UNIVERSIDADE SÃO FRANCISCO
Engenharia de Computação
Marcos Eduardo Gomes Borges
APLICAÇÃO DE BUSINESS INTELLIGENCE
NA CLASSIFICAÇÃO DE SEGURADOS DE AUTOMÓVEIS
Itatiba
2010
MARCOS EDUARDO GOMES BORGES – R.A. 002200800733
APLICAÇÃO DE BUSINESS INTELLIGENCE
NA CLASSIFICAÇÃO DE SEGURADOS DE AUTOMÓVEIS
Monografia apresentada ao curso de Engenharia
de Computação da Universidade São Francisco,
como requisito parcial para obtenção do título de
Bacharel em Engenharia de Computação.
Orientador: Prof. M.e Cláudio Luís Vieira Oliveira
Itatiba
2010
A vovó Maria e a Mamãe
Pelo grande amor e paciência que tiveram comigo em todos os
momentos, me educando, aconselhando e motivando a lutar e
acreditar nos meus sonhos.
AGRADECIMENTOS
Primeiramente agradeço a Deus por me conduzir por caminhos planos e por sempre
me abençoar, em especial nesses cinco anos de curso.
Agradeço a todos os meus familiares pelo apoio e fé no meu potencial, em especial a
vovó Maria, minha mamãe e meus irmãos: Juliana e Fernando. Quero agradecer também a
todos do Grupo Lucaph | Malcom, pela ajuda e compreensão nas horas em que eu precisei
me ausentar para me dedicar na execução e elaboração deste trabalho. Agradeço também
a todos os meus amigos que direta ou indiretamente me ajudaram.
Sou grato também
aos
professores que partilharam
seus
conhecimentos
colaborando com o meu crescimento pessoal e profissional. Ao meu orientador professor
M.e Cláudio Luís Vieira Oliveira pela orientação na execução deste trabalho e ao meu
colega de trabalho na BRQ IT Services, Alexandre Pereira, que me indicou o tema desta
monografia.
Por último, não menos importante, quero agradecer a minha amiga Camila Vieira
Soler que me acompanhou durante toda a minha graduação me ajudando com sua alegria
contagiante e sempre me motivando rumo ao próximo passo. Quero agradecer também a
toda a sua família, que além de terem me adotado, sempre me apoiaram nas horas difíceis.
RESUMO
Em geral, as atividades desenvolvidas em uma instituição envolvem a manipulação de
dados e informações que muitas vezes valem mais que seu patrimônio físico. O
arquivamento e acesso aos dados sempre tiveram papel fundamental no mundo corporativo,
e num mercado altamente competitivo esse papel tornou-se crucial: a eficiência em
recuperar dados e processar informações pode determinar o sucesso ou o fracasso de uma
empresa. Além do armazenamento e recuperação das informações, as empresas precisam
agregar valor aos dados armazenados, e diante desse cenário surge a necessidade de
analisar e comparar informações para auxiliar gestores nas tomadas de decisão, que é uma
realidade tão verdadeira quanto no passado o foi para as primeiras civilizações analisarem e
descobrirem quais os melhores períodos para plantio ou até mesmo identificarem as épocas
mais e menos chuvosas. Howard Dresner (1989), ex-analista do Instituto Gartner, e
conhecido como o criador do termo business intelligence (BI), defende que o uso dessa
tecnologia aumenta conforme as empresas percebem que sua implantação agiliza os
processos relacionados às tomadas de decisão. Hoje, um dos setores que amplamente
utilizam essas ferramentas é o de seguros, e com o apoio desse tipo de solução, empresas
seguradoras conseguem conhecer melhor os seus clientes, resultando num maior índice de
fidelidade e identificação de oportunidades como venda cruzada (cross selling) e venda de
produtos de maior valor agregado (up-selling). No setor de seguros de automóveis, o BI
pode ser utilizado no auxílio à tomada de decisões nas campanhas de marketing, no
levantamento de áreas de riscos, sinistros, dados de mercado e perfis de clientes. A
classificação e o levantamento dos perfis de clientes servem como base para o cálculo do
prêmio a ser pago à seguradora. Através das ferramentas de BI é possível identificar regiões
que possuem maior índice de sinistros, veículos mais visados a roubo e assim utilizar essas
informações para classificar o segurado com equidade. O objetivo deste trabalho é
apresentar conceitos básicos sobre business intelligence e como podemos utilizá-lo na
classificação de clientes de seguros de automóveis ou problemáticas similares.
Palavras-chave: Banco de Dados. Data Mart. Data Warehouse. Business Intelligence.
Seguro de automóveis.
ABSTRACT
In mostly, the activities in an institution involve the manipulation of data and information that
often worth more than their physical assets. The archiving and data access always played a
fundamental role in the corporate world, and in a highly competitive market that has become
crucial role: the efficiency in retrieving data and processing information can determine the
success or failure of a company. Besides the storage and retrieval of information, companies
must add value to the stored data, and in this scenario the need arises to compare and
analyze information to assist managers in decision making, which is a fact as true as it once
was for the earliest civilizations to examine and find out what the best times for planting or
even identify the most and least rainy seasons. Howard Dresner (1989), former Gartner
analyst and known as the creator of the term business intelligence (BI), argues that the use
of this technology increases the firms realize that speeds the deployment of processes
related to decision making. Today, one of the sectors that extensively use such tools is the
insurance, and with the support this solution, insurance companies can better understand
their customers, resulting in a higher rate of loyalty and identification of opportunities to cross
sell (cross selling) and selling products with higher added value (up-selling). In the
automobile insurance industry, the BI can be used as an aid to decision making on marketing
campaigns in the mapping of risk areas, claims, market data and customer profiles. The
classification and survey of customer profiles serve as the basis for calculating the premium
to be paid to the insurer. Through the BI tools can identify regions with the highest rate of
accidents, the most targeted vehicle theft, and thus use this information to classify the
insured fairly. The aim of this paper is to present basic concepts about business intelligence
and how we can use it to classify customers of car insurance or similar problems.
Key words: Database. Data Mart. Data Warehouse. Business Intelligence. Car Insurance.
LISTA DE FIGURAS
Figura 1 – Arquitetura de um Sistema de Gerenciamento de Banco de Dados .................... 13
Figura 2 – Cubo de dados – Vendas de Carros por Marca e Região e Ano ......................... 17
Figura 3 – Tipo de conexão com a base de dados............................................................... 26
Figura 4 – Configuração ODBC para Microsoft Access – Base para Metadados ................. 27
Figura 5 – Configuração ODBC para Microsoft Access – Data Mart .................................... 27
Figura 6 – Criação do Repositório de Metadados ................................................................ 29
Figura 7 – Criando instância do Data Mart ........................................................................... 29
Figura 8 – Projeto de Business Intelligence no MicroStrategy.............................................. 30
Figura 9 – Tabela de Fatos e Atributos ................................................................................ 31
Figura 10 – Exemplo de relatório gerado pelo MicroStrategy ............................................... 32
Figura 11 – Assistente para Relatório - Escolha dos Atributos ............................................. 34
Figura 12 – Assistente para Relatório - Seleção dos Fatos .................................................. 35
Figura 13 – Assistente para Relatório - Filtros ..................................................................... 35
Figura 14 – Assistente para Relatório - Campos Calculados ............................................... 36
Figura 15 – Assistente para Relatório - Campo LUCRO ...................................................... 36
Figura 16 – Assistente para Relatório – Drill Down por Modelo de Carro ............................. 38
LISTA DE TABELAS
Tabela 1 – Modelo Relacional – Vendas de Carros por Marca e Região ............................. 15
Tabela 2 – Modelo Relacional – Vendas de Carros por Região ........................................... 15
Tabela 3 – Modelo Relacional – Vendas de Carros por Marca ............................................ 16
Tabela 4 – Modelo Multidimensional – Vendas de Carros por Marca e Região.................... 16
Tabela 5 – Receita de seguros no Brasil com valores dos prêmios pagos ........................... 22
Tabela 6 – Bonificação de clientes de seguro de automóveis .............................................. 23
Tabela 7 – Relatório de Sinistros por Categoria e Cidade .................................................... 33
Tabela 8 – Relatório de Sinistros por Modelo de Carro ........................................................ 37
Tabela 9 – Relatório de Sinistros por Faixa Etária ............................................................... 38
Tabela 10 – Relatório de Sinistros por Sexo do Condutor .................................................... 39
Tabela 11 – Valor do seguro por cidade .............................................................................. 40
Tabela 12 – Valor do seguro por Modelo de Carro .............................................................. 40
Tabela 13 – Valor do seguro por Faixa Etária ...................................................................... 41
Tabela 14 – Valor do seguro por Sexo do Condutor ............................................................ 41
LISTA DE ABREVIATURAS E SIGLAS
ANS
Agência Nacional de Saúde Complementar
BI
Business Intelligence
DETRAN
Departamento Estadual de Trânsito
DM
Data Mart (Armazém ou Depósito de Dados, subconjunto de um DW)
DW
Data Warehouse (Armazém ou Depósito de Dados)
EIS
Executive Information Systems (Sistemas de Informação Executiva)
ERP
Enterprise Resource Planning (Sistema de Gestão Integrada)
ETL
Extract Transform e Load (Extração/Transformação/Carga)
FIPE
Fundação Instituto de Pesquisas Econômicas
OLAP
On-Line Analytical Processing (Processo analítico on-line)
SGBD
Sistema de Gerenciamento de Banco de Dados
SUSEP
Superintendência de Seguros Privados
SUMÁRIO
1.
