ESTRATÉGIA DE REAÇÃO EM CALL CENTER: UMA PROPOSTA DE ARQUITETURA

  • 17,816 views
Uploaded on

RESUMO …

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.

More in: Education
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
No Downloads

Views

Total Views
17,816
On Slideshare
0
From Embeds
0
Number of Embeds
0

Actions

Shares
Downloads
179
Comments
0
Likes
1

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. i SABRINA MARIANA FREITAS COSTAESTRATÉGIA DE REAÇÃO EM CALL CENTER: UMA PROPOSTA DE ARQUITETURA FACULDADE DE TECNOLOGIA DE SÃO PAULODEPARTAMENTO DE TECNOLOGIA DA INFORMAÇÃO São Paulo 2011
  • 2. ii SABRINA MARIANA FREITAS COSTAESTRATÉGIA 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 PAULODEPARTAMENTO DE TECNOLOGIA DA INFORMAÇÃO São Paulo 2011
  • 3. iii
  • 4. 1AGRADECIMENTOS Neste trabalho foram descritos desde pequenas sugestões a grandes idéias.Apesar de todas as circunstâncias e contratempo agradeço imensamente a todosque me auxiliaram, em especial aos meus pais e toda minha família que, com muitocarinho e dedicação, não mediram esforços na ajuda em concretizar mais esta etapaem minha vida. Agradeço também ao Professor Doutor Silvio do Lago Pereira portodo apoio prestado, na orientação e incentivo dados a este trabalho que, só assim,tornaram possível sua conclusão.
  • 5. 2BANCA EXAMINADORA Professor Orientador: Dr. Silvio do Lago Pereira Professor 2: Prof. Dr. Kazuo Watanabe Professor 3: Profa. Me. Grace Anne Pontes Borges
  • 6. 3SUMÁRIO 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
  • 7. 4Referências ........................................................................................................... xii Apêndice A - Visão geral do Trabalho .............................................................. xiv
  • 8. 5LISTA 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
  • 9. 6LISTA 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
  • 10. 7LISTA DE ABREVIATURASBAM Monitoramento de atividades de NegóciosBI Business IntelligenceBPM Corporate Performance managementCEO Chief Executive OfficerCPM Corporate Performance ManagementCRM Customer Relationship ManagemenDW Data WarehouseDSS Decision Support SystemsEIS Sistemas de Informações ExecutivasFCS Fatores Críticos do SucessoMDX Multidimensional ExpressionsMPL Perceptron Multi-CamadasODS Operational Data StoreOLAP On Line Analytical Processing – Processamento On-line AnalíticoPA Posição de AtendimentoPE Elementos de ProcessamentoRNA Rede Neural ArtificialSAC Atendimento ao ConsumidoSIG Sistemas de Geração de RelatórioSSAS SQL Server Analysis ServicesSSIS SQL Server Integration ServicesSSRS SQL Server Reporting Services Forças (Strengths), Fraquezas (Weaknesses), OportunidadesSWOT (Opportunities).URA Unidade de Resposta Audível
  • 11. 8RESUMO No ambiente corporativo de Call Center, a alta competitividade no setor tornacada vez mais necessária a inovação tecnológica e dinamismo em sua gestão alémda redução de custos e menor tempo para a execução de soluções. Vale salientar aimportância da eficiência quanto às decisões tomadas na gestão de todos estesitens. Como solução para os problemas vistos, tais como: operacional, estratégico,má utilização das ferramentas disponíveis. Na execução das atividades de carátersolucionador este trabalho apresenta o conceito de Business Intelligence (BI)utilizado na análise, planejamento, gestão e estratégia. Também será aplicado oconceito Inteligência Artificial - Redes Neurais, aprimorando as análises e medidasutilizadas na gestão do setor operacional, além de propor uma arquiteturaestratégica que visa oferecer maior agilidade nas tomadas de decisões e na análisede problemas/ incidentes com medidas de caráter solucionador, a arquiteturaproposta vai além de índices estratégicos, garante a avaliação da estratégia queestá sendo tomados durante a gestão, tais pontos podem ser indicados como casode fracasso e sucesso no planejamento de qualquer empresa. Palavras-chave: Business Intelligence, Data Mining, Processamento Analíticoon-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 NãoSupervisionado,Aprendizado Supervisionado,Função Sigmoide (AtivaçãoLógica),Neurônio, Camada Escondida, Processamento Paralelo, Rede Neural, RedeNeural Artificial (RNA),Taxa De Aprendizado.
  • 12. 9 ABSTRACT In the call center corporate , high competitiveness in the sectorbecomes increasingly necessary technological innovation and dynamism inmanagement in addition to reducing costs and less time to implement solutions. It isworth mentioning the importanceof efficiency and of the decisions taken in themanagement 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 ofa solver this paper presents the concept of Business Intelligence (BI) used in theanalysis, planning, management and strategy. Also applied the concept ArtificialIntelligence - Neural Networks, improving analysis and measures used in managingthe operational sector, and to propose astrategic architecture that aims toprovide greater flexibility in decision-making and problem analysis / incident withmeasuresof character solver, the proposed architecture goesbeyondstrategic levels, ensures the evaluation of the strategy beingtaken during theadministration, such points can be suggested as a case of failure and success in anybusiness planning. Keywords: Business Intelligence, Data Mining, online analyticalprocessing(OLAP), Data Warehouse, data mart, operational data store (ODS), dataintegration, dimensional modeling, extraction transformation loading (ETL), datacubes, Multidimensional OLAP (MOLAP),strategic goal, strategic objective, strategicvision, learning algorithm, unsupervised learning, supervised learning, the sigmoidfunction (activation logic), neuron, hidden layer, parallel processing, neuralnetworks, artificial neural network (ANN), rate learning.
  • 13. 10INTRODUÇÃO Telemarketing consiste em um instrumento de “inteligência e informação” voltadopara atender demandas, cada vez maiores, onde o telefone deixa de ser apenas ummeio simples e barato para efetivar as vendas e passa a ser manuseado como umaferramenta de marketing mix, com benefícios de televendas agregando a capaci-dade de detectar necessidade, monitorar mercado, interagir com o cliente, realizarpós venda, pesquisa, propaganda de uma determinada empresa (Mancini, 2006). Recentemente, uma pesquisa publicada na rede de relacionamento Facebook1,naqual perguntava “Quando um operador de call center entra em contato, qual a suareação ?”, obteve a resposta de 46 usuários, mostrando-se que, ao seremabordadas por um operador de Call Center, 43% não compram nada por telefone e34% 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 ouausentes. O publico pesquisado 55% eram homens e 44% mulheres, obtendo assimum índice de 34% com atuação na área de tecnologia da informação, 23% na áreapedagógica, 23% não informam qual sua área e 20% atua em outras áreas. Apesquisa 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 públicoscom 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 aestratégia de telemarketing chegou a um ponto onde necessita de ações á seremtomadas, para melhorar a quantidade de vendas e diferencial na hora de oferecerum serviço. As empresas de Call Center precisam de potencial para ser bemsucedidas no mercado tão competitivo, necessitam aprimorar suas técnicas devendas 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: SabrinaMariana.
