Sistemas de Informação

O conceito de Sistemas de Informação (SI) deriva do conceito de sistema como atividade humana, o qual pode envolver, ou não, a utilização de computadores. O SI funciona, portanto, como suporte às ações e decisões humanas e depende do contexto em que estão inseridos. Assim, um SI pode ser definido como um conjunto de elementos, relacionados entre si, atuando num determinado ambiente com o fim de alcançar objetivos comuns e, com capacidade de auto controle. O conjunto de elementos tem que ser analisado como um todo, podendo os SI serem fechados ou abertos. Considerando que atualmente as organizações utilizam tecnologias para suportar a sua atividade sistêmica, podemos considerar os SI como uma combinação de procedimentos, informação, pessoas e SI/TI, organizadas para o alcance de objetivos de uma organização. Estes, devem ser vistos dentro do contexto sistêmico, como conjuntos de subsistemas relacionados entre si, que possibilitam o acesso e a gestão da informação, suportados pelos SI/TI e pelos sistemas de comunicação.
Um Sistema de Informação pode ser então definido como todo sistema usado para prover informação (incluindo o seu processamento), qualquer que seja o uso feito dessa informação. Um sistema de informação possui vários elementos inter-relacionados que coletam (entrada), manipulam e armazenam (processo), disseminam (saída) os dados e informações e fornecem um mecanismo de feedback.
A associação entre tecnologia de informação e gestão do conhecimento está relacionada ao uso de sistemas de informação para o compartilhamento de informações ou conhecimento. Em particular, destacam-se várias tecnologias que podem ser empregadas para esse fim, tais como, intranets, groupware, document management, data warehouse, desktop-videoconferencing, eletronic bulletin board, etc…
Abaixo alguns exemplos de Sistemas de Informação.

Data Mining

Também conhecido como mineração de dados é o processo de extração de conhecimento de grandes bases de dados, convencionais ou não. Apresenta as informações utilizáveis, implícitas e recentes a partir de dados, que possam ser utilizadas para resolver um problema de negócios. A Mineração de dados pode ser aplicada tanto para a pesquisa cientifica como para impulsionar a lucratividade da empresa madura, inovadora e competitiva.
Diariamente as empresas acumulam grande volume de dados em seus aplicativos operacionais. São dados brutos que dizem quem comprou o que, onde, quando e em que quantidade. É a informação vital para o dia-a-dia da empresa. Se fizermos estatísticas ao final do dia para repor estoques e detectar tendências de compra, estaremos praticando business inteligence (BI). Se analisarmos os dados com estatística de modo mais refinado, à de procura de padrões de vinculações entre as variáveis registradas, então estaremos fazendo Mineração de dados. Buscamos com o MD conhecer melhor os clientes, seus padrões de consumo e motivações. A MD resgata em grandes organizações o papel do proprietário atendendo no balcão e conhecendo sua clientela. Através da MD, esses dados agora podem agregar valor às decisões da empresa, sugerir tendências, desvendar particularidades dela e de seu meio ambiente e permitir ações melhor informados aos seus gestores.
Pode-se então diferenciar o business inteligence (BI) da Mineração de dados (MD) como dois patamares distintos de atuação. O primeiro visa obter a partir dos dados operativos brutos, informação útil para subsidiar a tomada de decisão nos escalões médios e altos da empresa. O segundo busca subsidiar a empresa com conhecimento novo e útil acerca do seu meio ambiente. O primeiro funciona no plano estratégico, o segundo no tático.
Um Data Mining não é uma panacéia que resolve todos os problemas. Tem como objetivo encontrar padrões e relacionamentos entre dados de modo que a empresa possa se embasar melhor nas tomadas de decisões.
Por outro lado, o uso incorreto desta tecnologia pode gerar muito mais confusão, levando a empresa a tomar decisões erradas.
Uma empresa utilizando Data Mining é capaz de:
- Criar parâmetros para entender o comportamento do consumidor;
- Identificar afinidades entre as escolhas de produtos e serviços;
- Prever hábitos de compras;
- Analisar comportamentos habituais para detectar fraudes.