INTRODUÇÃO ............................................................................................................. 10
2.
METODOLOGIA........................................................................................................... 11
3.
SISTEMAS DE BANCO DE DADOS ............................................................................ 12
3.1.
Sistemas de apoio a decisão..................................................................................... 13
3.1.1.
Processamento Analítico On-line ........................................................................... 14
3.1.2.
Data Mart ............................................................................................................... 18
3.1.3.
Data Warehouse .................................................................................................... 18
3.1.4.
Data Mining ........................................................................................................... 19
3.1.5.
Business Intelligence ............................................................................................. 20
4.
SEGURO DE AUTOMÓVEIS ....................................................................................... 21
4.1.
5.
Classificação de segurados de automóveis ............................................................... 23
PROJETO DE BUSINESS INTELLIGENCE ................................................................. 25
5.1.
Preparando as bases de dados ................................................................................. 25
5.1.1.
Selecionando o tipo de conexão com as bases de dados ...................................... 26
5.1.2.
Informando a localização das bases de dados ...................................................... 27
5.1.3.
Criando repositório de metadados ......................................................................... 28
5.1.4.
Criando a conexão com o data mart ...................................................................... 29
5.2.
Criando um projeto no MicroStrategy ........................................................................ 30
5.3.
Criando o esquema de dados ................................................................................... 31
5.4.
Gerando relatórios para análise ................................................................................ 31
6.
ANÁLISE E INTERPRETAÇÃO DOS DADOS ............................................................. 33
7.
CONSIDERAÇÕES FINAIS.......................................................................................... 42
8.
REFERÊNCIAS BIBLIOGRÁFICAS............................................................................. 44
10
1.
INTRODUÇÃO
Desde o surgimento das primeiras civilizações, povos do oriente médio utilizavam
informações obtidas junto à natureza em benefícios de suas aldeias. Analisar a localização
dos astros, a influência das marés na pescaria, os períodos chuvosos e de secas, eram
formas de obter conhecimentos que seriam utilizados para tomar decisões importantes. Hoje
não é diferente. Conforme relata Rezende e Abreu (2008), diante da enorme quantidade de
informações geradas dia-a-dia, coletar, analisar e encontrar padrões entre os dados que
contribuam na tomada de decisões é essencial para a sobrevivência das empresas num
mercado altamente competitivo.
Segundo informações da MicroStrategy (2010), hoje com a grande evolução e
amadurecimento da informática possuímos inúmeras ferramentas que auxiliam empresas
em seu crescimento, sendo a principal delas o Business Intelligence (BI), formada por
plataformas de software que apóiam tomadores de decisão com informações estratégicas,
ajudando empresas a analisar negócios, manter qualidade dos programas e reduzir custos.
Hoje, um dos setores que amplamente utilizam essas ferramentas no auxílio às tomadas de
decisão e análise de mercado é o de seguros, e conforme cita a SulAmérica (2010), com o
apoio desse tipo de solução, empresas seguradoras conseguem conhecer melhor os seus
clientes, resultando em um maior índice de fidelidade e melhoria na identificação de
oportunidades de venda cruzada (cross selling) e venda de produtos de maior valor
agregado (up-selling).
A Superintendência de Seguros Privados (SUSEP) e a Agência Nacional de Saúde
Complementar (ANS), relatam que a receita de seguros no Brasil no ano de 2009 foi
proveniente da venda de 28,5% de apólices de seguros de automóveis, 23,1% de apólice de
seguros de saúde, 22,7% de apólices de seguros de vida e 25,7% de outros ramos
elementares. No setor de seguros de automóveis, o BI pode ser utilizado no auxílio à
tomada de decisões nas campanhas de marketing, no levantamento de áreas de riscos,
sinistros, dados de mercado e perfis de clientes. A classificação e o levantamento dos perfis
de clientes servem como base para o cálculo do prêmio a ser pago à seguradora, e através
das ferramentas de BI é possível identificar regiões que possuem maior índice de sinistros,
veículos mais visados a roubo e assim utilizar essas informações para classificar o segurado
com equidade.
Assim, este trabalho de conclusão de curso tem por objetivo apresentar conceitos
básicos sobre business intelligence e como podemos utilizá-lo na classificação de clientes
de seguros de automóveis ou problemáticas similares.
11
2.
METODOLOGIA
A fim de atingir o objetivo deste trabalho, que foi o de aplicar as ferramentas e os
conceitos de business intelligence no auxílio a classificação dos clientes de seguros de
automóveis, foi necessário antes conhecer sobre os dois assuntos abordados, BI e seguros
de automóveis. Para adquirir o conhecimento e entendimento sobre esses dois temas, foi
realizada uma revisão bibliográfica a partir da qual foi possível escolher as ferramentas
necessárias para análise dos dados e geração dos relatórios que auxiliaram na classificação
dos segurados.
Também foi necessário obter uma base de dados que tornasse possível encontrar
informações relevantes sobre os sinistros ocorridos no país. Após a revisão bibliográfica, foi
percebido que a Superintendência de Seguros Privados (SUSEP) disponibiliza em seu site
um data mart contendo informações que as seguradoras do país enviam relatando o número
de veículos expostos, prêmio médio, importância segurada média, número de sinistros e
valor de indenizações, classificadas de acordo com categoria, modelo e ano do veículo,
região, cidade ou CEP de circulação, e perfil do segurado. Esse data mart possui 1,58 GB
de dados e mais de 7 milhões de registros.
Antes da análise dos dados disponibilizados pela SUSEP, também foi realizada uma
pesquisa buscando quais as principais ferramentas comerciais para auxilio na implantação
de business intelligence, e através dessa pesquisa foi escolhida as ferramentas de BI para
geração dos relatórios que auxiliaram na criação dos perfis de clientes. As consultas foram
realizadas para as cidades de Atibaia, Bragança Paulista, Campinas, Itatiba e Jundiaí, onde
foi possível obter informações estatísticas por tipo de sinistro, modelo de veículo, sexo do
condutor e faixa etária, o que tornou possível demonstrar como os clientes dessas cidades
podem ser classificados considerando resultados gerados através das ferramenta de BI.
12
3.
SISTEMAS DE BANCO DE DADOS
Em geral, as atividades desenvolvidas em uma instituição envolvem a manipulação
de dados e informações que muitas vezes valem mais que seu patrimônio físico. O
arquivamento e acesso aos dados sempre tiveram papel fundamental no mundo corporativo,
e num mercado altamente competitivo esse papel tornou-se crucial: a eficiência em
recuperar dados e processar informações pode determinar o sucesso ou o fracasso de uma
empresa (REZENDE; ABREU, 2008).
No início as empresas contavam com antiquados sistemas de arquivamento em
papel, o que dificultava muito o gerenciamento, acesso e manipulação das informações.
Com o avanço da informática e o surgimento de novas tecnologias, hoje contamos com os
sistemas de gerenciamento de banco de dados (SGBD) para realização dessas tarefas.
Segundo Silberschatz, Korth e Sudarshan (2006), os SGBDs são sistemas projetados para
gerenciar muitas informações, e devem fornecer mecanismos para manipulação dos dados
e garantir a segurança das informações armazenadas, isso mesmo diante das falhas de
sistemas ou tentativas de acesso não autorizado.
Devido a necessidade de manipular as informações de maneira otimizada e segura,
o uso de um sistema de banco de dados cresceu em todas as empresas. E hoje, mesmo
sem perceber, as pessoas interagem com os bancos de dados quando estão acessando
informações de suas contas bancárias em máquinas de auto-atendimento, realizando
pesquisas na Internet ou simplesmente utilizando sistemas de resposta de voz interativos
como uma consulta ao catálogo telefônico através do serviço 1021. Silberschatz, Korth e
Sudarshan (2006) citam que mesmo as pessoas não tendo consciência da interação com
um banco de dados devido a interface dos aplicativos ocultarem os detalhes de acesso, a
interação com esses sistemas já faz parte da vida de quase todo mundo.
O processamento de dados tem impulsionado o crescimento da informática desde o
surgimento dos primeiros computadores, e a automação das tarefas de processamento de
dados já existia antes mesmo da sua criação. Temos como exemplo os cartões perfurados2
inventados por Herman Hollerit e usados no início do século XX para registrar dados de
1
Em um sistema de resposta de voz interativo, um chamador pode discar um número e pressionar teclas do
telefone para inserir informações ou selecionar opções alternativas. Atualmente o sistema de consulta ao
catálogo telefônico 102 permite que o usuário fale o que deseja localizar, e através das palavras do chamador o
sistema telefônico realiza buscas no banco de dados a fim de encontrar a informação solicitada.
2
Cartões perfurados foram amplamente usados como meio para inserir dados nos primeiros computadores.
(SILBERSCHATZ; KORTH; SUDARSHAN, 2006).
13
censo nos Estados Unidos, sendo usados sistemas mecânicos para processar os cartões e
tabular os resultados. A Figura 1 demonstra como é a arquitetura de um SGBD.
