Post on 18-Nov-2014
description
i
SABRINA MARIANA FREITAS COSTA
ESTRATÉGIA DE REAÇÃO EM CALL CENTER:
UMA PROPOSTA DE ARQUITETURA
FACULDADE DE TECNOLOGIA DE SÃO PAULO
DEPARTAMENTO DE TECNOLOGIA DA INFORMAÇÃO
São Paulo
2011
ii
SABRINA MARIANA FREITAS COSTA
ESTRATÉGIA DE REAÇÃO EM CALL CENTER:
UMA PROPOSTA DE ARQUITETURA
Monografia apresentada à Faculdade de Tecnologia de São Paulo, como parte dos requisitos para obtenção do título de Especialista em Análise e Projetos de Sistemas.
Orientador: Prof. Dr. Silvio do Lago Pereira
FACULDADE DE TECNOLOGIA DE SÃO PAULO
DEPARTAMENTO DE TECNOLOGIA DA INFORMAÇÃO
São Paulo
2011
iii
1
AGRADECIMENTOS
Neste trabalho foram descritos desde pequenas sugestões a grandes idéias.
Apesar de todas as circunstâncias e contratempo agradeço imensamente a todos
que me auxiliaram, em especial aos meus pais e toda minha família que, com muito
carinho e dedicação, não mediram esforços na ajuda em concretizar mais esta etapa
em minha vida. Agradeço também ao Professor Doutor Silvio do Lago Pereira por
todo apoio prestado, na orientação e incentivo dados a este trabalho que, só assim,
tornaram possível sua conclusão.
2
BANCA EXAMINADORA
Professor Orientador: Dr. Silvio do Lago Pereira
Professor 2: Prof. Dr. Kazuo Watanabe
Professor 3: Profa. Me. Grace Anne Pontes Borges
3
SUMÁRIO
INTRODUÇÃO ...................................................................................................... 10
1 AMBIENTE DE CALL CENTER ...................................................................... 15
1.1 As Origens ................................................................................................ 15
1.2 A Infraestrutura ......................................................................................... 17
2 ESTUDO DE CASO........................................................................................ 18
2.1 Estrutura da Empresa ............................................................................... 18
2.2 Regra de Negócio ..................................................................................... 21
2.3 Características .......................................................................................... 22
2.4 Arquitetura de Processamento .................................................................. 23
3 PLANEJAMENTO ESTRATÉGICO E GESTÃO DE CONHECIMENTO ......... 25
3.1 Planejamento ............................................................................................ 25
3.2 Gestão de Conhecimento ......................................................................... 28
4 INTELIGÊNCIA EMPRESARIAL .................................................................... 30
4.1 CRM .......................................................................................................... 30
4.2 Data Warehouse ....................................................................................... 31
5 INTELIGÊNCIA APLICADA AO NEGÓCIO .................................................... 44
5.1 Redes Neurais Artificiais ........................................................................... 44
6 ARQUITETURA PROPOSTA ......................................................................... 61
6.1 Introdução ................................................................................................. 61
6.2 Ferramentas utilizadas e suas características .......................................... 65
6.3 Ambiente DW ............................................................................................ 66
6.4 Data Mart de Desempenho Operacional ................................................... 71
6.5 Dicionário de Dados .................................................................................. 72
6.6 Vantagens e Desvantagens da Arquitetura Proposta ............................... 75
6.7 Melhorias e Trabalhos Futuros ................................................................. 77
Conclusão ............................................................................................................... x
4
Referências ........................................................................................................... xii
Apêndice A - Visão geral do Trabalho .............................................................. xiv
5
LISTA DE TABELAS
Tabela 1: Consulta Cubos BI por dimensão vendas por Região. .......................... 37
Tabela 2: Consulta Cubos BI por dimensão vendas por Região por trimestre. ..... 37
Tabela 3: Armazenamentos Acessíveis por Ferramenta ...................................... 39
Tabela 4: Correspondência entre tipos de usuários e funcionalidades. ................ 43
Tabela 5: Comparação Redes Biológicas X Artificiais. ......................................... 47
Tabela 6: Requisitos de Servidores Envolvidos. ................................................... 64
Tabela 7: Tratamento de dados. ........................................................................... 70
Tabela 8: Definições das dimensões .................................................................... 71
Tabela 9: Parametrização de Alerta ...................................................................... 72
Tabela 10: Problemas X vantagens aplicadas á arquitetura proposta. ................. 76
6
LISTA DE FIGURAS
Figura 1: Pesquisa de satisfação para Call Center, visão consumidor . ............... 11
Figura 2: Estrutura do Call Center da Empresa. ................................................... 18
Figura 3: Arquitetura Ambiente Atual. ................................................................... 23
Figura 4: CRM X DW ............................................................................................ 30
Figura 5: Estrutura – Integração ........................................................................... 32
Figura 6: Estrutura – DW ...................................................................................... 33
Figura 7: Hierarquia de Dimensões....................................................................... 35
Figura 8: Representação de um fato de vendas por meio de um cubo. ................ 36
Figura 9: Modelo Star – Estrela............................................................................. 38
Figura 10: Processo de criação e uso da inteligência. .......................................... 42
Figura 11: Parte de uma rede: duas células biológicas interconectadas. ............. 45
Figura 12: Processamento da informação em um neurônio artificial..................... 46
Figura 13: Rede neural com uma camada escondida. .......................................... 48
Figura 14: Função de soma para um neurônio (a) e vários neurônios (b). ........... 50
Figura 15: Exemplo de funções para RNA. ........................................................... 50
Figura 16: YT é o valor transformado de –Y. ....................................................... 51
Figura 17: Estruturas de rede neural: fluxo progressivo ........................................ 52
Figura 18: Estrutura recorrente comparada com fonte progressiva. ..................... 52
Figura 19: Processo de aprendizagem de uma RNA. ........................................... 54
Figura 20: Retropropagação de erros para um único neurônio. ............................ 56
Figura 21: Fluxograma do processo de desenvolvimento de uma RNA. .............. 58
Figura 22: Arquitetura do Ambiente Proposto. ...................................................... 62
Figura 23: Modelagem de dados, para o processamento do DW. ........................ 70
Figura 24: Aplicação – Funcionalidade. ................................................................ 73
Figura 25: Aplicação – Processo de Análise. ........................................................ 73
Figura 26: Aplicação – E-mail Estratégico. ........................................................... 74
7
LISTA DE ABREVIATURAS
BAM Monitoramento de atividades de Negócios
BI Business Intelligence
BPM Corporate Performance management
CEO Chief Executive Officer
CPM Corporate Performance Management
CRM Customer Relationship Managemen
DW Data Warehouse
DSS Decision Support Systems
EIS Sistemas de Informações Executivas
FCS Fatores Críticos do Sucesso
MDX Multidimensional Expressions
MPL Perceptron Multi-Camadas
ODS Operational Data Store
OLAP On Line Analytical Processing – Processamento On-line Analítico
PA Posição de Atendimento
PE Elementos de Processamento
RNA Rede Neural Artificial
SAC Atendimento ao Consumido
SIG Sistemas de Geração de Relatório
SSAS SQL Server Analysis Services
SSIS SQL Server Integration Services
SSRS SQL Server Reporting Services
SWOT Forças (Strengths), Fraquezas (Weaknesses), Oportunidades (Opportunities).
URA Unidade de Resposta Audível
8
RESUMO
No ambiente corporativo de Call Center, a alta competitividade no setor torna
cada vez mais necessária a inovação tecnológica e dinamismo em sua gestão além
da redução de custos e menor tempo para a execução de soluções. Vale salientar a
importância da eficiência quanto às decisões tomadas na gestão de todos estes
itens. Como solução para os problemas vistos, tais como: operacional, estratégico,
má utilização das ferramentas disponíveis. Na execução das atividades de caráter
solucionador este trabalho apresenta o conceito de Business Intelligence (BI)
utilizado na análise, planejamento, gestão e estratégia. Também será aplicado o
conceito Inteligência Artificial - Redes Neurais, aprimorando as análises e medidas
utilizadas na gestão do setor operacional, além de propor uma arquitetura
estratégica que visa oferecer maior agilidade nas tomadas de decisões e na análise
de problemas/ incidentes com medidas de caráter solucionador, a arquitetura
proposta vai além de índices estratégicos, garante a avaliação da estratégia que
está sendo tomados durante a gestão, tais pontos podem ser indicados como caso
de fracasso e sucesso no planejamento de qualquer empresa.
Palavras-chave: Business Intelligence, Data Mining, Processamento Analítico
on-line (OLAP), Data Warehouse, Data Mart, Data Store Operacional (ODS),
Integração de Dados, Modelagem Dimensional, Extração Transformação De Carga
(ETL), Cubos De Dados, OLAP Multidimensional (MOLAP), Meta Estratégica,
Objetivo Estratégico, Visão Estratégica, Algoritmo De Aprendizado, Aprendizado Não
Supervisionado,Aprendizado Supervisionado,Função Sigmoide (Ativação
Lógica),Neurônio, Camada Escondida, Processamento Paralelo, Rede Neural, Rede
Neural Artificial (RNA),Taxa De Aprendizado.
9
ABSTRACT
In the call center corporate , high competitiveness in the sector
becomes increasingly necessary technological innovation and dynamism in
management in addition to reducing costs and less time to implement solutions. It is
worth mentioning the importanceof efficiency and of the decisions taken in the
management of all these items. As a solution to the problems seen, such as:
operational, strategic, misuse of the tools available. In carrying out the activities of
a solver this paper presents the concept of Business Intelligence (BI) used in the
analysis, planning, management and strategy. Also applied the concept Artificial
Intelligence - Neural Networks, improving analysis and measures used in managing
the operational sector, and to propose astrategic architecture that aims to
provide greater flexibility in decision-making and problem analysis / incident with
measuresof character solver, the proposed architecture goes
beyondstrategic levels, ensures the evaluation of the strategy beingtaken during the
administration, such points can be suggested as a case of failure and success in any
business planning.
Keywords: Business Intelligence, Data Mining, online analytical
processing(OLAP), Data Warehouse, data mart, operational data store (ODS), data
integration, dimensional modeling, extraction transformation loading (ETL), data
cubes, Multidimensional OLAP (MOLAP),strategic goal, strategic objective, strategic
vision, learning algorithm, unsupervised learning, supervised learning, the sigmoid
function (activation logic), neuron, hidden layer, parallel processing, neural
networks, artificial neural network (ANN), rate learning.
10
INTRODUÇÃO
Telemarketing consiste em um instrumento de “inteligência e informação” voltado
para atender demandas, cada vez maiores, onde o telefone deixa de ser apenas um
meio simples e barato para efetivar as vendas e passa a ser manuseado como uma
ferramenta de marketing mix, com benefícios de televendas agregando a capaci-
dade de detectar necessidade, monitorar mercado, interagir com o cliente, realizar
pós venda, pesquisa, propaganda de uma determinada empresa (Mancini, 2006).
Recentemente, uma pesquisa publicada na rede de relacionamento Facebook1,na
qual perguntava “Quando um operador de call center entra em contato, qual a sua
reação ?”, obteve a resposta de 46 usuários, mostrando-se que, ao serem
abordadas por um operador de Call Center, 43% não compram nada por telefone e
34% apesar de ouvirem a proposta da entidade, acaba não comprando, outros 21%
não são receptivos e afirmam que ao atender informam que não está disponível ou
ausentes. O publico pesquisado 55% eram homens e 44% mulheres, obtendo assim
um índice de 34% com atuação na área de tecnologia da informação, 23% na área
pedagógica, 23% não informam qual sua área e 20% atua em outras áreas. A
pesquisa apresenta apenas uma amostra para o desenvolvimento deste trabalho,
outro ponto levantado constatou que 68% do público pesquisado são graduados,
10% possui pós-graduação, 4,25% tem ou estuda Doutorado, 8,51% são públicos
com ensino médio completo e 8% não informa no perfil seu grau de instrução.
A Figura 1 - Pesquisa de satisfação para Call Center, visão consumidor -
apresenta o gráfico com os demais índices obtidos nesta pesquisa, mostram que a
estratégia de telemarketing chegou a um ponto onde necessita de ações á serem
tomadas, para melhorar a quantidade de vendas e diferencial na hora de oferecer
um serviço. As empresas de Call Center precisam de potencial para ser bem
sucedidas no mercado tão competitivo, necessitam aprimorar suas técnicas de
vendas e atrair a atenção de clientes durante os contatos telefônicos, mas princi-
palmente, possuir a capacidade de planejamento estratégico.
1 https://www.facebook.com/questions/212753698759923/, acesso em set. 2011. Fonte: Sabrina
Mariana.
11
Figura 1: Pesquisa de satisfação para Call Center, visão consumidor .
Fonte: https://www.facebook.com/questions/212753698759923/ Autora: Sabrina Mariana.
De acordo com Howard Dresner, vice-presidente da Gartner Group,
considerada a criadora do termo Business Intelligence (BI), “a maior ameaça das
empresas da atualidade é o desconhecimento... O Business Intelligence se
empenha em eliminar as dúvidas e a ignorância das empresas sobre suas
informações, aproveitando os enormes volumes de dados coletados pelas
empresas” (Gartner, 2004).
Atualmente, sistemas informatizados de apoio à decisão são ferramentas valiosas
para empresas que necessitam de planejamento estratégico ágil, para obtenção de
resultados efetivos em curto, médio e longo prazo. O uso da tecnologia BI vem
crescendo na mesma proporção em que as empresas necessitam facilitar seus
processos de tomada de decisão como, por exemplo, análises e projeções. A
padronização e integração automáticas de informações provenientes de diferentes
sistemas, que se tornaram possíveis com o uso da tecnologia BI, possibilitam
confiabilidade e rapidez nos processos de análise de grandes volumes de dados
para extração de informações estratégicas para a tomada de decisão. A
disponibilidade destas informações estratégicas permite soluções lucrativas e
promissoras para as empresas, favorecendo os executivos do negócio.
1
16 10
19
2%
34%
21%
43%
0
5
10
15
20
25
Geralmente Aceita aProposta.
Escuta a proposta, masnão compra.
Não é receptivo, sempreinforma que não está
disponível.
Não compra nada portelefone
Quando um operador de call center entra em contato. Qual a sua reação ?
12
Objetivo
Este trabalho tem por finalidade propor uma arquitetura para solucionar alguns
problemas no planejamento estratégico no ambiente de call Center, além de facilitar
as análises, propor decisões e acompanhar o desempenho das ações perante os
resultados, auxiliará a equipe de Planejamento nas estratégias que incluem medidas
de monitoração a todo o processo de venda ou prestação de serviço. A arquitetura
também pode inibir possíveis fraudes no setor operacional, além de dar ênfase nas
metas estabelecidas pelo cliente, gerando assim melhorias na qualidade do serviço
prestado, satisfação de clientes, lucro para os acionistas e, conseqüentemente,
melhoria no ambiente de trabalho. Para tal finalidade é proposto uma arquitetura de
sistemas para automatizar as medidas aplicáveis de acordo com as estratégias
previamente formuladas. Para a execução das propostas citadas serão empregados
neste trabalho: Conceitos de Gestão de Conhecimento (FALCÃO & BRESCIANI
FILHO Apud CARBONE Et Al., 2005), Planejamento Estratégico Nivem (2005),
Estrutura do Ambiente de Business Intelligence (Inmon 2005; Kimball 1997) e
Técnicas de Inteligência Artificial - focada para a gestão de negócios e, a exemplo
deste ultimo item, Redes Neurais Artificiais (Braga 2000).
