SISTEMA DE APOIO A DECISÕES-SAD

SISTEMA DE APOIO A DECISÕES-SAD

• Tomada de decisões nas empresas
• SAD – Conceituando os Sistemas de Apoio à Decisão – SAD
• Estrutura e componentes do SAD
• O banco de dados do SAD
• A interface do SAD
• O software do SAD orientado a modelos
• O software do SAD orientado a dados
• O software do SAD orientado a conhecimento

Tomada de decisões nas empresas

A empresa pode ser considerada um sistema de decisões em que todos os membros estão continuamente tomando alguma decisão, sendo impossível pensar a organização sem considerar a ocorrência constante do processo decisório.

Assim sendo, podemos concluir que, a tomada de decisão é uma das principais funções do administrador, se não é a principal. E sempre ocorre em reação a um problema ou oportunidade percebida.

No passado, as decisões restringiam-se à direção (alta administração). À medida que as informações passaram a estar disponíveis nos demais níveis (Figura 1) pelo crescimento dos sistemas de informação, as decisões foram descentralizadas, ficando a cargo dos gestores de cada nível (administração operacional, administração tática e administração estratégica).

Conforme podemos constatar analisando a Figura 2, durante a década de 1950, os sistemas eram estritamente técnicos e visavam a apoiar as atividades operacionais da empresa. Entre as décadas de 1960 e 1980, os sistemas evoluíram e passaram a apoiar as atividades de controle gerencial, dando subsídios aos tomadores de decisão (inicialmente de nível médio). A partir da década de 1990, os sistemas passaram a apoiar decisões da alta administração, dando sustentação ao posicionamento estratégico da empresa no mercado. Dessa forma, os sistemas de informação passam a abranger a empresa como um todo, nos três níveis da pirâmide, conforme ilustrado na imagem acima.

As decisões costumam ser classificadas de acordo com o tipo de problema a que estão relacionadas. Assim sendo; temos as decisões:

• Estruturadas;
• Semiestruturadas;
• Não estruturadas

As decisões estruturadas ou decisões operacionais estão diretamente ligadas à gerencia operacional e envolvem os problemas rotineiros cujas atividades são repetitivas e conhecidas. Envolvem problemas operacionais bem definidos e decisões que se repetem ao longo do tempo. Como exemplo desse tipo de decisão, podemos citar:

• Quanto precisamos ter em caixa para as despesas do dia?
• Qual minha previsão de faturamento?
• Temos estoque suficiente para produzir as peças?
• Quantos operários são necessários para atender à demanda das tarefas?

O tipo de sistema que oferece subsídios a esse tipo de decisão são os Sistemas de Informação Gerencial (SIG), que, em geral, respondem a questões do tipo:

• Qual o orçamento anual?
• Como programar a produção para atender aos pedidos mensais?

O gestor das unidades de negócio lida eventualmente com outros tipos de decisões, as semiestruturadas, relacionadas a problemas em que as operações são conhecidas, mas não se tem conhecimento total das variáveis que interferem nos resultados. Nesse tipo de decisão, somente parte do problema possui resposta clara e fornecida por um procedimento já aceito. O tipo de sistema que oferece subsídios a esse tipo de decisão é o objeto de nossa disciplina: Sistema de Apoio à Decisão (SAD).

Como exemplo desse tipo de decisão em problemas que lidam com dados semiestruturados, podemos destacar:

• Qual o impacto no preço de venda se o custo de um componente for elevado em 10%?
• Por que os pedidos estão declinando nos últimos 6 (seis) meses?

O terceiro tipo de decisão envolve aquelas relacionadas à alta administração da organização, envolvendo o conselho de diretores, diretores executivos e presidência. São decisões relacionadas a estratégias, políticas e objetivos da organização, envolvendo situações específicas e frequentemente únicas e sem precedentes, tendo como características:

• Necessitam de muito julgamento humano;
• Requerem acessos a dados externos para análise do contexto, além, claro, de dados da corporação (internos);
• São decisões que envolvem problemas originais

Entre os exemplos de decisão que envolvem esse nível, podemos destacar:

• Devemos lançar esse novo produto?
• Devemos entrar nesse novo mercado?
• Devemos descontinuar algum produto?
• Devemos permanecer nesse mercado?

O processo de tomada de decisão, que, em última análise, se refere à escolha entre diferentes cursos de ação alternativos, tem duas abordagens: reativa e proativa. Na abordagem reativa, o tomador de decisão age após a ocorrência do problema, o que pode ser complicado na medida em que os estragos já podem ter acontecido. Na abordagem proativa, as atividades são monitoradas, e os problemas podem ser descobertos antes mesmo de acontecerem, causando menos danos à empresa.

Mas, independentemente da abordagem, é preciso estar ciente de que o processo de tomada de decisão envolve riscos que são inerentes à própria decisão e ao processo de tomada de decisão.

A Figura 3 apresenta os cinco passos de um processo genérico de tomada de decisão que não garante o sucesso das decisões tomadas, mas permite maior lógica e coerência na condução do processo, mitigando os possíveis erros.

Fase 1: Identificação do problema.

O sintoma se dá através uma insatisfação, problema ou desafio que afete a empresa e/ou uma unidade de negócio. O objetivo principal da fase é o entendimento da situação. Nesse contexto, existem duas ferramentas que ajudam na identificação das causas e possíveis consequências do problema, insatisfação ou desafio.

O Diagrama de Ishikawa (ou espinha de peixe), cuja finalidade é organizar o raciocínio sobre as causas do problema, que são efeitos de uma situação indesejada. A Figura 4 ilustra o uso do diagrama, considerando o problema “produto com defeito” e avaliando as possíveis causas desse problema. Pelo diagrama, os problemas têm origem nos equipamentos da produção (máquinas), na mão de obra (pessoal), nos métodos de produção e nos materiais usados. Para cada um desses grupos, são descritas as possíveis causas. Por exemplo, uma possível causa será a obsolescência dos equipamentos ou a falta de manutenção nos mesmos (grupo máquinas);

Diagrama de Pareto (80-20), cujo objetivo é permitir a seleção das prioridades quando temos grande número de problemas e desejamos saber as causas mais críticas. A regra de Pareto diz:

• 20% das causas (poucas causas significativas) geram 80% dos efeitos;
• o 80% das causas (muitas causas insignificantes) geram 20 % dos efeitos.