Fonte: Adaptação do autor segundo Silberschatz, Korth e Sudarshan (2006)
Figura 1 – Arquitetura de um Sistema de Gerenciamento de Banco de Dados
3.1. Sistemas de apoio a decisão
Silberschatz, Korth e Sudarshan (2006) classificam os sistemas de banco de dados
em duas categorias: sistemas de processamento de transações e sistemas de apoio à
decisão. Os sistemas de processamento de transações registram informações como notas
de alunos de uma instituição de ensino, informações de vendas de produtos e
movimentações bancárias. Esses sistemas são amplamente utilizados, e através deles as
organizações têm acumulado uma grande quantidade de informações. Segundo Rezende e
Abreu (2008), para compreender e agregar valor as informações armazenadas, as
empresas contam com a ajuda dos sistemas de apoio à decisão, que visam obter
informações de alto nível a partir de dados armazenados nos sistemas de processamento
14
de transação, ajudando a tomadores de decisão a decidir quais produtos estocar em uma
loja, quais produtos merecem maior atenção em propagandas de marketing, ou qual o perfil
das pessoas que mais utilizam seguro de automóvel e direcionar sua atenção a essas
pessoas.
Normalmente os bancos de dados de uma instituição possuem enormes quantidades
de informações sobre clientes e transações que muitas vezes valem mais que seu
patrimônio físico (REZENDE; ABREU, 2008). As informações armazenadas são apenas
dados de baixo nível sem muito significado para um tomador de decisão, todavia, com a
utilização de um sistema de apoio à decisão é possível extrair informações valiosas e
encontrar padrões antes desconhecidos que auxiliam na tomada de decisão de negócios.
Por exemplo, uma seguradora pode observar que alguns modelos de veículos apresentam
um índice muito baixo de roubo, e para atrair mais clientes passa a oferecer descontos
significativos a pessoas que possuem veículo de uma dessas marcas. Como outro exemplo,
uma concessionária pode descobrir, consultando seu banco de dados, que a maioria dos
seus carros para duas pessoas (carro smart) são comprados por senhoras cujas receitas
anuais estão acima de R$ 30.000,00. A partir de então, a empresa pode focar seu marketing
para atrair mais dessas senhoras a comprar seus carros smart, evitando desperdícios
tentando atrair outras categorias de pessoas a comprar esses carros.
Segundo Silberschatz, Korth e Sudarshan (2006), existem várias questões no que se
refere ao armazenamento e a recuperação dos dados para apoio à decisão, e para resolver
essas questões foram criadas diversas ferramentas como o processamento analítico online
(OLAP, do inglês On-Line Analytical Processing) e os armazéns de dados (Data
Warehouses) que oferecem um esquema unificado de dados reunidos de várias origens,
além das técnicas de descoberta de conhecimento e padrões, mineração de dados (Data
Mining), que tentam encontrar automaticamente regras estatísticas e padrões a partir dos
dados armazenados.
3.1.1. Processamento Analítico On-line
O OLAP (Online Analytical Processing), sistema de processamento analítico on-line,
é um conjunto de ferramentas especialmente projetadas para dar suporte ao processo
decisório por meio de consultas e análises de forma interativa, permitindo acessar e
manipular dados de um modo dimensional gerando resumos de dados que serão utilizados
para suporte à tomada de decisão (SILBERSCHATZ; KORTH; SUDARSHAN, 2006).
15
Segundo Date e Souza (2000), a modelagem entidade-relacionamento não é a mais
adequada para gerentes analisarem os dados presentes em seus sistemas de negócio, pois
por meio do modelo relacional fica difícil para um tomador de decisão visualizar os vários
tipos de consultas e análises possíveis. Diante dessa complexidade surge a necessidade de
construir um modelo mais adequado para a análise de informações: o modelo
multidimensional, que facilita a seleção dos itens que devem ser medidos, totalizados ou
sumarizados.
Para melhor compreensão do modelo multidimensional, supondo a existência das
três tabelas a seguir:
Tabela 1 – Modelo Relacional – Vendas de Carros por Marca e Região
Marca
Região
Vendas (unidade)
Volkswagen
Sul
500
Fiat
Chevrolet
Sudeste
300
Nordeste
100
Centro Oeste
250
Norte
150
Sul
400
Sudeste
350
Nordeste
110
Centro Oeste
300
Norte
100
Sul
250
Sudeste
200
Nordeste
80
Centro Oeste
250
Norte
100
Fonte: Adaptação do autor segundo Date e Souza (2000).
Tabela 2 – Modelo Relacional – Vendas de Carros por Região
Região
Total de Vendas
Sul
1150
Sudeste
850
Nordeste
290
Centro Oeste
800
Norte
350
Fonte: Adaptação do autor segundo Date e Souza (2000).
16
Tabela 3 – Modelo Relacional – Vendas de Carros por Marca
Marca
Total de Vendas
Volkswagen
1300
Fiat
1260
Chevrolet
1150
Fonte: Adaptação do autor segundo Date e Souza (2000).
Uma maneira mais natural de representar as três tabelas anteriores seria utilizando o
modelo multidimensional:
Tabela 4 – Modelo Multidimensional – Vendas de Carros por Marca e Região
Centro Oeste
Nordeste
Norte
Sudeste
Sul
TOTAL
Volkswagen
250
100
150
300
500
1300
Fiat
300
110
100
350
400
1260
Chevrolet
250
80
100
200
250
1150
TOTAL
800
290
350
850
1150
3710
Fonte: Adaptação do autor segundo Date e Souza (2000).
No modelo multidimensional, a tabela apresentada anteriormente representa as
vendas por marca e região com os totais de vendas tanto por marca quanto por região.
Consultas simples como “Qual a quantidade de carros Volkswagen vendidos na região
norte” seriam executadas no modelo relacional acessando apenas um registro. No entanto,
consultas como “Qual o total de vendas na região Centro Oeste” seriam executadas através
de no mínimo duas consultas acessando os valores e totalizando-os, o que em uma base de
dados grande, além de ser uma tarefa que consome um tempo considerável, as consultas
utilizando o paradigma relacional seriam muito trabalhosas para serem elaboradas (DATE;
SOUZA, 2000). No modelo multidimensional, essa segunda consulta seria executada
acessando a coluna Centro Oeste e agregando os valores.
As dimensões presentes no modelo multidimensional são comumente chamadas de
cubos de dados ou cubos de decisão, e segundo Date e Souza (2000), ainda que o cubo,
por sua natureza possua apenas três dimensões, através da tecnologia OLAP pode-se ter
inúmeras dimensões das informações, sendo muito mais útil para os analistas visualizarem
as informações do que a tradicional visão tabular utilizada nos sistemas relacionais.
17
Fonte: Adaptação do autor segundo Silberschatz, Korth e Sudarshan (2006)
Figura 2 – Cubo de dados – Vendas de Carros por Marca e Região e Ano
A análise OLAP possui várias funcionalidades, e as principais são as opções de
slicing/dicing e a possibilidade de visualização em qualquer nível de granularidade
(SILBERSCHATZ; KORTH; SUDARSHAN, 2006). Um exemplo de slicing ou fatia do cubo
de dados, seria se um analista necessitasse de uma tabulação cruzada sobre marca de
veículo e região de venda para um ano específico, como por exemplo, somente o ano de
2009. Em alguns casos, principalmente quando os valores para as múltiplas dimensões são
fixos, a operação também é chamada de dicing. Quanto a escolha do nível de granularidade
chamado de operação subir e descer (drill up e drill down), é possível visualizar os dados
com mais ou menos detalhes, como no exemplo anterior, o ano pode ser dividido em
bimestres, trimestres ou semestres, e um analista pode estar interessado em exibir as
relações de vendas somente para o primeiro bimestre do ano, podendo depois realizar a
análise mais detalhada, visualizando por trimestres, semestres ou o resultado anual.
Segundo Silberschatz, Korth e Sudarshan (2006), os OLAP mais antigos usavam
arrays multidimensionais na memória para armazenar os cubos de dados, e devido a esse
fator são conhecidos como sistemas OLAP multidimensionais (MOLAP). Com a integração
do OLAP aos sistemas de banco de dados relacionais, surgiram os sistemas conhecidos
como sistemas OLAP relacional (ROLAP). Os sistemas híbridos, que armazenam alguns
resumos na memória e armazenam a base de dados e outros resumos em um banco de
dados relacional são chamados OLAP híbrido (HOLAP).
18
3.1.2. Data Mart
Segundo Date e Souza (2000), as informações geradas e armazenadas em um
banco de dados são voláteis, ou seja, são modificadas constantemente com o passar do
tempo e não tem como objetivo o apoio à decisão. Devido a necessidade de possuir uma
origem de dados única, limpa e consistente para fins de apoio à decisão, e que servissem
como um histórico que pudesse ser consultado sem afetar as demais tarefas em um SGBD,
surgiram os armazéns de dados, compreendidos pelos data marts (DM) e os data
warehouses (DW). Um data mart pode ser definido como um armazém de dados orientado
por assunto, cujo os dados armazenados não são modificados com o passar do tempo e
que servem para apoiar tomadores de decisão em uma empresa.
Para Primak (2008), um DM é uma coleção de bancos de dados e ferramentas com
foco em um problema específico, como por exemplo, o setor de marketing ou vendas.
Tamanho somente não define um data mart, entretanto eles tendem a ser menores que um
data warehouse (DW) que são grandes coleções de dados que abrange várias áreas dentro
de uma empresa. Quanto a implantação de um armazém de dados, há basicamente duas
abordagens utilizadas: top-down e o bottom-up. A abordagem top-down consiste em iniciar a
construção a partir de um data warehouse e gerar os data marts deste repositório central. Já
a abordagem bottom-up seria o contrário, isto é, data marts seriam construídos primeiros e
através da integração deles seria criado um data warehouse.
