Imagem em PDF

0
UNIVERSIDADE DO EXTREMO SUL CATARINENSE - UNESC
MBA EM GESTÃO DE BANCO DE DADOS
EVANDRO LONGO DA SILVA
ESTUDO DO PERFIL DO CONSUMIDOR DE MEDICAMENTOS POR
REGIÃO, COM BASE EM INFORMAÇÕES DE VENDA DE
MEDICAMENTOS.
Criciúma, agosto de 2005
1
UNIVERSIDADE DO EXTREMO SUL CATARINENSE - UNESC
MBA EM GESTÃO DE BANCO DE DADOS
EVANDRO LONGO DA SILVA
ESTUDO DO PERFIL DO CONSUMIDOR DE MEDICAMENTOS POR
REGIÃO, COM BASE EM INFORMAÇÕES DE VENDA DE
MEDICAMENTOS.
Monografia apresentada a Diretoria de Pós-Graduação da
Universidade do Extremo Sul Catarinense – UNESC, para
a obtenção do título de especialista em MBA em
Administração de banco de Dados
Orientador: Prof. Mestre Carlos Fernando Barbosa Bus
Criciúma, agosto de 2005
2
Dedicatória
Aos meus pais Vilson e Luzia, aos meus
irmãos, a minha noiva Cristiane e ao meu grande
amigo Ederson.
3
Agradecimentos
Agradeço primeiramente a Deus, que me
deu forças e saúde para enfrentar mais esta etapa.
Em especial agradeço aos meus pais e familiares,
pela compreensão nas horas de ausência, pelo
apoio nos momentos de dúvida e paciência nas
horas de cansaço.
Ao meu querido orientador Professor
Carlos Fernando Barbosa Buss, pelas pacientes
horas de colaboração, até mesmo pelos poucos
minutos de conversa, que de alguma forma sempre
me deu força para concluir este trabalho.
E especialmente ao meu enorme amigo
Ederson, que compartilhou boa parte dos momentos
vividos durante todo percurso da pós-graduação e
se manteve companheiro dede os trabalhos de sala
até as baladas.
4
RESUMO
O conhecimento do público alvo de uma empresa se faz necessário, para
que as empresas possam aperfeiçoar suas campanhas de marketing e obterem um
maior retorno de investimento. Dentre outras finalidades, o datamining é utilizado
justamente para isso: definir entre os clientes, quais são os mais prováveis a adquirir
um novo produto ou serviço, é o que se chama de marketing direcionado. A logística
de mercado é um fator muito importante e que pode ter muito mais eficiência quando
se conhece o perfil dos clientes. Não somente para obter retorno financeiro o
datamining é utilizado. Possibilidades de proporcionar um melhoramento na
qualidade de vida da população também podem ser conseguidas com técnicas de
mineração de dados. Identificar as regiões com índices de consumo de
determinados tipos de medicamentos, possibilitando entidades efetuarem
campanhas de prevenção e controle de doenças, estão focadas neste trabalho.
Palavras-chave: Mineração de dados. Data warehouse. Medicamentos. Perfil
consumidor.
ABSTRACT
The knowledge of the white public of a company if makes necessary, so
that the companies can perfect its campaigns of marketing and get a bigger return of
investment. Amongst other purposes, datamining is used exactly for this: to define
between the customers, which they are most probable to acquire a new product or
service, is what flame of directed marketing. The logistic one of market is a very
important factor and that it can have much more efficiency when the profile of the
customers is known. To not only get financial return datamining is used.
Possibilities to provide an improvement in the quality of life of the
population also can be obtained with techniques of mining of data. To identify the
regions with indices of consumption of determined types of medicines, making
possible entities to effect campaigns of prevention and control of illnesses, are
focadas in this work.
KeyWords: Mining of data. Date warehouse. Medicines. Consuming profile.
5
LISTA DE ILUSTRAÇÕES
Figura 3.1 ... : Técnicas utilizadas em datamining ....................................................16
Figura 3.3 ... : Constituintes da Célula Neuronal – esquema....................................19
Figura 3.2 ... : Etapas do processo DCBD ................................................................30
Figura 3.4 ... : Neurônio Artificial...............................................................................30
Figura 3.5 ... : Exemplo de uma Rede Neural Artificial de 2 camadas......................31
Figura 3.6 ... : Visão geral de um algoritmo genético................................................33
Figura 3.7 ... : Fluxo do BD operacional ...................................................................38
Figura 3.8 ... : Fluxo do Data Warehouse .................................................................38
Figura 3.9 ... : DW – Forma de cubo.........................................................................47
Figura 3.10 . : DW – multidimensional ......................................................................48
Figura 4.1 ... : Área de abrangência geográfica........................................................62
Figura 4.2 ... : Tabelas dimensões............................................................................63
Figura 4.3 ... : Modelagem das tabelas do Data Warehouse ....................................63
Figura 4.4 ... : Tela de abertura do MineSet 3.2 da Silicon Graphics........................65
Figura 4.5 ... : Tool Manager.....................................................................................66
Figura 4.6 ... : Caixa de diálogo para conexão ao servidor.......................................68
Figura 4.7 ... : Caixa de diálogo para conexão ao servidor.......................................68
Figura 4.8 ... : Tool Manager mostrando o histórico das transformações .................70
Figura: 4.9 .. : Splat Visualizer .................................................................................71
Figura 4.10 . : Scatter Visualizer...............................................................................72
Figura 4.11 . : Tree Visualizer...................................................................................74
Figura 4.12 . : Detalhe na árvore do Tree Visualizer ................................................75
Figura 4.13 . : Carga dos dados iniciais....................................................................83
Figura 4.14 . : Caixa de diálogo Add Column ...........................................................84
Figura 4.15 . : Mining tools........................................................................................85
Figura 4.16 . : Scatter Visualizer – aplicação de Assoc. ...........................................85
Figura 4.17 . : Registros da mineração por estado ...................................................86
Figura 4.18 . : Caixa de diálogo Filter. ......................................................................87
Figura 4.19 . : Registros da mineração por estado – com filtro.................................87
Figura 4.20 . : Scatter Visualizer por Estado.............................................................88
6
Figura 4.21 . : Tree Visualizer por Estado ................................................................88
Figura 4.22 . : Scatter Visualizer – Ranking por estado (Geral)................................89
Figura 4.23 . : Scatter Visualizer – Ranking por estado (Paraná) .............................90
Figura 4.24 . : Scatter Visualizer – Ranking por estado (Rio Grande do Sul) ...........90
Figura 4.25 . : Scatter Visualizer – Ranking por estado (Santa Catarina).................91
Figura 4.26 . : Scatter Visualizer – Ranking por setor (Geral)...................................92
Figura 4.27 . : Scatter Visualizer – Ranking por setor (Paraná)................................93
Figura 4.28 . : Scatter Visualizer – Ranking por setor (Rio Grande do Sul).............93
Figura 4.29 . : Scatter Visualizer – Ranking por setor (Santa Catarina) ...................94
Figura 4.30 . : Tree Visualizer – Árvore por cidade (Geral)......................................95
Figura 4.31 . : Scatter Visualizer – Ranking por cidade (Geral) ...............................96
Figura 4.32 . : Scatter Visualizer – Ranking por cidade (Paraná) ............................96
Figura 4.33 . : Scatter Visualizer – Ranking por cidade (Rio Grande do Sul) ..........97
Figura 4.34 . : Scatter Visualizer – Ranking por cidade (Santa Catarina)................98
7
LISTA DE TABELAS
Tabela 3.1 ... : Relação de classes terapêuticas .......................................................59
Tabela 4.1 ... : Ranking de venda acima da média por estado..................................89
Tabela 4.2 ... : Ranking de venda acima da média por estado, somente do PR .......90
Tabela 4.3 ... : Ranking de venda acima da média por estado somente do RS. .......90
Tabela 4.4 ... : Ranking de venda acima da média por estado, somente de SC .......91
Tabela 4.5 ... : Ranking de venda acima da média por setor ....................................92
Tabela 4.6 ... : Ranking de venda acima da média por setor, somente do Paraná ...93
Tabela 4.7 ... : Ranking de venda acima da média por setor, somente do RS..........93
Tabela 4.8 ... : Ranking de venda acima da média por setor, somente de SC..........94
Tabela 4.9 ... : Ranking de venda acima da média por cidade. .................................94
Tabela 4.10 . : Ranking de venda acima da média por cidade, somente Paraná......95
Tabela 4.11 . : Ranking de venda acima da média por cidade, somente RS ............96
Tabela 4.12 . : Ranking de venda acima da média por cidade, somente SC. ...........97
8
Sumário
1 INTRODUÇÃO .........................................................................................................9
2 PROPOSTA ...........................................................................................................11
2.1 TEMA .......................................................................................................................... 11
2.2 SITUAÇÃO DO PROBLEMA.............................................................................................. 11
2.3 JUSTIFICATIVA ............................................................................................................. 11
2.4 OBJETIVOS .................................................................................................................. 13
2.4.1 Objetivo geral ...................................................................................................... 13
2.4.2 Objetivos específicos .......................................................................................... 13
3 FUNDAMENTAÇÃO TEÓRICA .............................................................................14
3.1 DATAMINING (MINERAÇÃO DE DADOS) ........................................................................... 14
3.1.1 Conceito.............................................................................................................. 15
3.1.2 Processo de DCBD ............................................................................................. 18
3.1.3 As fases do processo de DCBD .......................................................................... 19
3.1.4 Técnicas de Mineração de Dados ....................................................................... 22
3.1.5 Extração com aplicações OLAP .......................................................................... 34
3.1.6 Considerações .................................................................................................... 35
3.2 DATA W AREHOUSE (DW) ............................................................................................. 37
3.2.1 Conceito.............................................................................................................. 37
3.2.2 O ambiente Data Warehouse .............................................................................. 40
3.2.3 Características de um data warehouse ............................................................... 41
3.2.4 Desenvolvimento do data warehouse.................................................................. 45
3.2.5 Modelagem de um data warehouse .................................................................... 46
3.2.6 Considerações .................................................................................................... 49
3.3 MEDICAMENTOS ........................................................................................................... 51
3.3.1 Conceito.............................................................................................................. 51
3.3.2 Classificação dos medicamentos internacionalmente.......................................... 51
3.3.3 Classificação dos medicamentos no Brasil - ANVISA.......................................... 54
3.3.4 Classificação patentária ...................................................................................... 57
3.3.5 Casses terapêuticas............................................................................................ 58
3.3.6 Considerações .................................................................................................... 59
4 DESENVOLVIMENTO ...........................................................................................61
4.1 METODOLOGIA ............................................................................................................. 61
4.1.1 Coleta de dados .................................................................................................. 61
4.2 O DATA W AREHOUSE ................................................................................................... 62
4.3 O SOFTWARE DE MINERAÇÃO: MINESET ........................................................................ 65
4.3.1 Trabalhando com o MineSet ............................................................................... 65
4.3.2 Iniciando o MineSet............................................................................................. 67
4.3.3 Usando o Tool Manager ...................................................................................... 69
4.3.4 Visualizando os Dados........................................................................................ 70
4.4 A MINERAÇÃO.............................................................................................................. 78
4.4.1 As fases do processo de mineração.................................................................... 79
4.5 Considerações ....................................................................................................... 99
5 CONSIDERAÇÕES FINAIS .................................................................................101
REFERÊNCIAS.......................................................................................................105
9
1 INTRODUÇÃO
Este trabalho vem apresentar a monografia de conclusão da PósGraduação da Universidade do Extremo Sul Catarinense – UNESC, como requisito
para a modalidade de Formação para o magistério Superior. Segundo O’BREIN,
A tecnologia da informação está redefinindo os fundamentos dos
negócios. Atendimento ao cliente, operações, estratégias de produto e de
marketing e distribuição, dependem muito, e às vezes até totalmente, dos
Sistemas de Informação. A tecnologia da informação e seus custos
passaram a fazer parte integrante do dia-a-dia das empresas (O’BRIEN,
2001, p. 3).
Mas, apesar da informática desempenhar um papel de importância
incontestável nas empresas e de conceitos como o de Sistemas de Apoio a Decisão
terem sido conceitualmente propostos já no final da década de setenta, a eficácia da
informação, que é fornecida pelos sistemas de informação e apoio gerencial, ainda
está por ser comprovada. Especialmente no que diz respeito a informação para a
alta administração, onde se manipulam variáveis estratégicas e problemas pouco
estruturados.
Diversas empresas avançam no escuro, sem conhecer o perfil de seus
clientes, quais os tipos de produtos e onde eles os adquirem. Utilizam poucas
ferramentas que visem o acompanhamento do impacto de suas estratégias sobre o
resultado de seus investimentos e a eficácia de suas ações.
As ferramentas de datamining podem prever futuras tendências e
comportamentos, permitindo as empresas um novo processo de tomada de
decisão, baseado principalmente no conhecimento acumulado, e
freqüentemente desprezado, contido em seus próprios bancos de dados
(DIAS, 2002)
A mudança de paradigma, causada por uma conjunção de fatores, como o
grande acúmulo e coleta de dados, o relativo barateamento do processamento e dos
computadores, e o surgimento de novas oportunidades, como o marketing direto,
10
trouxe um desenvolvimento ímpar para as técnicas de descoberta de conhecimento.
Com posse dos dados de venda de uma distribuidora de medicamentos,
será estudado o consumo por região, relacionando-os por tipo de medicamento.
Aplicando-se técnicas de datamining a esses dados, se pretende construir
conhecimentos, de modo que possam servir para tomadas de decisões às empresas
do ramo, além de prestar um serviço social à população.
11
2 PROPOSTA
2.1 Tema
Aplicação de datamining na área da saúde.
2.2 Situação do problema
A inexistência, até então, de conhecimento a respeito do perfil consumidor
dos clientes de medicamentos por região.
2.3 Justificativa
Com o aumento da população, das tecnologias e com a globalização, o
comércio tem se tornado cada vez mais competitivo. Com isso as empresas devem
utilizar o potencial tecnológico, que se tem a disposição, para extrair informações
que levem a executar seus processos de maneira eficaz.
Mais agilidade na tomada de decisão, ações de marketing e vendas
certeiras , retenção e ampliação da base de clientes, conhecimento exato
da distância entre as realizações e estratégia da empresa. Provavelmente
são esses os desejos da maior parte dos líderes de corporações,
independente de sua localização, porte ou área de atuação (CERIONI,
2004, p.27).
O conhecimento do público alvo de uma empresa se faz necessário, para
que as empresas possam aperfeiçoar suas campanhas de marketing e obterem um
maior retorno de investimento. Dentre outras finalidades, o datamining é utilizado
justamente para isso: definir entre os clientes, quais são os mais prováveis a adquirir
um novo produto ou serviço, é o que se chama de marketing direcionado. Por
12
exemplo, uma campanha de mala direta pode ser enviada somente a 10.000 clientes
qualificados, ao invés de enviar a um total de 100.000 clientes, sem uma análise
prévia.
A logística de mercado é um fator muito importante e que pode ter muito
mais eficiência quando se conhece o perfil dos clientes. A questão de organização
de estoque, transporte e até mesmo o valor dos produtos, podem ter interferência
do perfil dos clientes.
Além de tudo isso, como o estudo é voltado para área da saúde, temos
uma colaboração social muito importante, pois está ligada diretamente ao bem estar
da população.
Na medicina já é possível a criação e manutenção de grandes bancos de
dados com informação sobre sintomas, resultados de exames,
diagnósticos, tratamentos e curso das doenças para cada paciente. A
mineração de dados pode fornecer conhecimento novo, como, por
exemplo, a relação entre algumas doenças e certos [...] [...] local de
moradia. (Carvalho, 2001, p.10).
É muito provável que as autoridades governamentais, de posse dos
conhecimentos sobre o consumo de medicamento por região, possam desenvolver
campanhas de prevenção de certas doenças. Por exemplo, se em uma determinada
região existe um consumo elevado de remédios para doenças transmissíveis, o
governo deve tomar providência para amenizar e combater esta patologia com mais
intensidade que em regiões que elas não se apresentam.
13
2.4 Objetivos
2.4.1 Objetivo geral
Conhecer o perfil dos clientes consumidores de medicamentos por região,
com base em informações de venda de medicamentos.
2.4.2 Objetivos específicos
•
Identificar as regiões consumidoras de medicação agrupadas por tipo de sal
dos medicamentos;
•
Colaborar com a sociedade fornecendo conhecimento acerca do consumo de
medicamentos.
•
Aplicar técnicas de datamining sobre base de dados de venda de
medicamentos;
•
Avaliar os algoritmos de datamining mais adequados à base de dados de
venda de medicamentos;
14
3 FUNDAMENTAÇÃO TEÓRICA
3.1 Datamining (Mineração de dados)
Atualmente, as organizações têm se mostrado extremamente eficientes
em capturar, organizar e armazenar grandes quantidades de dados, obtidos de suas
operações diárias ou pesquisas científicas, porém, ainda não usam adequadamente
essa gigantesca montanha de dados para transformá-la em conhecimentos que
possam ser utilizados em suas próprias atividades, sejam elas comerciais ou
científicas.
Banco de dados relacionais são responsáveis por armazenar e recuperar
dados de forma eficiente. No entanto, somente essas atividades não
garantem a continuidade dos negócios. Nos dias de hoje, cada vez mais é
necessário que se tire proveito maior dos dados. Surge a tríade dado,
informação e conhecimento. O dado é algo bruto, é a matéria-prima da qual
podemos extrair informação. Informação é o dado processado, com
significado e contexto bem definido. O computador em essência, serve
para transformar dados em informações. Por fim, o conhecimento é o uso
inteligente da informação, é a informação contextualizada e utilizada na
prática. Dessa forma, a qualidade da informação sustenta o conhecimento.
(VIANA, 2004, p.16).
Diariamente as empresas acumulam diversos dados em seus bancos de
dados, tornando-os verdadeiros tesouros de informação sobre os vários
processos e procedimentos das funções da empresa, inclusive com dados
e hábitos de seus clientes, suas histórias de sucesso e fracassos. Todos
estes dados podem contribuir com a empresa, sugerindo tendências e
particularidades pertinentes a ela e seu meio ambiente interno e externo,
visando uma rápida ação de seus gestores (FELDENS, 1999).
Definimos datamining como o uso de técnicas automáticas de exploração
de grandes quantidades de dados de forma a descobrir novos padrões e
relações que, devido ao voluma de dados, não seriam facilmente
descobertos a olho nu pelo ser humano. (CARVALHO, 2001, p.7).
Datamining é uma das novidades da Ciência da Computação que veio
para ficar. Com a geração de um volume cada vez maior de informação, é essencial
tentar aproveitar o máximo possível desse investimento. Talvez a forma mais nobre
de se utilizar esses vastos repositórios seja pesquisar se há algum conhecimento
15
escondido neles.
3.1.1 Conceito
Os bancos relacionais, quando bem projetados, permitem a extração de
diversas informações usando SQL. O mecanismo é simples: elabora-se um
problema, é realizado um mapeamento para a linguagem de consulta, e
essa consulta ~e submetida ao SGBD. Observe que esse processo resolve
questões que necessariamente devem ser definidas, ou seja, as
informações extraídas são respostas a uma consulta previamente
estruturada. No entanto, dados armazenados podem esconder diversos
tipos de padrões e comportamentos relevantes que a princípio não podem
ser descobertos utilizando-se SQL. Além disso, por mais que o analista
seja criativo, ele irá apenas conseguir elaborar diversas questões de forma
que se tenham resultados práticos no final. Neste contexto está inserida a
aplicabilidade da mineração de dados. (VIANA, 2004, p.16).
