Inteligência de Negócio e Ferramentas Utilizadas

Ferramentas de Inteligência de Negócio

Aula Prof. Angelo Assis · Resumo de Aula · Logística

BI ETL Data Warehouse TI Aplicada à Logística

Os 4 Pilares da Análise de Dados

Clique em cada pilar para expandir os detalhes.

1

Descritiva

O que aconteceu?

Resume dados históricos para identificar padrões, tendências e resultados passados. Foco em visão retrospectiva.

Exemplo prático: Relatório mensal mostrando que as vendas de um produto caíram 15% em relação ao mês anterior.

Ferramenta: Microsoft Power BI

2

Diagnóstica

Por que aconteceu?

Investiga as causas raiz de um evento, analisando correlações e anomalias nos dados históricos.

Exemplo prático: Ao investigar a queda de 15%, descobre-se que houve falha técnica no site durante o fim de semana e aumento no preço do frete.

3

Preditiva

O que vai acontecer?

Utiliza dados históricos, modelos estatísticos e inteligência artificial para antecipar tendências futuras com base em probabilidades.

Exemplo prático: Prever queda de 10% nas vendas no próximo trimestre caso o valor do frete não seja ajustado.

4

Prescritiva

O que devemos fazer?

Recomenda ações específicas e traça estratégias ideais para maximizar resultados ou evitar riscos, por meio de decisões automatizadas por algoritmos.

Exemplo prático: Algoritmo sugere automaticamente redução de 5% no preço do produto e troca de transportadora para manter a meta de vendas.

Profissionais de Dados

⚙️

Engenheiro de Dados

Coletar, armazenar e disponibilizar dados

• Criar pipelines ETL/ELT
• Integrar dados de diferentes sistemas
• Construir Data Warehouses e Data Lakes
• Garantir qualidade e segurança dos dados
• Automatizar coleta e transformação

SQL Python Spark Kafka AWS/Azure

📊

Analista de BI

Transformar dados em informações para o negócio

• Criar dashboards e relatórios
• Definir indicadores de desempenho (KPIs)
• Realizar análises descritivas
• Monitorar resultados do negócio
• Identificar tendências e oportunidades

Power BI Tableau SQL Excel

🤖

Cientista de Dados

Descobrir padrões e fazer previsões

• Limpeza e preparação de dados
• Análise exploratória (EDA)
• Construção de modelos preditivos
• Machine Learning
• Desenvolvimento de algoritmos

Python Scikit-Learn TensorFlow Pandas

Analogia: Como uma fábrica

Engenheiro Constrói as estradas e esteiras que transportam a matéria-prima

Analista BI Organiza os produtos e cria relatórios sobre a produção

Cientista Analisa dados da fábrica para prever problemas e otimizar a produção

ETL — Extract, Transform, Load

Processo para integrar dados de diferentes fontes e prepará-los para análise.

E

Extract — Extração

Coleta de dados de diferentes sistemas e fontes da organização.

ERP CRM E-commerce Financeiro APIs Planilhas

T

Transform — Transformação

Os dados passam por tratamentos para garantir consistência e qualidade: limpeza de duplicatas, padronização de formatos, conversão de datas, cálculos e integração entre fontes.

L

Load — Carga

Os dados tratados são enviados para o destino final: Data Warehouse, Data Mart, Data Lake ou ferramentas de BI.

ETL — Abordagem Tradicional

Transforma os dados antes de carregá-los.
Extrair → Transformar → Carregar

✔ Dados chegam limpos ao destino

✖ Mais lento para grandes volumes

ELT — Abordagem Moderna

Carrega primeiro e transforma depois.
Extrair → Carregar → Transformar

✔ Ideal para Big Data e Cloud

✖ Requer infraestrutura robusta

Estruturas de Armazenamento de Dados

🏛️

Data Warehouse

Repositório centralizado com dados históricos de diversas fontes, organizados para consultas analíticas e geração de relatórios corporativos.

✔ Alta qualidade dos dados ✔ Visão única da empresa ✖ Alto custo de implementação ✖ Menos flexível para dados não estruturados

📂

Data Mart

Subconjunto do Data Warehouse voltado para um departamento específico (Vendas, Financeiro, RH), com menor volume e mais agilidade.

✔ Menor custo e implantação rápida ✔ Melhor desempenho para a área ✖ Risco de dados inconsistentes ✖ Pode gerar redundância

🌊

Data Lake

Repositório massivo que armazena dados em formato bruto (estruturados, semiestruturados e não estruturados) sem necessidade de preparo prévio.

✔ Grande capacidade e baixo custo ✔ Ideal para Big Data e IA ✖ Pode virar "Data Swamp" se mal gerido ✖ Governança mais complexa

🌊

Data Lake

Grande reservatório de água bruta — armazena tudo sem tratamento prévio

🏭

Data Warehouse

Estação de tratamento — organiza e padroniza os dados para uso corporativo

🏘️

Data Mart

Distribuição para bairros específicos — dados prontos para cada departamento

Visualização de Dados

Para BI:

Microsoft Power BI

• Dashboards interativos
• Análise de tendências temporais
• KPIs e indicadores
• Integração com múltiplas fontes

Tableau

• Exploração visual avançada
• Identificação rápida de padrões
• Análise estatística

Looker Studio

• Gratuito
• Fácil integração com Google
• Relatórios e métricas

Microsoft Excel

• Tabelas dinâmicas
• Gráficos estatísticos
• Análise exploratória inicial
• Acessível para estudantes

Aplicação na Logística

Objetivo	Técnica Recomendada
Identificar atrasos incomuns	Boxplot + Z-Score
Prever demanda futura	Regressão + Séries Temporais
Encontrar rotas problemáticas	Heatmap
Segmentar clientes	Clusterização (K-Means)
Detectar fraudes em entregas	Isolation Forest
Analisar sazonalidade	Média Móvel + ARIMA
Avaliar relação estoque × vendas	Análise de Correlação

Fluxo Recomendado de Análise

1

Coleta dos Dados

↓

2

Limpeza dos Dados

↓

3

Análise Exploratória (EDA)

↓

4

Visualização

↓

5

Identificação de Outliers

↓

6

Análise de Tendências

↓

7

Descoberta de Padrões

↓

8

Modelagem Estatística / IA

↓

9

Tomada de Decisão

Prof. Elton Alex Silva · ETEC · Centro Paula Souza

caderno-ti.blogspot.com