3.1.3. Data Warehouse
Para Silberschatz, Korth e Sudarshan (2006), um data warehouse (DW) é um
repositório de informações coletadas de várias origens, armazenadas sob um esquema
unificado, em um único local. Uma vez reunidos, os dados são armazenados por muito
tempo, permitindo o acesso a dados históricos, o que torna as consultas para tomadas de
decisão mais fáceis de serem feitas, uma vez que se concentra em um único local as
informações específicas de um determinado contexto, provenientes de fontes de dados
operacionais que após sofrerem a coleta e a conversão das informações gerenciais
necessárias, são armazenadas em estruturas próprias para análises de dados. Outra
vantagem do DW é que quem toma decisão pode garantir que os sistemas de
processamento de transações on-line não serão afetados pela carga de trabalho de apoio á
decisão, uma vez que a execução de consultas gera uma grande carga no banco de dados.
19
O DW apresenta duas características essenciais, é integrado com várias bases de
dados e pode ser visto como um histórico, proporcionando respectivamente bases para
análise de tendências e observação do andamento da empresa por um grande espaço de
tempo. Os elementos de dados brutos que são transformados para povoar um data
warehouse são oriundos de dados operacionais e das fontes externas como sistemas
legados e ambientes operacionais não integrado. Para extrair os dados é necessário
ferramentas específicas, onde se destacam as ferramentas de extração, carga e
transformação (ETL, do inglês Extract Transform e Load) e processamento analítico on-line
(OLAP), que proporciona ao usuário grande capacidade de manipulação dos dados e
análise crítica dos resultados obtidos (PRIMAK, 2008).
3.1.4. Data Mining
O data mining (ou mineração de dados) refere-se ao processo de analisar armazéns
de dados de forma semi-automática buscando padrões úteis aos tomadores de decisão.
Podemos definir a mineração de dados como uma ferramenta para “descoberta de
conhecimento em bancos de dados”, ou seja, através do data mining podemos agregar valor
aos dados armazenados descobrindo informações que antes não eram óbvias ou
desconhecidas (SILBERSCHATZ; KORTH; SUDARSHAN, 2006). Ferramentas de data
mining utilizam-se das mais modernas técnicas de computação, como redes neurais,
descoberta por regra, detecção de desvio, programação genética, para extrair padrões e
associações de dados (PRIMAK, 2008).
Segundo Silberschatz, Korth e Sudarshan (2006), O conhecimento descoberto
possui várias aplicações, e é muito utilizado em situações que exigem algum tipo de
previsão. Por exemplo, quando uma pessoa solicita uma análise para saber o valor que será
pago por um seguro de automóvel, é realizado um estudo em relação ao perfil da pessoa
tentando prever qual o risco que esse perfil de clientes pode trazer à seguradora, e assim
conseguir realizar o orçamento em relação a essa previsão.
Outra classe de aplicações procura associações, como por exemplo, pessoas que
possuem veículos esportivos na cor vermelha e que estão entre 20 a 30 anos tem mais
probabilidade a se envolver em acidentes que pessoas fora dessa associação.
Naturalmente, essas regras não são universalmente verdadeiras, e possuem graus de
suporte e confiança.
20
3.1.5. Business Intelligence
A necessidade de cruzar e analisar informações para auxiliar as empresas na
tomada de decisão é uma realidade tão verdadeira quanto no passado o foi para as
primeiras civilizações analisarem e descobrirem quais os melhores períodos para plantio ou
até mesmo identificarem as épocas mais e menos chuvosas. Conforme cita Primak (2008),
Howard Dresner (1989), ex-analista do Instituto Gartner, e conhecido como o criador do
termo business intelligence (BI), defende que o uso dessa tecnologia aumenta conforme as
empresas percebem que sua implantação agiliza os processos relacionados às tomadas de
decisão.
No final da década de 60, os computadores começaram a ter o seu tamanho
reduzido, deixando de ocupar salas enormes enquanto as empresas passavam a perceber o
quanto os dados armazenados poderiam auxiliar nas tomadas de decisão, todavia ainda não
existiam recursos eficientes para a análise de dados. Segundo Primak (2008), as grandes
mudanças aconteceram na da década de 70 com surgimento dos primeiros sistemas de
armazenamento e acesso a dados, seguido pelos Sistemas de Informação Executiva (EIS,
do inglês Executive Information Systems), criados no fim da década 70 por pesquisadores
do Massachusets Institute of Tecnology (MIT) com o objetivo de formatar dados e exibi-los a
usuários sem muito conhecimento em tecnologia.
Segundo a Next Generation Center (2010), até o início dos anos 90 as empresas
contavam apenas com os Centros de Informação, que forneciam relatórios e informações
gerenciais que supriam, de certa forma, as necessidades dos tomadores de decisão. Nessa
mesma década surgiram os armazéns de dados, considerado por muitos especialistas a
peça chave em um projeto de BI. Em 1996 o conceito de business intelligence passou a ser
difundido como uma evolução dos EIS, e com o aprimoramento das tecnologias e o
surgimento de novas ferramentas para extração, armazenamento e análise de dados, as
empresas passaram a se interessar mais pelas soluções de BI.
Segundo Primak (2008) e a Next Generation Center (2010), o business intelligence
inicialmente foi utilizado pelos especialistas em TI, responsáveis pelo processamento e
divulgação dos resultados aos tomadores de decisão, e com o crescimento da Internet tudo
mudou, pois se antes a principal tarefa era levar informações a poucos funcionários para
orientar as decisões, hoje a rede permite disponibilizar soluções de BI para um número
maior de pessoas. A necessidade de as organizações atingirem metas crescentes exigiu
maior envolvimento corporativo e a democratização da informação.
21
4.
SEGURO DE AUTOMÓVEIS
De acordo com o Dicionário eletrônico Houaiss (2007),
Seguro, no termo jurídico, é o contrato em virtude do qual um dos
contratantes (segurador) assume a obrigação de pagar ao outro
(segurado3), ou a quem este designar, uma indenização, um capital ou uma
renda, no caso em que advenha o risco indicado e temido, obrigando-se o
segurado, por sua vez, a lhe pagar o prêmio4 que se tenha estabelecido.
Dessa forma, entendemos que o seguro de automóveis é uma modalidade de
transferência de risco, na qual as seguradoras, mediante contrato, se obrigam a indenizar
seus clientes na hipótese de sinistros5.
Ao contratar um seguro, o segurado tem como obrigação apenas fornecer
informações corretas e documentos, quando necessário, para formulação do valor a ser
pago pelo seguro, ao pagamento das parcelas que lhe couberem nos termos do contrato e a
comunicação à seguradora em caso de sinistro. O segurador possui várias obrigações,
sendo as principais o esclarecimento completo sobre todas as condições do seguro antes da
contratação, o fornecimento de cópias dos termos da apólice6 quando da contratação, e na
indenização ou cobertura quando da ocorrência dos eventos danosos previstos nas
condições do seguro.
Segundo dados da Superintendência de Seguros Privados (SUSEP, 2009) e da
Agência Nacional de Saúde Complementar (ANS, 2009), a receita de seguros no Brasil é
composta pela venda de 28,5% de apólices de seguros de automóveis, 23,1% de apólice de
seguros de saúde, 22,7% de apólices de seguros de vida e 25,7% de outros ramos
elementares, conforme demonstra a Tabela 5.
3
Segurado é a pessoa física ou jurídica a qual se destina o valor da indenização na hipótese de ocorrência de
eventos danosos previstos em contrato.
4
Prêmio é o valor pelo qual o segurado paga para obter a garantia do seguro.
5
Sinistro é a ocorrência de evento danoso previstos na contratação do seguro.
6
Apólice é o documento que apresenta as responsabilidades e obrigações tanto do segurado, quanto da
seguradora, mediante regras impostas pela lei e pelos órgãos oficiais que fiscalizam esta atividade econômica.
22
Tabela 5 – Receita de seguros no Brasil com valores dos prêmios pagos
Fonte: SULAMÉRICA (2010).
Dentre as modalidades de seguros, o de veículos automotores tem sido o mais
comum e, dependendo do que foi acordado em contrato poderá contemplar a cobertura de
incêndio, furto, colisão, prejuízos causados a terceiro por culpa do segurado entre outros
danos. Em casos de roubo ou perda total do veículo, a seguradora deverá substituí-lo por
outro, utilizando a tabela de referência elaborada pela Fundação Instituto de Pesquisas
Econômicas (FIPE) em convênio com a Federação Nacional das Seguradoras para calcular
o valor a ser restituído. Também é comum estabelecer-se um valor de franquia, ou seja, um
limite de valor que será de inteira responsabilidade do segurado e que, somente a partir
deste patamar a seguradora se responsabilizará. Na apólice deve constar obrigatoriamente
a marca do veículo, ano de fabricação, o valor assegurado, o valor do prêmio, a data de
início da vigência do contrato de seguro e o valor da franquia.
Para algumas seguradoras, a franquia serve como um mecanismo para reduzir
custos gerados com pequenos acidentes. Segundo a SUSEP (2010), franquia é o valor ou
percentual descrito na apólice, que o segurado deverá arcar em casos de sinistros, e que
somente se o valor do prejuízo superar a franquia, é que a seguradora o indenizará. A
franquia não se aplica em acidentes causados pela natureza, perda total do veículo,
acidentes com terceiros ou quando nada acontece com o veículo do segurado.