No desenvolvimento do trabalho será considerada uma empresa do segmento de
terceirização de serviços de Call Center para entidades como bancos e empresas de
telefonia móvel ou fixa. Por motivos de sigilo comercial, neste estudo de caso, esta
empresa será referenciada apenas como empresa X.
Atualmente, a empresa X conta com um quadro de 5.000 colaboradores, sendo
que 90% deles são operadores de telemarketing, que atendem a um total de 25
campanhas do tipo ativo (oferecimento de produtos e serviços) ou receptivo (serviço
de informações e solução de problemas). A missão desta empresa é “ser a melhor
ponte entre o nosso cliente e seu mercado”. Seus clientes (contratantes) são entida-
des públicas e privadas em diversos segmentos da economia, o que exige estraté-
gias diferenciadas para cada tipo de entidade (muitas das quais são concorrentes
entre si). Na gestão estratégica da empresa X, a área de planejamento enfrenta
problemas como:
Muitas ações a serem administradas, com apenas seis integrantes na equipe.
Análises são parciais para relatório de desempenho de equipe ou para BI.
13
O foco estratégico está voltado à campanha (ação de telemarketing) e não
necessariamente às necessidades da contratante.
A tecnologia BI é essencialmente baseada em consultas a planilhas e os
conceitos são mal aplicados.
Todas as campanhas trabalham com o mesmo plano de ação, porém as
contratantes exigem tratamentos diferenciados em função dos problemas de
desempenho identificados por elas próprias.
A rotatividade da equipe é grande, sendo assim não é aplicada a gestão de
conhecimento entre os integrantes.
Os problemas de desempenho operacional não são previamente identificados,
apenas são tratados depois que surgem.
As medidas estratégicas estão voltadas para correção e jamais para preven-
ção de algumas situações como roubo, plágio e coletas incompletas.
. Será proposto um ambiente como base uma campanha de cartões de crédito
ativa, espera-se resolver ou diminuir a ocorrência destes problemas.
Metodologia
O estudo de caso é um tipo de pesquisa qualitativa amplamente desenvolvida na
área de Tecnologia da Informação. Segundo MARTINS (2002), o estudo de caso:
“É uma categoria de pesquisa cujo objeto é uma unidade que se anali-sa profundamente. Pode ser caracterizado como um estudo de uma entidade bem definida, como um programa, uma instituição, um siste-ma educativo, uma pessoa ou uma unidade social. Visa conhecer o seu “como” e os seus “porquês”, evidenciando a sua unidade e identidade própria. É uma investigação que se assume como particularística, debruçando-se sobre uma situação específica, procu-rando descobrir o que há nela de mais essencial e característico.”.
A pesquisa qualitativa tem quatro características básicas:
Tem o ambiente natural como sua fonte direta de dados.
Os dados coletados são predominantemente descritivos.
A preocupação com o processo é muito maior do que com o produto.
A análise dos dados tende a seguir um processo indutivo.
Para este trabalho específico, tem-se:
14
Método: Aplica-se ao método de pesquisa qualitativo cujo produto é uma
arquitetura de sistema que poderá ser usada como uma nova ferramenta
para a solução do problema mencionado. A arquitetura será documentada
para implementação futura, podendo ser desenvolvida como continuidade
deste trabalho.
Tipo: O tipo de pesquisa é descritivo-explicativa, abordando conceitos de
ambiente de Call Center, tecnologia BI e inteligência artificial, promovendo
inovação nas ferramentas de apoio à tomada de decisões estratégicas.
Delineamento: A pesquisa apresenta conceitua a integração de tecnologia
Business Intelligence (BI), Data Warehouse (DW) e On Line Analytical
Processing (OLAP) para gerenciar o planejamento das ações.
Coleta de dados: A pesquisa é baseada em dados coletados de livros,
artigos e teses. Dados relevantes da empresa X, da qual a autora deste
trabalho é colaboradora, também foram levados em consideração.
Análise de dados: A análise é feita para o caso específico da empresa X.
Capítulos
A seguir, apresenta-se um resumo do conteúdo de cada capítulo:
1. AMBIENTE DE CALL CENTER. Apresenta as origens do ambiente de Call
Center, bem como os conceitos envolvidos na comunicação neste ambien-
te, a sua infraestrutura e os seus principais elementos.
2. ESTUDO DE CASO. Aborda o ambiente da empresa e sua regra de
negócio, além dos problemas.
3. PLANEJAMENTO ESTRATÉGICO E GESTÃO DE CONHECIMENTO.
Define os conceitos básicos de planejamento estratégico com foco em Call
Center, conhecimento e gestão do conhecimento. Em seguida discute
como aplicar estes conceitos no estudo de caso deste trabalho de pesquisa
4. INTELIGÊNCIA EMPRESARIAL. Apresenta a estratégia empresarial com
foco em empresas do ramo de Call Center.
5. FERRAMENTAS DE MINERAÇÃO DE DADOS. Introduz os conceitos e
técnicas relativos a redes neurais artificiais e árvores de decisão.
6. ARQUITETURA PROPOSTA. Apresenta a arquitetura proposta como solu-
ção para os problemas da empresa X, discute suas vantagens e desvan-
tagens e indica formas de melhoria.
15
1 AMBIENTE DE CALL CENTER
Neste capítulo, são apresentadas as origens do ambiente de Call Center, bem
como os conceitos envolvidos na comunicação neste ambiente, a sua infraestrutura
e os seus principais elementos.
1.1 As Origens
Segundo (Mancini, 2006), em 1880, quatro anos após sua invenção, o telefone foi
usado pela primeira vez no contexto de telemarketing. Neste ano, um fabricante de
doces resolveu usar o telefone para oferecer seus produtos a clientes potenciais.
Para tanto, ele formou uma equipe com mais de cem pessoas que ficaram
responsáveis por cadastrar e contatar possíveis clientes para seus produtos. A partir
daí, o uso do aparelho de telefone no ambiente empresarial se expandiu e passou a
abranger não apenas vendas, mas também cobranças, entre outras finalidades. Em
1950, após a Segunda Guerra Mundial, iniciou-se o período da mídia. Veículos pas-
saram a exibir anúncios contendo números de telefone para solicitação de serviços e
produtos de empresas. Os donos destes veículos, além de ganhar brindes pelo
serviço prestado, ainda passavam a fazer parte do cadastro de mailing da empresa.
Mancini (2009) relata a história da Ford que foi pioneira no investimento de
campanhas de marketing por telefone, capacitando 15 mil donas-de-casa que, de
suas próprias residências, efetuavam ligações para identificar o potencial de
compradores de automóveis. Estudos realizados nos Estados Unidos na década de
1970 comprovam que, nesta época, praticamente 50% dos americanos recebiam
ofertas de produtos e serviços por telefone. Na década de 1980, surge oficialmente o
termo “telemarketing”. No Brasil, o setor de telemarketing inicia-se com a chegada
das empresas multinacionais americanas, crescendo 22% ao ano, uma taxa de
crescimento muito acima da média de outros setores. Em 2000, este setor
empregava 300 mil pessoas em mais de 130 mil pontos de atendimento espalhados
por todo o território nacional.
Atualmente o conceito de telemarketing evoluiu para o modelo de Call Center, que
integra o telefone ao computador. Hoje o Call Center tem uma missão ampla, abran-
gendo o atendimento às demandas do público alvo e a oferta benefícios adicionais,
impulsionando a venda de novos produtos, antecipando necessidades dos clientes e
16
mantendo a marca da empresa, produto ou serviço, sempre viiva na mente dos con-
sumidores. Um conceito derivado de Call Center, que vai ainda mais além, é o con-
ceito de Contact Center. Um Contact Center centraliza, independentemente do meio
utilizado, o gerenciamento das relações da empresa com a sociedade onde ela atua,
proporcionando sinergia total entre produção, serviços, marketing, administração,
logística e outros papéis assumidos pela companhia no desempenho de suas
funções (Mancini, 2006) .
Há basicamente dois tipos de serviços oferecidos por um Call Center:
Telemarketing ativo. Neste tipo de serviço, o operador de telemarketing entra
em contato com (possíveis) clientes para, por exemplo, promover e vender
produtos e serviços, realizar ações pós-vendas, realizar pesquisas de
satisfação, responder a reclamações feitas ao serviço de atendimento ao
consumidor (SAC), agendar compromissos (e.g., entrega e instalação),
manutenção e atualização de cadastros, etc.
Telemarketing Receptivo. Neste tipo de serviço, os (possíveis) clientes é que
entram em contato com um operador de telemarketing para, por exemplo,
solicitar informações sobre produtos e serviços, obter produtos ou contratar
serviços, acompanhar entregas, fazer reclamações.
Em ambos os tipos de serviço, o processo de comunicação verbal é fundamental.
Alguns elementos importantes neste processo são:
Emissor é o elemento que formula a mensagem, mediante o uso da palavra
oral ou escrita, gestos ou desenhos, entre outros meios de comunicação.
Mensagem é o conteúdo que o emissor transmite para o receptor.
Código é um conjunto de sinais estruturados, verbais ou não, usados para
expressar a mensagem a ser transmitida.
Canal é o meio pelo qual o código é transmitido do emissor ao receptor.
Ruído é qualquer interferência no canal que prejudica a transmissão do código
(e.g., uma gíria desconhecida pelo receptor).
Receptor é elemento que decodifica a mensagem transmitida pelo emissor.
No telemarketing ativo, emissor é o operador, mensagem é a oferta de produtos e
serviços (por exemplo), canal é considerado o telefone e receptor é o cliente.
17
1.2 A Infraestrutura
É impossível falar de Call Center sem citar a necessidade de tecnologia neste
ambiente. Neste setor, quanto mais uma empresa está equipada, melhores são os
resultados que ela obtém. Com relação à infraestrutura necessária para o funciona-
mento de um ambiente de Call Center, pode-se citar (Mancini, 2006):
Recursos de alta disponibilidade (funcionando ininterruptamente).
Servidores duplicados (como plano de contingência).
Atualização em tempo real (registros de acompanhamento de clientes).
Cabeamento estruturado (para comunicação eficiente de dados);
Redes de flexíveis (múltiplos sistemas como voz, dados vídeos e multimídia).
Energia ininterrupta (geradores e no-breaks).
Climatização do ambiente (aparelhos de ar-condicionado);
Conjunto de fones e controle de audição (head sets).
Posição de atendimento (mobiliários ergonômicos ajustados automaticamente).
Um dos fatores mais importantes na informatização do ambiente de Call Center é
a integração computador à telefonia. Esta integração possibilita, por exemplo,
(Mancini, 2006):
Distribuição automática de chamadas.
Apresentação de scripts, isto é, roteiros predefinidos que estabelecem como o
operador deve abordar o cliente durante um contato telefônico.
Sistema de acesso e busca de informações no banco de dados.
Sistemas de gravação para monitoramento e autenticação de transações.
Tarifação automática de chamadas.
18
2 ESTUDO DE CASO
Neste capítulo será apresentado o estudo de caso, detalhando sua estrutura e
apontando os problemas identificados na empresa.
2.1 Estrutura da Empresa
A Empresa X, considerada como estudo de caso neste trabalho, atua no setor de
terceirização de campanhas de Call Center de diversas outras empresas públicas e
privadas, industriais e comerciais.
Est
rutu
ra –
Ca
ll C
en
ter –
Vis
ão
Em
pre
sa C
on
tra
tad
a
Gerente de Operações
Cliente – Contratante
Coordenador de Operações
Supervisor
Auditoria de Qualidade
Monitoração
Operador de Call Center
Estrutura – Call Center Visão Campanha – Determinada Entidade
Supervisor
Supervisor
Gerente de Planejamento
Coordenador de Planejamento
Analista de Planejamento
Empresa Contratada
Recrutamento e Seleção
Administrativo - RH
Multiplicadores
Área de Recursos Humanos
Gerente de Recursos Humanos
Figura 2: Estrutura do Call Center da Empresa.
Fonte: Empresa X. Autora: Sabrina Mariana.
Como mostra a Figura 2 – Estrutura do Call Center da Empresa, o ambiente de
Call Center tem os seguintes elementos:
Cliente–Contratante: domina as informações sobre o mercado, bem como
sobre o produto ou serviço a ser oferecido, necessárias para subsidiar e per-
mitir a capacitação adequada de operadores e supervisores.
19
Gerente de Operações: principal elo de comunicação com o Cliente–
Contratante (entidade representativa). Deve conhecer em profundidade todos
os elementos do marketing mix (concorrência, prospect, clientes atuais, políti-
cas econômicas, tendências tecnológicas, aspectos culturais), além dos
aspectos de Call Center e da equipe cuja gestão é sua responsabilidade.
Coordenador de Operações: responsável por orientar as atividades da área
de Call Center. Analisa o trabalho realizado pela equipe e verifica o desem-
penho das atividades. Compara os resultados alcançados com os padrões de
atendimento preestabelecido. Realiza as correções necessárias e aperfeiçoa
os métodos para cumprir as metas e manter qualidade.
Supervisor: orienta a força das vendas para otimizar o desempenho, a disci-
plina e o bem-estar da equipe. Precisa conhecer bem o produto para instruir a
equipe envolvida e repassar informações atualizadas da empresa. Deve
também elaborar escalas de trabalho e manter a equipe motivada, transmitin-
do segurança, energia, domínio técnico, comunicação e cordialidade.
Auditoria de Qualidade: opera em contato direto com o público. Deve garantir
a efetividade do contato com o cliente, verificando se o cliente aceito o serviço
ou produto oferecido durante o primeiro contato com o operador.
Monitoração: monitora e mantém a qualidade de atendimento dos opera-
dores, observando, gravando e gerenciando o sistema. Deve monitorar os
resultados e apontar os erros e acertos da equipe.
Gerente de Recursos Humanos: Responsável pela área de Administrativo de
Recursos Humanos, Recrutamento e Seleção além dos Multiplicadores.
20
Administrativo RH: Contempla as equipes de folha de pagamento, ponto,
benefícios.
Recrutamento e Seleção: Seleciona pessoas adequadas ao projeto, com
facilidade para assimilar as informações sobre a mensagem a ser transmitida.
Multiplicadores: cabe á área a motivação da equipe para uma melhor
qualidade de trabalho, compõe entre treinamentos das ferramentas, produtos
e serviços.
Operador de Call Center: opera em contato direto com o público: recebe ou
faz chamadas, fornece informações sobre produtos e serviços, realiza abor-
dagem e argumentação. Deve manter saudável o relacionamento da empresa
contratada com os (possíveis) clientes, fortalecer a marca, vender, pesquisar,
informar ou reativar produtos e serviços, atuando positivamente como o canal
de comunicação entre o mercado.
Gerente de Planejamento: propõe um cronograma para campanhas /
empresa, detalhando o tempo de execução para atingir a meta e cada etapa a
ser executada como troca de mailing, relatórios gerenciais, as informações
servirão tanto para orientar a equipe, quanto outras áreas da empresa.
Coordenador de Planejamento: Responsável pelas ações nas operações
realizadas pelos analistas de planejamento, além de administrar a equipe.
