Sistema De Apoio À Decisão Aplicada Aos Recursos

UNIVERSIDADE ESTADUAL DO CEARÁ (UECE)
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO CEARÁ
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO
FREDERICO CLÁUDIO PEIXINHO
SISTEMA DE APOIO À DECISÃO APLICADO À GESTÃO DE
RECURSOS HÍDRICOS SUBTERRÂNEOS
RIO DE JANEIRO
2012
ii
FREDERICO CLÁUDIO PEIXINHO
SISTEMA DE APOIO À DECISÃO APLICADO À GESTÃO DE RECURSOS
HÍDRICOS SUBTERRÂNEOS
Dissertação apresentada ao Curso de Mestrado
Profissional em Computação Aplicada do Centro de
Ciências e Tecnologia - CCT da Universidade Estadual do
Ceará, como requisito parcial para a obtenção do grau
Mestre em Computação Aplicada.
Orientador(a): Prof. Dr. Flávio Luis de Mello
RIO DE JANEIRO
2012
iii
F363m
Peixinho, Frederico Cláudio
Sistema de Apoio à Decisão aplicado à Gestão de Recursos
Hídricos Subterrâneos. — Rio de Janeiro, 2012.
125 p. : il.
Orientador: Prof. Flávio Luis de Mello, D. Sc. (UFRJ)
Monografia (Mestrado em Computação Aplicada) –
Universidade Estadual do Ceará, Mestrado Profissional em
Computação Aplicada.
1. SAD. 2. Sistema de Apoio à Decisão. I. Universidade
Estadual do Ceará, Mestrado Profissional em Computação
Aplicada.
iv
FREDERICO CLÁUDIO PEIXINHO
SISTEMA DE APOIO À DECISÃO APLICADO À GESTÃO DOS RECURSOS
HÍDRICOS SUBTERRÂNEOS
Dissertação apresentada ao Mestrado Profissional em
Computação Aplicada do Centro de Ciências e Tecnologia
– CCT da Universidade Estadual do Ceará, como requisito
parcial para a obtenção do grau Mestre em Computação
Aplicada.
Aprovada em: 21/03/2012
BANCA EXAMINADORA
_______________________________________________
Prof. Dr. Flávio Luis de Mello, D.Sc. (Orientador)
Universidade Federal do Rio de Janeiro – UFRJ
________________________________________________
Prof. Dr. Luiz Felipe Coutinho, D.E.
Instituto Militar de Engenharia – IME
________________________________________________
Prof. Dr. Airton Fontenele Sampaio Xavier, D.Sc.
Universidade Estadual do Ceará – UECE
________________________________________________
Prof. Dr. Marcos José Negreiros Gomes, D.Sc.
Universidade Estadual do Ceará – UECE
v
DEDICATÓRIA
À minha esposa e filhas que sempre estiveram presentes me estimulando e
compartilhando os momentos de dificuldades e renúncias.
Edmea, Joana, Carolina e Gabriela
vi
AGRADECIMENTOS
A Deus por me permitir transitar na vida terrena com o compromisso do aprimoramento
intelectual e moral, tendo a ciência e o saber, como fio condutor para o meu progresso
espiritual.
À UFRJ – Escola Politécnica da Universidade Federal do Rio de Janeiro, uma referência no
ensino superior.
Aos professores, do Mestrado Profissional em Computação Aplicada da UECE, que tanto
contribuíram com seus ensinamentos, incentivos e apoio a este trabalho.
Em especial, aos professores José Francisco Julião, DSc. (MPCOMP), e Airton Xavier,
DSc. (UECE), que transferiram com maestria os seus conhecimentos e saberes, bem como
incentivaram e apoiaram no desenvolvimento desta dissertação.
Igualmente e em especial, aos professores Flávio Luis de Mello, DSc. (UFRJ) e Edilberto
Strauss, Ph.D. (UFRJ) que me orientaram e incentivaram, respectivamente, na condução
deste trabalho.
Aos colegas do Mestrado Profissional em Computação Aplicada, realizada na UFRJ – Rio
de Janeiro, pelo estímulo e contribuição.
Aos colegas de trabalho, Ricardo Villafan, Maria Antonieta Mourão, Francisco Barbosa,
Marcos Nóbrega, Josias Lima, Leonardo da Matta, Maria Cristina Maio e parentes
Carolina Carneiro Peixinho e Priscila Peixinho Fiorindo, que contribuíram com sugestões,
material e informações.
A todos que direta ou indiretamente contribuíram com sugestões, material e informações e
que por lapso ou esquecimento não foram citados.
.
vii
―Ergo a cabeça ela não treme se a busco não a encontro vazia.‖
Aristóteles Damasceno Peixinho, meu pai.
viii
RESUMO
Esta dissertação apresenta uma metodologia, apoiada no Business Intelligence (BI), para
oferecer apoio à decisão do setor de recursos hídricos subterrâneos, dado que este recurso é
vital e estratégico para a implementação das políticas públicas e a melhoria da qualidade de
vida da população de uma dada região. A ideia fundamental consistiu em propor um modelo
para projetar um sistema de apoio à decisão, a partir da base de dados operacional, que
enriquecida e sintetizada, resulta numa base de dados referencial, servindo esta de suporte
para a construção de um repositório de dados (Data Warehouse) para em seguida, utilizar
tecnologias OLAP (On-line Analytical Processing) e algoritmos de Mineração de Dados
(Data Minning). A abordagem metodológica se apoia nos principais componentes do BI Base de Dados (Data Warehouse), Análise de Negócio (OLAP e Data Mining), Monitoria e
Avaliação do Desempenho (Business Performance Management). Neste sentido, este trabalho
contribuiu para internalizar a cultura de BI no ambiente de recursos hídricos subterrâneos;
fomentar o uso pelos tomadores de decisão de ferramentas mais apropriadas na gestão de
recursos hídricos subterrâneos; enriquecer a base de dados de poços profundos administrada
pelo sistema de apoio à decisão; aumentar da eficácia no armazenamento, operação e gestão
de base de dados de águas subterrâneas; e melhorar a produtividade e a qualidade dos serviços
prestados em recursos hídricos subterrâneos.
Palavras - Chave: Data Warehouse, OLAP, Data Mining, Business Performance
Management, Sistema de Informações de Águas Subterrâneas.
ix
ABSTRACT
This dissertation aims to present a methodology, based on Business Intelligence (BI) to
provide decision support to managers and business analysts in the field of groundwater
resources, considering that this resource is vital and strategic to the implementation of public
policies and improved quality of life in a given region. The fundamental idea is to propose a
methodology to extract a basic framework that will support the construction of data repository
(Data Warehouse) from the enriched and synthesized operational database. Then, the next
steps consists of the application of OLAP technology (Online Analytical Processing) and Data
Mining algorithms (Data Mining), to provide historical and current data of performance, and a
better understanding of the usage profile and the use of groundwater resources. The
methodological approach relies on major components of BI - Database (Data Warehouse),
business analysis (OLAP and Data Mining), performance assessment (Business Performance
Management) and user interface (Dashboard) - applied to the groundwater operational
database. Thus, the present study contributed to: internalize the culture of BI in groundwater
resources environment; promote the use of appropriate tools by decision makers in the
management of groundwater resources; enrich the deep wells database that is managed by
support system decision; increase efficiency in operating and managing groundwater
database; and improve the productivity and the quality of services rendered in groundwater
resources.
Key-words: Data Warehouse, OLAP, Data Mining, Business Performance Management,
Information System for Groundwater.
x
LISTA DE FIGURAS
Figura 1- Distribuição da Água na Terra ........................................................................
16
Figura 2 - Distribuição Percentual do Povoamento do Banco de Dados SIAGAS ......
23
Figura 3 - Etapas do Processo KDD ..............................................................................
29
Figura 4 - Estrutura e Visualização do Data Warehouse ...............................................
35
Figura 5 - Interatividade entre Funcionalidades e Técnicas de Mineração de dados ....
47
Figura 6 - Funcionalidades em Mineração de Dados .....................................................
48
Figura 7 - Sub-funcionalidades da Análise e do Descobrimento .................................... 49
Figura 8 - Gráfico de Nível d’água de um Poço – USGS ..............................................
61
Figura 9 - Modelo Conceitual do SAD Aplicado aos Recursos Hídricos Subterrâneos.. 64
Figura 10 - Modelo de Negócio do SAD Aplicado aos Recursos Hídricos
Subterrâneos .................................................................................................. 68
Figura 11 - Modelo de Dados SIAGAS ..........................................................................
72
Figura 12 - Módulo de Entrada de Dados .......................................................................
73
Figura 13 - Módulo de Consulta na Web – cruzamento de informação espacial e
Tabular .........................................................................................................
Figura 14 - Módulo de Consulta na Web – espacialização de dados .............................
74
74
Figura 15 - Módulo de Análise e Interpretação de Dados – relatórios ...........................
75
Figura 16 - Rede RIMAS – Mapa de Situação dos Aquíferos .......................................
76
Figura 17 - Mapa de Distribuição dos Poços Cadastrados na Base de Dados ...............
78
Figura 18 - Arquitetura de um Operacional Data Store (ODS) ....................................... 81
Figura 19 - Modelo Lógico do MGE ............................................................................... 88
Figura 20 - Modelo Conceitual do SAD .......................................................................... 93
Figura 21: Mapa de Localização dos Poços .................................................................... 98
Figura 22 - Mapas de Isovalores de Qualidade de Água ................................................. 99
Figura 23 - Principais Indicadores de Qualidade de Água de Poços ..............................
99
xi
LISTA DE TABELAS
Tabela 1 - Os quatro níveis de dados do ambiente arquitetural de um
data warehouse ............................................................................................
36
Tabela 2 - Exemplos de consultas referentes aos quatro níveis de dados .....................
37
Tabela 3 - Funcionalidades e suas técnicas para mineração de dados ..........................
50
Tabela 4 - Quadro geral de atributos relevantes cadastrados na base de dados ...........
80
Tabela 5 - Tabela de anexos da dissertação ..................................................................
107
xii
LISTA DE ABREVIAÇÕES E SIGLAS
ANA
Agência Nacional de Águas
BI
Business Intelligence
BPM
Business Performance Management
BSC
Balanced Scorecard
CPRM
Companhia de Pesquisas e Recursos Minerais
DM
Data Mining
DNAEE
Departamento Nacional de Águas e Energia Elétrica
DW
Data Warehouse
EIS
Executive Information Systems
ETL
Extration, Transformation and Load
KDD
Knowledge Discovery in Data Bases
ODS
Operational Data Store
OLAM
On-line Analytical Mining
OLAP
On-Line Analytical Processing
OLTP
On-line Transaction Processing
OMS
Organização Mundial da Saúde
PNRH
Política Nacional de Recursos Hídricos
PNUMA
Programa das Nações Unidas para o Meio Ambiente
RIMAS
Rede Integrada de Monitoramento das Águas Subterrâneas do Brasil
ROLAP
Relational On-Line Analytical Processing
SIAGAS
Sistema de Informações de Águas Subterrâneas
SAD
Sistema de Apoio à Decisão
SNIRH
Sistema Nacional de Informações sobre Recursos Hídricos
SQL
Strutured Query Language
SGB
Serviço Geológico do Brasil
USGS
United State Geological Survey
WEKA
Waikato Environment for Knowlegde Analysis
XML
Extensible Markup Language
xiii
SUMÁRIO
1 – INTRODUÇÃO ........................................................................................................
1.1
Contextualização ..................................................................................................
1.2
Justificativa ...........................................................................................................
1.3
Objetivos ..............................................................................................................
1.4
Estrutura da Dissertação .......................................................................................
15
15
21
23
24
2 – FUNDAMENTAÇÃO TEÓRICA ............................................................................
2.1
Contextualização ..................................................................................................
2.2
Sistema de Apoio à Decisão .................................................................................
2.3
O processo de Busca do Conhecimento em Banco de Dados .............................
2.4
Data Warehouse ...................................................................................................
2.5
Data Mart .............................................................................................................
2.6
Metadados ............................................................................................................
2.7
Granularidade .......................................................................................................
2.8
Visão Geral do Processo de Data Warehouse .....................................................
2.9
Arquitetura Geral do Data Warehouse ................................................................
2.10 Processo de Extração, Transformação e Carga – ETL ........................................
2.11 Modelagem Multidimensional ..............................................................................
2.12 Análise de Negócios e Visualização de Dados ....................................................
2.13 Tecnologia OLAP ................................................................................................
2.14 Multidimensionalidade – Cubo de Dados ...........................................................
2.15 Data Mining .........................................................................................................
2.15.1 Funcionalidades da Mineração de Dados ............................................................
2.15.2 Análise Descritiva.................................................................................................
2.15.3 Análise de Prognóstico ........................................................................................
2.15.4 Técnicas para Obtenção das Funcionalidades .....................................................
2.15.5 Algumas técnicas e algoritmos utilizados na mineração de dados .....................
2.15.6 Abordagem de Mineração de Dados ..................................................................
2.16 Business Performance Management ...................................................................
2.16.1 Balanced Scorecard ............................................................................................
2.16.2 Arquitetura do BPM ...........................................................................................
2.16.3 Dashboard e Scorecards .....................................................................................
2.17 Trabalhos Relacionados ......................................................................................
26
26
27
29
31
32
34
34
34
36
39
40
41
42
43
44
46
48
49
50
52
54
55
56
58
58
59
3 – MODELO CONCEITUAL DE SOSTEMA DE APOIO À
DECISÃO – SAD .....................................................................................................
3.1
Descrição Geral ...................................................................................................
3.2
Modelo de Negócio .............................................................................................
3.2.1 Modelo de Proposta de Valor ............................................................................
3.2.2 Modelo de Interface do Usuário ........................................................................
3.2.3 Modelo de Operação . .........................................................................................
3.2.4 Modelo Estratégico .............................................................................................
3.2.5 Modelo Econômico .............................................................................................
3.3
Descrição do Sistema Operacional – SIAGAS/RIMAS .....................................
3.4
Preprocessamento ................................................................................................
3.5
Estrutura do Data Store Operacional ..................................................................
3.6
Data Warehouse Departamental .........................................................................
3.7
Análise de Negócios e Visualização de Dados ...................................................
63
63
65
65
66
67
68
70
71
77
80
82
83
xiv
3.7.1 Análise do Negócio das Águas Subterrâneas ......................................................
3.7.2 Relatórios e Consultas para Visualização dos Dados..........................................
3.8
Business Performance Management (BPM) .......................................................
83
85
87
4 – SAD APLICADO A ESTUDO DE CASO .............................................................
4.1
Critérios para Seleção de Projeto Piloto ..............................................................
4.2
Caracterização da Empresa ..................................................................................
4.3
Projeto Piloto .......................................................................................................
4.4
Diagnóstico do Estado da Arte do Sistema
de Apoio à Decisão Aplicado aos Recursos Hídricos Subterrâneos.....................
4.5
Implantação do Modelo Proposto na Área do Projeto Piloto ..............................
4.5.1 Preprocessamento: Análise de Consistência
e Enriquecimento da Base de Dados ..................................................................
4.5.2 Base de Dados Operacional/ Data Store Operacional..........................................
4.5.3 Criação de Data Warehouse ...............................................................................
4.5.4 Análise do Negócio .............................................................................................
4.5.5 Business Performance Management – BPM .......................................................
90
90
90
91
92
93
93
94
94
95
99
5 – CONSIDERAÇÕES FINAIS ..................................................................................
102
REFERÊNCIAS BIBLIOGRÁFICAS .........................................................................
104
ANEXOS .......................................................................................................................
107
15
1 INTRODUÇÃO
Este capítulo introdutório descreve as principais motivações para realização do
trabalho, apresenta os objetivos e a justificativa da pesquisa e finaliza expondo a estrutura
e organização da dissertação.
1.1 Contextualização
A abundância e a escassez de água tem tido, através dos tempos, profundas
repercussões na evolução dos povos, influenciando em certas regiões, em função das
disponibilidades hídricas, as condições de florescimento, fixação e desenvolvimento das
civilizações (CUNHA, 1980).
A água é um bem vital e estratégico para a humanidade e representa uma moeda
de negociação cada vez mais valiosa entre as nações. Na atualidade as mudanças climáticas,
o crescimento populacional, o aumento vertiginoso da concentração urbana, os desastres
naturais, envolvendo eventos hidrológicos extremos e a deficiente infraestrutura hídrica
(saneamento básico) são os principais fatores que têm trazido enormes prejuízos sociais e
econômicos, principalmente, às populações menos assistidas.
Segundo (TUNDIZI, 2003, p.7), é falsa a aparente concepção de que a água doce
é abundante. Somente 2,5 % da água do planeta é disponível como água doce. Destes 2,5 %,
cerca de 75% estão congelados nas calotas polares e cerca de 10% estão reservados aos
aquíferos. Portanto 15% dos 3% de água doce estão disponíveis. A figura 1 apresenta a
distribuição da água na Terra. Vale considerar que o suprimento global tem reduzido
gradativamente com o aumento da população, dos usos múltiplos e com a perda do
mecanismo de retenção da água.
16
FIGURA 1 - Distribuição da Água na Terra
Fonte: REBOUÇAS (2002), adaptado de SHIKLOMANOV(1998)
O mapa mundial assinala que está se ampliando as regiões do planeta com enorme
―déficit” hídrico e com consequentes problemas relacionados à saúde pública.
De acordo com o relatório sobre Economias Verde lançado em Estocolmo pelo
Programa das Nações Unidas para o Meio Ambiente (PNUMA) durante a Conferência da
Semana Mundial da Água, em agosto de 2011, quase 1 bilhão de pessoas não têm acesso à
água; 2,6 bilhões não têm acesso ao saneamento básico; e 1,4 milhões de crianças menores de
cinco anos morrem a cada ano como resultado da falta de acesso à água potável e aos
serviços adequados de saneamento básico UNESCO/UNEP (United Nations Environmental,
2011).
Estudos técnicos mundiais indicam que mais de 76 milhões de pessoas, a maioria
crianças, morrerão de doenças relacionadas com a água até 2020, a não ser que se adotem
medidas urgentes para recuperar os mananciais hídricos do planeta.
Segundo a Organização Mundial de Saúde (OMS), em relatório produzido em
2000, estima-se que 04 (quatro) bilhões de casos de diarreias ocorrem a cada ano, matando
cinco milhões de pessoas. No Brasil, morrem atualmente 29 pessoas/dia por doenças
decorrentes da qualidade da água e do não tratamento de esgotos.
O Brasil, país de dimensão continental, possui uma grande disponibilidade
hídrica, distribuída de forma desigual em relação à densidade populacional. A produção total
das águas doces, no Brasil, representa 53% do continente sul-americano (334.000 m3/s) e 12%
do total mundial (1.488.00 m3/s) (REBOUÇAS, 1996). Os principais problemas em recursos
