Dados para sistemas de
apoio à decisão
Sumário

Pesquisa de informação implícita (data
mining)

Armazéns de dados
Gabriel David
FEUP - Rua dos Bragas, 4050-123 Porto - PORTUGAL
Tel. 351 222041842 - Fax: 351 222000808
Email: [email protected]
URL: http://www.fe.up.pt
1
Aplicações das bases de dados

Processamento de transacções

registo da actividade
• exemplo: vendas em cadeia de retalho, com nome e cartão de
crédito dos clientes, artigos comprados, preços pagos e datas de
aquisição; tipo de artigo, fabricante, modelo, côr e tamanho;
informação do cliente, história de crédito, rendimento anual,
residência, idade, habilitações literárias

grandes quantidades de informação armazenada pode permitir
• detectar tendências e antecipar variações na procura
• determinar padrões de consumo e orientar o marketing: são as
mulheres jovens com rendimento alto que adquirem mais carros
de desporto pequenos

Sistemas de apoio à decisão




processamentos para os quais SQL é pouco prático
análise estatística de dados; recurso a pacotes de SW próprios
técnicas de descoberta de conhecimento; data mining
articulação de dados de fontes diversas num armazém de dados
Informação implícita - 2
Análise de dados


Funções de agregação (count, sum, avg, max,
min) standard do SQL são insuficientes
Geração de histogramas

select percentil, avg(balanço)
from conta
group by N_tile(balanço, 3) as percentil -- 3 categorias
Balanço
90

80
70
60
50
40
30
20
10
0
0-999
1000-2000
por percentis (não é SQL standard)
>2000
por gamas
(select ‘0-999’, avg(balanço) from conta
where balanço < 1000)
union
(select ‘1000-1999’, avg(balanço) from conta
where balanço between 1000 and 1999)
union
(select ‘> 2000’, avg(balanço) from conta
where balanço > 2000)
Informação implícita - 3
Dados multidimensionais

tabela cruzada (diferente de uma tabela relacional)

geradores de relatórios costumam fazer
Vendas
Claro
Escuro
Total

Pequeno Médio
Grande
Total
8
35
10
20
10
5
28
45
15
53
35
88
relação estendida Vendas(côr, tamanho, quantidade)
Vendas
Côr
Claro
Claro
Claro
Claro
Escuro
Escuro
Escuro
Escuro
Todos
Todos
Todos
Todos
Tamanho Quant
Pequeno
8
Médio
35
Grande
10
Todos
53
Pequeno
20
Médio
10
Grande
5
Todos
35
Pequeno
28
Médio
45
Grande
15
Todos
88
- todos indica uma linha de agregação,
ou de rollup; como gerar em SQL?
- deslocar de granularidade grossa para
fina é escavar, ou drill-down; requer os
dados originais ou agregações mais finas
- n dimensões: 2n subconjuntos de
agregação representáveis como vértices
de um hipercubo
Informação implícita - 4
EIS

Sistemas de Informação para Executivos





dados multidimensionais com informação agregada a vários
níveis e habitualmente com uma componente temporal
configuração relativamente elaborada para um fim específico,
por exemplo, controlar a execução orçamental ou a evolução da
produção
dados extraídos de uma BD e preprocessados para facilitar a
visualização; implica actualizações periódicas e
recondicionamentos mais ou menos demorados
muito visual, com várias perspectivas sobre os dados e
marcadores para os valores que se desviam mais do que um
certo limite
permite uma vista global e depois detalhar apenas alguns
aspectos, por exemplo, um departamento com maus resultados
Informação implícita - 5
Data Mining



Encontrar informação relevante, descobrir
conhecimento a partir de informação implícita, sob
a forma de regras estatísticas ou padrões
usa técnicas da Inteligência Artificial e das Redes
Neuronais, em particular da Aprendizagem
Automática
diferença: a grande quantidade de dados que
manipula obriga a guardá-los em disco e a
desenvolver algoritmos eficientes para esse caso
Informação implícita - 6
Representação do conhecimento

Forma geral de uma regra



X Consequente  Antecedente
Exemplo: relação Compra(transacção, artigo)
Regra que significa quem compra pão também
compra leite




transacção T, compra(T, leite)  compra(T, pão)
população - valores que T pode tomar
suporte - fracção da população que satisfaz o antecedente e o
consequente; mede a significância estatística e o interesse
prático; o valor mínimo depende da aplicação
confiança - percentagem de casos em que, verificando-se o
antecedente, também se verifica o consequente; normalmente
estes valores andam longe dos 100% em aplicações de empresa
Informação implícita - 7
Problemas de classificação

descobrir regras que particionem os dados em
grupos disjuntos



objectivo: decidir da atribuição de um cartão de crédito
sabe-se idade, habilitações, rendimento, residência e dívidas
processo:
• classificar uma amostra de clientes actuais como Excelente, Bom,
Médio e Mau, com base na história de pagamentos;
• procurar as regras que, usando o tipo de informação disponível
sobre o cliente potencial, classificam correctamente os clientes
existentes;
• aplicar ao cliente potencial


pessoas P, P.crédito=Excelente  P.grau=Mestrado e
P.rendimento>300
pessoas P, P.crédito=Bom  P.grau=Licenciado ou
(P.rendimento>100 e P.rendimento <300)
Informação implícita - 8
Problemas de associação

