Publicada em

30/11/2016

Christian Massayoshi Tokuda

192 – Desenvolvimento de uma ferramenta de business intelligence em computação em nuvem para apoio na tomada de decisão em comércio varejista

Resumo

Atualmente as organizações encontram-se em constantes mudanças que implicam que elas sejam mais ágeis nas tomadas de decisões, isto muitas vezes se torna complexo, pois não possuem as informações necessárias. Os gestores das organizações cada vez mais reconhecem a necessidade de terem a disposição informações confiáveis, de qualidade e de fácil acesso, sendo possível visualizar as informações através dos dispositivos móveis para alcançarem vantagem competitiva. No cenário atual existem empresas que estão geograficamente separadas, onde cada uma possui um banco de dados em um servidor local com as informações do sistema ERP. Os dados são extraídos, transformados em dados com valor de negócio aos gestores e inseridos em um banco de dados na nuvem através de um aplicativo de integração. O banco de dados na nuvem irá armazenar os dados de diversas empresas onde cada gestor deverá acessar somente as informações de sua empresa. Ao realizar as previsões de vendas através das técnicas de Data Mining como a regressão linear e o modelo ARIMA os fatores externos como enfraquecimento de vendas devido a fatores econômicos, vendas impulsionadas por mudanças no setor comercial, promoções e feriados, onde no ano subsequente não se mantém a mesma tendência o valor de previsão foi gerado com um erro percentual elevado em relação a venda real. Para suavizar o erro percentual elevado nas previsões de vendas o sistema permitiu efetuar uma nova previsão, desconsiderando o maior valor da série dos dados analisados. Quando foi utilizado este método de análise dos dados o erro percentual foi reduzido. Neste contexto, o presente projeto de dissertação propõe um sistema de Business Intelligence que utiliza recursos de computação em nuvem para gerar gráficos gerenciais e previsões de vendas mensais.

Abstract

Nowadays, organizations are in constant changes that imply that they are more agile in the making of decisions, this often becomes complex, because they do not have the necessary information. Organizational managers increasingly recognize the need to have reliable, quality, and easy-to-access information available to view information through mobile devices to achieve competitive advantage. In the current scenario there are companies that are geographically separated, where each one has a database on a local server with the information of the ERP system. The data is extracted, transformed into business value data to managers and inserted into a database in the cloud through an integration application. The database in the cloud will store the data of several companies where each manager should only access the information of his company. In making sales forecasts using Data Mining techniques such as linear regression and the ARIMA model, external factors such as weak sales due to economic factors, sales driven by changes in the commercial sector, promotions and holidays, where in the following year there is no Maintains the same trend the forecast value was generated with a high percentage error compared to the actual sale. In order to smooth the high percentage error in the sales forecasts, the system allowed to make a new forecast, disregarding the highest value of the series of data analyzed. When this method of data analysis was used the percentage error was reduced. In this context, the present dissertation project proposes a Business Intelligence system that uses cloud computing resources to generate management charts and monthly sales forecasts.

Data da Defesa: 30/11/2016

Banca Examinadora

Orientador (a): Rodrigo Jardim Riella (Lactec)
Membro da Banca: Alexandre Rasi Aoki (Lactec)
Membro da Banca: Sebastião Ribeiro Júnior (Lactec)
Membro da Banca: Marcos Vinícios Haas Rambo (UFPR)

Palavra(s)-Chave: Business Intelligence. Data Mining. ARIMA. Regressão linear. Computação em Nuvem.

Keywords: Business Intelligence. Data Mining. ARIMA. Linear regression. Cloud Computing.

Utilizamos cookies para oferecer melhor experiência, melhorar o desempenho, analisar como você interage em nosso site e personalizar conteúdo. Ao utilizar este site, você concorda com o uso de cookies.