Sistemas de Apoio à Decisão 1 Sistemas de Apoio à decisão.

Sistemas de Apoio à Decisão 1

Sistemas de Apoio à decisão


Definição

"…interactive computer-based systems, which help decision makers utilize data and models to solve unstructured problems."

Scott-Morton, 1970

"Decision support systems couple the intellectual resources of individuals with the capacities of the computer to improve the quality of decisions. It is a computer-based support system for management decision makers who deal with semi-structured problems."

Keen and Scoot-Morton, 1978


Definição

“A DSS is an interactive, flexible, and adaptable CBIS, specially developed for supporting the solution of a non-structured management problem for improved decision making. It utilizes data, it provides easy user interface, and it allows for the decision maker’s own insights.”

DSS sometimes describes any computerized system used to support decision making.

Não existe nenhuma definição universalmente aceite para um sistema de apoio à decisão.


Definição

Sistema de informação computacional para apoiar os decisores na tomada de decisões.

Um SAD é usado para identificar e representar aspectos relevantes de um problema de forma a tornar mais fácil a sua compreensão.

Proporciona decisões melhores, mais consistentes, mais rápidas.

Não toma decisões pelo decisor,...mas proporciona-lhe meios para que ele possa decidir melhor.

O termo SAD é usado, normalmente como referência a um vasto grupo de ferramentas.


Vantagens

• rapidez - os computadores permitem executar um grande número de operações num curto espaço de tempo e a baixos custos;

• ultrapassar os limites cognitivos - Os computadores permitem armazenar e processar muito mais informação do que seria possível a um ser humano.

• redução de custos - um sistema computacional pode reduzir o número de decisores e facilitar a comunicação entre os que se encontram geograficamente distantes.

• Interactividade entre os utilizadores e os modelos.


Vantagens

• decisões objectivas - As decisões baseadas em SAD são mais consistentes e objectivas do que as que são tomadas intuitivamente.

• qualidade - Os computadores podem melhorar a qualidade das decisões, permitindo a formulação de maior número de alternativas, uma rápida análise de risco, a angarição de opiniões de peritos distantes e a execução de simulações complexas.

• suporte técnico - Os computadores permitem guardar, procurar e transmitir dados rápida e economicamente.


Características e capacidades

• Devem permitir o acesso a variadas fontes, formatos e tipos de dados;

• Utilizam modelos para analisar situações contextuais;

• São concebidos para orientar os utilizadores no processo de decisão relacionado com problemas semi-estruturados e não-estruturados;

• Permitem a combinação do julgamento humano com a informação computorizada;

• Apoiam o julgamento, mas não o substituem;



• Devem melhorar a eficácia das decisões (correcção, rapidez, qualidade), mas não necessariamente a eficiência com que são tomadas (custo);

• Interactividade;

• Interface gráfico, intuitivo e fácil de usar;

• Devem suportar diferentes estilos de decisão;

• Devem ser adaptativos e flexiveis;

• Devem suportar todas as fases do processo de decisão.

“Effectiveness is doing the right thing.Efficiency is doing the thing right.”

Peter Drucker



SAD

Modelação e análise da situação Problemas

semi-estruturados ou não

estruturados

Controlo humano

Eficácia

Suporta diversos estilos

de decisãoSuporta todas as fases do processo de

decisão

Adaptatividade e

flexibilidade

Interactividade

Intuitivo e fácil de usar

Acesso a dados


Componentes

A resolução de um problema envolve sempre a exploração de informação. Um SAD deve ser capaz de gerir grandes volumes de dados.

A percepção e compreensão de um problema é aperfeiçoada à medida que observamos os dados disponíveis de variadas perspectivas. Manipulando, interagindo e transformando os dados disponíveis podemos explorar e compreender mais profundamente um problema. Um SAD deve conter modelos e permitir a introdução de novos modelos se surgir a necessidade.

Um sistema só é útil se os utlizadores forem capazes de o utilizar de forma fácil. Os utilizadores de um SAD devem poder aceder aos dados da base de dados, especificar as formas de interacção entre os dados e os modelos do sistema de forma intuitiva e fácil.


Componentes

• Subsistema de gestão de dados

• Subsistema de gestão de modelos

• Subsistema de gestão de conhecimento

• Subsistema de interface

• O utilizador ???