A proposta de datamining é de descobrir padrões em dados de forma que
esse conhecimento seja aplicado para a solução de problemas. O termo datamining
pode causar um certo desconforto, dada a ampla gama de sentidos em que o
mesmo pode ser usado.
Uma tradução literal de datamining poderia ser: mineração, exploração das
minas “de dados”. Ou ainda, segundo o dicionário Aurélio, mina é num
sentido figurativo – uma boa fonte de informações e conhecimentos.
Porém, em termos técnicos datamining preditivo é a procura por fortes
padrões (informações valiosas) em grandes volumes de dados, que
possam ser generalizados para decisões futuras acuradas. Para tal,
medidas chamadas de “features” (características) são especificadas e
uniformemente examinadas sobre muitos casos. (Oliveira, 1999).
A tecnologia tornou relativamente fácil o acúmulo dos dados. Mineração de
dados é um termo genérico utilizado para todos os métodos e técnicas
computacionais que fazem extração de informações úteis de bilhões de bits
de dados através de um resumo compacto dos mesmos (GSI, 1998).
Talvez a definição mais importante de datamining tenha sido elaborada
por Usama Fayyad (Fayyad et al. 1996): "...o processo não-trivial de identificar, em
dados, padrões válidos, novos, potencialmente úteis e ultimamente compreensíveis".
Esse processo vale-se de diversos algoritmos que processam os dados e
encontram esses "padrões válidos, novos e valiosos". É preciso ressaltar um detalhe
que costuma passar despercebido na literatura: embora os algoritmos atuais sejam
16
capazes de descobrir padrões "válidos e novos", ainda não temos uma solução
eficaz para determinar padrões valiosos. Por essa razão, datamining ainda requer
uma interação muito forte com analistas humanos, que são, em última instância, os
principais responsáveis pela determinação do valor dos padrões encontrados. Além
disso, a condução da exploração de dados é também tarefa fundamentalmente
confiada a analistas humanos, um aspecto que não pode ser desprezado em
nenhum projeto que queira ser bem sucedido.
Para que o conceito seja melhor entendido, vejamos o seguinte exemplo
(retirado da revista: SQL Magazine, Reinaldo Viana, 2004): tomemos por base um
cadastro com aproximadamente 500.000 clientes de uma loja de roupas. Através do
uso de técnicas de mineração foi descoberto que 7% desses clientes são casados,
estão na faixa etária compreendida entre 31 e 40 anos e possuem pelo menos dois
filhos. Note que inicialmente não foi elaborada uma questão do tipo “identifique os
clientes casados com faixa etária entre 31 e 40 anos e que possuam pelo menos
dois filhos”. O próprio processo de mineração identificou a pergunta e a resposta.
Ainda segundo VIANA (2004), mineração de dados pode ser definida como
processo automatizado de descoberta de novas informações a partir de
grandes massas de dados. A mineração de dados é uma área extensa,
interdisciplinar e envolve o estudo de diversas técnicas.
Banco de dados
Otimização
Estatística
Mineração
de dados
Inteligência Artificial
Visualização
Outras disciplinas
Figura 3.1: Técnicas utilizadas em datamining.
Datamining significa Mineração de dados e, pode ser entendido como
17
parte de um processo de descoberta do conhecimento.
Mineração de Dados é um passo no processo de KDD que consiste na
aplicação de análise de dados e algoritmos de descobrimento que
produzem uma enumeração de padrões (ou modelos) particular sobre os
dados. (GSI, 1998)
Em diversos livros e artigos, assim como diz também Viana (2004. p.17), a
mineração de dados é vista como parte de um processo maior, denominado KDD Knowledge Discover in Database – que significa descoberta de conhecimento em
bases de dados.
A mineração de dados é um dos passos de um processo maior
denominado de Descoberta de Conhecimento em Base de Dados – DCBD
(Knowledge Discovery in Databases – KDD), que é realizado por
ferramentas computacionais em desenvolvimento para crescentes volumes
de dados.(GSI 1998).
DCBD refere-se ao processo geral de descoberta de conhecimento útil a
partir de dados enquanto que mineração de dados refere-se à aplicação de
algoritmos para extração de padrões de dados sem os passos adicionais
do processo de DCBD (tais como a incorporação de conhecimento prévio e
interpretação adequada de resultados). (FAYYAD, 1996).
Já John (1997), defende a designação de mineração de dados para o
processo como um todo, argumentando que a disparidade de termos entre a área
de pesquisa e a indústria deve ser resolvida com a concessão dos pesquisadores,
passando estes a aceitarem a expressão praticada pela indústria.
Do ponto de vista do nosso interesse de pesquisa, consideramos
adequada a distinção dada por Fayyad, por permitir uma delimitação bem clara dos
alvos de pesquisa. Assim, assumimos mineração de dados como o núcleo do
processo maior, DCBD. Sendo assim, para que se entenda melhor a mineração de
dados, faz se necessário entender como funciona o processo de descoberta do
conhecimento em bases de dados (DCBD) ou mais comumente utilizado: KDD
(Knowledge Discovery in Databases).
18
3.1.2 Processo de DCBD
Datamining é uma das ferramentas mais utilizadas para extração de
conhecimento através de bancos de dados, tanto no meio comercial quanto no meio
científico.
DCBD é um processo que envolve a automação da identificação e do
reconhecimento de padrões em um banco de dados. Sua principal característica é a
extração não trivial de informações a partir de uma base de dados de grande porte.
Essas informações são necessariamente implícitas, previamente desconhecidas, e
potencialmente úteis.
Devido a essas características incomuns, todo o processo de DCBD
depende de uma nova geração de ferramentas e técnicas de análise de dados, e
envolve diversas etapas. A principal, que forma o núcleo do processo, e que muitas
vezes se confunde com ele, é a Mineração de dados.
O processo DCBD é um conjunto de atividades contínuas que compartilham
o conhecimento descoberto a partir de bases de dados. Esse conjunto é
composto de 6 (seis) etapas: seleção dos dados, limpeza, enriquecimento,
codificação, datamining e interpretação do conhecimento descoberto.
(FAYYAD, 1996)
Encontramos diversas maneiras de divisão do processo de DCBD. Com
uma análise em diversos materiais (livros e artigos), pode-se chegar à uma divisão
que entendemos ser a mais adequada. Veja na figura abaixo.
19
Seleção
Dados
Pré-processamento
e Limpeza
Dados - Alvo
Transformação
Dados
Pré-processados
Preparação dos dados
Mineração de dados
Dados
Transformados
Interpretação
Avaliação
Padrões
Mineração
Conhecimento
Pós-processamento
Figura 3.2: Etapas do processo DCBD
A figura a cima apresenta, resumidamente, todo o processo DCBD,
englobando uma fase de Preparação dos dados, que por sua vez é composta pelas
etapas de seleção, pré-processamento e limpeza e transformação. A segunda fase é
de mineração. É nesta fase que os dados preparados são processados, ou seja, é
fazer a mineração dos dados propriamente dita e por fim, a fase de
Interpretação/Avaliação, na qual o resultado do datamining é avaliado, visando
determinar se algum conhecimento adicional foi descoberto, assim como definir a
importância dos fatos gerados.
3.1.3 As fases do processo de DCBD
Para melhor entender, vamos ver cada etapa detalhadamente:
Seleção dos dados
Na seleção dos dados deseja-se escolher apenas atributos relevantes do
conjunto de atributos do banco de dados.
Nesta fase, as questões em potencial para a mineração são identificadas.
Dependendo do problema a ser minerado e da massa de dados disponíveis,
haverá a escolha do tipo de técnica a ser trabalhada. A questão a ser
minerada e a própria técnica a ser trabalhada definem qual parte da massa
20
de dados inicial vai ser utilizada e, para isso, selecionada. (VIANA, 2004.
p.17).
A seleção de atributos então, consiste na escolha de um subconjunto de
atributos disponíveis para o algoritmo DCBD que seja relevante para o objetivo da
tarefa. O subconjunto então selecionado é fornecido para o algoritmo de mineração
de dados. Um motivo para essa seleção é otimizar o tempo de processamento do
algoritmo minerador, visto que ele apenas trabalhará com os dados necessários,
diminuindo o seu espaço de busca.
Pré-processamento e limpeza dos dados
Essa fase é responsável por consolidar as informações relevantes para o
algoritmo minerador, buscando reduzir a complexidade do problema.
Nesta fase são identificados e removidos os dados duplicados e/ou
corrompidos. A execução desta fase corrige a base de dados eliminando
consultas desnecessárias que seriam executadas pelo algoritmo minerador
e que afetaria o seu processamento. Os métodos de limpeza de dados são
herdados e dependentes do domínio da aplicação, desse modo a
participação do analista se torna essencial. (VELASCO, 1999. p.18)
Um exemplo simples de limpeza de dados, é a ocorrência da compra de
uma grande quantidade de produtos por apenas um cliente em uma data específica.
Essa informação não demonstra nenhum padrão, mas sim uma exceção.
Alguns estudos mostram que a etapa de limpeza dos dados pode tomar até
80% do tempo necessário pata todo o processo de descoberta de
conhecimento. Ela também é considerada uma das etapas mais importantes
par ao sucesso do processo como um todo. (VIANA, 2004. p.17).
Transformação dos dados
Esta fase, converte os dados para a forma mais adequada para a
construção e interpretação do modelo.
Os dados pré-processados passam ainda por uma transformação com o
objetivo de facilitar seu uso pelas técnicas de mineração. Nesta fase, o uso
de data warehouse torna-se bastante útil, pois nessas estruturas o préprocessamento dos dados já existe, ou seja, as informações já estão
21
consolidadas num formato mais estatístico e menos transacional. (VIANA,
2004. p17).
Por exemplo podemos citar o atributo IDADE, ele pode ser classificado
por faixas, exemplo:
Faixa 1: de 0 à 18 anos;
Faixa 2: de 18 à 25 anos;
Faixa 3: de 26 à 40 anos; e assim por diante.
Um algoritmo de codificação divide valores contínuos dos atributos
(inteiros ou reais) numa lista de intervalos representados por um código (como no
exemplo acima). Efetivamente ocorre uma conversão de valores quantitativos para
valores categóricos, ou seja, cada intervalo resulta num valor discreto do atributo.
Mineração de dados
Pode-se dizer que é a etapa mais importante do processo de DCBD.
Caracteriza-se pela existência do algoritmo que diante da tarefa especificada será
capaz de extrair eficientemente conhecimento implícito e útil de um banco de dados.
Pode-se dizer que a mineração de dados é a fase que transforma dados em
informação, conseqüentemente um sistema de suporte à decisão baseado em
algoritmos de mineração de dados é o que transforma os dados em possíveis ações.
É o que tínhamos estudado anteriormente neste mesmo capítulo.
Interpretação / avaliação dos dados
Finalmente, a saída do algoritmo minerador pode ser refinada numa fase
de pós-processamento. Essa fase envolve a interpretação do
conhecimento descoberto, ou algum processamento desse conhecimento.
Esse pós-processamento deve ser incluído no algoritmo minerador, porém
algumas
vezes
é
vantajoso
implementa-lo
separadamente.
(VALLASCO,1999).
22
A interpretação dos dados consiste no processo de tomada de decisão,
que é o fator que é esperado com a mineração de dados. Essa tomada de decisão
deverá levar em conta as regras de negócio da organização, pois a mineração de
dados fornece as informações, mas como trabalhar essas informações, depende dos
administradores e analistas.
Como exemplo dessa fase, pode-se evidenciar uma situação onde a
mineração de dados fornece seguinte informação:
Sempre que um médico prescreve um antibiótico, também prescreve um
medicamento para o estômago.
A interpretação consistirá em formular conhecimento a partir dessas
premissas e constatar que se pode fazer uma venda promocional desses produtos
caso sejam adquiridos juntos.
Esse é apenas um exemplo para demonstrar o sentido dessa etapa do
processo DCBD: interpretar os resultados e transformá-los em conhecimento.
3.1.4 Técnicas de Mineração de Dados
Os objetivos principais da mineração de dados são a previsão e
descrição. A previsão faz uso de variáveis existentes no banco de dados para prever
valores desconhecidos ou futuros. A descrição é voltada para a busca de padrões
descrevendo os dados e a subseqüente apresentação para a interpretação do
usuário. A relativa ênfase entre previsão e descrição varia de acordo com o sistema
de mineração de dados utilizado.
Estes objetivos são conseguidos através de vários algoritmos. Tais
algoritmos são incorporados em vários métodos de mineração de dados.
As ferramentas de mineração ou mecanismos de busca são usualmente
23
programas ou agentes automatizados inteligentes, incorporando alguma
forma de inteligência artificial em bancos de dados relacionais. Os agentes
detectam padrões predefinidos e alertam o usuário sobre
variações.(GRILO, 1998)
Qualquer algoritmo de mineração de dados é composto de três
componentes: representação através de modelo, avaliação do modelo e método de
busca. Resumidamente, o modelo deve representar limites flexíveis e suposições
adequadas, de uma maneira que os padrões possam ser descobertos; o modelo
deve ter validade preditiva - que pode ser baseada em validações cruzadas; então, a
busca deveria otimizar os critérios de avaliação do modelo de acordo com os dados
observados e a representação do modelo.
As ferramentas de mineração ou mecanismos de busca são usualmente
programas ou agentes automatizados inteligentes, incorporando alguma forma de
inteligência artificial (GRILO, 1998) em bancos de dados relacionais. Os agentes
detectam padrões predefinidos e alertam o usuário sobre variações. Vários tipos de
ferramentas são utilizadas na mineração de dados: redes neurais, árvores de
decisão, indução de regras e visualização de dados.
Existem vários algoritmos de mineração – também chamados técnicas de
mineração por alguns autores – de
dados utilizados para resolver problemas
específicos. Veremos agora algumas destas técnicas, ou algoritmos, mais utilizados:
Classificação: Algoritmos de classificação ou geração de perfis,
desenvolvem e classificam perfis de diferentes grupos.
A classificação é uma das técnicas mais utilizadas do datamining,
simplesmente porque é uma das tarefas cognitivas humanas mais
realizadas no auxílio à compreensão do ambiente em que vivemos.
(CARVALHO, 2001. p.21)
24
O mesmo autor (p.22) ainda diz: “No datamining são comuns as tarefas
de classificação de clientes potencialmente consumidores de um determinado
produto a julgar pelo seu perfil...”.
Classificação é provavelmente a atividade mais comum do data mining
nos dias de hoje. Classificação pode ajudar a encontrar as características dos
clientes mais prováveis e de providenciar um modelo que pode ser utilizado para
prever quem são eles.
Podemos dizer então que classificar um objeto é determinar com que
grupo de entidades, já classificadas anteriormente, esse objeto apresenta mais
semelhança.
A técnica de classificação utiliza um conjunto de exemplos préclassificados para desenvolver um modelo que pode classificar uma
população de registros. Esta aplicação freqüentemente utiliza árvores de
decisão ou algoritmos de classificação baseados em redes neurais
artificiais. O uso de algoritmos de classificação inicia-se com um conjunto
de treinamento de transações, por exemplo, pré-classificados. O algoritmo
de treinamento classificador utiliza estes exemplos para determinar o
conjunto de parâmetros necessários para discriminação apropriada. O
algoritmo então codifica estes parâmetros num modelo chamado
classificador. (BERNARDINO, 2000)
Um exemplo pode ser numa análise de crédito: a companhia
administradora de cartões terá registros de clientes contendo um número de
descritores. Então, para um consumidor com um bom histórico de crédito, o registro
é marcado como "excelente"; "bom", "médio" ou "ruim". A regra de classificação
poderia ser:
Consumidores com o histórico de crédito excelente, têm uma taxa de
débito de menos de 10%.
Esta regra poderia então ser utilizada para a classificação de novos
conjuntos de dados. Outro exemplo poderia ser o marketing direcionado. Qualquer
companhia que pretenda realizar uma divulgação através de mala direta utilizará a
sua lista de correspondência ou uma comprada de terceiros. A lista de
25
correspondência pode ter tido resposta em malas diretas anteriores e, através de um
gerador de perfis, uma classificação ou perfil é desenvolvido caracterizando as
pessoas que tenham respondido às correspondências anteriores. O perfil então é
tomado como uma previsão de resposta da correspondência atual. A lista de
correspondência é então filtrada de maneira que os materiais promocionais sejam
direcionados àqueles que correspondem ao perfil. Além de marketing direcionado e
aprovação de crédito, a geração de perfis também é utilizada para as
correspondências anexas e a determinação de tratamentos apropriados.
Agrupamento: Consiste em identificar fatos que tendem a ocorrer
simultaneamente, além de ocorrerem com uma certa freqüência.
Agrupar é simplesmente (simples no definir, porém não no agir) classificar
uma massa de dados em classes desconhecidas a priori em números ou
forma. Uma tarefa é dadas várias categorias ou classes conhecidas, dizer a
qual delas um certo dado pertence; outra tarefa semelhante em objetivo,
porém muito mais complexa, é, de posse de uma massa de dados, dizer
em quantas classes esses dados se distribuem e como são essas classes.
(CARVALHO, 2001. p.24)
Sendo assim, agrupar é , baseado em medidas de semelhança, definir
quantas e quais classes existem em um conjunto de entidades.
Associação: Associação é a formalização de uma regra observada a
partir de ocorrências de itens em conjuntos de transações, a partir disso se chega a
um fator de confiança que determina o percentual de acerto desta regra em novas
transações. As taxas de confiança podem ser inicializadas para eliminar tendências
mais comuns. Um exemplo é apenas manter regras com grau de confiança maior do
que 90%.
As regras de associação são regras compostas por causa (antecedente) e
efeito (conseqüente) (SANTOS, 1998). Em se tratando de bancos de dados
relacionais, os componentes são os valores dos atributos, participantes de uma
26
mesma transação. O formato destas regras é: X e Y. “O significado intuitivo deste
tipo de regra é que transações de banco de dados que contêm X tendem a conter
Y”. Os algoritmos de associação utilizam a forma lógica (valores contendo
verdadeiro ou falso) para manipular os itens, isto é feito para tornar mais fácil o
processo de descoberta.
As regras de associação são as mais utilizadas. Elas descrevem a
associação de um conjunto de objetos. A regra tem a seguinte forma:
Valor1 → Valor2
Isso significa que as informações que satisfazem o Valor1 devem
satisfazer também o Valor2. Por exemplo, uma regra associa a variação do preço
das casas em relação as características espaciais como a distância da praia.
Se distância do mar = Perto Então Preço da casa = caro.
Os métodos de construção de regras de associação utilizam dois
parâmetros: a confiança e a freqüência (REIS, 1999). Por exemplo, 85% das casas
que são próximas do mar são caras. Neste caso, a confiança da regra é de 85%. A
freqüência desta regra é a porcentagem dos objetos que possuem os dois valores
no conjunto de aprendizagem.
“Portanto, dizemos que associações ocorrem quando ocorrências estão
ligadas num único evento”, (REIS, 1999).
Algoritmos
de
associação
têm
numerosas
aplicações,
incluindo
supermercados, planejamento de estoque, mala direta para marketing direcionado e
planejamento de promoções de vendas. Por exemplo, a regra de associação deriva
a partir da mineração de dados de um banco de dados de transações (através do
leitor de código de barras de produtos), uma lista contendo o conjunto de itens
comprados pelo consumidor em uma visita à loja. A regra de associação poderia ser:
27
“75% dos consumidores que compram Coca-cola também compram
batata frita.”