Exemplos:

Prático

Imagine que a letra ‘A’ esteja representando um item qualquer de um registro comercial. Por exemplo, a letra ‘A’ poderia significar “aquisição de pão” em uma transação de supermercado. A letra ‘B’ poderia, por exemplo, significar “aquisição de leite”. A letra ‘C’ é um indicador de que leite que foi adquirido é do tipo desnatado. É interessante notar que a obtenção de uma regra com as letras “AB” quer dizer, na prática, que toda vez que alguém comprou pão, também comprou leite. Esses dois atributos estão associados e isto foi revelado pelo processo de descoberta de padrões.
Esta associação já nos fará pensar em colocar "leite" e "pão" mais próximos um do outro no supermercado, pois assim estaríamos facilitando a aquisição conjunta desses dois produtos.

Real

Wal-Mart

Embora recente, a história de Mineração de dados já tem casos bem conhecidos. O mais divulgado é o da cadeia americana Wal-Mart, que identificou um hábito curioso dos consumidores. Ao procurar eventuais relações entre o volume de vendas e os dias de semana, o software apontou que, as sextas-feiras, as vendas de cervejas cresciam na mesma proporção que as fraldas. Crianças bebendo? Não. Uma investigação mais detalhada revelou que, ao comprar fraldas para seus bebês, os pais aproveitavam para abastecer as reservas de cerveja para o final de semana.

OLAP - On-line Analytical Processing

Consiste numa tecnologia de software que permite aos analistas e gestores manipularem aos dados de forma rápida, consistente e interativa através de uma grande variedade de apresentações possíveis da informação, refletindo uma imagem real e atual da organização, de acordo com os objetivos definidos pelo utilizador.
Em 1995, com o objetivo de definir as regras de construção, foi criado um conselho composto pelos principais construtores de tecnologias OLAP. Foram então definidos um conjunto de requisitos e que foram sintetizados numa expressão com 5 palavras: Fast, Analysis of Shared Multidimensional Information (FASMI).

Um sistema OLAP é geralmente constituído por três componentes, nomeadamente:

• uma aplicação que faz a interface com o utilizador (o front-end-system);
• um servidor OLAP multi utilizador com um motor com elevada capacidade de manipulação de dados, especificamente desenhado para suportar estruturas multidimensionais;
• fontes de dados constituídas por todos os repositórios de dados das empresas.

Classifica-se em DOLAP, ROLAP, MOLAP e HOLAP

Cubos em um armazém de dados são armazenados em três modos diferentes. Um modelo relacional de armazenamento é chamado de modo Relational Online Analytical Processing ROLAP ou, enquanto um modo de processamento Multidimensional Online Analytical é chamado MOLAP. Quando as dimensões são armazenadas em uma combinação dos dois modos, então é conhecido como modo Hybrid Online Analytical Processing ou HOLAP.

MOLAP

Este é o modo tradicional de análise OLAP. Em MOLAP os dados são armazenados em forma de cubos multidimensionais e não em bancos de dados relacionais. As vantagens desta modalidade é que ele proporciona excelente desempenho da consulta e os cubos são construídos para a recuperação rápida de dados. Todos os cálculos são pré-gerados quando o cubo é criado e pode ser facilmente aplicado a consulta de dados. As desvantagens deste modelo são de que ele pode lidar com uma quantidade limitada de dados. Uma vez que todos os cálculos foram pré-construídos quando o cubo foi criado, o cubo não pode ser derivado de um grande volume de dados. Esta deficiência pode ser contornada através da inclusão de resumo de cálculos durante a construção do cubo.

ROLAP

Os dados subjacentes a este modelo são armazenados em bancos de dados relacionais. Como os dados são armazenados em bancos de dados relacionais este modelo dá a aparência de OLAP tradicional. As vantagens deste modelo é que ele pode manipular uma grande quantidade de dados e pode aproveitar todas as funcionalidades do banco de dados relacional. As desvantagens são que o desempenho é lento e cada relatório ROLAP é uma consulta SQL com todas as limitações do gênero. Também é limitada pelas funcionalidades do SQL. Analistas ROLAP têm tentado atenuar este problema através da construção na ferramenta out-of-the-box funções complexas, bem como proporcionar aos utilizadores uma capacidade de definir suas próprias funções.

