Resumo: O artigo pretende fazer uma análise de tecnologias baseadas em Inteligência Artificial como é o caso do data mart, data mining e data warehouse para auxiliar na tomada de decisão do gestor de organizações tecendo relações com a gestão do conhecimento. Utilizou-se a revisão de literatura para compreender como a as ferramentas de Descoberta de Conhecimento (KDD) exploradas neste texto poderiam contribuir no que se considerou como boas práticas em gestão do conhecimento e na tomada de decisão. Tais tecnologias foram eleitas para análise por trabalharem com amplo volume de dados, sendo de grande utilidade em empresas que objetivam conhecer perfil de usuários e padrões de consumo e motivações, a fim de agregar valor ao negócio, sob a visão do business inteligence. Com relação a diferenças entre estas tecnologias se pode dizer que, enquanto o business inteligence atua no plano tácito de uma organização, as ferramentas tecnológicas trabalhadas neste artigo, atuam no plano estratégico, oferecendo, quando bem utilizadas, informações privilegiadas aos seus gestores.

Palavras-chave: Data warehouse; Data mart; Data mining; Inteligência artificial; Gestão do conhecimento; Descoberta de conhecimento.
 

Abstract: The article aims at an analysis of technology-based Artificial Intelligence such as the data mart, data mining and data warehouse to assist in decision-making manager organizations build relationships with the management of knowledge. These technologies were elected to analysis by working with large volume of data being useful in companies that aim to meet user's profile and consumption patterns and motivations in order to add value to business, under the vision of business intelligence. Regarding the differences between these technologies can be said that while the acts in the business intelligence tacit plan of an organization, technology tools worked this article, work in the strategic plan, providing, as well used inside information to managers.
Keywords: Data mart. Data mining. Data warehouse. Knowledge management. Artificial intelligence. Knowledge discovery.

Introdução
Ao se abordar a relação existente entre tecnologias da informação, como o data warehouse, o data mart e o data mining, com a gestão do conhecimento, entende-se como indispensável à apresentação de conceitos pertinentes a cada uma das áreas. Porque apesar destas tecnologias serem utilizadas por gestores, em muitos casos, estes gestores tornam-se reféns destas tecnologias. Portanto busca-se através de revisão de literatura estreitar a relação existente entre as áreas de desenvolvimento e de aplicação (uso); apresentando a seguir os conceitos que consideramos principais nesta relação interdisciplinar.

Para tanto se busca conceituar inteligência artificial, área da ciência da computação criada formalmente em 1956, através da qual foram desenvolvidas as tecnologias apresentadas neste texto. A inteligência artificial pode ser considerada, de acordo com Wiston (1992): “O estudo das operações que fazem possível perceber, raciocinar e atuar”, ou ainda segundo Schalkoff (1990): “O campo de estudo que tenta explicar e emular comportamento inteligente em termos de processo computacional”. Pode-se considerar então a inteligência artificial - IA como a área do conhecimento que estuda faculdades mentais humanas na busca por sua representação e implementação, a fim de simular e reproduzir essas faculdades através da criação de mecanismos ou entidades inteligentes.


Objetivos
O artigo pretende fazer uma análise teórica das tecnologias baseadas em inteligência artificial para auxiliar na tomada de decisão do gestor da organização, a saber: o data mart, o data warehouse e o data mining. Tecem-se relações destas tecnologias de descoberta de conhecimento com a gestão do conhecimento, bem como se busca apresentar o cenário e algumas contextualizações com a sociedade do conhecimento e a tomada de decisão.  Tais tecnologias foram eleitas para serem discutidas neste texto por trabalharem com grande volume de dados, sendo de ímpar utilidade em empresas que objetivam conhecer perfil de usuários, seus padrões de consumo e suas motivações, a fim de agregar valor ao negócio, sob a visão do business inteligence.


Metodologia
Utilizou-se a revisão de literatura para compreender como a as ferramentas de descoberta de conhecimento, KDD exploradas neste texto poderiam contribuir no que se considerou como boas práticas em gestão do conhecimento e na tomada de decisão. Procurou-se explorar, a partir dos dados levantados com a revisão da literatura, considerações acerca da sociedade do conhecimento.


