos SMART e
Swing Weighting no processo de ponderação dos critérios.
Outro método importante é o Even Swaps, ou Trocas Justas, este é composto por um
processo de eliminação baseado nos valores de trade-offs, com a finalidade de obter-se a
escolha da melhor alternativa (HAMMOND, KEENEY e RAIFFA, 1998; KEENEY e
RAIFFA, 1999). A essência do método trocas justas é uma forma de permuta, este obriga a
estimar o valor de um objetivo de acordo com outro (HAMMOND, KEENEY e RAIFFA,
2004). O objetivo do método é a realização de permuta com o intuito de tornar os atributos
irrelevantes, conduzindo as alternativas a terem preferências iguais ou a dominação de uma
por parte da outra (MUSTAJOKI e HAMALAINEN, 2005).
34
3 Metodologia
3.1 Introdução
A Teoria da utilidade multiatributo foi aplicada na empresa Wicz no processo de
seleção de ferramenta de Business Intelligence. A empresa determinou um comitê responsável
pelo processo de seleção da ferramenta, este é composto por dois profissionais da área de
controladoria, um da área de marketing (pesquisa), dois da área de TI e um consultor externo
especializado em BI. Outra determinação importante da empresa foi que somente os
principais fornecedores de soluções de BI participariam de todo o processo de seleção.
Após várias reuniões do comitê responsável, definiu-se que os seguintes fornecedores
participariam do processo de seleção: Business Objects, Cognos, Oracle BI Enterprise
Edition, Oracle Discoverer e MicroStrategy. A ferramenta Hyperion foi desconsiderada da
análise por ter sido comprada pela Oracle e futuramente será descontinuada (não terá suporte
e nem haverá lançamento de novas versões ou funcionalidades), outra ferramenta descartada
do processo de avaliação foi a SAS devido aos custos elevados de licenciamento e a baixa
produtividade para usuários leigos (alta curva de aprendizado). Estas informações foram
fornecidas pelo consultor especializado em BI.
35
Foi determinado também que os critérios de avaliação das ferramentas seriam
apresentados pelo consultor especializado e submetidos à aprovação do comitê do processo de
seleção. Após várias reuniões para ajuste dos critérios e dos sub-critérios apresentados pelo
consultor especializado, o comitê responsável pelo processo definiu como relevante para o
processo de seleção e adequado para as necessidades da empresa Wicz, 10 critérios e 36 sub-
critérios apresentados na tabela abaixo:
1 – Plataforma 1.1 - Suportada
1.2 - Aconselhada
1.3 - Mínima
1.4 - Ideal
2 – Características Básicas 2.1 - Suporte Técnico
2.2 - Arquitetura
2.3 - Novas Versões
2.4 - Funcionalidades
2.5 - Formas de Acesso
3 – Funcionalidades Web 3.1 - Funções
3.2 - Fórum
3.3 - Browsers
3.4 - Help On-line
3.5 - Idiomas
4 – Relatórios e Gráficos 4.1 - Funções
4.2 - Assistentes
4.3 - Tipos de gráficos
4.4 - Agendamento Relatório
4.5 - Fontes Externas
4.6 - Templates
4.7 - Grupos Customizados
4.8 - Dashboards
5 – Mineração de dados 5.1 - Recurso
5.2 - Assistentes
6 – Simulação de Cenários 6.1 - Simulação - What If
6.2 - Projeção de relatório
6.3 - Análises de Tendência
7 – Política de segurança 7.1 - Criação de Níveis
7.2 - Permissão de Acesso
36
8 – Capacity Planning 8.1 - Capacidade
8.2 - Performance
8.3 - Servidores em Cluster
9 – Plano de Recovery 9.1 - Banco de Dados
9.2 - Metadados
10 – Ferramentas de Planejamento 10.1 - Ferramentas Integradas
10.2 - Nível de Integração
Tabela 6 – Critérios para Avaliação
Os critérios foram avaliados seguindo uma consolidação dos fatores sugeridos por
ROY (2005) e KEENEY e RAIFFA (1999):
• Completude: todos os critérios relevantes foram contemplados;
• Operacionalidade: os critérios são suficientemente específicos nos níveis mais
baixos da hierarquia;
• Decomponibilidade: pode-se avaliar o desempenho de uma alternativa em
relação a um critério, independente do seu desempenho em relação a outros
critérios;
• Ausência de Redundância: um critério não pode representar a mesma realidade
que outro, mesmo que seja parcialmente;
• Tamanho Mínimo: deve-se assegurar que os critérios não sejam decompostos
além do nível em que podem ser avaliados;
• Legibilidade: o que cada critério mede ou representa deve ser compreensível
para todos os envolvidos nos processo decisório;
• Monotônica: a ordenação das preferências parciais, representadas pela
avaliação ou julgamento de cada critério, deve ser consistente com a ordenação
das preferências globais expressas sobre as alternativas;
37
• Comparabilidade: a hierarquia de critérios estabelecida deve possibilitar, de
forma legítima, a comparação de subgrupos de critérios;
Elaborou-se um questionário que abordasse todos os critérios listados acima com o
intuito de levantar junto aos fornecedores as informações pertinentes ao processo de seleção
de ferramenta de BI. Este questionário (Apêndice A), denominado RFI, foi elaborado em
conjunto com o consultor especializado e aprovado pelo comitê gestor do processo.
Após a aprovação do questionário, este foi enviado aos fornecedores para o devido
preenchimento das respostas. À medida que os fornecedores foram enviando os questionários
respondidos, o consultor especializado em BI verificava a necessidade ou não de maiores
esclarecimentos junto ao respectivo fornecedor. Caso fosse necessário, o consultor
especializado entrava em contato com o fornecedor com o intuito de esclarecer as dúvidas
apresentadas.
Apesar do interesse apresentado pelos fornecedores em suprir à empresa Wicz com
todas as informações possíveis sobre as ferramentas de BI, existia um claro interesse em
omitir ou não apresentar deficiências ou falhas inerentes a qualquer ferramenta, já que o
processo de seleção resultará em um contrato de licenciamento e suporte com o fornecedor
escolhido.
Após inúmeras tentativas de contato para esclarecimento das dúvidas, o comitê
responsável pelo processo de seleção fixou em trinta dias o prazo limite para o levantamento
das informações adicionais. Com a fixação deste prazo a empresa Wicz valorizava o pronto-
38
atendimento de alguns fornecedores e delimitava possíveis atrasos com intuito de omissão por
parte de outros fornecedores.