HOLAP

Tecnologia HOLAP tenta combinar os pontos fortes dos dois modelos acima

Comparando o uso de MOLAP, ROLAP e HOLAP

Alguns dos fatores que afetam o armazenamento MOLAP são:

Cubo de navegação é o mais rápido ao usar MOLAP. Mesmo em casos onde não tenha sido feito agregações. Os dados são armazenados em um formato compactado multidimensional e pode ser acessado rapidamente do que no banco de dados relacional. A navegação é muito lenta em ROLAP sobre o mesmo em HOLAP.
Tempo de processamento é mais lento em ROLAP, especialmente em níveis mais altos de agregação.
Armazenamento MOLAP ocupa mais espaço do que HOLAP como os dados são copiados e em níveis muito baixos de agregação ocupa mais espaço do que ROLAP.
ROLAP leva quase nenhum espaço de armazenamento, os dados não são duplicados.
No entanto, agregações ROLAP ocupam mais espaço do que MOLAP ou agregações HOLAP.
Todos os dados são armazenados no cubo MOLAP e dados podem ser visto, mesmo quando a fonte de dados original não está disponível.
Nos dados ROLAP, somente ligados à fonte de dados.
MOLAP pode manipular dados muito limitados.
As ferramentas OLAP (do inglês, Online Analytical Processing) são geralmente desenvolvidas para trabalhar com banco de dados de-normalizados, embora existam ferramentas que trabalham com esquemas especiais de armazenamento, com dados (informações) normalizados.
Essas ferramentas são capazes de navegar pelos dados de um Data Warehouse, possuindo uma estrutura adequada tanto para a realização de pesquisas como para a apresentação de informações.
Nas ferramentas de navegação OLAP, é possível navegar entre diferentes níveis de granularidades (detalhamento) de um cubo de dados. Através de um processo chamado Drill o usuário pode aumentar (Drill down) ou diminuir (Drill up) o nível de detalhamento dos dados. Por exemplo, se um relatório estiver consolidado por países, fazendo um Drill down, os dados passarão a ser apresentados por Estados, cidades, bairros e assim sucessivamente até o menor nível de detalhamento possível. O processo contrário, o Drill up, faz com que os dados sejam consolidados em níveis superiores de informação.
Outra possibilidade apresentada pela maioria das ferramentas de navegação OLAP é o recurso chamado Slice and dice. Esse recurso é usado para criar visões dos dados por meio de sua reorganização, de forma que eles possam ser examinados sob diferentes perspectivas.
O uso de recursos para manipular, formatar e apresentar os dados de modo rápido e flexível é um dos pontos fortes de um data warehouse. Essa característica faz com que a apresentação de relatórios na tela seja mais comum do que imprimi-los. Além disso, o usuário tem liberdade para examinar as informações que quiser de diversas maneiras e, ao final, pode imprimir e até mesmo salvar as visões mais importantes para uma futura consulta.

Data Mart (DM)

A criação de um data warehouse requer tempo, dinheiro e considerável esforço gerencial. Muitas companhias ingressam num projeto de data warehouse focando necessidades especiais de pequenos grupos dentro da organização. Estes pequenos armazenamentos de dados são chamados de Data Mart. Um data mart é um pequeno data warehouse que fornece suporte à decisão de um pequeno grupo de pessoas.
Algumas organizações são atraídas pelos data marts não apenas por causa do custo mais baixo e um tempo menor de implementação, mas também por causa dos avanços tecnológicos. Os data marts podem servir como veículo de teste para empresas que desejam explorar os benefícios do data warehouse.
É preciso ter em mente que as diferenças entre data mart e data warehouse são apenas com relação ao tamanho e ao escopo do problema a ser resolvido. Portanto, as definições dos problemas e os requisitos de dados são essencialmente os mesmos para ambos. Enquanto um data mart trata de um problema departamental ou local, um data warehouse envolve o esforço de toda a empresa para que o suporte à decisões atue em todos os níveis da organização. Sabendo-se as diferenças entre escopo e tamanho, o desenvolvimento de um data warehouse requer tempo, dados e investimentos gerenciais muito maiores que um data mart.
Por muitos anos, todos os sistemas que extraíam dados de sistemas legados e os armazenavam de maneira utilizável para suporte a decisões eram chamados de data warehouses. Ao longo dos últimos anos, tem sido feita uma distinção entre os data warehouses corporativos e os data marts departamentais, mesmo que geralmente o conceito ainda continue sendo chamado de data warehousing.
Os data marts atendem às necessidades de unidades específicas de negócios, ao invés das da corporação como um todo. Eles otimizam o fornecimento de informações de suporte à decisões e focam a gerência sumarizada e/ou dados exemplificativos ao invés do histórico de níveis atomizados. Eles podem ser apropriados e gerenciados por pessoal de fora do departamento de informática das corporações.
A crescente popularidade desses mal definidos data marts em cima da popularidade dos grandes sistemas de data warehouses corporativos é baseada em bons motivos:

Os data marts têm diminuído drasticamente o custo de implementação e manutenção de sistemas de apoio à decisões, colocando-os posto ao alcance de um número muito maior de corporações;
Eles podem ser prototipados muito mais rapidamente, com alguns pilotos sendo construídos entre 30 e 120 dias e sistemas completos sendo construídos entre 3 e seis meses;

 Os data marts têm o escopo mais limitado e são mais identificados com grupos de necessidades dos usuários, o que se traduz em esforço/equipe concentrados.

 Os departamentos autônomos e as pequenas unidades de negócios freqüentemente preferem construir o seu próprio sistema de apoio à decisões via data marts. Muitos departamentos de informática estão vendo a efetividade desta abordagem e estão agora construindo o data warehouse por tópico ou um data mart por vez, ganhando experiência gradualmente e garantindo o suporte dos fatores-chave de gestão e colhendo benefícios concretos várias vezes ao ano. Começando com planos modestos e desenvolvendo-os na medida em que se adquire mais conhecimento sobre as fontes de dados e as necessidades dos usuários fazem com que as organizações justifiquem os data marts na medida em que progridem.

Algumas vezes, projetos que começam como data warehouse transformam-se em data marts. Quando as organizações acumulam grandes volumes de dados históricos para suporte à decisão que se mostram pouco ou nunca utilizados, elas podem reduzir o armazenamento ou arquivamento de informações e contrair o seu data warehouse para um data mart mais focado. Ou elas podem dividir o warehouse em vários data marts, oferecendo tempos de resposta mais rápidos, acesso mais fácil e menos complexidade para os usuários finais.

Data Warehouse (DW)

Todos nós sabemos que os bancos de dados são de vital importância para as empresas e também estamos cientes de que sempre foi difícil analisar os dados neles existentes. Hoje em dia, as grandes empresas detêm um volume enorme de dados e esses estão em diversos sistemas diferentes espalhados por ela.
Assim, não conseguíamos buscar informações que permitissem tomarmos decisões embasadas num histórico dos dados. Por um outro lado, em cima desse histórico podemos identificar tendências e posicionar a empresa estrategicamente para ser mais competitiva e consequentemente maximizar os lucros diminuindo o índice de erros na tomada de decisão.
Por fim, introduziu-se um novo conceito no mercado, o Data Warehouse (DW). Este consiste em organizar os dados corporativos de maneira integrada, com uma única versão da verdade, histórico, variável com o tempo e gerando uma única fonte de dados, que será usada para abastecer os Data Marts (DM). Isso permite aos gerentes e diretores das empresas tomarem decisões embasadas em fatos concretos e não em intuições, cruzando informações de diversas fontes. Isso agiliza a tomada de decisão e diminui os erros. Tudo isso num banco de dados paralelo aos sistemas operacionais da empresa.
Segundo a (Aspect International Consulting, 1997), cerca de 88% dos diretores admitem que dedicam quase 75% do tempo às tomadas de decisão apoiadas em análises subjetivas, menosprezando o fato de que por volta de 100% deles tem acesso a computadores. Atualmente esse número deve ter diminuído, porque existem muitos Data Warehouses sendo utilizados.