Analista de Planejamento: define estratégias para manter ou ampliar com
efetividade os serviços prestados aos clientes contatados. Desenvolve scripts
a serem seguidos pelos operadores, administra a distribuição do mailing entre
os operadores, de acordo com perfil operador.
21
2.2 Regra de Negócio
Para compreensão do ambiente como um todo, o cliente contratante fornece o
mailing mensalmente com a lista de consumidores/clientes. Conforme o Apêndice A,
no ambiente operacional, o operador de Call Center entra em contato para fornecer
o cartão de crédito com base na listagem recebida, os produtos são pré-
determinados de acordo com a renda e limite disponível. Em média um supervisor
possui quarenta operadores de telemarketing para incentivar e orientar, durante um
contato todos os contatos é gravado. Quando é efetuada uma venda pelo operador,
antes de finalizar o contato, a ligação é transferida para área de auditoria para
efetuar a confirmação da compra. Após todo esse processo a equipe de
Monitoração, escuta o contato e avalia a qualidade e clareza das informações
passadas ao consumidor. Toda e qualquer ligação para o consumidor deve definir
um status do telefone, por exemplo, “não atende - manhã”, “volta á ligar ás 20h”,
“Ocupado”, ”Cliente prefere outros cartões do concorrente” entre outros status,
mesmo que o consumidor tenha mais que um telefone, vai considerar o último status
gravado, ou seja, tabulado.
A meta da campanha é definida pela entidade, tem como base o total de nomes
enviados no mailing, além do total de operadores focados na campanha, a meta é
dividida entre equipes envolvidas e novamente dividida por quantidade de
operadores pagos pela entidade, em média os operadores devem entregar 120
cartões vendidos, para uma campanha de quarenta pessoas cada equipe deve
entregar 4.800 cartões, considerando dois turnos de trabalho, pode-se ter como
base uma meta de 9.600 cartões que devem ser vendidos no mês, seguindo os
critérios que as vendas não devem ser canceladas após entrega do cartão ao
consumidor. Um operador de Call Center trabalha por seis dias por semana, com
base na meta deve vender cinco cartões por dia. Durante o mês a equipe de
planejamento acompanha o andamento da campanha como um todo, os
supervisores são responsáveis para acompanhar a meta de cada operador e auxiliar
no que for necessário para atingir a qualidade. Quando uma campanha ou equipe
está com problemas para atingir a meta, exige que as áreas de planejamento junto
com equipe gerencial das operações criem uma ação motivacional, onde os
operadores de telemarketing obtenham mais resultados durante seu contato, ou
seja, realizam mais vendas. A entidade paga um valor X por cada ponto de
22
atendimento contrato, se a meta for atingida a empresa de Call Center recebe um
valor á mais, caso contrário apenas receberá os honorários por serviço prestado.
Atualmente cada vez mais há dificuldade para atingir uma meta, para todo o
ambiente apresentado, os problemas enfrentados são:
Rotatividade na equipe;
Equipe de planejamento tem muitas campanhas para serem administradas,
onde nem todas pode gerenciar a estratégia concedida pela gerencia.
Contatos monótonos cansam cada vez mais os consumidores, na hora de
oferecer um produto ou serviço;
O BI aplicado na empresa trata-se de um Data Mining geral, onde cada
cubo tem em média de quatorze dimensões.
As análises efetuadas são com base em D-1.
O conceito de BI não está aplicado adequadamente, pois utilizam a
ferramenta como relatório e não análise histórica para planejamento.
2.3 Características
Atualmente a empresa possui o Data Mining, extraídos por um arquivo em Excel
onde somente é utilizado como relatórios diários e não para análise da campanha.
Muitos problemas operacionais são identificados, após o não cumprimento da meta,
mas poderiam ser resolvidos, caso houvesse um acompanhamento mais eficaz
quanto às informações fornecidas pelo sistema quanto às ações de planejamento.
Toda a ação realizada no Ambiente Operacional é gravada em um Banco de
Dados Transacional, analisando o modelo de dados do sistema legado existente no
estudo de caso referenciado, os relatórios apenas listam as informações de vendas
por operadores e qual o tipo de produto comprado. A necessidade gerencial precisa
ter uma visão voltada para o futuro, com base fatos históricos, mas não é viável a
geração de tantos relatórios diariamente onde a informação não será essencial.
23
2.4 Arquitetura de Processamento
2.4.1 Ambiente Atual
A estrutura do ambiente atual está apresentada na Figura 3, apresenta somente
um servidor para o ambiente de produção, não contendo nenhum de contingência,
pois há um servidor somente para extração de relatório pôr são apenas replicadas
as tabelas essenciais para o relatório. Para o servidor de Data Warehouse suporta
todo o processamento do BI, executado alimentação das tabelas somente durante a
madrugada e o processamento do cubo após tal processamento, com este ambiente
apenas permite análise de dados, baseando-se em D-1, ou seja, somente com data
e status do dia anterior.
SQL Server Data Warehouse
SQL ServerBD Transacional
Produção
Processamento de informação
Consulta Excel
Usuário
SQL ServerBD Transacional
Replicação - RelatórioReplicação Parcial
Figura 3: Arquitetura Ambiente Atual.
Fonte: Estrutura dos servidores na empresa X. Autora: Sabrina Mariana.
24
SQL Server BD Transacional Produção: responsável por armazenar os
dados durante utilização do sistema utilizando pelo ambiente operacional.
Os backups são realizados full aos Domingos e diferenciais durante a
semana. Não há plano de contingência.
SQL Server BD Transacional Replicação - Relatório: responsável por
armazenar somente as tabelas principais e tabelas de relatório, tem como
base uma replicação realizada a cada 5min. Não há plano de contingência.
È armazenado as tabelas fatos utilizada para o DW.
SQL Server Data Warehouse: armazena os cubos OLAP, responsável
pelo processamento. O usuário acessa para consulta via planilha de Excel
com conexão na fonte de dados.
25
3 PLANEJAMENTO ESTRATÉGICO E GESTÃO DE CONHECIMENTO
Neste capítulo é abordada a necessidade de excelência operacional que leva à
necessidade de planejamento estratégico. Sem objetivos e metas, não é possível
guiar as ações da empresa, no sentido de obter os resultados esperados; não há
como identificar oportunidades, nem avaliar ações alternativas para melhor
desempenho na obtenção de resultados. Muitas definições podem ser dadas para o
termo “planejamento estratégico”; porém, basicamente, todas elas relacionam este
termo com a resposta da pergunta “Onde desejamos estar no futuro?”.
3.1 Planejamento
Tipicamente, o planejamento estratégico inicia após a definição da missão e das
metas da empresa. A partir daí, planos estratégicos são traçados para as unidades
de negócios da empresa, ou unidade funcionais. Independentemente do nível no
qual o planejamento estratégico é elaborado – nível da empresa como um todo,
nível das unidades do negócio, ou no nível das unidades funcionais – este deve
considerar as seguintes etapas (Wade & Recardo, 2001):
Análise da Situação Atual. Consiste em encontrar uma resposta para a
pergunta “Onde Estamos?”. A análise da situação atual estabelece uma linha
base para o planejamento estratégico, identificando as principais tendências
para o desempenho operacional e financeiro da empresa.
Determinação do Horizonte de Planejamento. Consiste em definir o perío-
do para o qual o planejamento está sendo feito como, por exemplo, para o
período de um ano.
Varredura de Ambiente. Consistem na análise e julgamento de forças,
fraquezas, oportunidades e ameaças (SWOT) da empresa, levando em conta
o mercado, a concorrência, o governo, os índices demográficos, os acionistas
e os principais fatores de satisfação do cliente.
Identificação de Fatores Críticos do Sucesso (FCS). Consiste na identifica-
ção de fatores que devem ser priorizados para que a empresa se sobressaia
entre suas concorrentes e tenha espaço e sucesso no seu mercado.
26
Análise de Compleição de Lacunas. Consiste na identificação e priorização
de fraquezas e forças no processo da empresa como um todo.
Visão Estratégica. Consiste na determinação da imagem que a empresa
pretende ter no futuro.
Estratégia de Negócio. Consiste no desenvolvimento de uma estratégia ba-
seada em dados e informações obtidos nas etapas anteriores.
Identificar Objetivos e Metas Estratégicas. Descrições das direções para
uma empresa, ou seja, a definição de um objetivo diferencial quanto ao
mercado, na qual exige que uma meta seja bem definida.
Definir a Meta Estratégica. Qualificar os objetivos definidos com base em
cronograma. As metas e alvos estratégicos guiam para execução operacional
e permite que o progresso seja rastreado em relação aos objetivos gerais.
3.1.1 Lacuna Estratégica
De acordo com a revista FORTUNE de 1999, 70% das falhas de CEOs são
resultantes de execução ruim, ao invés de estratégicas ruins (Craran & Colvin,
1999). Nivem (2005) apontou quatro fontes de lacuna entre a estratégia e execução:
Visão – uma citação do filme Rebeldia Indomável, “O que temos aqui é uma
falha de comunicação”, aplica-se á visão estratégica.
Pessoas – planos de incentivos são ligadas á resultado financeiros á curto
prazo, não ao plano estratégico ou iniciativas estratégicas articuladas no plano
operacional (Plano de projetos designado para assegurar que a estratégica da
empresa seja realizada).
Gerenciamento – pode gastar tempo nos problemas, ao invés de concentrar
nos elementos da estratégia.
Recursos – constantemente é questionada a necessidade para o orçamento e
todo o processo em si.
27
3.1.2 Medida de Desempenho
A estratégia tratada na pesquisa será aplicada á sistemas de medida de
desempenho, de acordo com Simons (2002), tratam como medidas de comparação,
na qual auxiliam os gerentes á identificar as implementações á estratégica de
negócio, com análise dos resultados reais e tem como base as metas e objetivos. O
projeto da pesquisa permitirá a medida de desempenho englobando os métodos
sistemáticos de união de metas de negócio com relatórios de retorno periódicos –
que indicam fatores de atenção ou sucesso.
3.1.3 Estratégia no Call Center
Para melhores estratégias em Call Center, tem por base os elementos básicos:
Plano Estratégico, com objetivos e metas deve ser definido;
Cadastro do cliente confiável e atualizado;
Clara definição do produto, serviço ou mensagem á oferecer;
Capacitação de todos os setores envolvidos para que a empresa torna-se
colaborativa;
Call Center bem equipado, treinado e motivado.
Para o sucesso da operação com base na estratégia, deve identificar se a
campanha trata-se de telemarketing ativo ou receptivo, definir o produto ou serviço á
ser vendido, possuir o acompanhamento após recebimento do produto ou realização
do serviço, considerada como pós-venda. Atualizar o cadastro do consumidor e ter
acompanhamento de contatos (follow-up). A análise de custo e benefícios em
comparação ao desempenho com outras campanhas pode auxiliar na sintonia do
trabalho com equipe e atingir o objetivo da campanha, ou seja, atingir a meta
proposta pelo cliente.
Para empresa de terceirização do serviço de Call Center, os recursos alocados e
qualificação dos membros faz a diferença nas metas estabelecidas pela entidade, os
objetivos sempre são quantitativos com metas de curto, médio e longo prazo, sendo
assim é possível avaliar o retorno, desafio e efetuar correções estratégicas.
28
Operacionalmente deve conter um estudo do perfil do público alvo da entidade,
seleção de mailing, elaboração de script, capacitação de profissionais e homologa-
ções nos sistemas a fim de avaliar a necessidade do processo da campanha ativa
ou receptiva. Durante o planejamento, devem ser respondidas as perguntas básicas
quanto ao produto ou serviço: O quê? Como? Quanto? Quando? Quem?
3.2 Gestão de Conhecimento
Algumas definições de conhecimento são:
“Ato ou efeito de conhecer, realizado por meio da razão e/ou da experiência.”
Dicionário Houaiss2
“Conhecimento consiste em uma crença verdadeira e justificada.”
Platão – 428 A.C. a 347 A.C.3
Em qualquer segmento, o conhecimento é um elemento chave. Na área operacio-
nal de um Call Center, quem tem maior conhecimento sobre o produto ou serviço
oferecido, também tem maior facilidade de administrar as estratégias necessárias
em uma campanha, como identificar o perfil da equipe de operador e cruzar com o
perfil dos clientes potenciais a serem contatados.
Uma definição de gestão de conhecimento é:
“Processo pelo qual uma organização consciente e sistematicamente coleta, organiza, compartilha e analisa seu acervo de conhecimento para atingir seus objetivos”.
(Falcão & Bresciani Filho apud Carbone et al., 2005, p. 82)
2 http://houaiss.uol.com.br, acesso em ago. 2011.
3 http://www.santanna.g12.br/professores/marcelo_etica/tipos_de-conhecimento_humano.pdf
29
3.2.1 Aplicabilidade
Para a gestão do conhecimento, tem como objetivo:
Tornar acessíveis grandes quantidades de informação organizacional;
Permitir a identificação e mapeamento dos ativos de conhecimento e
informações;
Apoiar a geração de novos conhecimentos, propiciando o estabelecimento de
vantagens competitivas;
Organiza e acrescenta lógica aos dados de forma a torná-los compreensíveis;
Aumentar a competitividade da organização através da valorização de seus
bens intangíveis.
Vantagem competitiva em relação à concorrência, quanto á gestão do
conhecimento em Call Center:
Redução dos custos e tempo de produção e desenvolvimento de produtos;
Rápida comercialização de novos produtos;
Processos internos e maior fluidez nas operações;
Tomada de decisões mais eficientes e melhores resultados;
Coordenação de esforços entre unidades de negócios;
Prestação de serviços (agilidade), da qualidade dos produtos e da qualidade
do serviço cliente.
30
4 INTELIGÊNCIA EMPRESARIAL
O capitulo terá como objetivo abranger tecnologias que auxiliam para tomadas de
decisões corporativas, para os executivos mais experientes, o gerenciamento da
tomada de decisões pode ser extremamente facilitado com uso de ferramentas
informatizadas. Hoje as empresas estão informatizadas ao ponto de exigir sistemas
para análise de desempenho, que consistem em sistemas distribuídos, com acesso
a extranet e à internet, que podem ser acessados de qualquer lugar. A integração
dos sistemas auxilia cada vez mais a comparação e análise de dimensões distintas
no mundo do negócio.
4.1 CRM
CRM (Customer Relationship Management – Gestão de Relacionamento com o
Cliente) está ligado a hábitos de compras, ao individuo, ou público alvo de alguma
entidade. Sistemas que possibilitam que as empresas projetem o futuro potencial de
cada usuário (como futuros produtos que podem ser adquiridos da organização)
permitem atender a cada cliente de uma forma personalizada e até mesmo a perso-
nalidade que compõe a carteira de clientes.
São pontos principais no CRM: identificar o cliente, diferenciar, interagir e perso-
nalizar o contato, conhecer suas preferências e dados pessoais. Todas as informa-
ções coletadas durante um contato podem auxiliar nas análises do cliente, como:
Segmentação, análise da campanha, vendas, fidelidade, lucratividade, desempenho
nos negócios, atendimento ao cliente.
Para conhecer os clientes com base no histórico de compra ou opções no
mercado, aplica-se o conceito de Data Warehouse, conforme Figura 4.