O número "75%" refere-se ao fator de confidência (confidence factor),
uma medida do poder preditivo da regra. O item do lado esquerdo da regra (left hand
side - LHS) é Coca-cola, enquanto que batata frita está do lado esquerdo da regra
(right hand side - RHS). O algoritmo produz uma grande quantidade destas regras e
cabe ao usuário selecionar o subconjunto de regras que têm graus de confidência
maiores e também porcentagem de listas que seguem a esta regra. Podem existir
também múltiplas associações tais como:
“ 65% dos consumidores que compram Coca-cola e batata frita também
compram sorvete."
É importante para o usuário determinar quando existe algum elemento
com chance de correlação (Coca e batata-frita sendo vendidas) ou quando existe
alguma correlação desconhecida, mas importante (sorvete também estava sendo
comprado). O impacto aqui é como o supermercado pode incrementar as vendas de
sorvete? O que acontece se haver uma promoção de Pepsi? Em outras palavras,
quais itens devem ser colocados lado a lado na prateleira? Um conjunto de itens
relacionados deve estar seguidamente um após o outro.
Estimativa: A arte de estimar consiste em determinar da melhor forma
possível um valor baseando-se em outros valores de situações idênticas, mas nunca
exatamente iguais.
Estimar algum índice é determinar seu valor mais provável diante de dados
do passado ou de dados de outros índices semelhantes sobre os quais se
tem conhecimento. (CARVALHO, 2001. p.22)
Ou ainda, estimar uma grandeza é avaliá-la tendo como base casos
semelhantes nos quais essas grandeza esteja presente.
28
Previsão: A previsão consiste na determinação do futuro de uma
grandeza. Segundo Carvalho (2001), a técnica de previsão resume-se na avaliação
do valor futuro de algum índice, baseando-se em dados do comportamento passado
desse índice.
O único meio de verificarmos se uma previsão foi bem sucedida é
aguardar o acontecimento e verificar o quanto foi acertada ou não a previsão
realizada.
Análise de afinidade: Consiste em identificar fatos que tendem a ocorrer
simultaneamente, além de ocorrerem com uma certa freqüência.
Determinar que fatos ocorrem simultaneamente com probabilidade
razoável (co-ocorrência) ou que itens de uma massa de dados estão
presentes juntos com uma certa chance (correlação) são tarefas típicas da
análise de afinidade. (CARVALHO, 2001. p.24)
A analise de afinidade preocupa-se em descobrir que elementos dos
eventos têm relação no tempo.
Estatística: A Estatística clássica envolve conceitos como distribuição
normal, variância, análise de regressão, desvio simples, análise de conjuntos,
análises discriminantes e intervalos de confiança, todos usados para estudar dados
e os relacionamentos entre eles.
Essas são as pedras fundamentais onde as mais avançadas análises
estatísticas se apóiam. E sem dúvida, no coração das atuais ferramentas e técnicas
de datamining, a análise estatística clássica desempenha um papel fundamental.
A estatística tem uma sólida fundamentação teórica, mas os resultados da
estatística podem ser grandes demais e difíceis de interpretar, pois necessitam do
29
usuário para verificar onde e como analisar os dados. A mineração de dados,
entretanto, permite que o conhecimento do especialista sobre os dados e técnicas
de análise avançadas do computador trabalhe de maneira conjunta.
Sistemas de análise estatística têm sido utilizados por analistas para a
detecção de padrões incomuns e explicação de padrões utilizando modelos
estatísticos tais como modelos lineares. A análise estatística tem um campo enorme
de utilização e a mineração de dados não irá substituir tais análises, e sim utilizar
análises mais diretas baseadas nos resultados da mineração de dados. Por
exemplo, a técnica de indução estatística é algo como a taxa média de falha nas
máquinas.
Redes neurais artificiais:
Redes Neurais Artificiais são técnicas
computacionais que apresentam um modelo matemático inspirado na estrutura
neural de organismos inteligentes e que adquirem conhecimento através da
experiência. Uma grande rede neural artificial pode ter centenas ou milhares de
unidades de processamento; já o cérebro de um mamífero pode ter muitos bilhões
de neurônios.
O sistema nervoso é formado por um conjunto extremamente complexo de
células, os neurônios. Eles têm um papel essencial na determinação do
funcionamento e comportamento do corpo humano e do raciocínio. Os
neurônios são formados pelos dendritos, que são um conjunto de terminais
de entrada, pelo corpo central, e pelos axônios que são longos terminais de
saída. Os neurônios se comunicam através de sinapses. Sinapse é a
região onde dois neurônios entram em contato e através da qual os
impulsos nervosos são transmitidos entre eles. Os impulsos recebidos por
um neurônio A, em um determinado momento, são processados, e
atingindo um dado limiar de ação, o neurônio A dispara, produzindo uma
substância neurotransmissora que flui do corpo celular para o axônio, que
pode estar conectado a um dendrito de um outro neurônio B. O
neurotransmissor pode diminuir ou aumentar a polaridade da membrana
pós-sináptica, inibindo ou excitando a geração dos pulsos no neurônio B.
Este processo depende de vários fatores, como a geometria da sinapse e o
tipo de neurotransmissor. Em média, cada neurônio forma entre mil e dez
mil sinapses. O cérebro humano possui cerca de 10 E11 neurônios, e o
número de sinapses é de mais de 10 E14, possibilitando a formação de
redes muito complexas.(TAFNER, 1998)
30
Figura 3.3: Constituintes da Célula Neuronal - esquema
O neurônio artificial é uma estrutura lógico-matemática que procura
simular a forma, o comportamento e as funções de um neurônio biológico. Assim
sendo, os dendritos foram substituídos por entradas, cujas ligações com o corpo
celular artificial são realizadas através de elementos chamados de peso (simulando
as sinapses). Os estímulos captados pelas entradas são processados pela função
de soma, e o limiar de disparo do neurônio biológico foi substituído pela função de
transferência.
Figura 3.4: Neurônio Artificial
Combinando diversos neurônios artificiais podemos formar o que é
chamado de rede neural artificial. As entradas, simulando uma área de captação de
estímulos, podem ser conectadas em muitos neurônios, resultando, assim, em uma
31
série de saídas, onde cada neurônio representa uma saída. Essas conexões, em
comparação com o sistema biológico, representam o contato dos dendritos com
outros neurônios, formando assim as sinapses. A função da conexão em si é tornar
o sinal de saída de um neurônio em um sinal de entrada de outro, ou ainda, orientar
o sinal de saída para o mundo externo (mundo real). As diferentes possibilidades de
conexões entre as camadas de neurônios podem gerar n números de estruturas
diferentes.
Pesos
Neurônios intermediários
Neurônios de saída
ENTRADAS
SAÍDAS
Figura 3.5: Exemplo de uma Rede Neural Artificial de 2 camadas com 4 entradas e 2 saídas.
Segundo Marco Aurélio et al, as principais aplicações de Redes Neurais
em mineração de dados são: Classificação, Clustering, aproximação de funções,
previsão e verificação de tendências.
Algoritmos Genéticos
Os Algoritmos Genéticos caracterizam modelos que associam as principais
regras genéticas bem como seus melhores recursos na solução de diversos
tipos de problemas. Uma de suas principais características é que não
encontram uma única solução, mas sim uma população de soluções ou
soluções potenciais, caracterizando-se como métodos estocásticos de
procura e seleção. Primeiramente é gerada uma população inicial,
normalmente aleatória, de indivíduos que são representados como
cromossomos formando uma genoma, e a partir daí com a aplicação dos
operadores genéticos sofrem um processo simulado de evolução(NETO).
Algoritmos
genéticos
são
sistemas
computacionais
baseados
em
32
processos evolutivos, assim utilizando métodos genéticos como crossover
(cruzamento), mutação e seleção natural de Darwin. São úteis em diversos tipos de
aplicações, principalmente na otimização de problemas, e também podem ser
representados de diversas maneiras. Para efetuar as suas principais operações, os
algoritmos genéticos necessitam de operadores genéticos, que então trabalham a
população inicial com a função objetivo e classificam com uma função de avaliação.
É importante ressaltar que um Algoritmo Genético não descaracteriza sua
população primária, mas sim a faz evoluir para encontrar “espécies” melhores ou
locais ótimos, que são as etapas em que os Algoritmos Genéticos já estão
suficientemente
evoluídos,
e
conseqüentemente
suas
soluções
já
são
consideravelmente adequadas ao problema.
Se pensarmos de uma maneira mais ampla, os Algoritmos Genéticos são
modelos de aprendizado de máquina que procuram transmitir e recombinar
material genético de uma geração para sua subseqüente, prezando
principalmente pelo Princípio Evolucionário de Darwin que diz que em
determinado ambiente em que houvesse uma espécie (ou várias) de
animais, aqueles que possuíssem características fenotípicas e genotípicas
de acordo com esse ambiente teriam melhores condições de sobrevivência
e se adaptariam, até mesmo fisicamente, ao passar das gerações. (NETO).
Resumidamente, pode-se afirmar que um algoritmo genético opera com
três passos bem definidos:
a) Definição da função objetiva;
b) Definição e aplicação dos operadores genéticos;
c) Definição da nova geração.
33
Figura 3.6: Visão geral de um algoritmo genético.
Percebe-se claramente que o Algoritmo Genético funciona em ciclos que
ao seu término ocorre o surgimento de uma nova geração de indivíduos, e que além
da função objetivo existe uma outra que define a transmissão de indivíduos ou de
seus respectivos DNA’s, é a função de avaliação também conhecida como fitness.
O algoritmo genético cria novas soluções através da combinação e
refinamento das informações dos cromossomas usando três operações: seleção,
crossover e mutação. Essas operações produzem novas soluções que formam uma
nova população. Cada nova população é chamada de geração.
Durante a seleção, o algoritmo genético escolhe os cromossomas,
privilegiando aqueles com maiores aptidões para permanecer e se multiplicar na
população. Durante o crossover, o algoritmo genético utiliza as informações dos
34
cromossomos selecionados, formando outros cromos somas, enquanto que durante
a mutação o algoritmo genético busca eventualmente melhora-las.
Esses três operadores, seleção, crossover e mutação, agem no refinamento
das soluções e quando combinados com os módulos de decodificação e
avaliação, podem resolver uma vasta variedade de problemas. Têm sido
empregados em mineração de dados para as tarefas de classificação e
descrição de registros de uma base de dados, além da seleção de atributos
de bases de dados que melhor caracterizem o objetivo da tarefa de KDD
proposta. (VELLASCO, 1999).
Um exemplo bem comum seria apresentar um algoritmo genético para
decidir qual percurso seria mais curto ou mais rápido (porque nem sempre são os
mesmos) entre duas cidades, é claro que não poderia existir um só caminho, pois
seria insensato aplicar o algoritmo genético. Boas estradas teriam mais chances de
serem selecionadas, assim como as mais curtas, e nesse caso o algoritmo genético
maximizaria ou minimizaria, de acordo com o tipo de soluções desejadas, o número
de soluções. Por um ponto de vista, um tipo de motorista gostaria de saber qual o
caminho mais curto ou mais rápido, e por outro lado, outro tipo de motorista gostaria
de saber quais os caminhos alternativos possíveis, onde a diferença de tempo não
fosse muito grande e as estradas estivessem em melhor estado de conservação,
economizando seu automóvel e evitando congestionamentos indesejáveis.
É de suma importância dizer que a palavra otimização está ligada a
palavra melhorar e por isso não só as melhores estradas são aceitas, mas também
as “boas” estradas ou estradas com parâmetros diferentes, o que possibilita auxiliar
na escolha e seleção das soluções finais.
3.1.5 Extração com aplicações OLAP
Algumas ferramentas de desenvolvimento, fornecem alguns componentes
de suporte a decisão, que possibilitam a construção de aplicações de
35
processamento de consultas analíticas sobre os dados de uma base. Estes
componentes permitem a criação de tabelas e gráficos para visualizar os dados sob
vários formatos. Esses componentes utilizam a teoria de extração em forma de cubo,
o cubo de decisão funciona como uma base de dados multidimensional,
correlacionando-se assim, com o Data Warehouse.
Para o desenvolvimento de aplicações OLAP, pode-se utilizar os
componentes em conjunto, de forma a apresentar uma base multidimensional
através de tabelas ou gráficos. Essa representação de dados, dependendo da
quantidade de dimensões (totalizações) pode exigir muito código em algumas
linguagens de programação, mas existem linguagens que tornam esse trabalho bem
simples, economizando preciosas horas ou até dias de trabalho.
Os componentes baseiam-se em cubos, grids e gráficos de decisão, que
foram projetados para subsidiar informações sobre grandes bases de dados.
3.1.6 Considerações
Desde que a informática tomou conta de nossas vidas, imensos volumes
de informação têm sido sistematicamente coletados e armazenados. A simples
armazenagem e recuperação dessa informação já traz um grande benefício, pois
agora já não é mais necessário procurar informação em volumosos e ineficazes
arquivos de papel. Contudo, apenas recuperar informação não propicia todas as
vantagens possíveis. O processo de datamining permite que se investigue esses
dados à procura de padrões que tenham valor para a empresa.
Devido a disponibilidade de enormes quantias de dados em formas
eletrônicas, e à necessidade iminente de extrair delas informações e conhecimentos
36
úteis a diversas aplicações, por exemplo na análise de mercado, administração
empresarial, apoio à decisão, etc., datamining foi popularmente tratado como
sinônimo de descoberta de conhecimento em bases de dados, apesar de, na visão
de alguns pesquisadores, datamining será considerado como um passo essencial da
descoberta de conhecimento.
A mineração de dados fornece padrões de informação sobre dados
escondidos na base de dados, porém para que essa informação tenha utilidade,
torna-se necessária a fase de interpretação dos padrões. Essa fase consiste em
verificar e validar os padrões descobertos, para então, iniciar a tomada de decisões.
Este é o objetivo final da mineração de dados, transformar as informações
descobertas em ações, caracterizando assim o conhecimento.
É importante ressaltar também que o datamining não é o final da atividade
de descoberta de conhecimentos, mas é tão somente o início. É imprescindível (ao
menos com a tecnologia atual) dispor de analistas capacitados que saibam interagir
com os sistemas de forma a conduzi-los para uma extração de padrões úteis e
relevantes.
37
3.2 Data Warehouse (DW)
O sucesso de uma aplicação de datamining depende diretamente da
quantidade e qualidade dos dados de entrada no processo. Sendo assim, é muito
importante que o processo de limpeza dos dados seja rigoroso. Além disso, os
dados devem estar dispostos de forma organizada para que as técnicas de
mineração tenham uma melhor eficiência. Para isso é que são usados os Data
Warehouse.
De acordo com (Kimball, 1998) existem vários benefícios que são os
objetivos do data warehouse:
•
O data warehouse fornece acesso a dados corporativos ou organizacionais.
•
Os dados do data warehouse são consistentes.
•
Os dados podem ser separados e combinados usando-se qualquer medição
possível do negócio.
•
O data warehouse não consiste apenas em dados, mas também em um
conjunto de ferramentas para consultar, analisar e apresentar as informações.
•
O data warehouse é o local que se publica os dados confiáveis.
•
A qualidade dos dados no data warehouse impulsiona a reengenharia de
negócios.
3.2.1 Conceito
Um Data Warehouse, também convencionado por DW, é um banco de
dados no qual os dados são armazenados com o propósito de permitir ou facilitar a
futura análise. Esta é a principal característica de um DW e é seu principal propósito.
38
“Data Warehouse é uma coleção de dados orientados por assuntos,
integrados, variáveis com o tempo e não voláteis, para dar suporte ao
processo gerencial de tomada de decisão”. (Inmon, 1997)
A maioria dos dados que são coletados tem o objetivo de dirigir
continuamente os negócios de uma companhia. Esses tipos de dados podem ser
chamados de “dados operacionais”. Os bancos de dados operacionais armazenam
as informações necessárias para as operações diárias da empresa, são utilizados
por todos os funcionários para registrar e
Operacional
Incluir
Alterar
executar operações pré-definidas, por isso seus
dados
podem
sofrer
constantes
mudanças
conforme as necessidades atuais da empresa.
Por não ocorrer redundância nos dados e as
Acessar
Excluir
Tratamento de dados
registro por registro
Figura 3.7: Fluxo do BD operacional
informações históricas não ficarem armazenadas
por muito tempo, este tipo de banco de dados
não
exige
grande
capacidade
de
armazenamento. Os sistemas que usam dados operacionais são chamados de
OLTP (On-Line Transaction Processing).
Levando em consideração esta definição sobre dados operacionais, podese dizer que um data warehouse é, na verdade, uma coleção de dados derivados
dos dados operacionais para sistemas de
suporte à decisão. Estes dados derivados são,
muitas
vezes,
referidos
como
Data Warehouse
Carregar
dados
"gerenciais", "informacionais" ou "analíticos".
Um data warehouse coleciona e organiza os
dados, e torna-os disponíveis para fins de
análise, dando a administração a possibilidade
Acessar
Carregamento e acesso a
grandes quantidades de dados
Figura 3.8: Fluxo do Data Warehouse
39
de ter acesso as informações da própria empresa. Este tipo de dado pode ser
chamado “dado informacional”. Um DW armazena dados analíticos, destinados às
necessidades da gerência no processo de tomada de decisões. Isto pode envolver
consultas complexas que necessitam acessar um grande número de registros, por
isso é importante a existência de muitos índices criados para acessar as
informações da maneira mais rápida possível. Um data warehouse armazena
informações históricas de muitos anos e por isso deve ter uma grande capacidade
de processamento e armazenamento dos dados que se encontram de duas
maneiras, detalhados e resumidos. Os sistemas que trabalham com dados
informacionais são chamados de sistemas OLAP (On-line Analytic Processing).
“O DW é um processo de organização dos dados de forma a criar novos
conhecimentos de negócios e permitir novos insights no processo de
negócios. Não se deve entender ou visualizar um DW como um sistema de
banco de dados ou uma ferramenta estática e isolada de auxílio na tomada
de decisões. Deve-se entende-lo como um conjunto de tecnologias de
suporte a decisão, um processo contínuo e integrado que visa subsidiar o
executivo de negócios nas decisões, tanto melhores como mais rápidas.”
(PINHEIRO, 2004)
Um ambiente de data warehouse tem como objetivo auxiliar as
organizações a controlar e otimizar processos, porém os sistemas de banco de
dados e as diversas aplicações que manipulam os dados de uma determinada
organização, tratam os dados de modo a focar as transações referentes aos
processos operacionais da mesma.
Os usuários que são beneficiados por esta estrutura, são os que fazem os
processos funcionarem, porém, existe uma classe de usuários que não são
atendidos adequadamente por um ambiente desse tipo. É a classe dos usuários que
devem tomar as decisões de uma empresa, estabelecendo estratégias de negócio,
planos de marketing, campanhas promocionais, etc. Para esta classe de usuários é
que foi idealizado o ambiente data warehouse, no qual o foco é o armazenamento
de informações de uma certa organização pertinentes à tomada de decisões. A
40
diferença de uma estrutura e de outra, não é o armazenamento de informações, mas
a maneira como as mesmas são armazenadas.
3.2.2 O ambiente Data Warehouse
O data warehouse é organizado em assuntos/negócios, em torno das
aplicações da empresa. Por exemplo, no caso de uma companhia de seguros, as
aplicações podem ser automóveis, saúde, vida e perdas. Os principais assuntos da
empresa podem ser cliente, apólice, prêmio e indenização.
Portanto, nem toda a estrutura de dados da companhia é transferida para
DW, mas sim, apenas os dados que se tratam dos assuntos principais da mesma.
Outra característica do DW é o fato de ele ser integrado e ser não-volátil,
ou seja, os dados são carregados e acessados, porém não sofrem atualizações.
