Beruflich Dokumente
Kultur Dokumente
Ponto II.2
1
Bibliografia
2
Conteúdo
3
Fatores Críticos de Sucesso
• Ferramenta importante em ambientes em
sérias transformações.
Natureza hierárquica
•Arborescência
• Caráter dinâmico
Indústria automobilística
1. Estilo do veículo
2. Economia de combustível
3. Atendimento à legislação ambiental
4. Rede de distribuição eficiente
5. Rígido controle sobre os custos de produção
Exemplos de fatores críticos de sucesso
Área de informática
1. Capacidade de inovação
2. Qualidade nas vendas e na literatura do
usuário
3. Facilidade de uso dos produtos
Exemplos de fatores críticos de sucesso
Indústria de alimentos
1. Eficácia na propaganda
2. Eficácia na distribuição dos produtos
3. Capacidade de inovação de produtos
Exemplos de fatores críticos de sucesso
Empresas de treinamento
1. Instrutores de competência
2. Qualidade e tamanho da mala direta
3. Identificação de temas atuais e relevantes
4. Imagem reconhecida no mercado
Exemplos de fatores críticos de sucesso
Primeira etapa
Segunda etapa
1. Análise ambiental
2. Análise da estrutura da indústria (5 forças de Porter)
3. Consulta a especialistas (indústria/negócio)
4. Análise da concorrência
5. Análise da empresa líder no segmento industrial
6. Avaliação da empresa
7. Fatores temporais/intuitivos (específicos da empresa)
8. Análise dos dados da base PIMS (Profit Impact of Market
Strategy).
Descrição do método
Análise ambiental
- concorrencial
- comercial (clientes e fornecedores)
- tecnológica (estado-da-arte da tecnologia)
- do macroambiente (aspectos legais, políticos, culturais
e do meio ambienteque impactam diretamente o negócio)
O PROCESSO
DE
BENCHMARKING
22
POR QUE PRATICAR “BENCHMARKING”
23
O QUE É “BENCHMARKING”?
É UM PROCESSO QUE NOS AJUDA A AVALIAR
ONDE ESTAMOS EM RELAÇÃO AOS OUTROS E A
MELHORAR.
25
O PROCESSO DE FAZER BENCHMARKING
ADAPTAR, PLANEJAR O
CRIAR PROCESSO DE
E BENCHMARKING
IMPLEMENTAR
AGIR PLANEJAR
DESCOBERTAS
A P
C D
CHECAR FAZER
ANALISAR AS CONDUZIR A
INFORMAÇÕES PESQUISA DE
COMPARATIVAS INFORMAÇÕES
26
FAZER “BENCHMARKING” DO QUE?
27
COM QUEM FAZER “BENCHMARKING”?
1. COMPETIDORES DIRETOS
2. EMPRESAS DE OUTROS SETORES
3. ASSOCIAÇÕES DE CLASSE
4. FORNECEDORES E CLIENTES
5. EMPRESAS CLASSE MUNDIAL (PNQ, ETC)
6. GRUPOS DE BENCHMARKING
28
OLHANDO PARA O PRÓPRIO UMBIGO
1. UNIFORMIZAMOS A AÇÃO DENTRO DA EMPRESA
2. GANHAMOS TEMPO E CLAREZA, FACILITAMOS A
COMPREENSÃO DE TODOS
3. MELHORAMOS A COMUNICAÇÃO, ANTES, DURANTE
E DEPOIS
4. IDENTIFICAMOS OS INDICADORES ADEQUADOS
5. SIMPLIFICAMOS O TREINAMENTO
6. CONSTATAMOS SE SOMOS CAPAZES DE FAZER
BENCHMARKING
29
AS PRÁTICAS DE BENCHMARKING
NAS GANHADORAS DO PNQ
PRÊMIO NACIONAL DA QUALIDADE
30
AS EMPRESAS PREMIADAS COM O PNQ
CONSIDERADAS “CLASSE MUNDIAL”
• 2002 – GERDAU AFP • 1997 – WEG
• 2002 – POLITENO • 1997 – COPESUL
• 2002 – STA CASA • 1997 – CITIBANK
PORTO ALEGRE (CORPORATE)
• 1996 – ALCOA POÇOS
• 2001 – BAHIA SUL CALDAS
CELULOSE
• 1995 – SERASA
• 2000 – SERASA • 1994 – CITIBANK
• 1999 – CETREL (CONSUMER)
• 1999 – CATERPILLAR • 1993 – XEROX
• 1998 – SIEMENS • 1992 – IBM SUMARÉ
31
O PROCESSO DE BENCHMARKING DA XEROX
OUTPUT, RESULTADOS
FATORES DE SUCESSO
1. 2. QUEM/QUAL
BENCHMARKING É O MELHOR?
