Data Warehouse: Cruzamento de Dados e Inteligência

A quantidade de dados que uma empresa produz, nos dias de hoje, é imensa. Pense que em cada processo, no toque operacional, no fluxo de informações que são gerados: sobre movimentos, acontecimentos, resultados, números, entre outros.

O que ocorre é que muitos desses dados são perdidos no dia a dia. Se hoje a informação é um ativo da empresa, um bem, não utilizar dados ou mesmo ignorar a existência deles, é desperdício.

Problemática dos vários sistemas que não se conversam

Uma empresa é um organismo vivo, onde cada área atua como um órgão independente, tendo os seus próprios sistemas, metodologias e tentando integrar a sua operação com as outras áreas da companhia. O problema é que, às vezes, as características desses sistemas e informações não se conversam.

Quando uma corporação pensa em desenvolver um novo sistema, geralmente faz uma entrevista com os usuários, para determinar pontos importantes do processo, faz um levantamento e análise de requisitos, para o futuro banco de dados, do que será esse sistema.

“Durante essa etapa, o projetista entrevista o possível usuário do banco de dados para entender e documentar seus requisitos de dados. O resultado dessa etapa é o registro conciso dos requisitos do usuário. Esses requisitos deveriam ser especificados em um formulário, da forma mais detalhada e completa possível. Em paralelo à especificação dos requisitos de dados, é útil definir os requisitos funcionais conhecidos da aplicação. Esses requisitos consistem em operações (ou transações) definidas pelo usuário que serão empregadas no banco de dados, incluindo as recuperações e atualizações.” (ELMASRI; NAVATHE, 2018, p. 54)

O próximo passo é modelar esse banco de dados que receberá as informações passadas pelos usuários. Para um primeiro momento, pode ser representado por meio de notações gráficas (ELMASRI; NAVATHE, 2018, p. 56), diagramas de entidade e relacionamento. 

Esse banco de dados vai: a) controlar as informações; b) procurar padrões; c) verificar possíveis anomalias; e d) buscar informações sobre toda a movimentação mensal.

Nem todos os dados têm a mesma estrutura

Muitos dos dados, oriundos da empresa, não têm a mesma formalidade estrutural quanto outros. Por exemplo, projeta-se um sistema para controlar parte da operação (como apresentei anteriormente), mas em um âmbito mais aberto, informações estão sendo geradas em outras áreas. Pense que dispositivos, cartões, parque tecnológico geram insumos, muitas vezes, não estruturados em um sistema.

Como muitas dessas informações não são estruturadas teriam que passar por um processo de normalização, antes de serem armazenadas ou cruzadas com outras informações da empresa. 

Onde entram os data warehouse nisso?

Os data warehouse (armazém de dados) podem armazenar informações diferentes de várias fontes de dados da empresa, sejam elas estruturadas (banco de dados relacionais, etc) ou não (planilhas, documentos, etc). Eles possibilitam a análise de um grande volume de informações, cruzando os dados importantes para tomada de decisões.

[…] um banco de dados especializado, capaz de trabalhar com um número maior de dados, e não apenas com dados internos da empresa. […] Estes softwares são capazes de processar informações e não apenas dados, e podem fazer parte dos sistemas de apoio à decisão (ALVES, 2018, p. 132).

Você começa a conseguir cruzar informações financeiras, de marketing, operacional e outras que serão utilizadas para mineração e praticar um business intelligence em sua empresa, utilizando todo o potencial ativo de conhecimento, gerado em suas operações. Yanaze (2011, p. 281) afirma que:

[…] a mineração de dados ou Data Mining são ferramentas que possibilitam a extração de informações úteis de bancos de dados volumosos e complexos, da descoberta de padrões, associações, mudanças e anomalias nos dados existentes […]”.

Ainda seguindo o raciocínio do autor, a mineração de dados para a empresa pode elevar a capacidade preditiva, prevendo aumento de operação, faturamento, encontrabilidade de padrões e consequentemente possíveis problemas, resolvendo-os, mesmo antes que eles aconteçam. Muitas vezes, nós olhamos para os indicadores como se estivéssemos observando um retrovisor. Essa mudança de paradigma nos faria olhar para frente.

Por onde posso começar?

  1. Para que esses dados sejam cruzados com informações de outras partes da empresa e seja possível prever onde os problemas vão acontecer, será necessário utilizar uma arquitetura com base em uma tecnologia não estruturada (NoSQL), para enxergar a empresa por meio de um prisma multidimensional: cruzar os dados, tirar informações estratégicas;
  2. Organize os dados da sua empresa. Procure fazer um mapeamento de todo o “big data” gerado e saber onde estão os maiores ativos de dados, sistemas que os controlam, informações importantes;
  3. Você não precisa de um data warehouse para começar a produzir análises preditivas. Pode-se começar usando ferramentas como a linguagem R, por exemplo. Ela que possui bibliotecas específicas para análise de dados e certamente algumas das suas fontes podem ser cruzadas por intermédio das rotinas e das bibliotecas do R; 
  4. O resultado das suas pesquisa podem ser mostrados pelos dashboards em ferramentas como o PowerBI, da Microsoft, um ótimo programa para construção de relatórios e visualização de dados;
  5. A partir desses primeiros passos, você terá uma noção das suas necessidades de análise e de como poderá trabalhar os dados com um futuro Data Warehouse.

REFERÊNCIAS BIBLIOGRÁFICAS

ALEXANDRE, J.; CAVIQUE, L. NoSQL no suporte à análise de grande volume de dados. Revista de Ciências da Computação, n. 8, 2013. Disponível em: https://core.ac.uk/download/pdf/61423439.pdf. Acesso em: 12 mar. 2021.

ALVES, E. B. Sistemas de informações em marketing: uma visão 360º das informações mercadológicas. Curitiba: Intersaberes, 2018.

CARDOSO, V.; CARDOSO, G. Sistema de banco de dados. São Paulo: Saraiva, 2012.

ELMASRI, R.; NAVATHE, S. B. Sistemas de banco de dados. 7. ed. São Paulo: Pearson Education do Brasil, 2018.

LAUDON, K. C.; LAUDON, J. P. Sistemas de informações gerenciais. 7. ed. São Paulo: Prentice Hall, 2007.

SNOWDEN, D. J.; BOONE, M. E. A Leader’s Framework for Decision Making. Harvard Business Review, nov. 2007. Disponível em: https://hbr.org/2007/11/a-leaders-framework-for-decision-making. Acesso em: 12 mar. 2021.

YANAZE, M. H. Gestão de marketing e comunicação: avanços e aplicações. 2. ed. São Paulo: Saraiva, 2011.

Show CommentsClose Comments

Leave a comment

dez + treze =