Ainda há uma outra característica que diz respeito ao fato se ser variável em relação
ao tempo. Costuma-se guardar dados no horizonte de tempo de 5 à 10 anos,
contendo uma chave que mostre de quando é um determinado dado.
Os dados não são apenas despejados em um data warehouse. Eles
também têm seu próprio ciclo de vida dentro deste. Num determinado
momento, os dados são eliminados. A questão da eliminação de dados é
uma das questões fundamentais de projeto que não devem escapar ao
projetista do data warehouse.(INMON, 1997).
Há diversas formas para se tratar da eliminação dos dados de um DW,
pois os mesmos podem ser acrescentados a um arquivo de resumo rotativo onde os
detalhes são perdidos, ou transferidos para um outro disco, podem também ser
eliminados do sistema ou transferidos de um nível da arquitetura para outro, como
do nível operacional para o nível do DW.
41
3.2.3 Características de um data warehouse
Um data warehouse pode ser definido como um conjunto de dados
baseados em assuntos, integrado, não volátil e variável em relação ao tempo de
apoio as decisões gerenciais, (INMON, 1997). Desta definição podemos extrair as
principais características que devem ser levadas em consideração no momento da
criação do data warehouse. Os dados de um data warehouse devem ser
classificados por assunto, além disso é importante que se faça a integração
(normalização) de representação para facilitar as consultas, também deve-se definir
a granularidade temporal da informação e a forma de armazenar os dados, ter
consciência de que dados em um data warehouse não são modificados pois
representam as informações em um determinado instante de tempo e podem estar
fisicamente armazenados de diferentes formas. Vejamos estas características de
forma detalhadas abaixo:
Baseado em assuntos: refere-se ao fato de que o data warehouse é
projetado com o intuito de fornecer informações estratégicas sobre o negócio, e não
descrever os processos do negócio, como os bancos de dados operacionais; Por
exemplo, uma empresa pode trabalhar com vendas se seguros de vida e o seu
maior interesse ser o perfil de seus compradores, então o data warehouse será
voltado para as pessoas que adquiriram o seguro, e não para o tipo de seguro que
foi adquirido.
Integrado: ao projetar-se o modelo de dados do data warehouse, têm-se
o cuidado de eliminar as redundâncias, e as possibilidades de respostas ambíguas.
O modelo é construído e organizado de forma a obter-se respostas únicas e certas,
normalmente de forma independente da forma como os dados estão organizados
42
nos bancos de dados operacionais. Pode ser que os dados são captados de
diversas aplicações, nem sempre normatizados. É necessário então, que haja uma
integração desses dados para que se forme uma representação única para os
dados, ou seja, o data warehouse. Um exemplo desse problema pode ser a
representação do sexo, em um sistema pode ser representado por masculino e
feminino (M/F), em outro pode ser representado por homem e mulher (H/M), em
outro ainda pode ser representado por 1 e 2 e assim por diante. Com a integração
dos dados, esse problema desaparece, pois deve ser adotada uma única
representação para esse tipo de dado.
Não-Volátil: a principal idéia na alimentação de dados no data warehouse,
é a de que em determinados períodos, sejam extraídos dados dos sistemas
operacionais e armazenados no data warehouse. Um vez armazenado, o dado não
sofrerá alterações. Existe somente a carga inicial e as consultas posteriores. Ele é
definido assim pois as operações em nível de registro em modo on-line, como são os
sistemas transacionais, exigem um controle e um processamento muito grande,
fugindo do objetivo principal do data warehouse. Segundo Inmon (1997) dizer que
existe redundância de dados entre os sistemas transacionais e o DW demonstra a
falta de conhecimento de como as coisas acontecem no DW.
Antes de entrar no DW os dados passam por uma espécie de filtro, com
isso, muitos dados nunca passam do ambiente transacional para o DW da mesma
forma que também existem dados que não são encontrados fora do DW.
Variável em relação ao tempo: com o acúmulo de dados sobre diversos
períodos, o data warehouse fornecerá subsídios para análises do negócio em
tempos diferentes, possibilitando análises de regressões, tendências, etc. Inmon
(1997) disse que todos os dados no data warehouse são precisos em algum instante
43
no tempo, como eles podem estar corretos somente em um determinado momento,
é dito que esses dados "variam com o tempo".
A variação no tempo pode apresentar-se de três maneiras:
•
Em um DW é normal que as informações fiquem armazenadas por
tempo maior de cinco anos ou em um período considerado
satisfatório conforme a aplicação. Nas aplicações operacionais o
período de tempo é muito mais curto, pois é necessário uma
resposta rápida às exigências das tarefas diárias, o que só pode ser
conseguido com o processamento de poucos dados;
•
Os dados possuem elementos temporais para que com eventuais
mudanças nas regras do negócio, a empresa não perca dados
históricos.
•
Os dados armazenados corretamente no DW não serão mais
atualizados tendo-se assim uma imagem fiel da época em que
foram gerados.
Os dados ainda podem ser separados em duas categorias, a de dados
atuais e de dados antigos. Os dados atuais são os dados de maior interesse, por
refletir os acontecimentos mais recentes e devem ficar armazenados em disco, por
ser um meio de acesso rápido porém de difícil gerenciamento. Esses dados
fornecem uma visão do comportamento recente e podem permitir a utilização de
técnicas como mineração de dados e descoberta de conhecimento.
Os dados antigos, são aqueles que não são acessados freqüentemente,
podendo ficar armazenados em meios de armazenamento de baixo custo, como por
exemplo fitas. Mesmo assim eles continuam fazendo parte do DW e podem ser
carregados sempre que surgir necessidade de extrair informações.
44
Credibilidade dos dados: A credibilidade dos dados é o mais importante
para o sucesso de qualquer projeto. Discrepâncias simples de todo tipo podem
causar sérios problemas quando se quer extrair dados para suportar decisões
estratégicas para o negócio das empresas. Dados não dignos de confiança podem
resultar em relatórios inúteis, que não têm importância alguma, como uma lista de
pacientes do sexo masculino e grávidos, por exemplo. Coisas aparentemente
simples, como um CEP errado, podem não ter nenhum impacto em uma transação
de compra e venda, mas podem influir nas informações referentes à cobertura
geográfica, por exemplo.
Portanto, deve ser feita uma verificação da qualidade dos dados antes de
passa-los para o ambiente DW, como grau de informações que estão corretas,
consistência dos dados e coerência lógica.
Granularidade: Esta importante característica diz respeito ao nível de
detalhamento ou resumo de um projeto de data warehouse. Quanto mais detalhe,
mais baixo o nível de granularidade. Quanto menos detalhe, mais alto o nível de
granularidade. Esta característica, segundo Inmon (1997), está diretamente
associada à quantidade de dados que é armazenada no data warehouse, afetando,
simultaneamente o tipo de consulta que pode ser atendida, pois o volume de dados
contidos em um data warehouse é balanceado de acordo com o nível de detalhe de
uma consulta. Para exemplificar este conceito, pode-se citar o fato de um executivo
de uma grande empresa necessite conhecer tão-somente o total anual de suas
vendas. Para a satisfação deste tipo de consulta, a quantidade de dados
armazenados no Data Warehouse deve ser bem menor do que, se por exemplo,
este mesmo executivo necessitasse conhecer o valor total das vendas mensais, ano
a ano.
45
Vale lembrar que quanto maior o nível de granularidade, menor a
quantidade de detalhes fornecidos, assim, mais restrita é a capacidade de responder
as mais variadas perguntas. Um nível de granularidade mais baixo fornece, então, a
possibilidade de responder a qualquer pergunta.
Segundo Inmon (1997) o balanceamento do nível de granularidade é um
dos aspectos mais críticos no planejamento de um data warehouse, pois na maior
parte do tempo, há uma grande demanda por eficiência no armazenamento e no
acesso aos dados, bem como pela possibilidade de analisar dados em maior nível
de detalhes.
3.2.4 Desenvolvimento do data warehouse
O sucesso do desenvolvimento do data warehouse depende diretamente
da estratégia adotada para este fim, levando-se em consideração alguns fatores
críticos para a escolha clara e perfeita de sua arquitetura, adequando-se
especificamente ao ambiente onde será implementado. Uma série de abordagens já
foram estudadas para a implementação deste sistema, devendo-se fazer uma
escolha fundamentada em pelo menos três dimensões essenciais: escopo do data
warehouse (departamental, empresarial, etc.), grau de redundância de dados e tipo
de usuário alvo.
Quanto ao seu escopo, o data warehouse pode ser tão amplo que integre
todas as informações da empresa, ou tão restrito que contemple apenas os dados
de um único gerente. Quanto mais amplo, mais caro e maior a dificuldade de sua
implementação. Por este motivo, a maioria das empresa opta pelo desenvolvimento
de um único departamento inicial – Data Mart - e só então, após a análise de
46
resultados, ampliar gradativamente o escopo de seu data warehouse.
No quesito redundância de dados, podemos citar três níveis fundamentais:
•
Data Warehouse Virtual: É a técnica que visa prover, com algumas
facilidades para a extração dos dados, acesso direto aos bancos de dados
operacionais. Neste caso não há redundância dos dados, porém, poderá
haver uma sobrecarga do ambiente operacional.
•
Data Warehouse Central: É a utilização de um único banco de dados físico,
agregando informações de diversos bancos de dados operacionais. Um data
warehouse central deve ser carregado e mantido em intervalos regulares.
•
Data Warehouse Distribuído: Possui seus componentes distribuídos por
diversos bancos de dados individuais. Em função desta distribuição, sua
implementação é mais complexa, assim como os procedimentos de carga e
manutenção.
Num projeto de data warehouse deve-se sempre levar em consideração
que se trata de um ambiente em constante mudança, alterações. Assim, um sistema
mais simples e que se adapte a estas alterações com facilidade torna-se a solução
mais atraente, assim como uma opção centralizada, pela facilidade de manutenção.
3.2.5 Modelagem de um data warehouse
A modelagem de um data warehouse, assim como a modelagem de
qualquer banco de dados que vá atender um sistema, é uma das etapas mais
importantes do projeto. O desenho do data warehouse está profundamente ligado às
47
necessidades de informação da empresa e não está vinculado em nenhuma
linguagem de programação.
Imagine que o diretor da sua empresa pergunte: “Qual o nosso produto
campeão de vendas no mês de janeiro/2000 ???” por esta pergunta
podemos determinar que existem duas dimensões de pesquisa para o
dado, primeiro a linha do tempo porque a pergunta especifica um período
janeiro/2000 e outra dimensão identifica o produto a ser pesquisado, o
cruzamento dessas duas informações nos dão parâmetros para trazer a
informação necessária.(MARTINS, 2004)
Percebe-se que o diretor de uma empresa jamais vai solicitar um dado
com nível de detalhamento grande para tomar decisões, pois este detalhamento não
é o objetivo do data warehouse, consegue-se no ambiente operacional.
Segundo (Martins, 2001, p.06), nem todas as necessidades são tão
simples, se a pergunta fosse qual o desempenho das vendas nos mercados que
atuamos nos últimos anos, por exemplo, determina-se três dimensões para a
medição: dimensão do tempo (o período a ser analisado é o último ano), a dimensão
produto (o desempenho de vendas) e a dimensão mercados (qual o mercado com
melhor desempenho). Este tipo de abordagem chama-se DW - multidimensional, e a
melhor forma de armazenar as informações em
uma estrutura desse tipo é o
modelo cubista.
“A representação dos dados em um data warehouse é estruturada como
um cubo, transmitindo a idéia de múltiplas dimensões. [...] A inclusão de
dados no data warehouse passa uma idéia de crescimento na largura,
comprimento e profundidade do cubo.” (Barbalho, 2002, p 35).
Uma estrutura desse tipo, lembra uma
Modelagem
multidimensional
matriz multidimensional e é a forma mais fácil de
se compreender como as informações estão a
disposição. Segundo esta estrutura, pode-se
exemplificar que quando se irá armazenar dados
de faturamento de uma loja em um sistema
Figura 3.9: DW – Forma de cubo
48
OLTP tem-se sempre o nível mais detalhado possível, tem-se registros com o
número da loja, o produto com valores e quantidades, o vendedor que efetivou a
venda, dados do cliente e assim por diante. Esse tipo de informação, deve ser
tabulada, filtrada, limpa, organizada, checada e consolidada para que seja útil dentro
de um data warehouse, de acordo com (Martins, 2001, p.06), tentar ver estas
informações sem um devido tratamento é como ver um quebra cabeças não
montado, simplesmente não se consegue ver todo o potencial de informação lá
contido, porque não se enxerga as informações como se deve.
“A construção do modelo começa pela definição de uma tabela
denominada fato. Em seguida, definimos seus elementos relacionados, que
são as tabelas denominadas Dimensão.Na intersecção das dimensões são
obtidas as Medidas, que são as medições numéricas da tabela Fato”
(Barbalho, 2002, p 35).
Junto a tabela de fatos tem-se as
tabelas dimensões, estas tabelas “orbitam” a
tabela
de
fatos
e
trazem
informações
Modelagem
multidimensional
Dimensão
Dimensão
referenciais adicionais para a tabela de fatos,
FATO
como por exemplo dados sobre um produto,
sobre a loja ou medição de tempo.
As
tabelas
dentro
de
Dimensão
um
Dimensão
data
warehouse são modeladas de acordo com o
Figura 3.10: DW - multidimensional
exemplo acima, na maioria das vezes assumindo uma estrutura radical, com
grandes tabelas no centro (as tabelas de fato) e outras menores (as tabelas de
dimensão) “orbitando” as tabelas de fatos, provendo as dimensões em que os dados
podem ser analisados em conjunto com as informações adicionais de cada uma das
dimensões.
As tabelas de dimensão, embora pareçam não ter muita relevância na
retirada de informações, são as grandes responsáveis por fornecer mecanismos
49
necessários para análises nos dados. O usuário inicia uma consulta típica a um data
warehouse sobre as tabelas de dimensões, onde diversas pequenas pesquisas são
realizadas e atributos são definidos para serem aplicados a pesquisa final, segundo
(MARTINS, 2004), estas operações são geralmente muito rápidas e definem as
regras que serão aplicadas sobre a tabela de fatos gerando um “conjunto de
resposta”, pode-se dizer que as tabelas de dimensões desempenham um papel de
“guias de pesquisa”, fazendo um ajuste fino sobre os resultados esperados, quanto
maiores são os recursos para os usuários definirem quais serão suas guias,
menores serão os conjuntos de respostas, menor será o tráfego de rede e menor o
tempo consumido pelo processamento.
3.2.6 Considerações
As empresas possuem dados. E a maioria delas possui uma grande
quantidade de dados em seus sistemas computacionais. Estes dados referem-se
aos seus negócios e ao mercado como um todo em que a organização se encontra.
A tecnologia de data warehouse mostra-se como uma ótima ferramenta
para empresas que possuem esses grandes volumes de dados gerados e
acumulados durante sua existência, no aúxilio a extração de conhecimento de uma
base de dados, de uma forma que eles possam auxiliar os administradores destas
empresas a tomarem decisões estratégicas rapidamente e com segurança.
Nota-se que o DW não é um fim, mas sim um meio que as empresas
dispõem para analisar informações históricas podendo utilizá-las para a melhoria dos
processos atuais e futuros, portanto, a criação de utilização desta base de
conhecimento a partir de um DW caracteriza a transformação da base de dados em
50
base de conhecimentos .
O DW de suma importância no processo de extração, filtragem, carga e
recuperação dos dados, que sem dúvida, é uma das determinantes fundamentais
para se obter o sucesso ou fracasso em uma aplicação de datamining.
51
3.3 Medicamentos
Os medicamentos representam o papel principal neste trabalho. São eles
o objeto central de toda pesquisa.
Mas o que vem a ser medicamento?
3.3.1 Conceito
REMÉDIO s.m. Substância ou recurso de que se usa para combater uma
moléstia. / O que serve para aplacar os sofrimentos morais, para atenuar os males
da vida. / Tudo que elimina uma inconveniência, um mal: imaginar um remédio para
a inflação monetária. (DELTA, 2005)
MEDICAMENTO s.m. Substância empregada para combater uma doença
ou preveni-la.( DELTA, 2005)
Segundo Mérito Escolar (1994), “medicamento tem a seguinte definição:
Remédio, curativo, Aplicação de meios terapêuticos”. Por sua vez remédio vem a
ser: “tudo o que serve para atenuar uma dor”, e terapêutica: “Parte da medicina que
trata dos meios de curar as doenças e da natureza dos remédios”.
3.3.2 Classificação dos medicamentos internacionalmente
Internacionalmente os medicamentos podem ser classificados segundo os
seguintes critérios:
•
Natureza da matéria prima
•
Necessidade de prescrição médica
52
•
Caráter de essencialidade
•
Características dos produtos
Natureza da matéria prima: a matéria-prima utilizada para a produção de
medicamentos pode ser (HASENCLEVER, 2002):
•
originária da síntese fina de materiais orgânicos (farmoquímicos);
•
obtida a partir de processos que utilizem a biologia molecular
(biotecnológicos);
•
obtida a partir do isolamento de substância medicamentosa
encontrada em material botânico integral ou em seu extrato
(fitoterápicos).
Atualmente, os farmoquímicos, esmagadoramente, representam a maior
parte da matéria prima utilizada mundialmente. Entretanto, as mudanças na
estrutura de pesquisa e desenvolvimento (P&D) do setor apontam para um aumento
na matéria prima obtida por processos biotecnológicos (MALERBA e ORSENIGO,
2001). As Novas Firmas de Biotecnologia (NFBs), que fazem parte desta nova
estrutura, serão tratadas adiante com maior detalhamento. Quanto ao terceiro tipo
de matéria-prima, os fitoterápicos, também representam um mercado razoavelmente
novo, tendo iniciado seu crescimento nos anos sessenta (QUEIROZ e GONZÁLEZ,
2001).
Necessidade de receita médica: de acordo com este critério, os
medicamentos são diferenciados entre (HASONCLEVER, 2001):
•
os que necessitam de prescrição médica (éticos);
•
os que são de venda livre (não éticos ou também chamados OTC,
sigla da nomenclatura inglesa, over the counter).
53
Os produtos éticos participam com 70% do faturamento do setor
(ROMANO e BERNARDO, 2001). A análise do mercado dos medicamentos não
éticos é semelhante à análise de outros bens de consumo não duráveis,
diferentemente dos medicamentos éticos, em que a decisão de consumir não está,
em condições normais, nas mãos do consumidor (FRENKEL, 2001).
Caráter de essencialidade: são os medicamentos classificados pela
Organização Mundial de Saúde (OMS) como de máxima importância e
indispensáveis à saúde da população. Esta classificação formal, entretanto, não
garante que os remédios essenciais sejam produzidos. Um trabalho realizado pela
Organização Internacional Médicos Sem Fronteiras (MSF), denominado Remédios
para Doenças Negligenciadas, mostrou o grau da defasagem de medicamentos para
doenças tropicais (GALENO e JANSEN, 2002):
•
dos 1.393 novos medicamentos aprovados nos últimos 25 anos, 13
tratam de doenças tropicais e dois de tuberculose;
•
dos 13 medicamentos para doenças tropicais, seis foram
desenvolvidos com o apoio de um programa financiado pela
Organização das Nações Unidas, Banco Mundial e OM S. Este
programa, chamado Treinamento para Doenças Tropicais (TDR),
funcionou com a modesta cifra de US$ 30 milhões anuais.
