Universiẗat Campus Duisburg, Diss.--Duisburg-Essen, 2007.

Univ., Diss.--Hamburg, 2007.

Bremen, Universiẗat, Diss., 2009.

Diss. Nr. 2424 Wirtschaftswiss. St. Gallen. / Literaturverz.

Diss. Nr. 3165 Wirtschaftswiss. St. Gallen, 2006. / Literaturverz.

[pt] As organizações se deparam com uma necessidade cada vez maior de mudar e evoluir, mas para isso elas precisam tomar as decisões corretas. Para essa tomada de decisão, as empresas estão adotando os recursos disponibilizados pela Tecnologia da Informação (TI) como parte fundamental para apoiar suas decisões. Um componente de TI essencial para aprimorar o processo de tomada de decisão é o data warehouse. Para cumprir bem o seu papel, o data warehouse deve ser bem definido. Embora existam diversas abordagens que buscam melhorar a tarefa de identificação dos requisitos para data warehouses, poucas exploram as contribuições da Engenharia de Processos de Negócios (EPN) no processo de definição dos requisitos. Esta dissertação estuda um meio de aprimorar a tarefa de elicitação de requisitos para data warehouses, utilizando indicadores de desempenho aliados aos processos de negócio. Para isso é sugerido um conjunto de heurísticas que visam, a partir dos indicadores de desempenho, orientar a descoberta dos requisitos de data warehouse. A aplicação das heurísticas propostas é feita em um caso, facilitando a compreensão da abordagem sugerida nesse trabalho. / [en] Organizations need to change and evolve, but for that it is necessary to make the right decisions. For this decision, companies are using Information Technology (IT) as a fundamental part to support their decisions. An essential IT component to improve the process of decision making is the data warehouse. In order to fulfill its role well, the data warehouse must be well defined. There are various approaches that try to improve the task of identifying data warehouses requirements, but few explore the contributions of Business Processes Engineering (BPE) in the process of requirements gathering. This dissertation studies how to improve data warehouses requirements elicitation using performance indicators allied to business processes. For this it is suggested a set of heuristics designed to guide performance measures identification and data warehouse requirements discovery. The heuristics are applied in a case to facilitate understanding of suggested approach in this work.