Assim sendo, vale concentrar os esforços de ajustes nos 20% das causas mais significativas. A Figura 5 a seguir ilustra uma aplicação do diagrama de Pareto, em que analisamos as causas mais significativas para o problema “perdas na produção”. Pelo gráfico abaixo, podemos inferir que as causas “variação na operação anterior”, “variação no ajuste da máquina” e “ajuste no rolo do laminador” representam 80% das incidências do problema. Se resolvermos esses itens, teremos solucionado 80% das causas do problema.

Fase 2: Criação de alternativas.

Nesse momento do processo de tomada de decisão, devemos nos ater à enumeração de toda solução do problema que seja viável de ser implementada. Ou seja, o foco é a geração de ideias, e para tal duas técnicas podem ser usadas:

• Brainstorm (tempestade de ideias). Nessa técnica, um grupo de pessoas se reúne, de forma sistemática, para ter e discutir ideias sobre determinado problema.
  • As ideias devem ser geradas sem crítica e podem ser associadas entre si.
  • Na medida em que já haja um número suficiente, o processo é interrompido e as ideias são agrupadas em categorias para serem avaliadas;
• Brainwriting (escrita de ideias). Essa técnica é uma variação do Brainstorm, em que a interação para discussão das ideias é feita por escrito, sem comunicação verbal. As ideias podem ser compartilhadas por escrito.
  • A troca ocorre até o esgotamento de ideias, e na sequência cada uma é analisada e ponderada.

Fase 3: Avaliação das alternativas e seleção.

Nesse momento, ocorre a avaliação, ou seja, o julgamento de cada solução alternativa relacionada como viável. Aqui, deve-se analisar os pontos fortes (vantagens) e fracos (desvantagens) de cada alternativa, comparando com os critérios de seleção e pesos (dos critérios) estabelecidos previamente. A solução escolhida será aquela que obtiver a melhor ponderação de critérios e pesos, ou seja, a melhor nota.

Fase 4: Implementação da solução escolhida.

É o momento de implementar a solução oriunda da decisão, devendo-se tomar alguns cuidados: transmitir a decisão a todos os possíveis afetados pela mesma para que se possa buscar o comprometimento de todos os envolvidos.

Fase 5: Feedback (avaliação).

É fundamental que seja avaliada a efetividade da solução escolhida e implementada. Em geral, temos, nesse momento, questões que devem ser respondidas:

• O problema foi resolvido com a solução implementada?
• Os objetivos, com a implementação da solução, foram atingidos?

Caso seja constatado que o problema não foi solucionado, devemos avaliar e encontrar os motivos do insucesso. Algumas questões que podem ajudar nesse momento:

• O problema foi identificado adequadamente?
• Houve erro na avaliação das alternativas (será que havia outra mais aderente)?
• A solução escolhida foi implementada de forma inadequada?

Pode-se concluir que todo o processo precise ser reiniciado ou apenas a partir de determinada fase conforme respostas às questões acima.

A cada dia que passa, percebe-se, com mais clareza, que as decisões são cada vez mais difíceis, na medida em que os prejuízos podem ser desastrosos. Abaixo, alguns fatores que podem explicar essa dificuldade cada vez maior no processo decisório:

• Cresce o número de soluções alternativas;
• Consequentemente, cresce o número de pesquisas e comparações para identificarmos a melhor solução;
• As decisões são tomadas cada vez sob mais pressão;
• As decisões estão a cada dia mais complexas devido às incertezas do ambiente;
• Crescem as decisões em grupos, com os tomadores de decisão fisicamente distantes muitas das vezes (efeito da globalização);
• Não existe decisão perfeita na medida em que nem sempre é possível analisar todos os cenários e variáveis (risco);
• Ao optar por uma alternativa, renunciamos às demais.

A seguir, as considerações finais diante do exposto:

• Nas decisões, os gestores devem combinar razão (análise) e intuição (pela experiência);
• Quanto mais informações forem colhidas no processo decisório, maiores são as chances de uma decisão mais racional;
• Em contrapartida, quanto mais opinião e sentimento houver como base da tomada de decisão, mais intuitiva a mesma será;
• O tomador de decisão não pode delegar decisão, pois quem decidir terá de arcar com todas as consequências;
• A decisão é uma atividade passível de erros, posto que sofrerá influência das características pessoais do tomador de decisão. Assim sendo, para minimizar os erros, o processo de tomada de decisão deve ser apoiado por sistemas de informação em um processo organizado.

SAD – Conceituando os Sistemas de Apoio à Decisão – SAD

A necessidade de um sistema de informação, em um processo organizado, que apoie a tomada de decisão em função da subjetividade inerente ao ser humano e da necessidade em minimizar os erros decorrentes dessa possível análise subjetiva. Além disso, a necessidade dos sistemas de informação, nesse contexto, justifica-se pelo grande número de informações que circulam dentro e fora da organização – e também por viabilizar o uso de técnicas complexas que facilitam a análise e os estudos dos problemas semiestruturados.

O tipo de sistema de informação que oferece esse apoio ao tomador de decisão é o SAD, Sistema de Apoio à Decisão, que tem por objetivos principais:

• Melhorar a qualidade, eficácia e eficiência do processo decisório, subsidiando o tomador de decisão;
• Economizar tempo no processo de tomada de decisão;
• Viabilizar ao administrador apenas as informações necessárias para que possa analisar a situação em questão (devidamente contextualizada).

A Figura 6 a seguir ilustra o contexto de aplicação do SAD, apoiando a administração tática em decisões sobre problemas semiestruturados, enquanto o SIG (sistemas de informação gerencial) apoia o mesmo nível, mas abrangendo os problemas estruturados. A visão representada pela imagem não é uma unanimidade entre os diferentes autores do tema, que por vezes entendem e classificam o SAD em diferentes níveis da pirâmide organizacional. Essa disciplina classifica o uso do SAD de acordo com o tipo de problema; nesse caso, os que lidam com dados semiestruturados.