Componentes

Gestão de dados Modelos

Gestão de conhecimento

Interface

Utilizador


Subsistema de gestão de dados

Diversas bases de dados

• internas ou externas

• Intranet, Internet

Dados

• internos: informação sobre a organização

• externos: indicadores económicos, taxas de impostos

• pessoais: preferências e actitudes

Extracção

• Recolha de dados provenientes de diversas fontes.

• Importação de ficheiros, filtragem, resumo e condensação de dados.

• Produção de relatórios a partir da BD do SAD.



Características do SGBD de um SAD:

• Captura/extracção de dados para inclusão na base de dados do SAD;

• Actualização (introdução, eliminação, edição, alteração) dos ficheiros e registos da base de dados;

• Permite estabelecer relações entre dados de diferentes fontes;

• Assegura a protecção dos dados (acesso condicionado, recuperação de dados)

• Manutensão de informação sobre a utilização dos dados dentro do SAD.



Mecanismo de query

Permite aceder e manipular os dados da base de dados.

Aceita um pedido de informação (linguagem própria), formula e devolve o resultado de acordo com os critérios do pedido.

Dicionário

Catálogo de todos os dados da base de dados.

Contém a definição dos dados (fonte, significado, disponibilidade).



Base de dados ou

data warehouse

SGBDinserçãoactualizaçãoeliminaçãobusca e recolhageração de relatórios

Mecanismo de query

Dicionário

Fontes externas Fontes internas Dados pessoais

Extracção

Interface

Modelos

Gestão do conhecimento


Subsistema de gestão de modelos

A base de modelos contém os modelos de simulação, gestão e previsão que conferem as capacidades analíticas ao SAD.

Distinção relativa a outros sistemas computorizados:

Capacidade de invocar, correr, combinar e examinar modelos de simulação.

Linguagem

A disponibilização de uma linguagem de alto nível permite a adaptação dos modelos às necessidades específicas dos problemas.

Directoria de modelos

Catálogo de todos os modelos do SAD.

Contém a definição dos modelos (funcionalidades, capacidade, disponibilidade).



Modelos de planeamento estratégico (desenvolvimento, expansão a longo prazo). Usam em grande parte dados externos. Exemplo: avaliação de impacto ambiental.

Modelos de planeamento tácticos (organização interna, médio prazo). Usam principalmente dados internos. Exemplo: alocação e controlo de recursos.

Modelos operacionais (suportam tarefas do dia-a-dia, curto prazo). Usam principalmente dados internos.

Blocos construtivos ou rotinas (podem ser utilizados na contrução ou alteração dos modelos). Exemplo: análise de regressão, geração de números aleatórios.



Que modelos utilizar para que situação?

• Selecção manual

• Potencial área de investigação



Principais funções do SGBM:

• Gerir e manter a base de modelos (armazenamento, acesso, actualização);

• Criar de modelos a partir de modelos existentes ou de blocos construtivos;

• Controlar a execução dos modelos;

• Coordenar a integração dos modelos (direccionamento de outputs/inputs);

• Manipular os modelos (análise de sensibilidade);

• Manter a informação sobre a utilização dos modelos no SAD;

• Proporcionar a integração entres os modelos e o interrelacionamento com a base de dados.



Modelos (Base de modelos)

Estratégicos, tácticos, operacionais

Estatísticos, financeiros, físícos, ambientais

Blocos construtivos

Directoria de modelos

Sistema de gestão da base de modelos

Criação e execução de modelos

Integração Manutensão Interface com a BD

InterfaceGestão de dados Gestão do conhecimento


Subsistema de gestão de conhecimento

Devido à sua elevada complexidade a resolução de muitos problemas requer sabedoria adicional, para além das capacidades habituais de um SAD. Esta sabedoria pode ser fornecida através de um sistema pericial ou de outro sistema inteligente.

O subsistema de gestão de conhecimento pode incluir vários sistemas inteligentes e é responsável pela execução e integração dos mesmos.

Os SADs que incluem esta componente designam-se por SADs inteligentes.


A interface estabelece a comunicação entre o sistema e o utilizador.

O que o utilizador vê é a interface....

para eles a interface é o sistema.

Whitten and Bentley, 1997

Uma interface inconveniente pode ditar a morte do sistema.