Dados do CRM
Operacional
Data Warehouse –
Integração e análise de dados
Figura 4: CRM X DW
Fonte: Machado (2008 p 18)
CRM
DW
31
4.2 Data Warehouse
Data Warehouse (DW) é uma coleção de dados projetada para oferecer suporte
à tomada de decisões, contém variedade de dados que representam as condições
da empresa em um determinado ponto no tempo.
A estrutura técnica de um DW é um banco de dados (armazém de dados) que
contém as informações do sistema, incluindo dados históricos, aparentemente on-
line, porém é montada e organizada em uma forma que oferece rapidez e eficiência
nas consultas, análise e suporte à decisões. De acordo com BILL IMON (1987) e
RALPH KIMBALL (1998):
O Data Warehouse é parte de um sistema completo de Business Intelligence. Uma empresa possui um Data Warehouse, de onde os Data Marts extraem sua informação. No Data Warehouse, as informações são armazenadas em terceira forma normal. (Inmon,1987)
O Data Warehouse é o conglomerado de todos os Data Marts da empresa. A informação sempre é armazenada em modelo dimensional. (Kimball,1998)
4.2.1 Características
O DW integra e consolida as informações de fontes internas e externa, suma-
rizando, filtrando e limpando esses dados, preparando para análise e suporte à
decisão. São características do DW:
Extração de dados de fontes heterogêneas;
Transformação e integração dos dados antes de sua carga final;
Requer recursos de hardware e suporte;
Diversos níveis para visualização;
Utilização da ferramenta voltada para os diferentes níveis de apresentação;
Dados somente são inseridos, não existindo atualização ou alteração.
Para o processamento que alimenta os dados no DW, a integração dos dados é
fundamental. Por exemplo, no sistema de cadastro de clientes de uma determinada
entidade, pode ser apresentado como o tipo de sexo: 1 – Feminino / 2- Masculino,
no sistema CRM da entidade o tipo de sexo é representado: “f” – Feminino / “m”-
Masculino. Na mineração dos dados, estes campos devem ser unificados na sua
representação (Figura 5). Essa informação pode contribuir para análise e tomada de
32
decisão do tipo: funcionárias são mais efetivas em vendas com clientes do sexo
masculino, então é melhor destinar somente contatos de clientes do sexo masculino
para as funcionárias.
O sistema transacional coorporativo tem como foco o projeto de banco de dados e
o projeto dos processos transacionais e suas atividades e controles operacionais.
Por outro lado, o DW tem como foco a modelagem dos dados e o projeto de banco
de dados.
DW
BD Cadastro de Funcionários
BD Cadastro de Clientes ( Mailing )
Mineração de Dados
Extração
Filtro
1 – Feminino / 2- Masculino
“f” – Feminino / “m”- Masculino
“F” – Feminino
“M”- Masculino
Figura 5: Estrutura – Integração
Fonte: Machado (2008 p 31) Adaptado.
As principais justificativas para implantação de DW numa empresa são:
Diversas plataformas de hardware e software;
Sistemas transacionais corporativos sofrem diversas alterações;
Risco / Dificuldade de restore de dados de uma empresa com dados que
antecedem há um ano;
Diversos sistemas em “pacotes” de fornecedores diferentes;
A integração de dados existentes em diferentes sistemas;
33
Falta de documentação e segurança nas tratativas de armazenamento dos
dados;
As aplicações de EIS e DSS há dificuldade quanto à dependência de multi-
plataformas nos sistemas coorporativos;
A empresa pode montar o DW tendo uma base global ou local;
Pode implicar na utilização de arquiteturas especificas para a construção de
um DW, as quais têm evoluído desde o inicio da plataforma.
4.2.2 Arquitetura
A arquitetura DW engloba estrutura de dados, mecanismo de comunicação,
processamento e apresentação da informação para o usuário final.
Figura 6: Estrutura – DW
Fonte: http://www.fulcrumlogic.com/data_warehousing.shtml
A estrutura – DW, apresentada na Figura 6, pertencem ao conjunto de
ferramentas que envolvem desde a carga até o processamento de consultas, como
repositório de dados, como Data Warehouse e Data Mart, são divididas em dois
grupos de ferramentas:
34
Relacionadas à carga inicial e ás atualizações do DW, efetua a extração dos
dados de diversos sistemas operativos e fontes externas, filtrando, limpando e
tratando e integração dos dados;
Consultas realizadas pelo usuário final, para elaboração de relatórios, pes-
quisas, análise de desempenho e mineração dos dados – Data Mining.
Arquitetura Global em um DW constitui um repositório de dados com grande grau
de acessibilidade, com base na necessidade da empresa como um todo. Habilita
que os usuários tenham a visão corporativa de dados, normalmente são requisitos
de negócio, entretanto esse tipo de ambiente consome tempo e administração e com
custo mais alto.
Para a mineração de dados é utilizado o Operational Data Store (ODS)4 que
consiste numa base de dados que compartilha dados de ambiente de produção. Na
arquitetura proposta neste trabalho, o ODS será usado para alimentar o DW.
4.2.3 Variação Tempo
Os dados tratados no DW são precisos quanto ao tempo, representam resultados
operacionais em determinado momento de tempo, na qual foram capturados –
dados do DW são classificados como snapshot, ou seja, um conjunto estático de
registros de uma ou mais tabelas, capturados em um determinado momento. O dado
de um sistema transacional reflete o valor corrente, a exatidão é válida, mas pode
ser alterado, logo atualizado. Na aplicação DW a dimensão "Data" é extremamente
importante e de grande valia para a realização de análises. Nesta dimensão pode-se
consultar os dados armazenados por um período de até 10 anos, com seus
respectivos históricos previamente datados e detalhados.
4.2.4 Modelagem Multidimensional
Uma técnica de concepção e visualização de um modelo de dados de um
conjunto de medidas que apresentam aspectos comuns de negócios sumariza a
estrutura de dados para serem visualizados nas análises. O modelo
multidimensional que será utilizado na aplicação possui três elementos básicos.
4 http://www.factdata.com.br/index.php?option=com_content&task=view&id=38&Itemid=27.
Acessado Setembro – 2011.
35
Fatos: uma coleção de itens de dados, composta de medidas e conceitos.
Cada fato representa um item, uma transação ou um evento de negócio, usa-
do para analisar o processo de negocio de uma empresa. Como característica
um fato é representado por valores numéricos e implementado em tabelas
denominadas tabelas fato (fact table).
Dimensões: São elementos que participam de uma Tabela Fato permitindo ao
usuário a visualização de filtros, tais como: Por Mês, Por Produto, Por Região,
etc. Nestas dimensões, em um cubo BI de venda de produtos, pode-se
consultar: Data da venda/contato, Localização de cliente, Vendedores e
Cenário (realizados / projetados).
Membros das Dimensões: trata-se da hierarquia de uma dimensão, uma
classificação dentro de uma Dimensão. Por exemplo, na dimensão Data tem a
hierarquia apresentado na Figura 7.
Figura 7: Hierarquia de Dimensões
Fonte: Machado (2008 p 117) Adaptado.
Medidas (Variáveis): São atributos numéricos que representam um fato, uma
medida é determinada pela combinação das dimensões que participam de um
fato, e estão localizadas como atributos de um fato.
Segundo Kimball (1997), desenvolver um DW é uma questão de casar as neces-
sidades dos seus usuários com a realidade dos dados disponíveis. Aponta um
conjunto de pontos fundamentais no projeto de uma estrutura de DW, chamado de
ponto de decisão, constituem em definições que correspondem a etapa do projeto:
Ano
Trimestre
Mês
Semana
Dia
36
Os processos, por conseqüência, a identidade das tabelas fatos;
A granularidade de cada tabela de fatos;
As dimensões de cada tabela de fatos;
Os fatos, incluídos fatos pré-calculados;
Os atributos das dimensões;
Como acompanhar mudanças graduais em dimensões;
As agregações, dimensões heterogenias, mini dimensões e outras decisões
do projeto físico;
Duração histórica do bando de dados do DW;
A frequência com que se dá a extração e a carga para o DW.
Kimball (1997) recomenda que essas definições se façam de ordem citadas. Essa
metodologia segue a linha de top down, pois começa identificando os grandes pro-
cessos da empresa, mapeando esses processos de negócio. O modelo
multidimensional é facilmente representado como um cubo. A Figura 8 apresenta um
fato vendas por meio de um cubo.
Figura 8: Representação de um fato de vendas por meio de um cubo.
Fonte: MACHADO (2008 p 82).
37
Medida do volume de vendas é determinada pelas dimensões: localização,
produto e tempo. A dimensão localização e produto possuem dois níveis de
hierarquia. Cada sub-cubo possui o valor da medida d quantidade de venda.
A denominação CUBO trata-se apenas da aproximação da forma como os dados
estão organizados, mas não representa a expressão de uma realidade. O processo
de analise para saber as vendas totais classificadas por região de venda pode ser
visualizado da seguinte forma.
Região Venda
Sul $ 1.500,00
Sudeste $ 5.000,00
Nordeste $ 2.350,00
Norte $ 1.890,00
Centro-0este $ 1.732
Total de Vendas $ 11.472,00
Tabela 1: Consulta Cubos BI por dimensão vendas por Região.
Fonte: Machado (2008 p 83)
Tal analise pode ser expandido, utilizando a hierarquia da dimensão data, sendo
assim possibilita a consulta conforme Tabela 2.
Região Trimestre Venda
Sul
1 $ 250,00
2 $ 700,00
3 $ 250,00
4 $ 300
Tabela 2: Consulta Cubos BI por dimensão vendas por Região por trimestre.
Fonte: Machado (2008) Pag. 84 - Adaptada.
38
4.2.5 Estrutura Multidimensional
Existem diversos modelos de dados multidimensionais, para aplicação do trabalho
será apenas detalhado o modelo que será aplicado na arquitetura OLAP.
Modelo Star ou Estrela: Trata-se de uma estrutura básica de um modelo de
dados Multidimensional, sua composição possui uma grande entidade central
denominada fato (fact table) e um conjunto de entidades menores denominadas
dimensões (dimension table), organizadas visualmente ao redor dessa entidade
central, formando uma estrela conforme Figura 9, já representando o ambiente da
aplicação.
Dimensão de Tempo
Dimensão Cliente Dimensão Região
Dimensão ProdutoDimensão Vendedor
Fatos de Vendas
Figura 9: Modelo Star – Estrela.
Fonte: Machado (2008 p 93) Adaptado.
Na Figura 9, o centro da estrela é o fato vendas, e os seus redores estão as
dimensões: vendedor, cliente, produto, região e tempo. Os relacionamentos entre as
entidades fato e as dimensões são simples ligações entre as duas entidades em um
relacionamento de uma para muitos no sentido da dimensão para o fato.
39
4.2.6 Storage Modes
As agregações são valores de medidas somando com diversos cruzamentos
possíveis de dimensões de um cubo, as informações dos cruzamentos ficam
armazenadas não havendo necessidade de recalcular o cruzamento dos dados,
possibilitando uma análise e pesquisa rápida. Quando é criado um cubo deve ser
informada a forma que será armazenada. Na ferramenta de Analysis Services,
plataforma Windows, tem opção de MOLAP, ROLAP e HOLAP como forma de
armazenamento, o armazenamento utilizado na aplicação proposta no trabalho será
a MOLAP, uma breve classificação de ROLAP e HOLAP está disponível no próxima
seção 4.3.7.
MOLAP: Toda a estrutura é armazenada em um modelo multidimensional,
onde após o processamento do cubo, o Analysis Services não faz mais uso do
modelo relacional, e sim multidimensional. Considerado mais comum para soluções
OLAP que apresenta melhor desempenho, a única desvantagem é o processamento
constante do cubo – quando o DW é atualizado, para que os dados sejam
visualizados é necessário processar o cubo, neste processo é agregado aos novos
dados.
4.2.7 Ferramentas OLAP
As ferramentas OLAP, permitem que o usuário analise a justificativa dos resul-
tados obtidos, existem diversas ferramentas disponíveis, conforme conceituadas na
Tabela 3.
Ferramenta Classificação
OLAP Armazenamento acessível – Storage Mode
ROLAP Relacional Relacionais.
MOLAP Multidimensional Multidimensionais – por meio de cubos e
hipercubos.
HOLAP Híbrida Relacionais e Multidimensionais.
DOLAP Desktop Emprega aos BD individuais e análises de DM.
Tabela 3: Armazenamentos Acessíveis por Ferramenta
Fonte: Machado (2008).
40
4.2.8 Data Marts
O DW une todos os bancos envolvidos de uma empresa, o Data Mart
normalmente é menor, trata assunto ou departamentos específicos, pode ser
considerado um subconjunto de um DW, podendo ser:
Dependente – suportam o conceito de um único modelo de dados na empresa,
mas o DW deve ser estruturado antes, garantindo que o usuário visualize a
versão de dados apresentada pelos outros usuários do DW.
Independente – um Warehouse pequeno, com finalidade para apenas uma
unidade estratégia de negócio (UEN) ou um departamento.
As vantagens de usar modelos de dados consistentes e apresentam dados de
qualidade.
4.2.9 Arquitetura
A arquitetura de Data Mart pode ser:
Independente: Controladas por um grupo de usuários, atende somente as
necessidades específicas da campanha / entidade em uma empresa de Call
Center, sem foco corporativo. Esta arquitetura não permite a conectividade
de com outros Data Mart aplicadas para outras entidades, até concorrentes.
Não permite uma visão global, ou seja, analise de toda a empresa prestadora
de serviços.
Integrados: São Data Mart integrados e conectados com visão toda da
empresa, similar a arquitetura global, os usuários podem acessar as
informações de outras campanhas / entidades.
Com base no estudo de caso já mencionado na introdução deste trabalho, para
garantir segurança de dados, sigilo na estratégia de cada cliente/entidade será
utilizado a arquitetura de Data Mart independente, ou seja, para cada campanha
será criado um repositório de dados – DW, assim extraído para o conceito de Data
Mart.
41
4.2.10 Data Mining
Data Mining consiste num conjunto de técnicas para análise de informação,
procura padrões ocultos em coleção dos dados que podem ser utilizados em análise
históricos com enfoque no futuro. Sua finalidade é facilitar a análise em grandes
dimensões no armazém de dados, identificando significativas correlações, padrões e
tendências.
4.2.11 Histórico e Definição – Business Intelligence
De acordo com a definição do livro Business Intelligence – TURBAN, CsShardam
Aronzon, King – Business Intelligence (BI) é um termo considerado “guarda-chuva”,
foi batizado o termo por volta de 1990, pela Garner Group - empresa de consultoria
fundada em fundado em 1979 por Gideon Gartner, mas aplicabilidade teve inicio
muito antes, nos sistemas de geração de relatório (SIG) por volta de 1970, neste
período os relatórios eram estáticos, bidimensionais e não permitia recurso de
análise. No início de 1980, surgiu o conceito de sistemas de informações executivas
(EIS), expandiu o suporte computadorizado aos gerentes e executivos de nível
superior, os recursos foram os sistemas de relatórios dinâmicos multidimensionais ,
prognósticos e previsões, análise de tendências , detalhamento, acesso a status e
fatores críticos de sucesso, até no meio da década de 1990 os recursos apareceram
em dezenas de produtos comerciais, após esses recursos e novas funcionalidades
deram origem ao conceito de BI. Atualmente reconhece que as informações na qual
os executivos necessitam podem ser fornecidas pela arquitetura BI. Em 2005,
aprimorou os recursos do BI interagindo com o conceito dá inteligência artificial. A
grande vantagem do BI é fornecer as informações que uma empresa precisa quando
necessário, podendo ser em tempo real para análise de desempenho corporativo.