O que é data warehouse?

Um Data Warehouse (ou armazém de dados, ou depósito de dados no Brasil) é um sistema de computação utilizado para armazenar informações relativas às atividades de uma organização em bancos de dados, de forma consolidada. O Data Warehouse é: Orientado a Assunto: A primeira característica de um Data Warehouse é que ele está orientado ao redor do principal assunto da organização. O percurso do dado orientado ao assunto está em contraste com a mais clássica das aplicações orientadas por processos/funções ao redor dos quais os sistemas operacionais mais antigos estão organizados.
Facilmente o mais importante aspecto do ambiente de Data Warehouse é que dados criados dentro de um ambiente de Data Warehouse são integrados. Sempre, com nenhuma exceção. A integração mostra-se em muitas diferentes maneiras: na convenção consistente de nomes, na forma consistente das variáveis, na estrutura consistente de códigos, nos atributos físicos consistente dos dados, e assim por diante. Não Volátil: sempre inserido, nunca excluído.
Variante no Tempo: posições históricas das atividades no tempo. O data warehouse possibilita a análise de grandes volumes de dados coletados dos sistemas transacionais (OLTP). São as chamadas séries históricas que possibilitam uma melhor análise de eventos passados, oferecendo suporte às tomadas de decisões presentes e a previsão de eventos futuros. Por definição, os dados em um data warehouse não são voláteis, ou seja, eles não mudam, salvo quando é necessário fazer correções de dados previamente carregados. Os dados estão disponíveis somente para leitura e não podem ser alterados. A ferramenta mais popular para exploração de um data warehouse é a Online Analytical Processing OLAP ou Processo Analítico em Tempo Real, mas muitas outras podem ser usadas.
Os data warehouse surgiram como conceito acadêmico na década de 80. Com o amadurecimento dos sistemas de informação empresariais, as necessidades de análise dos dados cresceram paralelamente. Os sistemas OLTP não conseguiam cumprir a tarefa de análise com a simples geração de relatórios. Nesse contexto, a implementação do data warehouse passou a se tornar realidade nas grandes corporações. O mercado de ferramentas de data warehouse, que faz parte do mercado de Business Intelligence, cresceu então, e ferramentas melhores e mais sofisticadas foram desenvolvidas para apoiar a estrutura do data warehouse e sua utilização.
Atualmente, por sua capacidade de sumarizar e analisar grandes volumes de dados, o data warehouse é o núcleo dos sistemas de informações gerenciais e apoio à decisão das principais soluções de business intelligence do mercado.
Segundo Inmon, Data Warehouse é uma coleção de dados orientados por assuntos, integrados, variáveis com o tempo e não voláteis, para dar suporte ao processo de tomada de decisão. Kimball define assim: é um conjunto de ferramentas e técnicas de projeto, que quando aplicadas às necessidades específicas dos usuários e aos bancos de dados específicos permitirá que planejem e construam um data warehouse.

O que data warehouse não é.