Subsistema de interface


Principais capacidades do subsistema de interface:

• Proporciar um interface gráfico;

• Apresentar os dados numa variedade de formatos e meios (texto, gráficos, fotografia, video, 3D);

• Permitir a interacção com a base de dados e os modelos;

• Fornecer mecanismos de ajuda e treino por exemplo;

• Permitir a visualização simultânea de informação (janelas).

Subsistema de interface


O utilizador pode ser considerado como parte do sistema, uma vez que deve existir uma interacção bastante dinâmica entre este e o sistema.

Existem muitas diferenças a nível de estilos de decisão, preferências, capacidades, background e funções dos utilizadores.

É muito importante conhecer os utilizadores de um sistema antes de o desenhar.

Utilizador


A evolução dos SADs acompanhou a evolução das tecnologias de hardware e software.

A escolha do hardware e software pode ser determinada pelo que já existe na organização e pelas vantagens e desvantagens que apresentam em função do fim específico a que se destina.

Multiple users large shared system

versus

Single user desktop system

Um SAD evolui à medida que o decisor adquire mais informação acerca do problema.

Hardware e software


• Classificação de Alter

• Classificação de Holsapple and Whinston

• Classificação de Donovan and Madnick

• Classificação de Hackathorn and Keen

Classificação


Classificação de Alter

Baseia-se no nível de apoio fornecido pelo output do SAD.

Orientação:

• Dados (2 categorias)

• Dados e modelos (1 categorias)

• Modelos (4 categorias)

Classificação


Classificação de Holsapple and Whinston

6 categorias:

• Text-oriented

• Database-oriented

• Spreadsheet-oriented

• Solver-oriented

• Rule-oriented

• Composto

Classificação


Classificação de Donovan and Madnick

2 categorias:

• Institucional

• Ad-hoc

Classificação de Hackathorn and Keen

3 categorias:

• Pessoal

• Grupo

• Organizacional

Classificação


Sistema feitos à medida

são implementados para determinados clientes com necessidades específicas.

Sistemas standard

Sistemas genéricos usados por diversas organizações.

Menor custo.

Sistemas feitos à medida versus sistemas standard


Bases de dados – armazenamento e recuperação eficiente de dados.

Folhas de cálculo – cálculos, especificação de modelos e geração de gráficos.

Linguagens de programação – implementação de modelos complexos.

OLAP – especificação, recuperação e visualização de dados baseados em diferentes critérios.

Data warehouses – armazenamento organizado de grandes quantidades de dados ao longo do tempo. Reconhecimento de padrões.

Interface design and integration – interação sistema-utilizador, integração de múltiplas ferramentas (como os diferentes módulos comunicam?)

Ferramentas de implementação


Subsistema de Gestão de Dados


Principal função:

Gerir – criar, eliminar, alterar, apresentar os dados dos SAD.



Natureza das fontes de informação

Dados - Items de dados acerca de objectos, eventos, actividades e transacções.

Informação - é aquilo que se consegue extrair, conclusões que inferem dos dados disponíveis, pela organização e interpretação dos mesmos. Mais do que simplesmente aceder aos dados é extrair deles informação.

• Conhecimento - são items de dados que são organizados e processados de modo a proporcionar compreensão, experiência, aprendizagem e sabedoria acerca de um problema ou assunto. Um conjunto de dados processados de modo a extrair as implicações críticas e a reflectir a experiência passada. O conhecimento pode ser a aplicação dos dados e informação para tomar uma decisão.




Quantidade

Dados

Informação

Conhecimento

Grau de abstracção


Fontes de dados

Internas - dados gerados internamente sobre a organização. Pessoal, serviços, produtos, equipamento. Normalmente disponíveis através de uma rede interna.

Externas - São inúmeras as fontes de dados externas: bases de dados comerciais, cd-roms, Internet, dados adquiridos através de sensores ou satélites, televisão, jornais, legislação governamental.

Pessoais - alguns utilizadores podem contribuir com a sua experiência e sabedoria. Exemplos: estimativas subjectivas de vendas, opiniões acerca da competição e interpretação de um artigo.



Recolha de dados

Muitas vezes é necessário ir ao terreno fazer a recolha de dados in loco.

