HOME | ÍNDICE POR TÍTULO | NORMAS PUBLICACIÓN

Espacios. Vol. 37 (Nº 04) Año 2016. Pág. 16

Big Data e Inteligência Estratégica: Um Estudo de Caso Sobre a Mineração de Dados como Alternativa de Análise

Big Data and Strategic Intelligence: A Case Study on Data Mining as an Alternative Analysis

André Mauro Santos de ESPÍNDOLA 1; Leonardo ROTH 2; Maria Emilia CAMARGO 3; Ana Cristina FACHINELLI 4

Recibido: 28/09/15 • Aprobado: 28/10/2015

Contenido

1. Introdução

2 Referencial Teórico

3 Metodologia

4 Resultados

Considerações Finais

Referências

1. Introdução

O desenvolvimento da tecnologia da informação possibilitou um significativo aumento na capacidade de geração, armazenamento e disponibilização de informações. Um dos desdobramentos desse desenvolvimento é o fenômeno denominado Big Data (grandes dados), que representa um gigantesco volume de informações disponível através de instituições governamentais e não governamentais. Esse fenômeno foi apresentado e discutido por Cukier (2010) no periódico britânico The Economist No entanto, Porter (1980) e Davenport e Prusak (1998) ainda nos anos 80 e 90 já entendiam que informações rápidas e confiáveis, precisas e oportunas auxiliam as organizações em sua sobrevivência, para crescer sustentavelmente em ambientes em constante mutação. Davenport (1998), entende que o tratamento das informações estratégicas através de núcleos de inteligência faz parte da gestão de uma organização, uma vez que se preocupa com o ambiente externo e está associado à obtenção de vantagens competitivas. Ocorre que segundo o Centro de Pesquisa do Massachusetts Institute of Technology (MIT) Digital atualmente a informação digital dobra a cada 1,5 anos. (AKERKAR, 2014) o que caracteriza o big data como um conjunto de dados que está além da capacidade atual softwares tanto para a captura e armazenamento como para gestão e análise. Para Mineli M., Chambers M., Dhiraj A. (2013) o big data possibilita não apenas a compreensão do que houve no passado mas também a previsão do futuro com melhores níveis de detalhamento, o que caracteriza a singularidade do fenômeno. Além do volume, o que caracteriza o big data e portanto amplia as possibilidades de melhor compreensão das previsões para o futuro, são aspectos como frequência e diversidade das fontes dos dados (BETSER E BELANGER, 2013). Tais possibilidades são viáveis desde que seja possível construir sentido por meio de processos de análise o que segundo Schönberger-Mayer e Cukier (2013) se constitui num aspecto central para utilização do big data.

Por outro lado, estudos como o de Brynjolfsson (2011) demonstram a relação entre decisões orientadas por informações e desempenho da empresa. O estudo examinou 179 grandes empresas de capital aberto nos EUA e demonstrou que aquelas que adotam a decisão baseada em informações tem um rendimento e ganhos de produtividade 5 a 6 % superior. Além disso, a relação também aparece em outras medidas de desempenho como a utilização de ativos, retorno sobre o patrimônio líquido e o valor de mercado. Ou seja, se por um lado o desafio de atribuir sentido à informação é grande, por outro o resultado é evidente.

Para fazer frente à tal desafio, os sistemas de gestão da informação tem se revelado insuficientes justamente por não contemplar a fase da análise de natureza mais cognitiva em seus processos. A evolução tecnológica contribuiu para a coleta, organização e armazenamento de dados e informações no entanto, pela própria natureza da atividade, a análise não ficou tão bem atendida por essa evolução. Decorre dessa lacuna a relevância de abordagens mais complexas quanto à gestão da informação, como é o caso da Inteligência Estratégica para a qual os sistemas de informação atendem à uma lógica de produto que deve ser complementada por uma visão de processo e assim circunscrever os seus campos de atuação.

Por isso o objetivo do presente artigo foi identificar correlações entre dados de diferentes origens, ou seja, relacionar dados gerados no nível interno da organização com aqueles coletados no ambiente pertinente, em fontes externas. Mais especificamente, a pesquisa buscou por meio do data mining identificar os indicadores mais relevantes para construção de um modelo que oriente o processo de monitoramento dos ambientes de interesse da empresa no processo de inteligência competitiva.

O campo de estudos está vinculado ao setor metalúrgico cujo dinamismo consolida seu papel estrutural na indústria brasileira. A empresa estudada possui características que revelam a importância da inteligência estratégica para análise de dados do setor e seu impacto nos resultados. Além disso, a empresa estudada faz aquisições periódicas de grande quantidade de aço para produção e consequentemente mantém uma relação direta com o mercado do aço no Brasil. Mercado este que segundo Espíndola (2013), no ano de 2012 apresentou um crescimento de 14,2% nas importações em relação ao ano de 2011, produziu no ano de 2011 45,1 x 106 toneladas de aço, consumiu 40,08 x 106 toneladas de aço, gerou de forma direta 260.000 empregos, teve uma participação no PIB nacional de 2,4% e apresentou um crescimento no faturamento de 17,4% com relação ao ano de 2010.

A relevância acadêmica e científica deste estudo encontra-se na possibilidade de combinação dos conhecimentos de Data Mining, Big Data como um processo da Inteligência Competitiva, na busca de identificação de um modelo que oriente o monitoramento do mercado pela empresa objeto de estudo.