Segundo a SulAmérica (2010), há várias modalidades de franquias. Abaixo segue as
mais comuns:
•
Reduzida: torna o valor da franquia menor, mas encarece o valor das
parcelas do seguro.
•
Dobrada: torna o valor da franquia maior, porém reduz o valor das parcelas
do seguro.
23
•
Percentual: o valor da franquia corresponde a um percentual do sinistro
previamente estipulado no contrato.
•
Dedutível: o segurado só paga se o valor do conserto for menor do que a
franquia.
Em casos em que o seguro não é acionado por um período igual ou maior que um
ano, as seguradoras oferecem a seus clientes um desconto que no jargão de seguros é
chamado bônus. Este desconto varia de seguradora para seguradora, e cresce à medida
que o segurado vai renovando o contrato de seguro sem a utilização do mesmo no ano
anterior. Por exemplo: se o segurado não registrar nenhum acidente ou não acionar a
seguradora arcando com os custos de acidentes menores no período, ele terá direito ao
bônus na renovação de sua apólice conforme tabela abaixo (SULAMÉRICA, 2010):
Tabela 6 – Bonificação de clientes de seguro de automóveis
Período sem reclamação
Bônus (%)
1 ano
10%
2 anos
15%
3 anos
20%
4 anos
25%
Acima de 5 anos
30%
Fonte: adaptação do autor segundo SulAmérica (2010).
4.1. Classificação de segurados de automóveis
Há vários fatores que influenciam o valor das parcelas a serem pagas para a
seguradora, todavia, segundo a SUSEP (2010), em média as seguradoras adotam o padrão
de 7% do valor do veículo mais os fatores descritos abaixo:
•
Características do veículo:
o
Marca do veículo a ser segurado. Dependendo da marca há uma
incidência maior ou menor de roubo, o que pode variar no valor do
seguro.
24
o
Ano de fabricação: para carros mais novos geralmente os seguros são
mais caros.
o
Condições de segurança do veículo: um item de segurança como
alarme ou travas de segurança pode diminuir as chances de ocorrer
furtos ou roubos.
•
Região em que trafega: há uma incidência maior ou menor de roubo ou
acidentes em certas regiões, o que também influencia no valor do seguro.
•
Perfil do motorista: o Brasil segue o modelo adotado internacionalmente,
onde leva-se em conta o perfil do segurado como item importante na
definição do valor do seguro. O valor das parcelas não é fixado considerando
somente o carro, mas levando-se em conta o risco que determinadas
pessoas oferecem para a seguradora, tendo como base, um questionário
respondido. Neste questionário normalmente são considerados alguns pontos
como:
o
Idade do condutor do veículo.
o
Tempo de habilitação do condutor.
o
Sexo do condutor.
o
Estado civil do condutor.
o
Número de filhos e idade desses.
o
Cidade onde o carro circula normalmente.
o
Local onde o veículo permanece estacionado (em garagem,
estacionamento ou via pública).
o
•
Histórico de acidentes ocorridos com o motorista.
Valor da cobertura:
o
Cobertura total ou parcial nos casos de colisão.
o
Incêndio.
o
Roubo.
o
Responsabilidade civil.
o
Danos causados por inundações, alagamentos ou enchentes.
o
Acidente com queda de objetos sobre o veículo.
o
Reboque gratuito.
25
5.
PROJETO DE BUSINESS INTELLIGENCE
Para aplicação de business intelligence na classificação de clientes de seguro de
automóveis, foi adquirido junto a SUSEP, uma base de dados contendo informações que as
seguradoras do país enviam semestralmente com número de veículos expostos, prêmio
médio, importância segurada média, número de sinistros e valor de indenizações,
classificadas de acordo com categoria, modelo e ano do veículo, região, cidade ou CEP de
circulação, e perfil do segurado.
Há divergências entre alguns autores no tocante as melhores práticas para se iniciar
um projeto de BI. Todavia, na prática, ou se inicia utilizando o próprio ambiente transacional
ou cria-se um depósito de dados específico para essa finalidade (data mart ou data
warehouse). Para a construção de um ambiente DW ou DM, os dados extraídos dos
diversos sistemas devem passar por um processo de transformação e validação, onde é
realizada a eliminação de duplicidade e sumarização dos dados coletados. Neste trabalho,
essa tarefa pode ser simbolizada pela prática da SUSEP receber semestralmente os dados
de todas as seguradoras do país, padronizá-los e armazená-los em uma única base de
dados e disponibilizando-os para consulta.
Após a definição da base de dados, foi necessário escolher as ferramentas para
análise dos dados. As mais simples são as que geram relatórios e consultas através de
menus e botões para a especificação das condições e critérios de agrupamento, sem que
seja necessário conhecer uma linguagem de consulta a banco de dados. Todavia essas
ferramentas limitam os relatórios apenas a médias, totais e desvios padrão entre outras
funções básicas de análise. Para a realização deste trabalho foi escolhido as ferramentas de
business intelligence da MicroStrategy que utiliza análises OLAP, oferecendo maior
capacidade de manipulação dos dados através de visões multidimensionais, além de ser de
fácil aprendizado para se iniciar um projeto de BI e apresentar grande integração com os
diversos tipos de base de dados.
5.1. Preparando as bases de dados
A Superintendência de Seguros Privados (SUSEP) disponibiliza em seu site um data
mart contendo informações que as seguradoras do país enviam. Esse data mart está no
formato Microsoft Access e possui 1,58 GB de dados e mais de 7 milhões de registros.
26
Todos os relatórios para auxílio na classificação dos clientes de seguro de automóveis foram
gerados a partir dessa base de dados.
Para integração da base de dados com as ferramentas de BI da MicroStrategy, foi
necessário antes de tudo, criar um mapeamento das estruturas físicas dos dados (tabelas e
colunas em que estão armazenados) para um repositório de metadados, onde foram
armazenados os relatórios criados. Para isso foi utilizado uma base de dados em branco
criada através do Microsoft Access 2007, e com as ferramentas de configuração da própria
MicroStrategy foi feito o mapeamento conforme descrito abaixo:
5.1.1. Selecionando o tipo de conexão com as bases de dados
Nesta primeira etapa foi selecionado o tipo de conexão com as bases de dados, ou
seja, foi informado ao sistema o tipo de base de dados que seria utilizado para realizar as
consultas e armazenar os metadados. Existem vários tipos de bases de dados, entre eles
temos o IBM DB2, Microsoft SQL Server, Microsoft Access, Microsoft Excel, entre outros.
Como o data mart fornecido pela SUSEP e a base de dados para metadados possui o
formato Microsoft Access, então foi feita a seleção do tipo de conexão para esse formato
utilizando o Microsoft Access Driver (*.mdb) conforme Figura 3.
Figura 3 – Tipo de conexão com a base de dados
27
5.1.2. Informando a localização das bases de dados
Após a seleção do tipo de conexão com as bases de dados, foi necessário informar
qual a localização do data mart fornecido pela SUSEP e a localização repositório de
metadados. Em um ambiente corporativo, as bases de dados podem estar localizadas em
um servidor dentro da própria empresa ou até mesmo em servidores localizados em outros
estados ou países. Nesta etapa foi informada a localização de cada repositório de dados
conforme apresentado nas Figuras 4 e 5.
Figura 4 – Configuração ODBC para Microsoft Access – Base para Metadados
Figura 5 – Configuração ODBC para Microsoft Access – Data Mart
28
5.1.3. Criando repositório de metadados
Os metadados são dados referentes a outros dados, ou seja, metadados contém
informações descrevendo do que se trata o dado referenciado, apresentando o seu
significado, bem como suas modificações ao longo do tempo. Em um ambiente de BI, os
metadados são muito importantes por descreverem o fluxo dos dados desde a sua aquisição
até a sua disponibilidade aos tomadores de decisão.
Nos passos anteriores foi informado o tipo de conexão e a localização das bases de
dados, e nesta etapa foi gerado os metadados no repositório configurado anteriormente. A
Figura 6 apresenta as etapas para a criação do repositório de metadados, que foi realizada
através de três passos:
1. Criar Tabelas de Metadados, Lista de Histórico e Repositório de Estatísticas
Neste passo criou-se os metadados e os objetos de configuração padrão
necessários para o funcionamento do MicroStrategy; esse repositório de metadados
contém um modelo lógico de negócios e todos os objetos de aplicativos necessários
para a execução de projetos utilizando as ferramentas de BI da MicroStrategy.
2. Configurar o Intelligence Server
Neste segundo passo criou-se um servidor válido para execução do projeto utilizado
neste trabalho, atualizando as informações no repositório de metadados, e iniciando
uma instância do MicroStrategy Intellingece Server para o projeto, que permite
configurar e acessar as informações através de um navegador web.
3. Criar Origens de Projetos
Após a configuração do Intelligence Server, esse passo foi necessário para
armazenar a localização do repositório de metadados e do MicroStrategy Intelligence
Server que foi utilizado para acessar o projeto, criando assim uma referência (link)
para que cada usuário do projeto conseguisse acessar os dados.
29
Figura 6 – Criação do Repositório de Metadados
5.1.4. Criando a conexão com o data mart
Para realização das consultas na base de dados fornecida pela SUSEP, foi
necessário primeiramente selecionar o tipo de conexão e informar a localização do data
mart. Após esses dois passos, também foi necessário instanciar o banco de dados, ou seja,
realizar a conexão propriamente dita com o data mart conforme Figura 7.