A recolha pode ser feita maualmente ou com o auxílio de instrumentos (sensores e scanners). Exemplos: entrevistas (questionários ao público ou a peritos), observação (câmeras de video).

É muito importante garantir a qualidade dos dados. A necessidade de dados seguros (verdadeiros) e correctos para um SAD é universalmente aceite.

Os dados precisam ser validados e filtrados.



Problemas


Problemas Causa típica Possíveis soluções

Incorrecção

Erros nas inserção dos dados

Erros na geração ou recolha de dados

Desenvolvimento de um método sistemático para garantir a correcção dos dados

Examinar cuidadosamente os dados e o processo de geração dos mesmos

Atrasos O método de geração ou recolha de dados não é suficientemente rápido para suprir as necessidades

Modificar o sistema de geração de dados

Medição ou indexação incorrecta dos dados

Recolha dos dados é feita com uma lógica ou periodicidade inconsistente com as necessidades da análise

Dificuldade de geração e manutensão dos coeficientes em modelos muito detalhados

Desenvolver um sistema que recalcule ou recombine os dados

Desenvolver modelos mais simples e mais agregados

Inexistência Nunca foram recolhidos e armazenados dados que agora são necessários

Os dados não existem

Quer sejam ou não necessários, guardar os dados para utilização futura (dados os custos de armazenamento e manutensão isto pode ser impraticável)

Tentar gerar ou estimar os dados


Bases de dados: estrutura e organização

• Relacionais

• Hierárquicas

• Redes

• Orientados por objecto

• Multimedia

• Baseadas em documentos



Relacionais


Nº de cliente

Nome

6 Silva

14 Pereira

35 Santos

40 Martins

Nº de produto

Designação

8 Papel

10 Cola

23 Lápis

30 Régua

Nº de cliente

Nº de produto

Quantidade

6 8 10

14 10 3

6 23 6

6 30 1

14 8 8

35 10 2

40 30 3

14 23 20


Hierárquicas


Produto

Nome

Quantidade

8 23 30

Papel Lápis Régua

10 6 1

10 8 23

Cola Papel Lápis

3 8 20

Silva Pereira


Redes


Produto

Nome

Quantidade

30 23 8

Régua Lápis Papel

1 26 18

Silva Pereira

10

Cola

3


• Mais informação

• Informação dispersa

• Mais pessoas a interagir com a informação

Solução

• Data warehousing

• Data mining

• Online analytical processing (OLAP)

• Data visualization



Data warehouses

Informação dispersa (contabilidade, marketing)

Há que integrar todas as fontes de dados.

Objectivo:

Criar um depósito de dados que torne o acesso a estes dados fácil e adequado a um SAD ou SIE. Para tomar a decisão certa é necessário investigar o passado e identificar tendências relevantes.



Data warehouses

Adequabilidade

O uso de uma datawarehouse é adequado quando:

• Os dados se encontram dispersos por diversos sistemas com características e localização diferentes;

• As necessidades de informação são muitas, variadas e requerem o cruzamento de informação;

• A mesma informação está representada de forma diferente em sistemas diferentes;

• Os dados estão armazenados de forma excessivamente técnica, e em formatos dificeis de decifrar.



Data warehouses

Características:

• Os dados estão organizados por assuntos detalhados contendo apenas os dados relevantes para o apoio à decisão;

• A representação dos dados é consistente (dados integrados);

• Contém dados temporais, recolhidos ao longo tempo, que podem ser usados para comparações, previsões e calcular tendências;

• Contém dados não voláteis, uma vez introduzidos, não devem ser alterados (dados históricos, upgrade incremental);

• Acessibilidade;

• Manipulação de dados intuitiva.



Data warehouses

Benefícios:

• suporta todos os requisitos dos decisores;

• facilita o acesso a dados críticos;

• isola as bases de dados operacionais para que a sua performance não seja afectada pelo processamento ad hoc;

• fornece sumários da informação (metadata), que ajudam a compreender e a encontrar a informação desejada.



Data warehouses

Componentes:

• Base de dados física - que contém todos os dados da data warehouse, juntamente com a metadata.

• Data warehouse lógica - contém as regras para a gestão da metadata e toda a lógica de processamento para filtrar, organizar e pre-processar os dados para acesso dos utilizadores. Contém, também, a informação necessária para encontrar e aceder aos dados reais onde quer que eles estejam.