2. Referencial Teórico

2.1 Inteligência Estratégica

A Inteligência Estratégica é, ao mesmo tempo, processo e produto. Enquanto processo, pode ser considerada como uma atividade mental orientada para o estabelecimento de significado relativo às ocorrências do mundo real e suas causas. Enquanto produto, a Inteligência Estratégica é entendida como informação processada com a finalidade de reduzir as incertezas e de antecipar cenários. Tanto no sentido do estabelecimento de significado como no seu processamento, a Inteligência Estratégia sustenta-se em processos de análise No entanto, a etapa da análise das informações, que fundamenta e caracteriza os processos de inteligência, ainda não está nem epistemológica e nem pragmaticamente consolidada e atualmente é profundamente afetada pelo Big Data. Uma das grandes mudanças percebidas no uso de dados para a inteligência tem sido causada pela proliferação dos meios digitais. Para o analista digital, novos instrumentos são necessários uma vez que tanto a leitura tecnológica como cognitiva estão diante do desafio de processar terabytes, petabytes e yotabytes de informação. (FACHINELLI et al, 2010).

Nesse contexto, em termos de análise e devido à quantidade de informações que se encontram nos ambientes de interesse das organizações, ganham relevância as abordagens matemáticas e estatísticas de processamento de dados para a inteligência, bem como a preparação dos profissionais para fazer uso dessas abordagens. É importante considerar que se por um lado Big Data é um fenômeno que diz respeito ao volume de informações, por outro, grande parte desse volume são informações estruturadas, com bom nível de organização, como é o caso das informações disponibilizadas por governos, entidades nacionais e internacionais, organizações setoriais, entidades de classe, imprensa etc. São conjuntos de dados com alto nível de credibilidade e uma vez relacionados podem produzir significados importantes para as organizações. O que a Inteligência Estratégica tem buscado desvendar a partir desses dados é como podemos inferir a partir de um indicador observado a probabilidade de que o evento relacionado irá ocorrer? (MICHAELI, SIMON, 2008) ou, como estabelecer um sentido ou relações relevantes em grandes conjuntos de informações estruturadas?

Se considerarmos que o processo de inteligência estratégica está relacionado ao processo decisório (BRYNJOLFSSON, 2011) uma vez que é neste processo que as informações adquirem valor a partir dos resultados de análise, então, mais assertiva a decisão será dependendo da qualidade de representações geradas, do sentido atribuído, enfim, da análise produzida. No entanto, é sabido que as incertezas condicionais representam um problema comum em Inteligência Estratégica. Elas devem ser calculadas explicitamente em vez de estimadas intuitivamente caso contrário, interpretações falhas podem ocorrer.

2.2 Big Data

Um dos principais elementos de mudança no mundo dos negócios na atualidade é o volume de informações sem precedentes na história econômica. No ano de 2010, a unidade de inteligência do periódico britânico o The Economist lançou um relatório especial - Data, Data, Everywhere (2010) – que investigou tal fenômeno bem como os desafios que representa para as empresas e para a sociedade em geral.

Segundo o relatório, quando bem gerenciada, a informação pode destravar novas fontes de valor econômico, proporcionar novos insights para a ciência bem como responsabilizar e contribuir com os governos na prestação de contas. O fato é que o mundo contém uma inimaginável quantidade de informação digital que cresce cada vez mais e muito rapidamente.

O relatório destaca que, quando o telescópio digital SDSS (Sloan Digital Sky Survey) começou a funcionar em 2000 no Novo México, coletou em algumas semanas mais dados do que haviam sido já coletados desde o início da astronomia que possui, atualmente um arquivo com 140 terabytes de informação. O sucessor do SDSS, o LSST (Large Synoptic Survey Telescope), que estará completamente operacional em 2016 no Chile, coletará os mesmos 140 terabytes de informação cada 5 dias. Nesse ambiente de negócios, a rede varejista americana Wall-Mart processa 1 milhão de transações comerciais a cada hora, alimentando bases de dados estimadas em mais de 2,5 petabytes, equivalente a 167 vezes mais do que a biblioteca do Congresso Americano.

Redes sociais como o Facebook, hospedam mais de 40 bilhões de fotos. Na ciência, a decodificação do genoma levou 10 anos e envolveu a análise de 3.000 milhões de pares em 2003, o que poderia ser feito em uma semana nos dias atuais. Tal disponibilidade e aceleração na produção de dados tornam possível indicar tendências de negócios, prevenir doenças, combater o crime e muitas outras coisas tão mais difíceis há poucos anos atrás. O volume de informações é tanto que cientistas cunharam a expressão Big Data para se referir ao fenômeno dos grandes conjuntos de dados cujo tamanho está além da capacidade de ferramentas de software e de banco de dados típicos para capturar, armazenar, gerenciar e analisar.

Para o Instituto McKinsey (2011), o Big Data é a próxima fronteira para a inovação, competitividade e produtividade. A Organização das Nações Unidas vai além e vinculam o Big Data ao desenvolvimento. Em 2012 através do Global Pulse[5] publicaram o White Paper, Big Data for Development: Challenges & Opportunities (2012) segundo o qual, transformar os dados em informações úteis, requer o uso de técnicas para revelar tendências e padrões intra e interconjuntos de dados socioeconômicos extremamente grandes.

Novos insights extraídos de mineração de dados devem complementar as estatísticas oficiais, dados de pesquisas e informações geradas por sistemas de alerta precoce, acrescentando profundidade e nuances sobre o comportamento humano e as experiências sociais. Ou seja, trata-se de transformar dados imperfeitos, complexos e frequentemente desestruturados em informação útil. Isso implica revelar tendências e correlações entre grandes conjuntos de dados que, de outra forma, permaneceriam desconhecidos (MICHAELI, SIMON, 2008) A aplicação destas abordagens para o desenvolvimento prospecta grandes expectativas, requer experiência humana e novas perspectivas, além de levantar questões e preocupações, das quais, a principal é o valor analítico de grandes volumes de dados para o enfrentamento dos desafios de desenvolvimento.