Características do produto: este critério pode ser subdividido em:
•
forma
de
apresentação
-
pomadas;
•
classes terapêuticas (atuação).
líquidos,
injetáveis,
comprimidos,
54
Os dados do IMS, obtidos nos 13 países com maior faturamento do setor
farmacêutico, no período de fevereiro de 2001 a janeiro de 2002, apontaram que as
cinco classes terapêuticas mais vendidas foram os medicamentos:
•
cardiovasculares;
•
para o sistema nervoso central;
•
para o metabolismo alimentar;
•
os respiratórios;
•
os antiinflamatórios.
Pelas características do setor, as empresas disputam fatias do mercado,
de modo que as inovações em uma classe terapêutica não asseguram o sucesso em
outra (MALERBA e ORSENIGO, 2001). Mesmo nos EUA, país mais representativo
do setor farmacêutico, observa-se que as diferentes empresas dominam classes
terapêuticas distintas. Por exemplo, os cinco produtos mais vendidos, suas
respectivas classes terapêuticas e empresas, em 2001 foram (IMS, 2002):
•
Lipitor (cardiovascular - Pfizer)
•
Prilosec (metabolismo alimentar- Astra Zeneca)
•
Zocor (cardiovascular - Merck)
•
Prevacid (metabolismo alimentar - Tap)
•
Celebrez (antiinflamatório - Pharmacia)
3.3.3 Classificação dos medicamentos no Brasil - ANVISA
No Brasil, o Ministério da Saúde, através da Agência Nacional de
Vigilância Sanitária (ANVISA), regulamenta e fiscaliza a produção da indústria
farmacêutica brasileira. A ANVISA adota a seguinte classificação e definições
55
técnicas para delinear as normas do setor (ANVISA, 2002):
Medicamentos de referência ou marca:
É um produto de marca pesquisado e desenvolvido por um laboratório, que
fez todos os estudos e que tem todos os dados necessários do remédio de
referência ao seu registro. Esses dados referem-se á eficácia terapêutica e
qualidade do medicamento. O remédio de referência servirá de modelo
para serem feitos os testes de qualidade do genérico. (ANVISA, 2005)
São, normalmente, medicamentos inovadores, cuja eficácia, segurança e
qualidade foram comprovadas cientificamente, por ocasião do registro junto ao
Ministério da Saúde, através da ANVISA. São os medicamentos que, geralmente, se
encontram há bastante tempo no mercado e têm uma marca comercial conhecida;
Medicamentos similares: os similares são medicamentos que possuem o mesmo
fármaco, a mesma concentração, forma farmacêutica, via de administração,
posologia e indicação terapêutica do medicamento de referência, mas não têm sua
bioequivalência com o medicamento de referência comprovada;
Segundo a Lei 9.787/99, similar é aquele que contém o mesmo ou os
mesmos princípios ativos, apresentam mesma concentração, forma
farmacêutica, via de administração, posologia e indicação terapêutica do
medicamento de referência registrado na Agência Nacional de Vigilância
Sanitária. Porém, pode apresentar características diferentes relativas ao
tamanho, forma do produto, prazo de validade e embalagem.(ANVISA,
2005).
Apesar de contém o mesmo princípio ativo, apresentar a mesma
concentração, forma farmacêutica, via de administração, posologia e indicação
terapêutica do medicamento de referência, eles não são bioequivalentes.
Sendo assim, não podem substituir os remédios de marca na receita pois,
apesar de terem qualidade assegurada pelo Ministério da Saúde, não
passaram por análises capazes de atestar se seus efeitos no paciente são
exatamente iguais aos dos medicamentos de referência nos quesitos
quantidade absorvida e velocidade de absorção.(LUPER, 2005)
Medicamento genérico: é aquele que contém o mesmo fármaco (princípio ativo),
na mesma dose e forma farmacêutica, é administrado pela mesma via e com a
56
mesma indicação terapêutica do medicamento de referência no país, apresentando
a mesma segurança que o medicamento de referência no país.
O Ministério da Saúde avalia os teste de bioequivalência entre o genérico e
o medicamento de referência, apresentados pelo fabricante, para
comprovação de sua qualidade. [..] O teste de bioequivalência consiste na
demonstração de que o medicamento genérico e seu respectivo
medicamento de referência apresentam o mesmo efeito e a mesma
segurança.(MERCK, 2005).
É um remédio intercambiável com o produto de marca ou inovador. Isto é,
pode ser trocado por este pois têm rigorosamente as mesmas características e feitos
sobre o organismo do paciente. A garantia é dada pelo Ministério da Saúde que
exige testes de bioequivalência farmacêutica para aprovar os genéricos. Testes de
bioequivalência farmacêutica servem para comprovar se dois produtos de idêntica
forma farmacêutica, contendo idêntica composição, qualitativa e quantitativa, de
princípio ativo, são absorvidos em igual quantidade e na mesma velocidade pelo
organismo que os toma. Os genéricos podem ser trocados pelos medicamentos de
marca quando o médico não se opuser à substituição.
Medicamentos genéricos são medicamentos comercializados com o nome
da substância ativa – denominação genérica conforme a DCB ou DCI – e
que apresentam a mesma quantidade de princípio ativo, a mesma
concentração, forma farmacêutica e via de administração do medicamento
de referência, assegurado com este, sua intercambialidade. A
intercambialidade é garantida pela realização de testes que comprovam a
mesma eficácia e potencial de reações adversas entre o medicamento
genérico e o seu referência. São identificados pela embalagem, por trazer
os dizeres: Medicamento Genérico – Lei nº. 9.787/99 e uma tarja amarela,
com um G na cor azul em destaque.(ANVISA, 2004)
Esses medicamentos podem ser “copiados” por qualquer laboratório sem
um vínculo com uma marca, ou seja, o nome do medicamento se restringe ao nome
de sua substância química. Com isso, espera-se que os preços dos medicamentos
baixem pelo fato de não haver marca e não haver os custos necessários para a
descoberta de uma nova substância.
Para que um laboratório possa comercializar um medicamento genérico, é
necessário que o produto passe por testes de bioequivalência, ou seja, tem-se um
57
medicamento referência (de marca) e propõe-se a criação do genérico que será
idêntico a ele, inclusive na maneira como agirá no organismo.
Como esse processo é novidade no Brasil, tem causado muita confusão
para meio médico, distribuidoras de medicamentos, farmácias e para os próprios
consumidores, pois pelo fato de ser comercializado pelo nome químico, o
medicamento genérico não tem uma assimilação imediata com o nome do
medicamento referência.
Além da dificuldade do nome, percebe-se uma certa dificuldade na
fabricação e distribuição de medicamentos genéricos, pois o objetivo maior das
distribuidoras de medicamentos e laboratórios é o lucro, conflitando assim, com a
proposta do governo. Faltam informações para essas empresas, para que elas
possam passar a fabricar e comercializar os medicamentos que serão mais
vendidos.
3.3.4 Classificação patentária
As categorias patentárias podem ser divididas, de acordo com a natureza
de produção dos medicamentos, em produtos químicos e biotecnológicos. Os
biotecnológicos são entendidos como aqueles derivados de processos tecnológicos
aplicados a seres vivos ou às suas partes funcionais isoladas. A descoberta e o
desenvolvimento do DNA recombinante em 1974 foi o marco para dividir produtos
biotecnológicos em tradicionais e modernos (Bermudez et al., 2000). A possibilidade
de manipulação do DNA, ou seja, do material genético dos organismos trouxe a
base da engenharia genética que, por exemplo, pode produzir microorganismos
modificados artificialmente capazes de fornecer produtos como a insulina e o
58
interferon.
Considerando a legislação de propriedade industrial, os medicamentos
podem ser divididos entre os que apresentam patentes e aqueles com patentes
expiradas. Internacionalmente, os medicamentos protegidos por patentes são, mais
uma vez, subdivididos em duas categorias. Os que apareceram pela primeira vez no
mercado, ou os produtos inovadores, e o medicamento desenvolvido posteriormente
com atividade terapêutica semelhante ao primeiro produto, mas com características
químicas diferentes do medicamento inovador, denominado me too (FRENKEL,
2001).
3.3.5 Casses terapêuticas
Quanto as características do produto, estes podem ser classificados em
classes terapêuticas.
A classe terapêutica de um produto pode identificar, por exemplo, qual a
sua finalidade, ou seja, identifica para quais fins terapêuticos é destinado.
Até a conclusão deste trabalho, não conseguimos identificar todas as
classes terapêuticas existentes, mas conseguimos relacionar todas as utilizadas pela
empresa que se está estudando. A tabela abaixo mostra as classes terapêuticas que
a empresa trabalha.
Classe Terapêutica
ALERGENOS
ANABOLIZANTES
ANALGÉSICO
ANDRÓGENO
ANESTÉSICO
ANOREXICOS
ANSIOLÍTICO
ANTI ACNE
ANTI FÚNGICO
Classe terapêutica
AUDITIVOS
BETABLOQUEADOR
BRONCODILATARORES
CICATRIZANTE
CIRÚRGICO
CLIMATÉRIOS
COLAGOGOS
CORTICOSTERÓIDE
DESCONGESTIONANTE
59
ANTI HELMÍNTICO
ANTI HEMORRÁGICO
ANTI HEMORROIDÁRIO
ANTI HIPERTENSIVO
ANTI HISTAMÍNICO
ANTIÁCIDO
ANTIALCÓLICO
ANTIALÉRGICO
ANTIANÊMICO
ANTIANGINOSOS E VASODILATADORES
ANTIARRÍTMICOS
ANTIASMÁTICO
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
ANTICOAGULANTE
ANTICONCEPCIONAIS
ANTICONVULCIONANTE
ANTIDEPRESSIVO
ANTIDIABÉTICOS
ANTIDIARRÉICO
ANTÍDOTO
ANTIEMETICO E ANTINAUSEANTE
ANTIESPASMÓDICO
ANTIGLAUCOMATOSO
ANTIGOTOSOS
ANTIGRIPAL
ANTIINFLAMATÓRIO
ANTILIPEMICOS
ANTIMALÁRICO
ANTIMICÓTICO
ANTINEOPLÁSICO
ANTIPARASITARIOS
ANTIPARKINSONIANOS
ANTIPSICÓTICO
ANTIRETROVIRAL E ANTIVIRÓTICO
ANTISSÉPTICO
ANTITABÁGICO
ANTITIROIDEANOS
ANTITROMBICO
ANTITUSSÍGENO
ANTIULCEROSO
ANTIVARICOSO
ANTIVERTIGINOSO
ASSOCIAÇÃO HOMEOPÁTICA
DESMELANIZANTE
DIGESTIVO
DILUENTE
DIURÉTICO
ELETRÓLITO
EMOLIENTE
ENEMA
ENERGÉTICO
ENZIMAS
ESCABICIDAS
ESTIMULANTES
ESTROGENOS
EXPECTORANTE
FITOTERÁPICO
GINECOLÓGICO
HEPATOPROTETORES
HIPNÓTICO
HORMÔNIO
IMUNOESTIMULANTE
IMUNOGLOBINA
INTOXOCAÇÃO
KIT DIAGNÓSTICO
LAXANTES
MODULADORES
NASAIS
NEUROLÉPTICO
NEUROPSICOESTIMULANTE
NEUROTONICO
ODONTOLÓGICO
OFTALMOLÓGICO
POLIVITAMÍNICO
PROSTAGLANDINAS
REIDRATANTES
RELAXANTES
REPOSITOR DE CÁLCIO
SANGUE OU PLASMA
SOROS
SUPLEMENTOS
VACINAS
VASOCONSTRITORES
VASODILATADORES
VITAMINAS
Tabela 3.1: Classes terapêuticas pesquisadas.
3.3.6 Considerações
No Brasil, o Ministério da Saúde, através da Agência Nacional de
60
Vigilância Sanitária (ANVISA), é o responsável pela regulamentação e fiscalização
da produção da indústria farmacêutica brasileira. É a ANVISA que define as normas
para produção e comercialização de qualquer tipo de medicamento. Existem hoje em
dia, muitas normas que estipulam o que pode e, o que não pode, ser feito no que diz
respeito ao setor farmacêutico.
Uma das definições da ANVISA, é a segmentação dos medicamentos em
classes terapêuticas. Cada classe terapêutica possui características específicas, que
servem para identificar o tipo do medicamento e consequentemente a sua finalidade.
Essa classificação é que nos permite identificar o perfil do consumidor,
uma vez que, existem inúmeros medicamentos com a mesma finalidade, não
havendo necessidade nestes casos, de se conhecer o perfil do consumidor para
cada medicamento, mas sim, pelo grupo de medicamento, que nesta ocasião é dado
pela classe terapêutica.
61
4 DESENVOLVIMENTO
4.1 Metodologia
A pesquisa será realizada com base em dados de venda de
medicamentos. Estes dados serão classificados, organizados e limpos, para
alimentar um data warehouse.
Também será apresentado uma ferramenta de mineração, cujo software
será utilizado na etapa da mineração e apresentação dos dados.
Com o data warehouse montado, e a ferramenta de mineração
apresentada, será descrito detalhadamente o funcionamento do algoritmo utilizado
na mineração dos dados.
Nesta etapa do trabalho poderá ser acompanhado todos os passos da
mineração de dados propriamente dita, desde a implementação do data warehouse,
passando pela técnica de mineração, até a análise do resultado que delimitará o
final de todo trabalho.
4.1.1 Coleta de dados
Os dados para alimentação do data warehouse, estão disponíveis em
mídia magnética, gerados a partir de um sistema de gestão de uma empresa
distribuidora de medicamentos.
A distribuidora, que não será identificada nesta pesquisa, possui uma
gama de dados, na qual são gerados um milhão de novos registros todos os dias,
sete dias por semana. Cada registro é composto por um item de venda associado é
62
claro, com o cliente e o tipo de medicamentos.
Área de abrangência
Distribuidora
Venda de medicamentos para os
três estados do Sul do Brasil
Figura 4.1: Área de abrangência geográfica
Para efeito de pesquisa serão selecionados como amostra, um período de
seis meses, obtendo assim, uma amostra com mais de cento e oitenta milhões de
registros.
4.2 O Data Warehouse
O Data Warehouse será o responsável por armazenar as informações
extraídas do sistema gerencial da empresa, fazendo com que desta forma, as
consultas e processamentos de busca do sistema de mineração de dados não
sobrecarreguem o sistema gerencial.
A seguir, analisaremos as principais fases determinadas para a
elaboração do protótipo, baseadas no método de Kimball (1996).
Segundo Kimball (1196), A construção do modelo começa pela definição
de uma tabela denominada fato.
Como a pesquisa é direcionada para a análise de vendas de
medicamentos, o Data warehouse terá como tabela fato, uma tabela com a
63
movimentação das vendas, neste caso chamaremos de dw_vendas.
Em seguida, definimos seus elementos relacionados, que são tabelas
denominadas Dimensão. Para identificar as tabelas Dimensões, devemos responder
algumas perguntas:
O que está sendo medido?
Quantidade de medicamentos vendidos.
O que está sendo avaliado sobre essas vendas?
Qual produto (medicamento) foi vendido.
Quando (dia, mês, trimestre, ano)
Tabelas dimensões
Onde (Cidade, Região, Estado)
Dimensão 1
Seguindo a modelagem
multidimensional, os dados serão
armazenados conforme mostra a
Quando?
Fato
Dimensão 2
VENDA DE
MEDICAMENTOS
Qual?
Dimensão 3
Onde?
Figura 4.2: Tabelas dimensões
figura abaixo.
Sendo assim, teremos as tabelas: cliente, tempo, produto e venda. A
figura abaixo representa como o data warehouse ficará disposto.
Modelagem das tabelas do DW
TEMPO
VENDA
PRODUTO
Chave_tempo
Chave_cliente
Chave_produto
Quantidade_venda
Chave_produto
Nome_produto
Tipo_produto
Cl_terapeutica
CLIENTE
Chave_cliente
Nome_cidade
Codigo_distrito
Codigo_Setor
Nome_estado
Figura 4.3: Modelagem das tabelas do Data Warehouse
Vale ressaltar que a estrutura do DW foi projetada de modo que
64
proporcionasse o maior numero de possibilidades de extração de dados, mas
sempre direcionado ao foco do trabalho. Neste momento, por exemplo, a coluna dia
da tabela tempo, terá seus valores carregados, já que a perda de performance é
insignificante, e futuramente, num estudo mais aprofundado no qual queira-se
conhecer o perfil dos consumidores de medicamentos por dia, será perfeitamente
possível sem ter que mexer na estrutura do DW.
A próxima etapa consiste em alimentar o DW, ou seja, fazer a carga com
os dados existentes no sistema corporativo da empresa para uma base de dados
independente, disponível apenas para carga e consulta (DW).
Este processo é conhecido como ETL – Extração, transformação e Carga.
Para efetuar a ETL utilizamos linguagens de programação ou ferramentas
específicas, como Oracle Warehouse Builder (www.oracle.com) ou o Cognos
DecisionStream (www.cognos.com). (BARBALHO, 2004).
O DW foi construído no próprio banco de dados da empresa, utilizando o
Oracle® como banco de dados e a linguagem PLSql, para transferência dos dados
do sistema corporativo para o DW.
Como este é um projeto inovador, ou seja, não existia nenhum tipo de
trabalho neste sentido dentro da empresa, a carga inicial foi feita, buscando atender
as necessidades do projeto, que visa pesquisar a venda de medicamentos durante
seis meses. Mas, para ter continuidade, a empresa deverá executar os
procedimentos de cargas, aí sim, com um menor volume de dados, periodicamente.
O tempo entre uma carga e outra deve ser estipulado pela própria empresa ou pelo
interessado nas informações, dependendo unicamente da necessidade de se ter os
dados mais recentes para análise. Isso pode acontecer, semestralmente,
mensalmente, semanalmente ou até diariamente.
Com o data warehouse montado e com os dados carregados, iniciaremos
o processo de aplicação de técnicas de mineração de dados.
65
4.3 O Software de mineração: MineSet
O software MineSet e formado por um conjunto de ferramentas
integradas, que permitam a realização de mineração e visualização de dados
contidos em um banco de dados ou arquivos de texto com um formato específico.
Essas ferramentas aplicam as técnicas de data mining para ”garimpar„ os dados e
mostrar os resultados de forma gráfica, de tal forma que permita ao usuário uma
melhor visualização, compreensão e com isso descoberta de informações ocultas
contidas nestes dados. Este software foi desenvolvido pela empresa americana
Silicon Graphics e está atualmente na sua versão 3.2.
Figura 4.4: Tela de abertura do MineSet 3.2 da Silicon Graphics
Para a realização deste projeto de pesquisa, o MineSet foi adquirido
diretamente a partir do site na Internet da Silicon Graphics (http://www.sgi.com).
4.3.1 Trabalhando com o MineSet
O MineSet trabalha em um sistema cliente/servidor, sendo que o processo
servidor pode ser executado na própria máquina do cliente. Obviamente se o
66
processo servidor estiver em um servidor físico (uma máquina normalmente muito
mais poderosa) o trabalho de processamento seria menos exaustivo.
A versão testada no projeto e executada no sistema operacional Windows
XP, existindo também a versão para Linux, que pode ser obtida a partir do mesmo
web site. As exigências em nível de hardware para que o software seja utilizado de
maneira eficiente são de uma máquina veloz (mínimo 500Mhz de velocidade do
processador), memória RAM de 128 Megabytes e monitor com resolução de 1024
por 768 pixels. Um computador respeitando essas especificações pode ser usado
como cliente e servidor, apresentando resultados satisfatórios de desempenho para
estudos, embora esteja abaixo da capacidade para uma aplicação profissional.
Figura 4.5: Tool Manager
O Data Mover é o processo que é lançado pelo cliente e roda no servidor.
