O poder dos Sistemas de Apoio à Decisão (SAD)
![](/images/blog/cubo-analitico-e-Setorial.gif)
Também chamados de Decision Suport System (DSS), os Sistemas de Apoio à Decisão (SAD) se utilizam de uma série de conceitos, técnicas e ferramentas para transformar dados em informações úteis para auxiliar a tomada de decisões. Para a elaboração de um sistema deste tipo, normalmente muitos profissionais são envolvidos, principalmente nas áreas da Tecnologia da Informação e Comunicação (TIC) e de Negócios e, especificamente, nas áreas de Business Intelligence (BI), Business Analytics (BA), Data Mining, Machine Learning, Estatística, Banco de Dados, Infraestrutura de Software, Inteligência Competitiva, Marketing, Engenharia e Gestão do Conhecimento, entre outras. A interação de distintos perfis de profissionais garante, além da performance e segurança, que os pontos importantes para a instituição (Indicadores Chave - KPI) sejam definidos pelas áreas que têm o devido conhecimento, maximizando o sucesso dos projetos.
Cubo Analítico
Com todos os Indicadores Chave (KPI) definidos, todas as regras de negócio documentadas e a origem de todos os dados conhecida, se inicia o desenvolvimento do SAD. A primeira etapa consiste em ler os dados de todas as fontes definidas no projeto, integrando-os em um grande armazém de dados, o Data Warehouse (DW).
A partir daí vem a grande sacada do Business Intelligence: são criados os Cubos Analíticos, também chamados de Cubos Multidimensionais, um para cada fato a ser analisado e sem limite de quantidade de Dimensões.
Um único cubo deve ser capaz de oferecer, com muita agilidade, todas as informações que um gestor necessita sobre o fato que o cubo analisa. #Todas.
O exemplo ao lado é uma representação gráfica (gif) de um cubo de Movimentações Financeiras composto por 3 dimensões:
- Tipo de Movimentação Financeira (o que);
- Data (quando) e
- Localidade (onde)
Cada uma das dimensões pode ser utilizada para filtrar os dados e selecionar apenas o período desejado. A porção em vermelho corresponde a seleção feita e no último quadro do gif percebemos o quadrado que indica a intersecção de todos os filtros, ou seja, a resposta desejada.
Filtros aplicados: Tipo de movimentação = Vendas, Data = Ano de 2017, Localidade = Estado de São Paulo.
Painéis Interativos
Agora que o cubo analítico é capaz de dar todas as respostas necessárias ao gestor, a próxima etapa é criar painéis interativos (dashboards) que permitam ao próprio usuário refinar suas consultas, simplesmente selecionando por exemplo o Ano e o Mês, sempre com a possibilidade de filtrar ainda mais os dados, clicando nos gráficos (de barras, pizza, etc.) e obtendo respostas precisas e praticamente automáticas, pois todas as técnicas e ferramentas utilizadas permitem que estes dados sejam pré-computados e de fácil acesso. Tendências e desvios do padrão nos dados da instituiçao são facilmente encontrados, visualmente, de forma clara e intuitiva, conforme alguns exemplos abaixo:
![Carteira-e-Inadimplencia](/cache/widgetkit/gallery/66/Carteira-e-Inadimplencia-27a33f3c83.jpg)
Financeiras
![AutomotiveCo](/cache/widgetkit/gallery/66/AutomotiveCo-d37bb960f1.jpg)
Logística
![LLR-Leukaemia-&-Lymphoma-Research](/cache/widgetkit/gallery/66/LLR-Leukaemia-&-Lymphoma-Research-29ae3cdac3.jpg)
Gestão em Geral
![Ayrton-Senna](/cache/widgetkit/gallery/66/Ayrton-Senna-92ab303972.jpg)
Performance
![Vendas-por-FIlial](/cache/widgetkit/gallery/66/Vendas-por-FIlial-dd36999d85.jpg)
Vendas por Filial
![Perfil-do-Estudante](/cache/widgetkit/gallery/66/Perfil-do-Estudante-3a22766b99.jpg)
Educação à Distância
![Music-Streaming](/cache/widgetkit/gallery/66/Music-Streaming-837c0f27b7.jpg)
Música
![Retail.co](/cache/widgetkit/gallery/66/Retail.co-4e57b5f3dd.jpg)
e-Commerce
![Theme-Park](/cache/widgetkit/gallery/66/Theme-Park-22016d5673.jpg)
Indicadores
![Consulta-Analitica-1](/cache/widgetkit/gallery/66/Consulta-Analitica-1-4e98c5d630.jpg)