De fato, os estudos relativos ao tema vêm crescendo e a principal questão que emerge diz respeito aos desafios da busca de sentido em grandes volumes de informação. É a problemática da análise que desafia a gestão e o uso da informação como fundamento da inovação e da competitividade. Algumas grandes corporações já estão atentas e definindo estratégias de negócio para este cenário. Oracle, IBM, Microsoft, SAP, entre outras empresas, investiram nos últimos anos, mais de $ 15 bilhões na compra de empresas de software especializadas em análise e gestão de dados. Estima-se que o valor desta indústria seja de mais de $ 100 bilhões, com um crescimento aproximado anual de quase 10%, representando aproximadamente o dobro do crescimento anual da totalidade da indústria de software (CUKIER, 2010).

Por outro lado, segundo o relatório McKinsey (2011), apenas nos Estados Unidos, a escassez de talentos para a análise da informação é um desafio que deve preocupar. O relatório indicou que o país precisa de 140.000 a 190.000 trabalhadores com mais profunda expertise em análise e 1,5 milhões de gerentes mais alfabetizados na interpretação e uso de dados para o processo decisório.

2.3 Data Mining

O Data Mining ou Mineração de Dados é parte de um processo mais amplo denominado busca do conhecimento em banco de dados (KING, 2003; HAIR, 2005; CARDOSO, 2008; CÔRTES et al, 2012).

Segundo Cardoso (2008), existe uma necessidade crescente de informação disponível nos últimos anos, esta necessidade é influenciada por fatores relacionados ao desenvolvimento da tecnologia da informação que têm entre as suas consequências o crescimento de forma exponencial do armazenamento de informações em banco de dados. A necessidade de informações, mencionada por Cardoso (2008), tem levado as empresas e as instituições governamentais ou não governamentais cada vez mais a organizar e armazenar as informações em banco de dados. O autor afirma que consequentemente os bancos de dados passam a conter verdadeiros tesouros de informação que devido ao volume ultrapassam a habilidade e a capacidade humana de captação e interpretação.

O grande desafio desse processo está em transformar este conjunto de informações em conhecimento a partir do desenvolvimento de métodos e técnicas especificas de pesquisa em banco de dados.

Neste contexto a mineração de dados tem se tornado uma ferramenta muito utilizada no processo de busca de informações com o objetivo de desenvolver o conhecimento sobre temas específicos. Hair (2005), define a mineração de dados como a procura por relações e padrões em grande banco de dados, neste processo o pesquisador pode operar de forma exploratória, mais estruturada, em torno de uma questão de pesquisa mais ampla tendo identificar informações ocultas através da identificação de padrões.

Braga (2005, p. 11), descreve a mineração de dados como "uma coleção de técnicas e métodos facilitadora da aquisição e retenção da parte do mercado que cabe a uma empresa", ou seja, o autor apresenta esse método não como uma técnica especifica mais com um conjunto de técnicas e direciona sua aplicação como parte de uma estratégia de obtenção de espaço no mercado. A busca da informação não passa somente pelo uso de ferramentas genéricas, mas passa também pela capacidade dos analistas de identificação de padrões e previsão de resultados com base em dados estratégicos de uma organização (BRAGA, 2005, p. 11).

Para Braga (2005) a mineração de dados é um método automático para descobrir padrões em dados sem as limitações tendenciosas da intuição humana. Côrtes, Porcaro e Lifschitz (2012), discordam do conceito da mineração de dados ser um método automático e afirmam que este está sendo difundido de forma errada, e definem a mineração de dados como:

Mineração de dados é um processo altamente cooperativo entre homens e máquinas, que visa exploração de grandes bancos de dados, com o objetivo de extrair conhecimento através do reconhecimento de padrões e relacionamento de variáveis, conhecimentos esses que possam ser obtidos por técnicas comprovadamente confiáveis e válidas pela sua expressiva estatística (CÔRTES; PORCARO; LIFSCHITZ, 2012, p. 1).

Com base na visão destes autores podemos definir a mineração de dados como um processo que permite compreender o comportamento dos dados a partir da análise de um grande conjunto de informações existentes em empresas ou organizações, combinando o uso de modelos automáticos e não automáticos com técnicas de inferências estatísticas.

Alguns fatores destacam a necessidade de uso desta nova técnica, entre eles, o volume de informação disponível, de informação produzida pelas empresas e pela necessidade da busca de conhecimento destas informações. Assim, o acesso a informações pertinentes, interessantes, úteis e selecionadas para se obter vantagem competitiva significa muito mais do que uma quantidade significativa de informações (FREITAS; JANISSEK-MUNIZ, 2006).

2.4 O contexto da pesquisa: Mercado do Aço Brasileiro

Para estudar a demanda de aço da Empresa Alfa e identificar no mercado quais as variáveis ou indicadores financeiros podem ter influência sobre esta, foi realizado um levantamento das características do mercado do aço brasileiro. Os dados obtidos são referentes à consolidação do mercado até o ano de 2011 e a situação da produção de aço até maio de 2012, as informações foram obtidas junto ao Instituto Aço Brasil (IABR) e ao Ministério de Minas e Energia (MME).

Após a crise de 2008 o mercado mundial do aço vem se recuperando, segundo dados do MME (2011, p. 38), a produção mundial de aço bruto nos anos entre os anos de 2006 e 2010 foram respectivamente 1.246,7, 1.346,1, 1.328,5, 1.230,0, 1.413,5 milhões de toneladas, o que representa um crescimento de 13,38 % no período, e um crescimento de 14,92% após a crise de 2008.

O Brasil, segundo MME (2011, p. 35), ocupa a 9ª posição no ranking dos países produtores e 12º posição no ranking mundial de países exportadores, sendo o 5º maior exportador líquido (exportação – importação), exportando para 100 países, indiretamente o país exporta 2,9 milhões de toneladas em aço contido em outros bens. Na tabela 1, está apresentada a produção mundial de aço bruto.