Mudanças no contexto da sociedade do conhecimento
Grandes mudanças ocorreram na sociedade contemporânea. Mudanças estas que trouxeram consigo o emblema de uma nova sociedade, a sociedade do conhecimento. Sabe-se que esta mudança não se deu, nem se dá de forma homogênea em todos os continentes do mundo nem mesmo dentro de um mesmo país. O Brasil, por exemplo, apesar de contar com grandes pesquisas de ponta, consideráveis investimentos em pesquisa e desenvolvimento, e sediar empresas nacionais que operam com grande volume de exportação, ainda falta muito para se caracterizar como sendo uma sociedade do conhecimento. Grande parcela de sua população permanece alheia à informação e mais ainda ao conhecimento. Neste cenário, coexistem empresas investindo em tecnologia avançada e também povoados sem energia elétrica. Porém, para que esta situação se altere, a renda seja mais bem distribuída e o conhecimento disseminado, é necessário que, entre outras providências, se invista em educação e pesquisa.

O que mais chama a atenção na promessa da sociedade do conhecimento é o axioma defendido quanto ao crescimento do conhecimento quando compartilhado. Este novo paradigma, obscurecido pelo ideal capitalista de acúmulo de conhecimento para geração de riqueza, vem à tona nos discursos dos defensores desta nova ideologia de sociedade. As atividades humanas, na promessa desta nova sociedade, deixam de ser de manipulação para serem de controle, objetivando chegar a atividades de supervisão. Ou seja, máquinas operando no lugar de homens.
Surge então a figura do cérebro de obra, que vem a ser o profissional que, ao invés de vender sua força de trabalho (mão de obra), vende suas idéias, sua visão de analista e de sintetizador de soluções: os profissionais do conhecimento (engenheiro do conhecimento e gestores do conhecimento, dentre outras novas profissões nesta área).

Uma sociedade, ao deixar de ser industrial para se tornar uma sociedade do conhecimento, alguns fatores se fazem imprescindíveis e outros inevitáveis, ainda que negativos. Dentre eles se destaca o novo papel do Estado, que passa a atuar como estimulador do desenvolvimento sustentável seja como indutor, promotor ou financiador, evitando ser o protagonista no campo econômico; mudanças demográficas como as relacionadas ao êxodo rural e à geração dos bolsões de pobreza, como crescimento desordenado dos grandes centros urbanos, para onde migraram os legados do meio rural, criando uma diáspora social e cultural; o aumento da expectativa de vida do brasileiro e a diminuição das taxas de natalidade gerando pragmaticamente a problemática da sustentabilidade da previdência social; o desenvolvimento científico e tecnológico servindo como pano de fundo para o crescimento econômico do país (porém não especificamente o crescimento econômico do povo como um todo, uma vez que a riqueza e o lucro ainda estão centrados nas mãos de poucos).

Além dos fatores citados, consideramos ainda a conscientização da importância na preservação dos recursos naturais e do meio ambiente como forma de manter o equilíbrio planetário e a garantir a existência humana. A customização da produção, através de trabalhadores multifuncionais, que deixaram de produzir em série (modelos fordista e taylorista) para uma produção mais customizada e mais participativa, através das competências desenvolvidas pela necessidade de maiores níveis de escolaridade e de competências (até mesmo pelo receio à obsolescência e substituição em seus postos de trabalho, tanto pela máquina quanto por indivíduos mais bem preparados e especialistas).

Quanto à gestão empresarial esta aposta no conhecimento como maior fator de produção, buscando diferenciar conhecimento tácito de explícito, procurando entender primeiramente o conhecimento tácito (aquele que ainda não foi sistematizado e está na mente de cada indivíduo) para levar este conhecimento ao plano estratégico, de maneira explícita e documentada, visando a mudança do modelo mental da organização, a fim de fundamentar e aperfeiçoar processos e tomadas de decisões.