(THOMPSON 2004) Apontou que as áreas mais comuns de aplicação BI são
relatórios gerais, análise de vendas e marketing, planejamento e previsão,
consolidação financeira, relatórios regulamentares, orçamento e análise
rentabilidade. THOMPSON também menciona que os maiores benefícios do BI são:
Geração de relatório mais rápida e precisa;
Melhor tomada de decisões;
Melhor serviço ao cliente;
Maior receita.
42
O processo de criação de inteligência inicia na identificação e priorização de
projetos específicos de BI nas organizações. O processo cíclico com uma seria de
etapas inter-relacionadas, a principal etapa é a análise onde são convertidos os
dados em informações, na qual dará suporte na decisão. Com o DW é definido a
criação da inteligência, começa pela identificação e prioridades definidas no BI, onde
cada projeto pode ser examinado os custos em relação ás fases em geral, permite a
estimativa de envolver análises do usuário sobre o impacto das decisões,
contabilizando os benefícios e fluxo no caixa.
Figura 10: Processo de criação e uso da inteligência.
Fonte: krizan (1999, p. 8)
Com processo de criação e uso de inteligência, o banco de dados
considerado consolidado para análises multidimensionais pode ser chamado por
Cubos BI, facilitam o ambiente corporativo criando um clico de geração de
inteligência focado ao mercado, estratégia e metas á serem definidas.
43
4.2.12 Comunidade de Usuários de BI
A comunidade de usuários de BI é grande e diversificada, o sucesso de análises
depende em parte quais as pessoas na organização fariam uso. A Tabela 4
representa diferentes usuários que utilizam a ferramenta de acordo com o estudo de
caso.
Tipos De
Usuário Equipe De TI
Usuários
Avançados Executivos
Gerentes
Funcionais
Clientes De
Informação
Esporádicas
Extranet:
Parceiros,
Consumidores
Número de
usuários Poucos Dezenas Dezenas
Dezenas e
centenas
Centenas e
milhares
Centenas e
milhares
Ferramentas
e Funções de
BI
Desenvolvedor
Administrador,
Metadados, Dados
de Segurança,
gerenciamento,
Aplicações e
Integração.
Consulta
Ad hoc,
Relatórios de
OLAP, Data
Mining,
Análise
Avançada.
Dashboard
Indicador,
Relatórios
de COM e
PM.
Relatórios
Planilha
Visão de
OLAP, BAM,
COM.
Relatórios
Planilha
Consultas.
Relatórios
Acompanhamento.
Valor
Estratégico Baixo Alto Muito Alto Médio Baixo Alto
Tabela 4: Correspondência entre tipos de usuários e funcionalidades.
Fontes: Compilado de Gartner Inc. (2004) ; Imhoff e Petti (2004).
44
5 INTELIGÊNCIA APLICADA AO NEGÓCIO
Neste capitulo será apresentado os conceitos de redes neurais, tais como seu
processamento e a forma que são tratados os dados.
5.1 Redes Neurais Artificiais
O final da década de 1980 marcou o ressurgimento da área de Redes Neurais
Artificiais (RNAs), conhecida como conexionismo ou sistemas de processamento
paralelo e distribuído, que constitui em uma alternativa à computação algorítmica
convencional (Braga, 2000).
Redes neurais representam uma metáfora do cérebro para processamento da
informação, são biologicamente inspirados e não são uma réplica exata de como o
cérebro realmente funciona. O cérebro humano tem em torno de 10 bilhões
neurônios, as funções e movimentos do organismo estão relacionados ao
funcionamento destas pequenas células. Os neurônios estão conectados uns aos
outros através de sinapses, e juntos formam uma grande rede, cada rede contém
alguns milhares de neurônios interconectados, o cérebro pode ser visto como uma
coleção de redes neurais. Uma parte da rede é composta por duas células que
compõe:
Núcleo: parte de processamento central da célula.
Dendritos: fornecem sinais de entrada para a célula.
Axônio: envia sinais de saída para a célula2 através dos terminais do axônio,
unindo-se aos dendritos da célula.
Nos neurônios a comunicação é realizada através de impulsos, quando um
impulso é recebido, o neurônio o processa, e passado um limite de ação, dispara um
segundo impulso que produz uma substância neurotransmissora o qual flui do corpo
celular para o axônio. Os sinais podem ser transmitidos inalterados, ou serem
alterados pelas sinapses.
Sinapse: capaz de aumentar ou diminuir a intensidade da ligação entre os
neurônios e estimular ou inibir um neurônio subseqüente, onde a informação é
armazenada.
45
Figura 11: Parte de uma rede: duas células biológicas interconectadas.
Fonte: Turban (2008 p. W6-6)
Um modelo de rede neural artificial (RNA) emula uma rede neural biológica, a
computação é uma metodologia de reconhecimento padrão para aprendizado da
máquina. A aplicabilidade tem sido usada para reconhecimento de previsão,
predição e classificação. Computação de rede neural é o principal componente de
qualquer conjunto de ferramenta de Data Mining, na qual será aplicado o conceito
para desenvolvimento do sistema no decorrer do trabalho.
O cérebro humano possui recursos para o processamento da informação e
resolução de problemas com os quais computadores não conseguem competir em
muitos aspectos. Redes neurais biológicas são compostas de muitos neurônios
biológicos primitivos interconectados, cada neurônio possui axônios e dendritos,
semelhantes a dedos que permitem ao neurônio comunicar-se com seus neurônios
vizinhos através da transmissão e do recebimento de sinais químicos e elétricos. A
RNA é composta de elementos de processamento simples e interconectados
chamados neurônios artificiais. No processamento os elementos em uma RNA
funcionam de maneira simultânea e coletiva em um modo semelhante aos neurônios
biológicos. A RNA possui algumas características similares àquelas das redes
neurais biológicas, como os recursos de aprendizagem, auto-organização
intolerância ao erro. Os conceitos neurais geralmente são como simulações de
software dos processos paralelos que envolvem os elementos de processamento em
uma arquitetura de rede. O neurônio artificial recebe sinais de entrada análogos aos
impulsos eletroquímicos que os dendritos dos neurônios biológicos recebem de
46
outros neurônios. Os sinais de saída do neurônio artificial correspondem aos sinais
enviados do neurônio biológico através do seu axônio. Os sinais artificiais podem ser
mudados pelos pesos, de maneira semelhante às mudanças físicas que ocorrem
nas sinapses.
Figura 12: Processamento da informação em um neurônio artificial.
Fonte: Turban(2008 p W6-6).
Alguns paradigmas de RNA foram propostos para aplicações em vários domínios
de problema, pois emula estruturalmente o cérebro humano, a maneira na qual o
modelo neural processa as informações e como os modelos neurais aprendem a
executar as tarefas designadas, conforme Figura 12, os neurônios artificiais recebem
a “informação” total de outros neurônios ou estímulos externos de entrada, realizam
transformações nas entradas e, então, passam a informação transformada para
outros neurônios ou estímulos externos de saída. Isso é semelhante como o cérebro
humano funciona, passando a informação de um neurônio para outro de uma
maneira de ativar ou desencadear uma reação de determinados neurônios com base
nas informações ou nos estímulos recebidos.
A relação entre as redes neurais biológicas e artificiais de acordo com ZAHEDI
(1993) menciona sobre um papel duplo para RNA. Adotamos os conceitos do mundo
biológico para melhorar a estrutura dos computadores. A tecnologia de RNA é usada
para processamento de informações complexas e inteligência de máquina. Por outro
lado, as redes neurais também podem ser usadas como modelos biológicos simples
para testar hipóteses sobre processamento de informação neuronal biológico “real”.
No contexto de Data Mining o uso das redes neurais para aprendizado de máquina e
processamento de informação, está descrito na tabela 5, breves conceitos.
47
Biológica Artificial
Corpo Nó
Dendritos Entrada
Axônio Entrada
Sinapse Peso
Velocidade Baixa Velocidade Alta
Muitos Neurônios (10º) Poucos Neurônios (Dezenas à
centenas de milhares )
Tabela 5: Comparação Redes Biológicas X Artificiais.
Fontes: L. Medsker e J. Liebowitz, Design and Development of Expert Systems and Neural
Networks, Macmillan, New York, 1994, p.163; e F. ZAHEDI, Intelligent Systems for Business: Expert
Systems with Neural Networks, Wadsworth, Belmont, CA, 1993.
As redes neurais podem ter uma ou mais camadas de neurônios e podem
altamente ou completamente interconectados, ou somente camadas específicas
podem estar conectadas. As ligações entre neurônios têm um peso associado, o
conhecimento que a rede possui é avaliado nesses pesos de interconexão. Cada
neurônio calcula m total ponderado dos valores de entrada do neurônio, transforma
essa entrada e repassa seu valor neural como entrada para os neurônios
subseqüentes, ás vezes a transformação da entrada/saída no nível individual do
neurônio é feito de modo não-linear.
5.1.1 Elementos de RNA
Uma rede neural é composta de elementos de processamento organizados de
diferentes maneiras para formar a estrutura da rede. A unidade básica de
processamento é o neurônio. Uma série de neurônios está organizada dentro de
uma rede. Existem muitas formas de organizar os neurônios; elas são referidas
como topologias. Uma abordagem popular, conhecida como o paradigma da retro
propagação, permite que todos os neurônios liguem a saída em uma camada à
entrada da camada seguinte, mas não permite qualquer ligação de feedback.
(Haykin, 1999).
48
5.1.2 Elementos de processamento
Os Elementos de Processamento (PE) de uma RNA são os neurônios artificiais,
cada um recebe entradas, processa e entrega uma única saída, como na Figura 12.
A entrada pode ser de dados brutos de entrada ou a saída de outros elementos de
processamento com resultado binário ou pode ser entradas para outros neurônios.
5.1.3 Estrutura da rede
A RNA é composta de um conjunto de neurônios, agrupados em camadas
apresentado na Figura 13 - Rede neural com uma camada escondida - pode ser
organizada de várias maneiras e são interconectados de diferentes formas. Quando
a informação é processada é calculado os elementos do processamento, tais
elementos são paralelos como o cérebro funciona, e difere do processamento serial
da computação convencional. A camada escondida é uma camada de neurônios que
recebe entradas provenientes da camada anterior e as converte em saídas para
novo processamento, podem ser colocadas entre as camadas de entrada e saída. A
camada escondida converte entradas em uma combinação não-linear e transfere as
entradas transformadas para a camada de saída, pode-se interpretar como um
mecanismo de extração de atributos, na qual, converte as entradas originais no
problema em algumas combinações de alto nível de tais entradas.
Figura 13: Rede neural com uma camada escondida. Fonte: Turban (2008 p W6-9)
49
Ao analisar a Figura 13 - Rede neural com uma camada escondida, quando é
determinada uma estrutura de uma rede neural, a informação pode ser processada.
Conceituando-se:
Entradas: uma entrada corresponde a um único atributo. O valor numérico, ou representação, de um atributo é à entrada da rede. Pode ser consideradas entradas vários tipos de dados como: texto, imagens e voz. Algumas vezes é necessário um pré-processamento para converter os dados em entradas relevantes de dados simbólicos ou graduar os dados.
Saídas: uma rede contém a solução para um problema. A RNA atribui valores numéricos às saídas, como 1 para sim e 0 para não – binários, com objetivo da rede é calcular os valores da saída.
Pesos de conexão: são os principais elementos em uma RNA e expressam a intensidade relativa dos dados de entrada ou as muitas conexões que transferem dados de uma camada para outra. Os pesos são fundamentais armazenam os padrões de informação aprendidos, através dele que as redes aprendem.
Função de soma: calcula os totais ponderados de todos os elementos de entrada que são inseridos em cada elemento de processamento. Uma função de soma multiplica cada valor de entrada pelo seu peso e adiciona os valores para um total ponderado Y.
Figura 9 – Fórmula para n entradas em um elemento de processamento.
Figura 10 – Formula para jº neurônio de inúmeros neurônios de processamento
em uma camada
50
Figura 14: Função de soma para um neurônio (a) e vários neurônios (b).
Fonte: Turban (2008 p W6-10).
Função de transformação: calcula o estímulo interno do neurônio,
tendo como base nesse nível o neurônio pode ou não produzir uma saída. O nível de ativação interna e a saída pode ser linear ou não-linear, expressa por um dos vários tipos de função de transformação. A função de transformação soma as entradas vindas de outros neurônios/outras fontes em direção a um neurônio e após produz uma saída baseada na escolha da função de transferência.
Figura 15: Exemplo de funções para RNA.
Fonte: Turban (2008 p W6-11).
51
Função Sigmóide: transfere em forma de S com variação de 0 a 1, sendo uma função de transferência não-linear comum.
Figura 16: YT é o valor transformado de –Y.
Fonte: Turban (2008 p W6-11).
A transformação modifica os níveis de saída para valores aceitáveis, realizada
antes que as saídas alcancem o próximo nível. Sem essa transformação, o valor da
saída torna-se muito grande, especialmente quando existem diversas camadas de
neurônios, algumas vezes e utilizado o valor limite.
Valor limite: barreira para a saída de um neurônio a fim de ativar o próximo
nível de neurônios. Se um valor de saída for menor do que o valor limite, não
será passado para o próximo nível de neurônios.
Camadas escondidas: práticas complexas exigem uma ou mais camadas
escondidas entre os neurônios de entrada e saída e um número igualmente
grande de pesos. Algumas RNAs experimentais usam milhões de elementos
de processamento, cada camada aumenta exponencialmente o esforço de
treinamento e o cálculo necessário, o uso de mais de três camadas
escondidas é raro na maioria dos sistemas comerciais, no caso tratado no
trabalho.
5.1.4 Arquiteturas da rede neural
Há diversos modelos de algoritmo eficazes na rede neural, mais comuns são retro
propagação, memória associativa e rede recorrente indicada na Figura 13 -Rede
neural com uma camada escondida, outras são representadas na Figura 17 e 18.
52
Figura 17: Estruturas de rede neural: fluxo progressivo
Fonte: Turban(2008 p W6-12).
Figura 18: Estrutura recorrente comparada com fonte progressiva.
Fonte: Baseado em PC AI, May/June 1992, p.35.
O funcionamento de um modelo completo de rede neural é acionado pela tarefa
para a qual foi programado normalmente são modelos multicamadas nos quais a
informação é passada de uma camada para outra, com o objetivo de mapear uma
entrada para uma rede para uma categoria específica, conforme identificado pela
saída da rede, ou pode ser usado um modelo neural usado como otimizador pode
ser uma única camada de neurônios, altamente interconectada, e pode calcular
valores de neurônio repetidamente até que o modelo convirja a um estado estável,
ou seja, representaria uma solução ideal para o problema sob análise.