3.2 Tratamento dos Dados
O comitê responsável pelo processo de seleção da ferramenta de Business Intelligence
determinou que a pontuação para cada item das respostas apresentadas pelos fornecedores na
RFI será entre 0 e 1. Os itens serão julgados pelo comitê da seguinte forma:
• Nota 0,00 (zero) quando o fornecedor não respondeu o item ou a empresa Wicz
não conseguiu obter a informação;
• Nota 0,25 quando a resposta do item for considerada abaixo do esperado pelo
comitê responsável pelo processo;
• Nota 0,50 quando a resposta do item for considerada dentro do esperado pelo
comitê responsável pelo processo;
• Nota 0,75 quando a resposta do item for considerada acima do esperado pelo
comitê responsável pelo processo;
• Nota 1,00 quando a resposta do item superar a expectativa do comitê
responsável pelo processo;
39
Segue abaixo uma tabela com as notas de todas as ferramentas de BI para o critério 4 –
Relatórios e Gráficos e sub-critério 4.1 – Funções, para exemplificar a forma de pontuação:
Critérios Ferramentas
Oracle BI EE Cognos Business
Objects Microstrategy Oracle Discoverer
4 - Relatórios e Gráficos
4.1 - Funções
Visualização de query 0 0,5 0,5 0,5 0,5
Possibilidade de edição de query 0 1 1 1 0,5
Passagem de parâmetro 0,5 0,5 0,5 0,5 0,5
Utilização como base de outro 0,5 0,5 0,5 0,5 0,5
Utilização de mais de um fato 0 0 0,5 0,5 0,5
Adição de filtros e classificação 0,5 0,5 0,5 0,5 0,5
Slice and dice 0,5 0,5 0,5 0,5 0,5
Criação de alertas p/ condições 0,5 0,5 0,5 0,5 0,5
Tipos de Funções 0,5 0,5 0,5 0,75 0,5
Tabela 7 – Notas do Critério 4 – Relatórios e Gráficos - Sub-Critério 4.1 – Funções
3.3 Atribuição dos Pesos
A técnica utilizada na atribuição de pesos foi Swing Weighting, pois pode ser utilizada
em qualquer situação e apresenta um caráter intuitivo (CLEMEN e REILLY, 2001). Esta
necessita de uma intensa interação com o decisor para a definição dos pesos, (CLEMEN e
REILLY, 2001), propiciando um maior alinhamento entre o julgamento intuitivo do decisor e
a ponderação sugerida pela técnica (DURBACH e STEWART, 2003).
A técnica de ponderação Swing Weighting é utilizada com freqüência em conjunto
com a MAUT (SHULTZABERGER et al., 2003; FRENCH et al., 2005) e facilita a
40
compreensão dos stakeholders clarificando o impacto da importância relativa dos pesos nos
resultados (TRAINOR et al., 2007).
Como no processo de seleção da empresa Wicz foi definido um comitê responsável,
este grupo de pessoas representa o decisor no contexto deste trabalho. Portanto, o consultor
especializado em BI juntamente com o comitê responsável, figurando como decisor,
atribuíram os pesos para todos os critérios e sub-critérios.
Primeiramente uma situação hipotética é definida como sendo a pior hipótese possível
(benchmark), onde todos os critérios tenham a pior avaliação. Exemplificando para o critério
5 – Mineração de Dados, sub-critério 5.1 – Recursos e 5.2 – Assistentes, ficou definido como
hipótese benchmark, o fato da ferramenta não apresentar assistentes e a inexistência de
recursos (ambos sub-critérios).
Após a definição do pior cenário, o comitê responsável pelo processo de seleção foi
questionado sobre qual dos dois sub-critérios, 5.1 – Recursos ou 5.2 – Assistentes, era mais
importante para empresa Wicz. A escolha do comitê foi o sub-critério 5.1 – Recursos, com
isso atribuiu-se a nota 100 e a posição 1 no ranking para este sub-critério. O comitê foi
questionado sobre qual seria a nota do sub-critério 5.2 – Assistentes considerando que o sub-
critério 5.1 – Recursos era 100. A nota definida pelo comitê para o sub-critério 5.2 –
Assistentes foi 85 e sua posição 2 no ranking, já que apenas dois sub-critérios existem para
serem avaliados no item 5 – Mineração de Dados.
41
Portanto, a nota para benchmark foi definida como 0 e sua posição no ranking 3, o
sub-critério 5.1 – Recursos ficou com nota 100 e posição 1 no ranking e o sub-critério 5.2 –
Assistentes ficou com nota 85 e posição 2 no ranking, conforme tabela abaixo:
5 – Mineração de Dados Ranking Nota Peso
Benchmark 3 0 0,0000
5.1 – Recursos 1 100 0,5405
5.2 – Assistentes 2 85 0,4595
Tabela 8 – Notas e Pesos do Sub-Critério 4.8 - Dashboards
O peso foi calculado com base na nota do sub-critério divido pela soma das notas de
todos os sub-critérios, ou seja, o peso para o sub-critério 5.1 – Recursos foi calculado da
seguinte forma: nota do sub-critério 5.1 – Recursos (100) divida pela soma das notas de todos
os sub-critérios (100 + 85). E assim sucessivamente para todos os sub-critérios.
O comitê avaliou todos os sub-critérios conforme descrito anteriormente e os
resultados são apresentados nas tabelas de 9 a 19.
Critérios e Sub-Critérios Ranking Nota Peso 1 - Plataforma
Benchmark 5 0 0
1.1 - Suportada 1 100 0,377358
1.2 - Aconselhada 3 45 0,169811
1.3 - Mínima 4 30 0,113208
1.4 - Ideal 2 90 0,339623
Tabela 9 – Notas e Pesos dos Critérios e Sub-Critérios: 1 - Plataforma
42
Critérios e Sub-Critérios Ranking Nota Peso
2 - Características Básicas
Benchmark 6 0 0
2.1 - Suporte Técnico 2 95 0,253333
2.2 - Arquitetura 1 100 0,266667
2.3 - Novas Versões 3 90 0,24
2.4 - Funcionalidades 5 40 0,106667
2.5 - Formas de Acesso 4 50 0,133333
Tabela 10 – Notas e Pesos dos Critérios e Sub-Critérios: 2 – Características Básicas
Critérios e Sub-Critérios Ranking Nota Peso 3 - Funcionalidades Web
Benchmark 6 0 0
3.1 - Funções 4 40 0,131148
3.2 - Fórum 1 100 0,327869
3.3 - Browsers 3 50 0,163934
3.4 - Help On-line 2 80 0,262295
3.5 - Idiomas 5 35 0,114754
Tabela 11 – Notas e Pesos dos Critérios e Sub-Critérios: 3 – Funcionalidades Web
Critérios e Sub-Critérios Ranking Nota Peso
4 - Relatórios e Gráficos
Benchmark 9 0 0
4.1 - Funções 8 30 0,057143
4.2 - Assistentes 3 80 0,152381
4.3 - Tipos de Gráficos 2 95 0,180952
4.4 - Agendamento Relatório 5 65 0,12381
4.5 - Fontes Externas 7 40 0,07619
4.6 - Templates 6 45 0,085714
4.7 - Grupos Customizados 4 70 0,133333
4.8 - Dashboards 1 100 0,190476
Tabela 12 – Notas e Pesos dos Critérios e Sub-Critérios: 4 – Relatórios e Gráficos
43
Critérios e Sub-Critérios Ranking Nota Peso 5 - Mineração de dados
Benchmark 3 0 0
5.1 - Recurso 1 100 0,540541
5.2 - Assistentes 2 85 0,459459
Tabela 13 – Notas e Pesos dos Critérios e Sub-Critérios: 5 – Mineração de Dados
Critérios e Sub-Critérios Ranking Nota Peso
6 - Simulação de Cenários
Benchmark 4 0 0
6.1 - Simulação - What If 1 100 0,444444
6.2 - Projeção de Relatório 3 55 0,244444
6.3 - Análises de Tendência 2 70 0,311111
Tabela 14 – Notas e Pesos dos Critérios e Sub-Critérios: 6 – Simulação de Cenários
Critérios e Sub-Critérios Ranking Nota Peso
7 - Política de segurança
Benchmark 3 0 0
7.1 - Criação de Níveis 1 100 0,571429
7.2 - Permissão de Acesso a Objetos 2 75 0,428571
Tabela 15 – Notas e Pesos dos Critérios e Sub-Critérios: 7 – Política de Segurança
Critérios e Sub-Critérios Ranking Nota Peso 8 - Capacity Planning
Benchmark 4 0 0
8.1 - Capacidade 3 50 0,204082
8.2 - Performance 2 95 0,387755
8.3 - Servidores em Cluster 1 100 0,408163
Tabela 16 – Notas e Pesos dos Critérios e Sub-Critérios: 8 – Capacity Planning
Critérios e Sub-Critérios Ranking Nota Peso 9 - Plano de Recovery
Benchmark 3 0 0
9.1 - Banco de Dados 2 60 0,375
9.2 – Metadados 1 100 0,625
Tabela 17 – Notas e Pesos dos Critérios e Sub-Critérios: 9 – Plano de Recovery
44
Critérios e Sub-Critérios Ranking Nota Peso
10 - Ferramentas de Planejamento
Benchmark 3 0 0
10.1 - Ferramentas Integradas 2 90 0,473684
10.2 - Nível de integração 1 100 0,526316
Tabela 18 – Notas e Pesos dos Critérios e Sub-Critérios: 10 – Ferramentas de Planejamento
Critérios Ranking Nota Peso Benchmark 11 0 0,000000
1 - Plataforma 4 88 0,116248
2 - Características Básicas 10 40 0,052840
3 - Funcionalidades Web 7 65 0,085865
4 - Relatórios e Gráficos 6 75 0,099075
5 - Mineração de Dados 3 95 0,125495
6 - Simulação de Cenários 2 99 0,130779
7 - Política de Segurança 9 55 0,072655
8 - Capacity Planning 5 80 0,105680
9 - Plano de Recovery 8 60 0,079260
10 - Ferramentas de Planejamento 1 100 0,132100
Tabela 19 – Notas e Pesos de Todos os Critérios
3.4 Aplicação do Método
Com a definição de quais critérios serão considerados na avaliação das ferramentas de
BI, com a atribuição dos pesos utilizando a técnica Swing Weighting através de uma intensa
interação com comitê responsável pelo processo de seleção e após o tratamento dos dados
com o mapeamento de todas as notas de cada critério e sub-critério, a Teoria da Utilidade
Multiatributo (MAUT) pode ser aplicada. A opção pela forma aditiva é fundamentada na não
violação da condição de independência dos critérios.