Logo se percebe que, com as mudanças ocorridas através do novo paradigma da sociedade do conhecimento (quer este paradigma tenha sido forjado, empurrado goela abaixo, mobilizando forças simbólicas, segundo Mattelart (2002), quer não, o fato é que elas se impõem), alteram o modus operandi da sociedade na alta modernidade através de fatores influenciadores principalmente como as tecnologias da informação e comunicação (TICs) em conjunto com as redes de comunicação (internet).

O conhecimento, matéria-prima desta sociedade, pode ser classificado em uma tipologia histórica que vai desde o século XV com o conhecimento dos manuscritos até o século XXI, multiplicado e potencializado pelo conhecimento digital e hipertextual. Conhecimento este que precisa ser difundido, compartilhado e principalmente tratado e recuperado para ser disseminado; mas não mais através da história oral (a memória mesmo que coletiva não daria mais conta de armazenar o conhecimento acumulado pela sociedade), ou mesmo dos livros impressos (a velocidade de criação e a obsolescência científica crescem em termos exponenciais). Gerir a informação passou a ser tarefa complexa.

 E, de acordo com Milanesi (1983, p. 74): “Se as informações não puderem chegar ao seu objetivo, não se realiza a comunicação, o que não é desejável, inclusive economicamente”.    Ao longo de uma trajetória que vai desde as grandes bibliotecas, que exerceram durante muito tempo o papel das instituições que armazenavam o conhecimento da humanidade até chegar à internet (nova modalidade de biblioteca, apesar de ainda desordenada) a sociedade acostumou-se a aceitar que quanto mais o conhecimento é produzido e publicado, mais potencial se torna o crescimento da ignorância e da obsolescência. Ambos são fatores proporcionais posto que a capacidade humana de absorção da informação está sendo excedida pelo rápido avanço da ciência e da tecnologia e pelo grande volume de dados e informações gerados.

Diante desta realidade sistemas vão sendo desenvolvidos a fim de oportunizar o acesso ao conhecimento no afã de suplantar esta dificuldade de retenção e atualização por conhecimento nos indivíduos e empresas. Estes sistemas de gerenciamento de dados possuem objetivos como armazenamento e recuperação da informação. As demais características vão ao encontro do que cada organização espera e necessita.

Neste trabalho o interesse está nos sistemas que lidam com grandes volumes de dados e que visam auxiliar as empresas e organizações a gerirem as informações geradas por elas ou informações que de algum modo a elas interessam e estão armazenadas em seus bancos de dados. Estes sistemas se bem configurados e bem utilizados, ou seja, se relacionados com os objetivos de cada empresa ao fazer uso do sistema, podem oferecer ganhos vantajosos às empresas, auxiliando-as a interpretar e classificar seus dados, buscando transformá-los em conhecimento.

A gestão do conhecimento (GC) está no cerne destas mudanças paradigmáticas e busca se beneficiar com novas metodologias de desenvolvimento e de aplicação rumo ao desenvolvimento de capital intelectual e financeiro. Ela é uma das áreas que pode se beneficiar com os sistemas de mineração e armazém de dados. Para entender de que modo a gestão do conhecimento pode se beneficiar das tecnologias de inteligência artificial voltadas para o tratamento de grandes volumes de dados é preciso conhecê-la. Pode-se perceber a gestão do conhecimento como uma área do conhecimento que lida com a organização das principais políticas, processos e ferramentas gerenciais e tecnológicas em busca de uma melhor compreensão dos processos de geração, identificação, validação, disseminação, compartilhamento e uso dos conhecimentos estratégicos, objetivando gerar resultados econômicos para a empresa e benefícios para os outros colaboradores. (Terra, 2005)