hídricos no Brasil são:
17
 escassez de água, principalmente, na região semi-árida brasileira;
 desastres naturais envolvendo eventos hidrológicos extremos (secas e
inundações);
 conflitos de uso da água principalmente nas regiões decorrentes dos seus usos
múltiplos;
 contaminação das águas superficiais e subterrâneas.
Para enfrentar estes problemas, no âmbito da gestão dos recursos hídricos, foi
instituída pela Lei 9.433, em 08 de janeiro de 1997, uma nova Política Nacional de Recursos
Hídricos - PNRH, fundamentada nos princípios da gestão descentralizada e participativa.
Todavia, os efeitos negativos dos problemas acima apontados – em especial a
escassez de água decorrente das estiagens e secas no semiárido - sobre a população são
manifestados pela fome, sede e miséria e estão atrelados à extrema vulnerabilidade da
estrutura econômico-social e à baixa eficácia de mecanismos adotados para o aproveitamento,
preservação, controle e gestão dos recursos hídricos e para o fortalecimento da economia
local.
Os problemas sociais decorrentes da seca inserem-se nas grandes questões de
ordem nacional, dada à magnitude e o número de pessoas atingidas. Com vistas a minimizar
os perversos efeitos da estiagem, o governo tem adotado medidas de intervenção de natureza
emergencial, destinadas a assegurar os meios mínimos de subsistência das populações nos
períodos mais críticos, ou de caráter permanente que visam ao fortalecimento da infraestrutura
local, a partir da execução de obras públicas (barragens, açudes, poços tubulares, etc.).
Um exemplo deste fato foi o Programa Emergencial de Combate aos Efeitos da
Seca, instituído em 1998, através do Decreto nº 2618, de 05.06.1998 que teve como meta a
perfuração, recuperação de poços tubulares e a implantação de dessalinizadores nos
municípios inseridos no Polígono das Secas.
Como aspectos positivos deste Programa merecem ser destacados o modelo
participativo de tomada de decisão; a validação técnica das obras era feita por órgão
independente e credenciado (Companhia de Pesquisa de Recursos Minerais - CPRM) e a
execução de obras (construção e recuperação de poços) que resultaram na melhor relação
custo-benefício do empreendimento.
Não obstante os pontos positivos deste Programa, muitos problemas estruturais e
recorrentes permaneceram, dentre os quais se destacam:
18
 gestão e controle ineficaz, pelo Estado, das águas subterrâneas, sob os quais
detêm competência legal, visando o disciplinamento do seu uso. Como
resultado agravam-se os problemas de superexplotação (excesso de retirada de
água) e contaminação dos aquíferos;
 inexistência de um sistema permanente de monitoramento e controle da
perfuração de poços. Diversos órgãos têm bases de dados próprias, na maioria,
desatualizadas e despadronizadas.
De acordo com a cartilha elaborada pelo Ministério de Meio Ambiente, em 2001,
relativa ao Programa de Águas Subterrâneas (KETTLELHUT, 2001), são os seguintes
desafios a serem enfrentados nesta área:
 a necessidade da gestão integrada da água com base nos instrumentos da
Política Nacional de Recursos Hídricos;
 o controle dos usos e da qualidade das águas insatisfatórios, em face da
dispersão e falta de articulação legal e institucional;
 as legislações existentes apresentavam lacunas e até mesmo conflitos
carecendo de ajustes para promover uma gestão integrada dos recursos hídricos;
 existência de reconhecida carência de conhecimentos básicos em águas
subterrâneas, que necessitam ser rapidamente desenvolvidos;
 a necessidade de mobilização social que resulte na vigilância da sociedade
sobre o uso e controle racionais das águas subterrâneas.
A CPRM - o Serviço Geológico do Brasil – (SGB), estabeleceu como diretriz
estratégica desenvolver um Sistema de Informações de Águas Subterrâneas – SIAGAS, o qual
foi implantado em 1996. A referida instituição definiu como estratégia manter estreita
articulação com outros organismos provedores de dados, em especial os órgãos estaduais
gestores dos recursos hídricos, firmando Acordos de Cooperação Técnica, de modo a garantir
um padrão de referência nesta área e possibilitar a integração de bases de dados. Nesta
vertente, ela priorizou o Programa de Água Subterrânea para a região Nordeste, em particular,
o ―Cadastramento de Fontes de Abastecimento por Água Subterrânea‖.
Neste sentido, a empresa vem realizando desde 1998 o citado cadastramento,
inicialmente, nos estados do Ceará e Sergipe, ampliando sua atuação para todo o território
nacional.
A alimentação da base de dados do SIAGAS é feita através das fichas de poços,
fornecidas por entidades públicas e privadas. Estas fichas, elaboradas à época da construção
19
do poço, apresentavam inconsistências (coordenadas geográficas incorretas) e imprecisões
(campos não preenchidos) que estão sendo depuradas pelo SGB.
Em 2009, a CPRM implantou a Rede Integrada de Monitoramento de Águas
Subterrâneas do Brasil – RIMAS que se constitui numa nova fonte de dados de poços para
base de dados operacional de águas subterrâneas. Os dados gerados nesta rede além de serem
mais representativos e confiáveis têm a característica de registrar variações temporais dos
parâmetros hidrogeológicos, permitindo avaliar o comportamento dos processos hidrológicos
e gerar relatórios que possam estabelecer tendências e avaliar cenários sobre a utilização dos
recursos hídricos subterrâneos.
O monitoramento das águas subterrâneas, através da rede RIMAS, gerando dados
contínuos e completos; a coleta e medição dirigida de parâmetros nos poços existentes; a
alimentação da base de dados com poços oriundos do processo de outorga pelo uso da água
são procedimentos que resultam no enriquecimento da base de dados operacional de águas
subterrâneas e contribui para melhorar o sistema de apoio à decisão em recursos hídricos.
A base de dados operacional de águas subterrâneas conta com expressiva
quantidade de poços cadastrados e tem a tendência, nos próximos anos, de aumentar
significativamente o volume de dados armazenados. Este cenário sinaliza para que se
disponha de ferramentas de gerenciamento eficaz de armazenamento de dados, com o uso de
sistemas inteligentes, baseados em descoberta de conhecimento.
Segundo (RAMOS et al.,1989), a área geocientífica, em especial, a hidrologia –
ciência que estuda a ocorrência, a distribuição o movimento e propriedades da água na
atmosfera, na superfície e no subsolo terrestre - envolve a realização de estudos de
fenômenos de natureza estocástica (precipitação, vazão, níveis de água, etc.), exigindo a
formação de séries hidrológicas extensas para se ter uma melhor predição e
representatividade do fenômeno analisado.
O ambiente de negócio que as organizações, de um modo geral, operam hoje em
dia é cada vez mais competitivo, complexo e com rápidas mudanças. As instituições que
atuam em recursos hídricos estão submetidas a um tipo especial de pressão do ambiente
público e da sociedade no sentido de garantir o fornecimento dados, informações e
conhecimentos hidrológicos para atender a
política de recurso hídrico
aproveitamento racional dos recursos hídricos.
Tomar decisões
à gestão e
neste campo exige
quantidades consideráveis de dados oportunos e relevantes, além de informações e
conhecimento. Desta forma essas organizações devem buscar inovar suas práticas de gestão
da informação no sentido de dar maior eficácia a tomada de decisão
20
Atualmente, manipula-se uma grande base de dados, exigindo a utilização de
sistema de suporte à gerência, envolvendo o uso de altas tecnologias para análise, prospecção
e visualização de informações. Para isso torna-se importante a utilização do Business
Intelligence (BI), um termo ―guarda chuva‖ que engloba ferramentas, arquitetura, bases de
dados, data warehouse, gerenciamento de desempenho, metodologias, tudo integrado em uma
suíte de software. Os principais objetivos do BI são permitir o acesso interativo aos dados (às
vezes em tempo real), proporcionar a manipulação desses dados e fornecer aos gerentes e
analistas de negócios a capacidade de realizar análises aprimoradas para tomada de decisão
(TURBAN et al., 2008).
Diante de um ambiente globalizado, a tecnologia de informação torna-se uma
importante aliada na aplicação das políticas públicas, principalmente, daquelas voltadas para
melhoria da qualidade de vida da população, nas áreas de recursos hídricos, meio ambiente e
saúde pública. As empresas começam a perceber a necessidade de terem maior agilidade,
disponibilidade e confiabilidade das suas informações, para que possam tomar as melhores
decisões. A Business Intelligence (BI) vem ao encontro dessa realidade, pois utiliza, de forma
integrada, seus principais componentes - Base de dados (Data Warehouse - DW), Análise de
Negócio ( Online Transaction Processing- OLAP e Data Mining - DM), Gestão e Análise de
Desempenho (Business Performance Management – BPM) para melhorar a tomada de
decisão. Portanto, a gestão aleatória dará lugar à inteligência de negócio (GOUVEIA,2009).
O avanço tecnológico tem possibilitado o armazenamento de grandes e múltiplas
quantidades de dados. É necessário fazer melhor uso destes, através de técnicas de
enriquecimento de dados, para conferir maior eficácia na tomada de decisão.
Uma análise preliminar da base de dados operacional de poços profundos
administrada pelo Sistema de Informações de Águas Subterrâneas (SIAGAS) indica que a
mesma tem uma grande quantidade de dados permitindo obter informações utilizadas nas
políticas públicas relacionadas com recursos hídricos, tais como: a) gestão das águas
subterrâneas; b) avaliação hidrogeológica; c) revitalização ou recuperação de poços; d)
superexplotação e contaminação dos aquíferos, dentre outros. Todavia, é necessário realizar o
enriquecimento e a depuração dos dados, que pelo seu histórico, apresentam inconsistências e
falhas, de modo a agregar maior valor à base de dados. Por exemplo enriquecer a base de
dados com dados de perfil litológico e construtivo dos poços e hidroquímicos para utiliza-los
na avaliação das disponibilidades hídricas subterrâneas e na gestão da qualidade das águas dos
aquíferos, respectivamente.
21
O Sistema de Apoio à Decisão aplicado aos Recursos Hídricos Subterrâneos é
uma ferramenta que auxilia os planejadores, analistas de negócio e gerentes da área de
recursos hídricos na tomada de decisão. A partir dos dados históricos e atuais, situações,
métricas e desempenho é possível escolher a solução mais apropriada.
Esta dissertação apresenta um modelo conceitual, baseado em BI de um sistema
de apoio à decisão aplicado à gestão de recursos hídricos subterrâneos.
1.2 Justificativa
Partindo do pressuposto que a água é um bem natural e estratégico, constata-se
que o Brasil tem uma disponibilidade hídrica superficial de 251.900 m3/s, cujo potencial
corresponde a 53% do total referente à América do Sul e 12% da água doce do planeta.
Em relação às águas subterrâneas, nosso país dispõe de um sistema aquífero
fissural que ocupa 53% do território nacional e possui bacias sedimentares que ocupam 42%
da superfície do país.
Não obstante, devido ao grande volume de água doce, disponível no Brasil,
existem desafios a serem enfrentados relativos à sua gestão e aproveitamento, pois 80% da
produção hídrica brasileira se concentram em três grandes unidades hidrográficas: Amazonas,
São Francisco e Paraná (PEIXINHO; FEITOSA, 2008).
Além disso, embora o potencial hídrico subterrâneo no Brasil seja significativo, o
seu aproveitamento ainda é relativamente pequeno, devido à tradição histórica brasileira de
realizar em maior escala o aproveitamento das águas superficiais. Isto decorreu do fato do
setor elétrico ter exercido, ao longo de mais de 60 anos, a liderança no aproveitamento dos
recursos hídricos para a geração de energia, efetuando um monitoramento hidrológico
contínuo nas principais bacias hidrográficas e garantindo um rico acervo de informações
sobre o regime hidrológico brasileiro.
A evolução histórica dos recursos hídricos, em nosso país, demonstra que ficou a
cargo do Ministério de Minas e Energia, através do Departamento Nacional de Energia
Elétrica (DNAEE), extinto em 1996, a incumbência de realizar a gestão dos recursos hídricos,
até a promulgação da Lei 9.433, que instituiu a Política Nacional de Recursos Hídricos.
A implantação da Política Nacional de Recursos Hídricos, em 1997, estabeleceu
uma nova configuração no modelo de gestão das águas no Brasil, obedecendo a princípios que
privilegiam a participação e a descentralização nos processos decisórios, novos atores sugiram
22
neste processo, destacando-se os Conselhos, Comitês e Agências de Bacias. Além disso,
instituiu instrumentos para a gestão dos recursos hídricos.
Entre os principais desafios em recursos hídricos no Brasil destacam-se:
1. Cheias – esse fenômeno hidrológico ocorre nas principais bacias hidrográficas
brasileiras (Nordeste, Centro-Oeste, Sul e Sudeste) provocando inundações
principalmente associadas a escorregamentos de encostas, resultando em
desastres naturais com enormes prejuízos sócio-econômicos (Sul e Sudeste).
2. Conflitos de Uso – características das regiões Sul e Sudeste aonde a oferta de
águas é insuficiente para atender a demanda de múltiplos usos.
3. Contaminação das Águas – ocorre, na maioria das regiões densamente
povoadas e/ou que tem um saneamento básico deficitário.
4. Escassez de água – com ocorrência predominantemente nas bacias da região
Nordeste.
O ―déficit hídrico‖ existente no Nordeste associado à elevada densidade
populacional levou a se buscar, de forma alternativa, o aproveitamento dos recursos hídricos
subterrâneos através da exploração de poços profundos.
A deficiência no processo de gestão e controle das águas subterrâneas, em
especial, do processo de perfuração de poços tem resultado em ineficiência no sistema de
recursos hídricos com elevados desperdícios de água e baixa produtividade para atendimento
a população.
O SIAGAS compõe o Sistema Nacional de Informações sobre os Recursos
Hídricos da Política Nacional de Recursos Hídricos e visa apoiar a pesquisa, os estudos, a
gestão e o aproveitamento das águas subterrâneas.
Dentre os principais desafios nesta área merecem destaques: a) a necessidade de
internalizar o uso da ferramenta SIAGAS nos órgãos gestores estaduais de recursos hídricos,
que detêm o poder legal sobre as águas subterrâneas, permitindo a padronização e intercâmbio
dos dados, a nível nacional; b) a necessidade de enriquecimento da base de dados relativo a
dados geológicos, hidrodinâmicos e hidroquímicos (vide figura 2); e c) ter à disposição um
sistema de apoio à decisão em recursos hídricos.
23
SIAGAS - Cadastro de Poços
ENTIDADE
PROPRIETÁRIO
USO
100
90
80
70
FORMAÇÃO
LITOLOGIA
SITUAÇÃO
N. ESTÁTICO
60
50
40
30
N. DINÂMICO
20
10
0
FERRO
CLORETO
VAZÃO
PH
CONDUTIVIDADE
SÓLIDOS TOTAIS
NORTE
COLIFORMES
FIGURA 2 – Distribuição Percentual do Povoamento do Banco de Dados SIAGAS
Fonte: Base de Dados SIAGAS – www.cprm.gov.br
O gráfico da figura 2 apresenta a distribuição dos registros de poços existentes na
base de dados administrada pelo SIAGAS, por tipo de atributo, da região Norte. A análise da
distribuição destes dados mostra que existem poucos registros sobre dados hidroquímicos
(pH, condutividade, cloretos, etc) e mediana quantidade sobre informações hidrodinâmicas
(nível estático e dinâmico, vazão, etc), enquanto que dados gerais (entidade, proprietário, etc)
existem praticamente 100% de registros armazenados. Esta condição se apresenta nas demais
regiões do país.
A intenção é despertar o interesse dos pesquisadores, gestores e usuários dos
recursos hídricos subterrâneos, na adequada produção de dados, armazenamento, recuperação
e difusão de informações, bem como no uso de Sistema de Apoio à Decisão aplicado aos
Recursos Hídricos Subterrâneos, baseado em Business Intelligence.
Desta forma a motivação da pesquisa está orientada pelos seguintes aspectos:
 tornar a base de dados de água subterrânea referência em qualidade dos dados,
para dar suporte à pesquisa, estudos, gestão e aproveitamento das águas
subterrâneas;
 motivar os órgãos gestores e intervenientes na utilização das ferramentas
SIAGAS e SAD, no processo de gestão das águas subterrâneas;
 aumentar a eficácia do programa de águas subterrâneas.
1.3 Objetivos
A água subterrânea é parte integrante do ciclo hidrológico, representando 98% das
águas doces e líquidas do planeta. Elas são responsáveis pela alimentação e pela regularização
24
(perenização) dos rios, dos córregos, dos lagos e outros, permitindo que estes continuem
fluindo na época de estiagem/seca.
As referidas águas têm importância estratégica, pois normalmente apresentam
elevado padrão de qualidade, físico-química e bacteriológica. Além disso, não são afetadas
por períodos de estiagens prolongados e sua obra de captação (poço) pode ser construída
próxima ao local da demanda.
No Brasil, devido à extensa rede de drenagem fluvial e expressiva disponibilidade
hídrica superficial, ao longo do tempo, se utilizou das águas superficiais em detrimento das
águas subterrâneas. O crescente consumo e aproveitamento das águas têm proporcionado o
uso mais intenso das águas subterrâneas.
A gestão eficaz das águas subterrâneas pressupõe a existência de sistemas de
informações que as organizem e lhes dêem representatividade e confiabilidade.
Os resultados deste trabalho poderão ser aproveitados pelos profissionais
envolvidos em projetos de Data Warehouse e Análise de Negócio, bem como o uso de
ferramentas para manipulação e análise de dados
tais como:
Data Mining, Business
Performance Management e Dashboard.
Objetivo geral
O objetivo geral da pesquisa é projetar um modelo conceitual de um Sistema de
Apoio à Decisão, apoiado em BI, aplicado aos recursos hídricos subterrâneos, composto das
seguintes etapas:
 Projetar um Sistema de Apoio à Decisão (SAD) baseado no BI.
 Estruturar uma Base de Dados Referencial (Data Store Operacional- ODS ).
 Fornecer aos tomadores de decisão ferramentas de consulta e análise de
negócios
Objetivo específicos
 Estabelecer critérios para o enriquecimento da base de dados
 Implementar programa de cadastramento de poços seletivos
 Promover a modernização do sistema de informações de águas subterrâneas
 Simular a aplicação do SAD numa área piloto
1.4 Estrutura da Dissertação
A presente dissertação está estruturada em 5 capítulos, em que o 1º já foi exposto,
e os demais estão descritos a seguir. O Capítulo 2 configura o estado da arte da pesquisa e tem
25
por finalidade apresentar os principais conceitos envolvidos com o tema da dissertação, sob a
forma de revisão bibliográfica.
O capítulo 3 descreve a metodologia para construção do modelo conceitual de um
Sistema de Apoio à Decisão, baseado em BI, analisando os componentes do modelo que
envolve o Sistema Operacional (SIAGAS/RIMAS), Data Store Operacional, Data
Warehouse, OLAP, Data Mining e Business Performance Management - BPM.
O capítulo 4 apresenta um protótipo do modelo conceitual SAD aplicado aos
recursos hídricos subterrâneos em Porto Velho – Rondônia.
O capítulo 5 apresenta a conclusão do trabalho, finalizando a dissertação com os
resultados e contribuições relevantes, dificuldades encontradas e as indicações para trabalhos
futuros.
26
2 FUNDAMENTAÇÃO TEÓRICA
Este capítulo configura o estado da arte da dissertação e busca discutir os
requisitos relacionados aos Sistemas de Apoio à Decisão, Data Warehouse, OLAP, Data
Mining e Business Performance Intelligence. São apresentados os principais conceitos e a
importância dos processos decisórios, mostrando a relevância para a utilização do Business
Intelligence.
2.1 Contextualização
A hidrologia é uma ciência de natureza estocástica, ou seja, não determinística,
necessitando formar séries históricas extensas para a sua utilização racional e eficiente na
gestão e no aproveitamento dos recursos hídricos. Portanto, dispor de uma base de dados
hidrológica confiável e representativa é fundamental para dela extrair informações valiosas na
aplicação dos recursos hídricos.
Atualmente, o Brasil dispõe de um banco de dados de hidrologia de superfície,
construído ao longo dos 90 anos de levantamento hidrometeorológico para atender,
primordialmente, o aproveitamento hidroenergético. São mais de 500 milhões de dados de
precipitação, evaporação, níveis d’água, descargas líquidas e sólidas dos rios, qualidade da
água e armazenamento em uma base de dados administrada pelo Sistema Nacional de
Informações sobre Recursos Hídricos.
No entanto, o mesmo não se pode dizer em relação à formação da base de dados
de água subterrânea. Historicamente, prevaleceu, em nosso país, a gestão e o aproveitamento
dos recursos hídricos superficiais. Mais recentemente, a Companhia de Pesquisa de Recursos
Minerais - CPRM, implantou o Sistema de Informações de Águas Subterrâneas – SIAGAS,
que permitiu formar uma base de dados de águas subterrâneas que hoje conta com cerca de
215.000 poços cadastrados.
O SIAGAS tem sido utilizado como um instrumento importante de tomada de
decisão no campo da gestão e aproveitamento dos recursos hídricos subterrâneos, obtendo o
reconhecimento do Conselho Nacional de Recursos Hídricos - CNRH, que recomenda a sua
adoção pelos órgãos gestores e os usuários de informações hidrogeológicas. Além disso, o
SIAGAS foi implantado em Cuba e existe a perspectiva de sua utilização pelos Serviços
Geológicos dos países ibero-americanos.
27
Não obstante, devido ao ineficiente controle exercido pelos órgãos gestores dos
recursos hídricos, cujo domínio é estadual, tem resultado numa base de dados com muitas
falhas e inconsistências, limitando a sua utilização, principalmente nas aplicações seguintes:
 aumento do conhecimento sobre a disponibilidade e vulnerabilidade hídrica;