45
A tabela 20 apresenta as notas de todos os fornecedores para o critério 6 – Simulação
de Cenários e os seus sub-critérios. A tabela 21 apresenta os pesos de cada sub-critério do
mesmo critério 6 – Simulação de Cenários.
Critérios e Sub-Critérios Ferramentas
6 - Simulação de Cenários Oracle BI EE Cognos Business Objects Microstrategy Oracle
Discoverer
6.1 - Simulação - What If 0,25 0,5 0,5 0,5 0,5
6.2 - Projeção de relatório 0,25 0,5 0,5 0,5 0,5
6.3 - Análises de Tendência 0,25 0,5 0,5 0,75 0,25
Tabela 20 – Notas do Critério 6 – Simulação de Cenários
Critérios e Sub-Critérios Ranking Nota Peso 6 - Simulação de Cenários
Benchmark 4 0 0
6.1 - Simulação - What If 1 100 0,444444
6.2 - Projeção de Relatório 3 55 0,244444
6.3 - Análises de Tendência 2 70 0,311111
Tabela 21 – Pesos dos Sub-Critérios do Critério 6 – Simulação de Cenários
O cálculo da nota final do critério 6 – Simulação de Cenários é realizado
multiplicando o peso de cada sub-critério pela respectiva nota, posteriormente é feita a soma
destas multiplicações obtendo-se a nota final do critério.
Obtém-se a nota final do critério 6 – Simulação de Cenários para o fornecedor
MicroStrategy com o seguinte cálculo: nota do sub-critério 6.1 Simulação – What If
multiplicada pelo peso deste sub-critério (0,50 * 0,444444) somada com a nota do sub-critério
6.2 – Projeção de Relatório multiplicada pelo peso deste sub-critério (0,50 * 0,244444)
somada com a nota do sub-critério 6.3 – Análises de Tendência multiplicada pelo peso deste
sub-critério (0,75 * 0,311111). Com isso, o fornecedor MicroStrategy obteve 0,57778 como
nota final no critério 6 – Simulação de Cenários.
46
A tabela abaixo apresenta os resultados deste cálculo para todos os fornecedores no
critério 6 – Simulação de Cenários:
Critérios e Sub-Critérios
Ferramentas
Oracle BI EE Cognos Business Objects Microstrategy Oracle
Discoverer
6 - Simulação de Cenários 0,25 0,5 0,5 0,57778 0,42222
Tabela 22 – Nota de Todos os Fornecedores para o Critério 6 – Simulação de Cenários
Estes cálculos são realizados em todos os sub-critérios para todos os fornecedores, a
nota calculada de um sub-critério vira a nota do critério deste sub-critério e posteriormente é
re-calculada ponderando os pesos. A tabela 23 apresenta as notas calculadas a partir dos sub-
critérios de cada critério para todos os fornecedores.
Critérios Oracle BI EE Cognos Business Objects Microstrategy Oracle
Discoverer
1 - Plataforma 0,193716 0,265239 0,449693 0,516419 0,314394
2 - Características Básicas 0,433333 0,566667 0,566667 0,663333 0,446667
3 - Funcionalidades Web 0,314549 0,520492 0,586066 0,423156 0,480533
4 - Relatórios e Gráficos 0,320930 1,095452 0,488237 0,467129 0,482468
5 - Mineração de Dados 0,270270 0,405405 0,250000 0,405405 0,270270
6 - Simulação de Cenários 0,250000 0,500000 0,500000 0,577778 0,422222
7 - Política de Segurança 0,500000 0,500000 0,500000 0,750000 0,500000
8 - Capacity Planning 0,392589 0,295650 0,545918 0,486842 0,341568
9 - Plano de Recovery 0,133547 0,453259 0,367788 0,590144 0,609509
10 - Ferramentas de Planejamento 0,631579 0,750000 0,618421 0,618421 0,368421
Tabela 23 – Notas Calculadas a partir dos Sub-Critérios de Todos os Fornecedores
A tabela 24 apresenta as notas finais de cada critério para todos os fornecedores com a
ponderação dos pesos. A nota final é gerada a partir da nota calculada dos sub-critérios
multiplicada pelo respectivo peso deste critério. Exemplificando este cálculo: o fornecedor
47
Cognos obteve 0,265239 no critério 1 – Plataforma, sua nota final é calculada multiplicando
este valor por 0,116248 (peso do critério), o que pontua este fornecedor com 0,030834 neste
critério (0,265239 * 0,116248).
Critérios Pesos Oracle BI EE Cognos Business Objects Microstrategy Oracle
Discoverer
1 - Plataforma 0,116248 0,022519 0,030834 0,052276 0,060033 0,036548
2 - Características Básicas 0,052840 0,022897 0,029943 0,029943 0,035051 0,023602
3 - Funcionalidades Web 0,085865 0,027009 0,044692 0,050323 0,036334 0,041261
4 - Relatórios e Gráficos 0,099075 0,031796 0,108532 0,048372 0,046281 0,047801
5 - Mineração de dados 0,125495 0,033918 0,050877 0,031374 0,050877 0,033918
6 - Simulação de Cenários 0,130779 0,032695 0,065390 0,065390 0,075561 0,055218
7 - Política de segurança 0,072655 0,036328 0,036328 0,036328 0,054491 0,036328
8 - Capacity Planning 0,105680 0,041489 0,031244 0,057693 0,051450 0,036097
9 - Plano de Recovery 0,079260 0,010585 0,035925 0,029151 0,046775 0,048310
10 - Ferramentas de Planejamento 0,132100 0,083432 0,099075 0,081694 0,081694 0,048669
Total % 34,27% 53,28% 48,25% 53,85% 40,77%
Tabela 24 – Notas Finais de Todos os Fornecedores por Critério
A figura abaixo ilustra graficamente o posicionamento das três melhores ferramentas
de BI analisadas (MicroStrategy, Cognos e Business Objects) sob todas as dez perspectivas
consideradas em todo o processo de seleção.