Tabela 1 - Produção Mundial de Aço Bruto – Unid. 106 t

Fontes: Anuário Estatístico do Setor Metalúrgico-SGM/MME;

Dados obtidos ao IABR (2012) informam que o parque brasileiro produtor de aço é composto por 29 usinas administradas por 11 grupos empresariais, onde a capacidade instalada é de 47,8 milhões de toneladas por ano de aço bruto com produção anual de 35,2 milhões de toneladas. Já o consumo aparente de aço é de 25 milhões de toneladas, gerando um saldo comercial de 3,9 bilhões de dólares que representou 13% do saldo comercial do país.

O Ministério de Minas e Energia apresenta a seguinte tabela contento a produção de aço brasileira no por empresas no período de 2006 a 2010.

Tabela 2 - Produção Brasileira de Aço Bruto por Empresa - Unid. 10³ t

Fontes: Anuário Estatístico do Setor Metalúrgico-SGM/MME;
Notas / Notes: Corresponde à produção de aço em lingotes + produtos de lingotamento contínuo + aço para fundição.
* As estatísticas da Aços Villares estão incorporadas às da Gerdau.

Uma variável que preocupa o setor é o consumo per capita de aço. Em 1980 o consumo per capita brasileiro era 70% superior ao chinês, hoje o consumo chinês é 117,76 % superior ao brasileiro (MME, 2011, p. 36). No Brasil, o consumo per capita em 2011, foi de 145 quilos de aço bruto por habitante, um histórico do consumo per capita pode ser observado na Tabela 3 que traz um comparativo do consumo aparente de aço no período de 1970 à 2010.

Tabela 3: Consumo Aparente Per Capita de Aço – Unid. Kg/hab

Fontes: Anuário Estatístico do Setor Metalúrgico-SGM/MME; IABR; ABAL; ABC; ICZ; SNIEE; ABRAFE; Grupo Inox.

Conforme o IABR (2012) a produção brasileira de aço bruto até maio de 2012 teve uma queda de 11,7% com relação ao mesmo período de 2011, em contrapartida a produção de aço laminados em maio de 2012 apresentou um crescimento de 1,1% em comparação a maio de 2011.

Com relação às vendas internas o IABR (2012), informa que as vendas acumuladas em 2012 mostram um crescimento de 0,8% em relação ao mesmo período de 2011. As exportações brasileiras até maio de 2012 têm apresentado um declino em 5,2% em volume e de 8,9% em valor, quando comparados ao mesmo período do ano anterior (IABR, 2012).

Já as importações brasileiras, até maio de 2012, têm registrado um crescimento de 14,2% em relação ao mesmo período de 2011, totalizando 1,6 milhões de toneladas de produtos siderúrgicos importados no ano. O consumo aparente de produtos siderúrgicos até maio de 2012 tem apresentado um crescimento de 0,4% em relação ao mesmo período de 2011, o que totalizaria um crescimento de 1,6% no ano de 2012 com relação a 2011.

Segundo o IABR (2012), os principais setores consumidores de aço no Brasil são a construção civil, automotivo, bens de capital, máquinas e equipamentos e utilidades domésticas e comerciais, informação que podemos confirmar ao analisarmos os dados do Anuário Estatístico 2011 do Ministério de Minas e Energia apresentados na Tabela 4 da distribuição de vendas de produtos siderúrgicos.

Tabela 4 - Distribuição Setorial das Vendas Internas de Produtos Siderúrgicos - Unid. 10³ t

Fontes: Anuário Estatístico do Setor Metalúrgico-SGM/MME;

3. Metodologia

Quanto aos objetivos podemos classificar o estudo como exploratório, pois através dele se familiarizou com fenômeno para descobrir novas ideias (CERVO, 2002), e, descritivo, no momento que se visou a descobrir a existência de associação entre as variáveis (GIL, 2002).

Durante a pesquisa duas abordagens foram adotadas, a primeira foi qualitativa, pois buscou-se analisar as fontes externas e internas de dados para obter mais informações e definir o problema com mais precisão (MALHOTRA, 2011), a segunda quantitativa, pois quantificou-se os dados e identificou-se as evidências de relações através de uma analise de correlação (MALHOTRA, 2011).

Os dois procedimentos adotados para realização do estudo foram:

- estudo de caso pois, "é encarado como o delineamento mais adequado para investigação de um fenômeno contemporâneo dentro de seu contexto da vida real, especialmente quando os limites entre o contexto e o fenômeno não são claramente percebidos" (YIN, 2001, p. 32), o caso estudado foi a empresa Alfa e o contexto foi o mercado e o fenômeno a demanda de aço da empresa.

- mineração nas bases de dados fornecidos pela empresa com a finalidade de mapear as variáveis de mercado com influência na demanda de aço e, em seguida, uma prospecção de índices e indicadores financeiros disponíveis no website do BACEN (2012), este procedimento é denominado de Data Mining e segundo Hair (2005, p. 540) "é o processo de obtenção de informação a partir de grandes bases de dados".

3.1 Estudo de Caso

E empresa objeto de estudo aqui denominada de empresa Alfa é do setor Metalúrgico e a sua matriz tem localização no Estado do Rio Grande do Sul. Sua fundação ocorreu em meados da década de 60 em uma área de 80m² com a produção de esquadrias metálicas e outros materiais metálicos do segmento de serralheria como esquadrias e estruturas metálicas a partir da associação de uma família conhecida em sua época por ser talentosa e criativa.

Empreendedora para sua época, em 1977, contratou pesquisa de mercado para tentar identificar as oportunidades de negócio. Como resultado iniciou a produção de móveis de aço e já investia na aquisição de uma metalúrgica local para obter o maquinário mínimo para iniciar a produção em escala.

A empresa, sempre inovando, criou a primeira máquina de tornar o laminado plástico fosco utilizado em mobiliário do Brasil, e já, em 1995, colhia prêmios nacionais como a distinção como a cozinha de aço mais moderna do país, fruto da apropriação constante de novas tecnologias e criações de soluções próprias e personalizadas.