melhoria da eficiência das obras hídricas; e
 gestão e controle da contaminação das águas subterrâneas, dentre outros.
Neste sentido, torna-se importante adotar um sistema de apoio à decisão que
proporcione uma avaliação crítica das informações de água subterrânea, auxiliando os
gestores a definir tendências, apontar problemas e absorver decisões inteligentes.
2.2 Sistema de Apoio à Decisão
O Sistema de Apoio à Decisão, baseado em BI, se utiliza de várias tecnologias,
dentre elas, Data Warehouse, Data Mart, Sistema Gerenciadores de Banco de Dados,
Processamento Analítico On-line (OLAP), Banco de Dados Multidimensionais, Mineração de
Dados (Data Minning), entre outros.
Segundo GOUVEIA (2009), as Ferramentas de Apoio à Decisão (FAD) fazem
parte do conceito BI ou Inteligência do Negócio e constituem o conjunto de tecnologias que
permitem o cruzamento de informações, o suporte à análise dos indicadores de desempenho
de um negócio. Com elas, é possível apresentar informações dos negócios, sob forma gráfica,
simulando a ocorrência e oferecendo maior capacidade de análise para descobrimento de
novos conhecimentos e padrões.
De acordo com TURBAN et al. (2009), o termo BI foi cunhado pelo Gartner
Group em meados da década de 1990. Todavia outra fonte indica que este termo apareceu em
1958 num trabalho de Hans Peter Luhn, pesquisador da IBM. Este conceito, todavia, iniciou
muito antes, com os sistemas de geração de relatório SIG na década de 1970. Neste período os
sistemas de geração de relatórios eram estáticos, bidimensionais e não possuíam recursos de
análise. No início dos anos 80 surgiu o conceito de sistema de informações executivas (EIS).
Foram introduzidos na década de 1990 recursos de geração de relatórios dinâmicos e
multidimensionais (ad hoc ou sob demanda), prognósticos, análise de tendências e
detalhamento e fatores críticos de sucesso. O uso desses recursos e alguns novos apareceram
sob o nome de BI. Em 2005 incorporou-se ao BI recurso de inteligência artificial, bem como
poderosos recursos de análise, tais como: ferramentas OLAP, relatórios de visualização ―ad
hoc‖ e Data Mining.
28
O maior objetivo do BI é definir regras e técnicas que permitam as empresas
gerenciar os seus dados transformando-os em depósitos estruturados de informações,
independente de sua origem. Entre os depósitos de informações estruturados destaca-se o
Data Warehouse, que armazena informações em estruturas dimensionais e representa uma
forma de dar suporte a tomada de decisões.
Esta evolução dos Sistemas de Apoio à Decisão (SAD) foi em função da
necessidade das organizações estarem focadas na captação, compreensão e exploração dos
seus dados, em face do ciclo de negócio estar cada vez mais apertado, exigindo uma decisão
melhor e mais rápida. Os gerentes precisam de informações certas, na hora certa e no lugar
certo. O uso do SAD decorreu, também, do crescente aumento da quantidade de dados
armazenados em meio eletrônico, da constante diminuição do custo de armazenamento de
dados e do aumento da eficiência das tecnologias de informações.
De acordo com ELMASRI (2005), os bancos de dados de apoio à decisão são
extensos, com elevado grau de indexação e envolvem muitas redundâncias. As chaves quase
sempre envolvem um componente temporal e as consultas são normalmente complexas.
Os sistemas de banco de dados para apoio à decisão diferem dos sistemas de
banco de dados operacional ou transacional, pelo fato daqueles serem quase sempre
exclusivamente para leitura/consulta e, dificilmente, para atualizações como é o caso destes
últimos. Por esta razão verifica-se dificuldade de manipular grande número de variáveis e de
dados históricos. Daí a necessidade de extrair informações relevantes da base de dados
transacional ou operacional. Os bancos de dados operacionais possuem algumas
características, como dinamismo, incompletudes, redundâncias
e ruídos que os tornam
inapropriados à função de extração de informações para apoio à decisão.
Segundo TURBAN et al. (2009), o BI tem quatro grandes componentes: um data
warehouse, composto de dados fontes; a análise de negócios, um conjunto de ferramentas
para manipular e analisar dados no data warehouse, o qual inclui o data mining; business
performance management
(BPM) para monitoramento e análise de desempenho e uma
interface com o usuário (como o dashboard).
No caso do data warehouse, estamos diante de um ambiente técnico enquanto que
o ambiente de análise está mais voltado para o analista de negócio. O usuário pode se conectar
ao sistema por meio de interface do usuário, como navegador e a alta administração pode usar
o BPM e o dashboard.
29
2.3 O processo de Busca do Conhecimento em Banco de Dados
Com o aumento exponencial da quantidade de dados armazenada em base de
dados, o homem necessita de ferramentas computacionais que o auxiliem na análise,
interpretação e na construção de relacionamento de dados. Nesta vertente, o objetivo aqui é
realizar a extração em grandes bases de dados informações desconhecidas e válidas que
possam ser utilizadas para tomada de decisões.
Para atender esta nova realidade surge uma nova linha de pesquisa denominada
Descoberta de Conhecimento em Bases de Dados (Knowledge Discovery in Databases –
KDD), mas popularmente, denominada de Mineração de dados (PEIXINHO, 2009).
O KDD surge como um amplo conceito de busca do conhecimento e envolve
diversas áreas de conhecimento, dentre as quais merecem destaque:
 Estatística
 Data Warehousing
 Reconhecimento de Padrões
 Inteligência Computacional e Aprendizado de Máquinas
 Banco de Dados
A título de ilustração, segue a figura 3 em que cada etapa da execução do processo
KDD possui uma interseção com as demais. Desta forma os resultados obtidos numa fase
podem ser utilizados para melhorar os resultas das próximas fases. Este procedimento revela
uma interatividade, na perspectiva de melhorar os resultados a cada interação (GOUVEIA,
2009).
FIGURA 3 – Etapas do Processo KDD
Fonte: Adaptação de SYMEONIDIS, et al. (2005)
30
O KDD, quando abordado sob a ótica do resultado, é definido como um processo
de extração trivial de informação, implícita, previamente desconhecida e potencialmente útil,
a partir dos dados armazenados em banco de dados. Conceituado sob a ótica de processo, o
KDD é considerado como uma tarefa de descoberta de conhecimento intensivo, consistindo
de interações complexas, feitas ao longo do tempo entre o homem e uma grande base de
dados, possivelmente suportada por um conjunto heterogêneo de ferramentas.
O KDD também é considerado como sendo um processo composto de etapas
operacionais
de
pré-processamento,
mineração
de
dados
e
pós-processamento
(GOLDSCHMIDT et. al., 2005).
A etapa de pré-processamento refere-se à execução de tarefas de captação,
organização e tratamento de dados. Em seguida, temos a etapa de Data Mining, considerada
essencial, relacionada com a extração do conhecimento útil no âmbito da aplicação KDD. O
pós-processamento, algumas vezes dispensável, tem o objetivo de viabilizar a avaliação da
utilidade do conhecimento descoberto (GOLDSCHMIDT et. al., 2005).
A complexidade do processo KDD está diretamente associada à dificuldade em
perceber e interpretar adequadamente inúmeros fatos observáveis durante o processo e na
dificuldade em conjugar dinamicamente tais interpretações de forma a decidir quais ações
devem ser realizadas em cada caso (GOLDSCHMIDT et. al., 2005). Ao analista cabe a difícil
tarefa de orientar o processo KDD.
O processo de descoberta de conhecimento envolve seis estágios, a saber: 1)
Seleção, 2) Limpeza, 3) Codificação, 4) Enriquecimento, e 5) Mineração de Dados e 6)
Relatórios.
As organizações passaram a utilizar-se de duas categorias de banco de dados: o
banco de dados transacional para atender operações normais e o Data Warehouse para dar
suporte às decisões estratégicas, ao prover uma sólida plataforma de dados históricos
integrados a partir dos quais é possível fazer análises.
A seleção dos dados é extraída do banco de dados transacional e, para facilitar
este processo, eles são copiados para um banco de dados separado, ou mesmo para o próprio
Data Warehouse.
O estágio de Limpeza dos dados é feito através de algoritmos com o objetivo de
depurá-los. Ele abrange qualquer tratamento realizado sobre os dados selecionados de forma a
garantir a qualidade (completude, veracidade e integridade) dos fatos por eles representados.
31
A codificação dos dados, por sua vez, é realizada de modo que eles fiquem em
condições de serem usados como entrada dos algoritmos de reconhecimento de padrões. Esta
é uma atividade criativa que deve ser realizada diversas vezes para se obter a melhor solução.
O enriquecimento dos dados consiste em buscar mais informações que possam ser
reunidas aos registros existentes, aprimorando-os para que estes contribuam no processo de
descoberta de conhecimento.
Por fim, a etapa de mineração de dados, que alguns autores consideram com
sinônimo da Descoberta de Conhecimento em Bases de Dados, envolve a aplicação de
algoritmos sobre os dados, na busca de conhecimento implícito e útil. Nesta etapa são
definidos técnicas e algoritmos a serem utilizados no problema em questão, tais como:
Ferramenta de Consulta, Técnicas Estatísticas, Visualização, Processamento Analítico on-line
(ferramenta OLAP), Árvores de Decisão, Redes Neurais, Regras de Associação e Algoritmo
Genético.
2.4 Data Warehouse
O DATA WAREHOUSING é um ambiente computacional onde os usuários
extraem informações estratégicas que os ajudam a conduzir seu processo de negócio. A
seguir, abordaremos definições e conceitos sobre o referido ambiente computacional.
O produto do DATA WAREHOUSING é o DATA WAREHOUSE(DW), um
conjunto de dados produzidos para dar suporte à decisão, de interesse dos níveis gerenciais da
organização. Segundo TURBAN et al., (2009), os dados são, normalmente, estruturados de
modo a estarem disponíveis em um formato pronto para as atividades de processamento
analítico (p. ex. processamento analítico on line [OLAP], data mining, consultas, geração de
relatórios, outras aplicações de suporte à decisão). De acordo com INMON (2005), o termo é
definido como ―um depósito de dado orientado por assunto, integrado, não volátil, variável
com o tempo, para apoiar as decisões da gerência‖.
Uma maneira de apresentar o data warehousing é recorrer as suas características
fundamentais:
 Orientação por assunto. Os dados são organizados por assunto pormenorizado,
como vendas, produto ou clientes, e contem informações relevantes para
tomada de decisão, permitindo avaliar o desempenho da organização. Um data
warehouse difere de um banco de dado operacional, por que estes são
32
orientados por processo e lidam com transações que atualizam o banco de
dados.
 Integrado. A integração é uma característica de um data warehouse. Os dados
advindos de diferentes fontes como BD operacionais, arquivos textos, sistemas
legados, etc. devem estar em formato consistente. Aparecem conflitos de
nomenclatura e discrepância entre unidades de medidas a serem superados.
 Variável no tempo (série temporal). Um data warehouse mantém dados
históricos e por conseguinte detectam tendências, variações e relações de
longo prazo que permitem fazer previsões e comparações.
 Não-volátil. Após os dados serem inseridos no data warehouse não podem ser
alterados ou atualizados. Os dados obsoletos são descartados e as alterações
são consideradas como dados novos. Portanto o banco de dados está disposto
para otimizações e consultas.
Segundo TURBAN et al. (2009), as características adicionais de um data
warehouse que podem ser incluídas são as seguintes:
 Baseado em Web. Os data warehouses são desenvolvidos para ambiente
informatizado eficiente baseado na Web;
 Relacional/multidimensional. Um data warehouse usa tanto um estrutura
relacional como multidimensional;
 Cliente/Servidor. Um data warehouse, para proporcionar acesso mais fácil,
usa arquitetura cliente/servidor.
 Em tempo real. Os data warehouse mais recentes já incluem recursos de acesso
e análise em tempo real.
 Inclui metadados. O uso do metadados (dado sobre dado) no data warehouse
tem a finalidade de informar como os dados estão organizados e como usa-lo
de forma mais eficiente.
Portanto, o data warehouse (DW) é um repositório de dados especiais, enquanto
que o data warehousing é um processo inteiro. Existem três tipos de data warehouses: data
mart (DM), data store operacional (ODS) e data warehouses empresariais (EDW).
2.5 Data Mart
De acordo com GOUVEIA (2009 apud KIMBAL, et al.2002: 36):
33
“Um Data Mart é um Data Warehouse de menor capacidade e
complexidade usado para atender a uma unidade específica de
negócios. Portanto, são tipicamente mais fáceis de construir e
manter.”
Segundo TURBAN et al. (2009:58), um data warehouse une banco de dados de
toda a empresa; já um data mart, geralmente, é menor e se concentra em um assunto ou
departamento específico. O Data Mart é um subconjunto de um Data Warehouse, que
consiste em uma única área temática (p. ex., marketing, produção). Um Data Mart pode ser
dependente ou independente. Um Data Mart dependente é um subconjunto criado
diretamente do Data Warehouse. Uma vantagem é ter um modelo de dados consistentes e
para toda a empresa, além de produzir dados de qualidade. Um Data Mart independente é
um Data Warehouse pequeno, projetado para uma unidade estratégica de negócios (UEN) ou
um departamento, mas cuja fonte não seja um EDW. Ele é útil nas seguintes condições
(GOUVEIA, 2009):
 Os dados devem estar segregados para melhorar o desempenho do sistema do
ponto de vista do usuário;
 Deve ter cópia dos dados onde somente às pessoas autorizadas tenham acesso;
 Em ambiente corporativo é importante que seja fortalecido o conceito de
propriedade em banco de dados.
Data stores operacionais
Segundo TURBAN et al. (2009:58) o data store operacional (ODS) proporciona
uma forma de arquivar informações recentes para consumo. Este tipo de banco de dado
constantemente usado na área de preparação temporária de um Data Warehouse. Ao contrário
dos conteúdos estáticos de um DW, os conteúdos de um ODS são atualizados durante o curso
das
operações comerciais. Um ODS é usado para decisões de curto prazo e envolve
operações de consolidação de vários sistemas-fonte, permitindo uma visão integrada e quase
em tempo real dos dados voláteis e correntes. Portanto o ODS pode-se considerar como um
tipo especial e intermediário de base de dados entre a base de dados operacional e o Data
Warehouse.
O DW é periodicamente alimentado adotando o método incremental ou de
substituição total dos dados históricos.
Data warehouse empresarial
Um data warehouse empresarial (EDW) é um data warehouse em grande escala
e utilizado por toda a organização. Esta dimensão lhe proporciona meios para integrar dados
34
oriundos de muitas fontes em um formato padronizado, possibilitando maior eficiência das
aplicações deste BI até suporte a decisão.
2.6 Metadados
Os metadados são componentes muito importantes dentro do ambiente, pois
ajudam a identificar e localizar os demais dados do DW. Eles descrevem a estrutura e alguns
significados a respeito dos dados e contribuem para seu uso eficiente ou ineficiente
(TURBAN et al., 2009). Em termos de uso, os metadados podem ser definidos como técnico
ou de negócios. Segundo KASSAM (2002 apud TURBAN, 2009:59), os metadados de
negócios incluem informações que aumentam a compreensão sobre os dados tradicionais
(estruturados). O seu principal objetivo é oferecer contexto aos dados relatados, isto é,
informações enriquecedoras que conduzem à geração do conhecimento. Existem
considerações éticas a serem observadas na coleta e posse de informações contidas nos
metadados, inclusive questões de natureza intelectual e de privacidade que surgem no estágio
de desenvolvimento do projeto.
2.7 Granularidade
A granularidade diz respeito ao nível de detalhamento das informações que estão
armazenadas no Data Warehouse. Segundo INMON (1997), constitui a informação mais
importante do projeto. Quanto maior o nível de detalhamento dos dados, menor é a
granularidade do DW. A granularidade está ligada ao volume dos dados armazenados e,
consequentemente, determina o grau de consulta que pode ser extraído da base de dados. Ao
definir um nível mais detalhado, o usuário terá informações em qualquer nível de agregação e
maior será o detalhamento da consulta. Cabe a equipe de sistemas, projetar adequadamente o
Data Warehouse de maneira a atender satisfatoriamente às consultas e análises dos gerentes,
com tempos de resposta satisfatórios e com tamanho e crescimento do banco de dados
perfeitamente gerenciável.
2.8 Visão Geral do Processo de Data Warehouse
Muitas organizações, sejam elas públicas ou privadas, têm, constantemente,
gerado dados e informações em níveis cada vez maiores e os armazenam em sistemas
informatizados. Manter e usar estes dados e informações, num ambiente extremamente
competitivo e dinâmico, se torna uma tarefa bastante complexa, principalmente quando se
35
considera questões de escalabilidade. Também aumenta cada vez mais o número de usuários
que deseja acessar as informações contínuas e cada vez mais confiáveis e representativas,
exigindo que as organizações criem data warehouses – armazéns com grande quantidade de
dados, em série temporal para o suporte à decisão. Na figura 4 é mostrado o conceito de data
warehouse. Os principais componentes de um processo de data warehousing, segundo
TURBAN et al. (2009), são os seguintes:
FIGURA 4 – Estrutura e Visualização do Data Warehouse
Fonte: TURBAN et al. (2009)
 Fonte de Dados. Os dados são coletados em múltiplas fontes, através de
sistemas operacionais independentes ou integrados.
 Extração de Dados. Os dados são extraídos com um software personalizado ou
comercial chamado ETL (extração, transformação e carga).
 Carregamento dos Dados. Os dados são carregados numa área intermediária,
para serem transformados e limpos e, posteriormente, enviados para carga no
data warehouse.
 Banco de Dados Abrangente. É o banco de dados empresarial que fornece
informações relevantes resumidas e detalhadas extraídas de diversas fontes de
dados.
 Metadados. Os metadados são utilizados pelo pessoal de TI e pelos usuários.
Ele dispõe de regras para organizar resumos de dados, com facilidades de
indexação e busca, as quais podem ser realizadas por ferramentas da Web.
36
 Ferramentas de milddleware. São ferramentas para acesso ao data warehouse.
Usuários avançados podem criar suas próprias consultas em SQL.
2.9 Arquitetura Geral do Data Warehouse
Segundo GOUVEIA (2009), ao se projetar um Data Warehouse há de considerar
dois tipos de dados: dados primitivos (operacionais ou atômicos) e dados derivados. Os dados
primitivos são atuais, passíveis de atualização e processados repetidamente. Enquanto os
dados derivados são, em geral, valores históricos baseados em assuntos ou negócios,
resumidos, ou refinados e são processados de forma heurística (INMON, 2005).
A escolha do dado primitivo para armazenamento no DW tem vantagens e
desvantagens. O maior benefício é dispor de uma base mais rica para efetuar a pesquisa,
proporcionando uma análise mais profunda e cuidadosa dos dados, permitindo avaliar, a partir
do histórico, tendências, fazer previsões ou elaborar cenários. A principal desvantagem é a
ocupação de maior área para armazenamento dos dados e a exigência de maior capacidade de
processamento para que não haja perda de performance na consulta e análise dos dados.
Já a escolha dos dados derivados para armazenamento no DW apresenta, também,
vantagens e desvantagens. O maior benefício é que os dados já estão resumidos e no formato
apropriado para consulta. Além de ocupar menos espaço para armazenamento, o
processamento é mais rápido. Como desvantagem a sumarização reduz a capacidade de
pesquisa e análise. Normalmente as empresas adotam ambas as forma de armazenamento.
De acordo com INMON (2005) existem 04 (quatro) níveis do ambiente
arquitetural de um Data Warehouse: 1) Nível Operacional, 2) Nível Atômico, 3) Nível
Departamental; e 4) Nível Individual, como mostra a Tabela 1.
TABELA 1 – Os quatro níveis de dados do ambiente arquitetural de um data warehouse
Nível Operacional
Dados detalhados
Nível Atômico
Dados mais granular
Nível
Departamental
Nível Individual
Dados paroquial Dados temporários
(restritos)
Dia a dia (cotidiano) Variáveis no tempo Alguns derivados Consulta ―ad hoc‖
e
alguns
valores atuais
(histórico)
primitivos
Alta Probabilidade Picos de Acesso
de Acesso
Tipos
de Heurístico
Departamento
37
Orientado
Aplicação
à Orientado a Assunto
Orientado
por Baseado em PCs ou
departamento de estações
de
negócio
Trabalho
Fonte: Adaptação (INMON, 2005)
Segundo GOUVEIA (2009), o nível operacional de dados está relacionado com
aplicação envolvendo dados primitivos e atende ao processamento de transações de alta
performance. O nível atômico ou Data Warehouse contem dados primitivos que não sofrem
atualizações, além de alguns dados derivados. Já o nível departamental contem quase
exclusivamente dados derivados. Este nível é definido de acordo com a necessidade dos
usuários finais adaptadas às necessidades do Departamento. E o nível individual de dados é
onde muitas análises heurísticas são realizadas. Na tabela 2 são apresentados os 04 (quatro)
níveis de dados.
TABELA 2 – Exemplos de consultas referentes aos quatro níveis de dados
Nível Operacional
Nível Atômico
Nível
Departamental
Nível Individual
-Qual a vazão de - Qual o histórico de Vazão produção
produção do poço médias de vazões captada no poço
analisado
está
neste momento?
produção.
aumentando?
- Quais são as
tendências
em
relação ao setor
analisado?
Medição da vazão Maio a Agosto de Maio a Agosto de
de produção (Abril 2010
2007 = 2,5 m3 /h.
de 2011): 2 m3 /h.
Vazão de produção =
Ponto no 10001
2,5 m3 /h.
Inspecionar
os
poços para constar
a sua situação em
termos de estado de
funcionamento
(paralisado,
abandonado e não
instalado)
Ponto no 10001
Setembro
a Setembro
a
Dezembro
de
Dezembro de 2010
2007: 2,5 m3 /h.
Vazão bombeada =
3,0 m3 /h .
Ponto no 10001
Janeiro a Abril de Janeiro a Abril de
2007: 3,0 m3 /h.
2007: 2,5 m3 /h.
No nível operacional considera a vazão produção do poço para atender o consumo
de um dado cliente, a partir do último levantamento efetuado.
38
No nível atômico ou de Data Warehouse a consulta possibilita extrair informação
sobre o histórico da vazão de produção no poço para consumo de um dado cliente, no período
de considerado.
No terceiro nível, ou seja, Data Mart obtêm-se informações de maior
complexidade e orientada ao negócio para tomada de decisão. Como exemplo, poderia
considerar uma relação de todos os usuários de poços, por tipo de uso. Como consulta neste
nível tem-se: qual a tendência do volume de água produzido do poço num período
considerado. O retorno desta consulta são as médias de volume bombeado agrupado por
períodos.
O nível individual possibilita a previsão de informações fornecendo projeções de
cenários por meio de análises heurísticas. Os dados neste nível são geralmente temporários e
de pequenas proporções (GOUVEIA, 2009).
No que tange a arquitetura básica de data warehousing, segundo TURBAN et al.
(2009), a mais comum são as de duas e três camadas. HOFFER et al. (2007) as distinguem
pela divisão do Data Warehouse em três partes:
 O data warehouse composto dos dados e do software associados.
 Software de aquisição dados que extrai os dados de sistemas legados e fontes
externas.
 Software de cliente (front-end) que permite o usuário acessar e analisar os
dados a partir do data warehouse.
O data warehouse integrado a Internet produz o data warehousing baseado na
Web. Sua arquitetura de três camadas inclui PC cliente, servidor de Web e servidor de
aplicação. No lado do cliente é necessário uma conexão a Internet e um navegador de Web.
No lado do servidor é usado um servidor Web para gerenciar o fluxo de entrada e a saída de
informações entre o servidor e o cliente. Esta tarefa é apoiada por um Data Warehouse e um
servidor de aplicação (TURBAN, et. al., 2009).
Segundo ARYYACHANDRA e WATSON (2005), existem 10 fatores que afetam
a decisão relativa à seleção de arquitetura, descritos a seguir.
 Interdependência de informações entre as unidades da organização
 Demanda de informações da alta administração
 Nível de urgência de um data warehouse
 Natureza das tarefas do usuário final
 Limitação de recursos
39
 Visão estratégica do data warehouse antes da implementação
 Compatibilidade com os sistemas existentes
 Capacidade interna da equipe de Tecnologia de Informação (TI)
 Questões de natureza técnica
 Fatores sociais/políticos
Estes fatores guardam semelhança com os descritos na literatura para sistemas de
informações, Sistema de Apoio à Decisão e Business Intelligence (BI). Não obstante a
importância das questões técnicas prevalecem as questões de ordem comportamental, como a
satisfação das necessidades de informação da Alta Administração e o envolvimento do
usuário no processo de desenvolvimento.
2.10 Processo de Extração, Transformação e Carga - ETL
Para a construção de um DW é necessário manipular uma grande quantidade de
dados e organizá-los de maneira estruturada num DW. Esta manipulação dos dados é feita
através de um processo de Extração, Transformação e Carga (Extraction Transformation and
Load).
Esta etapa é vista com uma das mais críticas de um projeto de DW, pois uma falha
no processo de carregamento do DW pode trazer consequências imprevisíveis posteriormente.
A etapa de extração, como o próprio nome diz, realiza a extração de dados de uma ou mais
fontes. Em muitos projetos de DW é necessário fazer a extração de vários dados, que estão
espalhados em sistemas operacionais e fontes externas. A fase de transformação é responsável
pela conversão dos dados extraídos de sua forma anterior para a que deve estar. A carga
corresponde a colocação dos dados no Data Warehouse.
Primeiramente, os dados passam por limpeza ou filtragem onde o objetivo é
garantir a integridade dos dados, deixando-os em um estado consistente antes de serem
carregados no DW.
Em seguida é necessário deixar os dados de forma homogênea visando a sua
integridade, uma das principais características do ambiente de DW.
A última etapa do processo de ETL é a carga propriamente dita dos dados
extraídos e transformados para o DW. Existem hoje no mercado vários provedores de
software de ETL dentre os quais incluem Microsoft, Oracle, IBM, Informática, Embarcadero
e Tibco.
40
2.11 Modelagem Multidimensional
A modelagem de dados é uma das mais importantes diferenças entre um ambiente
operacional e um ambiente de DW. Em um ambiente operacional normalmente se emprega o
modelo Entidade e Relacionamento (ER) para garantir o desempenho das transações,
eliminado a redundância dos dados. Já no ambiente de DW necessitamos de uma técnica que
suporte o ambiente de análise multidimensional de dados.
Em banco de dados que manipulam multidimensões existem, basicamente, dois
tipos principais de estruturas ou esquemas, o esquema estrela (star schema) e o esquema floco
de neve (snowflakeschema). Cada um dos esquemas possui suas características que serão
descritas mais adiante, no entanto, qualquer que seja o esquema utilizado, existem três
elementos básicos:
 fato: um fato é uma coleção de itens de dados, cada fato representa um item,
um evento de negócio de uma empresa. É representado pelos valores
numéricos e implementado pelas tabelas denominadas tabelas de fato;
 dimensões: são os elementos que participam de um fato, as dimensões
determinam o contexto de um assunto de negócios;
 medidas: são os atributos numéricos que representam um fato, a performance
de um indicador de negócios relativo às dimensões que participam desse fato.
Uma medida é determinada pela combinação das dimensões que participam de um
fato e estão localizadas como atributos de um fato. A ideia principal da modelagem
multidimensional é que quase todos os tipos de dados de negócio podem ser representados por
um cubo de dados, onde as células do cubo contêm os valores medidos e os lados definem as
dimensões.
Um cubo nos permite representar um modelo tridimensional, entretanto
usualmente um modelo dimensional consiste de mais de três dimensões, o que é definido com
um hipercubo. A visualização de um hipercubo é muito difícil, desta forma adota-se a
referência cubo para qualquer modelo multidimensional.
Modelo Estrela
O modelo estrela é o termo comum para a designação de modelos de dados
multidimensionais. Sua composição possui uma grande entidade central, a tabela de fatos, e
um conjunto de entidades menores, as tabelas de dimensões, formando uma estrela.
Os relacionamentos entre a entidade fato e as dimensões são simples ligações
entre as duas entidades em um relacionamento de um para muitos no sentido da dimensão
para o fato.
41
A utilização do modelo estrela possibilita alguns benefícios em relação a uma
estrutura relacional para o processamento analítico, entre eles podemos destacar o rápido
tempo de resposta, o seu fácil entendimento e baixa manutenção.
Modelo Floco de Neve
O modelo de dados multidimensional é usualmente similar a uma estrela em seu
design. Um fato está no centro da estrela e as dimensões estão ao redor, formando as pontas
da estrela. O modelo floco de neve, basicamente, é uma extensão do modelo estrela, onde uma
ou mais dimensões são decompostas, formando uma hierarquia de dimensões.
A decomposição das dimensões é o resultado da aplicação da terceira forma
normal sobre as tabelas de dimensão. Como é um modelo normalizado, ele evita a
redundância de valores textuais em uma tabela.
2.12 Análise de Negócios e Visualização de Dados
Muitas organizações têm acumulado uma grande quantidade de dados que bem
manipulados podem produzir informações valiosas, permitindo que sejam usadas com sucesso
nos seus negócios. O ato de permitir a análise da decisão por meio de acesso a todos os dados
e informações relevantes é conhecido como análise de negócios (BA) (TURBAN, et al.,
2009). A BA inclui OLAP, multidimensionalidade, visualização de dados, SIG, data mining e
técnicas de análise avançada.
Os dados analisados com o uso da BA podem ser encontrados em um Data
Warehouse, ser dados operacionais ou estar em arquivos da Internet.
O uso de software de análise de negócio, o qual contempla um conjunto de
ferramentas de relatórios, modelos estatísticos e técnicas de visualização, coloca a disposição
dos tomadores de decisões informações oportunas, precisas e detalhadas.
Uma característica importante que a ferramenta de análise de negócios possibilita
é coletar e analisar informações em vários pontos e distribui-la rapidamente. Conforme
TURBAN et. al.(2009), isto é possível da seguinte maneira:
 criação de Data Warehouse que integra e padroniza dados provenientes de
muitas fontes e locais;
 uso de software que permite fácil consulta dos dados de qualquer local, a
qualquer momento;
 uso de software para preparar e distribuir relatórios;
42
 uso de software de BI para realizar várias análises de dados, visando descobrir
oportunidades ou problemas e encontrar soluções ou tendências;
 uso de software de BI para alertar gerentes e outros;
 descoberta de status de vendas e estoques de forma rápida ( ou seja, usando
relatórios);
O BA, portanto, oferece modelos e procedimentos de análise e monitoramento dos
dados de modo a garantir uma vantagem competitiva.
Ao usar o software para BA o usuário faz consulta e requisita relatório ―ad hoc‖
ou realiza análises. É possível realizar consultas em várias camadas.
A BA utiliza um grande número de ferramentas, as quais podem ser classificadas
em 03 (três) categorias:

descoberta de informações e conhecimento;

Data, text e web mining;

Suporte à decisão e sistemas inteligentes.
2.13 Tecnologias OLAP
Para atender a necessidade de operação transacional surgiram, inicialmente, as
tecnologias denominadas On-line Transaction Processing (OLTP). As principais operações
neste tipo de processamento são alteração, inclusão, exclusão e consultas. As tecnologias OnLine Analytical Processing (OLAP) foram concebidas para desenvolver atividades de geração
e respostas às consultas, solicitação de relatórios e gráficos ad hoc, realização de análises
estatísticas e construção de apresentações visuais.
Alguns tipos de informações podem ser de interesse dos planejadores de recursos
hídricos: qual a quantidade de poços paralisados e inativos, agrupados por categoria da
qualidade da água (água doce, salobra e salgada) ou qual a variação do nível estático dos
poços situados num dado aquífero.
Segundo TURBAN et al. (2009), os produtos OLAP oferecem recursos de
modelagem, análise e visualizações de grande conjunto de dados, ou para gerenciamento de
banco de dados (SGBD) ou, mais frequentemente para sistema de Data Warehouse.
Ainda de acordo com autor, são os seguintes tipos de OLAP:
 OLAP multidimensional (MOLAP) – quando o OLAP é implementado através
de um banco de dados multidimensional. As transações são resumidas em
visões multidimensionais e os dados são organizados em estrutura de cubo;
43
 OLAP relacional (ROLAP) quando um banco de dados OLAP é implementado
por um banco relacional existente e é chamado de ROLAP relacional. Ela
extrai dados de banco de dados relacional.
 Database OLAP é um sistema de gerenciamento de banco de dados relacional
projetado para hospedar estrutura e realizar cálculos de OLAP.
 Desktop OLAP. O desktop OLAP envolve ferramentas OLAP simples e
baratas que executam análise multidimensional e apresentação de dados
baixados de bancos de dados relacional.
Conforme GOUVEIA (2009), a principal vantagem em utilizar a ferramenta
OLAP ao invés de uma ferramenta de banco de dados, é que ela apresenta facilidades quanto
a visualização e manipulação do modelo dimensional (tabela, fatos e dimensões). Outra
vantagem é que não há necessidade de escrever queries SQL, como ocorre em ambiente
puramente de Banco de Dados, pois esta ferramenta dispõe de interface gráfica para dar
suporte a realização de consultas.
2.14 Multidimensionalidade – Cubo de Dados
Uma importante característica das tecnologias OLAP é permitir uma visão
conceitual
multidimensional.
Os
fatores
que
são
levados
em
consideração
na
multidimensionalidade são dimensão, medidas e tempo. Seguem alguns exemplos:
 Dimensões.
Alguns exemplos de dimensão são: produtos, equipes de
produção, segmentos de mercado, unidade de negócios e locais de
distribuição;
 Medidas. Alguns exemplos de medidas são: dinheiro, volume de produção,
número de funcionário, lucro previsto vs. real;
 Tempo. Alguns exemplos de tempo são: diário, semanal, trimestral e anual.
TURBAN et al. (2009) afirmam que um banco de dados multidimensional é um
banco de dados cuja organização permite uma análise multidimensional. Os dados são
trazidos de um data warehouse.
Um exemplo de como a multidimensionalidade funciona: um gerente deseja saber
a produção de um serviço, uma área geográfica específica, de uma equipe de produção,
durante um dado mês. A resposta a esta pergunta pode ser obtida, mais rapidamente pelo
usuário, independente da estrutura do banco de dados, se os dados estiverem organizados em
bancos de dados multidimensionais, ou a consulta ou produtos de softwares estiverem
44
projetados para multidimensionalidade. O usuário terá a funcionalidade de pesquisar em
várias dimensões e níveis de dados por meio de tabelas ou gráficos e realizar interpretações
rápidas.
O cubo de dados é utilizado para representar dados em um conjunto, com medidas
de interesse. O tal ―cubo‖ pode ser bidimensional, tridimensional ou com outra dimensão.
Cada dimensão representa um atributo no banco de dados, e as células no cubo de dados
representam medidas de interesse.
Segundo TURBAN et al. (2009), a análise de cubos permite realizar consultas
através de busca de uma série de visualização de relatórios, usando os recursos do software
OLAP, permitindo ao usuário ter visões ―parciais‖ de um cubo de dados. O termo cubo referese a um conjunto de dados altamente correlacionados que são organizados para permitir a
combinação de qualquer atributo em um cubo.
De acordo com relatório de uma pesquisa do Grupo Gartner (1998 apud GRAY e
WATSON) a multidimensionalidade possui algumas limitações:
 o banco de dados multidimensional pode ocupar mais espaço de memória do
que um banco relacional;
 o carregamento do banco de dados consome tempo e recursos significativos do
sistema, dependendo do volume de dados e número de dimensões;
 as interfaces e manutenção são mais complexas em banco de dados
multidimensionais do que em banco de dados relacionais.
Estão em constante evolução os estudos para tornar cada vez mais eficiente a
manipulação da estrutura dimensional dos cubos de dados, buscando otimizar as consultas e
operações OLAP.
2.15 Data Mining
Segundo TAN et al. (2006), Data Mining ou Mineração de Dados é o processo de
descoberta de informações úteis em grandes depósitos de dados. As técnicas de mineração são
organizadas para atuar sobre grandes bancos de dados de modo a descobrir padrões úteis e
recentes que poderiam de alguma forma permanecer ignorados. As técnicas de mineração de
dados são utilizadas para ampliar uma ampla gama de inteligência do negócio com a criação
de perfis de clientes ou para responder a questões científicas como o relacionamento entre a
frequência e a intensidade dos distúrbios
aquecimento global.
no ecossistema assim como as secas com o
45
A mineração de dados é uma parte integral da descoberta de conhecimento em
banco de dados (KDD – Knowledge Discovery in Databases) e envolve a aplicação de
algoritmos sobre os dados, na busca de conhecimento implícito e útil. Na mineração dos
dados são definidos técnicas e algoritmos a serem utilizados no problema em questão, tais
como:
 Ferramenta de Consulta
 Técnicas Estatísticas
 Visualização
 Processamento Analítico on-line (ferramenta OLAP)
 Arvores de decisão
 Redes Neurais
 Regras de Associação
 Algoritmo Genético
A ferramenta de consulta representa o primeiro passo no projeto de Mineração de
Dados, sendo uma análise rústica do conjunto de dados, utilizando-se de ferramenta
tradicional de consulta antes de aplicar algoritmo de análise mais avançado, pois é necessário
conhecer alguns aspectos básicos e estruturais do conjunto de dados.
Uma boa prática para iniciar o processo é extrair algumas informações estatísticas
simples do conjunto de dados, as quais ajudam a estabelecer procedimentos para o julgamento
dos algoritmos de aprendizagem e do reconhecimento de padrões.
As técnicas de visualização dos dados representam métodos muito úteis para se
conhecer a qualidade do conjunto de dados e onde os padrões podem ser usados.
A ferramenta OLAP é utilizada para responder a várias consultas, com diversos
tipos de relações, onde a análise multidimensional é necessária.
Por sua vez a árvore de decisão é uma técnica de classificação utilizada a partir da
qual se procura descobrir uma função que mapeie um conjunto de registros em um conjunto
de rótulos categóricos pré-definidos.
As redes neurais artificiais são modelos matemáticos inspirados no princípio de
funcionamento dos neurônios biológicos na estrutura do cérebro. Esses modelos simulam
computacionalmente habilidades humanas tais como aprendizados, generalizações, associação
e abstração. Portanto, constitui um dos algoritmos utilizados nas tarefas do KDD.
46
As regras de associação são utilizadas para distinguir na pesquisa do banco de
dados, associação interessante dentre outras que não o são. Abrange a busca de itens que
frequentemente ocorram em transações de banco de dados.
Os algoritmos genéticos são técnicas que procuram obter boas soluções para
problemas complexos. O processo é adaptativo, pois as soluções existentes a cada instante
influenciam a busca por futuras soluções (GOLDSCHMIT et al., 2005).
A apresentação dos resultados do processo pode ser feita através de relatório
contendo descrição textual das tendências ou através de gráficos que mostrem as relações do
modelo.
2.15.1 Funcionalidades da Mineração de Dados
No processo de mineração de dados é possível utilizar diversos tipos de
armazenamento e banco de dados. Em função do tipo de dados é possível definir que tipo de
padrões ou relacionamento se quer obter através de mineração dos dados.
A funcionalidade na mineração de dados é uma busca para especificar que tipos
de padrões ou relacionamentos existem entre os registros ou variáveis que podem ser usadas
na mineração (AZEVEDO et al., 2005). Alguns autores tratam essa funcionalidade como
recompensas (outcomes) ou tarefas (tasks).
A literatura, em muitos casos não deixa clara a diferença entre funcionalidades e
técnicas. A seguir, a figura 5 mostra, em camadas, as interações entre funcionalidades técnicas
e algoritmos.
47
FIGURA 5 - Interatividade entre funcionalidades e técnicas de mineração de dados (Azevedo & Côrtes, 2009)
As funcionalidades em mineração de dados são classificadas como Análise
Descritiva e Análise de Prognóstico. A figura 6 ilustra essa abordagem de funcionalidade da
mineração de dados.
Esta forma de expressar a funcionalidade facilita quando surge nova necessidade
de análise de dados. Neste caso somente é necessário identificar a que resultado pretende
chegar para escolher a técnica a aplicar.
48
FIGURA 6 - Funcionalidades em Mineração de Dados
Fonte: (AZEVEDO; CÔRTES, 2005)
2.15.2 Análise Descritiva
A Análise Descritiva é a área da investigação nos dados que descreve fatos
relevantes, não triviais e desconhecidos dos usuários, bem como analisa a qualidade dos dados
existentes, com o objetivo de validar o processo de mineração dos dados. A análise descritiva
está subdividida em Análise Prévia e Descobrimento (AZEVEDO; CÔRTES, 2005):
 análise prévia – é o processo de análise da base de dados visando identificar
anomalias ou resultados raros que podem influenciar os resultados da
mineração dos dados;
 conhecimento – é o processo de examinar a base de dados e encontrar padrões
escondidos, sem que se exista uma ideia ou hipótese previamente estabelecida.
A análise prévia e o conhecimento podem ser subdivididas em subfuncionalidades, conforme figura 7, a seguir
49
FIGURA 7 – Sub-funcionalidades da Análise e do Descobrimento
Fonte: (AZEVEDO; CÔRTES, 2005)
2.15.3 Análise de Prognóstico
A análise de prognóstico é a área da investigação nos dados que busca inferir
resultados a partir dos padrões encontrados na análise descritiva, ou seja, prognosticar o
comportamento de um novo conjunto de dados. É possível dividi-la em Predição (Estimação e
Predição) e Classificação.
 Estimação – é o processo de predizer algum valor, baseado num padrão
conhecido. Por exemplo, conhecendo-se o padrão de despesas e a idade de
uma pessoa, estima-se o seu salário e seu número de filhos.
 Predição - é o processo de predizer um comportamento futuro, baseado em
vários valores. Por exemplo, baseado na formação escolar, no trabalho atual e
no ramo de atividade profissional de uma pessoa, é feita a predição que seu
salário será de certo montante até determinado ano.
50
 Classificação – é o processo de predizer algum valor para uma variável
categórica. Por exemplo, um banco financeiro pode determinar que um
conjunto de clientes oferece risco ou não para contrair empréstimo pessoal.
2.15.4 Técnicas para obtenção das funcionalidades
Definidas as funcionalidades para se chegar ao processo de mineração de dados é
necessário escolher quais técnicas deverão ser utilizadas para garantir maior aderência na
obtenção dos resultados. Por exemplo, a funcionalidade de estimação pode ser feita através da
utilização da técnica de regressão linear e regressão múltipla. A tabela 3 apresenta um
conjunto parcial de técnicas utilizadas para cada funcionalidade (AZEVEDO et al., 2005).
TABELA 3 – Funcionalidades e suas técnicas para mineração de dados
Funcionalidade
Sub-Funcionalidade
Técnica
Análise Prévia
Análise de outliers
Ferramentas de consulta e técnicas
estatísticas
Indução por árvores de decisão
Análise de desvios
Ferramentas de consulta e técnicas
de estatísticas
Indução por árvores de decisão
Visualização
Agregações e gráficos diversos
Classificação
Indução por árvore de decisão
Análise de associações
Mineração de regras de associação
Descobrimento
booleanas unidimensionais a partir
de bancos de dados transacionais.
Mineração de regras de associação
em múltiplos níveis a partir de
banco de dados transacionais e
data warehouse
Mineração de regras de associação
multidimensionais
a
partir
de
bancos de dados transacionais e
data warehouse
51
Da mineração de associação à
análise de correlação
Mineração de associação baseada
em restrição
Agrupamento (clustering) Métodos de particionamento
Métodos hierárquicos
Métodos baseados em densidade
Métodos baseados em grid
Métodos de clustering baseados
em
–
modelos
abordagem
estatística e redes neurais
Análise de outliers
Descrição do Conceito – Sumarização e Generalização dos
(caracterização
e dados baseados em caracterização
comparação)
Caracterização analítica – análise
da relevância do atributo
Segmentação
Indução por árvore de decisão
Sumarização
e Agregação e gráficos diversos
Visualização
Análise em dados no Análise
formato texto
de
dados
textual
e
recuperação de informações
Mineração
de
textos
–
classificação de documentos e
associação de palavras chaves
Estimação/Predição
Estimação/Predição
Regressão Linear
Regressão Múltipla
Regressão não Linear
Regressão Logística
Regressão de Poisson
Outros modelos de regressão
Classificação
Classificação
Indução por árvores de decisão
Classificação bayeana
52
Classificação por backpropagation
– Redes Neurais Artificiais
Análise de vizinhança (k-Nearest
Neighbor)
Casos baseados em Raciocínio
Algoritmos genéticos
Abordagem por conjunto fuzzy
2.15.5 Algumas técnicas e algoritmos utilizados na mineração de dados
A seguir serão expostas algumas técnicas e algoritmos que são utilizados na
mineração de dados.
Ferramenta de consulta e técnicas de estatística
O primeiro passo na mineração de dados é realizar uma análise simples,
preliminar, ―grosseira‖ do conjunto de dados a ser minerado, através do uso de ferramentas de
consulta. Por exemplo, aplicando as funções built-in da linguagem SQL de um banco de
dados relacional é possível extrair informações significativas sobre a distribuição dos dados.
Conforme AZEVEDO et al. (2005), uso de funções estatísticas, como média
aritmética, desvio padrão, valores máximos e mínimos e distribuição percentual de todo o
conjunto de dados, bem como a geração de gráficos a partir dos dados, constituem passos
iniciais importantes na mineração de dados.
Visualização
A técnica de visualização é muito útil para descobrir padrões em conjunto de
dados. Não obstante possa parecer uma técnica não muito sofisticada, permite ter uma medida
sobre a qualidade dos dados e de onde padrões podem ser encontrados. Na fase mais avançada
de mineração de dados, é possível a utilização de gráficos tridimensionais de forma interativa
(AZEVEDO et al., 2005).
Análise de Vizinhança (K-nearest neighbor)
Quando se interpreta dados como um ponto no espaço é necessário definir o
conceito de vizinhança, o qual significa identificar um conjunto de registros que estão
próximos, que são ―fechados‖ por alguma característica dos dados (AZEVEDO et al., 2005).
Constitui basicamente uma técnica de pesquisa e não de conhecimento e é utilizada na análise
de prognósticos.
Árvore de Decisão
53
Uma árvore de decisão é um fluxograma (flow-chart) que tem a estrutura de uma
árvore, onde cada nó interno representa uma decisão sobre um atributo que determina como
os dados serão particionados pelos seus nós filhos. Cada ramo (subárvore) representa o
resultado do teste e cada folha representa a distribuição dos registros. Quando utilizada em
análise de prognóstico ou em classificação, sua aplicação é denominada por alguns autores de
indução por árvore de decisão. Sua utilização recomenda o treinamento do método,
utilizando várias amostras nos dados, até que se conheçam as melhores regras para
segmentação dos dados (AZEVEDO et al., 2005).
Regras de Associação
Esta técnica consiste basicamente em encontrar conjunto de itens que ocorram
simultaneamente e de forma frequente em um banco de dados (GOLDSCHMIDT et al.,
2005). Ela permite expor características e tendências extraídas da base de dados, gerando
redes de conexões presentes no conjunto de dados usando as associações item a item.
Considera-se que a presença de um item impõe a existência de outro na mesma transação. O
banco de dados é considerado como uma coleção de transações, cada um envolvendo um
conjunto de itens. Na área de marketing é conhecido como análise de transações de compras
(market basket analysis) (AZEVEDO et al., 2005).
Redes neurais artificiais
Em termos intuitivos redes neurais artificiais (RNAs) são modelos matemáticos
inspirados nos princípios de funcionamento dos neurônios biológicos e na estrutura do
cérebro (GOLDSCHMIDT et al., 2005).
Esses modelos têm a capacidade de adquirir,
armazenar e utilizar conhecimento experimental e buscam simular computacionalmente
habilidades humanas tais como aprendizado, generalização, associação e abstração.
Algoritmos Genéticos (AGs)
Os Algoritmos Genéticos são modelos computacionais de busca e otimização
inspirados na teoria da evolução de Charles Darwin e da reprodução genética. Enquanto os
métodos de otimização e buscas convencionais trabalham, geralmente, de forma sequencial,
avaliando a cada instante uma possível solução, os AGs trabalham com um conjunto de
soluções simultaneamente. Modelados após o surgimento adaptativo de espécies biológicas a
partir de mecanismos evolutivos os AGs vêm sendo aplicados com sucesso em campos
diversificados como análise de imagem, escalonamentos e projetos de engenharia
(AZEVEDO et al., 2005).
Técnicas de análise de agrupamento (clustering)
54
A técnica de Clusterização, também chamada de agrupamento é usada para
particionar os registros de uma base de dados em subconjunto ou clusters, de tal forma que os
elementos em um cluster compartilhem um conjunto de propriedades comuns que os
diferenciem dos elementos de outros clusters. O objetivo é ordenar casos (ex. pessoas, coisas
e eventos) em grupos ou clusters de modo que o grau de associação seja forte entre os
membros do mesmo cluster e fraco entre os membros de clusters diferentes (TURBAN, et al.,
2009).
2.15.6 Abordagem de mineração de dados
A abordagem de mineração de dados ou metodologias de aplicação descreve
como o usuário irá conduzir o processo da mineração na obtenção de suas funcionalidades.
Essencialmente existem as abordagens top-down e bottom-up, e uma terceira que é a
combinação destas abordagens. Na abordagem top-down o usuário parte do princípio de que
existe uma hipótese ou uma ideia preconcebida que deseja confirmá-la ou rejeitá-la. Em
relação à abordagem bottom-up, também chamada de busca do conhecimento, o usuário inicia
o processo de exploração de dados na tentativa de descobrir alguma coisa que ainda não é
conhecimento.
Na aplicação de uma dessas abordagens o usuário decidirá se usará a abordagem
para busca do conhecimento na forma direta ou indireta.
Busca do conhecimento direta
Na busca de conhecimento na forma direta ou supervisionada sua meta é
orientada. Os passos a serem seguidos são os seguintes:
 identificar a fonte de dados selecionados para mineração;
 preparar os dados para análise;
 construir e treinar o modelo computacional;
 avaliar o modelo computacional.
Busca do conhecimento indireta
Na busca de conhecimento na forma indireta ou não supervisionada não existe
uma meta bem definida. As ferramentas são mais livres na sua aplicação sobre os dados e
espera-se descobrir uma estrutura significativa sobre os dados. São adotados os seguintes
passos:

identificar a fonte de dados;

preparar os dados para análise;
55

construir e treinar o modelo computacional;

avaliar o modelo computacional;

aplicar o modelo computacional no novo conjunto de dados;

identificar potenciais objetivos para busca de conhecimento direta;

gerar novas hipóteses para teste.
2.16 Business Performance Management – BPM
Segundo TURBAN et al. (2009), business performance management é o
componente final do processo de BI. Este componente baseia-se na metodologia balanced
scorecard que trata de uma estrutura para definir, implementar e gerenciar a estratégia de
negócios de uma empresa conectando aos seus objetivos factuais. O BPM usa a análise e a
geração de relatórios e as consultas do BI. Seu objetivo é otimizar o desempenho geral de uma
organização.
De acordo com o referido autor, o BPM é o que define como sendo um conjunto
de softwares, processos de negócios e medidas de sucesso dos negócios (métricas e KPI’s –
key performance indicators) que, quando combinados, permitem a organização, agir e
influenciar na performance de seus negócios.
O BPM realiza avaliação de desempenho real do negócio de modo que seja
possível compreender onde e quando o negócio está em risco, assim como evitar situações
potenciais de risco.
Um projeto de implementação de solução de BPM leva em conta a existência de
um ambiente de Business Intelligence. Não obstante, a análise das informações pertinentes ao
passado seja relevante é a capacidade de prever situações futuras que o justifica. No entanto,
as previsões futuras devem considerar as movimentações históricas, sazonalidades, fatos
externos, etc. Pode-se afirmar que quanto melhor o modelo de Data Warehouse ou dos Data
Marts disponíveis, tanto melhor serão também os resultados das
aplicações de planos
orçamentários, forecasts e simulações.
O BPM inclui um conjunto de processo de ciclo fechado que liga a estratégia à
execução a fim de otimizar o desempenho dos negócios. Os principais processos são: definir
estratégias, planejar, monitorar, agir ou ajustar.
Para otimizar o desempenho dos negócios é necessário que as empresas tenham
sistema de medida de desempenho, que auxilie os gerentes a rastrear a implementação das
estratégicas de negócios comparando os resultados reais com as estratégias e objetivos. O
56
sistema de medida de desempenho engloba métodos sistemáticos de união das metas de
negócios com relatórios de retorno periódico que indicam o progresso em relação às metas
(SIMONS, 2002).
De acordo com TURBAN et al. (2009), existe muito mais em relação à medida de
desempenho do que simplesmente manter o escore. Um sistema de medida de desempenho
efetivo deveria ajudar a fazer o seguinte:
 alinhar objetivos de nível superior com iniciativas básicas;
 identificar oportunidades e problemas em tempo;
 determinar prioridade e alocar recursos com base nas prioridades;
 mudar medidas quando os processos e estratégicas mudam;
 delinear responsabilidades,
entender o desempenho real
relativo
às
responsabilidades, e recompensar e reconhecer as realizações;
 agir
para melhorar os processos e procedimentos quando os dados os
autorizam;
 planejar e prever de forma mais confiável e oportuna.
Para atender estes pressupostos é necessária uma estrutura de medida de
desempenho holística. Nos últimos 40 anos muitos sistemas foram propostos, alguns deles
com foco no financeiro, enquanto outros centrados nos processos, como o gerenciamento da
qualidade total (TQM).
2.16.1 Balanced Scorecard - BSC
Um dos mais conhecidos e utilizados sistema de gerenciamento é o Balanced
Scorecard – BSC.
O BSC foi concebido, originalmente, segundo os seus autores, como ferramenta
de gestão de mensuração balanceada, apoiada em medida financeira e não-financeira, que
traduzia a missão e a estratégia de uma unidade de negócio em objetivos e medidas tangíveis.
Sua proposta original visava superar as limitações da gestão baseada apenas em indicadores
financeiros. A sua mensuração incorporava novos indicadores que comunicam vetores de
desempenho futuro, sob a forma de criação de valor mediante investimentos em clientes,
fornecedores, empregados, tecnologia e inovação.
A experiência da aplicação do BSC, com sucesso, em organizações públicas e
privadas, mostrou que ele é mais do que um sistema de gestão de mensuração e sim de gestão
estratégica, pois além de manter o interesse no desempenho financeiro, revela com clareza os
57
vetores de desempenho superior e de longo prazo em termos competitivos e de criação de
valor. Nesta nova abordagem, busca-se converter a estratégia em processo contínuo a ser
executado, não somente pela Alta Administração, mas também por toda a organização
(PEIXINHO, 2002).
De acordo com KAPLAN et al. (2001), nas suas pesquisas sobre empresas bemsucedidas do balanced scorcard revelaram um padrão consistente na consecução do foco e
alinhamento estratégico. Foi observada a atuação de cinco princípios comuns, chamados de
princípios da organização focalizada na estratégia:
Principio 1. - Traduzir as estratégias em Termos Operacionais – o BSC
fornece sistema referencial para descrever e comunicar a estratégia de maneira coerente e
criativa para toda a organização denominado ―Mapa Estratégico‖.
Princípio 2 – Alinhar a Organização à Estratégia - trata-se de um princípio
fundamental para garantir o alinhamento de todos ao foco estratégico. Este princípio busca
promover o alinhamento entre o scorecard corporativo e os scorecards das unidades de
negócios e de serviços de apoio.
Princípio 3 – Transformar a Estratégia em Tarefa de Todos. Este princípio
estabelece, para as organizações orientadas para a estratégia, a necessidade de que todos os
empregados compreendam a estratégia e conduzam as suas tarefas cotidianas de modo a
contribuir para o seu êxito.
Princípio 4 – Converter a Estratégia em Processo Contínuo. As empresas que
adotam o BSC implementam de forma integrada, num único processo, o gerenciamento
estratégico e o gerenciamento tácito (orçamentos financeiros e avaliações mensais) de forma
ininterrupta e contínua. Este processo envolve as seguintes etapas vinculadas à estratégia:
orçamentação, sistema de informações (feedback) e reuniões.
Principio 5 – Mobilizar a Mudança por meio da Liderança Executiva. Este
princípio propõe, através de Liderança Executiva concentrar inicialmente o foco na
mobilização das pessoas e, em seguida, no processo de governança para se concluir com a
implementação de novo sistema gerencial.
O BSC é planejado para superar as limitações de sistemas que têm foco
financeiro. Ele faz isso traduzindo a visão e estratégia de uma empresa em objetivos
financeiros e não financeiros, medidas, metas e iniciativas.
Para alinhar as estratégias e as ações, o BSC utiliza o Mapa Estratégico que é
arquitetura genérica para descrever a estratégia. A lógica de causa e efeito do referencial
constitui a hipótese da estratégia (KAPLAN et al., 2001).
58
2.16.2 Arquitetura do BPM
O termo arquitetura de sistema refere-se aos projetos lógicos e físicos de um
sistema. O projeto lógico detalha os elementos funcionais e suas interações enquanto o projeto
fisico especifica como o projeto lógico vai ser implementado e implantado.
O BPM, segundo TURBAN et al. (2009), envolve a integração de componentes
individuais, que devem ser integrados para contribuir para a implementação bem-sucedida da
estratégia. Estes componentes, exemplificado são os seguintes:
 camada de banco de dados - camada que contém a definição da organização,
que abrange seu passado, presente e futuro e é expressa em termos de estrutura
e regras de negócios; ela também contém informações e vínculos a
informações, na forma de planos e resultados;
 camada de aplicações - esta camada alimenta os processos BPM
transformando a interação do usuário e os dados fontes em orçamentos,
planos, previsões, relatórios e análises;
 camada de cliente ou interface de usuário - camada utilizada para dirigir e
regular a implementação da estratégia por meio de comunicação, colaboração
e orientação com o usuário.
Na arquitetura de BPM a camada de banco de dados proporcionam os metadados,
bem como os dados sobre os quais se apóiam as aplicações BPM. Esta camada também
armazena documentos estratégicos, planos táticos, dentre outos.
A camada acomoda uma variedade de aplicações, que envolvem um ciclo
fechado, desde o planejamento estratégico a planejamento operacional, orçamento,
monitoramento, ajustes e ação.
A interface com usuário é a ponte que liga o BPM ao usuário final. A interface é
função da aplicação específica que está sendo acessada, bem como do papel dos usuários ,
seus objetivos e expectativas. Nos últimos anos o navegador Web tornou-se a ferramenta
principal de acesso às informações em um sistema BPM.
2.16.3 Dashboards e Scorecards
Segundo TURBAN et al. (2009), os scorecards e dashboard são componentes
comuns, de grande parte dos sistemas de gerenciamento, sistema de medição de desempenho
e suítes de BPM. Tanto um quanto o outro proporcionam exibições visuais de informações
importantes, consolidadas e organizadas em uma tela única para serem absorvidas e
59
exploradas facilmente. Eles fornecem informações imediatas sobre o desempenho dos
negócios em toda a empresa.
Ainda que scorecards e dashboards tenham muitos pontos em comum existem
diferenças entre os dois. A mais importante delas é que os dashboards de desempenho são
apresentações visuais para monitorar o desempenho operacional, enquanto os scorecards de
desempenho são exibições visuais voltadas para mapear o progresso com relação às metas
estratégicas e táticas.
O autor acima citado afirma que os scorecards e dashborards bem planejados
possuem as seguintes características:
 usam componentes visuais (p.ex., gráficos, barras de desempenho, indicadores,
medidores, semáforos) para destacar de forma imediata os dados e exceções
que exigem ação;
 são transparentes aos usuários; ou seja, apresentam facilidades e uso com
pouco treinamento;
 combinam dados de diversos sistemas para formar um visão do negócio única,
resumida e unificada;
 possibilitam a realização de drill down (ou navegar através) em fonte de dados
ou relatórios;
 apresentam uma visualização dinâmica e prática com atualização pontual dos
dados.
 exigem poucos ou nenhum código customizados para implantar e manter.
2.17 Trabalhos Relacionados
Vale ressaltar que não foi encontrado nenhum trabalho no nível de abordagem do
tema – Sistema de Apoio à Decisão, baseado em BI, aplicado aos recursos hídricos
subterrâneos. Na literatura existem pesquisas e trabalhos específicos utilizando separadamente
os componentes do BI (data warehouse, data mining e ferramentas OLAP), merecendo
destacar, todavia, a dissertação que trata da Mineração de Dados em Data Warehouse para
Sistema de Abastecimento (GOUVEIA, 2009). Este trabalho apresenta uma proposta de
utilizar a tecnologia de banco de dados com a finalidade de oferecer apoio à decisão para os
gestores do setor de saneamento. Envolvem as tarefas de sintetizar e organizar num Data
Warehouse os dados do setor de saneamento e aplicar tecnologias OLAP e algoritmos de
60
Mineração de Dados para obtenção de resultados que proporcionem aos gestores um melhor
entendimento dos processos e torne mais eficaz à tomada de decisão.
O levantamento feito internacionalmente, tanto na ambiência institucional como
de pesquisa em recursos hídricos mostrou que a maioria dos sistemas de informações em
recursos hídricos não utiliza de forma integrada os componentes que compõem o BI.
Normalmente, é adotado o sistema de apoio à decisão voltado para modelagem de bacias
hidrográficas e simulação de cenários que visam responder questões relacionadas à
disponibilidade e uso dos recursos hídricos. A seguir são apresentadas algumas experiências:
Continente Europeu
 Projeto de Pesquisa – (BELO, et. al., 2000) - compreende o desenvolvimento
de um sistema de informação para a análise e validação de qualidade das
águas na região de Alqueva, em Portugal. A plataforma do sistema pressupõe
uma abordagem multidisciplinar, incluindo a participação de técnicos
responsáveis pela gestão da água, especialistas de modelagem hidrológica, de
qualidade da água, de gestão de base de dados e processamento analítico. Em
termos básicos, envolve o monitoramento, diagnóstico e emissão de relatórios.
O sistema, também, permite definir cenários na gestão das águas. Sua
estrutura é constituída de 03 (três) subsistemas: sistema de informação; de
modelação e análise.
 Projeto de Pesquisa – um Sistema de Data Warehousing para à Área da
Qualidade da Água – Este trabalho foi centrado na criação de um sistema de
data warehousing para qualidade de água para consumo urbano e para a
prática balnear. Posteriormente foi feito um estudo acerca da previsão da
qualidade da água nestas duas situações, para os anos seguintes, através de
técnicas de mineração de dados. As áreas de estudo escolhidas foram a
barragem de Crestuma-Lever e a praia fluvial Olho D’água, em Portugal,
respectivamente. (FERNANDES , et. al., 2001) .
Continente Americano
 Projeto Institucional – United State Geological Survey – USGS – dispõe de um
Sistema Nacional de Informações sobre Águas (USGS National Information
System), o qual contém dados sobre recursos hídricos para a nação, de acesso
público. Em relação a águas subterrâneas, o USGS tem cerca de 850.000
registros de poços, com informações de coordenadas geográficas, dados
descritivos de poços, profundidade e tipo de aquífero. Uma rede de
61
monitoramento de poços é mantida fornecendo dados ―on line‖ acerca de nível
d’água, gerando relatórios analíticos. A título de ilustração, segue o gráfico da
Figura 8, que apresenta um relatório do sistema via Web.
FIGURA 8 - Gráfico de Nível D’água de um Poço (USGS)
Além disso, o USGS dispõe de Data Warehouse para avaliação nacional da
qualidade da água. Este trabalho começou em 1991 com a coleta sistemática de dados físicos,
químicos e biológicos de qualidade de água de 42 unidades de estudos (bacias). O Data
Warehouse contêm os seguintes dados:
 concentração química da água;
 variáveis descritivas da unidade de estudo
 fluxo diário dos locais de amostragem
 amostras de nutrientes, sedimentos e organismos aquáticos
A maioria destes dados é originário do Sistema Nacional de Informações de
Qualidade de Água, do USGS.
Continente Asiático
No continente asiático, tomando como referência a experiência da Índia, constatase a existência de um sistema de apoio à decisão aplicado a recursos hídricos. É uma
ferramenta usada para planejamento e gestão dos recursos hídricos. O sistema é personalizado
e definido para cada agência gestora de água. O sistema se apoia em base de dados e modelos
62
matemáticos. Sua saída são relatórios simples no padrão MS-produtos (EXCEL e WORD) ou
HTML para publicação na WEB.
Este sistema tem por objetivo atender ao desenvolvimento integrado dos recursos
hídricos abordando cinco componentes de planejamento e gestão da água:
 Planejamento de águas superficiais e subterrâneas
 Operação integrada de reservatórios
 Monitoramento, avaliação e gestão das secas;
 Gestão da qualidade de água de superfície e subterrânea
Em relação a sua funcionalidade o sistema contempla:
 Gerenciamento das séries espaciais e temporais;
 Gestão de cenários para definir e executar simulações do modelo que permitem
análise e processamento dos resultados.
 Análise de custo-benefício mediante método de multicritério;
 Análise e processamento dos resultados.
Destaca-se como ferramentas usadas pelo sistema o seguinte:
 MB MIKE BASIN
 TA Temporal Analyst
 M11 MIKE 11
 MS MIKESHE
63
2 MODELO CONCEITUAL DE SISTEMA DE APOIO À DECISÃO APLICADO AOS
RECURSOS HÍDRICOS SUBTERRÂNEOS
Este capítulo descreve a metodologia para construção do modelo conceitual de
um Sistema de Apoio à Decisão, baseado em Business Intelligence –BI, envolvendo a
descrição do sistema operacional (SIAGAS/RIMAS), do Data Warehouse, da Análise do
Negócio e da Monitoria e Avaliação de Desempenho.
3.1 Descrição Geral
Na concepção do modelo conceitual do SAD, baseado em Business Intelligence
(BI) aplicado aos recursos hídricos subterrâneos, levou-se em conta os seguintes aspectos:
 as águas subterrâneas são de domínio dos Estados da Federação, que tem
legislação própria sobre recursos hídricos e dispõe de sistemas de informação
e base de dados específicos, que ainda não se integram com o Sistema de
Informações de Águas Subterrâneas – SIAGAS. Constata-se que 60% dos
estados mantem Acordos de Cooperação Técnica para intercâmbio dos dados
com a banco de dados administrado pelo SIAGAS;
 o SIAGAS é recomendado pelo Conselho Nacional de Recursos Hídricos –
CNRH, através da Moção no 018, como instrumento a ser adotado na gestão
dos recursos hídricos subterrâneos, devido ao fato de gerenciar uma base de
dados nacional de águas subterrâneas e por adotar um modelo e dicionário de
dados padronizados;
 a necessidade de se dispor de uma base de dados confiável e representativa
oriunda de diversas fontes de dados, devidamente integrada e consistida,
proporcionando a existência de um sistema de apoio à decisão em recursos
hídricos voltado para a gestão estratégica desta área de conhecimento.
Um Sistema de Apoio à Decisão (SAD), integrado ao Business Intelligence foi
concebido com o objetivo de apoiar, contribuir e influenciar na tomada de decisão, nos níveis
operacional, tático e estratégico, na gestão de águas subterrâneas. Conforme ilustra a figura 9,
o SAD projetado nesta pesquisa é constituído pelos seguintes componentes:
a) Base de Dados Operacionais
a.1
Base de Dados Operacional (SIAGAS/RIMAS)
a.2
Base de Dados Referencial ( Operacional Data Store – ODS)
b) Data Warehouse Departamental
c) Ferramenta de Apoio a Decisão (Análise e Visualização da Informação)
64
c.1
Ferramentas OLAP
c.2
Data Mining
d) Gestão Estratégica do Negócio
d.1
Business Performance Management – BPM
FIGURA 9 – Modelo Conceitual do SAD Aplicado a Recursos Hídricos Subterrâneos
Fonte: Adaptação de (FERNANDES, 2010).
A solução de governança adotada neste projeto de SAD que se apoia em fontes de
dados internas (projetos e rede RIMAS) e externas (órgãos gestores e intervenientes em
recursos hídricos) e em sistemas não integrados foi organizar a maneira como a informação
é armazenada, disponibilizada e acessada. Neste sentido adotou-se, no ambiente operacional,
o SIAGAS e o ODS ou banco de dados referencial, este último, como uma área para
consolidação de dados de diversos sistemas-fontes, integração e preparação para transferência
para o DW Departamental.
Desta forma o ODS, constitui um banco de dados intermediário, entre o banco de
dados operacional e o DW. Ao contrário dos conteúdos estáticos do DW, os conteúdos do
ODS são atualizados durante o curso das operações.
O SIAGAS por sua vez é um sistema operacional que tem a capacidade de receber
dados de diversas fontes e armazená-lo num formato único e específico para consulta.
Todavia estas fontes de dados por vezes são incompletas, inconsistentes e não padronizadas.
Esta condição permite considerar no modelo proposto de sistema de apoio à decisão deste
trabalho um ODS ou Base de Dados Referencial, a qual representará uma base operacional
com um subconjunto de dados mais qualificado, bem como servirá de área de preparação para
o Data Warehouse Departamental.
O SAD proposto permitirá análise e visualização de informações para subsidiar o
aumento de oferta hídrica, através da revitalização de poços; a gestão dos recursos hídricos,
65
por meio do instrumento de outorga pelo uso da água; e a avaliação da disponibilidade hídrica
subterrânea, através da produção de mapas temáticos de hidrogeologia.
As Ferramentas de Apoio à Decisão, no contexto deste trabalho, são softwares que
manipulam os dados extraídos do ODS e/ou DW através de estrutura de cubos de dados, de
funções de agregação, estatísticas ou de funções gráficas. Elas auxiliam na simulação dos
dados, proporcionando a descoberta do conhecimento.
3.2 Modelo de Negócio
3.2.1 Modelo de Proposta de Valor
O SIAGAS é uma ferramenta que está incorporada ao Sistema Nacional de
Informações sobre Recursos Hídricos, um dos instrumentos da Política Nacional de Recursos
Hídricos cuja Lei Federal no 9.433 foi instituída em 08 de janeiro de 1997. Além disso,
atende as necessidades das legislações estaduais em relação às políticas estaduais de recursos
hídricos, na medida em que a maioria delas obedecem aos princípios estabelecidos na lei
federal, a seguir descritos:
 a adoção da bacia hidrográfica como unidade de planejamento;
 uso múltiplo das águas;
 o reconhecimento da água como um bem finito e vulnerável;
 o reconhecimento do valor econômico da água, indutor do seu uso racional;
 gestão descentralizada e participativa, ou seja, o que pode ser decidido em
níveis hierárquicos mais baixos do governo não pode ser resolvido por nível
mais altos da hierarquia.
Em relação à lei acima citada foram definidos cinco instrumentos essenciais à
gestão das águas, abaixo descritos:
 o Plano Nacional de Recursos Hídricos, que atualiza e consolida os planos
diretores de recursos hídricos;
 a Outorga de Direito de Uso dos Recursos Hídricos, o qual o usuário recebe
uma autorização, ou uma concessão, ou ainda uma permissão para fazer uso
da água;
 a Cobrança pelo Uso da Água, essencial para criar as condições de equilíbrio
entre a oferta e a demanda e harmonizar os interesses dos diversos usuários;
 o Enquadramento dos Corpos D’água em Classes de Uso;
66
 o Sistema Nacional de Informações sobre Recursos Hídricos - SNIRH,
encarregado de coletar, organizar, consistir e difundir a base de dados relativa
aos recursos hídricos.
Em relação ao quinto instrumento acima mencionado, o Sistema Nacional de
Informações sobre Recursos Hídricos (SNIRH), o mais aderente ao propósito desta
dissertação, o que se pode dizer é que o Sistema de Informações de Águas Subterrâneas –
SIAGAS, concebido em 1996, se incorporará ao SNIRH, ainda em desenvolvimento.
Em relação aos estados a maioria não dispõe de sistemas de informações sobre
recursos hídricos, o que torna o SIAGAS, incrementado com componentes do BI, um
ferramenta de apoio à decisão para águas subterrâneas, junto aos gestores e intervenientes em
recursos hídricos, apresentando os seguintes fatores críticos de sucesso:

gestão otimizada da informação recebida;

integração dos resultados de diferentes áreas;

eliminação da duplicação do trabalho;

promoção de análises multi-disciplinares;

intercâmbio de dados e informações entre os órgãos;

articulação entre os diversos sistemas de informações.
A utilização pelos usuários (planejadores, gestores, pesquisadores, etc) do sistema
de apoio à decisão aplicado aos recursos hídricos subterrâneos, ancorado no SIAGAS, o qual
adota modelo e dicionário de dados padronizados constitui num diferencial do Serviço
Geológico do Brasil, em face de sua competência e por promover a unificação das bases de
dados, facilitando o intercâmbio e integração entre sistemas, nos diversos níveis hierárquicos
e por proporcionar maior eficiência, eficácia e efetividade na aplicação dos instrumentos que
compõem à política nacional de recursos hídricos.
3.2.2 Modelo de Interface com o Usuário
O Sistema de Apoio à Decisão preconizado manterá uma interface com o usuário,
de forma transparente, seja na geração como na disponibilização dos dados A coleta dos
dados
será feita – utilizando equipamentos de última geração como GPS, palm top e
smartphones - de forma descentralizada e assíncrona e suportado por acordos de cooperação
técnica para promover o intercâmbio permanente de dados entre os principais fornecedores
externos (órgãos gestores e intervenientes em recursos hídricos) e o SGB. Por outro lado, a
maioria das fontes externas utilizará ferramenta SIAGAS para transferência de dados, o que
67
eliminará a necessidade de utilização de importadores de dados. Uma forma de alimentação
de dados é por meio do programa de entrada de dados do sistema, disponível para download,
bem como pela possibilidade de alimentação dos dados via web.
Em relação ao uso de dados e informações, serão colocadas à disposição do
usuário ferramentas de ―middleware‖ as quais permitirão o acesso à base de dados pelos
usuários avançados e escrever a sua própria consulta em SQL. Além disso, outras facilidades
funcionais em ambiente de Web mining permitirão realizar pesquisas tabulares e espaciais,
bem como a geração de relatórios customizados "ad hoc" e ―download‖ da base de dados.
Deverão ser elaborados programas de treinamento à distância para os usuários,
visando à fidelização do uso do sistema. Os principais tópicos do treinamento são: a)
metodologia de cadastramento de fontes por abastecimento de águas subterrâneas; b)
implantação, operação e utilização do sistema de apoio à decisão aplicado às águas
subterrâneas; c) metodologia para realização da outorga de direito de uso dos recursos
hídricos subterrâneos.
3.2.3 Modelo de Operação
O modelo de operação envolverá, de forma descentralizada e assíncrona,
a
execução dos processos de coleta, consistência e alimentação de dados, extraídos de
diversas fontes, tais como: a) interna: dados da rede integrada de monitoramento das águas
subterrâneas e de projetos específicos do SGB; b) externa: dados dos órgãos gestores e
intervenientes em recursos hídricos e de usuários diversos. A alimentação dos dados, para
banco de dados central será feita da seguinte forma:
 fontes internas: transferência, via WEB, para o banco central de dados;
 fontes externas: transferência, em meio digital ou Web, para unidades
descentralizadas do SGB que, após consistidas, serão transferidas, via WEB,
para o banco central de dados.
Cabe observar que a consistência dos dados é uma questão que deve ser abordada
segundo duas estratégias distintas de processamento. A primeira, e mais evidente, é que
determinados atributos podem ser criticados e validados automaticamente pelo sistema, pois
são facilmente caracterizados e determinados por regras perfeitamente definidas. O atributo
de pH da água, por exemplo, é sabidamente um valor entre 0 e 14 (valor prático). Deste modo,
um valor preenchido com 50 pode ser perfeitamente identificado pelo sistema, que exibirá um
68
aviso de exceção. Um caso análogo seria uma georreferenciação de um poço perfurado em
uma coordenada geográfica localizada em um oceano, lago, ou rio.
A segunda estratégia, por sua vez, está relacionada a critérios subjetivos, ou ainda,
de modelagem computacional significativamente mais complexa. Os dados preenchidos por
um operador tido como distraído devem ser analisados por um ser humano para poder
identificar eventuais equívocos. Entretanto, como caracterizar que o operador foi displicente?
Além disso, seja um poço que tradicionalmente tem uma profundidade de 20m, mas que em
um determinado momento é atualizado para 2m. Houve de fato uma variação significativa, ou
foi simplesmente um erro de digitação? A intervenção humana tende a ser a resposta mais
adequada para ambos os casos, ao menos no presente momento de maturidade do sistema.
Os dados armazenados na base central serão transferidos para um Data Store
Operacional e, em seguida, realizada a extração dos dados para um Data Mart
Departamental, com vista a sua disponibilização (Navegadores Web, Portais Corporativos e
Outras Ferramentas).
A figura 10 ilustra o modelo de negócio para o Sistema de Apoio à Decisão
Aplicado aos Recursos Hídricos Subterrâneos.
FIGURA 10 - Modelo de Negócio do SAD Aplicado aos Recursos Hídricos Subterrâneos
3.2.4 Modelo Estratégico
Segundo CHIAVENATO et al. (2003), o processo de planejamento estratégico é
constituído dos seguintes elementos:
 Declaração de missão
69
 Visão de negócios
 Diagnóstico estratégico externo
 Diagnóstico estratégico interno
 Fatores críticos de sucesso
 Sistema de planejamento estratégico
 Definição de objetivos
 Análise dos grupos de influência
 Formalização do plano
 Auditoria de desempenho e resultados.
O processo de planejamento estratégico, analisado sob a ótica do Sistema de
Apoio à Decisão aplicado aos recursos hídricos subterrâneos, apresenta-se da seguinte forma:

Declaração de Missão – gerar e difundir o conhecimento hidrológico e
geológico para o desenvolvimento sustentável do país, através do uso, entre as
diversas formas, de Sistema de Apoio à Decisão.

Visão do Negócio – tornar o Sistema de Apoio à Decisão aplicado aos recursos
hídricos subterrâneos reconhecido nacional e internacionalmente como a
ferramenta de suporte à gestão dos recursos hídricos subterrâneos.

Diagnóstico Estratégico Externo:
a necessidade de implementar
os
instrumentos das políticas de recursos hídricos, nos níveis federal e estaduais,
em especial os sistemas de informações sobre recursos hídricos, constituem
uma oportunidade para dotar todos os órgãos gestores de ferramenta adequada
para a implementação dos instrumentos de gestão.

Diagnóstico estratégico interno - a elevada capilaridade operacional da
empresa, tendo unidades executivas na maioria das unidades da federação; o
modelo e dicionário de dados padronizados, facilitando o intercâmbio de
informações; a utilização de equipes técnicas especialmente treinadas na
consistência, alimentação e produção de conhecimento no âmbito da
hidrogeologia são competências essenciais que a credenciam na liderança deste
sistema;

Fatores Críticos de Sucesso - para consecução da missão destacam-se como
fatores críticos de sucesso: a) formalizar parcerias com os órgãos gestores e
intervenientes em recursos hídricos; b) aperfeiçoar e modernizar o sistema de
informações de águas subterrâneas e agregar valor ao mesmo introduzindo a
70
filosofia de sistema de apoio à decisão baseado em BI; c) promover o
enriquecimento da base de dados;

Planejamento Estratégico – a longo prazo pretende-se que todos os órgãos
gestores em recursos hídricos (federal e estaduais) adotem o Sistema de Apoio
à Decisão aplicado aos recursos hídricos subterrâneos. Internacionalmente o
mesmo deve estar
incorporado aos serviços geológicos dos países íbero-
americanos;

Plano de Ação – a implementação das ações estratégicas dar-se-á buscando
parcerias com os diversos órgãos intervenientes em recursos hídricos, visando
o intercâmbio de dados, treinamento técnico, enriquecimento de dados e
fornecimento de facilidades no âmbito do acesso e disponibilização de dados e
informações;

Avaliação de Desempenho e Resultados – utilização do Sistema de
Gerenciamento de Projetos, associada à metodologia ―Business Performance
Management‖ para medir os resultados alcançados.
3.2.5 Modelo Econômico
O modelo econômico que dará apoio ao Sistema de Apoio à Decisão Aplicado aos
Recursos Hídricos Subterrâneos estará sustentado nos seguintes mecanismos:
Nacional
a) recurso do Programa de Aceleração de Crescimento - PAC para execução dos
projetos: coleta, consistência e alimentação e difusão de informações
hidrogeológicas;
cadastramento
aperfeiçoamento
de
fontes
de
e
modernização
abastecimento
por
do
sistema;
águas
e
subterrâneas;
enriquecimento da base de dados;
b) acordos de cooperação técnica com os órgãos gestores e intervenientes em
recursos hídricos visando o intercâmbio de dados para o sistema;
c) fortalecimento financeiro e institucional dos órgãos gestores de recursos
hídricos;
Internacional
a) acordos de cooperação técnicas com os serviços geológicos de 23 (vinte e três)
países ibero-americanos, incluindo Portugal e Espanha;
71
b) desenvolvimento de projeto multinacional de avaliação das águas subterrâneas
dos países ibero-americanos.
3.3 Descrição do Sistema Operacional – SIAGAS/RIMAS
Sistema de Informações de Águas Subterrâneas - SIAGAS
A Companhia de Pesquisas de Recursos Minerais – O Serviço Geológico do
Brasil – objeto deste trabalho tem a missão de gerar e difundir conhecimento hidrológico e
geológico para o desenvolvimento sustentável do país.
Foi dentro desta linha de atuação que, em 1997, o SGB desenvolveu o Sistema de
Informações de Águas Subterrâneas - SIAGAS, com o objetivo de coletar, consistir,
armazenar e disponibilizar dados e informações hidrogeológicas.
Inicialmente, o SIAGAS visou dar suporte à elaboração de mapas hidrogeológicos
inseridos no Programa Levantamentos Geológicos Básicos da CPRM e, posteriormente,
ampliou o espectro de atuação para atender as demandas dos diversos tipos de usuários
incluindo aqueles relacionados com as políticas de recursos hídricos. Como consequência o
Conselho Nacional de Recursos Hídricos – CNRH, emitiu a moção no 38 recomendando a
adoção do SIAGAS na gestão dos recursos hídricos.
Uma das preocupações prioritárias foi de fornecer aos gerentes e tomadores de
decisão informações cada vez mais qualificadas e relevantes relativas às águas subterrâneas.
Daí que a filosofia adotada foi de construir um banco de dados relacional, estruturado em um
modelo e dicionário de dados padrão, com uma gama ampla de atributos, de modo a permitir
maior flexibilidade, racionalização e intercâmbio com outras bases de dados e com outros
sistemas.
Outra finalidade do sistema era permitir o fácil acesso à informação pela Internet,
por parte das entidades públicas e privadas. Para compor o seu acervo de dados foram
originalmente coletadas fichas, relatórios e dados de poços fornecidos por diversas
instituições públicas e privadas, as quais passaram a integrar uma rede interinstitucional para
intercâmbio de dados hidrogeológicos viabilizada através de Acordos de Cooperação Técnica.
Em 2002 foram feitas melhorias no seu modelo de dados, bem como incorporada
nova funcionalidade ao sistema através do aplicativo de análise e interpretação de dados
hidrogeológicos.
Atualmente, o SIAGAS é um sistema de informações operacional que fornece
suporte a pesquisa, estudos e gestão das águas subterrâneas. A sua arquitetura é de cliente-
72
servidor e se apoia no SGBD SQL Server, permitindo o controle rigoroso das permissões de
acesso, carregamento e alteração dos dados. Ele incorpora na sua estrutura ferramentas
gráficas, para consistência de dados; sistema de informações geográficas e rotinas de
importação e exportação de dados em diversos formatos.
Os recursos apresentados pelo programa de entrada de dados poderão estimular a
padronização e a integração interinstitucional, facilitando a constituição de uma base de dados
nacional. O programa de consulta na Web oferece facilidades de pesquisas hierarquizadas, tanto
pontuais como espaciais, permitindo aos usuários, utilizá-lo numa ampla gama de aplicações e,
opcionalmente, aos usuários da área de pesquisa, planejamento e gestão, contar via parceria ou
aquisição no mercado, com poderosa ferramenta de interpretação de dados.
O modelo de dados é relacional e contempla 59 (cinquenta e nove) tabelas
dispostas no formato Esquema Estrela, idealizado por Ralph Kimball, conforme figura 11.
FIGURA 11 – Modelo de Dados do SIAGAS
O dicionário de dados é padronizado.
O SIAGAS é constituído por 03 (três) módulos:
 Módulo de Entrada de Dados - possui funções de atualização de dados de
poços (inclusão, exclusão e alteração), de consistência dados e de geração de
relatórios simplificados. Este software é de uso público e irrestrito. Na figura
12 é apresentada uma tela de entrada de dados, a qual contempla
73
funcionalidades relacionadas com a captura de imagem e de fotos e
visualização do estado dos atributos ( existente ou não) na base de dados.
FIGURA 12 – Módulo de Entrada de Dados

Módulo de Consulta na Web - permite realizar pesquisas simples e
complexas na base de dados de poços, utilizando ferramentas SIG para
realizar cruzamento de informações em mapas e tabelas, bem como realizar
a exportação dos dados, num limite fixado, em diversos formatos. As
figuras 13 e 14, a seguir, ilustram este tipo de pesquisa.
74
FIGURA 13 – Módulo consulta na Web - cruzamento de informação espacial e tabular
FIGURA 14 – Módulo Consulta na Web - espacialização de dados

Módulo de Análise e Interpretação de Dados - possui funcionalidades de
ambiente
SIG,
permitindo
a
análise
e
interpretação
de
dados
hidrogeológicos e a geração de relatórios avançados. Este aplicativo é de
uso restrito do SGB. A figura 15 apresenta um tipo de saída de dados.
75
FIGURA 15 – Módulo de Análise e Interpretação de Dados – Relatórios
A CPRM na condição de empresa pública Governo Federal vem adotando a
política de uso de software livre. Neste sentido, o SIAGAS está migrando do ambiente
proprietário para ambiente de multiplataforma, já tendo o Módulo II – Análise e Interpretação
de Dados ajustado para esta nova configuração.
Os dados contidos na base de dados operacional de águas subterrâneas da CPRM
são provenientes de fontes internas e externas. As fontes internas são dos projetos de
cadastramento de fontes de abastecimento por águas subterrâneas e da Rede Integrada de
Monitoramento de Águas Subterrâneas – RIMAS, esta última recentemente implantada. As
fontes externas são provenientes dos órgãos gestores e intervenientes em recursos hídricos e
empresas perfuradoras de poços.
Neste contexto a referida base de dados apresenta três níveis de qualidade dos
dados, em relação as falhas e inconsistências:
Nível 1 – dados armazenados com regular qualidade. As fontes destes dados são
predominantemente de empresas privadas ou de órgãos gestores e intervenientes dos recursos
hídricos, os quais ainda não implantaram de forma satisfatória mecanismo/instrumento de
controle e/ou processo de outorga pelo direito de uso da água.
Nível 2 - dados armazenados com boa qualidade. As fontes de dados são oriundas,
principalmente, dos órgãos gestores e intervenientes em recursos hídricos que implantaram
76
instrumentos de outorga pelo uso da água ou têm mecanismo de controle sobre a captação das
águas subterrâneas.
Nível 3 - dados armazenados com muito boa qualidade. Dados provenientes de
projetos de pesquisas e da rede integrada de monitoramento de águas subterrâneas.
Rede Integrada de Monitoramento de Águas Subterrâneas - RIMAS
A Rede Integrada de Monitoramento de Águas Subterrâneas do Brasil – RIMAS,
a qual se integra o SIAGAS, iniciou sua implantação, pelo SGB, em 2009, e conta 182
estações monitoradas distribuídas nos principais aquíferos brasileiros, conforme a figura 16. O
seu objetivo é ampliar o conhecimento hidrogeológico e acompanhar a variação espacial e
temporal da qualidade e quantidade das águas subterrâneas para fins de gestão integrada dos
recursos hídricos.
FIGURA 16 – Rede RIMAS – Mapa de Situação dos Aquíferos
O critério de seleção dos aquíferos para compor a rede RIMAS foram os
seguintes:
 aquíferos sedimentares;
 importância socioeconômica;
 aspectos de vulnerabilidade natural e risco;
 representatividade espacial do aquífero;
 existência de poços de monitoramento.
A densidade dos poços da rede é variável e levou em conta o uso da água, o uso e
ocupação do solo, a densidade demográfica e a extensão do aquífero. Além disso, considerou-
77
se que a densidade deveria ser suficiente para obtenção dos valores representativos das
condições hidrogeológicas, carga hidráulica, variação de níveis d’água e alterações da
qualidade.
Além dos dados básicos relativos à engenharia do poço, hidrodinâmicos e
hidroquímicos levantados quando da instalação do ponto de monitoramento, também são
obtidos os seguintes parâmetros na rede de monitoramento:
 nível d’água, na frequência diária;
 condutividade elétrica, na frequência trimestral;
 análise físico-química completa, na frequência de 5 anos.
Os equipamentos de medição utilizados são semiautomáticos, os quais armazenam
os dados em ―data logger‖, para recolhimento trimestral pela equipe de campo.
Os dados coletados no ―data logger‖ serão submetidos a uma análise de
consistência utilizando ferramentas estatísticas. Após este tratamento os dados são enviados
para armazenamento na base central de dados.
Desta forma os dados recolhidos pela rede RIMAS e que compõe a base de dados
operacional de águas subterrâneas corresponde ao segmento da base de dados que apresentam
melhores características para compor um Data Mart Operacional e Data Warehouse
Departamental, componentes do modelo de sistema de apoio à decisão proposto neste
trabalho.
Os dados levantados na rede RIMAS tem uma estrutura de dados compatível com
a do SIAGAS, necessitando, apenas, pequenos ajustes no modelo de dados.
3.4 Pré-processamento
A base de dados operacional de águas subterrâneas contém cerca de 215.000
poços cadastrados, de todo território nacional, como ilustra a figura 17. Os dados nela
contidos são insumos essenciais para diversas aplicações em hidrologia, tais como: gestão dos
recursos hídricos, avaliação das disponibilidades hídricas, através dos mapas hidrogeológicos,
aumento de oferta da água, por meio da revitalização dos poços profundos ou para o controle
da contaminação dos aquíferos, entre outros.
78
FIGURA 17 – Mapa de distribuição dos poços cadastrados na base de dados
Os dados que compõem a base de dados podem ser agrupados nas seguintes
classes:
 dados gerais;
 formação geológica;
 dados hidrodinâmicos;
 dados hidroquímicos.
Estas classes de dados guardam diferenciados níveis de importância em relação
aos tipos de aplicação. A gestão de recursos hídricos tem necessidades de dados, com igual
nível de importância de todas as classes, enquanto o controle da contaminação dos aquíferos
demanda dados, com maior relevância, da classe de dados hidroquímicos. Para traçar uma
política de aumento de oferta de água, através da revitalização de poços, em região com
elevado ―stress‖ hídrico, como o semiárido brasileiro, dispor de dados hidrodinâmicos e
hidroquímicos são essenciais para o adequado aproveitamento da água. A produção de mapas
hidrogeológicos, como os outros tipos de aplicações, necessita de dados de todas as classes,
porém dispor de dados da classe formação geológica (perfil litológico e construtivo) é
essencial para a qualidade do mapa hidrogeológico produzido. Desta forma, quanto mais
completos forem os dados do registro do poço maior a chance de ter dados qualificados,
79
essencial para o sistema de suporte a decisão. Sob esta ótica, esta dissertação permitiu
direcionar ações no sentido de aprimorar o conteúdo informativo da base de dados, a saber:
 coleta e armazenamento de dados da rede RIMAS, os mais completos e
qualificados;
 coleta e armazenamento de dados, oriundos do órgãos estaduais gestores de
recursos hídricos, que realizam a outorga do uso da água, que por requisito
fornece dados de poços mais qualificados;
 levantamento de campo dos poços escolhidos na base de dados, mediante
critério de negócio pré-estabelecido.
Historicamente, o controle e gerenciamento deficiente das águas subterrâneas
resultaram na formação de uma base de dados que apresenta falhas e inconsistências. O
presente trabalho tornou evidentes estas características e permitiu adotar medidas com o
objetivo de minimizar seu impacto na operação do Sistema de Apoio à Decisão. Neste
sentido, além das ações acima apresentadas estão sendo formalizados acordos de cooperação
técnica com os órgãos gestores e intervenientes para uso do SIAGAS e intercâmbio de dados.
Os dados que compõe a base de dados são oriundos de fontes internas e externas.
As fontes internas são dos projetos desenvolvidos pela CPRM ou da Rede Integrada de
Monitoramento de Águas Subterrâneas – RIMAS, enquanto que as fontes externas são
provenientes dos órgãos gestores e empresas públicas e privadas.
O processo de alimentação da base de dados é feito mensalmente de forma
descentralizada, pelas Unidades Regionais da CPRM. Previamente, os dados são consistidos e
posteriormente remetidos para armazenamento na base de dados. O Módulo de Entrada de
Dados do SIAGAS é ferramenta utilizada para consistir e remeter os dados para a base central
de dados.
Foi feito um diagnóstico na base de dados operacional de águas subterrâneas para
identificar a quantidade de registro de dados existente por atributo e relacionar com as
principais aplicações. O resultado encontra-se sintetizado na tabela, a seguir:
80
TABELA 4 – Quadro geral de atributos relevantes cadastrados na base de dados
QUADRO GERAL DE ATRIBUTOS CADASTRADOS NA BASE DE DADOS DE POÇOS
ATRIBUTOS RELEVANTES
% ATRIBUTOS
Dados Gerais
Código do Ponto
Coordenadas Geográficas
Municipio
Bacia
Localidade
Proprietário
% Médio Atributo Cadastrado
Dados Geológico e Litológicos
Formação Geológica
Litologia
% Médio Atributo Cadastrado
Dados Hidrodinâmico
Nível Estático
Nível Dinâmico
Vazão
% Médio Atributo Cadastrado
Dados Hidroquímicos
pH
Condutividade Életrica
Sólidos Totais Dissolvidos
DBO
Cloretos
Ferro Total
Coliformes Fecais
% Médio Atributo Cadastrado
Fonte: SIAGAS -Base de Dados Operacional
GESTÃO
ATRIBUTOS RELEVANTES POR USO
ESTUDO
OFERTA
CONTAMINAÇÃO
100%
100%
100%
81%
88%
100%
95%
X
X
50%
51%
51%
X
X
60%
47%
53%
53%
X
15%
23%
4%
0%
5%
5%
2%
8%
X
X
X
X
X
Assim, interpretamos as características da tabela exposta:
 a classe de dados ―Dados Gerais‖ é a que apresenta o melhor resultado, ou seja,
95 % dos atributos desta classe contem dados na base de dados;
 as classes de dados ―Dados Geológicos e Litológicos‖ e ―Hidrodinâmicos‖
têm, em média, 51% e 53%, respectivamente, de atributos com registros na
base de dados;
 a classe de dados ―Hidroquímico‖ tem somente, em média, 8% de registros
cadastrado na base de dados;
Esta constatação mostra a necessidade de uma ação mais efetiva de
enriquecimento de dados e reforça a necessidade de criar uma base de dados referencial (Data
Store Operacional), um dos componentes do sistema de apoio à decisão proposto neste
trabalho.
3.5 Estrutura do Data Store Operacional
O Data Store Operacional (ODS) é visto como uma arquitetura que é alimentada
por programas de transformação e integração (i/t). A Figura 18 mostra o posicionamento
clássico do ODS.
81
FIGURA 18 – Arquitetura de um Operacional Data Store (ODS)
Estes programas de transformação e integração podem ser os mesmos programas
que alimentam um DW ou programas separados. O ODS, por sua vez, alimenta um DW.
Alguns dados operacionais podem ir diretamente para o DW utilizando a camada
de programas ETL, enquanto outros dados operacionais são enviados para o ODS e depois, do
ODS, para Data Warehouse.
O ODS é integrado, orientado ao assunto, volátil e tem uma estrutura tipo
―current-valued‖ (valores atuais), desenhada para atender aos usuários operacionais, em
grandes processos de integração, permitindo um melhor desempenho.
Por sua vez, o ODS atua num duplo papel - de um lado é operacional, pois
permite um alto tempo de resposta e uma alta disponibilidade, estando qualificado para atuar
como base de um sistema de missão crítica; por outro lado, o ODS tem, claramente,
característica de um SAD, pois é integrado, orientado a assunto e incorpora alguns
importantes requisitos para o suporte a decisão.
Já o desenho clássico e fundamental de um ambiente ODS começa com um
modelo de dado que reflete as necessidades de informação da empresa. Tabelas normalizadas
são definidas na modelagem dos dados e constituem o que se pode chamar de desenho lógico.
Quando estas tabelas normalizadas são combinadas no desenho físico é chamado de
―normalização suave‖. Num desenho com a normalização leve as tabelas são combinadas com
base nos conteúdos, como chaves comuns e uso geral comum LIMA (2010).
O banco de dados operacional administrado pelo SIAGAS segue uma modelagem
dimensional segundo o esquema floco de neve. Este esquema é uma extensão do Esquema
Estrela e consiste na decomposição de uma ou mais dimensões, formando hierarquia nas
82
dimensões, isto é normalizando-as. É utilizado este esquema quando se tem dimensões
grandes que são estáticas ou semiestáticas.
O Data Store ou Base de Dados Referencial proposto para compor o SAD deste
trabalho tem o mesmo tipo de modelagem do banco de dados operacional, porém, com um
número reduzido de dimensões e atributos, somente considerando aqueles mais relevantes no
contexto do negócio.
3.6 Data Warehouse Departamental
De acordo com TURBAN et al. (2009), as organizações estão coletando dados,
informações e conhecimento em níveis cada vez maiores e, manter e usar estes dados está se
tornando cada vez mais complexo. Com o advento da Internet o número de usuários que
acessam informações está crescendo cada vez mais. O trabalho com múltiplos bancos de
dados vem se tornando uma tarefa muito difícil e que exige um grande conhecimento
especializado.
A CPRM é uma empresa pública que atua no campo da geração e difusão do
conhecimento geocientífico, nas áreas de geologia, hidrologia e meio ambiente. A empresa
manipula grande quantidade de dados que necessitam estar armazenados em bancos de dados,
de modo a permitir tomada de decisões estratégicas. Atualmente, estes dados estão
organizados em bases de dados temáticas, sendo que uma dela refere-se à hidrogeologia, um
importante segmento de serviço da instituição.
Os dados hidrogeológicos são coletados interna e externamente, estes últimos, dos
órgãos gestores e intervenientes em recursos hídricos. Estes dados, depois de efetuada sua
depuração são armazenados numa base central e difundidos para o usuário final, através de
sistema transacional/operacional (SIAGAS).
O SAD proposto considera a necessidade de prover uma plataforma de dados
históricos integrados a partir do qual se possa fazer análise para dar suporte às decisões
estratégicas. O ambiente mais adequado para atender esta finalidade é o de um Data
Warehouse.
O motivo principal que leva a considerar no modelo conceitual do SAD aplicado
aos recursos hídricos subterrâneos, o ambiente de Data Warehouse Departamental ou Data
Mart ao invés de um ambiente de banco de dados tradicional, reside no fato dos ambientes de
suporte à decisão e extração do conhecimento em bases de dados serem caracterizados pela
não volatilidade e pela complexidade das consultas ad hoc.
83
A escolha do Data Warehouse Departamental, ou seja, um Data Mart ao invés de
Data Warehouse Corporativo decorreu do fato de se estar projetando um SAD para uma área
específica de serviço da empresa.
Em relação ao modelo de dados, é proposto adotar o modelo dimensional ao invés
do modelo tradicional, denominado relacional por que o modelo dimensional atende melhor
aos requisitos relacionados com maior facilidade em manipular funções de agregações,
associações, classificações, entre outros aspectos, próprios do ambiente do sistema de apoio à
decisão ao contrário do que ocorre com o modelo relacional cujo foco reside na definição de
um modelo de transação eficiente GOUVEIA (2008).
Vale considerar que a fonte principal de dados para o Data Store Operacional ODS e Data Warehouse vem da base de dados operacional administrada pelo SIAGAS, cujo
modelo de dados é normalizado e tem um dicionário de dados padronizado. Esta característica
reduz a complexidade de estrutura do ODS ou Base de Dados Referencial, bem como facilita
a execução das etapas de processamento e transformação do processo KDD.
3.7 Análise de Negócios e Visualização de Dados
Neste item será abordada a análise de negócios com suas respectivas
características, bem como a visualização dos dados.
3.7.1 Análise do Negócio das Águas Subterrâneas
Cada vez mais estão sendo necessários dados e informações detalhadas, precisas e
oportunas para dar suporte à decisão e a implementação de estratégicas em recursos hídricos.
A seguir são apresentadas as principais áreas que demandam dados e informações sobre
recursos hídricos subterrâneos:
Gestão dos Recursos Hídricos
Os dados e informações de águas subterrâneas são insumos essenciais para a
aplicação dos instrumentos de gestão dos recursos hídricos. O deficiente controle das águas
subterrâneas, a carência de dados confiáveis e representativos e a falta de sistemas integrados
de informações são os principais fatores que mais tem contribuído para aplicação deficiente
do instrumento de outorga de direito do uso da água, cuja atribuição é dos órgãos estaduais
em recursos hídricos. O modelo de sistema de apoio à decisão proposto neste trabalho
considera o estabelecimento de mecanismo de integração entre o SIAGAS os sistemas de
informações de recursos hídricos dos órgãos gestores e intervenientes em recursos hídricos.
84
Estudos Hidrogeológicos
A ampliação do conhecimento dos recursos hídricos subterrâneos nos principais
aquíferos brasileiros envolve a elaboração de mapas hidrogeológicos, apoiado em sistema de
informações geográficas (SIG). Os dados de poços são insumos essenciais na elaboração
destes mapas. A insuficiência de dados e a ausência de sistema de informações geográficas
integrado aos mapas são as principais deficiências do processo. No modelo conceitual de
SAD aplicado aos recursos hídricos subterrâneos propõe-se incorporar funcionalidades
relacionadas à integração da base de dados aos mapas hidrogeológicos.
Oferta de Água
Ampliar a oferta de água, principalmente, nas regiões com elevado deficit hídrico,
como o semiárido nordestino, através da revitalização de poços, tem sido a estratégia adotada
pelo Governo. Para realizar este trabalho é fundamental dispor de sistema de apoio à decisão
que, a partir de uma regra negócio estabelecida, escolha a melhor alternativa para recuperação
dos poços. Atualmente este procedimento é feito em ambiente externo ao SIAGAS. No
modelo conceitual proposto neste trabalho será considerada a análise de negócio acima
exposta.
Contaminação das Águas
A contaminação das águas subterrâneas é pouco conhecida no Brasil em
decorrência de falta de informações. A base de dados atual contempla um número muito
pequeno de parâmetros hidroquímicos. O grande esforço deve ser concentrado no processo de
enriquecimento dessa base de dados. No modelo de SAD considerado neste trabalho, destacase o uso da técnica de mineração de dados, principalmente, aplicada à avaliação da qualidade
das águas subterrâneas.
A partir da análise de negócio de águas subterrâneas o modelo conceitual do
sistema de apoio à decisão aplicada à água subterrânea, deve considerar:

ferramenta automática de extração, transformação e carga (ETL) dos dados
provenientes de fontes externas para o banco de dados operacional
administrado pelo SIAGAS;

data store operational - ODS, derivado da base de dados operacional, o qual
constitui a base de dados referencial;

data warehouse departamental serve para organizar dados para o
processamento analítico da informação;
85

ferramentas para
análise de negócios estruturado nos seguintes níveis:
descoberta de informações e conhecimento, suporte decisão e visualização
3.7.2 Relatórios e Consulta para Visualização de Dados
Segundo TURBAN et al. (2009), o termo processamento analítico online (OLAP)
normalmente refere-se a uma gama de atividades realizada por usuários finais em sistema
online. OLAP inclui atividades de geração e respostas de consultas, solicitação de relatórios e
gráficos ad hoc e execução dos mesmos, realização de análises estatísticas tradicionais ou
modernas e construção de apresentações visuais.
Os produtos OLAP oferecem recursos de modelagem, análise e visualização de
grandes quantidades de dados, ou para sistema de gerenciamento de dados (SGDB) ou para
sistema de data warehouse. Eles oferecem uma visão conceitual multidimensional dos dados.
Uma das características que devem estar presentes em ferramenta OLAP é a
capacidade de efetuar operações como:

drill Across: ocorre quando o usuário pula de nível intermediário dentro de
uma mesma dimensão; por exemplo a dimensão tempo é composta por ano,
semestre, trimestre, mês e dia. A operação drill Across é executada quando o
usuário, estando na dimensão de ano, passa direto para trimestre ou mês, sem
visitar a dimensão de semestre;

drill Down: ocorre quando o usuário aumenta o nível de detalhe da informação,
diminuindo a granularidade.

drill Up: é o oposto do drill Down, ocorre quando o usuário aumenta a
granularidade, diminuindo o nível de detalhamento da informação;

drill Thought: ocorre quando o usuário passa de uma informação contida numa
dimensão para outra. Por exemplo: Inicia na dimensão do tempo e no próximo
passo analisa a informação por região;

Slice e Dice: é uma das principais características de uma ferramenta OLAP.
Como a ferramenta OLAP recupera microcubo (no OLAP as informações são
armazenadas em cubos multidimensionais, que gravam valores quantitativos e
medidas, permitindo a visualização através de diversos ângulos. Estas medidas
são organizadas em categorias descritivas, chamadas de dimensões e formam,
assim, a estrutura de cubo), surgiu a necessidade de criar um módulo, que se
convencionou de Slice and Dice, para ficar responsável por trabalhar esta
86
informação. Ele serve para modificar a posição da informação, trocar linhas
por colunas de maneira a facilitar a compreensão do usuário e girar o cubo
sempre que houver necessidade.
A ferramenta OLAP, que obedece a estrutura cliente/servidor multiusuário, pode
ser implementada de diversas formas, classificadas nos seguintes tipos:

OLAP multidimensional (MOLAP). Quando o OLAP é implementado através
de um banco de dados (ou data store) multidimensional especializado, ele é
chamado de OLAP multidimensional (MOLAP). Os dados são organizados em
estrutura de cubos. Seu uso é mais adequado para consultas financeiras. Com o
MOLAP as consultas são mais rápidas, pois a consolidação já foi realizada.

OLAP relacional (ROLAP). Quando um banco de dados OLAP é
implementado através de um banco de dados relacional existente, ele é
chamado de OLAP relacional (ROLAP). As ferramentas OLAP relacional
extraem dados de bancos de dados relacionais.

Database OLAP e Web OLAP (DOLAP e Web OLAP). O database OLAP se
refere a um sistema de gerenciamento de banco de dados relacional projetado
para hospedar uma estrutura e executar cálculos OLAP. O Web OLAP se
refere a dados de OLAP acessíveis de um navegador da Web.

Desktop OLAP. O desktop OLAP envolve ferramentas OLAP simples e
baratas que executam análise local multidimensional e apresentação de dados
baixados de bancos de dados relacionais ou multidimensionais para máquinas
do cliente.
A Oracle e a Microsoft, grandes fornecedores de banco de dados, fornecem
servidores OLAP juntamente com banco de dados relacionais tradicionais: OLAP option da
Oracle e Analysis Services 2005 da Microsoft. Além disso, temos outras ferramentas OLAP,
como Distributor Data Solutions da MicroStrategy e Analytics Maestro da Centage
Corporation.
O Analysis Services 2005 é uma tecnologia utilizada por trás do Analysis Services
2000. Ele vem com o conceito UDM (Unified Dimensional Model) – Modelo Dimensional
Unificado), o qual permite que DBAs (Database Administrator) e desenvolvedores definam
dimensões, cubos OLAP e hierarquias de forma ―abstrata‖ que possam subsequentemente ser
armazenados em bases de dados relacionais ou multidimensionais.
87
O OLAP Option da Oracle é executado com um processo único, com única
instância de banco de dados, sendo portável para todas as plataformas de servidor em que o
banco de dados Oracle pode ser executado.
O DSS MicroStrategy é classificada como uma ferramenta ROLAP por acessar
um banco relacional via comandos SQL.
A ferramenta OLAP Maestro, é fornecida e desenvolvida pela Hyper Consultoria
em Informática. Ela suporta a metodologia de desenvolvimento de Data Warehouse. Esta
medotologia tem a vantagem de ter resolvido o problema de conformidade entre conceitos e
dimensões. O Maestro resolve este problema através do uso de um repositório central onde
são definidas medidas e dimensões.
A tecnologia OLAP permite ao usuário realizar cálculos complexos, através de
consultas com maior flexibilidade e funcionalidade. As qualidades essenciais das ferramentas
OLAP são a rapidez, a sumarização e análise flexível dos dados.
3.8 Business Performance Management (BPM)
A empresa considerada neste trabalho é pública, fundada em 1969, que atua em
todo território nacional, realizando pesquisa, estudos e levantamentos básicos em geologia
e hidrologia.
No âmbito de sua competência legal lhe cabe, entre outras atribuições,
desenvolver sistemas de informações que resultem na produção de base de dados,
relatórios, mapas e cartas temáticas que traduzam o conhecimento mineral e hidrológico
nacional, tornando-os acessíveis aos interessados.
Sua estrutura organizacional segue o modelo tradicional ou hierárquico, cuja
autoridade e poder estão graduados por níveis de gerência estratégica (presidência e
diretorias), gerência tática (departamentos e divisões) e gerência operacional (Unidades
Regionais). Em condições especiais, esta estrutura passa a ser multidimensional,
integrando, a estrutura tradicional por funções com a estrutura por projeto.
Os principais clientes estão assim distribuídos: Órgãos Federais (70%),
Estaduais e Municipais (10%), Academia (10%) e Empresas Privadas (10%).
Modelo de Gestão Estratégica
Um pressuposto importante para o modelo de SAD proposto neste trabalho é
que a empresa adote o Modelo de Gestão Estratégica – MGE baseado no Balanced
Scorecard – BSC. A figura 19 apresenta o modelo lógico do MGE.
88
Neste modelo o indicador de desempenho serve como elemento de integração e
alinhamento estratégico entre os níveis operacional, tático e estratégico da empresa. A
presente dissertação foi influenciada pelo referido modelo, que permitiu, a partir dos
indicadores de desempenho corporativo e de cada unidade de negócio redirecionar a
estratégia de captação dos dados de poços de diferentes fontes de alimentação.
FIGURA 19 - Modelo Lógico do MGE
Objetivos Estratégicos
Os objetivos estratégicos são os seguintes:
 Levantamento de Informações Básicas
 Sistemas de Apoio à Decisão
 Pesquisa e Estudos Interpretativos
Metas Estratégicas
As metas estratégicas para a área de águas subterrâneas, objeto do estudo deste
trabalho, para o período 2012-2015, são as seguintes:

Instalar e operar 1.000 (mil) poços na rede integrada de monitoramento de
águas subterrâneas;

Promover o cadastramento de 100.000 (cem mil) poços no banco de dados
operacional de águas subterrâneas;
89
 Promover a consistência de dados de 100.000 (cem mil) poços no banco de
dados operacional de águas subterrâneas
 Elaborar 20 (vinte) mapas hidrogeológicos, em ambiente SIG, nos níveis
regional e estadual;
 Desenvolver 04 (quatro) estudos, aplicando as técnicas de mineração de
dados, sobre águas subterrâneas.
 Desenvolver 04 (quatro) sistemas integrados de apoio à decisão, aplicados
aos recursos hídricos subterrâneos;
 Implantar 01 (uma) rede integrada de gerenciamento de informações
hidrogeológica.
Indicadores de Desempenho
Os indicadores de desempenho a serem adotados são os seguintes:
Indicador de Desempenho Geral
 Informações levantadas
Indicadores de Desempenho Específicos
 Poços monitorados
 Poços cadastrados
 Poços consistidos
 Mapas elaborados
 Sistemas produzidos
 Relatórios elaborados
 Estudos realizados
90
4 SISTEMA DE APOIO À DECISÃO APLICADO À GESTÃO DE RECURSOS
HÍDRICOS SUBTERRÂNESO EM PORTO VELHO – ESTUDO DE CASO
Este capítulo apresenta um protótipo do modelo conceitual de sistema de apoio à
decisão aplicado as águas subterrâneas – Rondônia – Porto Velho
4.1 Critérios para Seleção de Projeto Piloto
Considerando que a elaboração deste trabalho objetivou definir um modelo de
sistema de apoio à decisão aplicado aos recursos hídricos subterrâneos e as condições de sua
aplicabilidade e que ele é mais aderente ao ambiente das organizações públicas que atuam na
geração de informações sobre recursos hídricos e implementação de seus instrumentos, optouse por simular um protótipo do modelo levando em conta as seguintes condições de contorno:
 público alvo – órgãos governamentais;
 natureza da empresa – empresa pública;
 política de informação – acesso público, irrestrito;
 política de Tecnologia de Informação – uso de software livre.
4.2 Caracterização da Empresa
Uma empresa pública, Companhia de Recursos Minerais – CPRM que atua, no
âmbito nacional e cuja missão é gerar e difundir conhecimento geológico e hidrológico, para o
desenvolvimento sustentável
do país, identificou, por avaliação própria e pressões do
ambiente externo a necessidade de
aperfeiçoar os seus sistemas de informações
geocientíficas, apropriando-se então das modernas tecnologias existentes no mercado, no
âmbito da inteligência do negócio, para introduzir um novo conceito de sistema de apoio a
decisão, de modo a responder de forma rápida, precisa e detalhada as demandas por
informações de seus clientes/parceiros.
Além disso, a empresa redirecionou sua política de informação para adotar o uso
de software livre e permitir o acesso à informação de forma democrática, pública e irrestrita.
A partir de 2005 a empresa implantou o modelo de gestão de organização
orientada à estratégia, segundo o princípio estabelecido no Balanced Scorecard (BSC) e um
sistema de gerenciamento de projeto, de modo a garantir que estratégias traçadas pela
empresa sejam implementadas, de forma alinhada e compartilhadas por toda a força de
trabalho.
91
A empresa tem um escritório central no Rio de Janeiro, que exerce os papéis de
coordenação e administração dos seus programas e 11 (onze) unidades executivas distribuídas
nas seguintes localidades: Manaus, Porto Velho, Belém, Recife, Teresina, Fortaleza, Salvador,
São Paulo, Porto Alegre, Belo Horizonte e Goiânia.
4.3 Projeto Piloto
O projeto piloto escolhido para servir como protótipo na modelagem do sistema
de suporte à decisão foi o sistema de informação de águas subterrâneas. A Unidade Regional
de Porto Velho foi a que apresentou os melhores requisitos para modelar o sistema
decorrentes dos seguintes fatores:
 necessidade de aperfeiçoar o sistema de informações de águas subterrâneas
(sistema transacional ou operacional) para atender as demandas dos usuários
internos (projetos de hidrogeologia desenvolvidos pela CPRM) e externos
(órgãos gestores e intervenientes em recursos hídricos);
 atender à política de uso de software livre, transferindo-se da plataforma
proprietária para multiplataforma;
 necessidade de fidelização do parceiro/cliente em relação ao sistema de
informações de águas subterrâneas e ao sistema de suporte à decisão aplicado
aos recursos hídricos subterrâneos;
 necessidade de enriquecer a base de dados de águas subterrâneas com dados de
perfil litológico e construtivo, hidrodinâmicos e hidroquímicos para atender as
pesquisas e estudos hidrogeológicos, aos instrumentos de gestão dos recursos
hídricos e ao aproveitamento racional das águas subterrâneas;
 o fato de a Unidade de Porto Velho ser aquela, dentre as Unidades Regionais
existentes, a que possui maior amplitude de dados, experiência e projetos em
desenvolvimento (qualidade da água subterrânea) que atendem aos requisitos
do modelo proposto.
O projeto piloto foi implantado no ambiente do Escritório Central e da Regional
de Porto Velho. Antes, porém, foi feito um diagnóstico do estado da arte do sistema de apoio
à decisão aos recursos hídricos subterrâneos, adotado pela empresa, cotejando-o com o
modelo proposto de SAD aos recursos hídricos subterrâneos.
92
4.4 Diagnóstico do Estado da Arte do Sistema de Apoio à Decisão Aplicado aos Recursos
Hídricos Subterrâneos
O diagnóstico foi realizado segundo o seguinte roteiro de trabalho:
 realização de reuniões presenciais e não presenciais (vídeo conferência), com
usuários internos e externos, usuários do banco de dados e do sistema de
informações de águas subterrâneas para fins de pesquisas, estudos, gestão e
aproveitamento dos dados de águas subterrâneas, de modo a firmar um
entendimento do processo como um todo;
 análise de sistema de informações de águas subterrâneas, em relação sua
estrutura de dados, funcionalidade, configuração e adequação as políticas de TI
e as demandas dos usuários;
 avaliação da base de dados de águas subterrâneas visando identificar qual o
nível de qualidade da informação armazenada na base de dados;
 realização de entrevistas para conhecer a efetividade dos processos de gestão
estratégicas e de projetos, bem como avaliar o funcionamento dos indicadores
de desempenho.
O diagnóstico realizado permitiu identificar problemas de natureza técnica,
gerencial e institucional, relacionadas com o sistema de apoio à decisão a seguir apontadas:
 falhas e inconsistências na base de dados de coordenadas geográficas, perfil
litológico, níveis d’agua, vazão, pH, condutividade etc,
resultando em
prejuízo no uso da informação e no processo de tomada de decisão;
 fontes de dados dispersas e não integradas;
 incapacidade de compartilhar dados de forma oportuna devido a dificuldade de
intercâmbio de dados;
 falta de padronização dos dados provenientes de várias fontes externas;
 falta de integração entre o sistema de informação de água subterrânea da
empresa e os sistemas de outras instituições envolvidas;
 acordos de cooperação para intercâmbio de dados deficientes;
 consultas e geração de relatórios de limitado valor agregado (relatórios
estáticos e com poucas informações relevantes) para tomada de decisão;
 deficiente comunicação e troca de informação entre a empresa
clientes/parceiros devido às mudanças frequentes de interlocutores;
e seus
93
 deficiente integração entre os diversos componentes do sistema de
monitoramento e avaliação de desempenho;
 gerenciamento de projeto ineficaz, devido a cultura organizacional anterior não
projetizada;
 falta de alinhamento estratégico.
Com base no diagnóstico realizado, por meio de relatórios, entrevistas e vídeos
conferências foi planejada a implantação do modelo protótipo do sistema proposto.
4.5 Implantação do Modelo Proposto na área do Projeto Piloto
O diagnóstico realizado permitiu definir o modelo de Sistema de Apoio à Decisão
como ilustrado na figura 20 e que envolveu o desenvolvimento das seguintes atividades, que
serão melhor apresentadas nas subseções seguintes:

Pré-processamento da Base de Dados

Construção do Data Store Operacional

Criação do Data Warehouse

Elaboração da Análise de Negócio

Implementação da gerência de processos utilizando BPM
FIGURA 20 - Modelo Conceitual do SAD
4.5.1 Preprocessamento: Análise de Consistência e Enriquecimento da Base de Dados
Foi elaborado um manual de procedimento para análise e tratamento de dados; e
realizado treinamento para análise e alimentação da base de dados na área piloto escolhida
para aplicação do modelo protótipo.
94
A ação de enriquecimento da base de dados foi desenvolvida, após ser efetuada
uma prospecção na base de dados e identificar os atributos relacionados com os dados
hidroquímicos e de formação geológica, os quais apresentavam a maior incidência de falta de
dados, Os resultados da pesquisa permitiram adotar, no âmbito da área do projeto piloto, as
seguintes medidas:
 alimentação da base de dados de águas subterrâneas com os dados gerais,
engenharia de poços, hidrodinâmicos e hidroquímicos provenientes da Rede
de Monitoramento Integrado das Águas Subterrâneas, os quais se apresentam
bastante qualificados (completos e consistentes);
 alimentação da base de dados de águas subterrâneas com os dados dos poços
outorgados e recolhidos junto aos órgãos gestores estaduais, cujo registro de
dados dos poços se apresentam completos e consistentes;
 realização de campanha de campo para levantar dados complementares dos
poços existentes na base de dados, segundo regra de negócio estabelecida. Foi
feito, adicionalmente, o cadastramento de 108 (cento e oito) poços situados na
cidade de Porto Velho, utilizados para abastecimento residencial e efetuada a
coleta de dados para análise da água.
 os dados acima levantados serviram para realizar estudos de qualidade das
águas subterrâneas, na área do projeto
piloto, com base em técnicas de
geoestatísticas.
4.5.2 Base de Dados Operacional/ Data Store Operacional
Para a criação do Data Store Operacional foram realizadas as seguintes ações:
 adequação do modelo de dados e das rotinas do sistema de informações de
águas subterrâneas para sincronização com as diversas fontes de dados;
 definição do processo de migração do sistema de informações de águas
subterrâneas da plataforma proprietária (Windows) para multiplataforma
(Windows/Linux);
 definição de estrutura de dados e de rotinas para extração de dados da base de
dados de água subterrâneas para o Data Store Operacional;
4.5.3 Criação de Data Warehouse
95
Um sistema de data warehousing serve de suporte para sistemas de apoio à
decisão, isto é, serve de base para aplicação de técnicas direcionadas a extração de
informações estratégicas que depois servirão de base para a tomada de decisões no ambiente
organizacional. A organização para este tipo de sistema é orientada por assunto permitindo
integrar os dados provenientes de diversas fontes, além de garantir informações históricas e
não voláteis.
A aplicação do modelo proposto não considerou, no momento, a necessidade de
criação de Data Warehouse Departamental e, sim, de Data Store Operacional,
pelas
seguintes razões:
 fonte de dados:
a integração, bem como os processos de extração,
transformação e carga dos dados provenientes de diversas fontes são tarefas
típicas a serem realizadas no ambiente de data warehousing. Todavia, estas
tarefas foram feitas no ambiente operacional, utilizando-se, para tal, o módulo
de entrada de dados do sistema de informações de águas subterrâneas; estas
tarefas foram facilitadas pelo uso do formato de dados do sistema de
informações de águas subterrâneas.
 modelagem de dados: a modelagem dimensional – uma técnica utilizada para
estruturar os dados de forma intuitiva e que permite um acesso aos dados em
ambiente de data warehouse - não foi considerada necessária nesta aplicação
devido ao uso de estrutura padronizada de dados do sistema de informações de
águas subterrâneas.
 data store operacional: trata-se de um banco de dados operacional usado como
área temporária de um data warehouse. Ele pode ser atualizado, consolidar
dados de diversos sistemas fontes e dar uma visão integrada e quase em tempo
real de dados voláteis e correntes. Os processos ETL de um ODS são idênticos
aos de um data warehouse. Considerando que foi desenvolvido um ODS
operacional para o modelo proposto, o qual incorpora caraterísticas e algumas
funcionalidades do DW optou-se por não desenvolver o Data Warehouse.
4.5.4 Análise do Negócio
Para simulação do modelo proposto, na área do projeto piloto, foram realizadas as
seguintes tarefas:
96
 identificação dos tipos de consulta e relatórios de saídas necessários – a partir
do critério de negócio estabelecido foi feita pesquisa/consulta à base de dados
para extrair informações relevantes com vista a estruturar o programa de
cadastramento de poços seletivos. Os dados levantados neste cadastramento
possibilitarão o enriquecimento da base de dados. As pesquisas foram feitas
com o gerenciador de base de dados SQL-Server 2.08 e concentraram-se em
identificar a inexistência de registros dos atributos relativos ao perfil litológico
e construtivo e dados hidrodinâmicos e hidroquímicos dos poços. As
principais pesquisas/consultas realizadas foram as seguintes:

poços que não possuem perfil litológico e construtivo; estes dados são
importantes na elaboração de mapa hidrogeológico;

poços que não possuem dados hidroquímicos; importante para avaliar a
qualidade de água dos aquíferos.