DE QUE?
N COLETA DE
E
Ó L
ANÁLISE
S E
S
DADOS
PROCESSOS, PRÁTICAS,
MÉTODOS
FONTE: RELATÓRIO DE 32
GESTÃO PNQ DA XEROX
BENCHMARKING EM 10 GRANDES PASSOS
33
CÓDIGO BRASILEIRO DE ÉTICA E CONDUTA
PARA A PRÁTICA DO BENCHMARKING
1. PRINCÍPIOS DA LEGALIDADE
2. PRINCÍPIOS DO INTERCÂMBIO
3. PRINCÍPIOS DA CONFIDENCIALIDADE
4. PRINCÍPIOS DO USO
5. PRINCÍPIOS DO CONTATO EM BENCHMARKING
6. PRINCÍPIOS DO CONTATO COM TERCEIROS
7. PRINCÍPIOS DA PREPARAÇÃO
8. PRINCÍPIOS DO PLENO CUMPRIMENTO
9. PRINCÍPIOS DO ENTENDIMENTO E AÇÃO
10. PRINCÍPIOS DO RELACIONAMENTO
34
Balanced
Scorecard
BSC
35
Entendendo os blocos básicos da estratégia
Modelo econômico
Retorno do
Investimento
Vendas Produtividade do negócio
Proposta de Valor
Preço Tempo Imagem
por segmento de
Mercado
Qualidade Funções Relações
Cadeia de Valor
Serviço
Marca Vender Entregar Cliente
Mudança Crítica ou
Habilitadores de valor
Core/Staff Tecnologia Clima p/
Competências Infra-estrutura Ação
36
A execução da estratégia
37
O Balanced Scorecard como uma
estratégia para ação
Clarificar e Traduzir
Visão e a Estratégia
Clarificando a visão
Obtendo o consenso
Planejamento e Objetivos
Alinhando iniciativas
estratégicas
Alocando os recursos
Estabelecendo prazos
38
BSC: Uma ferramenta de gestão da performance empresarial
39
Por quê o negócio precisa de um Balanced
Scorecard ?
Por que não continuar usando só as medidas financeiras?
Um exemplo:
Larry Brady, Presidente da FMC:
40
BSC – Balanced Scorecard
41
BSC – Balanced Scorecard
42
Perspectiva Financeira
Benefícios
esperados
43
Indicadores vinculados à área financeira
• Receita operacional
• Retorno sobre o capital empregado, Retorno sobre os ativos
• Valor agregado econômico (lucro operacional pós-tributação
menos custo de capital)
• Crescimento de vendas, Crescimento de receita
• Percentual de receita decorrente de novos produtos e
serviços
• Lucratividade por produto / serviço / cliente
• Receita por funcionário
• Despesas de vendas, gerais e administrativas como
percentual do total de custos ou receitas.
44
Perspectiva Cliente
Benefícios
esperados
45
Indicadores vinculados ao Cliente
Índice de Reclamações dos clientes
Crosselling
Chamadas a clientes
Novas vendas
46
Indicadores vinculados ao Cliente
% de fornecedores com certificação ISO
Vendas geradas por parceiros
% de novos produtos desenvolvidos com parceiros
Avaliar mix da base de clientes e sua composição
Quedas de preço
Esforço de venda em novos clientes
Satisfação da rede de distribuição
Canal de distribuição, produtividade e qualidade
Compromissos não cumpridos
Taxa de queixas dos Cliente
47
Perspectiva Processos Internos
Benefícios
esperados
Processo de identifi-
Análise da inter- Processo de Processo
cação necessidades
relação com inovação e novos de
dos clientes e servi-
departamentos produtos operações
ços pós vendas
48
Indicadores vinculados ao Processo
49
Indicadores vinculados ao Processo
Investimento em TI (sistemas e automação) sobre vendas
Custo do Capital
Taxa de não-conformidade
50
Perspectiva Aprendizagem e Crescimento
Benefícios
esperados
51
Indicadores vinculados a Crescimento e Aprendizagem
52
Indicadores vinculados a Crescimento e Aprendizagem
Promoções Internas
Níveis de Aprovação de Gastos
Numero de Funcionários
Número de funcionários temporários sobre o total
Índice de medição de sistemas de apoio a decisão
Índice de Empowerment
Numero de dias de treinamento
Clima Organizacional
Investimento em criatividade e aprendizagem
Disponibilidade de Informações
53
Finanças ROCE
Lealdade
Clientes
Cliente
Entregas
corretas
Crescimento e Perfil
Funcionários
Aprendizagem
54
Construindo o BSC: respondendo as quatro
perguntas chave
“Para ter
sucesso
financeiro, qual
a nossa imagem
para os nossos
acionistas?”