53
Uma rede é treinada para executar a tarefa designada é outra característica do
modelo identificador. O aprendizado da rede neural pode ocorrer em dois modos:
Aprendizado supervisionado: conjunto de treinamento usado para “ensinar”
a rede sobre seu domínio de problema é repetidamente apresentado à rede
neural. A saída da rede no seu formato atual é calculada e comparada à saída
desejada. O algoritmo de aprendizado usado determina como os pesos de
interconexão neural são corrigidos devido a diferenças entre as saídas reais e
desejadas para um membro do conjunto de treinamento, a atualização dos
pesos de interconexão da rede continua até que o critério de parada do
algoritmo de treinamento seja encontrado.
Aprendizado não supervisionado: a rede neural aprende um padrão através
de exposição repetida, ser previsto conforme a rede neural adequadamente se
auto-organiza ou agrupa seus neurônios relacionados à determinada tarefa
desejada.
Uma classe de modelos que tem potencial em problemas de classificação e
previsão, na qual, consistem de múltiplas camadas de neurônios são as redes
neurais progressivas com multicamadas, nelas a informação é passada por em uma
única direção, das camadas de entrada da rede, através de uma ou mais camadas
escondidas, em direção à camada de saída dos neurônios, para os neurônios de
cada camada estão conectados aos neurônios da camada subseqüente. O
progressivo Perceptron Multicamadas (MLP) trata-se do modelo neural para
problemas de classificação, são redes que avaliam os elementos de processamento,
de modo supervisionado são compostos de uma ou mais camadas de nós, entre os
nós de entrada e saída. Na Figura 13 - Rede neural com uma camada escondida, os
nós de entrada representam onde a informação é apresentada à rede, os nós de
saída fornecem a “decisão” da rede neural, os nós escondidos contêm o
mapeamento adequado das entradas até as saídas, por meio dos pesos de
interconexão, podem ser consideradas como decisões.
54
No aprendizado supervisionado, o processo de aprendizagem é indutivo, onde os
pesos de conexão são obtidos de casos existentes. O processo de aprendizagem
normal envolve três tarefas:
1. Calcular saídas temporárias.
2. Comparar as saídas com as metas desejadas.
3. Ajustar os pesos e repetir o processo.
Figura 19: Processo de aprendizagem de uma RNA.
Fonte: Turban (2008 p W6-16).
Quando saídas existentes estão disponíveis para comparação, o processo de
aprendizagem começa pela determinação dos pesos de conexão, através de regras
ou aleatoriamente. A diferença entre a saída real (Y ou ) e a saída desejada (Z)
para um determinado conjunto de entradas é um erro chamado delta , o objetivo é
minimizar o delta que é feito pelo ajuste dos pesos da rede, tal solução pode alterar
os pesos na direção certa, fazendo mudanças que reduzam o delta. O
processamento de informação com uma RNA tem uma tentativa de reconhecer
padrões de atividades. Nas fases de aprendizagem, os pesos de interconexão
mudam em resposta aos dados de treinamento apresentados ao sistema. RNAs
diferentes calculam o delta de maneiras diferentes.
O processo de Aprendizado na rede artificial tem como base um único neurônio
que aprende a operação inclusiva OU, existem dois elementos de entrada, e ,
se um ou outro ou ambos possuem um valor positivo, o resultado também é positivo,
com isso os neurônios são treinados para reconhecer os padrões de entradas e
classificá-los de modo a fornecer rápidas correspondentes, é repetido até que os
55
pesos convirjam a um conjunto uniforme de valores que permitam aos neurônios
classificar corretamente cada uma das quatro entradas. Ao calcular as saídas, uma
medida do erro (delta) entre a saída e os valores desejados é usada para atualizar
os pesos, reforçando posteriormente os resultados corretos. Em qualquer passo do
processo para um neurônio j, conforme a formula:
Onde Z e Y são, respectivamente, as saídas desejadas e reais. Portanto, os
pesos atualizados são:
(final) = (inicial) + alfa × delta ×
Onde alfa é um parâmetro que controla quão rápido o aprendizado acontece,
chamado de taxa de aprendizado.
Um alto valor para a taxa de aprendizado pode levar a muitas correções nos
valores de peso, resultando reprocessar os valores de peso possíveis e nunca atingir
o ideal. Uma taxa de aprendizado muito baixa pode desacelerar o processo de
aprendizagem. As implementações do processo de aprendizagem incluem o
parâmetro de contrabalanceamento - momentum para fornecer um equilíbrio à taxa
de aprendizado. A taxa de aprendizado procura corrigir o erro, o momentum procura
desacelerar o aprendizado. Os valores iniciais dos pesos para cada entrada são
transformados usando a equação mostrada anteriormente, na qual, determina os
valores que serão usados com a próxima entrada. Nos passos subseqüentes, o
algoritmo de aprendizado melhora os resultados, até que finalmente cria um conjunto
de pesos que fornece os resultados corretos. Uma vez determinado, um neurônio
com esses valores de peso pode realizar a operação OU rapidamente.
5.1.5 Retropropagação
O algoritmo de aprendizado de retro propagação é a maneira padrão de
implementar um treinamento supervisionado para redes neurais progressivas. É uma
técnica iterativa do gradiente descendente planejada para minimizar uma função de
erro entre a saída real da rede e sua saída desejada, o ajuste dos pesos de
interconexão, que contêm a função de mapeamento, começa no nó de saída onde a
56
medida de erro é inicialmente calculada e propagada de volta através das camadas
da rede, em direção a camada de entrada.
(PRINCIPE et al., 2000), Uma rede de retro propagação inclui uma ou mais
camadas escondidas. Esse tipo de rede é considerado progressivo porque não há
interconexões entre a saída de um elemento de processamento e a entrada de um
nó na mesma camada ou em uma camada anterior. Padrões corretos externamente
fornecidos são comparados à saída da rede neural durante o treinamento
(supervisionado), o feedback é usado para ajustar os pesos até que a rede tenha
categoriza do todos os padrões de treinamento o mais corretamente possível.
Tendo como inicio uma camada de saída, os erros entre as saídas reais e
desejada são usados para corrigir os pesos das conexões da camada anterior
(Figura 20). Para qualquer neurônio de saída j, o erro (delta) = ( – ).(df / dx), onde
Z e Y são, respectivamente, as saídas desejada e real. Utilizar a função sigmóide, f
= [1 + exp(-x) , onde x é proporcional ao total das entradas ponderadas para o
neurônio, trata-se de uma maneira eficaz de calcular a saída de um neurônio na
prática. Essa função é derivada da função sigmóide df/dx = f(1 – f) e o erro são uma
simples função das saídas desejada e real.
Figura 20: Retropropagação de erros para um único neurônio.
Fonte: Turban (2008 p W6-19).
57
A função logística f(1 – f) serve para manter a correção do erro, os pesos de
cada entrada para o jº neurônio são, então, mudadas em proporção ao erro
calculado.
O algoritmo de aprendizado inclui os seguintes procedimentos:
1. Iniciar pesos com valores aleatórios e determinar outros parâmetros;
2. Ler o vetor de entrada e a saída desejada;
3. Estimar a saída real por meio de cálculos, trabalhando progressivamente
através das camadas;
4. Calcular o erro;
5. Alterar os pesos através do trabalho progressivo, da camada de saída
passando pelas camadas escondidas.
Para todo o conjunto de vetores de entrada até que as saídas desejada e real
harmonizem com qualquer tolerância predeterminada tal processo é repetido. Os
requisitos de cálculo para uma repetição, em uma rede grande pode levar muito
tempo para ser treinada; por isso, em uma variação, um conjunto de casos é
executado progressivamente e um erro agregado é inserido retroativamente para
acelerar o aprendizado.
5.1.6 Desenvolvimento de sistemas baseados em Redes Neurais
Para o desenvolvimento de sistemas baseados em Redes Neurais é necessário à
realização de uma análise de viabilidade, considerado as etapas são gerais para
qualquer sistema de informação, para a aplicação de RNA inclui nove etapas no
desenvolvimento do projeto, conforme Figura 21.
58
Coletar dados
Separar em conjuntos de treinamentos e teste
Definir Estrutura de Rede
Determinar Parâmetros e valores, zerar os
pesos
Transformar dados em entradas de rede
Começar o treinamento e determinar e revisar
os pesos
Para e testar
Implementação:Usar a rede com novos
casos
Pegar um número maiorDe dados melhores
Separar Novamente
Redefinir a Estrutura
Selecionar outro algoritmo
Reiniciar
8
7
6
5
3
2
1
Selecionar um algoritmo de aprendizado
Reiniciar
9
4
Figura 21: Fluxograma do processo de desenvolvimento de uma RNA.
Fonte: Turban (2008 p W6-21).
59
Coleta e Preparação dos Dados: As primeiras duas etapas têm como
função a coleta dos dados, separação em conjunto de treinamento e um de
teste, ajustando os pesos, e os casos de teste é usada para validação da
rede. Os dados usados devem incluir todos os atributos úteis para
resolução do problema, tal processo de coleta e preparação dos dados são
as etapas mais importantes na criação de um sistema que tem como foco
ser eficiente. Quanto maior os conjuntos de dados, o tempo de
processamento durante o treinamento pode aumentar, mas a precisão
eleva um conjunto satisfatório de pesos.
o Etapa 1: problema específico deve ser acessível à solução de rede
neural e os dados adequados existem e podem ser obtidos.
o Etapa 2: os dados de treinamento são identificados, um plano deve
ser feito para testar o desempenho da rede.
Escolha da estrutura de Rede: Nesta etapa é projetada a estrutura das
redes neurais. Inclui a escolha de uma topologia e determinação de (1) nós de
entrada, (2) nós de saída, (3) número de camadas escondidas e (4) número
de nós escondidos. Para o desenvolvimento do trabalho com foco em Call
Center a topologia com multicamadas freqüente será usada na aplicação. O
esquema dos nós de entrada deve ser baseado nos atributos do conjunto de
dados.
Escolha do Algoritmo de Aprendizado: Nesta etapa será necessário
encontrar um algoritmo de aprendizado para identificar um conjunto de pesos
de conexão que melhor abranja os dados de treinamento e tenha melhor
precisão. No trabalho será utilizado o retro propagação, no pacote comercial
já disponível no mercado, breve será mencionado na descrição do capitulo da
aplicação.
Treinamento da Rede (RNA): nesta etapa é transformado os dados de
aplicação no tipo de formato exigido pela RNA, tal processo é repetitivo que
inicializa a partir de um conjunto aleatório de pesos, gradualmente aprimora
do modelo da rede e o conjunto de dados conhecido. No algoritmo de retro
propagação, dois parâmetros, taxa de aprendizado e momentum, podem ser
60
ajustados para controlar a velocidade de obtenção de uma solução, na qual,
determinam a proporção da diferença entre o valor calculado e o valor real
dos casos de treinamento. Quando o conjunto de dados de treinamento está
pronto, ele é carregado em um pacote e o procedimento de aprendizagem é
executado.
Testes: Processo de teste da rede é conduzido repetidamente por meio de
exposição à rede dos dados de entrada e saída reconhecidos. As saídas
desejadas e suas relações com os dados de entrada são obtidas de dados
históricos, no caso o ambiente DW servirá como base no processamento do
RNA. Nesta etapa é utilizado o conceito de teste de caixa preta, na qual
compara os resultados de teste com os resultados históricos. No plano de
teste deve incluir casos de rotina como situações potencialmente
problemáticas, se apresentar desvios será necessário ser reexaminado e
possivelmente repetir o processo.
Implementação - usar a rede com outros casos: nesta etapa já obtém um
conjunto de pesos estáveis, a rede pode reproduzir as saídas desejadas,
dado as entradas como aquelas do conjunto do treinamento. Após todos os
processos finalizados do projeto, a rede estará pronta para ser usada como
parte de outro software acoplado na solução mencionada, na qual, para os
novos dados de entrada serão apresentados e suas saídas serão uma
decisão recomendada. No trabalho será considerado o que será
parametrizado pelo usuário, mais detalhes serão descritos no capitulo da
Arquitetura Proposta.
61
6 ARQUITETURA PROPOSTA
Neste capítulo será apresentada tanto a arquitetura quanto a aplicação proposta
com objetivo propor uma solução para os problemas apresentados no estudo de
caso.
6.1 Introdução
Com base no estudo de caso descrito no inicio do trabalho, o foco será auxiliar na
tomada de decisões, que a equipe de planejamento exerce nas operações de Call
Center envolvidas. A aplicação primeiramente deve ser parametrizada com os
eventos de monitoramento, ou seja, o analista de planejamento irá cadastrar todas
as ações que podem indicar fator de risco e exige mudança de estratégia
operacional como: número muito baixo de vendas efetuado no dia, quando há
dificuldade de localizar o cliente, ou seja, número elevado de ligações não
atendidas, até mesmo para tempo médio de ligação muito elevado e/ou
características que podem indicar fraudes operacionais. Após finalizar o cadastro de
ações, o sistema irá monitorar os dados de entrada que estarão sendo processados,
quando atingir o valor parametrizado será gerado um alerta. Um exemplo que pode
ser citado, a aplicação permitirá o cadastro de um alerta com a regra no Estado de
SP, onde no período de 10h ás 18h de segunda á sexta-feira, se houver mais de 400
ligações não atendidas em uma hora para toda operação, irá gerar um alerta por e-
mail á equipe de planejamento, informando para verificar quantidade de clientes não
contatados na base de São Paulo. Gerado o alerta, a equipe deve verificar a
anormalidade para atuar com medidas solucionadoras pré-estabelecidas no
desenvolvimento estratégico, cada alerta gerado será aberto um incidente de alerta,
onde após estratégia da equipe planejamento, deve ser encerrado o incidente com a
descrição da ação realizada e definir se foi um caso de sucesso ou fracasso.
Consequentemente, os próximos alertas gerados irão conter o histórico de ações
(sucesso ou fracasso) já realizadas para os alertas do mesmo perfil, além descrever
qual a melhor forma de tratar o alerta gerado, tal indicação tem como base seu
histórico de incidentes tratados. Ainda neste capítulo serão apresentados todos os
itens da arquitetura proposta.
62
Neste trabalho, serão identificadas as necessidades para análise de desempenho
operacional, assim permitirá detalhamento da estrutura proposta. Conforme
Apêndice A, representa o processamento do cubo com base no Data Mart, ou seja,
serão criados cubos com quantidade menor de dimensões com base na solução de
análise da campanha. O cubo será disponibilizado para área de planejamento
efetuar suas analises. Todas as dimensões do cubo permitirão parametrizações de
monitoramento, assim o acompanhamento das ações com base em problemas X
soluções imediatas ficará eficaz, através dos alertas que serão gerados.
6.1.1 Ambiente Proposto
Na Figura 22, seguindo o processamento da informação, é representado uma
breve funcionalidade de cada servidor.
SQL ServerData Mart
Analysis Services
SQL Server Data Warehouse
Integration Service
Report Service
SQL ServerBD Transacional
Produção
Http://
Report Builder
Processamento de informação
Consolida Dados
Modelo Dimensional
Consulta SQL
Carga para o Cubo
Consulta SQL
Consulta Excel
Usuário
Modelo Dimensional
SQL ServerBD Transacional
Replicação - RelatórioReplicação
Figura 22: Arquitetura do Ambiente Proposto.
Fonte com adaptações: http://msdn.microsoft.com/pt-br/library/cc517991.aspx
63
SQL Server BD Transacional Produção: será responsável pelo
armazenamento de dados do sistema utilizado pelo ambiente operacional.