• Data mart - é um subconjunto da data warehouse. Normalmente funciona como uma data warehouse departamental, regional ou funcional. Podem ser criadas várias data marts ligadas por uma data warehouse lógica.



Data warehouses

Construção

Ter em conta a utilização e os objectivos da data warehouse.

Considerações de desenho:

• Previsões e utilização (quem a vai usar e para quê);

• Adequação do modelo de dados;

• Características das fontes de dados disponíveis;

• Desenho da componente de metadata;

• Design modular;

• Arquitectura.



Data warehouses

Aquisição de dados

• Extração a partir de múltiplas e heterogéneas fontes;

• Limpeza dos dados é o processo mais trabalhoso na construção de uma data warehouse e deve ocorrer antes dos dados serem carregados para a data warehouse (erros de dactilografia, dados incompletos, city="San Francisco" e state="NY“, dados redundantes);

• Backflushing - actualização das bases de dados fonte com os dados limpos;



Data warehouses

Aquisição de dados (continuação)

• Formatação dos dados de modo a torná-los consistentes (períodos fiscais diferentes em filiais internacionais da mesma companhia dificultando a agregação dos dados por trimestres; os registos das transações dos cartões de crédito podem ser diferentes);

• Ajustamento dos dados ao modelo de dados - Os dados podem ter de ser convertidos de um modelo relacional ou orientado por objecto para um modelo multidimensional.

• Carregamento dos dados para a data warehouse - São necessárias ferramentas para monitorizar o processo que permitam a recuperação de um carregamento imcompleto ou incorrecto. Devido ao volume de dados o upgrade incremental é única solução.



Data warehouses

Aquisição de dados (continuação)

A política de refresh deve ter em conta as seguintes questões:

• Quão actuais devem ser os dados?

• A data warehouse pode ficar off-line? Por quanto tempo?

• Qual o espaço disponível?

• Requisitos de distribuição (replicação partições)?

• Qual o tempo de carregamento?




Cleaning Reformatting

DATA WAREHOUSE

OLAP

EIS

DATA MINING

Back flushing

Other data inputs Updates/New data

Databases


Data warehouses

Arquitectura

Cliente/servidor - O processamento inerente às interfaces gráficas e aos mecanismos de visualização pode ser efectuado localmente e todas as tarefas relacionadas com a base de dados efectuadas num servidor remoto (optimizado para a base de dados).


• Data warehouse distribuida - Têm que se considerar todos os aspectos de replicação, partição, comunicação e consistência de dados. Os dados estão distribuidos e em cada site existe uma replicação da metadata.

• Data warehouse federativa - consiste numa confederação descentralizada de data warehouses autónomas, cada uma com a sua metadata. Estas data warehouses podem ser formadas por data marts. Algumas organizações optam por ter data marts federativos (bottom-up) em vez de enormes data warehouses (top-down).


OLAP – Online Analytical Processing

O OLAP inclui actividades como geração de queries, pedidos de relatórios e execução de análise estatística, que são desenvolvidos pelo utilizador final.

Para facilitar estas operações (OLAP) é necessário trabalhar com a data warehouse e um conjunto de ferramentas com capacidades multidimensionais, que incluem ferramentas de query, folhas de cálculo, ferramentas de data mining e de visualização.




Internas

Externas

Fontes de dados

Aquisição, extracção,

distribuição e transporte de

dados

Data warehouse

Análise,modelação,

previsão

Geração de relatórios

Querying

Comunicação

Multimédia

Apresentação e visualização de

dados

OLAP

Data warehousing e Online Analitic Processing (OLAP)


Visualização de dados

O OLAP inclui não só a aquisição e análise de dados e informação, mas também a sua apresentação ao utilizador.

A visualização de dados inclui as tecnologias que contribuem para a apresentação e compreensão da informação, tornando os SADs mais atractivos e mais fáceis de entender pelos utilizadores.

Exemplo: interfaces gráficas, sistemas de informação geográfica (SIG), imagens digitais, multidimensionalidade, realidade virtual, imagens 3D, animação e video.

A cor, a forma, a profundidade e o movimento são usados para apresentar grandes quantidades de informação de forma compreensiva. Permitindo ao utilizador aperceber-se de situações que de outra forma passariam despercebidas.