Figura 7 – Criando instância do Data Mart
30
5.2.
Criando um projeto no MicroStrategy
Com o repositório de metadados configurado e o data mart instanciado, conseguiu-
se criar um projeto de BI no MicroStrategy. Utilizando o assistente de criação de projetos
(Figura 8), foi necessário executar duas etapas:
1. Criar Projeto:
Etapa utilizada para informar o nome do projeto e selecionar os repositórios que
foram previamente configurados (a base de dados para metadados e o data mart
fornecido pela SUSEP).
2. Architect
Etapa utilizada para criação do esquema de dados.
Figura 8 – Projeto de Business Intelligence no MicroStrategy
31
5.3.
Criando o esquema de dados
Os objetos básicos para criação de qualquer projeto utilizando o MycroStrategy são
atributos, fatos e hierarquias. Os fatos representam as várias dimensões ou visões que os
usuários utilizarão para analisar os atributos, e as hierarquias representam as ordenações
ou subdivisões dos elementos, ou seja, a representação de datas pode ser hierarquizada
como Ano -> Semestre -> Trimestre, etc. A Figura 9 apresenta alguns dos fatos e atributos
definidos no esquema de dados.
Figura 9 – Tabela de Fatos e Atributos
5.4.
Gerando relatórios para análise
Após o mapeamento do dat mart, criação do repositório para metadados e definição
do esquema do banco de dados, onde foram criadas as tabelas de fatos e definidos os
atributos, conseguiu-se gerar os relatórios que serviram como base para análise e criação
dos parâmetros para classificação dos clientes de seguro de automóveis. As consultas
foram realizadas para as cidades de Atibaia, Bragança Paulista, Campinas, Itatiba e Jundiaí,
gerando relatórios com diversas perspectivas, entre elas: a quantidade de sinistros por tipo e
cidade; por tipo, cidade e modelo de carro; por tipo, região e idade; por tipo, região e sexo
do condutor. A Figura 10 apresenta um exemplo de relatório gerado utilizando o
MicroStrategy.
32
Figura 10 – Exemplo de relatório gerado pelo MicroStrategy
Os resultados são bem simples, ou seja, as informações são apresentadas de
maneira clara e objetiva, todavia para gerar relatórios conforme o apresentado na Figura 10
utilizando apenas SQL no modelo relacional seria necessário elaborar consultas muito
complexas, sem considerar a carga que essas consultas gerariam na base de dados. Com a
utilização das ferramentas de business intelligence da MicroStrategy utilizando OLAP
multidimensional, conseguiu-se realizar essas consultas de forma fácil e com menos carga
na base de dados conforme já explicado no Capítulo 3.1.1, sobre Processamento
Analítico On-line.
Segundo Silberschatz, Korth e Sudarshan (2006), o OLAP possibilita realizar
consultas de forma interativa, permitindo acessar e manipular dados de modo dimensional
gerando resumos de dados que são muito úteis nas tomadas de decisão. Outras
características do OLAP são as opções de slicing/dicing e a possibilidade de visualização
em vários níveis de granularidade. Para a geração dos relatórios foram realizadas consultas
OLAP na base de dados através das ferramentas de BI da MicroStrategy, e através dessas
consultas conseguiu-se obter dados que são mostrados nas Tabelas 7 a 10.
33
6.
ANÁLISE E INTERPRETAÇÃO DOS DADOS
A Tabela 7 apresenta a quantidade de carros expostos, quantos sinistros ocorreram,
o valor pago na indenização desses sinistros e o valor do prêmio pago às seguradoras
durante o 1º semestre de 2009, classificados por duas categorias de veículos e por cidades.
Os valores em percentual correspondem a porcentagem que o item apresenta em relação
ao total, seja do número de exposição, indenização ou prêmio. O percentual contido na
coluna lucro apresenta a porcentagem de lucro em relação ao valor do prêmio que as
seguradoras receberam, ou seja, na categoria de carro de passeio nacional para a cidade
de Atibaia, o lucro de R$ 1.202.467,00 corresponde a 22% dos R$ 5.348.720,00 de prêmio
pagos às seguradoras.
Tabela 7 – Relatório de Sinistros por Categoria e Cidade
Sinistro 1
Exposição
Categoria
ATIBAIA
BRAGANÇA PAULISTA
Passeio
Nacional
Sinistro 2 e 3
Indenização 1
Indenização 2 e 3
LUCRO =
Prêmio - Indenização
Prêmio
Cidade
CAMPINAS
ITATIBA
JUNDIAÍ
Total
ATIBAIA
BRAGANÇA PAULISTA
CAMPINAS
Passeio
Importado ITATIBA
JUNDIAÍ
Total
Total
1.202.467
22%
6.264
5%
63
1.349.397
3%
435
1.922.503
6%
4.988.412
4,20%
1.716.512
34%
76.186
6.270
61%
5%
1.350
97
28.595.701
2.180.351
57%
4%
4.489
458
20.735.871
1.965.902
61%
6%
77.136.896
5.348.720
64,95%
4,50%
27.805.324
36%
5.970
5%
69
1.656.974
3%
395
1.726.091
5%
4.705.820
3,96%
1.322.755
28%
29.227
24%
765
16.343.132
33%
1.520
7.712.545
23%
26.588.278
22,39%
2.532.601
123.916
100%
2.344
50.125.555
100%
7.297
34.062.912
100%
118.768.127
100,00%
34.579.660
162
5%
3
53.910
4%
11
129.066
6%
275.857
4,05%
92.881
34%
10%
45%
130
4%
2
66.698
5%
7
67.241
3%
245.648
3,60%
111.709
2.475
69%
18
920.014
70%
126
1.789.921
78%
4.902.033
71,92%
2.192.098
45%
114
3%
1
21.237
2%
3
26.817
1%
215.745
3,17%
167.691
78%
634.688
54%
687
19%
3.567
100%
127.484
249.556
19%
31
1.311.415
100%
2.375
7
51.436.970
292.654
13%
182
2.305.699
100%
7.479
35
36.368.611
1.176.898
17,27%
6.816.182
100,00%
125.584.308
3.199.068
37.778.727
Sinistro 1: roubo ou furto
Sinistro 2: colisão parcial
Sinistro 3: colisão perda total
Analisando os dados apresentados na Tabela 7, percebe-se que na cidade de
Campinas houve maior quantidade de veículos cobertos por seguro (veículos expostos),
seguida por Jundiaí, Atibaia, Bragança Paulista e Itatiba. Considerando o lucro que as
seguradoras de cada cidade obtiveram, nota-se que na categoria passeio nacional a cidade
de Campinas teve maior lucro, seguida por Bragança Paulista, Itatiba, Atibaia e Jundiaí. Na
categoria passeio importado a cidade de Itatiba teve maior lucro, seguida por Jundiaí,
Campinas e Bragança Paulista, e por Atibaia.
É evidente que quanto maior o percentual de lucro, menor foi os gastos das
seguradoras com pagamento de sinistros. Logo, em teoria, na categoria passeio nacional a
cidade de Campinas pode apresentar o valor do seguro menor que a cidade de Jundiaí, pois
seu custo com a cobertura de seguros foi mais baixo. A mesma regra de negócios pode ser
aplicada em relação as demais cidades.
34
Para obter os valores apresentados na Tabela 7, assim como também nas demais
tabelas, foi utilizado o assistente para geração de relatórios que acompanha as ferramentas
de BI da MicroStrategy. Os relatórios foram gerados através de consulta OLAP na base de
dados contendo mais de 7 milhões de registros, e através do assistente de relatório foi
possível escolher os atributos, os fatos e as métricas para filtragem dos dados conforme
apresentado abaixo:
a) Na etapa de escolha dos atributos, foram definidos quais os itens que seriam
medidos/analisados. Na Tabela 7 foi analisada a quantidade de sinistros por
categoria de carro e cidade que foram os atributos selecionados, levando-se em
consideração todos os modelos de carro, todas as faixa etárias, e ambos os
sexos.
Figura 11 – Assistente para Relatório - Escolha dos Atributos
35
b) Após a definição dos atributos, foram selecionadas as métricas ou fatos de
dados. Os fatos representam as várias dimensões ou visões para analisar os
atributos, e em geral são valores que podem ser agregados utilizando-se
operações como média, soma, contagem, etc.
Figura 12 – Assistente para Relatório - Seleção dos Fatos
c) Quanto a qualificação dos atributos, foram aplicados os filtros para que o relatório
apresentasse apenas resultados referentes as categorias Carro Passeio Nacional
e Importado das cidades de Atibaia, Bragança Paulista, Campinas, Itatiba e
Jundiaí.
Figura 13 – Assistente para Relatório - Filtros
36
d) Para os campos calculados (Total, Lucro e percentuais), foi utilizado o assistente
para criação de métricas que possui várias funções pré-definidas, além da
possiblidade de criar novas funções especificando as fórmulas. A Figura 14
apresenta algumas funções pré-definidas pelo MicroStrategy, e a Figura 15
apresenta a definição da fórmula para cálculo do campo LUCRO, apresentado
nas Tabelas 7 a 10.