A empresa também foi a primeira do país a produzir industrialmente dormitórios em MDF que, seguidamente as cozinhas também seriam fabricadas com esse material, partindo assim para nova análise de mercado seguida pela estruturação de sua rede de lojas exclusivas, visando a comercialização direta ao consumidor.

Atualmente, a empresa Alfa, emprega cerca de 1.300 funcionários em suas quatro unidades fabris no Rio Grande do Sul, uma unidade produtiva no Estado de Pernambuco, uma unidade produtiva Estado de Goiás e um centro de distribuição na América Central, mais especificamente na Guatemala. Está subdividida em unidades de negócio focadas em cozinhas de aço para o mercado interno e exportação, sistemas de armazenagem e soluções em logística e armazenagem de produtos, móveis planejados residenciais, móveis exclusivos com foco na produção de produtos especiais para clientes corporativos e exportação e unidade de serviços compreendendo um total de 60.000 m² de área física disponível.

Nesse cenário, a empresa Alfa, investe constantemente em qualificação para o desenvolvimento de líderes com perfil voltado para a interpretação estratégica e foco na inteligência empresarial, mostrando-se assim, preocupada com a longevidade da empresa.

O presente estudo foi realizado na unidade de sistemas de armazenagem, especializada em planejar e desenvolver modernas soluções para estocagem e movimentação de materiais tendo como linha produtos Porta Pallets, Drive in, Cantillever, Racks metálicos e Intainer, Divisórias industriais, Drive In Dinâmico, Porta Bobinas, Push Backs, Pallets leves, autoportantes, mezaninos e passarelas, Drive In Carro Satélite e Racks metálicos Multiblock que, em volume de vendas, no ano de 2011, representou 43% do faturamento do grupo.

3.2 Procedimentos

3.2.1 Aquisição e avaliação dos dados

A aquisição de dados para pesquisa teve duas fontes, a primeira foi a base de dados da empresa Alfa e a segunda o ambiente externo a empresa.

Adotou-se duas estratégias para obtenção dos dados. A primeira estratégia consistiu em analisar a base de dados da empresa Alfa para identificar as características dos clientes e através destas identificar as variáveis externas relacionadas com os clientes. A segunda estratégia consistiu em identificar os setores da economia com influência sobre o consumo de aço no mercado brasileiro.

Para analisar a base de dados da empresa Alfa foi solicitado a empresa as seguintes informações:

1. Tipo de Aço utilizado pela empresa;
2. Consumo mensal de Aço;
3. Pedidos com nomes de clientes;
4. Solicitação de orçamento com a situação após o orçamento;
5. Relação de Operadores Logísticos;
6. Relação de Clientes por faturamento;
7. Valor pago pelo aço em cada compra.

Com o recebimento das informações da empresa, iniciou-se o processo de limpeza, formatação e construção dos bancos de dados para pesquisa.

A primeira etapa do trabalho consistiu em uma avaliação dos dados enviados pela empresa Alfa, onde foram realizados os seguintes procedimentos:

1. identificação e exclusão de dados duplicados;
2. identificação de falta de informações;
3. Agrupamento de diversas bases de dados em uma única base;
4. Exclusão de informações sem relevância para o estudo;
5. Padronização de nomes de clientes.
6. Construção de dois novos bancos de dados sendo:

- Banco de dados com a relação de clientes e seus respectivos pedidos a partir de janeiro de 2006 até 18 de julho de 2012.

- Banco de dados com o consumo mensal de aço da empresa Alfa, solicitações de orçamentos, entradas de pedidos e a variação entre valor pedido e valor orçado.

O primeiro banco de dados teve como finalidade análise e identificação dos possíveis fatores externos que podem influenciar a demanda de aço da empresa Alfa através da classificação dos clientes conforme tabela de Classificação Nacional de Atividade Econômica (CNAE). O segundo banco de dados teve como objetivo a análise de correlação entre a demanda de aço e as variáveis externas. As estruturas do banco de dados é apresentada nas Tabelas 5 e 6.

O banco de dados com a relação dos clientes era composto por 5.533 negociações realizadas no período de janeiro de 2006 a maio de 2012.

Para realizar análise do banco de dados foi feita uma amostragem probabilística aleatória simples para uma população finita (PEREIRA, 1979), considerando-se um erro de 5% e uma confiança de 95%, com isso se obteve uma amostra com 360 clientes.

Tabela 5 - Estrutura da Base de Dados Relação de Clientes

Fonte: elaborada pelos autores

---

Tabela 6 - Estrutura da Base de Dados Consumo de Aço

Fonte: elaborada pelos autores

Após a construção da amostra foi realizada uma classificação dos clientes conforme a atividade econômica baseada na tabela CNAE (IBGE, 2012) classificando-os em dois níveis: segundo a seção e com base na divisão, Tabela 7 e 8 respectivamente. A classificação teve como objetivo identificar os setores da economia e as atividades econômicas dos clientes da empresa Alfa e, com estas informações construir a seleção das variáveis econômicas de mercado para posterior análise de correlação.

Tabela 7 - Classificação dos clientes por seção conforme a tabela CNAE.

Fonte: elaborada pelos autores com base na tabela CNAE (IBGE, 2012)

-----

Tabela 8 - Classificação dos clientes por divisão conforme tabela CNAE.

Fonte: elaborada pelos autores com base na tabela CNAE (IBGE, 2012)

Para realização da análise do mercado externo se levou em consideração os principais setores consumidores de aço no Brasil, que segundo o IABR (2012), são: construção civil; automotivo; bens de capital; máquinas e equipamentos; utilidades domésticas e comerciais.

Além dos setores foram levados em consideração os seguintes indicadores econômicos comumente usados na previsão de vendas segundo Meyer (1990): renda per capita; produção de automóveis; renda agrícola; nível de emprego; renda nacional bruta; preços ao consumidor; preços de mercadorias no atacado; depósitos bancários; produção de aço; produção industrial.