Ela utiliza-se de tecnologias na área de tratamento de grandes volumes de dados que podem contribuir para a geração do conhecimento e a tomada de decisões acertadas por parte dos gestores do conhecimento. Tais ferramentas e tecnologias são geralmente desenvolvidas pela área de engenharia de software, porém através de uma visão contemporânea, analisa-se que estas ferramentas necessitam da participação de seus usuários desde o momento de seu desenvolvimento até sua avaliação, posto que é para atender às necessidades dos usuários que elas são desenvolvidas.  Estes sistemas fazem parte do processo denominado Descoberta de Conhecimento em Banco de Dados (KDD) os quais realizam uma análise exploratória de dados com a possibilidade da descoberta de informações implícitas, que possam ser úteis para as organizações. (Morales, 2008)


Tecnologias auxiliares na gestão do conhecimento
Aborda-se nesta seção algumas das tecnologias que foram criadas visando oferecer às organizações apoio no tratamento de grandes volumes de dados. Fala-se de tecnologias como o data warehouse, o data mining e o data mart. A seguir se apresenta cada uma delas através de algumas de suas características e peculiaridades. Porém, se considera e se tenta demonstrar que nenhum destes sistemas baseados em conhecimento é capaz de superar a interpretação do homem. Os sistemas apresentados são capazes de cruzar dados e informações, identificar padrões, porém nenhum deles supera competências humanas no que tange a tomada de decisão.

Estes sistemas de informação possuem alta capacidade estatística e de mineração de dados em busca de padrões, porém são “cegos” diante do que fazer com elas no tocante àquelas decisões que necessitam, por exemplo, ser baseadas no empirismo (experiência) e no senso comum, as quais muitas vezes precisam ser levadas em conta no gerenciamento de uma empresa. Estes sistemas analisam dados, porém a decisão final será humana, através do conhecimento que, para Morales (2008): “é [o conhecimento] quem permite derivar ou inferir outras informações novas, por elaboração ou por aprendizado”.


Data Mining (DM)
O data mining é o processo de exploração de grandes volumes de dados em busca de padrões consistentes, que podem ser entendidos como unidades de informação que se repetem em dadas circunstâncias, através de regras de associação ou sequências temporais que visam detectar possíveis relacionamentos entre variáveis presentes em dado acervo, detectando assim novos subconjuntos de dados. Um data mining utiliza técnicas de estatística, de recuperação da informação, de inteligência artificial e de reconhecimento de padrões. E também faz uso de algoritmos de aprendizagem ou classificação baseados em redes neurais e estatísticas, capazes de explorar um conjunto de dados, retirando e auxiliando a identificar padrões nestes conjuntos de dados, favorecendo a descobertas por conhecimento.

Os passos fundamentais de uma mineração de dados bem sucedida, a partir de fontes de dados (bancos de dados, relatórios, logs de acesso, transações, dentre outras) consiste de uma limpeza (consistência, preenchimento de informações, remoção de ruídos e redundância). Daí derivam os repositórios organizados (data warehouse e data mart). É a partir deles que se podem selecionar colunas para serem cruzadas no processo de mineração. Cujo objetivo é o aparecimento de padrões implícitos, não visíveis facilmente, na grande massa de dados, que possam servir como informação a ser interpretada pelos indivíduos, de acordo com seus objetivos.

Apesar de existirem ferramentas que auxiliam na execução dos processos, o data mining não tem automatização simples, exigindo a sua condução por profissionais com conhecimento e algum conhecimento em estatística. Uma vez que técnicas como frequência, histograma, outliers, medidas de tendência central (mediana, moda, média), medidas de dispersão e medidas de correlação devem ser de conhecimento do analista que está administrando o sistema. Quanto aos algoritmos utilizados para a realização da classificação dos dados são eles os de abordagem simbólica, baseados em árvores de decisão; os de abordagem biológica, através de redes neurais e algoritmos genéticos; e os de abordagem estatística, através dos classificadores bayesianos (algoritmo de Naive-Bayes), k-vizinhos mais próximos.