Um dos autores do tema, Denis Alcides Rezende, juntamente com Aline França de Abreu, define o conceito de SAD, em sua obra Tecnologia da informação aplicada a sistemas de informações gerenciais, da seguinte forma:

Os Sistemas de Apoio à Decisão são tecnologias fundamentais para a evolução do processo de tomada de decisão nas empresas modernas e usuárias de informações oportunas. Essas empresas estão dentro da nova realidade empresarial em que suas atividades empresariais e as necessidades dos clientes estão em constantes mutações, o que torna as decisões um fator de suma importância. Esses sistemas devem acompanhar essa tendência, sendo flexíveis e adaptáveis no meio onde a empresa se encontra. (REZENDE; ABREU, p. 185)

Para que possamos compreender o SAD, vamos citar e comentar algumas de suas características mais relevantes:

• Processa grande volume de dados;
• Uso de múltiplas fontes de dados (internas e externas)
  • Internas: relatórios gerenciais, planilhas, e-mails, documentos (impressos e digitais);
  • Externas: jornais, revistas, sites;
• Possibilita análises com base em simulações e seus impactos nos resultados;
• Devem poder ser adaptativos ao longo do tempo, e ao mesmo tempo flexíveis, para que os seus utilizadores possam acrescentar, eliminar ou mudar certos elementos;
• Apoia a solução de problemas semiestruturados, em que as operações são conhecidas, mas não se tem conhecimento total das variáveis de interferência nos resultados; somente parte do problema possui resposta clara e fornecida por um procedimento já aceito. E ajuda na decisão de problemas do tipo:
  • Qual o impacto no preço de venda se o custo de um componente for elevado em 10%?
  • Por que os pedidos estão declinando há 6 meses?
  • O SAD deve ser de fácil utilização, com recursos gráficos e com uma interface eficiente;
• O SAD deve ajudar ao gestor nas fases do processo decisório e não substitui-lo. Esse é um ponto de divergência da tendência do SAD: uso de tecnologias de inteligência artificial, tentando fazer as vezes do tomador de decisão, o que gera desconfiança de muitos gestores por desconhecerem o processo usado pelos sistemas inteligentes (baseado em conhecimento);
• O SAD inicialmente era orientado a modelos, depois passou a ser orientado a dados (com processamento OLAP e mineração de dados); hoje, a tendência é de uso com sistemas especialistas e outras tecnologias de inteligência artificial – automatizando o processo como um todo e dando espaço para mudança de sua característica: apoiar e não substituir o tomador de decisão;
• SAD pode ser aplicado em qualquer área do conhecimento.

A seguir, vamos citar exemplos de uso do SAD em diferentes unidades organizacionais (departamentos, setores etc.) das empresas.

• Finanças e contabilidade: análise da lucratividade (baseada em modelos financeiros), do ponto de equilíbrio, orçamento e previsão financeira. Em empresas de varejo, podemos usar para análise da carteira de clientes e recomendações de investimentos;
• RH: análise de custos da contratação de pessoal ou planos alternativos de remuneração;
• Produção: gerenciamento da cadeia de suprimento, otimização da produção, logística, programação de entrega e alocação de estoques;
• Marketing e vendas: determinação do preço, previsão de vendas, campanhas publicitárias e promocionais. Uso forte para gerenciamento do relacionamento com clientes para analisar modelos de compras, clientes mais lucrativos.

Entre as vantagens e desvantagens do SAD, merecem destaque:

Vantagens

• Maior rapidez, favorecendo decisões mais eficazes e eficientes, consequentemente aumentando a possibilidade de assertividade da decisão;
• Redução de custos;
• Aumento na qualidade da decisão (encontro do valor ótimo para o problema) e a possiblidade de usar experiências anteriores devidamente explicitadas no software;
• Facilita a comunicação entre os tomadores de decisão;
• Promove o aprendizado, fortalecendo a competência organizacional na medida em que as soluções ficam explicitadas no sistema e o processo devidamente automatizado;
• Torna-se uma vantagem competitiva sobre a concorrência.

Desvantagens

• Alto custo para implantação do SAD, dependendo de sua abrangência e das tecnologias usadas;
• Complexidade do software SAD, com pouca mão de obra disponível no mercado;
• Difícil adaptação a outras realidades, o que dificulta uma solução que atenda a várias empresas, na medida em que os problemas são contextualizados.

Abaixo, exemplos de problemas que o SAD ajuda a responder:

• Qual a relação entre a satisfação dos clientes e os resultados de negócio e a lucratividade?
• Os clientes mais satisfeitos são os mais rentáveis?
• Nossos estoques estão otimizados?
• Qual a posição de contas a receber x endividamento da empresa?

Estrutura e componentes do SAD

Conforme ilustrado pela Figura 7 a seguir, em geral, o SAD é composto pelos seguintes componentes:

• Banco de dados SAD, representando o subsistema de gerenciamento de dados;
• Software SAD, representando o subsistema de gerenciamento de modelos;
• Interface SAD, representando o subsistema de interface com o usuário.

Os SADs mais avançados agregam o componente subsistema de gerenciamento (ou gestão) de conhecimento (software SAD), conforme podemos vislumbrar na Figura 8 exibida abaixo, com o esquema do SAD mais detalhado.

Vamos destacar as principais características e funcionalidades, de uma forma geral, dos quatro subsistemas.

1) Subsistema: interface com usuário

• Abrange todos os componentes (hardware e software) que permitem a comunicação entre usuário e o SAD;
• A interface, como elemento de um sistema de comunicação, deve permitir:
  • Flexibilidade;
  • Facilidade de uso;
  • Interatividade;
• Existem cuidados, que devem ser tomados, na apresentação dos dados:
  • Uso de linguagem simples, natural, para diálogo direto – “fale a língua do usuário”;
• As interfaces SAD devem valer-se das tecnologias atuais:
  • Web: como o SAD é destinado a executivos, que, em geral, viajam, é oportuno que rodem no ambiente web;
  • Devem ser dotados de recursos gráficos e textuais na comunicação: solicitação de dados e apresentação dos resultados;
  • Reconhecimento de voz e linguagem natural são tecnologias da inteligência artificial que vêm sendo aplicadas na interface.

2) Subsistema: gerenciamento de dados

• Esse subsistema tem por finalidade: receber (de fontes diversas), organizar e armazenar uma base de dados bem estruturada, de fácil uso e segura;
• As bases construídas para apoiar os sistemas que auxiliam a tomada de decisão devem apresentar muitas facilidades que possibilitem ao usuário utilizar dados de diversas fontes com a certeza de que esses dados estão com sua integridade e coerência asseguradas;
• Os bancos de dados que apoiam o SAD ou ainda os data warehouses (DW) criados para esse fim devem ter cópias dos dados originais para que o uso do SAD não interfira na alteração de dados operacionais da empresa;
• Contém os dados que fluem de várias fontes internas e externas de dados.