SQL Server BD Transacional Replicação - Relatório: serão armazenadas
todas as tabelas do sistema e replicadas á cada 5min, somente será utilizado
para consulta de relatório.
Integration Service: Ambiente de ODS armazena informações consolidadas em
arquivos textos que serão importados para o DW, os dados são detalhados de
todas as operações. Durante o processo de extração do servidor de relatório para
o DW, é considerado o intermediário e essencial para não haver alto
processamento nos servidores envolvidos.
SQL Server Data Warehouse: responsável pelo armazenamento da arquitetura
BI, os dados são importados á cada 1h com origem do servidor ODS, de acordo
com especificação de cada campanha, algumas podem haver um tempo maior
de 1h á 24h, será avaliado a necessidade de cada exigência do cliente
contratante.
SQL Server Mart: armazena os modelos gerados dimensionais no ambiente de
Data Mart, com dados vindos do ODS ou do Data Warehouse;
Analysis Services: responsável pelo armazenamento dos cubos, na qual serão
carregado com informações vindas do Data Mart. Permitirá o acesso aos cubos
utilizando o Excel, na construção de relatórios e exploração de dados de forma
flexível através da Tabela Dinâmica.
Report Service : relatórios são desenvolvidos inicialmente utilizando como
fontes de dados as tabelas de bases relacionais de Data Mart, com utilização de
Transact-SQL.
64
A tabela 6 - Requisitos de Servidores Envolvidos, mostra com mais detalhes
algumas especificações.
Características Configurações
Armazenamento DW - 8 TB
ODS - 4 TB
Data Mart - 2 TB
Processadores 64-bit
Sistema Operacional Windows Server 2003 Enterprise Edition
Suporte servidores SQL Server 2005 Failover cluster
Configurações Reporting Services Web Farm, em Load Balancing
Tabela 6: Requisitos de Servidores Envolvidos.
Definições Técnicas:
Failover cluster5 - “Um cluster de failover é um conjunto de computadores
independentes que trabalham em conjunto para aumentar a disponibilidade
de aplicativos e serviços. Os servidores em cluster (chamados de nós) são
conectados por cabos físicos e por software. Se um dos nós do cluster falhar,
o outro nó começará a fornecer o serviço (um processo conhecido como
failover). Os usuários vivenciam um mínimo de interrupções no serviço.”
Web Farm6: “O Microsoft Web Farm Framework é um produto Microsoft
gratuito e totalmente suportado que te permite facilmente provisionar e
gerenciar uma farm "fazenda" de servidores web.”
Load Balancing7: “Uma rede de computadores para distribuir a carga de
trabalho metodologia em vários computadores ou um cluster de
computadores , links de rede, unidades de processamento central, unidades
de disco ou outros recursos, para atingir melhor utilização dos recursos,
maximizar a produção, minimizar o tempo de resposta e evitar a sobrecarg”.
5 http://technet.microsoft.com/pt-br/library/cc725923(WS.10).aspx Acessado em Setembro - 2011
6 http://weblogs.asp.net/scottguportuguese/archive/2011/01/20/microsoft-web-farm-framework-
20.aspx?utm_source=feedburner&utm_medium=feed&utm_campaign=Feed%3A+scottguportuguese+%28ScottGu%27s+Blog+em+Portugu%C3%AAs%29 - Acessado em Setembro – 2011.
7 http://en.wikipedia.org/wiki/Load_balancing_(computing) - Acessado em Setembro – 2011.
65
6.2 Ferramentas utilizadas e suas características
Para atender os requisitos de alta disponibilidade e tolerância á falha será
utilizada a plataforma utilizada será MS SQL Server 2005, constituída pelas
ferramentas abaixo8:
Microsoft SQL Server (Batabase): repositório de dados, com objetivo de
armazenar e centralizar todas as informações, construindo o Data Warehouse
e/ou Data Marts.
Microsoft SQL Server Integration Services (SSIS): Responsável por
centralizar e buscar diversas fontes de dados diversificadas.
Microsoft SQL Server Analysis Services (SSAS): ferramenta que possibilita
manipular de forma para fornecer informações para a tomada de decisão.
Microsoft SQL Server Reporting Services (SSRS): Ferramentas de
exibição de dados, responsável por criar relatório, gráficos e pequenos
dashboards de apresentação de dados.
Microsoft Office Excel 2010: ferramenta que possibilita consulta de dados,
através de Gráficos Dinâmicos, sendo assim, é criado uma conexão com a fonte
de dados – cubo, possibilitando a atualização dos dados sempre quando um
cubo for processado.
Weka9: Coleção de algoritmos de aprendizagem de máquina para tarefas
de mineração de dados. Os algoritmos podem ser aplicados diretamente à
um conjunto de dados ou chamados a partir de seu código Java próprio, contém
ferramentas para os dados de pré-processamento,
classificação, regressão, regras de associação e visualização. O Weka é um
software livre, será implementado e integrado ao sistema, auxiliando na tomada
de decisões ao ser gerado o e-mail de alerta.
8 http://www.whitecube.com.br/index.php?option=com_content&view=article&id=90&Itemid=117
Acessada em Setembro - 2011 9 http://www.cs.waikato.ac.nz/~ml/weka/ - Acessado em Setembro -2011.
66
6.3 Ambiente DW
Foram coletadas as informações necessárias para análises no ambiente de Call
Center, com objetivo de criar um novo ambiente DW e para a implantação da Data
Marts. Conforme representado:
Informação Coletada necessária para análises no cubo BI.
o Hierarquia – Sub Grupo da informação coletada.
Formato do Dado que será apresentado.
Data do Contato
o Ano
AAAA
o Mês
MM
o Dia
DD
Hora do Contato
o Início 00:00:00
o Final 00:00:00
o Hora (Texto)
Manhã
Vespertino
Tarde
Noite
o Dia da Semana (Sigla)
Seg. - Segunda- Feira
Ter - Terça - Feira
Qua. – Quarta - Feira
Qui. – Quinta - Feira
Sex. – Sexta - Feira
Sáb. - Sábado
Dom. – Domingo
67
Contato
o Duração do Contato (TMA)
00:00:00
Status do Cliente
o Status de tabulação (Texto)
Venda com sucesso
Recusou-se á conversar / Não disponível
Possui outros cartões
Desempregado
Agendamento – Voltar á Ligar Manhã/ Tarde / Noite
Não Contatado Não atende / Ocupado / Secretária Eletrônica
Mailing
Segmentação
Informações do Cliente
o Sexo (Sigla)
F – Feminino
M – Masculino
o Nome
Nome Completo (sem caracteres especiais)
o Faixa Etária - (Texto)
De 18 á 25 anos
De 26 á 30 anos
De 31 á 40 anos
De 41 á 50 anos
De 51 á 60 anos
De 61 á 70 anos
Mais de 70 anos
68
o Faixa de Renda - (Texto)
Menos que 500 reais
De 500 á 1.000 reais
De 1000 á 2.500 reais
De 2.501 á 4.000 reais
De 4.001 á 5.000 reais
De 5.001 á 7.000 reais
De 4.001 á 5.000 reais
De 5.001 á 10.000 reais
De 10.001 á 20.000 reais
Acima de 20.000 reais
o Estado (Sigla)
UF
o Cidade (Texto)
Nome da Cidade (sem caracteres especiais)
o Limite do Cartão (Texto)
Menos que 200 reais
De 201 á 500 reais
De 501 á 700 reais
De 701 á 1.000 reais
De 1.001 á 2.500 reais
De 2.501 á 5.000 reais
De 5.001 á 10.000 reais
Acima de 10.000 reais
Informações do Vendedor
o Nome (Texto)
Nome Completo (sem caracteres especiais)
o Supervisão (Texto)
Nome Completo (sem caracteres especiais)
69
o Faixa Etária (Texto)
De 18 á 25 anos
De 26 á 30 anos
De 31 á 40 anos
o Sexo (Sigla)
F – Feminino
M – Masculino
Informações do Produto
o Nome (Texto)
Nome Promocional (sem caracteres especiais)
o Faixa de renda oferecida (Texto)
Menos que 500 reais
De 500 á 1.000 reais
De 1000 á 2.500 reais
De 2.501 á 4.000 reais
De 4.001 á 5.000 reais
De 5.001 á 7.000 reais
De 4.001 á 5.000 reais
De 5.001 á 10.000 reais
De 10.001 á 20.000 reais
Acima de 20.000 reais
o Classificação (Texto)
Internacional
Nacional
o Bandeira (Texto)
Visa
Master
Dinners
70
Todas as informações levantadas serão processadas para compor o ambiente
DW. Durante o processo de mineração, todos os dados devem ser tratados e
padronizados de acordo com o formato já estabelecido na listagem acima, em
alguns bancos de dados transacionais, pode haver dados inválidos quanto à
padronização, sendo assim, será tratado e atribuído os valores conforme Tabela 7.
Formato do Dado Dado Não Identificado
Texto “Valor não Informado”
Delimitados “N/A”
Numérico 0 ou 00:00:00
Faixa Determinada “Valor não Identificado”
Tabela 7: Tratamento de dados.
Tais valores, em uma análise estatística devem ser considerados como “Faixa de
Erro”, pois contém informações não reconhecidas, mas de acordo com algumas
analises pode fazer diferença ou até mesmo mudar a conclusão da ação
estratégia.O DW foi criado pensando em atender qualquer necessidade no ambiente
operacional, a arquitetura proposta será focar em um fator isolado. A modelagem de
dados apresentaria o seguinte ambiente.
TB_FATO_001
ID_CLIENTE int
ID_TABULACAO int
ID_OPERADOR int
ID_SUPERVISOR int
ID_PRODUTO int
FAT_CONT_DATA datetime
FAT_CONT_INI smallint
FAT_CONT_FIM smallint
FAT_CONT_TMA smallint
FAT_CONT_SEMANA char(20)
TB_CLIENTE_001
ID_CLIENTE int
CLI_SEXO char(1)
CLI_DTNASC datetime
CLI_RENDA char(10)
CLI_ESTADO char(2)
CLI_CIDADE char(126)
CLI_LIMITE char(10)
CLI_MAILING char(126)
CLI_SEGMENTACAO char(126)TB_TABULACAO_001
ID_TABULACAO int
TAB_NOME char(256)
TB_FAIXA_APOIO_001
ID_FAIXA int
FAP_CLASSIFICACAO char(3)
FAP_NOME_INTERVALO char(256)
FAP_VALOR char(10)
TB_OPERADOR_001
ID_OPERADOR int
OPE_NOME char(256)
OPE_DTNASC datetime2(7)
OPE_SEXO char(2)
TB_SUPERVISOR_001
ID_SUPERVISOR int
SUP_NOME char(256)
SUP_SEXO char(2)
TB_PRODUTO_001
ID_PRODUTO int
PRD_NOME char(256)
PRD_MIN_RENDA int
PRD_MAX_RENDA int
PRD_CLASSIFICACAO char(126)
PRD_BANDEIRA char(126)
Figura 23: Modelagem de dados, para o processamento do DW.
Autora: Sabrina Mariana.
71
6.4 Data Mart de Desempenho Operacional
O Data Mart de desempenho operacional será projetado com objetivo de avaliar o
ambiente operacional durante o dia, por exemplo, para uma determinada hora na
Região X, há dificuldade para encontrar o cliente em um determinado horário, os
usuários gerenciais precisam ter mapeado as tendências de dificuldades para
encontrar o cliente durante o dia, assim pode mudar o mailing por região, onde há
mais possibilidades de contato. No Data Marte será necessário às informações:
o Data do Contato
o Informações do Cliente
o Status do Cliente
A partir deste dado será montado um cubo BI, terá como análise:
Data do Contato
o Ano
o Mês
o Dia
o Hora
Informações do Cliente
o Sexo (Sigla)
o Faixa Etária - (Texto)
o Estado (Sigla)
Status do Cliente
o Status de tabulação
(Texto)
Dimensões:
o Data
o Hora
o Cliente: Sexo
o Cliente: Faixa Etária
o Cliente: Estado
o Cliente: Status de
Tabulação
Tabela 8: Definições das dimensões
A regra de negócio para análise e Business Intelligent foi finalizada, porem a
inteligência de negócio proposta no trabalho dará início á partir do Data Mart criado.
No momento o ambiente operacional de nível gerencial somente tem as informações
D-1, a arquitetura proposta será manter este dado com um delay menor,
aproximadamente uma hora de acordo com a campanha, com alertas para tomadas
de decisões quando o problema estiver acontecendo.
72
6.5 Dicionário de Dados
Nesta etapa, os gerentes ou analistas de planejamento precisam cadastrar os
eventos de monitoramento para tomada de decisões, ou seja, vai possibilitar a
configuração de alertar quando 40% dos operadores não consegue contatar os
clientes para região X. A tabela 9 mostra a proposta parametrização de acordo com
o Data Mart disponível.
Dados disponíveis no Data Mart
Data do Contato
o Ano
o Mês
o Dia
o Hora
Informações do Cliente
o Sexo (Sigla)
o Faixa Etária - (Texto)
o Estado (Sigla)
Status do Cliente
o Status de tabulação
(Texto)
Proposta Parametrização
Data do Contato
o Dia - Hoje.
o Hora – Qualquer Grupo.
Informações do Cliente
o Estado – Qualquer
Estado.
Status do Cliente
o Tabulação: Não
Contatado.
o Quantidade: Acima de
100.
Tabela 9: Parametrização de Alerta
Após efetuar o cadastro, será aplicado o conceito de Redes Artificiais onde as
entradas são os valores parametrizados, conforme Figura 24, com o monitoramento
de índices atingindo o valor parametrizado, será enviado e-mail (alerta) para os
envolvidos da área de planejamento em forma de alerta, cada alerta gerado será
registrado com número de incidente dentro do gerenciamento de cada campanha.
73
Figura 24: Aplicação – Funcionalidade.
Autora: Sabrina Mariana.
A área de planejamento deve avaliar o resultado gerado, de acordo com os
resultados obtidos precisam tomar uma decisão, ou seja, foi gerado um alerta
identificando um alto índice de clientes não contatados em um determinado período,
será necessário analisar o ambiente através do data mart disponível, após tomar
uma ação imediata, na qual deve ser cadastrada no acompanhamento do incidente
gerado.
Figura 25: Aplicação – Processo de Análise.
Autora: Sabrina Mariana.
74
O histórico dos alertas permitirá a visualização em um relatório qualitativo e
quantitativo para os casos de sucesso e fracasso, além de identificar qual foram os
procedimentos mais susceptíveis já tomados, após cinco ocorrências geradas.
Figura 26: Aplicação – E-mail Estratégico.
Autora: Sabrina Mariana.
Será considerado como concluído o incidente do alerta, ao ser registrada a
reação operacional após ação da área de planejamento em cima do problema
apresentado, classificando como: sucesso, fracasso, medida corretiva ou correção
de problemas, com a descrição da ação tomada. Tal processo é diferenciado de toda
e qualquer solução proposta, pois utilizando a redes artificiais permitirá a análise de
planejamento de acordo com o histórico de tomadas de decisões realizadas, além
apresentar quais ações podem ser tomada de acordo alertas.
O sistema Weka10 utilizado para mineração de dados aplicando a inteligência
artificial, será implementado e automatizado facilitando as análises de planejamento
e índices de decisões que podem ser aplicados, através de gráficos e acompanha-
mento operacional.