“Para cumprir
nossa visão,
quais as
competências
necessárias?”
55
Descoberta de Conhecimento
em Bases de Dados
e Mineração de Dados
Motivação
Motivação
Solução:
– ferramentas de automatização das tarefas
repetitivas e sistemática de análise de dados
– ferramentas de auxílio para as tarefas
cognitivas da análise
– integração das ferramentas em sistemas
apoiando o processo completo de descoberta
de conhecimento para tomada de decisão
Motivação
Exemplo Preliminar
Um problema do mundo dos negócios:
entender o perfil dos clientes
– desenvolvimento de novos produtos;
– controle de estoque em postos de
distribuição;
– propaganda mal direcionada gera maiores
gastos e desestimula o possível interessado a
procurar as ofertas adequadas;
Quais são meus clientes típicos?
Exemplo
Descoberta de Conhecimento
em Bancos de Dados (KDD)
“O processo não trivial de extração de
informações implícitas, anteriormente
desconhecidas, e potencialmente úteis de
uma fonte de dados”;
“Torture os dados até eles confessarem”;
O que é um padrão interessante ?
Conceitos
KDD x Data Mining
Mineração de dados é o passo do
processo de KDD que produz um conjunto
de padrões sob um custo computacional
aceitável;
KDD utiliza algoritmos de data mining para
extrair padrões classificados como
“conhecimento”. Incorpora também tarefas
como escolha do algoritmo adequado,
processamento e amostragem de dados e
interpretação de resultados;
Conceitos
Etapas do Processo
Seleção
Pré-processamento
Transformação
Data mining (aprendizagem)
Interpretação e Avaliação
Processo
Processo mínimo de
descoberta do conhecimento
Compreensão do domínio e dos objetivos da tarefa;
Criação do conjunto de dados envolvendo as variáveis
necessárias;
Processo
Seleção de Dados
Processo66
Processo mínimo
Operações como identificação de ruídos,
outliers, como tratar falta de dados em alguns
campos, etc.
Processo
Pré-Processamento
Estágio de limpeza dos dados, onde
informações julgadas desnecessárias são
removidas.
Reconfiguração dos dados para assegurar
formatos consistentes (identificação)
– Ex. : sexo = “F” ou “M”
sexo = “M” ou “H”
Processo68
Processo mínimo
Redução de dimensionalidade,
combinação de atributos;
Processo
Transformação
Transformam-se os dados em formatos
utilizáveis. Esta depende da técnica data
mining usada.
Disponibilizar os dados de maneira usável e
navegável.
Processo70
Processo mínimo
Escolha e execução do algoritmo de aprendizagem de
acordo com a tarefa a ser cumprida
Processo
Data Mining
Processo72
Processo mínimo
Interpretação dos resultados, com
possível retorno aos passos anteriores;
Processo74
Métodos de mineração de
dados
Métodos de mineração de dados
normalmente são extensões ou
combinações de uns poucos métodos
fundamentais;
Porém, não é viável a criação de um único
método universal: cada algoritmo possui
sua própria tendência indutiva;
Métodos
Tarefas básicas
Previsão
– Cálculo de variáveis de interesse a partir dos
valores de um conjunto de variáveis de
explicação;
– É comumente visada em aprendizado de
máquina/estatística;
– Exemplos: classificação e regressão;
Métodos
Tarefas básicas
Descrição
– Reportar relações entre as variáveis do
modelo de forma simétrica;
– À princípio, está mais relacionada ao
processo de KDD;
– Exemplos: agrupamento, sumarização
(incluindo sumário de textos), dependências,
análise de desvio;
Métodos
Exemplo de previsão (I)
Um hiperplano paralelo de
Análise de crédito separação: pode ser
interpretado diretamente
como uma regra:
sem
x o – se a renda é menor que t,
crédito o então o crédito não deve ser
o liberado
x x
x Exemplo:
x o o
x o o – árvores de decisão;
o – indução de regras
débito
x o o
t renda
x: exemplo recusado
o: exemplo aceito
Métodos
Exemplo de previsão (II)
Análise de crédito Hiperplano oblíquo: melhor
separação:
sem
Exemplos:
x o – regressão linear;
crédito o
– perceptron;
o
x x
x
x o o
x o o
o
débito
x o o
t renda
x: exemplo recusado
o: exemplo aceito
Métodos
Exemplo de previsão (III)