Apesar da ferramenta Cognos ser disparada a melhor no critério 4 – Relatórios e
Gráficos, o peso deste é pequeno (menos de 10%) em relação aos demais, por isso este
fornecedor obteve o segundo lugar no ranking geral.
48
Plataforma
Características Básicas
Funcionalidades Web
Relatórios e Gráficos
Mineração de Dados
Simulação de Cenários
Política de Segurança
Capacity Planning
Plano de Recovery
Ferramentas Planejamento
Cognos
Business Objects
Microstrategy
Figura 2 – Gráfico das Três Melhores Ferramentas Analisadas Sob Todas as Perspectivas
A MicroStrategy foi a mais consistente em todos os critérios de maneira geral, esteve
em primeiro lugar em 5 dos 10 critérios avaliados, ou seja, manteve-se na liderança em
metade dos critérios e nos demais esteve sempre próximo aos concorrentes, justificando o
primeiro lugar geral no processo de seleção.
A pequena diferença encontrada na pontuação final da MicroStrategy (53,85%) e da
Cognos (53,28%) evidencia a necessidade de avaliação de outros critérios, visando encontrar
maiores indícios que justifiquem a escolha de uma destas ferramentas. Portanto, recomenda-se
a comparação de outros critérios, propiciando um maior embasamento para a opção entre
MicroStrategy e Cognos.
49
3.5 Análise de Sensibilidade
BELTON e STEWART (2002) afirmam que depois que se obtém os primeiros
resultados calculados pela MAUT, é necessário realizar uma análise de sensibilidade, com o
intuito de se verificar se as conclusões preliminares são suficientemente sólidas (análise de
robustez), ou se são muito sensíveis a determinadas mudanças nas variáveis do modelo.
Em síntese, a análise de sensibilidade permite avaliar se a estrutura e o conteúdo do
modelo são suficientemente apropriados para resolver o problema em questão e sua aplicação
é necessária para verificar possíveis incongruências que possam conduzir a diferentes
decisões (CLEMEN e REILLY, 2001). A análise de sensibilidade é comumente utilizada para
medir analiticamente o impacto da incerteza nos resultados do modelo de decisão
(MUSTAJOKI, HAMALAINEN e LINDSTEDT, 2006).
Para avaliar o grau de confiabilidade dos resultados apresentados neste estudo, foi
necessária a simulação de diferentes cenários, esta análise de sensibilidade visa garantir e
corroborar os resultados sugeridos. Estas simulações foram feitas basicamente com a
alteração dos pesos dos critérios mais significativos de todo o processo de seleção da
ferramenta de BI. Esta alteração permite verificar o quão sensível é o atual ranking das
alternativas para as mudanças nos pesos aplicados (TRIANTAPHYLLOU, 2000).
Os critérios com maior peso no processo de seleção são: 10 – Ferramentas de
Planejamento (13,21%), 6 – Simulação de Cenários (13,08%) e 5 – Mineração de Dados
50
(12,55%), por isso optou-se por começar as simulações com uma troca entre os pesos destes
critérios, conforme ilustrado com os cenários a seguir:
• Cenário I: o peso do critério 10 – Ferramentas de Planejamento (13,21%) foi
trocado com o peso do critério 6 – Simulação de Cenários (13,08%), apesar da
ferramenta Cognos possuir a maior nota no critério 10 – Ferramentas de
Planejamento sua avaliação no outro critério não foi tão forte, com isso as
posições permanecem as mesmas, não havendo alterações no ranking geral;
• Cenário II: o peso do critério 5 – Mineração de Dados (12,55%) foi trocado com o
peso do critério 10 – Ferramentas de Planejamento (13,21%), esta substituição
não alterou o posicionamento dos fornecedores no ranking, principalmente porque
no critério 5 – Mineração de Dados a nota dos dois primeiros colocados é a
mesma;
• Cenário III: o peso do critério 1 – Plataforma (11,62%) foi trocado com o peso do
critério 10 – Ferramentas de Planejamento (13,21%), esta alteração não modificou
o posicionamento dos fornecedores no ranking, apesar da nota da ferramenta
Business Objects ser superior à nota da Cognos no critério 1 – Plataforma;
• Cenário IV: o peso do critério 10 – Ferramentas de Planejamento (13,21%) foi
trocado com o peso do critério 4 – Relatórios e Gráficos (9,90%). Como a
ferramenta Cognos é disparada a melhor na avaliação do critério 4 – Relatórios e
Gráficos, com nota duas vezes maior do que o segundo fornecedor melhor
51
avaliado neste critério, o posicionamento no ranking foi alterado, colocando a
ferramenta Cognos em primeiro lugar e a MicroStrategy em segundo lugar.
Diversas simulações foram feitas e apenas no Cenário IV o posicionamento das
ferramentas de BI no ranking geral foi alterado, porém esta alteração não é tão relevante para
a análise de sensibilidade, já que se trata de uma situação extrema e realmente o critério 10 –
Ferramentas de Planejamento é o mais importante para a empresa Wicz neste momento.
Segundo BELTON e STEWART (2002) a análise de sensibilidade visa determinar se
algum parâmetro exerce influência crítica na aplicação prática da função multiatributo, ou
seja, se uma pequena mudança em um peso relativo de atributo pode provocar nova ordem
global de preferências. Caso a alteração no posicionamento global das alternativas seja
pequena, a incerteza pode ser ignorada BROWN (2005). Como apenas uma situação extrema
modificou o posicionamento global das alternativas, a análise de sensibilidade comprovou a
consistência da função multiatributo aplicada no processo de seleção.
Portanto, a análise de sensibilidade constatou que a Teoria da Utilidade Multiatributo
aplicada na empresa Wicz é consistente, pois apenas no quarto cenário houve variação no
ranking. Como o critério 10 - Ferramentas de Planejamento é mais importante para a empresa,
esta é uma situação extrema, passível, portanto, de ser desconsiderada na análise.
52
4 Limitação
A aplicação do método MAUT neste estudo apresenta como principal limitação o
tempo para levantamento das informações. Quando a empresa determinou que as informações
deveriam ser obtidas e as dúvidas esclarecidas em até trinta dias, esta abdicou da busca
exaustiva das informações em prol do prazo para escolha da ferramenta de BI. Com isso,
algumas dúvidas não foram esclarecidas e alguns itens ficaram sem resposta, impactando a
qualidade do processo de seleção e as notas finais das ferramentas.
Outra limitação importante é composição do comitê responsável pelo processo de
seleção, este não foi composto por representantes de todas as áreas da empresa. No comitê
existem membros da área de TI, controladoria e marketing, conduzindo a um julgamento de
preferências que representa o interesse destas áreas especificas e não as necessidades da
organização como um todo.