Esse processo é o responsável pelo acesso ao banco de dados e também por
executar transformações, operações de mineração e gera os arquivos de
visualização. Estes arquivos de visualização são transferidos então ao cliente.
67
O Tool Manager e o processo que é executado no cliente e provê a
interface do programa (GUI), com a qual o usuário faz a maioria das interações com
o MineSet. É através do Tool Manager (figura 4.5) que o usuário especifica a base
de dados a ser trabalhada, o conjunto de transformações a serem aplicadas, as
ferramentas de mineração e visualização usadas e como salvar os resultados do
trabalho.
Uma vez tendo completado estas especificações, o Tool Manager envia
essas informações ao processo servidor Data Mover. Como os dados a serem
analisados podem existir em arquivos de diferentes tipos (extensões), o MineSet lê
uma configuração em um arquivo (com extensão .schema) que contem informações
sobre a tabela e o nome de um outro arquivo (com extensão .data) onde os dados
realmente se encontram. Se a tabela de dados é do tipo Paradox, Dbase, arquivo de
texto, etc., o Data Mover executa uma consulta e adquire um novo arquivo com uma
base de dados compatível com o software (.data). Ou seja, o MineSet cria uma
imagem do banco de dados e trabalha os dados a partir dessa imagem.
4.3.2 Iniciando o MineSet
O primeiro passo a seguir, após iniciar o MineSet, é conectá-lo a um
servidor. Para isso usamos o menu File do Tool Manager e em seguida o submenu
Connect to Server. Na caixa de diálogo (Figura 4.6) digita-se o endereço do servidor,
login e senha do usuário ou marca-se a opção This machine as current user para
executar os processos do servidor na máquina do cliente.
68
Figura 4.6: Caixa de diálogo para conexão ao servidor.
Figura 4.7: Caixa de diálogo para conexão ao servidor.
O próximo passo e importar a base de dados. Acessando o menu File e o
submenu Import Data, temos a caixa de diálogo da Figura 4.7. Deve ser especificado
o tipo de arquivo que será importado para que o MineSet recorra ao arquivo de
configuração adequado (.schema). Em seguida se localiza o arquivo de dados que
se deseja trabalhar. O MineSet salva um arquivo de dados (.data) com uma copia
adequada da tabela e um arquivo de configuração (.schema), ambos no servidor. Da
69
próxima vez que o cliente executar o MineSet, ele automaticamente abrirá o último
arquivo de configuração utilizado.
4.3.3 Usando o Tool Manager
A tela do Tool Manager está dividida em três painéis principais: Data
Transformations, Data Destinations e Status.
O painel Data Transformations mostra as colunas que estão sendo
utilizadas no momento (Current Columns) e possui diversas ferramentas para as
transformações dessas colunas, tais como remoção de colunas, mudança de nome
e tipo dos dados das colunas, discretização, agregação e adição de colunas. Possui
também botões que permitem voltar uma transformação que foi executada (table
history) e posteriormente excluir as transformações (Current view is:).
O painel Data Destination permite a escolha entre as ferramentas de
visualização (Viz Tools), mineração (Mining Tools) ou alterar as configurações de
gravação dos arquivos com resultados (Data File).
O painel de Status mostra informações sobre as ações do processo
DataMover, e algumas vezes resultados de processamentos realizados, tais como
porcentagens e falhas no processo.
O Tool Manager conta também com uma tela que oferece um acesso
mais rápido e fácil as transformações realizadas. É a History of Operations View
(Figura 4.8) que apresenta um gráfico com o histórico das operações executadas
(esquerda) e a caixa de diálogo que foi apresentada ao usuário durante a operação.
No exemplo, a operação selecionada foi a aplicação de um filtro. A caixa de diálogo
de filtro e então mostrada (a direita) para que as configurações do filtro sejam
modificadas.
70
4.8: Tool Manager mostrando o histórico das transformações
4.3.4 Visualizando os Dados
O ponto alto do MineSet 3.2 e a sua capacidade de representar os dados
analisados em excelentes gráficos que se aproveitam da capacidade que o ser
humano tem de abstrair e entender a informação disposta na forma de esquemas
(representações gráficas).
Scatter Visualizer (Gráfico de dispersão)
O MineSet oferece diversas ferramentas de visualização de dados que
ajudam no entendimento dos dados, aproveitando-se da capacidade do ser humano
de abstração de gráficos e cores. O Scatter e Splat Visualizers são semelhantes,
com a distinção de que o Scatter Visualizer mostra dados como uma série de
71
entidades individuais, enquanto o Splat Visualizer mostra agregações de pontos de
dados que aparecem como nuvens opacas e colorem uma imagem tridimensional.
Figura: 4.9: Splat Visualizer
O Scatter Visualizer permite que o usuário examine o comportamento dos
dados através de diferentes dimensões. Os dados são mostrados em uma malha
representando ate três dimensões. Dimensões extras podem ser mapeadas para os
tamanhos, cores e rotulo de cada entidade mostrada, e mais duas dimensões
independentes podem ser associadas como dimensões dinâmicas. Um slider pode
ser utilizado para selecionar valores específicos ao longo dessas dimensões, ou um
caminho pode ser traçado através dessas dimensões para fazer animações a partir
do gráfico. Durante a travessia do caminho ocorrem mudanças na tela que refletem
as variações das variáveis independentes. Esta visualização é indicada quando o
numero de pontos de dados é inferior a 50.000, ou quando algum processo foi
executado de forma que os dados sejam reduzidos a um conjunto de agregações.
72
Figura 4.10: Scatter Visualizer
A ferramenta de visualização Scatter Visualizer mostra em uma
perspectiva tridimensional os dados organizados no Arquivo de Dados e que serão
interpretados pelo Arquivo de Configuração. Os dados serão mostrados em um
espaço delimitado por no máximo três eixos de coordenadas. O Scatter Visualizer
suporta os seguintes tipos de dados: números inteiros, pontos flutuantes, cadeias de
caracteres e data. A ferramenta também aceita matrizes de tamanho fixo. O Arquivo
de Dados possui extensão .data. O Arquivo de Configuração possui a extensão
.scatterviz.
Elementos do Scatter Visualizer:
•
A sentença axis faz com que uma variável seja utilizada como um
eixo em 3D. O valor das variáveis determina onde as entidades são
posicionadas nos eixos.
•
A sentença entity descreve um tamanho, cor e rotulo para
entidades. Opções especificas são obtidas quando o botão Tool
Option é pressionado.
73
•
A sentença sumary especifica associação de informação a ser
calculada para todos os dados definidos pela posição do slider.
Esta sentença e utilizada para colorir a janela de desenho no painel
de controle da animação.
•
A sentença slider identifica uma coluna a ser utilizada como uma
dimensão do slider. Esta sentença é utilizada em visualizações
com animações.
A ferramenta de visualização Splat Visualizer permite ao usuário analisar
visualmente relações existentes entre diversas variáveis tanto estaticamente como
em animações. Este tipo de visualizador de dados é recomendado para base de
dados com muitos registros. Os dados são mostrados em uma perspectiva
tridimensional. Tais dados estão organizados no Arquivo de Dados e serão
interpretados
pelo
Arquivo
de
Configuração.
Os
dados
serão
mostrados
espacialmente delimitados por no máximo três eixos de coordenadas.
O Splat Visualizer suporta os seguintes tipos de dados: numero inteiro,
ponto flutuante, cadeia de caracteres, caractere e data. A ferramenta também aceita
matrizes de tamanho fixo. O Arquivo de Dados possui extensão .data. O Arquivo de
Configuração possui a extensão .splatviz.
Elementos do Splat Visualizer:
•
Possui a sentenças axis, sumary e slider com as mesmas
características do Scatter Visualizer juntamente com as sentenças
color e opacity.
•
A sentença opacity descreve como uma coluna é mapeada para a
opacidade das nuvens.
74
•
A sentença color descreve como os valores são mapeados para as
cores.
Se
nenhum
mapeamento
é
realizado,
o
efeito
é
monocromático.
Tree Visualizer
O Tree Visualizer possibilita que o usuário visualize os dados em uma
forma hierárquica, ou melhor, em uma abstração em árvore com raiz, nos filhos e
nos folhas. A visualização é feita criando-se os Arquivos de Dados e de
Configuração.
Figura 4.11: Tree Visualizer
A hierarquia dos dados contidos no Arquivo de Dados e definida através
do Arquivo de Configuração. Esta forma de abstração e muito útil para a visualização
de dados que possuem natureza hierárquica. Esta ferramenta visualização provê
uma capacidade interativa tal que permite examinar as relações entre dados em
diferentes níveis. Por exemplo, o Tree Visualizer pode ser usado para examinar a
linha de produtos de uma companhia, mostrando graficamente a contribuição de
cada produto para o rendimento total da companhia. Cada ramo da árvore mostra
75
informação em um nível de detalhes crescente, fragmentando os rendimentos por
linhas de produtos e, eventualmente, por produtos individuais.
Um outro exemplo da utilização do Tree Visualizer seria o de explorar os
rendimentos das vendas de uma empresa, mostrando um total de vendas da
companhia nacionalmente, bem como os subtotais nas regiões e nos demais níveis.
As capacidades de filtragem e buscas do Tree Visualizer permitem que o usuário
focalize um elemento específico dos dados e realize consultas específicas.
Figura 4.12: Detalhe na árvore do Tree Visualizer
O Tree Visualizer também é usado para verificar os resultados do
Classificador de Árvores de Decisão, com cada decisão sendo representada por um
no separado na árvore. Cada nó mostra também barras que ilustram como o
classificador classifica os dados com base nas decisões acima daquele ponto. O
Tree Visualizer suporta os seguintes tipos de dados: numero inteiro, ponto flutuante,
cadeia de caracteres, caractere e data. A ferramenta também aceita matrizes de
tamanhos fixos e variáveis e matrizes enumeradas. O Arquivo de Dados possui
extensão .data. O Arquivo de Configuração possui a extensão .treeviz.
76
Elementos do Tree Visualizer:
•
A sentença key bars especifica a chave que será utilizada para
selecionar as barras de cada nó na hierarquia. Apenas uma única
chave pode ser utilizada, e esta chave deve ser diferente da chave
da sentença levels.
•
A sentença levels define a hierarquia dos dados. É usada para
dividir os dados em mais hierarquias, podendo-se especificar
tantos níveis de hierarquias quanto forem necessários.
•
A sentença height bars descreve como as colunas são mapeadas
nas alturas dos objetos visuais. Esta sentença possui várias
cláusulas:
o .normalize, que determina o maior valor para a altura de um
objeto e normaliza os outros em função desta altura;
o .max, e utilizada com a cláusula normalize para definir a
maior altura permitida;
o .scale, se as cláusulas normalize e max não forem usadas, a
cláusula scale pode escalonar os valores das alturas dos
objetos;
o .filter, que filtra os objetos visuais baseado na altura dos
mesmos;
o .legend, que define significados para os mapeamentos
feitos.
•
A sentença height disks usado para especificar as alturas que os
discos representam. Discos opcionais são colocados nas mesmas
localizações que as barras, sendo úteis quando seus atributos
77
possuem a mesma unidade de medida (por exemplo, vendas atuais
e vendas do ultimo ano).
•
A sentença height base especifica como a altura da base e
calculada.
•
A sentença color descreve como os valores são mapeados para as
cores. Esta sentença possui as seguintes cláusulas:
o .color naming, que segue as convenções do X Window
System para nomes de cores;
o .variável color, que e especificada para ser mapeada em
uma cor;
o .key, ao invés da variável anterior pode-se utilizar uma
chave;
o .colors, que especifica as cores que serão usadas;
o .scale, permite associação de valores a uma variedade
contínua de cores;
o legend, que cria uma legenda para as cores.
•
A sentença color disks e usada para especificar o que as cores de
discos representam. Pode-se nomear as cores especificas através
do botão Tool Options ou permitir que o MineSet nomeie
automaticamente. Esta opção só tem efeito se o disk height for
especificado.
•
A sentença color bases e usada para especificar o que as cores
básicas representam. Possui opções para agregar o atributo a cada
nível utilizando o botão Tool Options. A sentença e usada para
ordenar os nos pelos valores do atributo selecionado.
78
O mineSet tem ainda muito mais do que se pode apresentar de forma escrita. A
apresentação gráfica é feita de forma muito prática e rápida. Mas o se deve
enaltecer é sua capacidade interativa. Seja através de um simples Zoom ou de
animações tridimensionais programadas ou on-line, o fato é que e quase todas as
formas de apresentação gráficas, o sistema disponibiliza alguns tipos de interações
possíveis.
4.4 A Mineração
A ferramenta MineSet foi de suma importância para o desenvolvimento do
trabalho, mas vale lembrar que o software não age sozinho. É extremamente
necessário que se saiba onde se quer chegar, para que através de parâmetros
possa-se “solicitar” ao software os processamentos desejados. A participação de um
ser humano, ainda é fundamental para que se consiga gere algum tipo de
conhecimento.
Por outro, a parte de apresentação e feita com muita qualidade pelo
MineSet. Não esquecendo que a interação é um ponto forte, até mesmo depois dos
resultados já estiverem representados graficamente.
Apesar de termos utilizados uma ferramenta de mineração que possui um
nível muito alto de abstração, temos que mostrar como pretende-se analisar as
informações para que se chegue aos resultados. Para isso ordenamos as fases do
processo de descoberta do conhecimento (DCBD) e mostraremos o que foi feito em
cada uma das fases até chegar à análise dos resultados.
79
4.4.1 As fases do processo de mineração
Seguindo as fases do processo DCBD de Fayyad (1996), que diz que o
DCBD é um conjunto de atividades contínuas que compartilham o conhecimento
descoberto a partir de bases de dados. Esse conjunto é composto de 6 (seis)
etapas: seleção dos dados, limpeza, enriquecimento, codificação, datamining e
interpretação do conhecimento descoberto. Vejamos cada uma delas.
Seleção dos dados
Na seleção dos dados deseja-se escolher apenas atributos relevantes do
conjunto de atributos do banco de dados. A seleção de atributos então, consiste na
escolha de um subconjunto de atributos disponíveis para o algoritmo DCBD que seja
relevante para o objetivo da tarefa. Um motivo para essa seleção é otimizar o tempo
de processamento do algoritmo minerador, visto que ele apenas trabalhará com os
dados necessários, diminuindo o seu espaço de busca.
Analisando o DW, podemos extrair apenas o essencial para o bom
desempenho de todo o processo de mineração.
Da tabela VENDA (fato), precisamos de todos os atributos: chave_tempo,
chave_produto, chave_cliente e quantidade venda.
Da tabela PRODUTO (dimensão 1), serão precisos os atributos:
chave_produto (para relacioná-lo com a tabela fato) e cl_terapeutica.
Da tabela TEMPO (dimensão 2), como a intenção é analisar o consumo
de medicamentos nos últimos 6 meses, precisa-se apenas dos atributos:
chave_tempo e mês.
Por fim, da tabela CLIENTE (dimensão 3), utilizaremos todos os atributos,
afim de possibilitar uma pesquisa por qualquer uma das visões: por estado, por
80
região ou por cidade. Os atributos são: chave_cliente, nome_estado, codigo_distrito,
codigo_setor e nome_cidade.
Pré-processamento e limpeza dos dados
Essa fase é responsável por consolidar as informações relevantes para o
algoritmo minerador, buscando reduzir a complexidade do problema.
Nesta fase são identificados e removidos os dados duplicados e/ou
corrompidos. A execução desta fase corrige a base de dados eliminando
consultas desnecessárias que seriam executadas pelo algoritmo minerador
e que afetaria o seu processamento. Os métodos de limpeza de dados são
herdados e dependentes do domínio da aplicação, desse modo a
participação do analista se torna essencial. (VELASCO, 1999. p.18)
Como o DW já foi desenvolvido tomando-se todos os cuidados
necessários, para que constituísse uma base de dados consistente e íntegra, nesta
fase faremos apenas o agrupamento dos registros de vendas no período de
determinada classe_terapeutica por cliente.
Ou seja, caso o cliente tenha efetuado mais de uma compra do mesmo
medicamento no período analisado, converteremos os registros destas compras em
apenas um registro, somando, é claro, a quantidade vendida.
Transformação dos dados
Esta fase converte os dados para a forma mais adequada para a
construção e interpretação do modelo.
Os dados pré-processados passam ainda por uma transformação com o
objetivo de facilitar seu uso pelas técnicas de mineração. Nesta fase, o uso
de data warehouse torna-se bastante útil, pois nessas estruturas o préprocessamento dos dados já existe, ou seja, as informações já estão
consolidadas num formato mais estatístico e menos transacional. (VIANA,
2004. p17).
Tomamos como exemplo a análise de venda de medicamentos por
cidades. Neste caso procuramos identificar as cidades que mais consomem
determinado tipo de medicamento. Esta análise deve ser proporcional ao número de
81
habitantes, uma vez que, caso isso não seja levado em consideração, teremos um
maior consumo nas maiores cidades (maior em número de habitantes), e isso não
irá nos dizer absolutamente nada além do que já se sabe.
A partir deste momento, então, não queremos mais saber qual cidade tem
o maior consumo de determinado tipo de medicamento, mais sim queremos saber o
consumo de cada cidade proporcionalmente ao número de habitantes. Precisamos
então de um mecanismo que corrija essa diferença natural do volume de vendas.
A primeira idéia seria dividir o numero de vendas pelo número de
habitantes, aí teríamos a venda de medicamentos por habitante de cada cidade.
Essa idéia é ótima, mas não dispomos, no sistema, do número de habitantes por
cidade e, um levantamento desses números, colocaria em risco o prazo da pesquisa.
A solução proposta para tal problema foi buscada na própria base de
dados. Não temos o numero de habitantes, mas temos como conseguir facilmente o
numero de vendas total para cada cidade. Teoricamente quanto mais habitantes,
maior o consumo geral de medicamentos. A solução seria então, dividirmos a
quantidade vendida de cada medicamento pela soma de itens vendidos em cada
cidade. Multiplicando o resultado da divisão por cem (100), teremos o percentual que
determinado medicamento representa na cidade.
 VMC 
 ∗ 100
X =
 VC 
∑

Onde VMC representa a venda de determinado medicamento em
determinada cidade; ΣVC, representa a soma total das vendas de medicamentos na
cidade; e X é o percentual de venda que VMC representa dentro da determinada
cidade o qual chamaremos de índice.
82
Com isso obtém-se um índice de proporção de venda de determinado
medicamento por cidade, ou seja, quanto que a venda de determinado medicamento
representa dentro de uma cidade.
Tomamos como exemplo a cidade de TUBARÃO: no período analisado, a
soma das quantidades compradas de todos os medicamentos foi correspondente à
29.287 unidades. Só a venda de medicamentos com a classe terapêutica
ANSIOLÍTICOS, correspondeu à 2036 unidades.
Colocando os valores na fórmula temos:
 2036 
X =
 ∗100
 29.287 
X = (6,95)
Podemos dizer então que a venda de ANSIOLÍTICOS na cidade de
TUBARÃO, corresponde a 6,95% de todas as vendas de medicamentos na cidade.
Agora precisamos saber o que os percentuais encontrados querem nos
dizer. Temos que, de alguma forma descobrir se o percentual encontrado representa
um consumo elevado ou não. No caso de Ansiolíticos na cidade de Tubarão, 6,95%
pode tanto mostrar um consumo exagerado, como também um consumo abaixo da
média. Média, essa é apalavra que faltava e agora vai poder nos dizer realmente se
6,95% será considerado pouco ou muito. Somente sabendo qual a média de compra
de determinado medicamento entre todas as cidades é que podemos dizer se
determinada cidade tem ou não consumo elevado do referido medicamento.