  • 14. 11 25 Quando um operador de call center entra em contato. Qual a sua reação ? 20 43% 34% 15 21% 10 19 16 5 10 2% 0 1 Geralmente Aceita a Escuta a proposta, mas Não é receptivo, sempre Não compra nada por Proposta. não compra. informa que não está telefone disponível. 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 dasempresas da atualidade é o desconhecimento... O Business Intelligence seempenha em eliminar as dúvidas e a ignorância das empresas sobre suasinformações, aproveitando os enormes volumes de dados coletados pelasempresas” (Gartner, 2004). Atualmente, sistemas informatizados de apoio à decisão são ferramentas valiosaspara empresas que necessitam de planejamento estratégico ágil, para obtenção deresultados efetivos em curto, médio e longo prazo. O uso da tecnologia BI vemcrescendo na mesma proporção em que as empresas necessitam facilitar seusprocessos de tomada de decisão como, por exemplo, análises e projeções. Apadronização e integração automáticas de informações provenientes de diferentessistemas, que se tornaram possíveis com o uso da tecnologia BI, possibilitamconfiabilidade e rapidez nos processos de análise de grandes volumes de dadospara extração de informações estratégicas para a tomada de decisão. Adisponibilidade destas informações estratégicas permite soluções lucrativas epromissoras para as empresas, favorecendo os executivos do negócio.
  • 15. 12 Objetivo Este trabalho tem por finalidade propor uma arquitetura para solucionar algunsproblemas no planejamento estratégico no ambiente de call Center, além de facilitaras análises, propor decisões e acompanhar o desempenho das ações perante osresultados, auxiliará a equipe de Planejamento nas estratégias que incluem medidasde monitoração a todo o processo de venda ou prestação de serviço. A arquiteturatambém pode inibir possíveis fraudes no setor operacional, além de dar ênfase nasmetas estabelecidas pelo cliente, gerando assim melhorias na qualidade do serviçoprestado, satisfação de clientes, lucro para os acionistas e, conseqüentemente,melhoria no ambiente de trabalho. Para tal finalidade é proposto uma arquitetura desistemas para automatizar as medidas aplicáveis de acordo com as estratégiaspreviamente formuladas. Para a execução das propostas citadas serão empregadosneste trabalho: Conceitos de Gestão de Conhecimento (FALCÃO & BRESCIANIFILHO Apud CARBONE Et Al., 2005), Planejamento Estratégico Nivem (2005),Estrutura do Ambiente de Business Intelligence (Inmon 2005; Kimball 1997) eTécnicas de Inteligência Artificial - focada para a gestão de negócios e, a exemplodeste ultimo item, Redes Neurais Artificiais (Braga 2000). No desenvolvimento do trabalho será considerada uma empresa do segmento deterceirização de serviços de Call Center para entidades como bancos e empresas detelefonia móvel ou fixa. Por motivos de sigilo comercial, neste estudo de caso, estaempresa será referenciada apenas como empresa X. Atualmente, a empresa X conta com um quadro de 5.000 colaboradores, sendoque 90% deles são operadores de telemarketing, que atendem a um total de 25campanhas do tipo ativo (oferecimento de produtos e serviços) ou receptivo (serviçode informações e solução de problemas). A missão desta empresa é “ser a melhorponte 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 concorrentesentre si). Na gestão estratégica da empresa X, a área de planejamento enfrentaproblemas como:  Muitas ações a serem administradas, com apenas seis integrantes na equipe.  Análises são parciais para relatório de desempenho de equipe ou para BI.
  • 16. 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 créditoativa, espera-se resolver ou diminuir a ocorrência destes problemas. Metodologia O estudo de caso é um tipo de pesquisa qualitativa amplamente desenvolvida naárea 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:
  • 17. 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.CapítulosA 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.
  • 18. 151 AMBIENTE DE CALL CENTER Neste capítulo, são apresentadas as origens do ambiente de Call Center, bemcomo os conceitos envolvidos na comunicação neste ambiente, a sua infraestruturae os seus principais elementos.1.1 As Origens Segundo (Mancini, 2006), em 1880, quatro anos após sua invenção, o telefone foiusado pela primeira vez no contexto de telemarketing. Neste ano, um fabricante dedoces resolveu usar o telefone para oferecer seus produtos a clientes potenciais.Para tanto, ele formou uma equipe com mais de cem pessoas que ficaramresponsáveis por cadastrar e contatar possíveis clientes para seus produtos. A partirdaí, o uso do aparelho de telefone no ambiente empresarial se expandiu e passou aabranger não apenas vendas, mas também cobranças, entre outras finalidades. Em1950, 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 eprodutos de empresas. Os donos destes veículos, além de ganhar brindes peloserviço prestado, ainda passavam a fazer parte do cadastro de mailing da empresa. Mancini (2009) relata a história da Ford que foi pioneira no investimento decampanhas de marketing por telefone, capacitando 15 mil donas-de-casa que, desuas próprias residências, efetuavam ligações para identificar o potencial decompradores de automóveis. Estudos realizados nos Estados Unidos na década de1970 comprovam que, nesta época, praticamente 50% dos americanos recebiamofertas de produtos e serviços por telefone. Na década de 1980, surge oficialmente otermo “telemarketing”. No Brasil, o setor de telemarketing inicia-se com a chegadadas empresas multinacionais americanas, crescendo 22% ao ano, uma taxa decrescimento muito acima da média de outros setores. Em 2000, este setorempregava 300 mil pessoas em mais de 130 mil pontos de atendimento espalhadospor todo o território nacional. Atualmente o conceito de telemarketing evoluiu para o modelo de Call Center, queintegra 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
  • 19. 16mantendo 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 meioutilizado, 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 suasfunções (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 eserviços (por exemplo), canal é considerado o telefone e receptor é o cliente.
  • 20. 171.2 A Infraestrutura É impossível falar de Call Center sem citar a necessidade de tecnologia nesteambiente. Neste setor, quanto mais uma empresa está equipada, melhores são osresultados 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 éa 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.
  • 21. 182 ESTUDO DE CASO Neste capítulo será apresentado o estudo de caso, detalhando sua estrutura eapontando os problemas identificados na empresa.2.1 Estrutura da Empresa A Empresa X, considerada como estudo de caso neste trabalho, atua no setor deterceirização de campanhas de Call Center de diversas outras empresas públicas eprivadas, industriais e comerciais. Cliente – Contratante Estrutura – Call Center – Visão Empresa Contratada Empresa Contratada Gerente de Gerente de Operações Planejamento Gerente de Recursos Humanos Coordenador de Coordenador de Operações Planejamento Administrativo - RH Supervisor Supervisor Supervisor Analista de Planejamento Recrutamento e Seleção Auditoria de Operador de Call Monitoração Qualidade Center Multiplicadores Estrutura – Call Center Visão Campanha – Determinada Entidade Área 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 deCall 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.
  • 22. 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.
  • 23. 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.
  • 24. 212.2 Regra de Negócio Para compreensão do ambiente como um todo, o cliente contratante fornece omailing mensalmente com a lista de consumidores/clientes. Conforme o Apêndice A,no ambiente operacional, o operador de Call Center entra em contato para fornecero cartão de crédito com base na listagem recebida, os produtos são pré-determinados de acordo com a renda e limite disponível. Em média um supervisorpossui quarenta operadores de telemarketing para incentivar e orientar, durante umcontato 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 paraefetuar a confirmação da compra. Após todo esse processo a equipe deMonitoração, escuta o contato e avalia a qualidade e clareza das informaçõespassadas ao consumidor. Toda e qualquer ligação para o consumidor deve definirum 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 statusgravado, ou seja, tabulado. A meta da campanha é definida pela entidade, tem como base o total de nomesenviados no mailing, além do total de operadores focados na campanha, a meta édividida entre equipes envolvidas e novamente dividida por quantidade deoperadores pagos pela entidade, em média os operadores devem entregar 120cartões vendidos, para uma campanha de quarenta pessoas cada equipe deveentregar 4.800 cartões, considerando dois turnos de trabalho, pode-se ter comobase uma meta de 9.600 cartões que devem ser vendidos no mês, seguindo oscritérios que as vendas não devem ser canceladas após entrega do cartão aoconsumidor. Um operador de Call Center trabalha por seis dias por semana, combase na meta deve vender cinco cartões por dia. Durante o mês a equipe deplanejamento acompanha o andamento da campanha como um todo, ossupervisores são responsáveis para acompanhar a meta de cada operador e auxiliarno que for necessário para atingir a qualidade. Quando uma campanha ou equipeestá com problemas para atingir a meta, exige que as áreas de planejamento juntocom equipe gerencial das operações criem uma ação motivacional, onde osoperadores de telemarketing obtenham mais resultados durante seu contato, ouseja, realizam mais vendas. A entidade paga um valor X por cada ponto de
  • 25. 22atendimento contrato, se a meta for atingida a empresa de Call Center recebe umvalor á mais, caso contrário apenas receberá os honorários por serviço prestado. Atualmente cada vez mais há dificuldade para atingir uma meta, para todo oambiente 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 Excelonde 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 eficazquanto às informações fornecidas pelo sistema quanto às ações de planejamento. Toda a ação realizada no Ambiente Operacional é gravada em um Banco deDados Transacional, analisando o modelo de dados do sistema legado existente noestudo de caso referenciado, os relatórios apenas listam as informações de vendaspor operadores e qual o tipo de produto comprado. A necessidade gerencial precisater uma visão voltada para o futuro, com base fatos históricos, mas não é viável ageração de tantos relatórios diariamente onde a informação não será essencial.