Outro ponto a se destacar como limitação desta pesquisa foi a exclusão de ferramentas
como SAS e Hyperion. Apesar dos argumentos apresentados pelo consultor externo
especializado em BI, a empresa deveria ter considerado todas as ferramentas na análise,
evitando possíveis vieses por parte da consultoria. Segundo ROY (2005), muitos dados são
imprecisos ou podem representar um sistema particular de valores, ou seja, vieses de
53
julgamento. Ao contemplar todas as ferramentas de BI na aplicação de um método formal de
escolhas, os vieses são minimizados e caso os argumentos apresentados pelo consultor fossem
realmente válidos, os resultados apresentariam estes de maneira clara e consistente e estas
ferramentas não seriam selecionadas.
LARICHEV (2001) apresenta uma das limitações inerentes ao método, este afirma
que existem diversas contradições entre os métodos de apoio à decisão que utilizam números
e/ou escalas matemáticas versus as preferências da vida real. BOUYSSOU et al. (2000) e
BELTON e STEWART (2002) afirmam que os resultados numéricos obtidos em qualquer
tipo de análise podem não traduzir da melhor forma o que está acontecendo. E nem todo o
critério qualitativo pode ser facilmente avaliado quantitativamente, por exemplo, capacidade
de comunicação ou resistência à mudança (COOPER e SHINDLER, 2003).
Portanto, a utilização do método MAUT deve ser condicionada ao conhecimento, por
parte dos decisores, da sua estrutura racional, onde os scores (pontuação) determinam o
mérito de cada alternativa, através da análise da performance destas em cada critério e da
compensação entre os critérios (LINKOV et al., 2006). A utilização do método MAUT é
apropriada quando o decisor está em conformidade com a racionalidade deste, cujo principal
objetivo é obter uma função de síntese que agregue todos os critérios numa única função
analítica (GOMES, GOMES e ALMEIDA, 2006).
De acordo com LARICHEV e OLSON (2001) os decisores podem precisar de algum
tipo de capacitação ou treinamento para que os procedimentos da MAUT possam ser
utilizados de maneira adequada, ou seja, os decisores precisam estar aptos a refletir suas
preferências baseado em uma abordagem focada em valores (HOSTMANN et al., 2005).
54
5 Pesquisas Futuras
A aplicação da Teoria da Utilidade Multiatributo pode ser estendida para a escolha de
qualquer tipo de software. Esta dissertação pode servir como base para aplicação da MAUT
no contexto empresarial, com intuito de modelar as preferências dos decisores para escolha de
um novo fornecedor, de investimentos, do local de abertura de uma nova filial, entre a compra
ou o desenvolvimento de um ERP, priorização de projetos e etc.
Pesquisas futuras poderiam aplicar esta metodologia para escolha de ferramentas de BI
em outros segmentos empresariais: indústria, saúde, varejo, telecomunicações, óleo e gás,
engenharia, financeiro e etc. Estas empresas têm suas próprias preferências e necessidades,
conduzindo a um processo de seleção com critérios e pesos diferenciados.
Esta pesquisa poderia ser realizada novamente considerando todas as ferramentas de
Business Intelligence do mercado, incluindo a SAS e a Hyperion no processo de seleção,
evitando a influência dos possíveis vieses apresentados por parte da consultoria ao não sugeri-
las.
Uma nova pesquisa poderia ser realizada ampliando a abrangência do comitê
responsável pelo processo de seleção, incluindo integrantes de todos os departamentos da
55
empresa. Com isso, haveria um maior alinhamento entre o julgamento do comitê e as
preferências da organização com um todo, tornando a modelagem do processo decisório mais
próxima das necessidades da empresa Wicz.
O foco desta pesquisa poderia ser modificado, passando a ser considerada a escolha de
uma composição de ferramentas no processo de seleção e não somente uma ferramenta. Esta
composição permitiria à empresa Wicz trabalhar, por exemplo, com uma ferramenta que fosse
a melhor no critério 4 – Relatórios e Gráficos, e outra que fosse melhor no critério 6 –
Simulação de Cenários. Com isso, seria possível escolher o que as duas ferramentas têm de
melhor e que dificilmente seria encontrado em apenas uma isoladamente.
Outros estudos poderiam utilizar a função de valor multiatributo multiplicativa para
modelar problemas do contexto empresarial, cuja complexidade seja extremamente elevada.
Outras técnicas de atribuição de pesos também poderiam ser utilizadas, como por exemplo,
Interval SMART / Swing Weighting, permitindo o julgamento através de intervalos e a
avaliação das alternativas considerando a imprecisão (MUSTAJOKI, HAMALAINEN e
SALO, 2005).
56
6 Conclusão
A utilização da Teoria da Utilidade Multiatributo como método de apoio à decisão
contribuiu significativamente para transparência e consistência de todo o processo de seleção
de ferramenta de BI na empresa Wicz.
Na impossibilidade de eliminar a subjetividade, ao explicitá-la através da modelagem
do problema, garantiu-se maior transparência ao processo de decisão (GOODWIN e
WRIGHT, 2000), o que é típico de aplicações dessa metodologia analítica (BELTON e
STEWART, 2002; GOMES, GOMES e ALMEIDA, 2006; GOMES, ARAYA E
CARIGNANO, 2004). Os métodos de apoio à decisão oferecem um framework (modelo ou
estrutura) altamente realista e metodológico para a resolução de problemas de decisão
(ZOPOUNIDIS e DOUMPOS, 2002; CHEUNG e SUEN, 2002).
O método MAUT foi utilizado com facilidade pelos integrantes do comitê responsável
pelo processo de seleção. Mesmo os profissionais de áreas como marketing e controladoria
não tiveram dificuldade na compreensão do método, comprovando a simplicidade e o aspecto
intuitivo apresentado por DYER (2005).
57
A fundamentação e a consistência apresentadas pelo método MAUT permitiram
recomendações fidedignas e pautadas no julgamento das preferências do comitê gestor do
processo de seleção, possibilitando discussões focadas nos critérios e nas atribuições dos
pesos (ponderação dos critérios). O método MAUT contribui na identificação de pontos de
discórdia e fontes de possíveis conflitos interpessoais, facilitando as negociações com os
stakeholders (HOSTMANN et al., 2005). Com isso, não houve desperdício de tempo com
discussões infundadas e debates superficiais sem objetividade.
A transparência do método demonstrou a importância do decisor (representado pelo
comitê gestor) na estruturação do problema, de acordo com BELTON e STEWART (2002) os
métodos de apoio multicritério visam complementar o julgamento intuitivo do decisor e sua
experiência, mas não substituí-los. Para GOODWIN e WRIGHT (2000) os métodos
multicritério servem para testar o que intuitivamente se pensa sobre as alternativas de solução
de um problema.
Segundo (BELTON e STEWART, 2002), quando se tem um problema bem
estruturado, já se tem metade do problema resolvido e a fundação sob a qual irá se apoiar a
análise. De acordo com BROWN (2005) a estruturação de um problema passa por identificar
objetivos e metas a serem alcançados, definir quais os critérios que determinam as
preferências do decisor e elencar as possíveis alternativas a serem avaliadas.
A participação ativa dos decisores em todo o processo de estruturação do problema
clarificou os vieses de julgamento, sendo que estes poderiam ocorrer, caso o procedimento
adotado não fosse um método racional de mensuração de preferências. Ao final deste
processo, o decisor obteve o domínio dos atributos do problema e conseguiu perceber o
58
quanto cada um influencia no processo de decisão como um todo (GOMES, GOMES e
ALMEIDA, 2006).