3.2.2 Extração de características

Ao compararmos os resultados obtidos através na etapa de aquisição e avaliação dos dados foi possível verificar as três fontes de tinham características com convergência para os seguintes grupos: Indústrias; Comércio; Transporte e Armazenagem; Construção; Informação e comunicação; Renda per capita; Nível de emprego; Preços ao consumidor; Preços de mercadorias no atacado; Produção de aço.

Com base nestas informações foi possível fazer o levantamento indicadores econômicos no Sistema Gerenciador de Séries Temporais - SGS (BACEN, 2012), onde foram selecionados 100 indicadores com alguma relação com os grupos citados.

3.2.3 Análise de Correlação

Para identificar a relação entre as variáveis de mercado e a demanda de aço da empresa Alfa foi realizada uma análise de correlação que tem como propósito saber como se comporta uma variável conhecendo o comportamento de outras variáveis relacionadas (SAMPIERI; COLLADO; LUCIO, 2001, p. 63).

A correlação é medida pela estatística que resume a força e a direção da associação entre duas variáveis (MALHOTRA, 2011, p. 419).

Em um primeiro momento se realizou uma análise de correlação com todas as variáveis envolvidas e a variável consumo de aço da empresa Alfa, não se considerando os supostos paramétricos, pois o objetivo era identificar o tipo de correlação existente para a diminuição do número de variáveis.

O critério utilizado tomou como base a classificação da força de uma correção apresentada por Santos (2007), considerando as variáveis com correlação no intervalo de -0,6 e 0,6 foram retiradas do estudo.

4. Resultados

Antes de desenvolver a análise de correlação final com as variáveis que apresentaram alguma correlação no primeiro levantamento foi realizada a verificação dos supostos paramétricos, estes são requisitos que devem ser respeitados para que os testes paramétricos possam ser aplicados, caso os supostos não sejam respeitados, os testes aplicados devem ser não paramétricos.

Os supostos paramétricos são:

1. a variável dependente é quantitativa contínua, medida pelo menos em uma escala de intervalo;
2. a amostra é maior que trinta elementos.
3. a população é normalmente distribuída;
4. a homoscedasticidade entre os grupos de variáveis.

Os supostos a e b são respeitados pelo conjunto de dados, pois as variáveis estudadas são contínuas e o tamanho da amostra é maior que 30.

Para verificar os itens c foi aplicado o teste de Kolmogorov-Smirnov (HAIR, 2005 p. 78) já a homoscedasticidade foi avaliada pelo teste Levene (HAIR, 2005, p.79) que indicou que esta condição não era respeitada, o nosso estudo fica restrito a uma análise de correlação e, para este, o resultado do teste de Levene (HAIR, 2005, p.79) não terá influência.

Na avaliação do suposto paramétrico de normalidade da população onde se avaliou se os dados seguem uma distribuição normal testou-se a hipótese nula que afirmava que a variável é normalmente distribuída contra a hipótese alternativa que a distribuição não segue uma distribuição normal. Através dos resultados obtidos na aplicação do teste Kolmogorov-Smirnov foi possível verificar que a significância foi maior que 0,05 para todas as variáveis o que nos impede de rejeitar a hipótese nula, ou seja, os dados seguem uma distribuição normal.

Após a avaliação dos supostos paramétricos foi possível realizar a análise de correlação entre as variáveis externas e a demanda de aço da empresa Alfa, que estão apresentadas na Tabela 9.

Tabela 9 - Análise de Correlação através do Coeficiente de Pearson.

Fonte: Elaborado pelos autores

Analisando a Tabela 10 é possível verificar que todas a variáveis apresentaram um coeficiente de Pearson superior a 0,6, o que para Santos (2007) representa uma correlação moderada positiva. Para confirmar a existência destas correlações também realizamos o teste de Kayser Meyer Olkin (KMO) junto com o teste de Esfericidade de Bartlett (Hair, 2005, p. 91 apresentados na Tabela 12.

Os testes de Esferecidade de Bartlett e o Kayser Meyer Olkin (KMO) são testes estatísticos que avaliam a significância das correlações entre as variáveis. O teste de esfericidade de Bartlett (Hair, 2005, p. 91) fornece a probabilidade estatística que a matriz de correlação tenha correlações significantes entre pelo menos algumas das variáveis, sendo que, este teste é muito sensível ao tamanho da amostra e, portanto, devemos ter cuidado ao utilizá-lo (Hair, 2005, p. 98). O autor afirma ainda que uma outra medida para quantificar a correlação entre as variáveis é a medida de adequação da amostra (MAS) que pode ser verificada através do teste de KMO.

O KMO tem uma variação de zero a 1, e segundo Kaiser (1970, 1974, apud HAIR, 2005, p. 98) pode ter a interpretação dos valores: MAS ³ 0,8, admirável; 0,7 ≤ MAS < 0,8, mediano; 0,6 ≤ MAS < 0,7; medíocre; 0,5 ≤ MAS < 0,6, ruim e inferior a 0,5 inaceitável.

O KMO apresentou um valor para MAS superior a 0,8 o que para Kayser (1970, 1974, apud HAIR, 2005, p. 98) indica uma correlação admirável entre as variáveis. Já o teste Bartlett apresentou uma significância inferior a 0,05 o que rejeita a hipótese nula de as variáveis não serem correlacionadas.

Os testes de KMO e Bartlett vem a confirmar os resultados apresentados na análise de correlação feita através do coeficiente de correlação de Pearson, ou seja, existe uma correlação entre as variáveis de mercado e o a demanda de aço da Empresa Alfa. Este resultado também confirma os resultados da análise qualitativa, uma vez que a correlação entre as variáveis pode ser vista como um indicativo de correlação entre os setores econômicos aos quais as variáveis pertencem.