Uma das medidas utilizadas nestes sistemas é a Medida de Similaridade, a qual se pode dizer que fornece valores que demonstram a “distância” entre dois objetos. E, quanto menor for o valor, mais semelhantes então são os objetos, devendo ficar armazenados no mesmo cluster. Porém é preciso compreender que não existe medida de similaridade que sirva para todas as variáveis (tipos de) em uma mesma base de dados. Existem vários modelos de softwares no mercado e também ferramentas livres que podem ser utilizadas como sistemas de data mining dentre eles destaca-se o KDB2000 que é uma ferramenta livre desenvolvida em C++, a qual integra acesso à base de dados, pré-processamento, técnicas de transferência e um vasto escopo de algoritmos de mineração. Há também o multifactor dimensionality reduction MDR, que é uma ferramenta livre desenvolvida em Java criada para detecção de interações entre atributos utilizando o método multifactor dimensionality reduction ; tem ainda o KNIME, plataforma de mineração de dados open source, para citar alguns.


Data warehouse (DW)
Um data warehouse é entendido literalmente como um depósito ou armazém de dados. Ele é um sistema utilizado para armazenar informações relativas às atividades de uma organização em banco de dados de forma consolidada. Seu objetivo é a análise de grandes volumes de dados e a obtenção de informações estratégicas que podem facilitar a tomada de decisões.

O data warehouse retira os dados os quais analisa, de sistemas transacionais tipo  Online Transaction Processing ou Processamento OLTP, as chamadas séries históricas, que possibilitam uma melhor análise de eventos passados, oferecendo suporte à tomada de decisões e a previsão de eventos futuros.
Os dados de um data warehouse, por definição não são voláteis, ou seja, não mudam e não se alteram. Eles são disponíveis somente para leitura não podendo teoricamente ser alterados.O surgimento do data warehouse se deu como conceito acadêmico na década de 1980. Por sua capacidade de sumarizar e analisar grandes volumes de dados, o data warehouse é o núcleo dos sistemas de informações gerenciais e de apoio à decisão das principais soluções de business inteligence do mercado.

Como business inteligence, se pode entender, de acordo com Morales (2008): “Um conjunto de conceitos, metodologias e tecnologias que, fazendo uso de acontecimentos (fatos) e sistemas baseados nos mesmos, apóia a tomada de decisões.”  É importante entender como um data warehouse trabalha. Ele possui um repositório de metadados, que é uma ferramenta essencial para o seu gerenciamento, no momento de converter dados em informações sobre a sua origem, as regras de transformação, nomes e alias, formato de dados, etc.. Este repositório deve conter informações (rótulos) que adicionem valor aos dados, bem como univocidade aos mesmos.

Por univocidade compreende-se a relação existente entre um termo (metadado) e dado conceito (sua semântica). Esta relação necessita ser original no que diz respeito a não poder haver no mesmo repositório o mesmo termo para representar conceitos diferentes e vice e versa, ou seja, não é aceito que haja o mesmo significado para termos diferentes. Esta falha, quando presente em um sistema, ocasiona ausência de padronização e de consistência, prejudicando assim o tratamento dos dados e conseqüentemente sua interpretação.

Data Mart (DM)
Um data warehouse é geralmente acessado através de data marts, que são pontos específicos de acesso a subconjuntos do data warehouse . Os data marts são construídos para responder prováveis questionamentos de um tipo específico de usuário. Por exemplo, um data mart financeiro poderia armazenar informações consolidadas diariamente para usuários gerenciais ou em periodicidades maiores (semanalmente, mensalmente, anualmente), pré-definidas, por exemplo, por usuários no nível da diretoria da empresa.

Contemporaneamente os conceitos de data warehouse e data mart fazem parte de um conceito muito maior denominado de Corporate Performance Management, que vem a ser um modelo de administração empresarial objetivando melhores performances e resultados dentro da organização, através da análise e consolidação da tomada de decisões a partir do auxílio do tratamento dos dados vindos dos sistemas de informação baseados no conhecimento.

Porém de nada adianta fazer uso de qualquer tecnologia qual seja ela, se os gestores destes sistemas não tenham definidos os objetivos que desejam atingir. Estes três sistemas apresentados oportunizam a combinação de conhecimentos existentes, através da descoberta de padrões que se repetem nos processos de dada empresa, em dado cenário e dadas circunstâncias, porém é o gestor do sistema e/ ou empresa quem precisa buscar inovação através da interpretação ou de novas interpretações e combinações dos conhecimentos gerados. E, a partir da observância destes conhecimentos evidenciados pelos sistemas, atingir competência, que vem a ser o conhecimento posto em prática.


