de informações disponíveis atualmente, do aumento da concorrência mundial decorrente da globalização e da pressão exercida sobre os gestores para que conheçam melhor seus clientes e negócios, tornou-se necessária a elaboração de novos sistemas que proporcionassem um melhor suporte ao processo de tomada de decisão. Nesse contexto, surgiram tecnologias como DW, que permite a consulta e a visualização de informações por meio da realização de OLAP e a emissão de relatórios com análises estatísticas, e mineração de dados, que permite a extração de conhecimento embutido nos dados, servindo assim de apoio ao processo de tomada de decisão. O conhecimento obtido no processo de mineração de dados pode ser incorporado em um sistema inteligente de apoio à tomada de decisões, tornando-se uma ferramenta fundamental para projetos de inteligência de negócios (BI, do inglês Business Intelligence). Uma possível relação entre essas tecnologias pode ser visualizada na Figura 2. Além do papel gerencial no auxílio à tomada de decisão, mineração de dados pode ter um papel fundamental na transformação de conhecimento intangível, aquele decorrente do capital intelectual dessas corporações, em conhecimento explícito, que pode ser armazenado e recuperado por ferramentas de gestão de conhecimento. A mineração de dados pode ser utilizada para aprimorar a gestão do relacionamento com o cliente (CRM, do inglês Customer Relationship Management), analisando os dados do relacionamento das corporações com seus clientes. Nesse contexto, a mineração de dados pode ser utilizada para que esse inter-relacionamento seja conduzido de uma maneira mais
126
F onte Fonte
Figura 2 - Mineração de dados como ferramenta de suporte à tomada de decisões REZENDE, 2003
inteligente, evitando, por exemplo, a oferta de produtos nos quais o cliente não tenha interesse. A mineração de dados pode ser aplicada também na análise de fluxos de processos. Técnicas de mineração de fluxos de processos permitem a extração de conhecimento de logs de eventos. Por exemplo, os registros de um sistema de gerenciamento do workflow (produtos em uma linha de produção, troca de mensagens entre os membros, etc.) ou logs transacionais dos recursos de uma companhia (produtos em estoque, planejamento e controle da produção, etc.) podem ser usados para descobrir padrões, descrevendo processos, produtos, e organizações. É possível, por exemplo, usar mineração de processos para monitorar comportamentos anormais (exemplo: a comparação de eventos observados com modelos predefinidos ou com regras de negócio). Outra fonte para aplicação de mineração de dados são as informações textuais, presentes em me-
morandos, relatórios, manuais, etc. Estima-se que uma grande quantidade de informação gerada por corporações esteja armazenada de maneira textual, e não em SGBDs. Gerenciar a informação textual é um grande desafio para essas corporações, pois diferentemente dos dados transacionais armazenados em BDs, informações textuais não são facilmente tratadas pelos SGBDs. Esse fato faz com que essa informação seja subutilizada para se tirar vantagens competitivas e no suporte à tomada de decisão. Similarmente ao processo de KDD, existe o processo de descoberta de conhecimento em bases textuais (WEISS, INDURKHYA & DAMERAU, 2004), chamado KDT (Knowledge Discovery from Texts). A grande diferença entre KDD e KDT está nas técnicas utilizadas na fase de pré-processamento. Em KDT, o objetivo é geralmente transformar informação não estruturada (os textos) em informação estruturada, que é normalmente utilizada pelos siste-
Dezembro de 2010