Com base nos resultados da análise de correlação, apresentados na tabela 10, foi possível agrupar as variáveis conforme a suas similaridades e com estes grupos construir um modelo, apresentado na figura 1, que representa uma visão das relações existentes entre o mercado e o consumo de aço da empresa Alfa na época quem que o estudo foi realizado. É importante destacar que este modelo é temporal, ou seja, só representa o momento do estudo e pode sofrer alterações se o estudo for realizado em outros momentos.

Figura 1: Relação entre o Consumo de Aço e o Mercado.

Fonte: Elaborado pelos autores

A figura 1, dentro de um processo de inteligência, traz uma visão mais ampla dos grupos de variáveis que devem ser constantemente monitorados pela empresa Alfa na busca de identificação de sinais fracos que possam orientar o seu planejamento estratégico relacionado com a compra e armazenamento de aço. Este conjunto de grupos representa o momento que o estudo foi realizado e passa por constante processo de transformação, onde os elementos presentes neste momento necessariamente não precisam estar presentes em momentos posteriores. A identificação das mudanças no modelo depende de um monitoramento constante, por parte da empresa, das relações existentes entre o mercado externo, as variáveis internas e o consumo do aço.

O modelo apresentado na figura 1 demonstra um panorama das relações entre o mercado e o consumo de aço e tem como objetivo melhor orientar a vigilância interna e externa da empresa em um processo de inteligência estratégica. É recomendável que a empresa acompanhe o comportamento das variáveis pertencentes a cada grupo dando prioridade ao grau de correlação existente entre as variáveis e o consumo de aço. A tabela 11 traz a classificação das variáveis em ordem decrescente do grau de correlação existente entre elas e a demanda de aço, e tem como objetivo orientar a vigilância da empresa.

Tabela nº 11: Classificação das variáveis conforme o coeficiente de correlação.

Fonte: Dados elaborados pelos pesquisadores

Este conjunto de variáveis apresentados na tabela 11 traz uma visão mais localizada sobre o mercado levando-se em consideração os grupos apresentados anteriormente e pode ser interpretado como um retrato do mercado no período em que o estudo foi realizado.

Considerações Finais

O artigo apresentou o estudo de caso da empresa Alfa que adotou procedimentos de data mining para a identificação de correlações entre variáveis econômicas e sua relação com o consumo de Aço. O objetivo foi analisar as correlações entre os dados de diferentes origens externas com os dados internos da organização para identificar os indicadores mais relevantes para o monitoramento dos ambientes de interesse da empresa no processo de inteligência competitiva. Para isso foi analisado o banco de dados da empresa com 5.533 negociações realizadas no período de janeiro de 2006 a maio de 2012 bem como séries temporais de mais de 100 indicadores pertinentes ao negócio da empresa estudada. A análise indicou que as variáveis externas que estão relacionadas ao consumo de aço da empresa são: produção de veículos pesados, produção e consumo de derivados de petróleo e energia elétrica, índices de vendas, indicadores da produção, indicadores da construção civil e indicadores sociais como endividamento das famílias em relação à renda acumulada e valor da cesta básica.

Com o estudo foi possível observar que o conhecimento focado para a inteligência e suas aplicações em busca de suporte a tomada de decisão são fundamentais para a organização. Observação essa que vai ao encontro de Davenport e Marchand (2004) que descrevem que mais importante do que diferenciar dados, informação e conhecimento é a gestão e o uso que se faz deles, sugerindo ainda, que a classificação de conceitos de inteligência, seja utilizada para facilitar o processo decisório.

Além disso o estudo discutiu o Big Data como uma fonte inesgotável de informações, que deve ser estudada, entendida e analisada por núcleos de inteligência estratégicas existentes nas organizações, e o Data Mining como uma ferramenta de busca de informações no Big Data, a serviço da inteligência.

Destarte, o foco das análises de inteligência estratégica, bem como a análise e construção de modelos matemáticos específicos para a análise desses dados reforça que, o aprofundamento desses estudos torna-se ferramenta essencial para que, as organizações efetivamente utilizem as informações ao seu entorno para a tomada de decisão.

Para trabalhos futuros de construção de ferramentas de inteligência para o planejamento organizacional entendemos que, além da qualificação da mão de obra para análise e interpretação dos dados, a construção de um modelo de previsão de demanda específico pode ser desenvolvido.

Referências

ABRAIC. Associação dos Analistas de Inteligência Competitiva. Disponível emhttp://www.abraic.org.br. Acessado em 18.ago. 2012.

AKERKAR, Rajendra. Big data computing. Boca Raton: Taylor & Francis Group, LLC, 2014.

ANSOFF, H. I.; Managing Strategic Surprise by Response to Weak Signals,California Management Review (pre-1986); Winter 1975; 18, 000002; ABI/INFORM Global pg. 21 AUSTER, E.; CHOO, C. W. CEOs, information, and decisionmaking: scanning the environment for strategic advantage. Library Trends, v. 43, n. 2, p. 206-225, Fall 1994.

BACEN, Banco Central do Brasil. SGS - Sistema Gerenciador de Séries Temporais. Disponível em:<https://www3.bcb.gov.br/sgspub/localizarseries/localizarSeries.do?method=prepararTelaLocalizarSeries>. Acesso em: 10 jun. 2012.

BETSER, Joseph; BELANGER, David. Architecting the enterprise via big data analytics. In: LIEBOWITZ, Jay. Big data and business analytics. Boca Raton: Taylor & Francis Group, LLC, 2013.

BENVENUTO. Revista Comemorativa aos 40 anos da Bertolini S/A. Disponível em http://www.bertolini.com.br/benvenuto/index.html. Acesso em 10. jul. 2012.

BRAGA, L., P., V. Introdução à Mineração de Dados. 2.ed. ampl. e rev. Rio de Janeiro: E-Papers, 2005. 211 p.