10
http://www.cs.waikato.ac.nz/~ml/weka/ - Acessado em Setembro -2011.
75
6.6 Vantagens e Desvantagens da Arquitetura Proposta
6.6.1 Vantagens
Toda análise de vantagem da ferramenta tem como base a experiência
profissional obtida durante seis anos de dedicação no ramo de Call Center, a
arquitetura proposta não foi implementada, porem tal afirmação nesta seção deve
ser levado em consideração para qualquer ramo.
A Solução de BI permite que as fases de gestão sejam integradas aos clientes
para obtenção de informações que nortearão as decisões acordadas na gestão
estratégica. A Solução de BI também permite a integração, orçamento e reporting
com as aplicações de processos em uma empresa. Também apresenta a vantagem
ao proporcionar a visão lógica em gerir os negócios além de controlar e unificar
fontes de informação para toda a organização. A uniformização da informação
proporciona rapidez à consulta dos dados com maior confiabilidade na
automatização de processos de análise.
São vantagens da ferramenta proposta:
Permite criar e visualizar perfis de pesquisa conforme a elaboração de
análises e simulações;
Possibilita montar análises e agendar envio por e-mail para ser notificado
problemas ou casos de sucesso;
Obtém controle de notificações e histórico de ações, de acordo com o planeja-
mento e suas ações aplicadas com resultado de sucesso ou fracasso.
Agilidade na tomada de decisões ou maior eficácia;
Desenvolvimento do conhecimento empresarial em suas fases históricas de
notificação;
Aperfeiçoar a gestão estratégica aos recursos operacionais;
Ganho de tempo expressivo (80% de economia de tempo), em média para
analisar uma campanha e criar uma ação estratégica (corretiva ou para
melhorias) exige um foco de 3h sobre cada uma, ou seja, em um dia não seria
possível uma análise de 25 campanhas, criando alertas, o tempo perdido de
muitas análises serão recompensados.
Analistas têm a opção de manipular apenas um documento (consulta) para
extração da informação.
76
A Tabela 10 - Problemas X vantagens aplicadas á arquitetura proposta, apresenta
os problemas mencionados no caso de uso, aplicando a estrutura proposta quais as
vantagens serão proporcionadas aos usuários finais.
Problema Solução
Equipe de planejamento tem muitas campa-
nhas para serem administradas.
Administrar os alertas e o apoio para a tomada de
decisões, terá redução de tempo de análise.
Contatos monótonos cansam cada vez mais
os consumidores, na hora de oferecer um
produto ou serviço.
Com análise de perfil do operador e cliente através
do BI, permite-se desenvolver scripts de contato
personalizado, diferenciando os contatos e com
abordagens mais objetivas.
O BI aplicado na empresa trata-se de um
Data Mining geral onde cada cubo tem em
média de quatorze dimensões.
Os cubos com base no Data Mart vão apresentar
no máximo cinco dimensões. Com isso será possível
a criação de vários cubos com poucas dimensões e
com foco no resultado X da análise.
As análises efetuadas são com base em D-1.
A arquitetura possibilitará consulta até um delay de
uma hora, de acordo com cada campanha, não
obstante as notificações em tempo real.
O conceito de BI não está aplicado
adequadamente, pois utilizam a ferramenta
como relatório e não para análise histórica em
planejamento.
Os cubos com base no Data Mart exigem foco no
seu principio. Assim as notificações servirão de
aprendizado quanto à ferramenta proposta.
Análises são parciais para relatório de
desempenho de equipe ou para BI.
Com a notificação é gerado uma incidência
pendente para uma ação estratégica, exigindo
análises e ações imediatas.
Todas as campanhas trabalham com o
mesmo plano de ação, porém as contratantes
exigem tratamentos diferenciados em função
dos problemas de desempenho identificados por
elas próprias.
Durante o processo de cadastro de monitoramento
ficará nítido a estratégia e a forma de trabalho de
cada equipe diversificando cada entidade.
A rotatividade da equipe é grande, portanto
não é aplicada a gestão de conhecimento entre
os integrantes.
Com a análise de desempenho de um operador
pode-se ter melhor gestão pessoal, reciclagem do
conhecimento e ações motivacionais.
Os problemas de desempenho operacional
não são previamente identificados, apenas
tratados posteriormente.
Com o alerta reduz identificar problemas
posteriores, permitirá identificar as incidências durante
a semana de acordo com índice de vendas.
As medidas estratégicas estão voltadas para
correção, jamais para a prevenção de algumas
situações como: roubo, plágio e coletas incom-
pletas.
As redes neurais possibilitam que processos como
“fraude” sejam identificados de imediato, além do
processo de notificações por detecção por fraude.
Tabela 10: Problemas X vantagens aplicadas á arquitetura proposta.
77
6.6.2 Desvantagens
A seguir são enumeradas desvantagens da arquitetura proposta, levantadas por
meio de uma análise de risco do projeto. Estas deficiências podem ser corrigidas em
futura implementação da arquitetura proposta.
Para alguns analistas, o conceito de análise multidimensional é novo e a
mudança de paradigma pode causar, inicialmente, desconforto tanto durante
implementação da arquitetura quanto forma de trabalho que será alterada.
Consulta no Excel exige que os desktops demandem equipamento de alto
desempenho e pacote Office atualizado (versão 2010), que suportam
consultas grandes e planilhas robustas, além de hardware adequado para
evitar degradação do ambiente;
Alto custo para implementação e despesas adicionais com infra-estrutura
(Servidores/Desktop para usuários finais)
Algumas ferramentas como o front-end não é facilmente assimilada por todos
os analistas.
6.7 Melhorias e Trabalhos Futuros
Como em qualquer implantação, a análise crítica é essencial. São enumeradas
algumas melhorias a serem efetuadas em trabalhos futuros.
Utilização de redes artificiais para, a partir de análises do histórico de alertas,
realizar previsões de possíveis resultados e permitir o planejamento de ações
semanais para o ambiente operacional.
Para maior entendimento da ferramenta e conceito, a ferramenta vai permitir
instruções de quando um o usuário é novo, ou seja, durante os primeiro dias
de acesso, o usuário visualizará de acordo com informações recebidas
instruções de teorias de planejamento e informações da regra de negocio de
acordo com o ambiente que está trabalhando, considerado hoje o “Boas
Vindas” além de um E-learning que será útil no dia-a-dia.
78
Para a exigência e servidor WEB específico, pode ser criados servidores
virtuais.
Para consulta no Excel, o próximo passo é a implantação de consulta com
report services, utilizando o MDX11 (Multidimensional Expressions), que
permitem consultas a objetos multidimensionais (cubos) e retornam conjuntos
de células multidimensionais que contêm dados do cubo.
Desenvolver forma de buscar dados em outras fontes, ou seja, a ferramenta
pode buscar no cadastro de funcionários as informações do operador de
telemarketing, de acordo com seu grau de instrução, data de admissão,
históricos de campanhas já trabalhadas na empresa serão permitindo
identificar melhor a forma de trabalho do operador adequando para melhores
resultados.
Aplicar módulo de elaboração de gráficos on-line para acompanhamento de
desempenho da campanha.
Desenho e estruturação do ambiente de contingência e balanceamento.
11
http://msdn.microsoft.com/pt-br/library/ms145514.aspx- Acessado em Setembro/2011
CONCLUSÃO
O projeto teve como foco a análise de uma campanha específica na empresa de
Call Center e a criação de um Data Mart com foco em clientes contatados. Devido ao
estudo de caso adotado, o trabalho ficou restrito ao segmento de atendimento,
apresentando detalhadamente a parte da regra de negócio, embora não tenha sido
efetivamente implantada, a arquitetura proposta pode ser considerada um diferencial
para empresas do ramo, uma vez que atualmente não existem nenhum sistema
como este proposto. A arquitetura de alertas com histórico de ações tratadas,
análise das vantagens e desvantagens e o uso do Data Mart, pode haver ganho
operacional em relação aos processos de tomada de decisões e grande redução de
tempo, já que a ferramenta possibilita automatizar o processo de manipulação de
dados durante uma consulta. Assim, a tomada de decisão tem maior chance de ser
eficaz, pois o conhecimento extraído do Data Mart permite visualizar de diversas
formas.
A ideia apresentada pode ser aplicada para mostrar diferenciais durante o
primeiro contato com o cliente, conforme mencionado no início do trabalho 41% das
pessoas “Não compra nada por telefone” e 35% “Escuta a proposta, mas não
compra”, ao perceber que o tempo médio de atendimento começa diminuir cada vez
mais, e valores de clientes que preferem outros cartões ou até mesmo não
receptivos aumentam, permitem ser abordados de outras formas. O próprio conceito
de redes neurais pode indicar um fator comum, quando um cliente efetua a venda
com sucesso, assim possibilita o crescimento de efetividade no contato ao longo do
tempo. Alguns operadores de telemarketing têm perfil de vender para clientes
específicos de acordo com renda, até preferencia de sexo e/ou região, com
desempenho de analises operacional, tal fator é a chave, onde permite aumentar as
vendas.
A tendência é cada vez mais o BI tornar elemento essencial no ambiente
corporativo, com integrações de diversos softwares pode apoiar na tomada de
decisão, utilizando redes artificiais. Durante o desenvolvimento do trabalho, pode-se
perceber que tal aplicação permite ser utilizada em outros segmentos como em
emissoras de TV, onde de acordo com o ibope de um determinado programa e
horário de cada quadro apresentado, obtém um estudo, onde pode classificar os
melhores quadros. Quando foram considerados valores baixos na média da
audiência, o alerta e incidentes tratados permitirão identificar o que foi realizado para
ter um fator de sucesso ou fracasso, sendo assim, torna-se um sistema totalmente
adaptado para diversos segmentos, e de acordo com a configuração do dicionário
de dados disponível permite ser alterado, ou acrescendo á qualquer momento
durante o histórico de incidentes. As analises quantitativas e qualitativas de
incidentes fechados permitem que os usuários se adaptem com mudanças de
estratégias. O ambiente indica o que o usuário pode fazer além de informar o
histórico quando foi gerado o alerta parametrizado.
A ferramenta pode diminuir custo por tratar de análises mais rápidas e eficazes,
além de facilitar nos casos de sucesso, e diminuir fraudes ou suspeita de fraudes
que podem ser identificadas ou tratadas com antecedência.
REFERÊNCIAS
BRAGA, Antônio de Pádua et al. Redes Neurais Artificiais: Teoria e Aplicações. Rio
de Janeiro: Ltc - Livros Técnicos E Científicos Editora S.a., 2000.
CARBONE, P. P. et al. Gestão por Competências e Gestão do Conhecimento. 2ª
edição, Rio de Janeiro: FGV, 2006
CHARAN, R. and G. Colvin ( 1999, July) “Why CEOs fail”. Fortune.
DUNHAM, M.(2003).Data Mining:Introductory and Advanved Topics. Upper Saddle
River, NJ: Prentie Hall.
GARTNER Inc (2004). Using Busines Intelligence to Gain a Competitive Edge. A
special report. Gartner, Inc.: Stamford CT.
HAYKIN, S.S. (1999). Neural Networks: A Comprehensive Foundation, 2nd ed.
Upper Saddle River, NJ: PrenticeHall.
HAYKIN, Simon. Redes Neurais: Princípios e Praticas. 2. ed. Porto Alegre: Artmed
Editora AS/ Bookman, 1999.
IMHOFF, C., and R. Pettit (2004). “The Critical Shift to Flexible Business
Intelligence.”White paper, Intelligent Solutions, Inc.
INMON, W.H. Como construir o Data Warehouse. São Paulo: Campus 1987.
INMON, W. H.; HACKATHORN, R.D. Using the Data Warehouse. McGraw-Hill,1994.
KIMBALL, R. The Data Warehouse Ligecycle Toolkit. John Wiley & Sons,1998.
KIMBALL, R. Dimensional Modeling Manifesto. DBMS Magazine,1997.
KRIZAN, L. Intelligence Essentials for Everyone. Washington DC: Joint Military
Intelligence College (occasional paper number six) Departmente of Defense,
1999.
LEITE, Mario. Técnicas de Programação: Uma Abordagem Moderna. Rio de Janeiro:
Brasport, 2006. 405 p.
MACHADO, Felipe Nery Rodrigues. Tecnologia e projeto de Data Warehouse. 4. Ed.
São Paulo: Érica, 2008.
MANCINI, Lucas; Call Center : estratégia para vencer / Lucas Mancini. São Paulo:
Suummus,2006.
MARTINS, M. A. H (2002). Metodologia de Pesquisa. Disponível em
http://mariaalicehof5.vilabol.uol.com.br. Acesso em Set. 2011.
MAUBORGNE, Renée. A estratégia do oceano azul. Rio de Janeiro: Campus, 2005.
NIVEMN, P. (2005). Balanced Scorecard Diagnostics. Hobokn, NJ:Wiley.
PICHILIANI, Mauro. Data Mining na prática: classificação bayesiana. , 2006.
Disponível em:
<http://imasters.com.br/artigo/4926/sql_server/data_mining_na_pratica_classificac
ao_bayesiana/>. Acesso em: 11 nov. 2010.
PRIMAK, Fábio Vinícius. Decisões com b.i. (Business Intelligence ). São Paulo:
Ciencia Moderna, 2008.
PRINCIPE, J.C., N.R. Euliano e W.C. Lefebvre. (2000). Neural and Adaptive
Systems: Fundamentals Through Simulations.New York: Wiley.
SIMONS, R.(2002). Performance measurement and Control Systems for
Implementing Strategy. Upper Saddle River, NJ: Prentice Hall.
TATIBANA, Cassia Yuri ; KAETSU, Deisi Yuki. homepage de Redes Neurais.
Disponível em < http://www.din.uem.br/ia/neurais/ >. Acesso em: 30 Agostos
2011.
THOMPSON, O.(Octuber 2004). “Business Intelligence Success, Lessons
Learned”.TechonologyEvoluation.com
TURBAN, Efrain; SHARDA, Ramesh; ARONSON, Jay; KING,David. BUSINESS
INTELLIGENCE : um enfoque gerencial para a inteligência do negócio. Porto
Alegre: Bookman, 2009.
WADE, D. & R. Recardo. (2001). Corporate Performance Management Boston:
Butterworth-Heinemann.
ZAHEDI, F. (1993). Intelligent Systems for Business: Expert Systems with Neural
Networks. Belmont, CA: Wadsworth.
Apêndices
Apêndice A - Visão geral do Trabalho
Processamento de dados
Ambiente Operacional
Gestão da Estratégia
Gerente de
Operações
Cliente –
Contratante
Coordenador de
Operações
Supervisor
Auditoria de
Qualidade
Monitoração
Operador de Call
Center
Supervisor
Supervisor
Gerente de
Planejamento
Coordenador de
Planejamento
Analista de
Planejamento
Consumidor
Processo de aplicativo
Cadastra dados
Mineração de
Dados
DW
BD transacional
Produção
BD transacional
Produção
Grava histórico do contato
Dados do cliente
Alimenta DW
Data MartsData Marts
Monta DM
Processamento
Cubos BI
Recebe e-mail
Configurar Dicionário de Dados
Cadastra Ações
Tomada de Decisões
BD transacional
Relatório
BD transacional
Relatório