[pt] Esta dissertação investiga a aplicação de Redes Neurais e Algoritmos Genéticos como ferramentas para retirar conhecimentos, em forma de regras, de um Banco de Dados. Essa nova área, KDD (knowledge Discovery in Database), surgiu com a necessidade de se desenvolver ferramentas que possam, de forma automática e inteligente, ajudar aos analistas de dados a transformar grandes volumes de dados em informações e organizar estas informações em conhecimentos úteis. A pesquisa aqui resumida é portanto, um desenvolvimento na área de sistemas de computação (desenvolvimento de sistemas) e na área de inteligência computacional (data mining, algoritmos genéticos, redes neurais, interfaces inteligentes, sistemas de apoio a decisão, criação de bases de conhecimentos) O trabalho de tese foi dividido em cinco partes principais: um estudo sobre o processo KDD; um estudo da estrutura dos sistemas de KDD encontrados na literatura; o desenvolvimento de sistemas de KDD, um utilizando algoritmos Genéticos e os outros utilizando Redes Neurais; o estudo de casos e a análise de desempenho dos sistemas desenvolvidos. O processo de KDD serve para que se possa retirar novos conhecimentos (padrões, tendências, fatos, probabilidade, associações) de um determinado banco de dados. Basicamente o KDD consiste em oito etapas, que são: Definição do problema, Seleção dos dados, Limpeza dos dados, enriquecimento dos dados, Pré-processamento dos dados, Codificação dos dados, Mineração dos dados (data mining) e o relatório contendo a interpretação dos resultados. A mineração dos dados é freqüentemente vista como elemento chave do processo de KDD. A extração do conhecimento, propriamente dita, se dá na Mineração dos dados, onde toda técnica que ajude a extrair mais informações dos dados é útil. Assim na Mineração de dados podemos lançar mão de um grupo heterogêneo de técnicas, como por exemplo, Técnicas de estatísticas, visualização dos dados, redes neurais e algoritmos genéticos. Portanto os estudos do processo inclui estudos sobre Data Mining, aprendizado de máquinas, data warehouse, o processo e o ambiente do KDD, aspectos formais dos algoritmos de aprendizado, inteligência artificial, e algumas aplicações na vida real. Dentre os vários sistemas de KDD encontrados na literatura que foram estudados e analisados, podemos citar sistemas que utilizaram, na etapa de mineração dos dados, uma ou mais das seguintes técnicas de computação para extrair padrões e associações nos dados, uma ou mais das seguintes técnicas de computação para extrair padrões e associações nos dados tais como: Visualização dos dados, ferramenta de consulta, técnicas de estatísticas, processamento analítico on-line (OLAP), Árvore de decisão, regras de associação, redes neurais e algoritmos genéticos. Neste trabalho foram desenvolvidos dois sistemas de KDD. Em cada um dos modelos desenvolvidos utilizou-se uma técnica de visualização dos dados para garantir a interação do sistema com o analista dos dados. Além disso utilizou-se, na etapa mineração dos dados, num dos modelos Algoritmos genéticos, e no outro Redes Neurais Backpropagation. Também para efeito de comparação e de apoio, se desenvolveu um sistema utilizando Técnicas de Estatísticas. Com o modelo utilizando Algoritmos Genéticos se encontra a melhor regra de produção relacionada a um banco de dados, que responde a uma pergunta específica. E com os modelos utilizando Redes Neurais se obtém resultados para serem comparados. A fase de aplicação consistiu em analisar dois diferentes bancos de dados, um contendo dados dos meninos e meninas de rua, e o outro contendo dados dos alunos que se matricularam no vestibular. Na análise dos bancos de dados se utilizou os sistemas de KDD aqui desenvolvidos, tendo como objetivo encontrar, com o auxílio de Algoritmos genéticos, ou de redes ne / [en] This dissertation investigates the genetic algorithms and neural networks as applications tools to find knowledge, in the form of rules, from a database. This new area, KDD (Knowledge Discovery in Database) appeared with the need of developing tools that can, in automatic and intelligent way, help the data analysis to transform great volumes of data in information and to organize these information in useful knowledge. The research here summarized is therefore, a development in the area of computational systems (development of systems) and in the area of intelligence computational (data mining, genetic algoriths, neural networks, intelligence interfaces, decision support systems and creation of knowledge bases). The thesis work was divided in five main parts: A study of the KDD process: a study of the structure of the KDD systems found in the literature; the development of KDD systems, one using genetic algorithms and the others using neural networks; the study of cases and the analysis of the performance of the developed systems. The KDD process is able to find new knowledge (patterns, tendencies, facts, probability and associations) from a certain database. Basically KDD involves eight steps, that are: problem definition, data selection, cleaning, enrichment, preprocessing, coding, data mining and the reporting containing the interpretation of the results. The Data Mining is frequently seen as the key element of the KDD process. The extraction of the knowledge, itself, happens in the Data mining, where any technique that helps extract more information out of your data is useful. In Data Mining we can make use of a heterogeneous group of techiques, for example, Statistical techniques, Visualization techniques, Neural Networks and Genetic algorithms. Therefore the studies of the KDD process included studies on data mining, machine learning, data warehouse, the KDD process and the KDD environment, formal aspects of the learning algoriths, artificial intelligence, and some applications in the real life. In several KDD systems found in the literature that were studied and analyzed, we can mention systems that uses, in the data mining step, one or more of following computation techniques to extract patterns and associations from data as: visualization techniques, query tools, statistical techniques, online analytical processing (OLAP), decision trees, association rules, neural networks and genetic algorithms. In this work two KDD systems wer developed. In each one of the developed models a visualization techniques was used, to guarantee the interaction of the system with the data analyst. And in the Data Mining step, genetic algorithms was used in one of the models, and Backpropagation Neural Networks in the other. For comparison and support effect, a system was developed using Statistical techniques. The genetic algorithm model is to find the best production rule related to a database, that answers to a specific question. And the results of the Neural Networks model is to be compared with the results of the genetic algorithm model. The application phase consisted of analyzing two different databases, one with the boys´data that lives in the street, and the other with the students´data that makes the university admission test. In the analysis of the databases it was used the KDD system here developed, with the objective to find, with genetic algorithms, or Neural Network, the best production rule, related to the databases, that answers a specific question. Two types of question. Two types of question were considered, the ones that look for characteristic of a group of data, for example, Which the boys characteristics that live in the streets? And Which the characteristics of a group of individuals that were classified but they didn´t enroll in the university? And that associates groups of data, for example, What differentiate the boys, with similar economic situation, tha