Segundo BELTON e STEWART (2002) os métodos de apoio à decisão possibilitam
um melhor entendimento e concedem os subsídios necessários para se justificar uma decisão
de forma simples e transparente junto aos demais envolvidos no processo decisório, além de
permitir o rastreamento de todos os pontos relevantes à decisão.
Portanto, a utilização da Teoria da Utilidade Multiatributo no processo de seleção da
ferramenta de Business Intelligence na empresa Wicz constatou na prática os benefícios
propiciados pelos métodos de apoio multicritério à decisão, estes são correlatos aos
difundidos amplamente na literatura sobre o assunto, conforme apontado anteriormente por
BELTON e STEWART (2002). Apesar da consistente fundamentação teórica e da
estruturação axiomática do método MAUT, este foi aplicado com transparência e facilidade
por todos os membros do comitê.
Em síntese a utilização do método de apoio à decisão MAUT por parte da empresa
Wicz se mostrou eficaz e eficiente, contribuindo para um processo rápido e flexível de seleção
de ferramenta de BI. Estes benefícios e vantagens proporcionados pelo método justificam
futuras utilizações em outros processos de decisão dentro da própria empresa. Com esta
utilização a empresa terá um processo elaborado de maneira organizada e fundamentado
cientificamente, permitindo simulações rápidas para novos cenários e agilizando a tomada de
decisão.
59
7 Referências Bibliográficas
ASHIKHMIN, I.; FUREMS, E. UniComBOS - Intelligent Decision Support System for
Multi-criteria Comparison and Choice. Journal of Multi-criteria Decision Analysis, v.13
(2-3), p. 147–157, 2005.
BANA E COSTA, C.A.; DE CORTE, J-M. e VANSNICK, J-C. MACBETH. London School
of Economics, Working Paper LSEOR 03.56, 2003.
BANA e COSTA, C. A.; DE CORTE, J-M. e VANSNICK, J-C. On the Mathematical
Foundation of MACBETH . In: FIGUEIRA, J.; GRECO, S.; EHRGOTT, M. et al. Multiple
Criteria Decision Analysis: State of the Art Surveys. Boston: Springer, 2005.
BANA e COSTA, C. A. e VANSNICK, J. C. Cardinal Value Measurement with Macbeth,
Decision Making: Recent Developments and Worldwide Applications. Dordrecht:
Kluwer, 2000.
BARBIERI, C. Business Intelligence: Modelagem e Tecnologia. Rio de Janeiro: Axcel
Books, 2001.
60
BARRON, F. H.; BARRET, B. E. The Efficacy of SMARTER – Simple Multi-Attribute
Rating Technique Extended to Ranking. Acta Psychologica, v.93, p.23-36, 1996.
BELTON, V. e STEWART, T. J. Multiple Criteria Decision Analysis: an Integrated
Approach. Boston: Kluwer Academic Press, 2002.
BOUYSSOU, D. Decision Multicritére ou Aide Multicritére . Bulletin du Groupe de Travail
Européen Aide Multicritère à la Décision, Series 2, N 2, 1-2, 1993.
BOUYSSOU, D.; JACQUET-LAGRÉZE, E.; PERNY, P.; SLOWINSKI, R.;
VANDERPOOTEN, D.; VINCKE, P. Aiding Decisions With Multiple Criteria . Boston:
Kluwer Academic, 2002.
BOUYSSOU, D.; MARCHANT, T.; PIRLOT, M.; PERNY, P.; TSOUKIÁS, A.; VINCKE,
P. Evaluation and Decision Models: A Critical Perspective. Boston: Kluwer Academic,
2000.
BRANS, J. P. e MARESCHAL, B. Prométhée Methods. In: FIGUEIRA, J.; GRECO, S.;
EHRGOTT, M. et al. Multiple Criteria Decision Analysis: State of the Art Surveys.
Boston: Springer, 2005.
BROWN, R. Rational Choice and Judgment Decisor Analysis for the Decider. Hoboken:
Wiley, 2005.
61
CHEUNG, S. e SUEN, H. C. H. A Multi-Attribute Utility Model for Dispute Resolut ion
Strategic Selection. Construction Management and Economics, v. 20, n. 7, p. 557-568, 2002.
COOPER, D. R. e SHINDLER, P. S. Métodos de Pesquisa em Administração. Porto
Alegre: Bookman, 2003.
COOPER, B. L.; WATSON, H. J.; WIXOM B. H.; GOODHUE, D. L. Data Warehousing
Supports Corporate Strategy at First American Corporation . MIS Quarterly, v. 24, n. 4,
p. 547-567, December 2000.
CLEMEN, R. T. e REILLY, T. Making Hard Decisions With Decisions Tools. Pacific
Grove: Duxbury, 2001.
DIAS, L. C.; COSTA, J. P. e CLÍMACO, J. N. O Processamento Paralelo e o Apoio
Multicritério à Decisão: Algumas Experiências Computacionais. Investigação
Operacional, v. 16, p. 181-199, 1996.
DURBACH, I. e STEWART, T. J. Integrating Scenario Planning and Goal Programming.
Journal of Multi-Criteria Decision Analysis, v. 12 (4-5), p. 261-271, 2003.
DYER, J. S. MAUT – Multiattribute Utility Theory In: FIGUEIRA, J.; GRECO, S.;
EHRGOTT, M. et al. Multiple Criteria Decision Analysis: State of the Art Surveys.
Boston: Springer, 2005.
62
FIGUEIRA, J. Electre Methods. In: FIGUEIRA, J.; GRECO, S.; EHRGOTT, M. et al.
Multiple Criteria Decision Analysis: State of the Art Surveys. Boston: Springer, 2005.
FIGUEIRA, J.; GRECO, S.; EHRGOTT, M. et al. Multiple Criteria Decision Analysis:
State of the Art Surveys. Boston: Springer, 2005.
FISHBURN, P. C. Utility Theory for Decision Making . New York: Wiley, 1970.
FRENCH, S.; BEDFORD, T.; ATHERTON, E. Supporting ALARP Decision Making by
Cost Benefit Analysis and Multiattribute Utility Th eory. Journal of Risk Research, v. 8(3),
p. 207-223, 2005.
GELDERMANN, J. e RENTZ, O. Bridging the Gap Between American and European
MADM - Approaches. Presented at the 51st Meeting of the European Working Group
Multicriteria Aid for Decisions, Madrid, 2000.
GOMES, L. F. A. M. Teoria da Decisão. São Paulo: Thomson Learning, 2007.
GOMES, L. F. A. M.; ARAYA, M. C. G.; CARIGNANO, C. Tomada de Decisões em
Cenários Complexos: Introdução aos Métodos Discretos do Apoio Multicritério à
Decisão. São Paulo: Thomson Learning, 2004.
GOMES, L. F. A. M.; GOMES, C. F. S.; ALMEIDA, A. T. Tomada de Decisão Gerencial:
Enfoque Multicritério . 2ª. ed., São Paulo: Atlas, 2006.
63
GOODWIN, P. e WRIGHT, G. Decision Analysis for Management Judgment. Chichester:
Wiley, 2000.
HAMMOND, J.S.; KEENEY, R. L.; RAIFFA, H. Decisões Inteligentes: Somos Movidos a
Decisões – Como Avaliar Alternativas e Tomar a Melhor Decisão. Rio de Janeiro:
Elsevier, 2004.
HAMMOND, J. S., KEENEY, R. L., RAIFFA, H. The Hidden Traps in Decision Making.
Harvard Business Review, n. 76 (5), p. 47-58, 1998.