A solução proposta para isso, foi encontrar a média de venda de
determinado medicamentos entre as cidades.
Agora sim já podemos encontrar os percentuais de vendas que se
encontram acima da média.
83
Mineração de dados
Nesta fase é que os dados são submetidos aos processos do algoritmo
de mineração. Os dados limpos e preparados nas etapas anteriores serão
vasculhados através do algoritmo, em busca de informações que possam vir a
serem úteis.
Agora, será mostrado passo a passo todo o processo que utilizará a
ferramenta MineSet para mineração e apresentação dos dados.
O primeiro passo é iniciar o MineSet e conecta-lo ao servidor. Acessando
o menu File do Tool Manager (figura 4.5), escolhendo a opção do submenu Connect
to Server (figura 4.6).
Depois de conectado, deve ser feita a carga de um arquivo para análise.
Neste trabalho, dividimos o processo de mineração em três. Na primeira parte será
feita uma busca a nível geográfico de estado, depois por setor e por último, por
cidades. Sempre buscando identificar possíveis áreas com índices elevados de
consumo de alguns medicamentos.
Figura 4.13: Carga dos dados iniciais.
O arquivo deve ser carregado, acessando o menu File e o submenu
Import Data, tem-se a caixa de diálogo (Figura 4.7). Deve ser especificado então, o
84
tipo de arquivo que será importado para que o MineSet recorra ao arquivo de
configuração adequado (.schema). carregamos o arquivo “Análise por estado.TXT”.
Note que temos os seguintes campos: uf, classe terapêutica, qtde, total
estado, índice e média (figura 4.13). Para facilitar a busca, pode ser adicionada uma
sétima coluna com a diferença entre o índice e a média. Acessando o botão Add
Column...,
Figura 4.14: Caixa de diálogo Add Column
Na caixa de diálogo Add Column (figura 4.14), em New Column Name:
coloca-se o nome da coluna, ou seja, “Diferença”. Já em Defined by Expression deve
ser montada a expressão: “índice” – “média”. As sessões Add column name to
expression e Add op. to expression podem ser utilizadas para auxiliar na montagem
da expressão.
Com a coluna Diferença criada, podemos saber quais índices de
consumo estão acima da média, pois a coluna diferença representa exatamente
isso. A coluna diferença é o percentual de venda de determinada classe terapêutica
menos a média do percentual de venda dentre os estados.
85
No lado direito do painel central do Tool Manager no quadro Data
Destinations, existem algumas técnicas de mineração disponíveis para o uso.
Precisando apenas informar alguns parâmetros para funcionamento mais preciso
(figura 4.15).
Figura 4.15: Mining tools
Figura 4.16: Scatter Visualizer – aplicação de Assoc.
86
No quadro Data Destinations selecionando a opção Mining Tools e depois
a seção Assoc, aplicando-se, a ferramenta de mineração por associação. O
resultado pode ser visto na figura 4.16.
Figura 4.17: Registros da mineração por estado.
Na figura 4.16 fica quase impossível visualizar de forma precisa o
resultado apresentado. Isso porque todos os registros são apresentados ao mesmo
tempo em uma matriz gráfica. Como o objetivo é identificar onde existe um consumo
maior de medicamento, pode ser filtrado somente os registro valores mais
significativos. No botão Filter..., do quadro Data Transformations, definindo a
expressão: “diferença” > 0,95, conforme ilustrado na figura 4.18, obtém-se as
classes terapêuticas com vendas superiores a 0,95% acima da média de venda da
mesma classe entre os estados analisados.
87
Figura 4.18: Caixa de diálogo Filter.
Depois de aplicado o filtro, tem-se os registros cuja diferença é superior a
0,95 pontos percentuais, conforme mostra a figura 4.18.
Figura 4.19: Registros da mineração por estado – com filtro.
Para uma melhor abstração, a mesma informação pode ser apresentada
graficamente. Utilizando a Opção Scatter Visualizer do MineSet, obtemos o seguinte
gráfico (figura 4.19). Neste gráfico, estão relacionados os estados com as classes
terapêuticas e, os percentuais de incidência de venda do medicamento são
representados por cubos, que podem variar de tamanho e cor, de acordo com o
valor a ser apresentado.
88
Figura 4.20: Scatter Visualizer por Estado
Uma outra maneira de visualização é através de árvores. No MineSet, na
opção Viz Tools, escolhendo Tree, Chega-se ao seguinte resultado (figura 4.20).
Figura 4.21: Tree Visualizer por Estado
Desta forma foram mostrados os passos para a mineração dos dados por
Estado, esses mesmos processos foram aplicados ao arquivo com os dados por
Cidade e por Setor. Um Setor é formado por várias cidades de uma mesma região.
89
Os resultados obtidos nesta fase serão apresentados em forma de tabelas
e gráficos, agrupados por Estado, Setor ou Cidades, na próxima e última fase do
processo DCBD: na análise dos resultados, que será mostrada a seguir.
Interpretação dos resultados
Os resultados serão apresentados em forma de ranking em tabelas e
também como gráficos. O MineSet, dispõe de um mecanismo de visualização gráfica
muito interessante de fácil visualização.
O ranking de consumo acima da média por estado ficou da seguinte
maneira:
Tabela 4.1: Ranking de venda acima da média por estado
UF
PR
SC
RS
SC
SC
SC
RS
RS
SC
RS
Classe terapêutica
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOSOS
ANTICONCEPCIONAIS
ANTICONCEPCIONAIS
ANSIOLÍTICO
ANTIINFLAMATÓRIO
CORTICOSTERÓIDE
ANTI HIPERTENSIVO
ANTIINFLAMATÓRIO
ANTIDEPRESSIVO
ANSIOLÍTICO
Qtde
Total do Estado Índice Média Diferença
94236
297018
31.73
12.93
18.8
61618
632395
9.74
7.26
2.48
94521
975922
9.69
7.26
2.43
37084
632395
5.86
3.92
1.94
45581
632395
7.21
5.8
1.41
36245
632395
5.73
4.4
1.33
32497
975922
3.33
2.07
1.26
68155
975922
6.98
5.8
1.18
18534
632395
2.93
1.91
1.02
47902
975922
4.91
3.92
0.99
Figura 4.22: Scatter Visualizer – Ranking por estado (Geral)
90
Tabela 4.2: Ranking de venda acima da média por estado, somente do Paraná
UF
PR
PR
PR
PR
PR
Classe terapêutica
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
ANTIULCEROSO
TERAPÊUTICO DAS AFECÇÕES RESPIRATÓRIAS
ANTIESPASMÓDICO
RELAXANTES
Qtde
Total do Estado Índice Média Diferença
94236
297018 31.73 12.93
18.8
5152
297018
1.73
1.3
0.43
1051
297018
0.35
0.19
0.16
6060
297018
2.04
1.88
0.16
2837
297018
0.96
0.83
0.13
Figura 4.23: Scatter Visualizer – Ranking por estado (Paraná)
Tabela 4.3: Ranking de venda acima da média por estado somente do RS.
UF
RS
RS
RS
RS
RS
Classe terapêutica
ANTICONCEPCIONAIS
ANTI HIPERTENSIVO
ANTIINFLAMATÓRIO
ANSIOLÍTICO
CORTICOSTERÓIDE
Qtde
Total do Estado Índice Média Diferença
94521
975922
9.69
7.26
2.43
32497
975922
3.33
2.07
1.26
68155
975922
6.98
5.8
1.18
47902
975922
4.91
3.92
0.99
48685
975922
4.99
4.4
0.59
Figura 4.24: Scatter Visualizer – Ranking por estado (Rio Grande do Sul)
91
Tabela 4.4: Ranking de venda acima da média por estado, somente de SC
UF
SC
SC
SC
SC
SC
Classe terapêutica
ANTICONCEPCIONAIS
ANSIOLÍTICO
ANTIINFLAMATÓRIO
CORTICOSTERÓIDE
ANTIDEPRESSIVO
Qtde
61618
37084
45581
36245
18534
Total do Estado
632395
632395
632395
632395
632395
Índice
9.74
5.86
7.21
5.73
2.93
Média
7.26
3.92
5.8
4.4
1.91
Diferença
2.48
1.94
1.41
1.33
1.02
Figura 4.25: Scatter Visualizer – Ranking por estado (Santa Catarina)
Em Santa Catarina nota-se que existe uma compra de medicamentos do
tipo Anticoncepcionais, que chega 2,48% acima da média dos três estados do sul.
Só para entender melhor como se chegou a tal valor, acompanhe o raciocínio: em
Santa Catarina foi registrada uma venda total de 632.395 unidades de
medicamentos em geral. Medicamentos do tipo Anticoncepcionais, apresentarão
uma vendagem de 61.618 unidades, representando assim, 9,74% das vendas
gerais. A média de venda de Anticoncepcionais entre os três Estados é de 7,26%.
Comparando então, o percentual de Santa Catarina com a média, nota-se que a
venda foi de 2,43 pontos percentuais acima da média.
Outra informação que se pode extrair destes dados, é que o Estado de
Santa Catarina apresenta um consumo de medicamentos muito parecido com o do
Rio Grande do Sul, pelo menos na parte excedente à média.
92
Na mineração dos dados por setor, visualizamos os resultados de venda
acima da média, conforme mostrado a seguir:
Tabela 4.5: Ranking de venda acima da média por setor
UF
Dist.
PR
0000
Setor
Classe terapêutica
2 ANALGÉSICO
Total
Setor
Qtde
Índice
Média
Diferença
68283
105932
64,46
7,31
7,15
10901
14758
73,87
12,80
61,07
36
49
73,47
14,14
59,33
5133
7447
68,93
12,80
56,13
PR
0400
415 ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
RS
0800
815 ANTISSÉPTICO
PR
1000
PR
0700
704 ANTISSÉPTICO
42
60
70,00
14,14
55,86
PR
0700
702 ANTISSÉPTICO
4
6
66,67
14,14
52,53
RS
0800
804 ANTISSÉPTICO
24
36
66,67
14,14
52,53
RS
0800
12
18
66,67
14,14
52,53
PR
1000
1004 ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
2084
3417
60,99
12,80
48,19
PR
0400
410 ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
7303
12018
60,77
12,80
47,97
RS
0800
808 ANTISSÉPTICO
42
68
61,76
14,14
47,62
PR
0400
411 ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
8539
14859
57,47
12,80
44,67
PR
1000
1007 ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
2133
3782
56,40
12,80
43,60
RS
0800
808 EMOLIENTE
26
68
38,24
3,73
34,51
RS
0500
513 ASSOCIAÇÃO HOMEOPÁTICA
6
19
31,58
1,30
30,28
PR
0400
407 ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
7412
13703
54,09
12,80
41,29
PR
1000
1006 ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
1582
2978
53,12
12,80
40,32
1002 ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
814 ANTISSÉPTICO
PR
0700
702 EMOLIENTE
2
6
33,33
3,73
29,60
RS
0800
804 EMOLIENTE
12
36
33,33
3,73
29,60
RS
0800
814 EMOLIENTE
6
18
33,33
3,73
29,60
Figura 4.26: Scatter Visualizer – Ranking por setor (Geral)
93
Tabela 4.6: Ranking de venda acima da média por setor, somente do Paraná
UF
Distrito
PR
0000
PR
0400
PR
1000
PR
0700
PR
0700
Setor
Classe terapêutica
2 ANALGÉSICO
Total
Setor
Qtde
Índice
Média
Diferença
68283
105932
64,46
7,31
57,15
415 ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
10901
14758
73,87
12,80
61,07
1002 ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
5133
7447
68,93
12,80
56,13
704 ANTISSÉPTICO
42
60
70,00
14,14
55,86
702 ANTISSÉPTICO
4
6
66,67
14,14
52,53
Figura 4.27: Scatter Visualizer – Ranking por setor (Paraná)
Tabela 4.7: Ranking de venda acima da média por setor, somente do RS
Total
Setor
UF
Distrito
RS
0800
815 ANTISSÉPTICO
36
49
73,47
14,14
59,33
RS
0800
804 ANTISSÉPTICO
24
36
66,67
14,14
52,53
RS
0800
814 ANTISSÉPTICO
12
18
66,67
14,14
52,53
RS
0800
808 ANTISSÉPTICO
42
68
61,76
14,14
47,62
RS
0800
808 EMOLIENTE
26
68
38,24
3,73
34,51
Setor
Classe terapêutica
Qtde
Índice
Média
Figura 4.28: Scatter Visualizer – Ranking por setor (Rio Grande do Sul)
Diferença
94
Tabela 4.8: Ranking de venda acima da média por setor, somente de Santa Catarina
Setor
Classe terapêutica
Total
Setor
UF
Distrito
Qtde
Índice
Média
Diferença
SC
0800
801 LAXANTES
12
51
23,53
1,73
21,80
SC
0700
703 ANTIULCEROSO
10
61
16,39
1,21
15,18
SC
0700
703 ANTIPARASITARIOS
9
61
14,75
1,06
13,69
SC
0800
802 LAXANTES
12
107
11,21
1,73
9,48
SC
0800
801 SUPLEMENTOS
4
51
7,84
0,18
7,66
Figura 4.29: Scatter Visualizer – Ranking por setor (Santa Catarina)
A última e maior fase de mineração, efetuada no maior nível de
detalhamento proposto na pesquisa, buscando identificar as cidades em que se tem
um índice de venda superior à media das outras cidades, pode ser visto a seguir.
Tabela 4.9: Ranking de venda acima da média por cidade.
UF
Dist.
Setor
Cidade
Classe terapêutica
PR
0000
2
SAO JERONIMO DA SER
ANALGÉSICO
Qtde
200
Total
220
Índice
90,91
Média
8,28
Diferenç
82,63
PR
0000
2
SANTANA DO ITARARE
ANALGÉSICO
302
346
87,28
8,28
79,00
SC
0100
112
SAO PEDRO ALCANTARA
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
500
575
86,96
8,27
78,69
PR
0000
2
RONCADOR
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
524
604
86,75
8,27
78,48
PR
0000
2
MAL.CANDIDO RONDON
ANALGÉSICO
120
144
83,33
8,28
75,05
PR
0000
2
SAO JOAO DO TRIUNFO
ANALGÉSICO
1099
1319
83,32
8,28
75,04
PR
0000
2
TELEMACO BORBA
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
2548
3129
81,43
8,27
73,16
PR
0000
2
FOZ DO JORDAO
ANALGÉSICO
1000
1240
80,65
8,28
72,37
95
PR
0000
2
QUINTA DO SOL
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
506
631
80,19
8,27
71,92
PR
0400
415
TIJUCAS DO SUL
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
1022
1279
79,91
8,27
71,64
70,55
PR
0000
2
GOIOERE
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
1012
1284
78,82
8,27
RS
0300
317
ENCRUZILHADDA DO SUL
ANTIDEPRESSIVO
430
591
72,76
3,39
69,37
PR
0000
2
BITURUNA
ANALGÉSICO
250
329
75,99
8,28
67,71
PR
0000
2
NOVA CANTU
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
530
700
75,71
8,27
67,44
PR
0000
2
MISSAL
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
500
675
74,07
8,27
65,80
PR
0000
2
SENGES
ANALGÉSICO
82
112
73,21
8,28
64,93
126
173
72,83
8,28
64,55
14
21
66,67
3,04
63,63
132
185
71,35
8,28
63,07
69,49
8,27
61,22
PR
0000
2
VERA CRUZ DO OESTE
ANALGÉSICO
RS
0300
307
ITAARA
BRONCODILATARORES
PR
0400
405
ALMITANTE TAMANDARE
ANALGÉSICO
PR
0000
2
PAICANDU
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
1000
1439
PR
0400
408
PONTAL DO PARANA
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
1548
2231
69,39
8,27
61,12
RS
0300
314
FRADERICO WESTPHALE
NEUROPSICOESTIMULANTE
1
2
50,00
0,36
49,64
RS
0300
314
FRADERICO WESTPHALE
ANESTÉSICO
1
2
50,00
0,62
49,38
81
145
55,86
7,46
48,40
4
7
57,14
11,56
45,58
314
656
47,87
3,04
44,83
10
22
45,45
0,72
44,73
4
9
44,44
3,04
41,40
380
726
52,34
11,56
40,78
40,26
SC
0500
502
PLANALTO ALEGRE
ANTIINFLAMATÓRIO
RS
0500
516
CAMPESTRE DA SERRA
ANTICONCEPCIONAIS
RS
0200
218
XANGRI LA
ANTIESPASMÓDICO
RS
0300
308
NOVA ESPERANCA SUL
SOROS
RS
0500
504
EREBANGO
ANTIESPASMÓDICO
RS
0500
507
RONDINHA
ANTICONCEPCIONAIS
RS
0300
309
SANTANALIVRAMENTO
ANALGÉSICO
SC
0400
414
BARRA DO SUL
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
SC
0100
101
LEOBERTO LEAL
50
103
48,54
8,28
108
225
48,00
8,27
39,73
ANTICONCEPCIONAIS
34
67
50,75
11,56
39,19
RS
0600
608
MINAS DO LEAO
ANTI HIPERTENSIVO
125
300
41,67
3,35
38,32
RS
0300
314
FREDERICO WESTPHALEN
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
509
1093
46,57
8,27
38,30
RS
0600
607
SENTINELA DO SUL
DESCONGESTIONANTE
8
20
40,00
2,35
37,65
RS
0500
506
QUATRO IRMAOS
ANTICONCEPCIONAIS
17
35
48,57
11,56
37,01
RS
0300
311
CAIBATE
ANTIINFLAMATÓRIO
63
145
43,45
7,46
35,99
SC
0500
503
BOM JESUS
ANTICONCEPCIONAIS
326
688
47,38
11,56
35,82
RS
0600
609
SAPUCAIA DO SUL
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
3980
9199
43,27
8,27
35,00
RS
0600
606
CERRO GRANDE SUL
ANTICONCEPCIONAIS
487
1052
46,29
11,56
34,73
SC
0400
403
PAPANDUVAS
ANTICONCEPCIONAIS
122
265
46,04
11,56
34,48
RS
0500
506
BENJAMIN CONSTANT
ANTICONCEPCIONAIS
56
122
45,90
11,56
34,34
SC
0100
112
STO.A.DA IMPERATRIS
ANALGÉSICO
131
310
42,26
8,28
33,98
SC
0500
510
CALMON
ANTICONCEPCIONAIS
57
129
44,19
11,56
32,63
SC
0400
418
MAJOR VIEIRA
ANTICONCEPCIONAIS
144
330
43,64
11,56
32,08
SC
0500
511
STA CECILIA
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
464
1220
38,03
8,27
29,76
SC
0100
112
STO A. DA IMPERATRI
ANALGÉSICO
124
330
37,58
8,28
29,30
SC
0500
502
AGUAS FRIAS
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
27
76
35,53
8,27
27,26
SC
0500
511
BRUNOPOLIS
ANTICONCEPCIONAIS
42
111
37,84
11,56
26,28
Figura 4.30: Tree Visualizer – Árvore por cidade (Geral)
96
Figura 4.31: Scatter Visualizer – Ranking por cidade (Geral)
Tabela 4.10: Ranking de venda acima da média por cidade, somente Paraná.
UF
Dist.
Setor
Cidade
Classe terapêutica
Média
Difer.