Lojas de retalho gostam de saber até que ponto a
compra de certos produtos está associada



quem compra pão compra leite, com suporte e confiança dados
esta informação pode ser usada para colocar os produtos juntos
e facilitar a vida ao cliente; ou para colocar os produtos em
extremos opostos para obrigar os clientes a passar por outros
produtos; ou para decidir não promover em simultâneo ambos
os produtos, uma vez que quem compra um compra o outro
Outra aplicação típica: análise de correlações em
sequências

exemplo: séries temporais, com informação sobre a evolução
de acções e de obrigações em dias consecutivos
Informação implícita - 9
Descoberta guiada pelo utilizador

O utilizador formula uma hipótese e corre testes
sobre a BD para a confirmar ou infirmar


se a hipótese (exemplo: pessoas com mestrado tem bom
comportamento no crédito) der uma confiança superior à média
geral, pode considerar-se como interessante e tentar-se refiná-la
a seguir com mais critérios que permitam aumentar essa
confiança até valores elevados (perto de 1) mas sem deixar
diminuir excessivamente o suporte
os sistemas de visualização de dados são bons
auxiliares na formulação de hipóteses quer de
classificação, pela detecção de grupos, quer de
associação, pela representação de matrizes
coloridas função da percentagem de coincidências
Informação implícita - 10
Descoberta de regras automática


Área muito influenciada pelo trabalho em
Machine-Learning
Processo de descoberta de regras de classificação


conjunto de treino: amostra de dados cujo agrupamento é
conhecido (clientes existentes)
o sistema de data-mining começa por considerar antecedentes
com uma condição simples num único atributo de forma a obter
conjuntos disjuntos
• cada valor em atributos enumerados - habilitações = nenhuma,
secundário, licenciatura, mestrado, gamas em atributos
numéricos - rendimento de 0 a 100, 101 a 200, >201

se algum dos atributos for suficientemente discriminante, com
elevada confiança e suporte, o processo pára
Informação implícita - 11
Descoberta automática


senão, escolhe-se o atributo que melhor particionar os dados
como primeiro classificador e, dentro de cada grupo, repete-se
o processo com outro atributo
constrói-se assim uma árvore de classificação; em cada ramo, o
processo pára quando se obtém uma boa classificação ou
quando todos os atributos já foram considerados
• o número de regras geradas pode ser reduzido se intervalos
adjacentes pertencerem ao mesmo grupo de classificação e se se
usarem técnicas de explorar vários ramos com uma só passagem
nenhuma
rendimento
habilitações
secundário
licenciatura
rendimento
rendimento
0 a 100
bom
101 a 200
excelente
mestrado
rendimento
>201
bom
Informação implícita - 12
Descoberta de associações


Se o número de itens com interesse não for muito
grande, associa-se um bitmap a cada transacção com
um bit por cada um deles; os que ocorrerem na
transacção ficam a 1
para descobrir todas as regras da forma
transacção T, compra(T, i0)  compra(T, i1) e … e compra(T, in)
 tem que se considerar todos os subconjuntos dos itens com
interesse, mantendo uma contagem do número de regras em que
ocorrem simultanemente os itens de um conjunto
 com uma simples passagem, para cada transacção incrementa-se
um contador se esta contiver todos os bits do conjunto
 os conjuntos com valores elevados no fim são os significativos
Informação implícita - 13
Armazéns de dados

Relacionar informação de toda uma grande
organização pode significar






juntar dados produzidos em muitos locais diferentes
com sistemas operativos, bases de dados e linguagens diversas
esquemas de dados incompatíveis
dados históricos já não são mantidos pelos seus produtores e
estão arquivados off-line
um armazém de dados (data warehouse) é um
repositório de informação coligida de várias fontes
e armazenada sob um único esquema, num só local
o objectivo é servir os sistemas de apoio à decisão
que necessitam de dados históricos da empresa
Informação implícita - 14
Arquitectura
fonte de dados 1
fonte de dados 2
fonte de dados n


carregadores SGBD
de dados
armazém de dados
ferramentas de
interrogação e
análise
Uma vez coligidos, os dados permanecem
longamente para permitir análises históricas
assim o suporte à decisão não interfere com o
processamento das transacções
Informação implícita - 15
Aspectos a considerar

Como e quando coligir dados?


Que esquema usar?



Fontes têm esquemas e até modelos de dados diferentes
parte das tarefas da data warehouse é executar a integração de
esquemas e a correspondente conversão dos dados produzindo
vistas materializadas
Como propagar as actualizações?


Iniciativa da fonte ou do destino; contínua ou periódica
As actualizações nas fontes devem ser propagadas para o
armazém, sem implicar uma cópia completa, mas sim
incremental, sofrendo do problema da actualização de vistas
Que dados agregar?


Os dados primários das transacções podem ser demasiados para
armazenar em-linha
talvez se possa responder a muitas perguntas usando apenas
valores agregados, obtidos da relação original, em vez desta (as
perguntas continuam a ser feitas à relação original)
Informação implícita - 16
Download

Transparências: dados para SAD