Produto: O Data Warehouse não é um produto e não pode ser comprado como um software de banco de dados. O sistema de Data Warehouse é similar ao desenvolvimento de um ERP, ou seja, ele exige análise do negócio, exige o entendimento do que se quer retirar das informações. Apesar de existirem produtos que fornecem uma gama de ferramentas para efetuar o Cleansing dos dados, a modelagem do banco e da apresentação dos dados, nada disso pode ser feito sem um elevado grau de análise e desenvolvimento.
A linguagem: O sistema de Data Warehouse não pode ser aprendido ou codificado como uma linguagem. Devido ao grande número de componentes e de etapas, um sistema de Data Warehouse suporta diversas linguagens e programações desde a extração dos dados até a apresentação dos mesmos.
Projeto: O sistema de Data Warehouse pode ser pensado mais como um processo. Ele também pode ser pensado como uma série de projetos menores que convergem para a criação de um único sistema de corporativo de Data Warehouse. Devido a natureza evolutiva do DW, é mais fácil aceitá-lo como um processo que está sempre em crescimento do que em um projeto com início-meio-fim, o que definitivamente ele parece mas não é.
Modelagem: O sistema de Data Warehouse não é somente um modelo de banco de dados e não é constituído por mais de um modelo. Existe o processo todo do sistema de BI/DW que compreende todos os procedimentos de ETL, Cleansing e apresentação das informações ao usuário final.
Cópia do sistema OLTP: Alguns acreditam que o sistema de Data Warehouse é somente uma cópia do sistema transacional existente na empresa. Assim como somente um modelo de dados não faz um sistema de BI/DW, uma cópia de um sistema transacional o faz menos ainda. Existem ferramentas que conseguem extrair dados dos sistemas transacionais existentes e criar relatórios a partir das informações coletadas, mas mesmo eles estão montando um pequeno conjunto de metadados e armazenando a informação em algum local.
O suporte às decisões usualmente requer dados consolidados de muitas fontes heterogêneas: essas podem incluir fontes externas, além de diversas bases de dados operacionais. As diferentes fontes podem conter dados de vários níveis de qualidade, ou representações de uso inconsistente, códigos e formatos, que precisam ser conciliados. Finalmente, o suporte a modelos de dados multidimensionais e operações típicas de OLAP requerem organização de dados especial, métodos de acesso e métodos de implementação, não geralmente providos por SGBDs comerciais, que focam OLTP. Por todas essas razões, os data warehouses são implementados separadamente de bases de dados operacionais.
Bases de dados operacionais são aqueles que possuem uma organização diária das operações de acesso e modificação. Os dados dessas bases de dados e outras fontes externas são extraídos usando-se gateways, ou interfaces externas padrão suportadas por SGBDs subordinados. Um gateway é uma interface de aplicação que permite que programas clientes gerem declarações SQL para serem executadas no servidor. Padrões tal como Open Database Connectivity(ODBC) e Open Linking e Embedding for Databases (OLE-DB) da Microsoft e Java Database Connectivity (JDBC) são emergentes para gateways.
Através dessas novas tecnologias como o Data Warehouse, permitirá aos administradores descobrir novas maneiras de diferenciar sua empresa numa economia globalizada, deixando-os mais seguros para definirem as metas e adotarem diferentes estratégias em sua organização, conseguindo assim visualizarem antes de seus concorrentes novos mercados e oportunidades atuando de maneiras diferentes conforme o perfil de seus consumidores.


Business Intelligence (BI)

Um dos principais conceitos disponíveis atualmente no que diz respeito a gestão empresarial é o Business Intelligence.
Inteligência é o resultado de um processo que começa com a coleta de dados. Esses dados são organizados e transformados em informações, que depois de analisadas e contextualizada se transforma em inteligência. Essa, por sua vez, quando aplicada a processos de decisão geram vantagem competitiva para a organização.
Conhecimento do negócio na era da competição global e das comunicações on-line, passou a ser chamado de Business Intelligence (BI).
É um processo organizacional pelo qual a informação é sistematicamente coletada, analisada e disseminada como inteligência aos usuários que possam tomar ações a partir dela.
Envolve a coleta, análise e validação de informações sobre concorrentes, clientes, fornecedores, candidatos potenciais à aquisição, candidatos à joint-venture e alianças estratégicas. Inclui também eventos econômicos, reguladores e políticos que tenham impacto sobre os negócios da empresa.
O processo de BI analisa e valida todas essas informações e as transforma em conhecimento estratégico.
Benefícios de um sistema de Business Intelligence:

• Antecipar mudanças no mercado;
• Antecipar ações dos competidores;
• Descobrir novos ou potenciais competidores;
• Aprender com os sucessos e as falhas dos outros;
• Conhecer melhor suas possíveis aquisições ou parceiros;
• Conhecer novas tecnologias, produtos ou processos que tenham impacto no seu negócio;
• Entrar em novos negócios;
• Rever suas próprias práticas de negócio;
• Auxiliar na implementação de novas ferramentas gerenciais.