HENDERSON, J. C. e VENKATRAMAN, N. Strategic Alignment: Leveraging
Information Technology for Transforming Organizations. IBM Systems Journal, v. 38, n.
2-3, p. 472-484, 1999.
HOSTMANN, M. et al. Multi-Attribute Value Theory as a Framework for Con flict
Resolution in River Rehabilitation. Journal of Multi-Criteria Decision Analysis, v. 13 (2-3),
p. 91-102, 2005.
KALAKOTA, R. e ROBINSON, M. E-Business – Estratégias para Alcançar o Sucesso no
Mundo Digital . São Paulo: Bookman, 2002.
KAHNEMAN, D. e TVERSKY, A. Prospect Theory: an Analysis of Decision Under Risk.
Econometrica, v.47, n. 2, p. 263-292, 1979.
64
KEENEY, R. L. Making Better Decision Makers. Decision Analysis, v. 1, n. 4, p. 193-204,
2004.
KEENEY, R. L. e RAIFFA, H. Decisions with Multiple Objectives: Preferences and Value
Trade-offs. Cambridge: Cambridge University Press, 1999.
LARICHEV, O. I. Ranking Multicriteria Alternatives: the Method Zapr os III . European
Journal of Operational Research, v. 131, n. 3, p. 550-558, 2001.
LARICHEV, O. I. e MOSHKOVICH, H. M. Verbal Decision Analysis for Unstructured
Problems. Boston: Kluwer Academic Publishers, 1997.
LARICHEV, O. I. e MOSHKOVICH, H. M. Zapros-LM – A Method and System for
Ordering Multiattribute Alternatives . European Journal of Operational Research, v. 82, n.
3, p. 503-521, 1995.
LARICHEV, O. I. e OLSON, D. L. Multiple Criteria Analysis in Strategic Siting Prob lem.
Dordrecht: Kluwer Academic Publishers, 2001.
LAURINDO, F. J. B. e ROTONDARO, R. G. Gestão Integrada de Processos e da
Tecnologia da Informação. São Paulo: Atlas, 2008.
LINKOV, I. et al. Multicriteria Decision Analysis: A Comprehensive Decision Approach
for Management of Contaminated Sediments. Risk Analysis, v. 26, n. 1, p. 61-78, 2006.
65
LOSHIN, D. Business Intelligence: The Savvy Manager's Guide, Getting Onboard With
Emerging IT. San Francisco, CA: Morgan Kaufmann Publishers, 2003.
MACHADO, E. P.; GOMES, L. F. A. M. e CHAUVEL, M. A. Avaliação de Estratégias em
Marketing de Serviço. Revista de Administração Mackenzie, ano 4, n. 2, p. 61-85, 2003.
MALCZEWSKI, J. GIS and Multicriteria Decision Analysis. New York: Wiley, 1999.
MARTERL, J. M. e MATARAZZO, B. Other Outranking Approaches. In: FIGUEIRA, J.;
GRECO, S.; EHRGOTT, M. et al. Multiple Criteria Decision Analysis: State of the Art
Surveys. Boston: Springer, 2005.
MORAIS, D. C. e ALMEIDA, A. T. Modelo de Decisão em Grupo para Gerenciar Perdas
de Água. Pesquisa Operacional, v. 26, n. 3, p. 567-584, 2006.
MOSHKOVICH, H. M.; MECHITOV, A. I. e OLSON, D. L. Ordinal Judgments in
Multiattribute Decision Analysis. European Journal of Operational Research, v. 137, n. 3, p.
625-641, 2002.
MOSHKOVICH, H. M.; MECHITOV, A. I. e OLSON, D. L. Verbal Decision Analysis. In:
FIGUEIRA, J.; GRECO, S.; EHRGOTT, M. et al. Multiple Criteria Decision Analysis:
State of the Art Surveys. Boston: Springer, 2005.
MUSTAJOKI, J. e HAMALAINEN, R. P. A Preference Programming Approach to Make
the Even Swaps Method Even Easier. Decision Analysis, v.2 n.2, p.110-123, 2005.
66
MUSTAJOKI, J.; HAMALAINEN, R. P. e LINDSTEDT, M. R. K. Using Intervals for
Global Sensitivity and Worst-Case Analyses in Multiattribute Value Trees. European
Journal of Operational Research, v. 174, n. 1, p. 278-292, 2006.
MUSTAJOKI, J.; HAMALAINEN, R. P. e SALO, A. Decision Support by SMART /
SWING: Incorporating Imprecision in the SMART e SWING Methods. Decision
Sciences, v. 36, n. 2, p. 317-339, 2005.
NEUMANN, J. V. e MORGENSTERN, O. Theory of Games and Economic Behavior.
Princeton University Press, Princeton, 1947.
NEWENDORP, P.D., SCHUYLER, J. Decision Analysis for Petroleum Exploration.
Aurora: Planning Press, 2000.
OZERNOY, V. M. Choosing the Best Multiple Criteria Decision-Making Method.
INFOR, v. 30, n. 2, p. 159-171, 1992.
PORTER, M. E. Strategy and the Internet. Harvard Business Review, v. 79, n. 3, p. 63-78,
2001.
POYHONEN, M. e HAMALAINEN, R. P. On The Convergence of Multiattribute
Weighting Methods. European Journal Operacional Research, v. 129 (3), p. 569-585, 2001.
67
POYHONEN, M., VROLIJK, H. C. J. e HAMALAINEN, R. P. Behavioral and Procedural
Consequences of Structural Variation in Value Trees. European Journal of Operational
Research, v134, n. 1, 218-227, 2001.
RAIFFA, H. Preferences for Multi-Attributed Alternatives . Journal of Multi-Criteria
Decision Analysis, 14 (4-6), 115-157, 2006.
ROWE, A. J. e LUCKE, R. Decision Making: 5 Steps to Better Results. Boston: Harvard
Business School Publishing, 2006.
ROY, B. Classement et Choix en Presence de Points de Vue Multiples: la Methode
ELECTRE . Lausanne: Presses Polytechniques et Universitaires Romandes, 1968.
ROY, B. Paradigms and Challenges. In: FIGUEIRA, J.; GRECO, S.; EHRGOTT, M. et al.
Multiple Criteria Decision Analysis: State of the Art Surveys. Boston: Springer, 2005.
ROY, B. e BOUYSSOU, D. Aide Multicritére à la Décision: Méthodes et Cas. Economica,
Paris, 1993.
SAATY, T. L. Método de Análise Hierárquica. São Paulo, Makron Books, 1991.
SAATY, T. L. The Analytic Hierarchy and Analytic Network Processes. In: FIGUEIRA,
J.; GRECO, S.; EHRGOTT, M. et al. Multiple Criteria Decision Analysis: State of the Art
Surveys. Boston: Springer, 2005.
68
SHULTZABERGER, L.; SNYDER, F.; ASCE, M.; MONSABERT, S. Comparative
Evaluation of Analytical and Intuitive Decision Making. Journal of Management in
Engineering, v. 19, n. 2, p. 42-51, 2003.
SCHUYLER, J. Risk and Decision Analysis in Projects. Pennsylvania: Project Management
Institute, 2001.
SERRA, L. A Essência do Business Intelligence. São Paulo: Berkeley, 2002.
SHARIAT, M. e HIGHTOWER, R. Jr. Conceptualizing Business Intelligence
Architecture . Marketing Management Journal, 17(2), 40-46, 2007.
SINGH, H. S. Data Warehouse: Conceitos, Técnicas, Implementação e Gerenciamento.