Superfície não linear:
Análise de crédito melhor poder de
classificação, pior
sem interpretação;
x o
crédito o Exemplos:
o – perceptrons
x x multicamadas;
x
x o o – regressão não-linear;
x o o
o
débito
x o o
t renda
x: exemplo recusado
o: exemplo aceito
Métodos
Exemplo de previsão (IV)
Métodos baseado em
Análise de crédito exemplos;
Exemplos:
sem
o – k-vizinhos mais
crédito x próximos;
o
o – raciocínio baseado em
x x casos;
x
x o o
x o o
o
débito
x o o
t renda
x: exemplo recusado
o: exemplo aceito
Métodos
Exemplo de descrição (I)
Agrupamento
Análise de crédito
Exemplo:
– vector quantization;
+ +
+
+
+ +
+
+ + +
+ + +
+
débito
+ + +
t renda
+: exemplo
Métodos
Exemplo de descrição (II)
Regras de associação
– “98% dos consumidores que adquiriram
pneus e acessórios de automóveis também
se interessaram por serviços automotivos”;
– descoberta simétrica de relações, ao
contrário de métodos de classificação
qualquer atributo pode ser uma classe ou um
atributo de discriminação;
Métodos
Exemplos
Áreas de aplicações potenciais:
– Vendas e Marketing
• Identificar padrões de comportamento de
consumidores
• Associar comportamentos à características
demográficas de consumidores
• Campanhas de marketing direto (mailing
campaigns)
• Identificar consumidores “leais”
Exemplos84
Exemplos
Áreas de aplicações potenciais:
– Bancos
• Identificar padrões de fraudes (cartões de
crédito)
• Identificar características de correntistas
• Mercado Financeiro ($$$)
Exemplos85
Exemplos
Áreas de aplicações potenciais
– Médica
• Comportamento de pacientes
• Identificar terapias de sucessos para diferentes
tratamentos
• Fraudes em planos de saúdes
• Comportamento de usuários de planos de saúde
Exemplos86
Introdução
Exemplo (1) - Fraldas e cervejas
– O que as cervejas tem a ver com as fraldas ?
– homens casados, entre 25 e 30 anos;
– compravam fraldas e/ou cervejas às sextas-
feiras à tarde no caminho do trabalho para
casa;
– Wal-Mart otimizou às gôndolas nos pontos de
vendas, colocando as fraldas ao lado das
cervejas;
87
– Resultado: o consumo cresceu 30% .
Exemplos
Exemplo (2) - Lojas Brasileiras (Info 03/98)
– Aplicou 1 milhão de dólares em técnicas de
data mining
– Reduziu de 51000 produtos para 14000
produtos oferecidos em suas lojas.
– Exemplo de anomalias detectadas:
– Roupas de inverno e guarda chuvas encalhadas
no nordeste
– Batedeiras 110v a venda em SC onde a
corrente elétrica é 220v
Exemplos88
Exemplos
Exemplo (3) - Bank of America (Info
03/98)
– Selecionou entre seus 36 milhões de clientes
• Aqueles com menor risco de dar calotes
• Tinham filhos com idades entre 18 e 21 anos
• Resultado em três anos o banco lucrou 30
milhões de dólares com a carteira de
empréstimos.
Exemplos89
Exemplos
Empresas de software para Data
mining:
– SAS http://www.sas.com
– Information Havesting http://www.convex.com
– Red Brick http://www.redbrick.com
– Oracle http://www.oracle.com
– Sybase http://www.sybase.com
– Informix http://www.informix.com
– IBM http://www.ibm.com
Exemplos90
Conclusões
• Data mining é um processo que permite
compreender o comportamento dos dados.
• Data mining analisa os dados usando técnicas de
aprendizagem para encontrar padrões e
regulariedades nestes conjuntos de dados.
• É um problema pluridisciplinar, envolve Inteligência
Artificial, Estatística, Computação Gráfica, Banco de
Dados.
• Pode ser bem aplicado em diversas áreas de
negócios
Conclusões
91
Referências
– Fayyad et al. (1996). Advances in knowledge discovery and
data mining, AAAI Press/MIT Press.
– Holsheimer, M. & Siebes, A.P.J.M. Data Mining: The Search
for Knowledge in Databases, 1994.
– http://www-pcc.qub.ac.uk/tec/courses/datamining
– http://www.rio.com.br/~extended
– http://www.datamining.com
– http://www.santafe.edu/~kurt
– http://www.datamation.com
– http://www-dse.doc.ic.ac.uk/~kd
– http://www.cs.bham.ac.uk/~anp
– http://www.dbms.com
– http://www.infolink.com.br/~mpolito/mining/mining.html
– http://www.lci.ufrj.br/~labbd/semins/grupo1 Referências
92