Aprender sobre o ambiente competitivo externo, visando o conhecimento do posicionamento competitivo da empresa, o que impulsionará mudanças internas e facilitará decisões estratégicas.
É uma categoria mais ampla de aplicações e tecnologias para recolher, armazenar, analisar e dar acesso a dados para ajudar os usuários da empresa a tomar melhores decisões de negócios. Aplicações de BI incluem as atividades de sistemas de apoio à decisão, consulta e relatórios, processamento analítico online (OLAP), a análise estatística, previsão e mineração de dados.
A cada dia, aumentam as decisões empresariais, em número e complexidade. Os clientes exigem níveis mais elevados de serviço ao interagir com as empresas através de múltiplos canais, o que representa desafios técnicos e de negócio em toda a empresa. Como resultado, análise e business intelligence (BI) desempenham um papel central em uma estratégia de CRM abrangente.
A chave para prosperar em um mercado competitivo é ficar à frente da concorrência.
A análise dos dados, relatórios e ferramentas de consulta pode ajudar os analistas de negócios a percorrer um mar de dados para sintetizar a informação valiosa de que necessitam.

Uma referência anterior a inteligência, mas não relacionada aos negócios, ocorreu em Sun Tzu em a Arte da Guerra.
Salientou a importância de coletar e analisar informações. Sun Tzu afirmava que para ser bem-sucedido na guerra, o general deve ter pleno conhecimento de suas próprias forças e fraquezas, assim como total conhecimento das forças e fraquezas do inimigo. A falta de qualquer uma delas pode resultar na derrota.

Ter uma estratégia global de inteligência de negócios claramente escrita é fundamental para uma implementação bem sucedida de business intelligence.
Abaixo algumas situações onde o BI torna-se decisivo nos negócios.

Área Comercial
• Vendas;
• Estoques;
• Financeiro.

Área administrativa
• Contabilidade;
• RH;
• Tributário;
• Fiscal – que são módulos que o cliente poderá usar integrados ao seu escritório contábil.

Algumas Situações Reais área comercial

 VENDAS - O BI pode ser usado para:

• Identificar hábitos de consumo de seus clientes;
• Concentração de vendas em determinadas linhas de produtos;
• Níveis de descontos praticados, margens e prazo médio (de vendas e de compras);
• Tendências de vendas, de margens, antes que se consolide uma perda, possibilitando a reversão de situações desvantajosas em negócios!
• Avaliar o exato lucro de uma venda, ou de um vendedor/representante, ou linha de produtos através do Demonstrativo de Resultados Gerencial;
• Disponibilizar a equipe de vendas informações apuradas que resgatem negócios potenciais;
• Acompanhar a carteira de clientes por representante ou vendedor, mesmo após modificações da carteira, para se constatar se as modificações foram positivas;

 O BI ajuda a vender, ou melhor, ele vende!

• Simular vendas, observando o reflexo nas margens;
• Administrar seus vendedores ou representantes, acompanhando o desempenho das carteiras de clientes, mesmo em caso de alterações, incluindo margens, prazo médio, descontos, etc…
• Descobrir mercados perdidos e reconquista-los. Descobrir novos mercados;
• Mostrar quanto pode ser adicionado de receitas e em que condições;

Fazem parte dos pacotes de Business Intelligence existente: o Datawarehouse (DW), Sistemas de gestão integrados (ERP), ferramentas OLAP, Data Mining, Data Mart, CRM, dentre outros.


Tela de pesquisa “Ad Hoc”, através do uso de funções pré-definidas e critérios de seleção


Exportação de informações para planilhas


Geração de diversos Gráficos


Relatórios formatados com possibilidade de definição de quebras, subtotais e totais com escolha das colunas.


Definição de Favoritos e Visões Gerenciais por usuário, obtendo uma organização estruturada de informações.

Gerado automaticamente pelo Sadig Performance, com possibilidade de estabelecer relações de Causa e Efeito, e Alertas com ponderação dos indicadores

No futuro próximo, as informações de negócios serão mais democratizadas e os usuários finais de toda a organização serão capazes de visualizar as informações de seu segmento em particular para avaliar a sua performance. As exigências de recursos dos sistemas de BI irão aumentar da mesma forma que aumentarão as expectativas dos consumidores. Portanto, é imperativo que as empresas aumentem no mesmo ritmo, ou até mais rápido para continuarem competitivas.