  • 26. 232.4 Arquitetura de Processamento2.4.1 Ambiente Atual A estrutura do ambiente atual está apresentada na Figura 3, apresenta somenteum servidor para o ambiente de produção, não contendo nenhum de contingência,pois há um servidor somente para extração de relatório pôr são apenas replicadasas tabelas essenciais para o relatório. Para o servidor de Data Warehouse suportatodo o processamento do BI, executado alimentação das tabelas somente durante amadrugada e o processamento do cubo após tal processamento, com este ambienteapenas permite análise de dados, baseando-se em D-1, ou seja, somente com datae status do dia anterior. SQL Server Replicação Parcial BD Transacional Replicação - Relatório Processamento de informação SQL Server BD Transacional Produção SQL Server Data Warehouse Usuário Consulta Excel Figura 3: Arquitetura Ambiente Atual. Fonte: Estrutura dos servidores na empresa X. Autora: Sabrina Mariana.
  • 27. 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.
  • 28. 253 PLANEJAMENTO ESTRATÉGICO E GESTÃO DE CONHECIMENTO Neste capítulo é abordada a necessidade de excelência operacional que leva ànecessidade de planejamento estratégico. Sem objetivos e metas, não é possívelguiar as ações da empresa, no sentido de obter os resultados esperados; não hácomo identificar oportunidades, nem avaliar ações alternativas para melhordesempenho na obtenção de resultados. Muitas definições podem ser dadas para otermo “planejamento estratégico”; porém, basicamente, todas elas relacionam estetermo com a resposta da pergunta “Onde desejamos estar no futuro?”.3.1 Planejamento Tipicamente, o planejamento estratégico inicia após a definição da missão e dasmetas da empresa. A partir daí, planos estratégicos são traçados para as unidadesde negócios da empresa, ou unidade funcionais. Independentemente do nível noqual o planejamento estratégico é elaborado – nível da empresa como um todo,nível das unidades do negócio, ou no nível das unidades funcionais – este deveconsiderar 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.
  • 29. 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 sãoresultantes 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.
  • 30. 273.1.2 Medida de Desempenho A estratégia tratada na pesquisa será aplicada á sistemas de medida dedesempenho, de acordo com Simons (2002), tratam como medidas de comparação,na qual auxiliam os gerentes á identificar as implementações á estratégica denegócio, com análise dos resultados reais e tem como base as metas e objetivos. Oprojeto da pesquisa permitirá a medida de desempenho englobando os métodossistemáticos 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 acampanha trata-se de telemarketing ativo ou receptivo, definir o produto ou serviço áser vendido, possuir o acompanhamento após recebimento do produto ou realizaçãodo serviço, considerada como pós-venda. Atualizar o cadastro do consumidor e teracompanhamento de contatos (follow-up). A análise de custo e benefícios emcomparação ao desempenho com outras campanhas pode auxiliar na sintonia dotrabalho com equipe e atingir o objetivo da campanha, ou seja, atingir a metaproposta pelo cliente. Para empresa de terceirização do serviço de Call Center, os recursos alocados equalificação dos membros faz a diferença nas metas estabelecidas pela entidade, osobjetivos sempre são quantitativos com metas de curto, médio e longo prazo, sendoassim é possível avaliar o retorno, desafio e efetuar correções estratégicas.
  • 31. 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 ativaou receptiva. Durante o planejamento, devem ser respondidas as perguntas básicasquanto 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.” 2 Dicionário Houaiss “Conhecimento consiste em uma crença verdadeira e justificada.” 3 Platão – 428 A.C. a 347 A.C. 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 serviçooferecido, também tem maior facilidade de administrar as estratégias necessáriasem uma campanha, como identificar o perfil da equipe de operador e cruzar com operfil 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
  • 32. 293.2.1 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 doconhecimento 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.
  • 33. 304 INTELIGÊNCIA EMPRESARIAL O capitulo terá como objetivo abranger tecnologias que auxiliam para tomadas dedecisões corporativas, para os executivos mais experientes, o gerenciamento datomada de decisões pode ser extremamente facilitado com uso de ferramentasinformatizadas. Hoje as empresas estão informatizadas ao ponto de exigir sistemaspara análise de desempenho, que consistem em sistemas distribuídos, com acessoa extranet e à internet, que podem ser acessados de qualquer lugar. A integraçãodos sistemas auxilia cada vez mais a comparação e análise de dimensões distintasno mundo do negócio.4.1 CRM CRM (Customer Relationship Management – Gestão de Relacionamento com oCliente) está ligado a hábitos de compras, ao individuo, ou público alvo de algumaentidade. Sistemas que possibilitam que as empresas projetem o futuro potencial decada 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, desempenhonos negócios, atendimento ao cliente. Para conhecer os clientes com base no histórico de compra ou opções nomercado, aplica-se o conceito de Data Warehouse, conforme Figura 4. Dados do CRM Data Warehouse – Operacional DW Integração e análise de dados CRM Figura 4: CRM X DW Fonte: Machado (2008 p 18)
  • 34. 314.2 Data Warehouse Data Warehouse (DW) é uma coleção de dados projetada para oferecer suporteà tomada de decisões, contém variedade de dados que representam as condiçõesda empresa em um determinado ponto no tempo. A estrutura técnica de um DW é um banco de dados (armazém de dados) quecontém as informações do sistema, incluindo dados históricos, aparentemente on-line, porém é montada e organizada em uma forma que oferece rapidez e eficiêncianas consultas, análise e suporte à decisões. De acordo com BILL IMON (1987) eRALPH 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 éfundamental. Por exemplo, no sistema de cadastro de clientes de uma determinadaentidade, 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 suarepresentação (Figura 5). Essa informação pode contribuir para análise e tomada de
  • 35. 32decisão do tipo: funcionárias são mais efetivas em vendas com clientes do sexomasculino, então é melhor destinar somente contatos de clientes do sexo masculinopara as funcionárias. O sistema transacional coorporativo tem como foco o projeto de banco de dados eo 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 bancode dados. 1 – Feminino / 2- Masculino BD Cadastro de Funcionários Mineração de Dados Extração DW Filtro “F” – Feminino BD Cadastro de Clientes ( Mailing ) “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;
  • 36. 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 deferramentas que envolvem desde a carga até o processamento de consultas, comorepositório de dados, como Data Warehouse e Data Mart, são divididas em doisgrupos de ferramentas:
  • 37. 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 graude acessibilidade, com base na necessidade da empresa como um todo. Habilitaque os usuários tenham a visão corporativa de dados, normalmente são requisitosde negócio, entretanto esse tipo de ambiente consome tempo e administração e comcusto mais alto. Para a mineração de dados é utilizado o Operational Data Store (ODS)4 queconsiste numa base de dados que compartilha dados de ambiente de produção. Naarquitetura 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 resultadosoperacionais em determinado momento de tempo, na qual foram capturados –dados do DW são classificados como snapshot, ou seja, um conjunto estático deregistros de uma ou mais tabelas, capturados em um determinado momento. O dadode um sistema transacional reflete o valor corrente, a exatidão é válida, mas podeser alterado, logo atualizado. Na aplicação DW a dimensão "Data" é extremamenteimportante e de grande valia para a realização de análises. Nesta dimensão pode-seconsultar os dados armazenados por um período de até 10 anos, com seusrespectivos históricos previamente datados e detalhados.4.2.4 Modelagem Multidimensional Uma técnica de concepção e visualização de um modelo de dados de umconjunto de medidas que apresentam aspectos comuns de negócios sumariza aestrutura de dados para serem visualizados nas análises. O modelomultidimensional 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.