CARDOSO, O. N. P.; MACHADO, R. T. M.. Gestão do conhecimento usando data mining: estudo de caso na Universidade Federal de Lavras. Rev. Adm. Pública, Rio de Janeiro, v. 42, n. 3, jun. 2008. Disponível em <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0034-76122008000300004&lng=pt&nrm=iso>. acesso em 01 fev. 2013.

CERVO, A. L.; BERVIAN, P. A. Metodologia científica. 5.ed. São Paulo: Prentice Hall, 2002. 242 p.

CUKIER, Kenneth. Data, data, everywhere: a special report on managing information. The Economist, 394(8671), Fevereiro 2010

CÔRTES, S., C.; PORCARO, R., M.; LIFSCHITZ, S. Mineração de Dados: Funcionalidades, Técnicas e Abordagens. Disponível em: <http://www.dbd.puc-rio.br/depto_informatica/02_10_cortes.pdf>. Acesso em: 04 ago. 2012.

DAVENPORT, T, PRUSAK, L. Conhecimento Empresarial. Rio de Janeiro: Campus, 1998.

DAVENPORT, T. H.; MARCHAND, D. A. A G. C. É Apenas uma Boa Gestão da Informação?In: DAVENPORT, T. H., MARCHAND, D. A. DICKSON, T. Dominando a Gestão da Informação. Trad.: Carlo Gabriel Porto Bellini e Carlos Alberto Silveira Netto Soares. PortoAlegre: Bookman, 2004.

DAVENPORT, T., H. Ecologia da Informação: Por que só a Tecnologia não Basta para o Sucesso na Era da Informação. 5.ed. São Paulo: Futura, 1998. EMC - Report and recommendations based on discussions with the Leadership Council for Information Advantage.

EMC Corporation, Hopkinton, Massachusetts.Disponível em: <http://brazil.emc.com/microsites/bigdata/index.htm>. Acesso em 03 ago 2012.

ESPÍNDOLA, A. M. S.; CAMARGO, M. E.. Inteligência competitiva e modelos de séries temporais para previsão de consumo: o estudo de uma empresa do setor metalúrgico. Caxias do Sul, RS, 2013. 134 p. Dissertação (Mestrado) - Universidade de Caxias do Sul, Programa de Pós-Graduação em Administração, 2013. FACHINELLI, A. C., GIACOMELLO, C.P., DORION, E., Rech, J. "The Strategic Intelligence and Knowledge Creation: a Brazilian Case", Journal of IMS Group, v. 7, 2010, pp. 1-12.

FEINLEIB, D. Big Data Trends, Forbes, 2012. Disponível em http://www.forbes.com/sites/davefeinleib/2012/07/24/big-data-trends/. Acesso em 05 ago 2012.

FREITAS, H. M. R. e JANISSEK-MUNIZ, R. Uma Proposta de Plataforma para Inteligência Estratégica. In: Congresso Ibero Americano de Gestão do Conhecimento e Inteligência Competitiva (GeCIC), 2006, Curitiba. Anais... 2006.

GIL, A. C. Métodos e Técnicas de Pesquisa Social. 6. ed. São Paulo: Atlas, 2008.

HAIR, J., F. Análise Multivariada de Dados. 5.ed. Porto Alegre: Bookman, 2005. p.593 IABR, Instituto De Aço Brasil. Dados do Mercado. Disponível em: <http://www.acobrasil.org.br/site/portugues/numeros/numeros--mercado.asp>. Acesso em: 01 jun. 2012.

IBGE, Instituto Brasileiro de Geografia e Estatística. Comissão Nacional de Classificação: Tabela CNAE. Disponível em: <http://www.cnae.ibge.gov.br/>. Acesso em: 04 jun. 2012.

IDC - International Data Corporation. THE 2011 Digital Universe Study: Estracting Value from Chaos – Big Value from Big Data. Disponível em: <http://brazil.emc.com/collateral/demos/microsites/emc-digital-universe-2011/index.htm>.Acesso em 05 ago. 2012.

KAYSER, H., F. A Second – Generation Litte Jiffy. 1ª ed. New York: Psycochometrika, 1970.

KAYSER, H., F.; RICE, J. Little Jiffy, Mark IV. Educational and Psychological Measurement, Vol 34(1), 1974, 111-117. KING, D. Numerical machine learning. Georgia: Tech College of Computing, 2003. Disponível em: <www.cc.gatech.edu/kingd/datamine/datamine.html>. Acesso em: 22 mar. 2004.

LAKATOS, E. M.; MARCONI, M. A. Metodologia Científica. 5. ed. rev. e ampl. São Paulo: Atlas, 2007.

MALHOTRA, N. K. Pesquisa de marketing: foco na decisão. 3.ed. São Paulo: Pearson, 2011. xx, 491 p

MARTINS, G. A.; THEÓPHILO, C. R. Metodologia da Investigação Científica para Ciências Sociais aplicadas. 2. ed. São Paulo: Atlas, 2009.

MICHAELI, R.; SIMON, L."An illustration of Bayes' theorem and its use as a decision-making aid for competitive intelligence and marketing analysts", European Journal of Marketing, v. 42 n. 7 p. 804-813, 2008.

1. UCS, Brasil. Email: amsespin@ucs.br
2. UCS, Brasil. Email: lroth@ucs.br

3. UCS, Brasil. Email: kamargo@terra.com.br

4. UCS, Brasil. Email: acfachin@ucs.br

5. Global Pulse é uma iniciativa das Organizações das Nações Unidas (ONU), lançada por seu Secretário-Geral em 2009, para alavancar inovações em dados digitais, rápida coleta e análise de dados para ajudar os decisores em tempo real a compreender como crises impactam populações vulneráveis. Funciona como um laboratório de inovação, reunindo peritos de dentro e fora da ONU para aproveitar novo mundo de dados digitais produzindo análises em tempo real para o desenvolvimento global.