Conclusões
Sistemas de conhecimento têm se tornado cada vez mais utilizados e necessários frente ao aumento constante de dados e informações, bem como do grande volume gerado e gerido pelas empresas e organizações. É através também da evolução, principalmente de hardware e software que as empresas têm se permitido experimentar novos desafios, antes custosos. É preciso investir na integração e interoperabilidade entre os sistemas por elas utilizados. Estes sistemas necessitam incorporar cada vez mais semântica nas suas soluções, de modo a apoiar tanto os indivíduos quanto às organizações.

Porém não é somente através de investimentos em tecnologia que estas organizações chegarão a seus objetivos. É preciso mais que tecnologia para se obter um robusto projeto de gerenciamento empresarial. É preciso traçar metas e objetivos buscando conhecimento acerca de alterações e novidades, tanto no meio interno (mudanças dentro da própria empresa) quanto às alterações externas (ambiente, concorrência, possibilidade de expansão de mercado, balança comercial), dentre outros aspectos influenciadores de uma boa (ou má) gestão.

No entanto, ter conhecimento não garante competência. O conhecimento difere da competência. Esta última é a habilidade de bem utilizar o conhecimento adquirido. Isto os sistemas informatizados não podem fazer. A habilidade de bem utilizar a informação transformada em conhecimento precisa ser uma capacidade do gestor, pois é ele quem irá analisar o conhecimento gerado por estes sistemas, com base na leitura e comparação de padrões e, com habilidade, decidirá como agir e empreender, com criatividade e no devido momento.

A obtenção de padrões gerados a partir de dados interpretados por estes sistemas de informação apresentados permite agregar valor às decisões da empresa e gerar tendências, permitindo aos gestores decidirem com maior qualidade acerca de suas ações e decisões. Os sistemas auxiliam no plano estratégico da empresa, informando o cruzamento de dados confiáveis e seguros os quais se pode considerar informação que, se bem interpretada e analisada gerará conhecimento. Porém como já mencionado estes sistemas podem ser poderosas ferramentas, mas as informações e decisões que mais irão gerar impacto em uma empresa serão aquelas relativas à determinação humana.


 

Referências Bibliográficas

FIALHO, F.;SANTOS, N.; PACHECO, R. C. S. Comentários e anotações na Disciplina Introdução à engenharia e gestão do conhecimento. Pós-Graduação em Engenharia e Gestão do Conhecimento, UFSC, Florianópolis, 2008. 1° trimestre.
MATTELART, A. História da sociedade da informação. Tradução de Nicolas Nyimi Campanário. São Paulo: Ed. Loyola, 2002.
MILANESI, L. Biblioteca. Cotia, SP: Ateliê Editorial, 2002.
MORALES, A. B. T. Aula sobre Métodos e técnicas de extração de conhecimento. Programa de Pós-Graduação em Engenharia e Gestão do Conhecimento da UFSC, Florianópolis, 2008.
SCHALKOFF, R. J. Artificial intelligence: an engineering approach. New York: McGraw-Hill, c1990.
TERRA, J. C. Definindo gestão do conhecimento.  Disponível em:
http://www.ilanet.com.br/cgi-local/portal/bin/view/Ilanet/GestaoDoConhecimento?raw=on

Sobre os autor / About the Author:

Gisele Dziekaniak

giseledziekaniak@yahoo.com.br
 

Professora na área de Ciência da Informação no Instituto de Ciências Humanas e da Informação da Universidade Federal do Rio Grande (FURG). Mestre em Engenharia de Produção pela Universidade Federal de Santa Maria (UFSM) e doutoranda na Pós-Graduação em Engenharia e Gestão do Conhecimento da Universidade Federal de Santa Catarina (UFSC).