Compensation and Reward

O data mining explora bancos de dados históricos para obter informações relevantes sobre eles, com o propósito de auxiliar a tomada de decisão. Ele busca obter padrões e relações existentes nesses dados para a geração de informações úteis (CABENA et al., 1997; TANLER, 1997; LINDEN, 2001; LAUDON & LAUDON, 2002).

A evolução histórica do data mining, segundo CABENA et al. (1997), iniciou-se na década de 60 do século passado com a criação, por Frank Rosenblatt, do “Perceptron”, que foi um precursor das modernas redes neurais (redes inspiradas na estrutura do cérebro, com o objetivo de apresentar características similares ao comportamento humano) e que solucionava problemas simples. Em 1969, Minsky e Papert desenvolveram um modelo de rede neural mais complexo que o “Perceptron”, denominado “engenharia do conhecimento”, que buscava soluções por meio de observações alimentadas pela própria máquina.

No início dos anos 70 do século passado, com base no modelo de “engenharia do conhecimento”, começaram a ser desenvolvidos alguns sistemas especialistas, sendo os mais conhecidos o MYCIN (diagnósticos médicos) e XCON VAX (configuração de computadores) (CABENA et al., 1997). Os sistemas especialistas são programas inteligentes de computador que usam conhecimentos e procedimentos de inferências, para resolver problemas que são bastante complexos e/ou complicados, de forma a requererem para sua solução muita perícia humana (METAXIOTIS & PSARRAS, 2003).

Os sistemas especialistas são aplicados em diversas áreas, sendo os de maior destaque: marketing, área bancária e financeira, previsões e tendências de negócios (METAXIOTIS & PSARRAS, 2003). Os sistemas especialistas estão englobados dentro das áreas de data mining. Destaca-se o seu uso em modelos preditivos, pois requer o uso de programas que inferem do conjunto de dados predições de valores desejados pelos decisores.

Em meados da década de 80, houve um aumento considerável de pesquisas e pessoas interessadas no meio acadêmico em machine learning, gerando o desenvolvimento de novas técnicas para soluções de problemas altamente complexos. Aliado a esse avanço do machine learning, houve também um grande aumento da

disponibilidade de grandes bancos de dados comerciais em que modelos de machine

learning passaram a ser aplicados com maior facilidade, destacando-se suas aplicações

na área de marketing (CABENA et al., 1997).

No fim dos anos 80, surge o novo termo que buscava englobar conceitualmente todos os outros conhecidos na área (inteligência artificial, machine

learning, entre outros) denominados Knowledge Discovery Databases (KDD), que tem

o objetivo de encontrar padrões e similaridades em base de dados. Dentro deste contexto, uma das etapas do processo do KDD foi chamada de data mining em um congresso realizado em Montreal em 1995 (CABENA et al., 1997).

Para o mesmo autor, em fins da década de 90 do século passado, com o crescimento da popularidade e da utilização cada vez maior do termo data mining por parte dos vendedores, ele passou a ser utilizado como um substituto do termo KDD como um processo de extração de conhecimento de uma base de dados.

O data mining está sedimentado em quatro pilares: Inteligência Artificial, Estatística, KDD e banco de dados (FAYYAD et al., 1996; COSTA et al., 2000). Embora haja visões diferentes sobre a relação entre KDD e data mining, nesta dissertação é considerado o KDD como um dos pilares importantes para o uso do data

mining.

A contribuição da Inteligência Artificial para o data mining se reflete na busca de padrões compreensíveis que podem ser interpretados como um conhecimento útil na tomada de decisão (FAYYAD et al., 1996). Ela envolve muitos termos complexos e de utilização ampla, sendo necessário simplificar os conceitos empregados sobre o assunto para melhor compreensão de como ela é utilizada pelo data mining (COSTA et al., 2000).

Já a Estatística contribui para o data mining provendo uma linguagem que quantifica a incerteza dos resultados quando há a tentativa de inferir (entender) padrões gerais para uma particular amostra de toda uma população (FAYYAD et al., 1996).

O KDD é importante para o data mining, pois suporta a utilização e integração de vários métodos de descoberta de conhecimento, a maioria dos quais é baseada em pesquisa e pode ser usada em modo interativo e/ou automatizado (COSTA et al., 2000). Ele apóia o data mining na análise de dados e descoberta de algoritmos

com limitações de eficiência computacional produzindo uma série de padrões ou modelos a partir de um conjunto de dados (FAYYAD et al., 1996).

Por fim, o banco de dados permite um eficiente ganho no acesso aos dados por meio de um conjunto de técnicas que permitem o agrupamento e a ordenação das operações que acessam os dados, e otimiza queries que constituem a base dos algoritmos que exploram grandes bancos de dados (FAYYAD et al., 1996). Uma das representações dos bancos de dados é o data warehouse, que, conjuntamente com outros bancos de dados, dentro do contexto organizacional pode auxiliar o data mining da seguinte forma, como ilustra a Figura 3.6.

Fonte: Elaborado pelo autor.

FIGURA 3.6 – A relação entre data warehouse e data mining.

De acordo com a Figura 3.6, a empresa tem uma missão que estrutura os objetivos de seus negócios da empresa, que define quais fatores críticos (custo, qualidade, entrega, velocidade e flexibilidade) e quais ações a serem tomadas são relevantes para ela. Com isso, a empresa tem definido o seu modelo de negócios. A sua estratégia de negócios é definida a partir desse modelo de negócios e é aplicada a todos os processos de negócios relevantes para a empresa que compõem o seu sistema de operações. Esses processos geram dados para os sistemas de informação, cujo foco, nesta dissertação, são os SAD, que retornam com informações relevantes para que a

Data Warehouse Objetivos dos Negócios Sistema de Operações Empresa Informação Fatores Críticos de Sucesso Ferramentas de Data Mining Dados Missão Define Medidas Sistema de Apoio à Decisão Data Mart. Bases de Dados Transacionais Outras Bases de Dados Informação Define Estratégia dos Negócios Influencia

estratégia de negócios possa ser testada e redefinida caso não atenda o modelo de negócios da empresa.

Dentro do SAD, como mostrado na Figura 3.6, existem diversos bancos de dados que armazenam os dados dos processos de negócio. Todos esses bancos , entre eles o data warehouse e o data mart, interagem (um dos tipos de interação dos banco de dados) com as ferramentas de data mining desenvolvidas a partir de técnicas para atender às necessidades dos usuários. O SAD gera informações relevantes para a estratégia de negócios da empresa e até mesmo para repensar os objetivos dos negócios da empresa como componente do modelo de negócios.

O data warehouse, como componente do sistema de apoio à decisão da empresa, é o ponto de partida do processo de conversão dos dados em informação útil. Dentro do SAD, o data warehouse é o elemento fornecedor de dados e/ou informações para o sistema de modelos, cujo foco desta dissertação é o data mining.