São Paulo: Makron Books, 2001.
TRAINOR et al. The US Army Uses Decision Analysis in Designing Its US Installation
Regions. INFORMS, 37(3), p. 253-264, 2007.
TRIANTAPHYLLOU, E. Multi-Criteria Decision Making Methods: A Comparati ve
Study. Dordrecht: Kluwer Academic Publishers, 2000.
TROTTA, L. T. F.; NOBRE, F. F.; GOMES, L. F. A. M. Multi-Criteria Decision Making –
An Approach to Setting Priorities in Health Care. Statistics in Medicine, v.18, p. 3345-
3354, 1999.
69
WALLENIUS, J.; DYER, J. S.; FISHBURN, P. C.; STEUER, R. E.; ZIONTS, S.; DEB, K.
Multiple Criteria Decision Making and Multiattribut e Utility Theory: Recent
Accomplishments and What Lies Ahead. Management Science, 54(7), 1336–1349, 2008.
WINTERFELDT, D. V. e EDWARDS, W. Decision Analysis and Behavioral Research.
Cambridge: Cambridge University Press, 1986.
ZOPOUNIDIS, C. Multicriteria Decision Aid in Financial Management. European Journal
of Operational Research, v.119, n. 2, p. 404-415, 1999.
ZOPOUNIDIS, C. e DOUMPOS, M. Multi-Criteria Decision Aid in Financial Decision
Making: Methodologies and Literature Review. Journal of Multi-Criteria Decision
Analysis, 11(4-5), 167-186, 2002.
70
8 Apêndice A
RFI enviada aos fornecedores com intuito de obter informações relevantes ao processo de
escolha da melhor ferramenta de BI para empresa.
Avaliação da Ferramenta
Plataforma
1. Quais plataformas são suportadas? Qual é a mais aconselhada? Existe algum tipo de
limitação para alguma delas?
1.1. Hardware (RISC ou CISC);
1.2. Sistema Operacional (Windows, Solaris, HP-UX e etc);
1.3. Fonte de Dados (Oracle, SQL Server e etc);
1.4. Servidor Web (IIS, Apache e etc);
71
2. Com base na plataforma mais aconselhada, especifique a configuração mínima de
hardware requerido e a ideal, para 50 usuários concorrentes e um DW de 500 GB.
Especifique tanto para o servidor, quanto para o cliente.
Ferramenta OLAP
Características Básicas
3. Qual arquitetura é suportada pela ferramenta (ROLAP, MOLAP e etc)? Com que
periodicidade novas versões são lançadas?
4. A ferramenta possui suporte a tabelas particionadas, materialized views/views, unions,
intersects e outer joins? Existe a possibilidade de visualização da query gerada a partir de
um relatório? É possível editá-la?
5. A ferramenta suporta quais tipos de modelagem (Snowflake Schema, Star Schema e etc)?
6. Explique as formas de licenciamento, custo de aquisição, manutenção e upgrade de versão
para 50 usuários. Cite também as formas de suporte técnico e a disponibilidade (24x7).
72
Funcionalidades Web
7. Existe um portal web que permita a criação, edição, publicação, compartilhamento e busca
de relatórios? Existe a opção de fórum para que usuários comentem um relatório?
8. Quais web browsers são suportados: Internet Explorer, Firefox e etc? Existe a necessidade
de instalação de algum plug-in na máquina cliente? Existe outra forma de acesso aos
relatórios (ex. client server)?
9. Existe um guia para dúvidas on-line (help on-line)? Quais os idiomas suportados pela
ferramenta?
Mineração de Dados
10. Existe algum recurso de mineração de dados (data mining) integrado à ferramenta?
Existem assistentes para facilitar a geração dos modelos?
Simulação de Cenários
11. É possível a simulação de cenários - “what if”? Existe a possibilidade de gerar a projeção
de um relatório (análise de tendência)?
73
Gráficos e Relatórios
12. É possível passar parâmetros para um relatório? Existe a possibilidade de utilizar um
relatório como base para outro? Pode-se utilizar mais de um fato por relatório?
13. Existem assistentes (wizards) para a criação de relatórios e gráficos? Quais os tipos de
gráficos disponíveis?
14. Quais os tipos de análise são suportados pela ferramenta (drill down, up, across, through e
etc)? Caso exista a opção de drill through, quais fontes são acessíveis (Oracle, SQL
Server, Arquivos TXT ou CSV e etc)? Existe a opção de slice and dice (fatiar e
rotacionar)? É possível a criação de alertas (sinalizadores) para uma determinada
condição?
15. Templates: existem relatórios pré-formatados? É possível criar, editar e compartilhar um
template? Quais os tipos de formatação são permitidos (adicionar logomarca, título e etc)?
16. Relatórios: quais os tipos de formatação são permitidos? Existe a possibilidade de
exportação de um relatório para quais formatos (PDF, XLS, HTML, XML)? Existe a
funcionalidade de agendamento (schedule report) e recebimento automático de relatórios
por email? A ferramenta permite adicionar filtros e classificações (ordenações)?
17. Quais os tipos de funções existem na ferramenta (matemática, financeira, estatística, curva
ABC, ranking e etc)?
74
18. A ferramenta disponibiliza uma estimativa de tempo de execução de um determinado
relatório?
19. A ferramenta possui assistentes e templates para a criação de Dashboards e Scorecards?
20. Existe a possibilidade de criação de grupos (ex. Região Sudeste: ES, SP, RJ e MG) e
hierarquias personalizados que não existem previamente no DW.
Política de Segurança
21. Como é implementada uma política de segurança através da ferramenta? É possível a
criação de níveis (usuário, grupo de usuários e etc)? É possível permitir ou bloquear o
acesso de um usuário em um determinado objeto: dimensão, fato ou nível de detalhe?
Capacity Planning
22. Capacity Planning: existe um limite de usuários concorrentes ou volume de informações
suportado? Existe também um limite para o número de dimensões ou fatos?
23. Como é o funcionamento da ferramenta com servidores em cluster? Existe algum
otimizador que utilize recursos de paralelismo?
75
Plano de Recovery
24. Plano de recovery: é possível a realização de backup dos metadados? O armazenamento
pode ser feito em quais bancos de dados?
25. Existe a opção de portabilidade dos metadados para a máquina cliente? Qual a estimativa
de tamanho para o repositório de metadados de um DW de 500 GB?
Ferramentas de Planejamento
26. Existe integração com ferramentas de planejamento, BSC, CPM ou BPM, CRM e etc?
Quais são as ferramentas? Qual é o nível de integração (ex. nativo)?
76
9 Glossário
BENCHMARK – ponto ou situação de referência, utilizada como critério de comparação na
técnica de atribuição de pesos Swing Weighting.
DECISOR – responsável pela decisão, pode ser representado por um indivíduo ou grupo de
indivíduos.
ERP (Enterprise Resource Planning) – sistema de informação que integra e controla todos
os processos de uma empresa.
FRAMEWORK – um modelo, uma estrutura ou metodologia.
OUTRANKING – relação de superação dos métodos da família Electre.
RANKING – posicionamento global das alternativas.
RFI (Request for Information) – questionário para levantamento das informações junto aos
fornecedores das ferramentas de BI.
SCORE – pontuação adquirida por cada alternativa após a avaliação de todos os critérios.
STAKEHOLDERS – todos os envolvidos e interessados no processo decisório.
TRADE-OFF – representa as compensações, ou seja, o que deve-se ganhar de um lado para
perder de outro.