A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Kamila T. Lyra Karina C. S. Nishimura Thiago P. Colonhezi William S. Soares.

Apresentações semelhantes


Apresentação em tema: "Kamila T. Lyra Karina C. S. Nishimura Thiago P. Colonhezi William S. Soares."— Transcrição da apresentação:

1 Kamila T. Lyra Karina C. S. Nishimura Thiago P. Colonhezi William S. Soares

2 Banco de dados de informações empresariais. Processamento de consulta e não de transações. Torna informações acessíveis e claras para o uso. Consultas sem impacto nos dados operacionais. Maneira de obter informações corporativas para tomada de decisões.

3 Anos 80 Bancos de dados comerciais para SADs No inicio eram apenas subconjuntos dos dados operacionais que eram copiados para o banco de apoio a decisões regularmente.

4 Data Warehouse é uma coleção de dados orientada por assuntos, integrada, variante no tempo, e não volátil que tem por objetivo dar suporte aos processos de tomada de decisão. Inmon(1997) Poder faz dinheiro. Conhecimento é poder. Data Warehouse aumenta o conhecimento. Portanto, Data Warehouse faz dinheiro. Knowles (1996)

5

6

7 Os Data Marts são subconjuntos de dados, dentro de um Data Warehouse, projetados para dar suporte a negócios de unidade organizacionais especificas (NIMER, 1998).

8 Data Warehouse é um ambiente adaptado para apenas um objetivo. Desafios: Consultas claras e rápidas. Disponibilizar metadados. Sistemas de gestão: Business Intelligence Núcleo do apoio á decisões.

9

10 Keneth Iverson – 1962 A Programming Language - APL Necessidade de relatórios dinâmicos Tecnologia OLAP – década de 90. Popularidade

11 Processamento Analítico Online Manipular e analisar um grande volume de dados sob múltiplas perspectivas Otimização de consulta e relatório BI- síntese de informações corporativas visões comparativas e personalizadas: Apresenta as informações via um modelo de dados natural e intuitivo. análises históricas; e elaboração de cenários.

12 Tipos básicos de dados: Medidas: Dados numéricos, como quantidades e médias Parâmetros utilizados na tomada de decisões dimensão especial utilizada para realizar comparações. Dimensões: Uma unidade de análise que agrupa dados de negócio relacionados.

13 Conceitos – chave: Cubo: estrutura multidimensional de dados do negócio. Membro: subconjunto de uma dimensão. Hierarquia: Uma estrutura em árvore lógica que organiza os membros de uma dimensão.

14

15 Conceitos-chave Drill-up: diminuir o nível de detalhamento Drill-down: aumentar o nível de detalhamento Slice and Dice: reorganizar os dados

16 Uma dimensão Duas Dimensões

17 Três Dimensões

18 Quatro Dimensões

19 Exemplo: aplicações bancárias OLTP: Ponto de vista do cliente. inserção, alteração, remoção de dados individuais. OLAP: Ponto de vista do Gerente. Análise global de contas correntes com diversas visões. Ex: Saber qual é o desempenho de contas correntes que tenham cheque especial e tenham utilizado o valor máximo dos mesmos em um determinado período de tempo em algumas regiões.

20 MOLAP: os dados são armazenados em cubos multimensionais. ROLAP: manipula os dados armazenados no banco de dados relacional para dar a aparência de funcionalidade slice and dice do OLAP tradicional. HOLAP: combinação do MOLAP e ROLAP.

21 São utilizados por gestores de qualquer nível da organização; Análise, navegação e visualização de dados corporativos: Alto desempenho Consistente Interativa Dinâmica Perspectivas diferentes

22 Escolha de uma ferramenta OLAP inadequada pode ocasionar severas consequências para um projeto de datawarehouse. Não existe nenhuma característica peculiar que dite como a ferramenta deve ser construída, qual tecnologia deva ser usada e que funcionalidades devem ser implementadas

23

24 Grande disponibilidade de dados armazenados eletronicamente Existem informações úteis, invisíveis, nesses grandes volumes de dados; Aproveitar para prever um conhecimento futuro (ir além do armazenamento explícito de dados).

25 Data mining (mineração de dados), é o processo de extração de conhecimento de grandes bases de dados, convencionais ou não. Utiliza técnicas de inteligência artificial que procuram relações de similaridade ou discordância entre dados. Seu objetivo é encontrar, automaticamente, padrões, anomalias e regras com o propósito de transformar dados, aparentemente ocultos, em informações úteis para a tomada de decisão e/ou avaliação de resultados.

26

27 Seleção. Pré-processamento. Transformação. Data mining. Interpretação e Avaliação.

28 Seleção Selecionar ou segmentar dados de acordo com critérios definidos: Ex.: Todas pessoas que possuem ensino superior. Pré-processamento Estágio de limpeza dos dados, onde informações julgadas desnecessárias são removidas. Reconfiguração dos dados para assegurar formatos consistentes (identificação) Ex. : graduação: Graduação, Mestrado ou Doutorado.

29 Transformação Transforma-se os dados em formatos utilizáveis. Esta depende da técnica data mining usada. Ex: rede neural converter valor literal em valor numérico Disponibilizar os dados de maneira usável e navegável. Data mining É a verdadeira extração dos padrões de comportamento dos dados Utilizando a definição de fatos, medidas de padrões, estados e o relacionamento entre eles.

30 Interpretação e Avaliação Identificado os padrões pelo sistema, estes são interpretados em conhecimentos, os quais darão suporte a tomada de decisões humanas Ex.: Tarefas de previsões e classificações

31 Indução Regras indutivas É o processo de olhar uma série de dados e, a partir dela gerar padrões; Pode-se trabalhar com dados numéricos ou não; Hipóteses;

32 Árvores de decisão Representação simples do conhecimento; Utilização de regras condicionais; A partir de um conjunto de valores decide SIM ou NÃO.

33 Redes Neurais É uma abordagem computacional que envolve estruturas matemáticas com a habilidade de aprender; Elementos interconectados e possuem entrada e saída do processamento; São organizados em camadas que aprendem pela modificação da conexão

34 Redes Neurais

35 Open Source: Implementada na linguagem JAVA. Classificação Um classificador (ou modelo de classificação) é utilizado para identificar a classe à qual pertence uma determinada observação de uma base de dados, a partir de suas características (seus atributos).

36 O Software WEKA utiliza o arquivo.arff para a entrada de dados o qual possui a seguinte Escolaridade {Graduacao, Mestrado, Idade {>30, Rido {Sim, Mestrado,>30,Sim Doutorado,<=30,Sim Mestrado,<=30,Nao Doutorado,>30,Sim Graduacao,<=30,Nao Graduacao,>30,Nao

37 Arvore de Decisão Matriz de Confusão === Confusion Matrix === a b <-- classified as 4 5 | a = Sim 6 3 | b = Nao


Carregar ppt "Kamila T. Lyra Karina C. S. Nishimura Thiago P. Colonhezi William S. Soares."

Apresentações semelhantes


Anúncios Google