PR
0000
2
SAO JERONIMO DA SER
ANALGÉSICO
Qtde
200
220 90,91
8,28
82,63
PR
0000
2
SANTANA DO ITARARE
ANALGÉSICO
302
346
87,28
8,28
79,00
PR
0000
2
RONCADOR
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
524
604
86,75
8,27
78,48
PR
0000
2
MAL.CANDIDO RONDON
ANALGÉSICO
120
144
83,33
8,28
75,05
PR
0000
2
SAO JOAO DO TRIUNFO
ANALGÉSICO
1099
1319
83,32
8,28
75,04
PR
0000
2
TELEMACO BORBA
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
2548
3129 81,43
8,27
73,16
PR
0000
2
FOZ DO JORDAO
ANALGÉSICO
1000
1240
80,65
8,28
72,37
PR
0000
2
QUINTA DO SOL
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
631 80,19
8,27
71,92
PR
0400
415
TIJUCAS DO SUL
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
1022
1279 79,91
8,27
71,64
PR
0000
2
GOIOERE
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
1012
1284
8,27
70,55
506
Total
Índice
78,82
Figura 4.32: Scatter Visualizer – Ranking por cidade (Paraná)
97
Tabela 4.11: Ranking de venda acima da média por cidade, somente RS
UF
Dist.
Setor
Cidade
Classe terapêutica
RS
0300
317
ENCRUZILHADDA DO SUL
ANTIDEPRESSIVO
RS
0300
307
ITAARA
BRONCODILATARORES
RS
0300
314
FRADERICO WESTPHALE
RS
0300
314
RS
0500
RS
Qtde
Total
Índice
Média
Difer.
430
591 72,76
3,39
69,37
14
21 66,67
3,04
63,63
NEUROPSICOESTIMULANTE
1
2 50,00
0,36
49,64
FRADERICO WESTPHALE
ANESTÉSICO
1
2 50,00
0,62
49,38
516
CAMPESTRE DA SERRA
ANTICONCEPCIONAIS
4
7 57,14
11,56
45,58
0200
218
XANGRI LA
ANTIESPASMÓDICO
314
656 47,87
3,04
44,83
RS
0300
308
NOVA ESPERANCA SUL
SOROS
10
22 45,45
0,72
44,73
RS
0500
504
EREBANGO
ANTIESPASMÓDICO
4
9 44,44
3,04
41,40
RS
0500
507
RONDINHA
ANTICONCEPCIONAIS
380
726 52,34
11,56
40,78
RS
0300
309
SANTANA LIVRAMENTO
ANALGÉSICO
50
103 48,54
8,28
40,26
Figura 4.33: Scatter Visualizer – Ranking por cidade (Rio Grande do Sul)
Tabela 4.12: Ranking de venda acima da média por cidade, somente SC.
UF
Dist.
Setor
Cidade
Classe terapêutica
SC
0100
112
SAO PEDRO ALCANTARA
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
SC
0500
502
PLANALTO ALEGRE
ANTIINFLAMATÓRIO
SC
0400
414
BARRA DO SUL
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
SC
0100
101
LEOBERTO LEAL
SC
0500
503
BOM JESUS
Qtde
Total
Índice
Média
Difer.
500
575 86,96
8,27
78,69
81
145 55,86
7,46
48,40
108
225 48,00
8,27
39,73
ANTICONCEPCIONAIS
34
67 50,75
11,56
39,19
ANTICONCEPCIONAIS
326
688 47,38
11,56
35,82
SC
0400
403
PAPANDUVAS
ANTICONCEPCIONAIS
122
265 46,04
11,56
34,48
SC
0100
112
STO.A.DA IMPERATRIS
ANALGÉSICO
131
310 42,26
8,28
33,98
SC
0500
510
CALMON
ANTICONCEPCIONAIS
57
129 44,19
11,56
32,63
SC
0400
418
MAJOR VIEIRA
ANTICONCEPCIONAIS
144
330 43,64
11,56
32,08
SC
0500
511
STA CECILIA
ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS
464
1220 38,03
8,27
29,76
98
Figura 4.34: Scatter Visualizer – Ranking por cidade (Santa Catarina)
Analisando a figura 4.29, pode ser percebido que há uma elevação nos
índices de vendas superiores à média, concentrados principalmente nos
medicamentos do tipo ANTIBIÓTICO/ANTIBACTERIANO/ ANTIINFECCIOS e
ANALGÉSIOCOS.
Aprofundando a análise e selecionando apenas os registros mais
significativos do estado do Paraná (figura 4.30), pode ser visto que a mesma teoria
se aplica, e mais, nos registros com maior diferença de compra dentre todas a
cidades, somente os tipos ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS e
ANALGÉSIOCOS aparecem. Também pode-se identificar que nas cidades de SÃO
JERONIMO DA SERRA e SANTANA DO ITARARE, a venda de medicamento do
tipo ANALGÉSICO, é bastante superior, comparando-se com todas as outras
cidades da região pesquisada.
Na tabela e no gráfico que representa o estado do Rio Grande do Sul
(figura 4.31), nota-se que há uma maior distribuição dos tipos de medicamentos que
aparecem como líderes do ranking dos dez registros mais significativos. Oito tipos de
99
medicamentos e nove cidades aparecem. O maior índice é de ANTIDEPRESSIVO,
na cidade de ENCRUZILHADA DO SUL. Em seguida aparece a cidade de ITAARA,
com a venda de medicamento do tipo BRONCODILATADORES.
Já nos dados que representam Santa Catarina (figura 4.32), observa que
a ocorrência do tipo de medicamento ANTICONCEPCIONAIS, é de cinco cidades
dentre dez. nota-se que nenhuma cidade tem índice elevado de mais de um tipo de
medicamento e que o maior deles aponta para a cidade e SÃO PEDRO DE
ALCANTARA, com o tipo ANTIBIÓTICO/ANTIBACTERIANO/ANTIINFECCIOS.
4.5 Considerações
Neste capítulo, podemos ver como, a partir de dados operacionais,
gerados para fins de controles diversos por sistema, de uma empresa, pode-se
extrair informações para as quais o sistema não foi projetado.
Foi visto que, com dados existentes na empresa, pode-se chegar à
informações úteis para a própria empresa e também para entidades externas, como
por exemplo outras empresas ou órgãos governamentais e também não
governamentais.
Os dados de venda de uma distribuidora de medicamentos, foram limpos
e tratados para construção de um data warehouse. O data warehouse com os dados
carregados, tornou-se uma fonte perfeita para aplicação de técnicas de datamining,
Com o software de mineração de dados MineSet, que poderia ser um
outro qualquer, dos vários que existem, aplicou-se o processo de mineração de
dados sobre a base de dados contida no data warehouse. Depois do processo de
mineração, as informações foram apresentadas em forma de tabelas como também
100
em forma de excelentes gráficos que se aproveitam da capacidade que o ser
humano tem de abstrair e entender a informação disposta na forma de esquemas
(representações gráficas).
Com análise destas informações pode-se identificar várias regiões do sul
do país com índices elevados de consumo de determinados tipos de medicamentos.
Estas informações poderiam muito bem, ser utilizadas por indústria de medicamento
para fins comerciais na aplicação de marketing direto, bem como para fins sociais
por empresas, instituições não-governamentais e pelo próprio governo, no sentido
de campanhas de prevenção e de tratamento das doenças que causam o consumo
dos referidos tipos de medicamentos.
Apesar de tudo levar a crer que nas cidades que tenham índices elevados
de consumo de determinado tipo de medicamento, não podemos afirmar com
certeza tratar-se de regiões efetivamente sofredoras das doenças relacionadas.
Um dos problemas encontrados neste projeto foi o fato de as cidades
terem o numero de habitantes diferentes. Tínhamos a quantidade de venda de
medicamentos para cada cidade, mas não tínhamos o numero de habitantes por
cidade. É natural que quanto mais habitantes se tem em uma cidade, mais
medicamentos será consumido. A solução aplicada para este problema (achar o
percentual que cada tipo medicamento representa na região), foi muito interessante,
mas se chegasse-mos ao consumo por habitantes, seria ainda mais interessante.
Outra divergência, já que não considero um problema, é que os dados
analisados eram provenientes das vendas de uma única distribuidora e, sabe-se que
ela não atua com exclusividade de vendas nas regiões avaliadas.
101
5 CONSIDERAÇÕES FINAIS
Desde que a informática tomou conta de nossas vidas, imensos volumes
de informação têm sido sistematicamente coletados e armazenados. A simples
armazenagem e recuperação dessa informação já traz um grande benefício, pois
agora já não é mais necessário procurar informação em volumosos e ineficazes
arquivos de papel. Contudo, apenas recuperar informação não propicia todas as
vantagens possíveis. O processo de datamining permite que se investigue esses
dados à procura de padrões que tenham valor para a empresa ou para sociedade.
Devido a disponibilidade de enormes quantias de dados em formas
eletrônicas, e à necessidade iminente de extrair delas informações e conhecimentos
úteis a diversas aplicações, datamining foi popularmente tratado como sinônimo de
descoberta de conhecimento em bases de dados, apesar de, na visão de alguns
pesquisadores, datamining ser considerado apenas como um passo essencial da
descoberta de conhecimento.
A mineração de dados fornece padrões de informação sobre dados
escondidos na base de dados, porém para que essa informação tenha utilidade,
torna-se necessária a fase de interpretação dos padrões. Essa fase consiste em
verificar e validar os padrões descobertos, para então, iniciar a tomada de decisões.
Este é o objetivo final da mineração de dados, transformar as informações
descobertas em ações, caracterizando assim o conhecimento.
É importante ressaltar também que o datamining não é o final da atividade
de descoberta de conhecimentos, mas é tão somente o início. É imprescindível (ao
menos com a tecnologia atual) dispor de analistas capacitados que saibam interagir
102
com os sistemas de forma a conduzi-los para uma extração de padrões úteis e
relevantes.
Para que se chegue a um objetivo, para o aprendizado ocorrer, uma série
de informações de diferentes formatos e fontes precisa ser organizada de maneira
consistente. As empresas possuem dados. E a maioria delas possui uma grande
quantidade de dados em seus sistemas computacionais.
A tecnologia de data warehouse mostra-se como uma ótima ferramenta
para empresas que possuem esses grandes volumes de dados gerados e
acumulados durante sua existência, no aúxilio a extração de conhecimento de uma
base de dados, de uma forma que eles possam auxiliar os administradores destas
empresas a tomarem decisões estratégicas rapidamente e com segurança.
Nota-se que o DW não é um fim, mas sim um meio que as empresas
dispõem para analisar informações históricas podendo utilizá-las para a melhoria dos
processos atuais e futuros, portanto, a criação de utilização desta base de
conhecimento a partir de um DW caracteriza a transformação da base de dados em
base de conhecimentos .
O DW é de suma importância no processo de extração, filtragem, carga e
recuperação dos dados, que sem dúvida, é uma das determinantes fundamentais
para se obter o sucesso ou fracasso em uma aplicação de datamining.
Já uma empresa que trabalha com medicamentos, além dos cuidados
normais que qualquer empresa teria com seus produtos, deve ater-se as normas e
regras que regem o mercado de medicamentos.
No Brasil, o Ministério da Saúde, através da Agência Nacional de
Vigilância Sanitária (ANVISA), é o responsável pela regulamentação e fiscalização
da produção da indústria farmacêutica brasileira. É a ANVISA que define as normas
103
para produção e comercialização de qualquer tipo de medicamento. Existem hoje em
dia, muitas normas que estipulam o que pode, e o que não pode, ser feito no que diz
respeito ao setor farmacêutico.
Uma das definições da ANVISA é a segmentação dos medicamentos em
classes terapêuticas. Cada classe terapêutica possui características específicas, que
servem para identificar o tipo do medicamento e consequentemente a sua finalidade.
Essa classificação nos permite identificar o perfil do consumidor, uma vez
que, existem inúmeros medicamentos com a mesma finalidade, não havendo
necessidade nestes casos, de se conhecer o perfil do consumidor para cada
medicamento, mas sim, pelo grupo de medicamento, que nesta ocasião é dado pela
classe terapêutica.
Através da pesquisa elaborada, vimos que, com dados existentes na
empresa, pode-se chegar à informações úteis para a própria empresa e também
para entidades externas, como por exemplo outras empresas, o próprio governo e
também entidades não governamentais.
Os dados de venda de uma distribuidora de medicamentos foram limpos e
tratados para construção de um data warehouse. O data warehouse com os dados
carregados, tornou-se uma fonte perfeita para aplicação de técnicas de datamining,
Com o software de mineração de dados MineSet, aplicou-se o processo
de mineração de dados sobre a base de dados contida no data warehouse. Depois
do processo de mineração, as informações foram apresentadas em forma de tabelas
como também em forma de excelentes gráficos que se aproveitam da capacidade
que o ser humano tem de abstrair e entender a informação disposta na forma de
esquemas (representações gráficas).
104
Com análise destas informações pode-se identificar várias regiões do sul
do país com índices elevados de consumo de determinados tipos de medicamentos.
Estas informações poderiam muito bem, ser utilizadas por indústria de medicamento
para fins comerciais na aplicação de marketing direto, bem como para fins sociais
por empresas, instituições não-governamentais e pelo próprio governo, no sentido
de campanhas de prevenção e de tratamento das doenças que causam o consumo
dos referidos tipos de medicamentos.
Apesar de tudo levar a crer que nas cidades que tenham índices elevados
de consumo de determinado tipo de medicamento, não podemos afirmar com
certeza tratar-se de regiões efetivamente sofredoras das doenças relacionadas.
Um dos problemas encontrados neste projeto foi o fato de as cidades
terem o numero de habitantes diferentes. Tínhamos a quantidade de venda de
medicamentos para cada cidade, mas não tínhamos o numero de habitantes por
cidade. É natural que quanto mais habitantes se tem em uma cidade, mais
medicamentos será consumido. A solução aplicada para este problema (achar o
percentual que cada tipo medicamento representa na região), foi muito interessante,
mas se chegasse-mos ao consumo por habitantes, seria ainda mais interessante.
Outra divergência, já que não considero um problema, é que os dados
analisados eram provenientes das vendas de uma única distribuidora e, sabe-se que
ela não atua com exclusividade de vendas nas regiões avaliadas.
É claro que nenhum destes entraves diminui o poder das informações
geradas e do conhecimento adquirido. Alem de tudo, é muito prazeroso elaborar um
projeto com capacidade de proporcionar maior agilidade nas tomadas de decisão
das empresas, nas ações de marketing e vendas certeiras, além do que julgo mais
interessante: possibilitar medidas que visem promover melhorias no âmbito social.
105
REFERÊNCIAS
ANVISA, Agência Nacional da Vigilância Sanitária. Conceitos de tipos de
medicamentos.
Disponível
em:
<http://www.medicamentogenerico.org.br/
gb_conceito.php3>. Acesso em 26 de março de 2004.
BARBALHO, Patrícia. Descubra o Data Warehouse. SQL Magazine, Ano 1,
Edição 3, Pág. 34.
CAMPOS, Maria Luiza et al. Características do Data Warehouse.
http://genesis.nce.ufrj.br/ dataware/tutorial/cbasicos.html. Acesso em 07/09/2002.
CARVALHO, Luís Alfredo Vidal de, 1960. Datamining: a mineração de dados no
marketing, medicina, economia, engenharia e administração. São Paulo: Érica,
2001.
DIAS, André Luiz; PRATTI, Wagner. Linux: soluções simples. São Paulo: Escala,
1999. (Coleção Informática Descomplicada. n. 33).
DELTA, Dicionário AOL. - http://win2nt239.digiweb.com.br/dicionariobemvindo.htm.
Acessado em 02/04/2005.
FAYYAD, Usama; Piatetski-Shapiro, Gregory; Smyth, Padhraic (1996) The KDD
Process for Extracting Useful Knowledge from Volumes of Data. In:
Communications of the ACM, pp.27-34, Nov.1996.
FELDENS, Miguel A.; Castilho, José Mauro Volkmer de, Engenharia da Descoberta
de Conhecimento em Bases de Dados: Estudo e Aplicação na Área de Saúde:
Dissertação de mestrado, Universidade Federal do Rio Grande do Sul, Porto Alegre,
Brasil, 1997.
FRENKEL, J. 2001. O mercado farmacêutico brasileiro: a sua evolução recente,
mercado e preços. IN Brasil: radiografia da saúde. Barjas Negri e Geraldo Di
Giovanni. UNICAMP. 588p.
GALENO, R. e JANSEN R. 2002. Indústria ignora doença de países pobres.
www.fsc.ufsc.br/~canzian/opinioes/doenca-de-pobre.html. Acesso em 11/2002.
106
GRILO, Carlos Fernando Almeida. Inteligência Artificial. Dez 1998. Disponível em:.
<http://www.estg.iplei.pt/~grilo/ia.htm>. Acessado em 19/07/2004
GSI – Grupo de Sistemas Inteligentes. Mineração de Dados. Universidade Estadual
de Maringá. 1998. On-line. Internet. http://www.din.uem.br/~ia/. Acessado em
12/11/2004.
Hasenclever, L. 2002. Diagnóstico da indústria farmacêutica brasileira.
UNESCO/FUJB/IR-UFRJ. Rio de Janeiro.
INMON, W.H. Como construir um Data Warehouse. Tradução de Ana Maria Netto
Guz. Rio de Janeito: Campus, 1997. 388p.
KIMBALL, Ralph. Data warehouse toolkit. Tradução de Mônica Rosemberg. São
Paulo: Makron Books, 1998. 388 p.
LUPER, 2005. FAQ – Frequently Asked Questions. Disponível
<http://www.luper.com.br/falecono/falefaq.htm>. Acessado em 01/02/2005.
em
MALERBA, F e ORSENIGO, L. 2001. Innovation and market structure in
dynamics of the pharmaceutical industry and biotechnology: towards a history
friendly model. DRUID Nelson and Winter Conference, Aalborg.
MARTINS. DataWarehouse – Um armazém bem diferente. Disponível em
<www.mrsoftware.com.br>. Acessado em 18/08/2004.
MERCK. Entenda e identifique um medicamento genérico. Disponível em
<www.merckgenericos.com.br), acessado em 05/03/2005.
MÉRITO ESCOLAR – Manual prático do estudante – São Paulo: Meca, 1994.
NETO, Antônio Braz da Silva. Introdução aos algoritmos genéticos. Escola de
Informática: Grupo de pesquisa em inteligência artificial. Universidade Católica de
Pelotas – ECPel, Rio Grande do Sul.
O’BRIEN, James A. Sistemas de informação e as decisões gerenciais na era da
internet. 9.ed. São Paulo: Saraiva, 2001. 430 p.
107
OLIVEIRA, Jailton José de. Sistemas de apoio à decisão. http://cazarini.cpd.
eesc.sc.usp.br/Sem210/1999/Mod/HOME1.html. Acesso em 08/05/2002.
QUEIROZ, S. e GONZÁLEZ, A.J.V. 2001. Mudanças recentes na estrutura
produtiva da indústria farmacêutica. IN Brasil: radiografia da saúde. Barjas Negri
e Geraldo Di Giovanni. UNICAMP. 588p.
PINHEIRO, Carlos José reis. Implementação de aplicações OLAP no ambiente
Delphi. Disponível em (www.geocities.com/acfconsult/artigo02.htm). Acessado em
20/08/2004.
ROMANO, R. e BERNARDO, P.J. B. 2001. Padrões de regulação de preços do
mercado de medicamentos: experiência brasileira doa anos 90 e novos arranjos
institucionais. IN Brasil: radiografia da saúde. Barjas Negri e Geraldo Di Giovanni.
UNICAMP. 588p.
TAFNER, Malcon Anderson. Redes Neurais Artificiais: Aprendizado e plasticidade.
Revista Cérebro e Mente, Rio de Janeiro, v.3, n.5, março/maio 1998.
VELLASCO, Marley et al. Descoberta de conhecimento e mineração de dados.
Rio de Janeiro: PUC, 1999.