Figura 14 – Assistente para Relatório - Campos Calculados
Figura 15 – Assistente para Relatório - Campo LUCRO
37
A Tabela 8 foi conseguida através da aplicação de drill down sobre a Tabela 7. A
opção de drill down, explicada no Capítulo 3.1.1 Processamento Analítico On-line, é uma
opção através da qual podemos analisar informações de forma mais específica, ou seja, na
Tabela 7 tinham-se as informações de sinistros por categoria de carro e cidades
considerando todos os modelos de carros, e aplicando drill down sobre essa tabela, obtevese a Tabela 8 considerando modelos de carros específicos. Nessa tabela foram
apresentados apenas cinco modelos de veículos para facilitar a visualização e interpretação
dos dados.
Tabela 8 – Relatório de Sinistros por Modelo de Carro
Exposição
Sinistro 1
Indenização 1
Sinistro 2 e 3
Indenização 2 e 3
LUCRO =
Prêmio - Indenização
Prêmio
Cod Modelo
004272-2
3.609
43%
32
22,70%
501.376
19%
227
45,40%
699.972
44%
2.555.885
38,67%
1.354.537
53,00%
001177-0
2.577
31%
42
29,79%
910.847
35%
147
29,40%
442.544
28%
2.107.685
31,89%
754.294
35,79%
001162-2
1.991
24%
62
43,97%
1.141.959
43%
114
22,80%
437.736
27%
1.793.955
27,14%
214.260
11,94%
004266-8
107
1%
5
3,55%
81.598
3%
5
1,00%
11.538
1%
74.395
1,13%
(18.741)
-25,19%
81,06%
025145-3
Total
71
1%
0
0,00%
0
0%
7
1,40%
14.588
1%
77.014
1,17%
62.426
8.356
100%
141
100,00%
2.635.780
100%
500
100,00%
1.606.378
100%
6.608.934
100,00%
2.366.776
Sinistro 1: roubo ou furto
004272-2 GM - Chevrolet - Corsa Sed Class.Life 1.0/1.0 FlexPower
Sinistro 2: colisão parcial
025145-3 Renault - SANDERO Privilège Hi-Flex 1.6 8V 5p
Sinistro 3: colisão perda total
001177-0 Fiat - Palio 1.0/ Trofeo 1.0 Fire/ Fire Flex 4p
004266-8 GM - Chevrolet - Celta Life 1.0 MPFI VHC 8V 5p
001162-2 Fiat - Uno Mille 1.0 Fire/ F.Flex/ ECONOMY 4p
Em relação aos dados da Tabela 8, percebe-se que houve maior quantidade de
carros cobertos por seguro para o modelo Chevrolet Corsa, seguido por Fiat Palio, Fiat Uno,
Chevrolet Celta e Renault Sandero. Considerando o lucro, percebe-se que as seguradoras
tiveram prejuízo com o carro Chevrolet Celta, e obtiveram rendimentos maiores com os
modelos Renault Sandero, seguido por Chevrolet Corsa, Fiat Palio e Fiat Uno. Também é
possível observar, levando em consideração a quantidade de cada modelo exposto e a
quantidade de roubo ou furto para cada modelo, que o carro Chevrolet Celta apresentou
índice de roubo7 de 4,66%, seguido pelo modelo Fiat Uno com 3,11%, Fiat Palio com 1,63%,
Chevrolet Corsa com 0,89% e Renault Sandero com 0%. Essas são informações muito
importantes para o cálculo do prêmio, pois é em relação a esses dados que é obtido o valor
base para cada modelo de carro que comporá o valor final do seguro.
Uma das vantagens em se trabalhar utilizando OLAP é a facilidade de navegação
pelos dados apresentados, onde é possível aumentar (drill up) ou diminuir (drill down) a
granularidade e consequentemente alterar o nível de detalhe. O MicroStrategy traz várias
opções para visualização dos dados, e para geração das informações apresentadas nas
7
Índice de roubo = (quantidade de sinistro 1 / quantidade de carros expostos) x 100.
38
Tabelas 8 a 10 foram aplicadas a diminuição da granularidade (drill down) e
consequentemente o aumento do nível de detalhes conforme apresentado na Figura 16, que
apresenta a configuração para drill down selecionando os modelos de veículos.
Figura 16 – Assistente para Relatório – Drill Down por Modelo de Carro
A Tabela 9 foi gerada da mesma forma que a Tabela 8, ou seja, utilizando a
aplicação de drill down na Tabela 7 e exibindo resultados classificados por faixa etária. Na
Tabela 7 tinham-se informações considerando todas as faixas etárias.
Tabela 9 – Relatório de Sinistros por Faixa Etária
Exposicao
Sinistro 1
Indenização 1
Sinistro 2
Indenização 2
Sinistro 3
Indenização 3
Prêmio Indenização
Prêmio
IDADE
11.043
7%
370
11%
8.119.473
11%
1.051
12%
3.667.994
13%
95
12%
2.541.249
13%
11.980.012
7,38%
18 a 25
?
8.075
5%
198
6%
3.530.189
5%
651
7%
2.222.001
8%
70
9%
1.560.198
8%
9.168.470
5,65%
1.856.082
20,24%
26 a 35
37.471
22%
894
26%
19.359.737
26%
1.841
21%
5.584.525
20%
196
25%
4.813.267
25%
37.003.301
22,79%
7.245.772
19,58%
36 a 45
43.998
26%
855
25%
19.158.335
26%
2.271
26%
7.123.852
25%
159
20%
3.864.853
20%
41.856.007
25,78%
11.708.967
27,97%
46 a 55
34.785
21%
627
18%
13.385.162
18%
1.663
19%
5.424.385
19%
164
21%
4.033.051
21%
34.158.081
21,04%
11.315.483
33,13%
> 55
31.316
19%
498
14%
10.652.300
14%
1.362
15%
4.008.193
14%
106
13%
2.417.084
13%
28.216.455
17,38%
11.138.878
39,48%
790 100% 19.229.702 100% 162.382.325 100,00%
40.916.477
Total
166.688 100% 3.442 100%
74.205.196 100%
8.839 100% 28.030.950 100%
(2.348.704) -19,61%
Sinistro 1: roubo ou furto
Sinistro 2: colisão parcial
Sinistro 3: colisão perda total
Em relação aos dados expostos na Tabela 9, nota-se que as seguradoras obtiveram
maior lucro com os clientes acima de 55 anos, seguidos dos clientes com faixa etária entre
46 a 55, 36 a 45, 18 a 25 e 26 a 35. O grupo com a idade do condutor não foi identifica
trouxe prejuízo para as seguradoras. Essas informações influenciam diretamente na
classificação do cliente de seguro, pois cada segurado será enquadrado dentro de uma
39
dessas faixas etárias, e conforme o índice de sinistros para a faixa etária pagará um valor
maior ou menor no seguro.
Considerando-se o valor total de indenizações para as faixas etárias, temos o valor
de R$ 14.328.716,00 para a idade do condutor não identificada, R$ 7.312.388,00 para a
faixa estaria entre 18 a 25 anos, R$ 29.757.529,00 para 26 a 35 anos, R$ 30.147.040,00
para 36 a 45 anos, R$ 22.842.598,00 45 a 55 anos e R$ 17.077.577,00 para condutores
acima de 55 anos. Esses dados indicam que os condutores com idade entre 36 a 45
apresentam maior prejuízo com indenizações, seguidos do grupo com idade entre 26 a 35
anos, 46 a 55 anos, maiores de 55 anos e do grupo com idade entre 18 a 25 anos.
Embora o grupo com idade entre 36 a 45 anos apresente maior valor com
indenizações, considerando-se a quantidade de sinistros ocorridos, é evidente que os
grupos com idade entre 18 a 25 anos e 26 a 35 anos são os que mais se envolvem em
acidentes, isso pode ser justificado levando em consideração que o grupo com idade maior
já possua estabilidade financeira e os valores dos veículos segurados sejam maiores que o
dos grupos com idades menores.
A Tabela 10 apresenta a quantidade de carros expostos, quantos sinistros
ocorreram, o valor pago na indenização desses sinistros e o valor do prêmio pago às
seguradas durante o 1º semestre de 2009, classificados por sexo do condutor. Essa tabela
também foi obtida através da Tabela 7 aplicando-se drill down por faixa etária.
Tabela 10 – Relatório de Sinistros por Sexo do Condutor
Exposição
Sinistro 1
Indenização 1
Sinistro 2
Indenização 2
Sinistro 3
Indenização 3
LUCRO
Prêmio - Indenização
Prêmio
SEXO
F
68.422
45%
1.259
42%
26.753.614
42%
3.530
44%
10.439.649
42%
252
36%
6.041.068
36%
62.337.958
38,72%
19.103.627
30,65%
M
84.584
55%
1.762
58%
37.441.711
58%
4.404
56%
14.608.357
58%
446
64%
10.849.483
64%
84.350.908
52,39%
21.451.357
25,43%
698 100% 16.890.551 100% 146.688.866 100,00%
40.554.984
Total
153.006 100% 3.021 100% 64.195.325 100%
7.934 100% 25.048.006 100%
Sinistro 1: roubo ou furto
Sinistro 2: colisão parcial
Sinistro 3: colisão perda total
Analisando a Tabela 10 percebe-se que as seguradoras obtiveram maior lucro com
os condutores do sexo feminino, mesmo apresentando menor quantidade de carros sob
seguro. O percentual de roubo ou furto em relação a quantidade de carros expostos
apresenta valores iguais para ambos os sexos: 2%. O mesmo é válido para o percentual de
colisão parcial em relação a quantidade de carros expostos: 5%. A única diferença está
entre a relação de carros expostos e colisão com perca total: 0,37% para condutores do
sexo feminino e 0,53% para condutores do sexo masculino.