Modelo de dados multidimensional

Folha de cálculo - 2D (vendas por região (colunas) e por produto (linhas)).


Região

Produto

Reg1 Reg2 Reg3 ...

P123 P124

P125

P126

...



Se adicionarmos uma dimensão temporal (os trimestres fiscais) obtemos uma matrix 3D que pode ser representada por um "data cube". Cada célula contém dados referentes a um determinado produto, região e trimestre fiscal.

Adicionando outra dimensão obtemos um "hypercube", embora deixe de ser facilmente visualizável e representável graficamente.





Região

Produto

Trimestre fiscal

P123

P124

P125

P126

...

Reg1Reg2

Reg3

T1T2

T3



Modelos multidimensionais envolvem 2 tipos de tabelas:

• Tabelas de dimensões que consistem nos tuplos de atributos de cada dimensão.

• Tabelas de factos que contêm um tuplo por cada facto. Cada facto contém variáveis que foram medidas e identifica-as através de pointers para as tabelas de dimensões.





Prod _nºProd_nomeProd_descrProd_line

PRODUTOTRIM_FISCALREGIÃO

Trim_fiscalAnoData_iniData_fim

Região_codRegião_nome

TABELA DE DE DIMENSÃOPRODUTO

TABELA DE DE FACTOSRESULTADOS

TABELA DE DE DIMENSÃOTRIMESTRE FISCAL

TABELA DE DE DIMENSÃOREGIÃO



Esquemas de organização:

• Esquema da estrela - 1 tabela de factos com 1 única tabela para cada dimensão.

• Esquema do floco de neve - é uma variação do esquema da estrela em que as tabelas de dimensões estão organizadas numa hierarquia por um processo de normalização.

• Constelação de factos - é um conjunto de tabelas de factos que compartilham algumas tabelas de dimensões.




Esquema do floco de neve


Prod _nºProd_nomeClasseProd_linha_nº

PRODUTO

PRODUTOTRIM_FISCALREGIÃO

RESULTADOS

Região_codRegião_nome

REGIÃO

Trim_fiscalAnoData_limit

TRISMESTRE FISCAL

Prod_linha_nºProd_linha_nome

PLINHA

Prod_nomeProd_descr

PNOME

TABELA DE DE FACTOSTABELAS DE DE DIMENSÕES

TABELAS DE DE DIMENSÕES

Data_iniData_fim

DATA_LIMIT



Constelação de factos


Prod _nºProd_nomeClasseProd_linha_nº

PRODUTO

PRODUTOTRIM_FISCALREGIÃOFACTURAÇÃO

RESULTADOS

PRODUTO TRIM_FUTUROREGIÃOFACT_PREV

PREVISÕES

TABELA DE DE FACTOS TABELA DE DE DIMENSÃO TABELA DE DE FACTOS



Vantagens:

• A informação pode ser organizada da forma como o utilizador prefere e não tem que ser como os analista de sistema o fazem.

• Diferentes apresentação dos mesmos dados podem ser organizadas rápida e facilmente.


Ferramentas com capacidades multidimensionais trabalham muitas vezes em conjunto com sistemas de queries de bases de dados e outras ferramentas de OLAP.



Exemplo:

3 factores considerados - dimensões, medidas e tempo

• dimensões: coordenadas geográficas, produtos, sectores da indústria, vendedores;

• medidas: moedas, volume de vendas;

• tempo: dia, semana, mês, ano;

Podemos querer saber o volume de vendas numa determinada área geográfica efectuadas por um vendedor específico durante um mês.




Limitações:

• necessitam mais espaço;

• maiores custos;

• maior consumo de recursos e tempo;

• interfaces e manutensão mais complexas que as bases de dados relacionais.



Bases de dados inteligentes

As tecnologias de inteligência artificial (IA), nomeadamente relacionadas com os sistemas periciais e as redes neuronais, podem ser usadas para facilitar o acesso e a manipulação de bases de dados complexas (ex: com imagens).

Exemplo:

ORACLE – optimizador de queries.


Sistemas de Apoio à Decisão 1 Sistemas de Apoio à decisão.

Documents

Transcript of Sistemas de Apoio à Decisão 1 Sistemas de Apoio à decisão.