poços que apresentam as características acima apontadas localizados nos
aquíferos monitorados através da rede integrada de águas subterrâneas.
Concluiu-se que dos 1981 poços cadastrados na base de dados, 351 poços
atendem a requisitos acima enumerados e, os mesmos serão utilizados para
promover o enriquecimento da base de dados.

incorporação ao sistema de informação de águas subterrâneas de
ferramentas OLAP - para o estudo de caso foram incorporadas ao SIAGAS
as seguintes ferramentas:

geração e resposta às consultas - a partir da consulta à base de dados de
poço de Porto Velho, foram geradas tabelas de poços que atendem aos
seguintes critérios:
 Critério I – relação de poços que dispõem, simultaneamente, de
registros de níveis estático e dinâmico e de vazão de poços,
porém não há dados de perfil litológico e construtivo. Além de
atender os requisitos acima estão situados nos aquíferos
prioritários para fins de monitoramento das águas subterrâneas;
 Critério II - relação de poços que dispõem, simultaneamente, de
registros de níveis estático e dinâmico e de vazão dos poços,
porém não há dados hidroquímicos (Ph, condutividade elétrica
e sólido totais dissolvidos). Além de atender os requisitos acima
97
estão situados nos aquíferos prioritários para fins de
monitoramento das águas subterrâneas.

geração de relatórios e gráficos – relatórios e gráficos que informem ao
gerente de negócio da empresa, por exemplo: qual a quantidade evolutiva
de poços alimentados na base de dados pelo órgão gestor de recursos
hídricos; qual a situação dos poços armazenados na base de dados, que
apresentam o maior percentual de registros de poços armazenados, por
fonte de alimentação (órgão gestor, projetos específicos e rede de
monitoramento de águas subterrâneas - RIMAS).
 análise estatística de dados: foram realizadas análises estatísticas para
identificar correlações entre parâmetros construtivos dos poços e qualidade da
água.
 avaliação da qualidade de águas dos poços da cidade de Porto Velho – a
contaminação de uma água extraída de um poço tubular pode advir de duas
situações:

contaminação pela infiltração de águas superficiais nos poços em virtude
de condições construtivas precárias;

contaminação do aquífero decorrente de atividades antrópicas.
Assim, os poços bem construídos são aqueles que possuem pelo menos:
 proteção sanitária/selo solitário;
 cimentação da parte superior do poço;
 informações construtivas que permitem avaliar os aquíferos interceptados e as
profundidades de entrada d’água, perfil litológico, revestimento, filtros e
entradas d’água.
Então, para se determinar a contaminação das águas é necessário efetuar a análise
de vários parâmetros, alguns de grande complexidade analítica e de coleta e preservação.
Entretanto, como uma avaliação preliminar pode-se efetuar a análise de alguns parâmetros
indicadores, cujo valor ou concentração pode indicar contaminação da água subterrânea. A
resolução do Conselho Nacional de Recursos Hídricos orienta para que seja feito na
frequência semestral o levantamento dos seguintes parâmetros: pH, cloretos, nitritos, nitratos,
dureza total, alcalinidade total, ferro total, sólidos totais dissolvidos, e coliformes
termotolerantes (fecais).
98
Um levantamento realizado, no projeto piloto, foi extrair informações sobre as
condições construtivas dos poços e correlacionar com os indicadores de qualidade da água.
Neste estudo foram feitas coletas de amostras em 108 (cento e oito) poços, no
período de maio e junho de 2011, na sede do município de Porto Velho – RO e realizadas
medições de 11 (onze) variáveis físicas, químicas e biológicas. Nessa campanha foi utilizado
o índice de qualidade de água segundo a Resolução CONAMA No 357, de 17 de março de
2005. Os dados coletados em campo foram: data e hora da coleta, ocorrência de chuva,
coordenadas geográficas, os parâmetros físico-químicos e bacteriológicos, natureza dos poços
(amazônico ou tubular), profundidade, nível estático, nome do proprietário e endereço da
localidade.
A figura 21 apresenta a distribuição dos poços na área de estudo escolhida.
A figura 22 destaca mapas de isovalores relativos à condutividade elétrica e a
sólidos totais dissolvidos, dois parâmetros importantes na medida de qualidade da água dos
poços.
A figura 23 apresenta gráficos extraídos de dados organizados em planilha Excel
relativos a alguns indicadores de qualidade de água, respeitando os valores máximos
permitidos pela Portaria no 518 do Ministério da Saúde e Resolução CONAMA no 357.
FIGURA 21 – Mapa de Localização dos Poços
99
FIGURA 22 – Mapas de Isovalores de Qualidade de Água
Colocar escala e sistema de coordenadas
FIGURA 23 – Principais Indicadores de Qualidade de Água de Poços
4.5.5 Business Performance Management - BPM
TURBAN et al. (2009) afirmam que o BPM é um conjunto integrado de
processos, ferramentas, metodologia, métricas e aplicações projetadas para impelir o
desempenho geral da empresa. Ele ajuda as empresas a converterem suas estratégias e
objetivos em planos, monitorar o desempenho em relação aos seus planos, analisar a variação
entre resultados reais e planejados, e ajustar os seus objetivos e ações em respostas a essa
análise.
100
A empresa em questão adotou o modelo de gestão estratégica, baseado no
―Balanced Scorecard‖ tanto no nível corporativo como por unidade de negócio, e implantou
um sistema de gerenciamento de projeto.
A implementação do BPM no âmbito da empresa e do projeto piloto seguiu a
metodologia do BSC e iniciou com a definição dos temas estratégicos; passando para a
construção dos mapas estratégicos corporativos e das unidades de negócio e a estruturação
dos programas e ações a serem desenvolvidas. Em seguida foram elaborados os projetos
contemplando o plano de trabalho, orçamento, indicadores de desempenho e metas físicas e
financeiras.
Os indicadores de desempenho da unidade de negócio foram vinculados a seu
mapa estratégico. Apresenta-se abaixo os principais componentes do sistema de avaliação de
desempenho considerados no projeto piloto:
Unidade Negócio: Amazônia
 Programa: Gestão do Conhecimento Geocientífico;
 Ação: Levantamento Hidrogeológico
 Projeto: Gestão da Informação Hidrogeológica
 Indicador de Desempenho: Poços Cadastrados
 Meta Anual (2012): 1.200 poços cadastrados.
A arquitetura do sistema BPM da empresa é composta de três camadas (banco de
dados, aplicações e de cliente ou interface com o usuário) que permite monitorar a
implementação da estratégia da empresa.
O modelo de Sistema de Apoio à Decisão ora apresentado, incorporando
componentes do BI, tem o propósito de ser um suporte computadorizado à decisão, facilitando
o monitoramento do ambiente e aprimorando as ações de respostas no setor de recursos
hídricos subterrâneos.
A fim de determinar a estrutura do modelo para aplicação na área de recursos
hídricos subterrâneos, foi analisado o funcionamento do sistema de informações de águas
subterrâneas e sua capacidade de dar suporte à tomada de decisão.
Desta forma foi feito um diagnóstico do conteúdo da base de dados operacional
sob a administração do sistema e constatou-se que, embora exista uma quantidade expressiva
de dados, o nível de falta de dados e inconsistência é elevado, reduzindo a eficácia do sistema
como ferramenta de suporte à decisão.
101
Com isto, este trabalho possibilitou definir, a partir de consulta orientada à base
de dados, regras de negócio, que resultem no enriquecimento da base de dados, além de
confirmar a necessidade de ter no modelo proposto a componente Data Store e ferramentas
OLAP para consulta e geração de relatórios avançados.
Uma análise do processo que envolve a administração da base de dados de água
subterrânea, pelo SIAGAS, permitiu verificar que os dados armazenados na referida base são
provenientes de fontes internas e externas. Uma das fontes é a rede integrada de
monitoramento de águas subterrâneas (RIMAS), que fornece dados contínuos e qualificados.
Tanto a necessidade de integrar dados de várias fontes como receber dados com as
características de confiabilidade e temporalidade da rede RIMAS são requisitos que tornam o
Data Warehouse um componente necessário e previsto no modelo proposto.
A existência de vários atores atuando em recursos hídricos subterrâneos que
necessitam de informações estratégicas para tomada de decisão vai ao encontro do modelo
proposto o qual incorpora à análise do negócio um sistema de monitoramento e de avaliação
de desempenho.
102
5 CONSIDERAÇÕES FINAIS
O ambiente em que as empresas atualmente operam, sejam elas públicas ou
privadas, é de crescente pressão para que sejam tomadas decisões com rapidez sob condições
quase sempre mutantes. Tomar decisões, em certas circunstâncias, para serem eficazes, exige
a manipulação de grandes quantidades de dados e informações. Num ambiente volátil e
competitivo a qualidade e a pontualidade da informação constitui um fator crítico de sucesso.
Esta assertiva também é válida no campo da ciência hidrológica. É preciso dispor
de grande massa de dados hidrológicos para se inferir, com maior precisão, o comportamento
do fenômeno que está sendo estudado.
No campo da hidrogeologia a existência de uma volumosa base de dados de
poços profundos nos permite explorá-la e tomar decisões mais acertadas nesta área de
conhecimento.
Um dos principais resultados para realização deste trabalho foi propor uma nova
abordagem de Sistema de Apoio à Decisão Aplicada aos Recursos Hídricos Subterrâneos, no
qual estão incorporadas, de forma integrada, os componentes do BI envolvendo (SIAGAS,
Data Warehouse, Ferramentas OLAP, Data Mining e Business Performance Management –
BPM). A utilização deste sistema de apoio à decisão trouxe benefícios, para área de recursos
hídricos, nos seguintes aspectos:
 Contribuiu para internalizar a cultura de Business Intelligence – BI no ambiente
dos recursos hídricos subterrâneo, incorporando a visão estratégica ao
processo de tomada de decisão;
 forneceu aos tomadores de decisão ferramentas mais poderosas de consulta e
análise do negócios, nos níveis operacionais, tático e estratégico;
 melhorou a qualidade da base de dados, visando à fidelização dos usuários do
referido sistema;
 melhorou a produtividade e a qualidade dos serviços que se utilizam dos dados
administrados pelo sistema;
 aumentou a eficiência na gestão da informação de águas subterrâneas.
Vale destacar que, embora tenha sido proposto um sistema de apoio à decisão
aplicado a uma área específica de conhecimento ele, também, se aplica para as demais áreas
de negócio da empresa (geologia, recursos minerais e gestão territorial).
103
Em decorrência do estudo abordado nesta dissertação, alguns assuntos merecem
aprofundamento em pesquisas ou trabalhos futuros. Os principais são:
 aperfeiçoar e automatizar as técnicas de análise de consistência de dados de
águas subterrâneas;
 desenvolver mecanismos para integração de dados de águas subterrâneas
provenientes de várias fontes/organismos;
 aplicar técnicas de mineração de dados, na área de hidrologia.
 Aperfeiçoar mecanismos integrados de natureza política, institucional, técnica,
financeira e legal junto aos órgãos gestores e intervenientes, que
proporcionem mais efetividade e qualidade no fornecimento dos dados.
Finalmente, espera-se com este trabalho contribuir para a melhoria da qualidade e
o aumento da eficiência na gestão de informações em apoio aos recursos hídricos
subterrâneos.
104
REFERÊNCIAS BIBLIOGRÁFICAS
ARIYACHANDRA, T., H.WATSON. Key Factors in Selecting a Data Warehouse
Architecture”. Business Intelligence Journal, Vol. 10, No. 2, 2005.
AZEVEDO, H., CÔRTES, S., Data Mining – Conceitos, Ferramentas e Aplicações. Texto
para estudo do Curso ―Data Mining‖ – Pontifícia Universidade Católica – PUC, 2005.
BELO, O., LOURENÇO,A., SARMENTO, P., et al. AQUA- Um Sistema de Informação
para Análise e Validação de Parâmetros de Qualidade da Água em Alqueva. Artigo.
Universidade do Minho, Portugal, 2000.
CUNHA, V., GONÇALVES, A. S., FIGUEIREDO, V. A., et. al. A Gestão das Águas –
Princípios Fundamentais e sua Aplicação em Portugal. 1a ed. Lisboa, Editora Calouste
Gulbenkian, 1980
CHIAVENATO,I., SAPIRO,A., Planejamento Estratégico – Fundamentos e Aplicações.
2a ed. Rio de Janeiro, Editora Campos, 2004
DUTRA,A.J.,
Business
Performance
Management.
Disponível
em:
http://www.baguete.com.br/colunistas/colunas/42/antonio-dutra-jr/16/07/2002/businessperformance-management; Acessado em 03 de setembro de 2011.
ELMASRI, R. E., e SHAMKANT B. N., Sistemas de Banco de Dados [Trad]. 4a ed.
Pearson, 2005.
FERNANDES, J., DUARTE, A.S., Um Sistema de Data Warehousing para a Área da
Qualidade da Água. Disponível em: http://www3.di.uminho.pt/~prh/uce15-0809/g16.pdf;
acessado em 28 de agosto de 2011.
GOLDSCHMIT, R., PASSOS, E., Data Mining Um Guia Prático. 1a ed. São Paulo: Editora
Campus, 2005.
GOUVEIA. R. M. M., Mineração de Dados em Data Warehouse para Sistema de
Abastecimento de Água. Dissertação de Mestrado, Universidade Federal da Paraíba, 2009.
GRAY,P., e WATSON, H.J., Decision Support in the Date Warehouse. Upper Saddle
River, NJ: Prentice Hall, 1998
105
HOFFER, J.A., PRESCOTT, M.B., MCFADDEN, F.R., Modern Database Management,
8th, Ed. Upper Saddle River, NJ: Prentice Hall, 2007.
INMON, W.H., Como Construir o Data Warehouse. 2. Ed. N.Y, Editora Campus, 1997
INMON, W.H., Building the Data Warehouse: Getting Started. 4a Edição. Editora: Wiley
Publishing, Inc, 2005.
KAPLAN, R. S., D.P.NORTON., Organização Orientada para à Estratégia. 5a ed. Rio de
Janeiro, Editora Campus, 2000.
KETTLELHUT, J. T. S., Programa de Águas Subterrâneas. Cartilha PAS MMA;
Disponível
em:
http://www.perfuradores.com.br/downloads/material_didatico/CARTILHA_PAS MMA.pdf;
acessado em 27 de agosto de 2011.
KIMBAL, R., MARGY, R., The Data Warehouse Toolkit – The Complete Guide To
Dimensional
Modeling
(2nd.
Ed.),
Wiley,
2002.
Disponível
em:
http://imasters.com.br/artigo/17011/gerencia-de-ti/business-intelligence-e-apoio-a-tomada-dedecisoes; acessado em 27 de agosto de 2011.
LIMA,
C.A.L.,
Data
Warehouse/Business
Intelligence.
Disponível
em:
http://litolima.com/2010/04/22/o-operacional-data-store-ods-desenhando-o-operational -datastore; acessado em 22 de fevereiro de 2012.
LUHN, H.P., A Business Intelligence System. IBM Journal 2(4):314, 1958
PEIXINHO, F. C, FEITOSA, F. A., ―Água é Vida‖. In: Silva, C. R., Geodiversidade do
Brasil – Conhecer o passado para entender o presente e prever o futuro. Rio de Janeiro RJ, CPRM, 2008.
RAMOS, F., OCCHIPINTI, A. G; NOVA, N.A. V., Engenharia Hidrológica. Coleção
ABRH de Recursos Hídricos, ABRH-Editora UFRJ, Rio de Janeiro, 1989.
REBOUÇAS, A. C., Diagnóstico do Setor de Hidrogeologia. São Paulo. Associação
Brasileira de Águas Subterrâneas, 146. 46 p.
REBOUÇAS, A.C., BRAGA,B.A.,TUNDIZI,J.G., Águas Doces no Brasil: Capital
Ecológico, Uso e Conservação. 3. Ed. Revisada e Ampliada. São Paulo, ESCRITURA, 2002.
106
SHIKLOMANOV, I,A., World Water Resources – a new appraisal and assessment for de
21th century, IPH/UNESCO.
SIMONS, R., Performance Measurement and Control Systems for Implementing
Strategy. Upper Saddle River, NJ: Prentice Hall, 2002.
SYMEONIDIS, A.L., MITKAS, P.A., Agent Intelligence Through Data Mining.
SPRINGER, 2005.
TAN,P., STEINBACH, M., KUMAR,V., Introdução ao DATA MINING Mineração de
Dados. Rio de Janeiro. Editora Ciência Moderna, 2009.
TURBAN, E., SHARDA, R., ARONSON, J. E., et al. Business Intelligence - Um Enfoque
Gerencial para a Inteligência do Negócio. Editora Artmed, Porto Alegre, 2009.
TUNDIZI, J. G., Água no Século XXI: Enfrentando a Escassez. São Paulo: Editora Rima,
2003.
UNESCO/UNEP ( United Nations Environmental Program). Towards a Green Economy:
Pathways to Sustainable Development and Poverty Eradication. In Report United Nations
Enviromnent Programme, 2011. Disponível em: http://www.onu.org.br/onu-apontaestrategias-de-investimento-para-reducao-da-escassez-da-agua/; acessado em 27 de agosto de
2011.
107
Anexos – Modelos de Documento
Os anexos (documentos) que servem de apoio a esta dissertação são apresentados a seguir:
TABELA 5 - Relação de Anexos da Dissertação
Anexo
Sigla
Nome do Documento
I
FCP
Ficha de Cadastramento de Poços
II
TED
Tabela de Estrutura de Dados
III
MAS
Moção Adoção do SIAGAS
IV
MRS
Modelo de Relatório de Saída
V
TDP
Tabela de Dados de Poços – Extrato - Porto Velho
108
Anexo I
FCP – FICHA DE CADASTRAMENTO DE POÇOS
CADASTRAMENTO DE POÇOS
SIAGAS - MAPA HIDROGEOLOGICO DO BRASIL SIG
DADOS GERAIS
Código no SIAGAS:
Código do Poço:
Ponto no Cadastro:
Natureza do Ponto:
Coordenadas Geográficas (**usar SAD69):
’
°
,
”
Fotografia:
Longitude
’
°
,
”
Poço Tubular
Latitude
Poço Escavado
Localidade:
...........................................................................................................................
Poço Amazonas
UF:........Município:..............................................................................................................
Proprietário do Terreno: .....................................................................................................
Fonte Natural
Endereço do Proprietário:...................................................................................................
Perfurado em:
....../....../......
**PERFURADOR:.......................................
Contratante:.................................
DADOS HIDROGEOLÓGICOS
Tipo Formação:
Natureza do Aqüífero:
Profundidade (m):
Tipo de Revestimento:
Informada:...................
Aço
Medida:.......................
Diâm.Int.(pol):..............
Poroso
Fissural
Cárstico
CARACTERÍSTICAS DO POÇO
PVC Comum
PVC Aditivado
Altura da boca (m):..................
INSTALAÇÕES DO POÇO
Equipamento Bombeamento:
Reservatório:
Bomba Centrífuga
Bomba Injetora
Compressor
Catavento
Bomba Submersa
Bomba Manual
Não Equipado
Sarilho
Outros
Crivo da Bomba (m)............
Alvenaria
Fibra
Aço
Tambor
Potência do Equipamento (cv)............
Amianto
Capacidade (m3).............................
Diâmetro do Tubo Edutor(pol).............. Data Instalação ....../......../........
Dessalinizador:
Sim
Não
Fabricante: ............................................................
Capacidade de Produção (m 3/h):............................ Data da Instalação: ........./.........../...............
Situação:
Em Instalação
Motivo da Paralisação:
Em Operação
Com Defeito
Paralisado
Necessita troca de membranas
Abandonado
Falta de manutenção
SITUAÇÃO DO POÇO
Abandonado
Colmatado
Parado
Não Instalado
Nível Estático (NE):.......... Nível Dinâmico (ND):.........
Informado
Informada:...........
Obstruído
DADOS OPERACIONAIS DO POÇO
Níveis da Água (m)
Vazão (m3/h)
Medida:...............
....
Fechado
Medido
Em Operação
Regime de Bombeamento
Horas / Dia:....................
Dias / Semana:...............
109
Anexo I
FCP – FICHA DE CADASTRAMENTO DE POÇOS - CONTINUAÇÃO
QUALIDADE DA ÁGUA
Condutividade Elétrica (µS/cm)
Cor
Odor
Valor:.....................
Quando não coletar amostra justificar em
Límpida
Turva
Com Odor
Inodora
‘Observações’
USO DA ÁGUA
Abastecimento doméstico
Abastecimento doméstico/animal
Abastecimento doméstico/Irrigação
Abastecimento industrial
Abastecimento múltiplo
Abastecimento urbano
Doméstico/irrigação/animal
Irrigação
Outros (lazer,etc.)
Pecuária
Sem uso
OBSERVAÇÃO
Justificativa da falta de coleta de amostra de água e / ou outras observações:
Informante: ......................................................................Recenseador: ............................................................................
Data: ......./.. ..../.........
Assinatura do Recenseador:..........................................................................................................................................
Assinatura Coordenação de Área: ................................................................................................................................
Observação Importante – sempre buscar a informação do nome do **PERFURADOR do poço, para posterior
recuperação dos dados construtivos e litológicos em relatórios.
110
Anexo II
TED – TABELA DE ESTRUTURA DE DADOS – BASE DE DADOS REFERENCIAL
111
Anexo III
MAS – MOÇÃO DE ADOÇÃO DO SIAGAS
112
Anexo IV
MRS – MODELO DE RELATÓRIO SAÍDA
113
Anexo V
TDP – TABELA DE DADOS DE POÇOS – PROJETO PILOTO – PORTO VELHO
114
Anexo V
TDP – TABELA DE DADOS DE POÇOS – PROJETO PILOTO – PORTO VELHO
CONTINUAÇÃO
115
Anexo V
TDP – TABELA DE DADOS DE POÇOS – PROJETO PILOTO – PORTO VELHO
CONTINUAÇÃO