Atualmente, um dos grandes desafios enfrentados pelas empresas que operam no comércio eletrônico é de garantir a fidelidade de seus clientes. Devido a este fato, as empresas têm se preocupado cada vez mais na utilização de uma ferramenta capaz de integrar os dados distribuídos em banco de dados operacionais, para transformar suas informações em diferencial competitivo. Desta forma, a aplicabilidade da ferramenta Data Warehouse no comércio eletrônico, juntamente com a estratégia do Customer Relationship Management (CRM), surge como um elemento central da empresa focada no cliente, pois é capaz de fornecer informações competitivas e essenciais aos responsáveis pelas decisões estratégicas. Assim, através da ferramenta Data Warehouse sustentada pela estratégia de CRM, toda a \"sequência de cliques\" realizada pelos clientes do comércio eletrônico é armazenada historicamente, possibilitando a retenção destes com a empresa. Portanto o objetivo do presente trabalho é analisar a aplicabilidade do Data Warehouse no comércio eletrônico, visando o CRM analítico. O trabalho contribui também para mostrar às empresas que a integração entre tecnologia de informação (Data Warehouse) e marketing (CRM) em um ambiente Web oferece diferentes oportunidades de coleta de dados a respeito dos clientes, promovendo desta forma a personalização de produtos e serviços, garantindo maior lealdade destes com a empresa e, conseqüentemente, maior lucratividade. / Currently, one of the greatest challenges faced by companies that operate in the electronic commerce is to guarantee their customers\' fidelity. Due to this fact, these companies have been considering the employment of tools capable of integrating distributed data onto operational databases in order to transform information into a competitive and distinguishing asset. Thus, the applicability of Data Warehouse tools in Electronic Commerce, together with the strategy of Customer Relationship Management (CRM), appear as a key element for customer-oriented companies, since they are capable of supplying the ones responsible for strategic decisions with competitive and essential information . Hence, through Data Warehouse tools supported by the CRM strategy, all the \"clickstream\" carried out by the customers in electronic commerce, can be historically stored, making it possible, through further analyses, to identify potential customers, as well as keeping them with the company. The objective of the present research is to consider the applicability of Data Warehouse in Electronic Commerce, aiming at the analytical CRM. The research also shows companies that Data Warehouse, when combined with the CRM in a Web environment, offers alternative means for customer-related data collection, thus, providing the customization of products and services, reassuring clients\' loyalty to the company and, consequently, greater profits.

Made available in DSpace on 2014-06-12T15:55:27Z (GMT). No. of bitstreams: 2 arquivo2237_1.pdf: 2502933 bytes, checksum: d37d2a43704ed90dc4402e107f41af53 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Estudos abrangentes relacionados a data warehouse temporais e espaciais têm sido conduzidos. Data warehouse temporais permitem lidar com dados variáveis no tempo tanto em tabelas de fatos quanto em tabelas de dimensões. Uma ampla variedade de aplicações precisa capturar não só características espaciais, mas também temporais das entidades modeladas. Entretanto, estudos que unam essas duas áreas de pesquisa não têm sido suficientemente considerados. É neste contexto que o presente trabalho de dissertação está definido. Ele propõe um modelo conceitual para data warehouses espaço temporais. Este modelo permite aos usuários definir níveis, hierarquias e dimensões tanto com características espaciais como temporais. Como consequência disso, é possível representar atributos espaciais variáveis no tempo. Além disso, este trabalho define um conjunto de operadores espaço temporais que poderia ser útil na consulta de data warehouses espaço temporais. Diferentemente de propostas existentes, nossos operadores integram não só operadores multidimensionais e espaciais, mas também espaciais e temporais (i.e., espaço temporais) em uma única sintaxe. Um esquema taxonômico, o qual classifica os operadores propostos, também é definido. A importância da taxonomia proposta é que ajuda no desenvolvimento de tecnologia OLAP espaço temporal. Com o objetivo de automatizar a modelagem de esquemas espaço temporais, uma ferramenta CASE foi desenvolvida. Além de permitir a definição de esquemas conformes com o modelo conceitual proposto, esta ferramenta também permite a geração automática do esquema lógico correspondente usando uma abordagem objeto relacional. As ideias propostas são validadas com um estudo de caso na área meteorológica. O estudo apresenta uma aplicação prática do modelo conceitual espaço temporal e dos operadores espaço temporais apresentados neste trabalho