Cruzando Informações - Cubo
![Marketing-Campaign-Analysis](/cache/widgetkit/gallery/66/Marketing-Campaign-Analysis-e1a49cc035.jpg)
Marketing
![Product-Sales](/cache/widgetkit/gallery/66/Product-Sales-ee2689010c.jpg)
KPIs
![BigWireless-Analytics](/cache/widgetkit/gallery/66/BigWireless-Analytics-3922c0e759.jpg)
Telefonia
![SetorialMetrics](/cache/widgetkit/gallery/66/SetorialMetrics-07860000bf.jpg)
Eleições
![Steel-Wheels](/cache/widgetkit/gallery/66/Steel-Wheels-b0772280de.jpg)
Vendas
![BioMe](/cache/widgetkit/gallery/66/BioMe-386372d3b5.jpg)
Saúde
![Consulta-Analitica-2](/cache/widgetkit/gallery/66/Consulta-Analitica-2-b7666ce73a.jpg)
Gráficos Agrupados - Cubo
![T-Wars](/cache/widgetkit/gallery/66/T-Wars-92b75dfb1d.jpg)
Geeks
![Chicago-Crime](/cache/widgetkit/gallery/66/Chicago-Crime-29bcbeaf74.jpg)
Segurança Pública
![Ayrton-Senna-1](/cache/widgetkit/gallery/66/Ayrton-Senna-1-371e19eb8a.jpg)
Produtividade
Caso Toyota
No final dos anos 90, a empresa enfrentou grandes problemas em sua cadeia de operações. O custo de armazenamento de carros se elevou e ela não estava mais conseguindo fornecer o produto a tempo para seus clientes. Utilizava computadores que geravam uma quantidade enorme de dados e relatórios que não eram utilizados estrategicamente porque nem sempre eram exatos e muitas vezes eram fornecidos tarde demais - o que atrasava a tomada de decisões.
Uma nova CEO foi contratada. Ela identificou algumas soluções: primeiro, a necessidade de um Data Warehouse - um repositório central de dados, organizado e de fácil acesso. Segundo, a necessidade de implementação de ferramentas de software para efetuar a manipulação desses dados. O novo sistema implantado infelizmente não funcionou de maneira correta: a entrada de dados históricos incluiam anos de erros humanos que não foram detectados, dados duplicados, inconsistentes e falta de importantes informações. Tudo isso gerou análises e conclusões precipitadas sobre o funcionamento da distribuidora.
Apenas em 1999 a empresa resolveu implantar uma plataforma de Business Intelligence. Em questão de dias o sistema apresentou bons resultados. Por exemplo, descobriram que a empresa era cobrada duas vezes por um envio especial por trem (um erro de US$ 800.000). Entre 2001 e 2005, o volume de carros negociados aumentou em 40%, o tempo de trânsito foi reduzido em 5%. Esses e vários outros benefícios ajudaram a Toyota a alcançar as maiores margens de lucro no mercado automotivo desde 2003, e estão aumentando consistentemente a cada ano desde então. Além disso, um estudo realizado pela IDC Inc. em 2011, indicou que a instituição alcançou, naquele ano, um retorno de pelo menos 506% sobre o investimento em BI. Fonte
Esse é apenas um dos inúmeros casos que ilustram a eficiência dessas soluções capazes de integrar e interpretar Dados, transformando-os, de alguma forma, em Informação relevante ao seu negócio, possibilitando, com a devida análise, a criação de Conhecimento. Através da utilização e da gestão deste conhecimento nasce a Inteligência.
Conclusão
Mais de 15 anos passaram desde que a Toyota adotou o BI. Atualmente, gera-se mais de 2.5 quintilhões de bytes de dados diariamente no mundo, sendo que 90% dos existentes hoje foram criados nos últimos 2 anos. A tendência é que esse número cresça de uma forma cada vez mais rápida.
Uma Solução de Apoio à Decisão não precisa custar milhões de dólares nem exigir a venda casada de equipamentos, treinamentos, consultorias e serviços. Pelo contrário, com software livre e com o respaldo de uma consultoria especializada pode-se atingir resultados excelentes e sustentáveis utilizando o equipamento já existente, com qualquer sistema operacional do mercado, podendo ser acessado desde celulares e computadores até mesmo em grandes painéis televisores. Isto tudo com toda a segurança e liberdade de quem tem todo o código fonte em seu poder.
E você, o que vai fazer com os seus dados?