3) Subsistema: gerenciamento de modelos

Entre as funcionalidades que esse subsistema deve prover, destacam-se:

• Manipular modelos para testes;
• Armazenar e catalogar os modelos existentes;
• Registrar a utilização desses modelos;
• Relacionar os modelos com os dados necessários;
• Manter a base de modelos (armazenar, atualizar e registrar)

Modelos são instrumentos que transformam dados em informação e que podem apoiar a tomada de decisão. Os principais tipos de modelos manipulados pelo SAD são:

• Estatísticos: agrupa funções estatísticas, como médias, medianas, desvios (padrão) e gráficos de dispersão;
  • Projeta resultados com base em análise de dados e pode ser usado para ajudar a estabelecer relações entre diferentes fatores, como, por
    exemplo, vendas de produtos e diferenças de idade, renda ou outros;
• Otimização: usam, geralmente, programação linear para prover a alocação ótima de recursos para maximizar ou minimizar variáveis específicas, como custo ou tempo;
  • Um uso clássico de modelo de otimização é a determinação do “mix” apropriado de produtos dentro de um dado mercado para maximizar
    lucros;
• Previsão: usado, em geral, para projetar vendas;
  • O usuário desse tipo de modelo pode fornecer uma faixa de dados para que o sistema faça a projeção das condições futuras das vendas.

A Figura 9, a seguir, ilustra o funcionamento de um SAD apoiado em modelos. O módulo de gestão de modelos localiza o modelo mais indicado ao problema, consultando o diretório de modelos e localizando o respectivo modelo na base de modelos do SAD.

• A base de modelos contém uma série modelos rotineiros e especiais, como, por exemplo, estatísticos, financeiros, de previsão, entre outros, que dão ao SAD capacidades analíticas;
• Os modelos existentes na base de modelos dependerão essencialmente do tipo de problema em análise e avaliação;
• Os modelos fornecem os recursos para análise do SAD;
• Utilizam representação matemática do problema e empregam algoritmos para a geração de informações que servem de apoio às decisões;
• O diretório de modelos ajuda na localização dos modelos armazenados e sua associação com os tipos de problemas.

4) Subsistema: gerenciamento do conhecimento

• Amplia e melhora a capacidade do SAD na medida em que o conhecimento fica retido no sistema;
• Disponível nos SADs mais avançados, sendo uma especialização do SAD, usa técnicas de IA, como, por exemplo, sistemas especialistas, além de outras técnicas;
• À medida que problemas são resolvidos, mais conhecimento é acumulado na base de conhecimento organizacional;
• Com a utilização de SAD apoiado em conhecimento, o julgamento começa a sair da mão do tomador de decisão e ser transferido (parte ao menos) para os sistemas, o que, muitas vezes, num primeiro momento, desagrada o gestor, que não compreende bem como o sistema está codificado, que conhecimento realmente o sistema retém, pois desconhece a estrutura e composição interna do SAD.

O banco de dados do SAD

Vamos focar a porção gerenciamento de dados do SAD, ou seja, o subsistema de gerenciamento de dados.

Se analisarmos hoje as bases de dados existentes nas empresas, vamos concluir que o processo de gestão dos dados do SAD exige atenções na medida em que os dados são armazenados em vários bancos de dados diferentes, eventualmente com redundância e inconsistências. Devemos considerar ainda dados que estejam armazenados em e-mails, planilhas e documentos espalhados pela empresa.

Além disso, ainda há de se considerar o constante crescimento da quantidade de dados.

A Figura 10 a seguir ilustra os principais componentes do sistema de gerenciamento de dados do SAD:

• Diretório de dados;
• SGBD;
• Banco SAD ou data warehouse SAD;
• Módulo de consultas;
• Módulo de extração de dados para o BD SAD ou DW (data warehouse SAD).

Um dos elementos mais relevantes desse subsistema é o data warehouse SAD (doravante, DW SAD), que nada mais é que um imenso banco de dados em que todos os dados da organização são armazenados e organizados, evitando redundância e dificuldade de acesso.

Aprofundando o entendimento sobre o DW, podemos defini-lo como um repositório de dados orientados por assunto e organizados para serem acessíveis em uma forma prontamente aceitável para atividades de processamento analítico (como data mining, apoio a decisão, consulta e outras aplicações), segundo Turban, em seu livro Administração de tecnologia da informação – teoria e prática (p. 80).

Entre as principais características de um DW, podemos citar:

• Solução para muitas organizações com
  • Grande número de dados;
  • Dados disseminados em sistemas diferentes sob formatos diferentes;
  • Grande número de usuários finais realizando tarefas;
• O DW coleta dados de várias fontes, tanto internas como externas;
• Os dados são organizados por assunto, facilitando as consultas analíticas, conforme ilustrado na Figura 11 a seguir;

• Integra os dados corporativos da empresa (visão única e centralizada dos dados dispersos);
• Armazena histórico de quantos anos forem possíveis, definidos no projeto do DW;
• Os dados de um DW são não voláteis, ou seja, apenas podem ser lidos. Os dados do DW não são atualizados;
• Os dados do DW são resumidos, diferentemente dos dados operacionais que são registros de transações da empresa e bastante detalhados;
  • Dados de transação de uma venda: data, vendedor, produto, valor unitário, quantidade;
  • Dados do SAD: total de vendas no dia ou total de vendas por vendedor, conforme interesses do SAD;
• Os dados do DW possuem alto nível de granularidade (poucos detalhes). As Figuras 12 e 13 abaixo ilustram esse conceito.

A construção de DW, além de oneroso, demanda tempo para seu projeto e desenvolvimento. Uma opção ao DW é a construção e uso de data mart, que é subconjunto de dados dentro do DW, abrangendo um determinado assunto e atendendo a uma unidade de negócio, e não à empresa como um todo (como o DW). Muitas empresas, estrategicamente, iniciam a construção de um DW por data marts (doravante, DM), cuja implantação demanda menos custo e tempo.

A Figura 14 a seguir ilustra a relação entre DW e DM. Para o caso do SAD, dependendo da abrangência, um DM pode viabilizar o projeto.

O data mining é uma das técnicas analíticas usadas em conjunto com o DW e/ou DM. Uma vez tendo um DW ou DM devidamente constituído, podemos usar o data mining para identificar tendências nos padrões das atividades de negócios da empresa.

Esse procedimento pode ser utilizado para ajudar os gerentes a tomarem decisões sobre mudanças estratégicas nas operações para obter vantagens
competitivas no mercado.

A interface do SAD

Nesta aula, vamos aprofundar os conhecimentos acerca do subsistema de gerenciamento de interface do usuário com SAD, que é determinante no sucesso não apenas do SAD mas também de todo software. Sabe-se que, hoje em dia, os sistemas estão sofisticados de tal forma que as funcionalidades relevantes são providas pela maioria dos softwares que atendem a um nicho de mercado. A interface passa a ser um fator de aceitação do sistema por parte do usuário, que, uma vez insatisfeito, tende a abandonar o uso do aplicativo. Ou seja, podemos dizer que:

• Na visão do usuário, “a interface é o próprio sistema” na medida em que é através dela que o usuário entra em contato física e cognitivamente com o software;
• Sistema, do ponto de vista do usuário, é um instrumento para realizar as suas tarefas do dia a dia.

No contexto do SAD, a interface deve oferecer eficiente forma de captura dos “inputs” necessários e apresentação das informações. A interface do SAD deve ter alta usabilidade.

O que é usabilidade de uma interface?

• Define a qualidade da interface relacionada ao esforço do usuário para uso das tarefas providas pelo software;
• Relacionado à facilidade de uso, produtividade e eficiência;
• A interface deve falar a linguagem do usuário, ou seja, apresentar termos e jargões técnicos que o usuário conheça e use em seu dia a dia;
• Os elementos de interface devem ser adequadamente pensados e usados, de forma a permitir o aprendizado, por parte do usuário.

A qualidade da interface, na visão do usuário, depende do que ele percebe (vê e sente), precisa saber para compreender o que é mostrado e precisa fazer para obter os resultados desejados.

A interface SAD deve usar e abusar dos recursos gráficos, além de oferecer:

• Combinação de diferentes formas de informação;
  • Texto, imagem, som e vídeo;
  • Representação mais realista da realidade;
  • Aumenta o poder de comunicação da interface;
• Gráficos evolutivos (séries temporais), comparativos (pizza, barra);
• Diagramas, de forma a mostrar as relações entre variáveis intervenientes no contexto a que o SAD se destina;
• Uso de mapas para estabelecer:
  • Relações espaciais;
  • Localizações, rotas etc.;
• Uso de animação;
• Uso de gráficos em 3D;
• Uso de realidade virtual;
• Uso de realidade aumentada.

No que tange ao uso integrado de realidade virtual (RV) na interface do SAD, devemos observar:

• Deve ser provida em ambiente 3D, proporcionada por hardware específico;
• A RV proporciona ao usuário uma sensação de imersão que permite a manipulação de objetos da realidade, como se a pessoa lá estivesse;
• A RV pode ter um papel importante na visualização de dados, proporcionando aos usuários uma melhor percepção deles através da utilização de sistemas virtuais de imersão visual, espacial e auditiva. Ex: Operar na bolsa: uso de cores, tons e intensidades para indicar os valores, a tendência e a direcção dos preços das ações.

A RV tem aplicações nos mais diversos contextos. Podemos destacar:

Realidade virtual (RV) – aplicações

• A Boeing desenvolveu uma aplicação para testar o desenho dos aviões;
• A Volvo usa a RV para testar carros virtuais em acidentes virtuais (design e teste);
• A British Airways tem uma aplicação que permite experimentar um voo de 1ª classe;
• Arquitetura e Decoração, permitindo que a pessoa entre num determinado ambiente e conviva, experimentando sensações.

A realidade aumentada (RA) também começa a ser empregada nas interfaces de determinados SADs. No lugar de uma imersão completa do usuário no ambiente de simulação, nos sistemas de realidade aumentada as imagens geradas pelo computador são sobrepostas à visão do mundo real, fornecendo informação adicional para uma melhor percepção da realidade.

É necessário um dispositivo (“see-through HMD”) que permita ao usuário visualizar o ambiente ao mesmo tempo em que a informação adicional é sobreposta ao ambiente através do HMD.

A RA tem aplicações nos mais diversos contextos. Podemos destacar:

Realidade aumentada – aplicação

• Boeing – manufatura e reparação do avião: no visor, é indicada a função de cada fio ou peça;
• Visualização de alterações urbanísticas;
• Legenda de quadros num museu.

No projeto de interface de um SAD, devemos considerar:

• Design;
• Cores;
• Densidade da informação;
• A sequência da comunicação (interação) e a linguagem usada;
• Formato dos dados;
• Funcionalidades disponíveis.

As imagens a seguir ilustram elementos de interface usados no SAD:

Para ilustrar a aplicação de um Sistema de Apoio à Decisão, acesse o link <https://www.sistemairriga.com.br/index.php> para consultar o sistema Irriga, cuja finalidade é gerenciar o manejo e monitoramento de irrigações a serem aplicadas pelos diferentes métodos e sistema de irrigação (Figura 17).

O software do SAD orientado a modelos

Nesta aula, vamos aprofundar o conhecimento no SAD orientado a modelos, detalhando suas características, estrutura e funcionamento. Entre as principais características do SAD orientado a modelos, podemos destacar:

• O componente do modelo domina o projeto do SAD;
• O SAD orientado a modelos é indicado em situações em que:
  • A decisão exige considerar número significativo de variáveis independentes;
• Implementa modelos analíticos, usando matemática, pesquisa operacional, planejamento e outras técnicas;
• A grande vantagem do uso de modelos é a capacidade de simulação e produção de resultados com base nos dados de input;
• Depende da forte interação do usuário (tomador de decisão), que deve conhecer o modelo e saber aplicá-lo.

Entre os tipos de problemas e modelos que podem ser implementados no SAD, destacam-se:

• Análise do custo x benefício;
• Modelos de previsão, como, por exemplo:
  • Métodos de julgamento;
    • Focado em estimativas e opiniões de especialistas em que predominam aspectos de subjetividade;
    • Devem ser usados quando dados históricos forem limitados ou inexistentes;
  • Análise de séries temporais:
    • Análise e comparação de dados que representam variáveis (econômicas) medidas em vários momentos no tempo;
• Modelos financeiros, como, por exemplo:
  • Análise do ponto de equilíbrio;
  • Modelos de orçamento;
  • Análise do faturamento;
• Modelos de simulação os quais “simulam” situações específicas que podem acontecer, caracterizados por:
  • Avaliação do impacto das variáveis e seus diferentes valores simulados nos resultados;
  • Usa análise de sensibilidade, também conhecida por técnica “What… If…” ou “E… Se….”;
  • Não pode ser assegurada uma solução ótima, pois os resultados são probabilísticos;
  • A simulação visual pode ser relevante, e para tal deve-se usar recursos de animação;
• Planejamento (RH, projeto, produção);
• Escalonamento (dos mais variados exemplos).

A Figura 18 a seguir ilustra quatro tipos de modelos de simulação que detalharemos na sequência.

Análise de cenários – what if (e… se…)

• Estudo do impacto que as mudanças em uma ou mais partes (variáveis) de um modelo exercem sobre as outras partes;
• Análise de variações hipotéticas de forma a determinar o impacto que uma mudança nas suposições (entrada) causa;
  • Exemplo: o que acontece com o custo total do estoque se o custo de manutenção de estoque não for de 10% (previsto), e sim de 12 %?

Análise de busca de metas

• É o método de solução regressiva, ou seja, tenta achar o valor das entradas necessárias para alcançar determinada saída (objetivo);
  • Exemplo: qual os volumes de vendas e de publicidade para um lucro de 3 milhões (e não os 2 milhões inicialmente previstos).

Análise de sensibilidade

• Altera-se repetidamente o valor de apenas uma variável para observar as alterações produzidas nas outras variáveis;
• Usado, em geral, quando há incerteza sobre o que se assumiu ao estimar o valor inicial de algumas variáveis-chave;
  • Exemplo: repetidas reduções de 1.000 em verba de propaganda para identificar as relações com as vendas. Se afeta as vendas negativamente, por exemplo.

Análise de otimização

• Oferece linhas de ação para uma solução ótima, considerando as restrições necessárias;
• A meta é encontrar valor ótimo para uma ou mais variáveis-alvo, considerandose as limitações do contexto;
  • Exemplo: descobrir qual a quantidade de resíduos sólidos recicláveis que a coleta seletiva deve conseguir para garantir uma remuneração média de R$ 400,00 aos cooperados, considerando os preços de vendas atuais dos resíduos;
  • Exemplo: qual melhor valor de propaganda dado o orçamento atual, a escolha de mídia e a previsão de vendas;
• Baseado em programação linear.

A seguir estão as vantagens e desvantagens do uso de SAD orientado a modelos, mantendo uma base de modelos.

Vantagens

• Modelos podem ter baixo custo para se determinar o impacto de diversas decisões;
• Apresenta menos riscos e mostra como a decisão pode impactar todo o sistema;
• Excelente experiência de aprendizagem à medida que, ao realizar experiências com modelos, podemos conhecer os efeitos de imediato;
• Previsão de consequências futuras.

Desvantagens

• Um modelo requer a simplificação de algumas suposições. Se as hipóteses diferem da realidade, os resultados podem ser suspeitos;
• Como são muitos os modelos, os tomadores de decisão podem gastar muito tempo decidindo qual usar;
• Alguns modelos exigem alto grau de sofisticação matemática, tornando-os extremamente complexos de se construir e os resultados muito difíceis de se interpretar.

O software do SAD orientado a dados

Nesta aula, vamos aprofundar o conhecimento no SAD orientado a dados, detalhando suas características, estrutura e funcionamento. Entre as principais características do SAD orientado a dados, podemos destacar:

• Acesso e manipulação de alto volume de dados históricos internos e externos;
• Apoiam a decisão pela extração de dados e geração de informações úteis, porém “ocultas” nas bases de dados das empresas (do ponto de vista da percepção e descoberta pelos usuários);
• Em geral, usam as seguintes ferramentas para armazenamento dos dados:
  • Banco de dados convencional (SGBD relacional, orientado a objeto ou objeto-relacional);
  • Data warehouse (DW) e data mart (DM) – dados oriundos dos sistemas de processamento de transações (operações da empresa) são coletados em armazém de dados;
• As ferramentas mais usadas para análise desses dados são:
  • OLAP (online analytical processing);
  • Data mining

Devemos destacar que os dados armazenados para processamento do SAD diferem dos dados das operações (transações) da empresa em suas características.

Enquanto os dados operacionais são registros de dados sobre uma transação do negócio (uma operação da empresa), os dados do SAD sumarizam essas transações e armazenam os dados históricos.

Entre as características determinantes dos dados do SAD, podemos destacar:

• Não armazenam detalhes da transação, e sim dados sumarizados, como, por exemplo, total das vendas em um mês, total das vendas por região ou total das vendas por loja;
• Podem ter redundância caso necessário, pois o foco é a performance do processamento;
• Diferem dos dados das transações em 5 dimensões: estrutura do dado, validade, síntese, volatilidade e dimensão, conforme ilustra a Figura 19 a seguir;
• O metadado é fundamental no SAD para acelerar a busca dos dados desejados.

A Figura 20 a seguir ilustra os elementos relevantes do SAD orientado a dados.

Os dados corporativos são trabalhados e deles extrai-se a base do DW, que consolida as suas transações num repositório central, o DW. Com o DW devidamente estruturado, as tecnologias OLAP e data mining ajudam respectivamente na análise multidimensional e descoberta de conhecimento baseada em padrões.

OLAP (online analytical processing)

Permite a análise rápida de grandes volumes de dados sob múltiplos ângulos (fatores) de observação, que é denominada análise multidimensional (também chamada de cubos OLAP).

Por exemplo:

• O faturamento anual de um produto X pode ser analisado conforme alguns fatores: região, época do ano e perfil do consumidor. Podemos escolher o fator desejado e isolar os demais.

Entre as formas de explorar as dimensões OLAP, temos:

• Detalhamento sucessivo (drill down), ou seja, dispor de diferentes níveis de detalhamento;
  • Exemplo: podemos querer receitas totais, ou receitas por trimestre, ou ainda diárias;
• Diferentes dimensões (slicing and dicing), que possibilitam a substituição de fatores de análise com simplicidade;
  • Por exemplo: processar despesas por canal de venda ou despesas por linha de produto;
• Diferentes visualizações, de forma a permitir a alteração do formato das apresentações dos resultados: planilhas, gráficos, tabelas, mapas, recursos visuais.

Vamos considerar a seguinte situação: analisar o impacto de um recente aumento de preços de 50 produtos dos 100 comercializados pela empresa. Podemos considerar o seguinte procedimento:

• Comparar: as vendas do ano corrente com vendas do ano anterior para 2 grupos:
  • Grupo 1: produtos cujos preços aumentaram;
  • Grupo 2: produtos cujos preços se mantiveram;
• Para cada grupo: calcular a relação entre vendas no ano corrente e vendas do ano passado;
• Com a técnica OLAP, a criação de cada grupo é simples (basta usar o valor de um atributo: data da última alteração de preço);
• Após criação do grupo, os dados são agregados de forma automática.

Os produtos OLAP ajudam os administradores a filtrar dados, em grandes bancos de dados, para responder a questões, como:

• Os produtos novos estão conseguindo penetração no mercado?
• A publicidade e os descontos são ou não eficazes?
• Quais lojas e vendedores estão se destacando?

DATA MINING (ou mineração de dados)

Mineração de dados é um processo analítico cuja finalidade é revelar conhecimento, padrões, tendências e comportamento em grandes volumes de dados. Em outras palavras, data mining visa a descobrir padrões implícitos nos dados, usando-os para obter vantagens competitivas e ajudar nas tomadas de decisão.

A mineração de dados revela o uso de técnicas, em geral automáticas, para exploração de grandes quantidades de dados, objetivando descobrir novos padrões e relações entre os dados que, devido ao grande volume, não seriam facilmente descobertos a olho nu pelo ser humano.

Um caso famoso da aplicação de mineração de dados é o da lenda das fraldas e das cervejas:

• Analisando dados de compras de clientes, em um supermercado, na noite de sexta, descobriu-se um padrão de comportamento: “quem compra fralda, leva
  junto cerveja”. Ou seja: os pais, em geral, na sexta, ao saírem para compras de fraldas de emergência, aproveitavam e compravam cerveja;
• Diante desse fato, a direção do supermercado decidiu: colocariam cerveja e fraldas em gôndolas lado a lado;
• Resultado: as vendas dos dois produtos cresceram.

Outras aplicações da mineração de dados são:

• Detecção de operações fraudulentas em cartão de crédito (fora do padrão de uso do cartão);
• A previsão automatizada de tendências e comportamento, como, por exemplo, a previsão de falência e outras inadimplências.

Podemos identificar o uso da técnica de mineração de dados nos seguintes segmentos de mercado:

• Setor bancário – estudo do comportamento do uso de cartões de crédito para determinados grupos de clientes;
• Detecção de cartões de crédito roubados;
• O governo dos EUA usa data mining há tempos para identificar padrões de transferências de fundos internacionais que se parecem com lavagem de dinheiro do narcotráfico: usado para identificar fraudes.

DATA WAREHOUSE (ou armazém de dados)

É uma forma de armazenamento organizado de um alto volume de dados sobre os históricos das operações da empresa, possibilitando múltiplas visões (cubos). O objetivo é uma organização dos dados que visem ao processamento analítico.

O DW explora a organização de múltiplas fontes de dados internas e externas.

Os dados no DW são organizados em dimensões conforme os fatores de análise desejados. Por exemplo, as figuras abaixo ilustram a organização do DW em cubos com diferentes dimensões. A Figura 21 do cubo representa os três fatores de análise: por região (S e NE), por período (trimestre) e linha de produto. A Figura 22 apresenta as três dimensões e os fatos (coluna vendas), que são armazenados no DW.

Como exemplo do uso de SAD orientado a dados, podemos citar:

1. Setor bancário: análise de tendências de clientes (empréstimos, por exemplo);
2. Companhias aéreas: escalonamento da tripulação em aeronaves, análise de lucro por rota;
3. Seguros: gerenciamento de riscos, análise do mercado;
4. Cartão de crédito: detecção de fraude.

DATAMART (DM)

O DM, conforme ilustrado pela Figura 23 a seguir, pode ser conceituado como “um pequeno DW projetado por assunto (ou unidade funcional) como alternativa de menor custo ou estratégia para construir o DW”. Comparativamente ao data warehouse, o DM apresenta:

• Menor custo de desenvolvimento e implantação;
• Menor tempo de desenvolvimento e implantação;
• Menor tempo de resposta uma vez que a quantidade de dados diminui.

O software do SAD orientado a conhecimento

Nesta aula, vamos aprofundar o conhecimento no SAD orientado a conhecimento, detalhando suas características, estrutura e funcionamento.

A principal característica desse modelo de SAD é o fato de a inteligência artificial (doravante, IA) ser a base das soluções e tecnologias que viabilizam sua
implementação.

As principais tecnologias de IA apoiando o SAD, que abordaremos na disciplina, são:

• sistemas especialistas;
• redes neurais artificiais;
• sistemas baseados em casos;
• sistemas Fuzzy (lógica Fuzzy ou lógica digusa);
• algoritmos genéticos e
• agentes inteligentes.

O SAD orientado ao conhecimento possibilita a solução de problemas, auxiliado por “conhecimento” armazenado em forma de fatos, regras, procedimentos e estruturas similares.

Esse tipo de SAD ganha um novo subsistema exclusivo chamado gestão do conhecimento, conforme ilustra a Figura 24 a seguir.

1. Sistemas especialistas

A aplicação mais comum para esse tipo de SAD são os sistemas especialistas (SE), que são sistemas que “imitam” a forma de os especialistas humanos aplicarem suas técnicas de raciocínio e/ou conhecimento em uma área específica de atuação. Os sistemas especialistas podem apoiar a decisão dos gestores ou substituí-los, uma vez que as conclusões são inferidas pelo próprio sistema. Os gestores, via de regra, não confiam muito em SAD orientado ao conhecimento por não entenderem, com clareza, como eles funcionam.

Os sistemas especialistas são soluções aplicáveis em situações em que a expertise, para a tomada de decisão, é cara ou rara.

Acompanhe, pela Figura 25, o funcionamento de sistemas especialistas conforme descrição:

• A expertise do assunto é transferida pelo especialista a um sistema de computação pelo “módulo de aquisição do conhecimento” (conforme a
  imagem);
• O conhecimento é armazenado pelo sistema em uma base de regras (base do conhecimento conforme a imagem);
• Os usuários podem solicitar uma consulta específica ao sistema através da interface com o usuário (conforme imagem);
• O sistema pode fazer inferências (motor de inferência), com base em fatos (armazenados anteriormente na memória do trabalho) e nas regras (base do conhecimento), para chegar às conclusões desejadas;
• O sistema, tal qual um especialista humano, fornece conselhos ou recomendações que podem ser fundamentadas.

Os sistemas especialistas, embora derivem de tecnologia disponível nos anos 90, não foram usados em larga escala pelas empresas pelo seu alto custo de implantação em comparação com a segurança e o retorno dados pelo sistema, além da falta de mão de obra com tal expertise. Entre as principais vantagens e desvantagens dos sistemas especialistas, temos:

Vantagens

• Melhores decisões, com menos erros;
• Menor custo no longo prazo (considerando o alto investimento do software);
• Menor tempo despendido com treinamento, pois o conhecimento está explícito no sistema;
• Maior qualidade das decisões.

Desvantagens

• Os sistemas, tal qual os humanos, podem dar recomendações incorretas (regras e/ou fatos errados), e nesse caso falta a capacidade reflexiva;
• Os sistemas muitas vezes “se perdem” e não chegam à conclusão alguma.

2. Redes Neurais Artificiais (RNA)

A maior a aplicação de RNA é reconhecimento de padrão. As aplicações que implementam essa tecnologia analisam grandes volumes de dados para estabelecer padrões e características.

RNA têm sido usadas no mercado financeiro para:

• Indicar o momento de comprar e vender ações;
• Prever falências;
• Estimar taxas de câmbio e outros indicadores.

3. Sistemas baseados em caso (SBC)

Nessa tecnologia, o conhecimento da empresa é capturado e organizado usando raciocínio baseado em casos (RBC).

Acompanhe a imagem abaixo para entendimento da tecnologia de SBC. Inicialmente, antes do passo 1 descrito na imagem, o especialista descreve experiências passadas de casos, em um módulo de captura do sistema, que as armazena em um banco de dados.

A partir daí, o procedimento, descrito na Figura 26, tem início a cada novo caso.

4. Sistema fuzzy (lógica fuzzy ou lógica difusa)

Trata-se de tecnologia baseada em regras que representam a imprecisão do raciocínio humano ao lidar com as incertezas oriundas da subjetividade.

Oferece soluções para problemas que exigem conhecimento técnico difícil de ser representado em termos de regras se-então-senão, tal qual os sistemas especialistas e outras tecnologias.

Solução muito usada em aplicações de controle conforme os seguintes exemplos:

• No metrô de Sendai, no Japão, usam-se controles com lógica difusa para acelerar o trem suavemente;
• A Mitsubishi Heavy Industries reduziu em 20% o consumo de energia de seus aparelhos de ar-condicionado usando controles que implementaram solução com lógica difusa que adéqua a melhor temperatura conforme o contexto.

5. Algoritmo genético

É uma tecnologia de IA que tem por objetivo encontrar a solução ideal de problema após exame de extenso número de soluções viáveis.
Provê meios de pesquisar todas as possíveis combinações e identificar a que representa melhor a solução do problema (solução ótima).

Usado em problema de otimização: minimizar custos, maximizar lucros, programação eficiente e utilização de recursos.

6. Agente inteligente (AI)

AI é um software que trabalha na retaguarda (background), sem interação com o homem diretamente, executando tarefas específicas, repetitivas e previsíveis. Usa uma base de conhecimento para tomar decisões ou realizar tarefas. Podemos citar como exemplos de aplicação de AI:

• Buscas específicas na internet;
• Monitoramento de sites;
• Agentes de chat;
• Notificação ao usuário de eventos relevantes, como, por exemplo:
  • Mudança no conteúdo de uma página na web;
  • Mudança de endereço de uma página;
  • Amazon.com (novos livros disponíveis);
• Agentes em intranets:
  • Monitoramento e diagnóstico de falhas;
  • Balanceamento de carga;
  • Detecção de intrusão.
• Robô de compras – ajudam usuário a encontrar produtos (agentes de recomendação) e comparar preços (agentes de comparação).

A seguir, são apresentados exemplos da prática das empresas no que se refere ao uso de SAD orientado ao conhecimento (SADc).

Na área de contabilidade, podemos citar o uso do SADc para diversos fins, desde análise de riscos a controle de custos, passando por ajudar a descobrir irregularidades e fraudes nas empresas (representadas nos documentos contábeis).

Na área de finanças, temos aplicações variadas: decisões no mercado de ações, análise de condições financeiras, projeção financeira, análise do melhor investimento. O SADc ajuda na redução de fraudes com cartões de crédito.

A área de marketing usa SADc para alocação de verbas para publicidade e previsão de comportamento de clientes.

Na área de produção e operações, a aplicação de SADc apoia operações complexas e decisões de produção: desde estoque até PCP (planejamento e controle da produção). Identificamos também o uso de sistemas inteligentes para diagnóstico de falhas em máquinas, além de prescrição dos reparos.

Em gerenciamento de RH, encontramos aplicação com agente inteligente que encontra currículos de candidatos publicados na internet, bem como sistemas especialistas para avaliação dos candidatos e rede neural para prever o desempenho e estimar as necessidades de mão de obra.

Bibliografia

CERTO, S. C.; Tomada de decisões. In:____________. Administração moderna. 9. São Paulo: Pearson, 2005, p. 123-145.

LANDON, K. C; LAUDON, J. Sistemas de informações gerenciais: administrando a empresa digital. São Paulo: Pearson Prentice Hall, 2004, p. 303-307.

TURBAN, E. et al. Administração de tecnologia da informação – teoria e prática. Rio de Janeiro: Elsevier, 2005, p. 358-364.

RESENDE, D. A.; ABREU, A. F. Tecnologia da Informação aplicada a sistemas empresariais: o papel estratégico da informação e dos sistemas de informação nas empresas. 7. ed. São Paulo: Atlas, 2010, p. 185-187.

_______________________. Sistemas de informações gerenciais: administrando a empresa digital. 7. ed. São Paulo: Pearson Prentice Hall, 2007.

GORDON, S. R; GORDON, J. R. Sistemas de informação: uma abordagem gerencial. Rio de Janeiro; Gen LTC, 2011.

PS: O material da pós graduação da Estácio deixa a desejar quanto a imagens ilustrativas e nas abordagens de alguns tópicos. Vou tentar adicionar mais material e organizar melhor as ideias dos consteúdos.