Estudos relacionados ao aperfeiçoamento na gestão de saúde descrevem casos de sucesso com soluções utilizando a implementação de Data Warehouse (DW) como um recurso para facilitar e melhorar a qualidade dos dados para gestão na área de saúde pública. O Mapa de Saúde consiste na descrição da distribuição geográfica de recursos humanos, de ações e de serviços de saúde ofertados pelo SUS e pela iniciativa privada, considerando-se o desempenho aferido a partir dos indicadores de saúde do sistema. A gestão em saúde pública carece de recursos que auxiliem efetivamente os processos de análise e tomada de decisão. O objetivo deste trabalho é contribuir para sanar esta carência, a partir do desenvolvimento de um ferramental de apoio à decisão fundamentado em bases de dados de indicadores de saúde determinados pelo Mapa de Saúde. Este ferramental consiste no planejamento e na implementação de um ambiente de Data Warehousing para integração de bases de dados legadas, oriundas dos documentos gerados pelas Redes Regionais de Atenção à Saúde (RRAS) e coletadas pela Secretaria de Saúde do Estado de São Paulo, fornecendo aos usuários gestores os recursos necessários para a geração de consultas ad-hoc complexas com flexibilidade e rapidez sobre os dados contemplados pelo Mapa de Saúde. As fases do processo de desenvolvimento são sete, a saber: (1) Análise dos dados definidos pelo Mapa de Saúde e disponibilizados pelas fontes públicas; (2) Modelagem e implementação de um banco de dados integrador; (3) Modelagem dimensional e implementação do DW; (4) Criação do processo de extração, transformação e carga; (5) Geração dos metadados e configuração do servidor de análises; (6) Análises; (7) Testes. Como resultado, todas as fases de desenvolvimento do ambiente de Data Warehousing foram cumpridas, bem como o procedimento de avaliação junto aos gestores. De acordo com a avaliação, o sistema cumpre de forma satisfatória o seu objetivo de tomar o processo de gestão de saúde mais efetivo, flexível e produtivo. / Studies related to the enhancement on health management describe instances of success with solutions concerning the Data Warehouse (DW) implementation as a resource to facilitate and improve data quality for management on health public area. The Health Map consists of the geographical description of human resources, actions and services distribution of health offered by the Brazilian National Health System and by the private sector, taking into account the existent installed capacity, the investment, and the performance assessed from system\'s health indicators. The goal of this project is to develop a decision support toolset based on health indicators databases defined by the Health Map. This toolset consists of the planning and the Data Warehousing environrnent implementation for the integration of legacy databases, arising from documents generated by the Regional Health Care Networks and collected by the São Paulo State Health Department, hence providing for users a necessary suite of tools for complex ad-hoc queries generation with flexibility and celerity over the data contemplated by the Health Map. Development process steps are seven, namely: (1) Analysis of data defined by the Health Map and available by public sources; (2) Integrator Database modeling and implementation; (3) DW dimensional modeling; (4) Creation of the extraction, transformation and load process; (5) Metadata generation and analysis server configuration; (6) Analysis; (7) Tests. As a result, the Data Warehousing environment development process steps were completely fulfilled, as well as tests and evaluation steps along with the health managers.