  • 38. 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. Ano Trimestre Mês Semana Dia 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 umconjunto de pontos fundamentais no projeto de uma estrutura de DW, chamado deponto de decisão, constituem em definições que correspondem a etapa do projeto:
  • 39. 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. Essametodologia segue a linha de top down, pois começa identificando os grandes pro-cessos da empresa, mapeando esses processos de negócio. O modelomultidimensional é facilmente representado como um cubo. A Figura 8 apresenta umfato vendas por meio de um cubo. Figura 8: Representação de um fato de vendas por meio de um cubo. Fonte: MACHADO (2008 p 82).
  • 40. 37 Medida do volume de vendas é determinada pelas dimensões: localização,produto e tempo. A dimensão localização e produto possuem dois níveis dehierarquia. Cada sub-cubo possui o valor da medida d quantidade de venda. A denominação CUBO trata-se apenas da aproximação da forma como os dadosestão organizados, mas não representa a expressão de uma realidade. O processode analise para saber as vendas totais classificadas por região de venda pode servisualizado 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, sendoassim 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.
  • 41. 384.2.5 Estrutura Multidimensional Existem diversos modelos de dados multidimensionais, para aplicação do trabalhoserá apenas detalhado o modelo que será aplicado na arquitetura OLAP. Modelo Star ou Estrela: Trata-se de uma estrutura básica de um modelo dedados Multidimensional, sua composição possui uma grande entidade centraldenominada fato (fact table) e um conjunto de entidades menores denominadasdimensões (dimension table), organizadas visualmente ao redor dessa entidadecentral, formando uma estrela conforme Figura 9, já representando o ambiente daaplicação. Dimensão de Tempo Dimensão Cliente Dimensão Região Fatos de Vendas Dimensão Vendedor Dimensão Produto 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 asdimensões: vendedor, cliente, produto, região e tempo. Os relacionamentos entre asentidades fato e as dimensões são simples ligações entre as duas entidades em umrelacionamento de uma para muitos no sentido da dimensão para o fato.
  • 42. 394.2.6 Storage Modes As agregações são valores de medidas somando com diversos cruzamentospossíveis de dimensões de um cubo, as informações dos cruzamentos ficamarmazenadas não havendo necessidade de recalcular o cruzamento dos dados,possibilitando uma análise e pesquisa rápida. Quando é criado um cubo deve serinformada a forma que será armazenada. Na ferramenta de Analysis Services,plataforma Windows, tem opção de MOLAP, ROLAP e HOLAP como forma dearmazenamento, o armazenamento utilizado na aplicação proposta no trabalho seráa MOLAP, uma breve classificação de ROLAP e HOLAP está disponível no próximaseção 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 domodelo relacional, e sim multidimensional. Considerado mais comum para soluçõesOLAP que apresenta melhor desempenho, a única desvantagem é o processamentoconstante do cubo – quando o DW é atualizado, para que os dados sejamvisualizados é necessário processar o cubo, neste processo é agregado aos novosdados.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 naTabela 3. ClassificaçãoFerramenta Armazenamento acessível – Storage Mode OLAP ROLAP Relacional Relacionais. Multidimensionais – por meio de cubos e MOLAP Multidimensional 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).
  • 43. 404.2.8 Data Marts O DW une todos os bancos envolvidos de uma empresa, o Data Martnormalmente é menor, trata assunto ou departamentos específicos, pode serconsiderado 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 dequalidade.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, paragarantir segurança de dados, sigilo na estratégia de cada cliente/entidade seráutilizado a arquitetura de Data Mart independente, ou seja, para cada campanhaserá criado um repositório de dados – DW, assim extraído para o conceito de DataMart.
  • 44. 414.2.10 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 análisehistóricos com enfoque no futuro. Sua finalidade é facilitar a análise em grandesdimensões no armazém de dados, identificando significativas correlações, padrões etendências.4.2.11 Histórico e Definição – Business Intelligence De acordo com a definição do livro Business Intelligence – TURBAN, CsShardamAronzon, King – Business Intelligence (BI) é um termo considerado “guarda-chuva”,foi batizado o termo por volta de 1990, pela Garner Group - empresa de consultoriafundada em fundado em 1979 por Gideon Gartner, mas aplicabilidade teve iniciomuito antes, nos sistemas de geração de relatório (SIG) por volta de 1970, nesteperíodo os relatórios eram estáticos, bidimensionais e não permitia recurso deanálise. No início de 1980, surgiu o conceito de sistemas de informações executivas(EIS), expandiu o suporte computadorizado aos gerentes e executivos de nívelsuperior, os recursos foram os sistemas de relatórios dinâmicos multidimensionais ,prognósticos e previsões, análise de tendências , detalhamento, acesso a status efatores críticos de sucesso, até no meio da década de 1990 os recursos apareceramem dezenas de produtos comerciais, após esses recursos e novas funcionalidadesderam origem ao conceito de BI. Atualmente reconhece que as informações na qualos executivos necessitam podem ser fornecidas pela arquitetura BI. Em 2005,aprimorou os recursos do BI interagindo com o conceito dá inteligência artificial. Agrande vantagem do BI é fornecer as informações que uma empresa precisa quandonecessário, podendo ser em tempo real para análise de desempenho corporativo.(THOMPSON 2004) Apontou que as áreas mais comuns de aplicação BI sãorelatórios gerais, análise de vendas e marketing, planejamento e previsão,consolidação financeira, relatórios regulamentares, orçamento e análiserentabilidade. 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.
  • 45. 42 O processo de criação de inteligência inicia na identificação e priorização deprojetos específicos de BI nas organizações. O processo cíclico com uma seria deetapas inter-relacionadas, a principal etapa é a análise onde são convertidos osdados em informações, na qual dará suporte na decisão. Com o DW é definido acriação da inteligência, começa pela identificação e prioridades definidas no BI, ondecada projeto pode ser examinado os custos em relação ás fases em geral, permite aestimativa 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.
  • 46. 434.2.12 Comunidade de Usuários de BI A comunidade de usuários de BI é grande e diversificada, o sucesso de análisesdepende em parte quais as pessoas na organização fariam uso. A Tabela 4representa diferentes usuários que utilizam a ferramenta de acordo com o estudo decaso. Clientes De Extranet: Tipos De Usuários Gerentes Equipe De TI Executivos Informação Parceiros, Usuário Avançados Funcionais Esporádicas Consumidores Número de Dezenas e Centenas e Centenas e Poucos Dezenas Dezenas usuários centenas milhares milhares Desenvolvedor Consulta Administrador, Ad hoc, Dashboard Relatórios Metadados, DadosFerramentas Relatórios de Indicador, Planilha Relatórios de Segurança, Relatóriose Funções de OLAP, Data Relatórios Visão de Planilha gerenciamento, Acompanhamento. BI Mining, de COM e OLAP, BAM, Consultas. Aplicações e Análise PM. COM. Integração. Avançada. Valor Baixo Alto Muito Alto Médio Baixo AltoEstratégico Tabela 4: Correspondência entre tipos de usuários e funcionalidades. Fontes: Compilado de Gartner Inc. (2004) ; Imhoff e Petti (2004).
  • 47. 445 INTELIGÊNCIA APLICADA AO NEGÓCIO Neste capitulo será apresentado os conceitos de redes neurais, tais como seuprocessamento 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 NeuraisArtificiais (RNAs), conhecida como conexionismo ou sistemas de processamentoparalelo e distribuído, que constitui em uma alternativa à computação algorítmicaconvencional (Braga, 2000). Redes neurais representam uma metáfora do cérebro para processamento dainformação, são biologicamente inspirados e não são uma réplica exata de como océrebro realmente funciona. O cérebro humano tem em torno de 10 bilhõesneurônios, as funções e movimentos do organismo estão relacionados aofuncionamento destas pequenas células. Os neurônios estão conectados uns aosoutros através de sinapses, e juntos formam uma grande rede, cada rede contémalguns milhares de neurônios interconectados, o cérebro pode ser visto como umacoleção de redes neurais. Uma parte da rede é composta por duas células quecompõe:  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 umimpulso é recebido, o neurônio o processa, e passado um limite de ação, dispara umsegundo impulso que produz uma substância neurotransmissora o qual flui do corpocelular para o axônio. Os sinais podem ser transmitidos inalterados, ou seremalterados 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.
  • 48. 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, acomputação é uma metodologia de reconhecimento padrão para aprendizado damáquina. A aplicabilidade tem sido usada para reconhecimento de previsão,predição e classificação. Computação de rede neural é o principal componente dequalquer conjunto de ferramenta de Data Mining, na qual será aplicado o conceitopara desenvolvimento do sistema no decorrer do trabalho. O cérebro humano possui recursos para o processamento da informação eresolução de problemas com os quais computadores não conseguem competir emmuitos aspectos. Redes neurais biológicas são compostas de muitos neurôniosbiológicos primitivos interconectados, cada neurônio possui axônios e dendritos,semelhantes a dedos que permitem ao neurônio comunicar-se com seus neurôniosvizinhos através da transmissão e do recebimento de sinais químicos e elétricos. ARNA é composta de elementos de processamento simples e interconectadoschamados neurônios artificiais. No processamento os elementos em uma RNAfuncionam de maneira simultânea e coletiva em um modo semelhante aos neurôniosbiológicos. A RNA possui algumas características similares àquelas das redesneurais biológicas, como os recursos de aprendizagem, auto-organizaçãointolerância ao erro. Os conceitos neurais geralmente são como simulações desoftware dos processos paralelos que envolvem os elementos de processamento emuma arquitetura de rede. O neurônio artificial recebe sinais de entrada análogos aosimpulsos eletroquímicos que os dendritos dos neurônios biológicos recebem de
  • 49. 46outros neurônios. Os sinais de saída do neurônio artificial correspondem aos sinaisenviados do neurônio biológico através do seu axônio. Os sinais artificiais podem sermudados pelos pesos, de maneira semelhante às mudanças físicas que ocorremnas 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 domíniosde problema, pois emula estruturalmente o cérebro humano, a maneira na qual omodelo neural processa as informações e como os modelos neurais aprendem aexecutar as tarefas designadas, conforme Figura 12, os neurônios artificiais recebema “informação” total de outros neurônios ou estímulos externos de entrada, realizamtransformações nas entradas e, então, passam a informação transformada paraoutros neurônios ou estímulos externos de saída. Isso é semelhante como o cérebrohumano funciona, passando a informação de um neurônio para outro de umamaneira de ativar ou desencadear uma reação de determinados neurônios com basenas 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 mundobiológico para melhorar a estrutura dos computadores. A tecnologia de RNA é usadapara processamento de informações complexas e inteligência de máquina. Por outrolado, as redes neurais também podem ser usadas como modelos biológicos simplespara testar hipóteses sobre processamento de informação neuronal biológico “real”.No contexto de Data Mining o uso das redes neurais para aprendizado de máquina eprocessamento de informação, está descrito na tabela 5, breves conceitos.
  • 50. 47 Biológica Artificial Corpo Nó Dendritos Entrada Axônio Entrada Sinapse Peso Velocidade Baixa Velocidade Alta Poucos Neurônios (Dezenas à Muitos Neurônios (10º) centenas de milhares ) Tabela 5: Comparação Redes Biológicas X Artificiais. Fontes: L. Medsker e J. Liebowitz, Design and Development of Expert Systems and NeuralNetworks, Macmillan, New York, 1994, p.163; e F. ZAHEDI, Intelligent Systems for Business: ExpertSystems with Neural Networks, Wadsworth, Belmont, CA, 1993. As redes neurais podem ter uma ou mais camadas de neurônios e podemaltamente ou completamente interconectados, ou somente camadas específicaspodem estar conectadas. As ligações entre neurônios têm um peso associado, oconhecimento que a rede possui é avaliado nesses pesos de interconexão. Cadaneurônio calcula m total ponderado dos valores de entrada do neurônio, transformaessa entrada e repassa seu valor neural como entrada para os neurôniossubseqüentes, ás vezes a transformação da entrada/saída no nível individual doneurônio é feito de modo não-linear.5.1.1 Elementos de RNA Uma rede neural é composta de elementos de processamento organizados dediferentes maneiras para formar a estrutura da rede. A unidade básica deprocessamento é o neurônio. Uma série de neurônios está organizada dentro deuma rede. Existem muitas formas de organizar os neurônios; elas são referidascomo topologias. Uma abordagem popular, conhecida como o paradigma da retropropagação, permite que todos os neurônios liguem a saída em uma camada àentrada da camada seguinte, mas não permite qualquer ligação de feedback.(Haykin, 1999).
  • 51. 485.1.2 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 deprocessamento 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 camadasapresentado na Figura 13 - Rede neural com uma camada escondida - pode serorganizada de várias maneiras e são interconectados de diferentes formas. Quandoa informação é processada é calculado os elementos do processamento, taiselementos são paralelos como o cérebro funciona, e difere do processamento serialda computação convencional. A camada escondida é uma camada de neurônios querecebe entradas provenientes da camada anterior e as converte em saídas paranovo processamento, podem ser colocadas entre as camadas de entrada e saída. Acamada escondida converte entradas em uma combinação não-linear e transfere asentradas transformadas para a camada de saída, pode-se interpretar como ummecanismo de extração de atributos, na qual, converte as entradas originais noproblema em algumas combinações de alto nível de tais entradas. Figura 13: Rede neural com uma camada escondida. Fonte: Turban (2008 p W6-9)
  • 52. 49 Ao analisar a Figura 13 - Rede neural com uma camada escondida, quando édeterminada 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
  • 53. 50Figura 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).
  • 54. 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, realizadaantes que as saídas alcancem o próximo nível. Sem essa transformação, o valor dasaída torna-se muito grande, especialmente quando existem diversas camadas deneurônios, 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 retropropagação, memória associativa e rede recorrente indicada na Figura 13 -Redeneural com uma camada escondida, outras são representadas na Figura 17 e 18.
  • 55. 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 tarefapara a qual foi programado normalmente são modelos multicamadas nos quais ainformação é passada de uma camada para outra, com o objetivo de mapear umaentrada para uma rede para uma categoria específica, conforme identificado pelasaída da rede, ou pode ser usado um modelo neural usado como otimizador podeser uma única camada de neurônios, altamente interconectada, e pode calcularvalores de neurônio repetidamente até que o modelo convirja a um estado estável,ou seja, representaria uma solução ideal para o problema sob análise.
  • 56. 53 Uma rede é treinada para executar a tarefa designada é outra característica domodelo 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 eprevisão, na qual, consistem de múltiplas camadas de neurônios são as redesneurais progressivas com multicamadas, nelas a informação é passada por em umaúnica direção, das camadas de entrada da rede, através de uma ou mais camadasescondidas, em direção à camada de saída dos neurônios, para os neurônios decada camada estão conectados aos neurônios da camada subseqüente. Oprogressivo Perceptron Multicamadas (MLP) trata-se do modelo neural paraproblemas de classificação, são redes que avaliam os elementos de processamento,de modo supervisionado são compostos de uma ou mais camadas de nós, entre osnós de entrada e saída. Na Figura 13 - Rede neural com uma camada escondida, osnós de entrada representam onde a informação é apresentada à rede, os nós desaída fornecem a “decisão” da rede neural, os nós escondidos contêm omapeamento adequado das entradas até as saídas, por meio dos pesos deinterconexão, podem ser consideradas como decisões.
  • 57. 54 No aprendizado supervisionado, o processo de aprendizagem é indutivo, onde ospesos de conexão são obtidos de casos existentes. O processo de aprendizagemnormal 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 deaprendizagem começa pela determinação dos pesos de conexão, através de regrasou 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 éminimizar o delta que é feito pelo ajuste dos pesos da rede, tal solução pode alteraros pesos na direção certa, fazendo mudanças que reduzam o delta. Oprocessamento de informação com uma RNA tem uma tentativa de reconhecerpadrões de atividades. Nas fases de aprendizagem, os pesos de interconexãomudam em resposta aos dados de treinamento apresentados ao sistema. RNAsdiferentes calculam o delta de maneiras diferentes. O processo de Aprendizado na rede artificial tem como base um único neurônioque 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 eclassificá-los de modo a fornecer rápidas correspondentes, é repetido até que os
  • 58. 55pesos convirjam a um conjunto uniforme de valores que permitam aos neurôniosclassificar corretamente cada uma das quatro entradas. Ao calcular as saídas, umamedida do erro (delta) entre a saída e os valores desejados é usada para atualizaros pesos, reforçando posteriormente os resultados corretos. Em qualquer passo doprocesso para um neurônio j, conforme a formula: Onde Z e Y são, respectivamente, as saídas desejadas e reais. Portanto, ospesos 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 nosvalores de peso, resultando reprocessar os valores de peso possíveis e nunca atingiro ideal. Uma taxa de aprendizado muito baixa pode desacelerar o processo deaprendizagem. As implementações do processo de aprendizagem incluem oparâmetro de contrabalanceamento - momentum para fornecer um equilíbrio à taxade aprendizado. A taxa de aprendizado procura corrigir o erro, o momentum procuradesacelerar o aprendizado. Os valores iniciais dos pesos para cada entrada sãotransformados usando a equação mostrada anteriormente, na qual, determina osvalores que serão usados com a próxima entrada. Nos passos subseqüentes, oalgoritmo de aprendizado melhora os resultados, até que finalmente cria um conjuntode pesos que fornece os resultados corretos. Uma vez determinado, um neurôniocom 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 deimplementar um treinamento supervisionado para redes neurais progressivas. É umatécnica iterativa do gradiente descendente planejada para minimizar uma função deerro entre a saída real da rede e sua saída desejada, o ajuste dos pesos deinterconexão, que contêm a função de mapeamento, começa no nó de saída onde a
  • 59. 56medida de erro é inicialmente calculada e propagada de volta através das camadasda rede, em direção a camada de entrada. (PRINCIPE et al., 2000), Uma rede de retro propagação inclui uma ou maiscamadas escondidas. Esse tipo de rede é considerado progressivo porque não háinterconexões entre a saída de um elemento de processamento e a entrada de umnó na mesma camada ou em uma camada anterior. Padrões corretos externamentefornecidos são comparados à saída da rede neural durante o treinamento(supervisionado), o feedback é usado para ajustar os pesos até que a rede tenhacategoriza do todos os padrões de treinamento o mais corretamente possível. Tendo como inicio uma camada de saída, os erros entre as saídas reais edesejada são usados para corrigir os pesos das conexões da camada anterior(Figura 20). Para qualquer neurônio de saída j, o erro (delta) = ( – ).(df / dx), ondeZ 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 oneurônio, trata-se de uma maneira eficaz de calcular a saída de um neurônio naprática. Essa função é derivada da função sigmóide df/dx = f(1 – f) e o erro são umasimples função das saídas desejada e real. Figura 20: Retropropagação de erros para um único neurônio. Fonte: Turban (2008 p W6-19).
  • 60. 57 A função logística f(1 – f) serve para manter a correção do erro, os pesos decada entrada para o jº neurônio são, então, mudadas em proporção ao errocalculado. 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 realharmonizem com qualquer tolerância predeterminada tal processo é repetido. Osrequisitos de cálculo para uma repetição, em uma rede grande pode levar muitotempo para ser treinada; por isso, em uma variação, um conjunto de casos éexecutado progressivamente e um erro agregado é inserido retroativamente paraacelerar o aprendizado.5.1.6 Desenvolvimento de sistemas baseados em Redes Neurais Para o desenvolvimento de sistemas baseados em Redes Neurais é necessário àrealização de uma análise de viabilidade, considerado as etapas são gerais paraqualquer sistema de informação, para a aplicação de RNA inclui nove etapas nodesenvolvimento do projeto, conforme Figura 21.
  • 61. 58 Pegar um número maior De dados melhores Coletar dados 1 Separar Novamente Separar em conjuntos de treinamentos e teste 2 Redefinir a Estrutura Definir Estrutura de Rede 3 Selecionar outro algoritmo Selecionar um algoritmo de 4 aprendizado Reiniciar Determinar Parâmetros e valores, zerar os pesos 5 Transformar dados em entradas de rede 6 Reiniciar Começar o treinamento e determinar e revisar os pesos 7 Para e testar 8 Implementação: Usar a rede com novos 9 casosFigura 21: Fluxograma do processo de desenvolvimento de uma RNA. Fonte: Turban (2008 p W6-21).
  • 62. 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
  • 63. 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.
  • 64. 616 ARQUITETURA PROPOSTA Neste capítulo será apresentada tanto a arquitetura quanto a aplicação propostacom objetivo propor uma solução para os problemas apresentados no estudo decaso.6.1 Introdução Com base no estudo de caso descrito no inicio do trabalho, o foco será auxiliar natomada de decisões, que a equipe de planejamento exerce nas operações de CallCenter envolvidas. A aplicação primeiramente deve ser parametrizada com oseventos de monitoramento, ou seja, o analista de planejamento irá cadastrar todasas ações que podem indicar fator de risco e exige mudança de estratégiaoperacional como: número muito baixo de vendas efetuado no dia, quando hádificuldade de localizar o cliente, ou seja, número elevado de ligações nãoatendidas, até mesmo para tempo médio de ligação muito elevado e/oucaracterísticas que podem indicar fraudes operacionais. Após finalizar o cadastro deações, o sistema irá monitorar os dados de entrada que estarão sendo processados,quando atingir o valor parametrizado será gerado um alerta. Um exemplo que podeser citado, a aplicação permitirá o cadastro de um alerta com a regra no Estado deSP, onde no período de 10h ás 18h de segunda á sexta-feira, se houver mais de 400ligações 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 nãocontatados na base de São Paulo. Gerado o alerta, a equipe deve verificar aanormalidade para atuar com medidas solucionadoras pré-estabelecidas nodesenvolvimento estratégico, cada alerta gerado será aberto um incidente de alerta,onde após estratégia da equipe planejamento, deve ser encerrado o incidente com adescrição 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 descreverqual a melhor forma de tratar o alerta gerado, tal indicação tem como base seuhistórico de incidentes tratados. Ainda neste capítulo serão apresentados todos ositens da arquitetura proposta.
  • 65. 62 Neste trabalho, serão identificadas as necessidades para análise de desempenhooperacional, assim permitirá detalhamento da estrutura proposta. ConformeApêndice 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 deanálise da campanha. O cubo será disponibilizado para área de planejamentoefetuar suas analises. Todas as dimensões do cubo permitirão parametrizações demonitoramento, assim o acompanhamento das ações com base em problemas Xsoluções imediatas ficará eficaz, através dos alertas que serão gerados.6.1.1 Ambiente Proposto Na Figura 22, seguindo o processamento da informação, é representado umabreve funcionalidade de cada servidor. SQL Server Replicação BD Transacional Replicação - Relatório SQL Server Processamento de informação BD Transacional SQL Server Produção Data Warehouse Consolida Dados Consulta SQL Integration Service Modelo Dimensional Modelo Dimensional Consulta SQL Report Service SQL Server Data Mart Http:// Carga para o Cubo Report Builder Analysis Services Usuário Consulta Excel Figura 22: Arquitetura do Ambiente Proposto. Fonte com adaptações: http://msdn.microsoft.com/pt-br/library/cc517991.aspx
  • 66. 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.
  • 67. 64 A tabela 6 - Requisitos de Servidores Envolvidos, mostra com mais detalhesalgumas especificações.Características ConfiguraçõesArmazenamento DW - 8 TB ODS - 4 TB Data Mart - 2 TBProcessadores 64-bitSistema Operacional Windows Server 2003 Enterprise EditionSuporte servidores SQL Server 2005 Failover clusterConfigurações 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.
  • 68. 656.2 Ferramentas utilizadas e suas características Para atender os requisitos de alta disponibilidade e tolerância á falha seráutilizada a plataforma utilizada será MS SQL Server 2005, constituída pelasferramentas 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=117Acessada em Setembro - 2011 9 http://www.cs.waikato.ac.nz/~ml/weka/ - Acessado em Setembro -2011.
  • 69. 666.3 Ambiente DW Foram coletadas as informações necessárias para análises no ambiente de CallCenter, com objetivo de criar um novo ambiente DW e para a implantação da DataMarts. 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
  • 70. 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
  • 71. 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)
  • 72. 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
  • 73. 70 Todas as informações levantadas serão processadas para compor o ambienteDW. Durante o processo de mineração, todos os dados devem ser tratados epadronizados de acordo com o formato já estabelecido na listagem acima, emalguns bancos de dados transacionais, pode haver dados inválidos quanto àpadronização, 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 deErro”, pois contém informações não reconhecidas, mas de acordo com algumasanalises pode fazer diferença ou até mesmo mudar a conclusão da açãoestratégia.O DW foi criado pensando em atender qualquer necessidade no ambienteoperacional, a arquitetura proposta será focar em um fator isolado. A modelagem dedados apresentaria o seguinte ambiente. TB_CLIENTE_001 ID_CLIENTE int TB_SUPERVISOR_001 CLI_SEXO char(1) CLI_DTNASC datetime ID_SUPERVISOR int CLI_RENDA char(10) SUP_NOME char(256) CLI_ESTADO char(2) SUP_SEXO char(2) CLI_CIDADE char(126) CLI_LIMITE char(10) CLI_MAILING char(126) TB_TABULACAO_001 CLI_SEGMENTACAO char(126) ID_TABULACAO int TAB_NOME char(256) TB_FATO_001 TB_PRODUTO_001 ID_CLIENTE int ID_TABULACAO int TB_OPERADOR_001 ID_PRODUTO int ID_OPERADOR int PRD_NOME char(256) ID_SUPERVISOR int ID_OPERADOR int PRD_MIN_RENDA int ID_PRODUTO int OPE_NOME char(256) PRD_MAX_RENDA int FAT_CONT_DATA datetime OPE_DTNASC datetime2(7) PRD_CLASSIFICACAO char(126) FAT_CONT_INI smallint OPE_SEXO char(2) PRD_BANDEIRA char(126) FAT_CONT_FIM smallint FAT_CONT_TMA smallint FAT_CONT_SEMANA char(20) TB_FAIXA_APOIO_001 ID_FAIXA int FAP_CLASSIFICACAO char(3) FAP_NOME_INTERVALO char(256) FAP_VALOR char(10) Figura 23: Modelagem de dados, para o processamento do DW. Autora: Sabrina Mariana.
  • 74. 716.4 Data Mart de Desempenho Operacional O Data Mart de desempenho operacional será projetado com objetivo de avaliar oambiente operacional durante o dia, por exemplo, para uma determinada hora naRegião X, há dificuldade para encontrar o cliente em um determinado horário, osusuários gerenciais precisam ter mapeado as tendências de dificuldades paraencontrar o cliente durante o dia, assim pode mudar o mailing por região, onde hámais 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 Dimensões: o Ano o Data o Mês o Hora o Dia o Cliente: Sexo o Hora o Cliente: Faixa Etária o Cliente: Estado  Informações do Cliente o Cliente: Status de o Sexo (Sigla) Tabulação o Faixa Etária - (Texto) o Estado (Sigla)  Status do Cliente o Status de tabulação (Texto) Tabela 8: Definições das dimensões A regra de negócio para análise e Business Intelligent foi finalizada, porem ainteligência de negócio proposta no trabalho dará início á partir do Data Mart criado.No momento o ambiente operacional de nível gerencial somente tem as informaçõesD-1, a arquitetura proposta será manter este dado com um delay menor,aproximadamente uma hora de acordo com a campanha, com alertas para tomadasde decisões quando o problema estiver acontecendo.
  • 75. 726.5 Dicionário de Dados Nesta etapa, os gerentes ou analistas de planejamento precisam cadastrar oseventos de monitoramento para tomada de decisões, ou seja, vai possibilitar aconfiguração de alertar quando 40% dos operadores não consegue contatar osclientes para região X. A tabela 9 mostra a proposta parametrização de acordo como Data Mart disponível. Dados disponíveis no Data Mart Proposta Parametrização  Data do Contato  Data do Contato o Ano o Dia - Hoje. o Mês o Hora – Qualquer Grupo. o Dia o Hora  Informações do Cliente o Estado – Qualquer  Informações do Cliente Estado. o Sexo (Sigla) o Faixa Etária - (Texto)  Status do Cliente o Estado (Sigla) o Tabulação: Não Contatado.  Status do Cliente o Quantidade: Acima de o Status de tabulação 100. (Texto) Tabela 9: Parametrização de Alerta Após efetuar o cadastro, será aplicado o conceito de Redes Artificiais onde asentradas são os valores parametrizados, conforme Figura 24, com o monitoramentode índices atingindo o valor parametrizado, será enviado e-mail (alerta) para osenvolvidos da área de planejamento em forma de alerta, cada alerta gerado seráregistrado com número de incidente dentro do gerenciamento de cada campanha.
  • 76. 73 Figura 24: Aplicação – Funcionalidade. Autora: Sabrina Mariana. A área de planejamento deve avaliar o resultado gerado, de acordo com osresultados obtidos precisam tomar uma decisão, ou seja, foi gerado um alertaidentificando um alto índice de clientes não contatados em um determinado período,será necessário analisar o ambiente através do data mart disponível, após tomaruma ação imediata, na qual deve ser cadastrada no acompanhamento do incidentegerado. Figura 25: Aplicação – Processo de Análise. Autora: Sabrina Mariana.
  • 77. 74 O histórico dos alertas permitirá a visualização em um relatório qualitativo equantitativo para os casos de sucesso e fracasso, além de identificar qual foram osprocedimentos 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 areação operacional após ação da área de planejamento em cima do problemaapresentado, classificando como: sucesso, fracasso, medida corretiva ou correçãode problemas, com a descrição da ação tomada. Tal processo é diferenciado de todae qualquer solução proposta, pois utilizando a redes artificiais permitirá a análise deplanejamento de acordo com o histórico de tomadas de decisões realizadas, alémapresentar quais ações podem ser tomada de acordo alertas. O sistema Weka10 utilizado para mineração de dados aplicando a inteligênciaartificial, será implementado e automatizado facilitando as análises de planejamentoe 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.
  • 78. 756.6 Vantagens e Desvantagens da Arquitetura Proposta6.6.1 Vantagens Toda análise de vantagem da ferramenta tem como base a experiênciaprofissional obtida durante seis anos de dedicação no ramo de Call Center, aarquitetura proposta não foi implementada, porem tal afirmação nesta seção deveser levado em consideração para qualquer ramo. A Solução de BI permite que as fases de gestão sejam integradas aos clientespara obtenção de informações que nortearão as decisões acordadas na gestãoestratégica. A Solução de BI também permite a integração, orçamento e reportingcom as aplicações de processos em uma empresa. Também apresenta a vantagemao proporcionar a visão lógica em gerir os negócios além de controlar e unificarfontes de informação para toda a organização. A uniformização da informaçãoproporciona rapidez à consulta dos dados com maior confiabilidade naautomatização 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.
  • 79. 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- Administrar os alertas e o apoio para a tomada denhas para serem administradas. decisões, terá redução de tempo de análise. Com análise de perfil do operador e cliente através Contatos monótonos cansam cada vez mais do BI, permite-se desenvolver scripts de contatoos consumidores, na hora de oferecer um personalizado, diferenciando os contatos e comproduto ou serviço. abordagens mais objetivas. Os cubos com base no Data Mart vão apresentar O BI aplicado na empresa trata-se de um no máximo cinco dimensões. Com isso será possívelData Mining geral onde cada cubo tem em a criação de vários cubos com poucas dimensões emédia de quatorze dimensões. com foco no resultado X da análise. A arquitetura possibilitará consulta até um delay de As análises efetuadas são com base em D-1. uma hora, de acordo com cada campanha, não obstante as notificações em tempo real. O conceito de BI não está aplicado Os cubos com base no Data Mart exigem foco noadequadamente, pois utilizam a ferramenta seu principio. Assim as notificações servirão decomo relatório e não para análise histórica em aprendizado quanto à ferramenta proposta.planejamento. Com a notificação é gerado uma incidência Análises são parciais para relatório de pendente para uma ação estratégica, exigindodesempenho de equipe ou para BI. análises e ações imediatas. Todas as campanhas trabalham com omesmo plano de ação, porém as contratantes Durante o processo de cadastro de monitoramentoexigem tratamentos diferenciados em função ficará nítido a estratégia e a forma de trabalho dedos problemas de desempenho identificados por cada equipe diversificando cada entidade.elas próprias. A rotatividade da equipe é grande, portanto Com a análise de desempenho de um operadornão é aplicada a gestão de conhecimento entre pode-se ter melhor gestão pessoal, reciclagem doos integrantes. conhecimento e ações motivacionais. Os problemas de desempenho operacional Com o alerta reduz identificar problemasnão são previamente identificados, apenas posteriores, permitirá identificar as incidências durantetratados posteriormente. a semana de acordo com índice de vendas. As medidas estratégicas estão voltadas para As redes neurais possibilitam que processos comocorreção, jamais para a prevenção de algumas “fraude” sejam identificados de imediato, além dosituações como: roubo, plágio e coletas incom- processo de notificações por detecção por fraude.pletas. Tabela 10: Problemas X vantagens aplicadas á arquitetura proposta.
  • 80. 776.6.2 Desvantagens A seguir são enumeradas desvantagens da arquitetura proposta, levantadas pormeio de uma análise de risco do projeto. Estas deficiências podem ser corrigidas emfutura 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 enumeradasalgumas 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.
  • 81. 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
  • 82. CONCLUSÃO O projeto teve como foco a análise de uma campanha específica na empresa deCall Center e a criação de um Data Mart com foco em clientes contatados. Devido aoestudo de caso adotado, o trabalho ficou restrito ao segmento de atendimento,apresentando detalhadamente a parte da regra de negócio, embora não tenha sidoefetivamente implantada, a arquitetura proposta pode ser considerada um diferencialpara empresas do ramo, uma vez que atualmente não existem nenhum sistemacomo este proposto. A arquitetura de alertas com histórico de ações tratadas,análise das vantagens e desvantagens e o uso do Data Mart, pode haver ganhooperacional em relação aos processos de tomada de decisões e grande redução detempo, já que a ferramenta possibilita automatizar o processo de manipulação dedados durante uma consulta. Assim, a tomada de decisão tem maior chance de sereficaz, pois o conhecimento extraído do Data Mart permite visualizar de diversasformas. A ideia apresentada pode ser aplicada para mostrar diferenciais durante oprimeiro contato com o cliente, conforme mencionado no início do trabalho 41% daspessoas “Não compra nada por telefone” e 35% “Escuta a proposta, mas nãocompra”, ao perceber que o tempo médio de atendimento começa diminuir cada vezmais, e valores de clientes que preferem outros cartões ou até mesmo nãoreceptivos aumentam, permitem ser abordados de outras formas. O próprio conceitode redes neurais pode indicar um fator comum, quando um cliente efetua a vendacom sucesso, assim possibilita o crescimento de efetividade no contato ao longo dotempo. Alguns operadores de telemarketing têm perfil de vender para clientesespecíficos de acordo com renda, até preferencia de sexo e/ou região, comdesempenho de analises operacional, tal fator é a chave, onde permite aumentar asvendas. A tendência é cada vez mais o BI tornar elemento essencial no ambientecorporativo, com integrações de diversos softwares pode apoiar na tomada dedecisão, utilizando redes artificiais. Durante o desenvolvimento do trabalho, pode-seperceber que tal aplicação permite ser utilizada em outros segmentos como ememissoras de TV, onde de acordo com o ibope de um determinado programa ehorário de cada quadro apresentado, obtém um estudo, onde pode classificar osmelhores quadros. Quando foram considerados valores baixos na média da
  • 83. audiência, o alerta e incidentes tratados permitirão identificar o que foi realizado parater um fator de sucesso ou fracasso, sendo assim, torna-se um sistema totalmenteadaptado para diversos segmentos, e de acordo com a configuração do dicionáriode dados disponível permite ser alterado, ou acrescendo á qualquer momentodurante o histórico de incidentes. As analises quantitativas e qualitativas deincidentes fechados permitem que os usuários se adaptem com mudanças deestratégias. O ambiente indica o que o usuário pode fazer além de informar ohistórico 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 fraudesque podem ser identificadas ou tratadas com antecedência.
  • 84. REFERÊNCIASBRAGA, 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, 2006CHARAN, 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.
  • 85. 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.comTURBAN, 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.
  • 86. Apêndices Apêndice A - Visão geral do Trabalho Gestão da Tomada de Decisões Estratégia Gerente de Planejamento Cadastra Ações Coordenador de Planejamento Recebe e-mail Configurar Dicionário de Dados Analista de Planejamento Ambiente Operacional Cliente – Contratante Cubos BI Gerente de Operações Processamento de dados Data Marts Data Marts Coordenador de Operações Monta DM Supervisor Supervisor Supervisor DW Auditoria de Operador de Call Alimenta DW Monitoração Qualidade Center Mineração de Dados Consumidor Processamento Cadastra dados Grava histórico do contato Dados do cliente BD transacional BD transacional BD transacional BD transacional Produção Produção Processo de aplicativo Relatório Relatório