40
Através da análise dos dados apresentados nas Tabelas 7 a 10, foi possível
fundamentar os parâmetros para classificação dos clientes de seguro de automóveis
conforme as especificações abaixo.
I.
Cidade
A Tabela 7 trouxe informações de sinistros por categorias de carro e por cidades, e
através dos dados apresentados tornou possível a identificação e ordenação das
cidades x categorias em que o seguro de automóvel pode ser mais barato devido
aos índices de sinistros serem menor e o lucro com seguro maior, conforme pode ser
observado na Tabela 11.
Tabela 11 – Valor do seguro por cidade
Valor do seguro
Passeio Nacional
mais barato
Campinas
Itatiba
Bragança Paulista
Jundiaí
mais caro
II.
Passeio Importado
Itatiba
Campinas
Atibaia
Bragança Paulista
Jundiaí
Atibaia
Modelo de Carro
A Tabela 8 apresentou o índice de sinistros por modelos de carros, onde foi possível
a identificação e ordenação dos carros em que o valor base do seguro pode ser mais
barato conforme apresentado na Tabela 12.
Tabela 12 – Valor do seguro por Modelo de Carro
Valor do seguro
mais barato
Modelo de Carro
Renault Sandero
Chevrolet Corsa
Fiat Palio
Fiat Uno
mais caro
Chevrolet Celta
41
III.
Faixa Etária
Em relação a faixa etária, as informações foram apresentadas na Tabela 9, e
conforme a análise dos dados realizada nessa tabela, o valor do seguro pode variar
conforme a faixa etária segundo a Tabela 13.
Tabela 13 – Valor do seguro por Faixa Etária
Valor do seguro
mais barato
Faixa Etária
Acima de 55 anos
46 a 55 anos
36 a 45 anos
18 a 25 anos
mais caro
IV.
26 a 35 anos
Sexo do Condutor
A tabela 14 apresenta a diferença que o valor do seguro pode ter em relação ao sexo
do condutor, tendo como base os dados analisados na Tabela 10.
Tabela 14 – Valor do seguro por Sexo do Condutor
Valor do seguro
Sexo do Condutor
mais barato
Sexo Feminino
mais caro
Sexo Masculino
42
7.
CONSIDERAÇÕES FINAIS
Atualmente as empresas precisam trabalhar com um grande volume de dados e
informações que surgem a cada segundo, e a necessidade de extrair valor destas é crucial
para sua sobrevivência. Hoje existem os sistemas de gerenciamento de banco de dados no
auxílio a manipulação e acesso as informações, todavia a necessidade do mercado vai além
de manipular e acessar informações. Atualmente para as empresas se manterem
competitivas elas precisam agregar valor as informações que possuem, e para isso existem
vários meios como, por exemplo, as ferramentas de apoio a decisão abordadas neste
trabalho.
Hoje, qualquer empresa possui pelo menos uma ferramenta para armazenar suas
informações, seja em planilhas do Microsoft Excel, em banco de dados do Microsoft Access
ou em sofisticados bancos de dados. No mercado de seguros, regulamentado pela SUSEP
e ANS, as seguradoras possuem duas fontes de dados principais: as informações geradas
pela própria seguradora e um data mart disponibilizado pela SUSEP contendo as
informações sobre seguro de todas as outras seguradoras do país.
A análise de informações e a correlação destas com o tempo e outras variáveis não
é nenhuma novidade deste século, pois o homem sempre se baseou nos acontecimentos
passados para tomar as decisões do presente e até tentar prever os acontecimentos futuro.
O grande diferencial é que hoje as informações são geradas em uma quantidade maior, e
para as empresas conseguirem dados válidos e sumarizados para apoio a decisão precisam
utilizar várias ferramentas tecnológicas.
A aplicação das ferramentas de BI hoje é indispensável para uma empresa conseguir
agregar valor aos dados armazenados. Através deste trabalho percebe-se que o resultado
que essas ferramentas geram é simples e objetivo, todavia conseguido através de várias
tecnologias como a integração com um data mart e consultas utilizando OLAP
multidimensional, sem as quais, as consultas e a geração de relatórios seriam uma tarefa
muito trabalhosa e quase que inviável. Analisando os dados apresentados nas Tabelas 7 a
10, foi possível encontrar parâmetros para classificar os clientes de seguro de automóvel
através da sumarização de mais de 7 milhões de registros contidos no DM disponibilizado
pela SUSEP, evidenciando assim a importância da análise de dados para apoio a tomada
de decisão, agregando valor e dando significado aos dados armazenados.
Ainda há muito a se fazer para conseguir a classificação dos clientes de seguro de
automóveis de maneira totalmente automatizada. Este trabalho visou apenas apresentar os
43
conceitos de BI, e como a sua utilização pode fornecer informações e agregar valor a dados
armazenados, que inicialmente não traziam significado relevante. Pode-se perceber que
business intelligence não se trata de uma única metodologia ou ferramenta tecnológica para
auxílio a tomada de decisão, mas sim de uma ampla plataforma de softwares que
possibilitam através das suas interações várias formas de visualizar as informações,
facilitando assim a análise dos dados.
Com este trabalho e os conceitos apresentados, espera-se que em projetos futuros
consiga-se aplicar ferramentas de Data Mining a fim de encontrar padrões desconhecidos e
que possam servir para melhor classificação dos clientes. Outra tarefa que também carece
ser desenvolvida é a integração dos resultados com um sistema para classificação do
segurado de forma online, onde seria possível o preenchimento dos dados do segurado e do
veículo, e através dessas informações o sistema informar o valor do seguro.
44
8.
REFERÊNCIAS BIBLIOGRÁFICAS
CELEDO, Consultoria. Fundamentos de Business Intelligence. Disponível em:
<http://celedo.com.br/portal/index.php>. Acesso em: 27 fev. 2010.
DATE, C. J.; SOUZA, Vandenberg Dantas de. Introdução a Sistemas de Bancos de
Dados. 7. ed. Rio de Janeiro: Campus, 2000. 803 p.
HOUAISS: Dicionário Eletrônico da língua portuguesa. Versão 2.0a. Rio de Janeiro:
Editora Objetiva. 2007.
IBM. Business Intelligence. Disponível em:
businessintelligence>. Acesso em: 26 fev. 2010.
<http://www-01.ibm.com/software/data/
MICROSOFT. Soluções de BI Microsoft. Disponível em: <http://www.microsoft.com/brasil/
servidores/bi/default.aspx>. Acesso em: 26 fev. 2010.
MICROSTRATEGY. Business Intelligence Software Solutions.
<http://www.microstrategy.com.br>. Acesso em: 26 fev. 2010.
NEXT
GENERATION
CENTER.
Business
Intelligence.
<http://www.nextgenerationcenter.com>. Acesso em: 20 fev. 2010.
Disponível
Disponível
em:
em:
OLIVEIRA, João Lúcio de. Sistema de Business Intelligence: Sistema de apoio a gestão
para tomadas de decisões inteligentes. 2009, 40 f. Trabalho de Conclusão de Curso Administração de Sistemas de Informações, Centro Universitário Una, Belo Horizonte, 2008.
OLIVEIRA, Sue Ellen Munhoz de. Business Intelligence utilizada na alavancagem da
força de vendas no setor industrial de misturas prontas para panificação. 2009, 40 f.
Trabalho de Conclusão de Curso – Sistemas de Informação, Faculdade Anhanguera de
Jundiaí, Jundiaí, 2009.
ORACLE. Oracle Enterprise Performance Management and Business Intelligence.
Disponível em: <http://www.oracle.com>. Acesso em: 26 fev. 2010.
PRIMAK, Fábio Vinícius. Decisões com B.I.: Business Intelligence. 1. ed. Rio de Janeiro:
Editora Ciência Moderna, 2008. 152 p.
45
REZENDE, Denis Alcides; ABREU, Aline França. Tecnologia da informação aplicada a
sistemas de informação empresariais: o papel estratégico da informação e dos
sistemas de informação nas empresas. 5. ed. São Paulo: Atlas, 2008. 303 p.
SEGS. Portal Nacional de Seguros, Saúde, Informática & TI. Disponível em:
<http://www.segs.com.br/index.php>. Acesso em: 25 jul. 2010.
SILBERSCHATZ, Abraham; KORTH, Henry F.; SUDARSHAN, S. Sistema de Banco de
Dados. 5. ed. São Paulo: Campus, 2006. 808 p.
SINGH, Harry S. Data Warehouse: conceitos, tecnologias, implementação e
gerenciamento.1 ed. São Paulo: Makron Books, 2001. 382 p.
SOUZA, Gisele Paola de; ROCHA, Kátia Regina da; SAMPAIO, Rafaela Girotte. Utilização
de técnicas de data mining para análise de crédito em instituições financeiras. 2007,
56 f. Trabalho de Conclusão de Curso – Ciência da Computação, Faculdade Politécnica de
Jundiaí, Jundiaí, 2008.
SULAMÉRICA.
Visão
Geral
do
Setor
de
Seguros.
<http://www.sulamerica.com.br>. Acesso em: 05 mar. 2010.
SUSEP.
Superintendência
de
Seguros
<http://www.susep.gov.br>. Acesso em: 05 mar. 2010.
Privados.
Disponível
Disponível
em:
em: