quinta-feira, 17 de janeiro de 2008

Definição de Balanced Score Card de Dave Norton

The Balanced Scorecard is a powerful framework to help organizations rapidly implement strategy by translating the vision and strategy into a set of operational objectives that can drive behavior, and therefore, performance. Strategy-driven performance measures provide the essential feedback mechanism required to dynamically adjust and refine the organization's strategy over time. The Balanced Scorecard concept is built upon the premise that what is measured is what motivates organizational stakeholders to act. Ultimately all of the organization's activities, resources, and initiatives should be aligned to the strategy. The Balanced Scorecard achieves this goal by explicitly defining the cause and effect relationships between objectives, measures, and initiatives across each perspective and down through all levels of the organization. Developing a Balanced Scorecard is the first step in creating a Strategy-Focused Organization. Dave Norton


Por Carla Gomes

sexta-feira, 11 de janeiro de 2008

Balanced Scorecard

“The balanced scorecard is a strategic planning and management system that is used (…) to align business activities to the vision and strategy of the organization, improve internal and external communications, and monitor organization performance against strategic goals.”

In http://www.balancedscorecard.org

Consideramos que faz todo o sentido abordar o BSC como um sistema, dado que estamos perante um conjunto de entidades, categorizadas em perspectivas organizacionais, umas interagindo entre si, outras independentes, formando um todo. É neste todo que uma organização se deve basear, não só com o intuito de medir a performance e alinhar o negócio com a estratégia delineada, como também no auxilio ao gestor/decisor na identificação do que deve ser medido e da forma como deve ser executada essa estratégia. Um dos objectivos do BSC consiste em alinhar a estratégia com a visão de uma organização mediante a combinação da perspectiva financeira de negócio com outras perspectivas, nomeadamente de aprendizagem e crescimento, de processos internos e de cliente. O BSC revela também elevado potencial na comunicação das estratégias e no alinhamento das pessoas com essas estratégias, conduzindo a melhorias significativas na performance e nos resultados.

Abordagem ao conceito de Balanced Scorecard efectuada pelos alunos:

Ana Cardoso
Sofia Marques
Rui Cunha

Fonte: http://www.balancedscorecard.org

quarta-feira, 9 de janeiro de 2008

Uma definição de Balance Scorcard

A definição escolhida para definir o conceito de Balanced Scorecard baseia-se essencialmente nos objectivos e características desta ferramenta de gestão.

Os objectivos e características desta ferramenta são, essencialmente, os seguintes:
  • O Balanced Scorecard salienta a gestão na estratégia da empresa/organização, definindo-a em objectivos, indicadores e iniciativas, em quatro perspectivas (uma financeira e três não financeiras);
  • Nessa base, este modelo contempla quatro perspectivas adicionais - clientes, processos internos, aprendizagem e desenvolvimento organizacional – para além da Perspectiva Financeira tradicional de avaliação do desempenho (que já era contemplada no Tableau de Bord). Desta forma, será possível gerir factores intangíveis fundamentais para um bom desempenho futuro da organização em estudo. Torna-se possível, desta forma associar as potencialidades do Tableau de Bord com a capacidade de gerir aspectos não financeiros e igualmente importantes na evolução financeira positiva da empresa em questão;
  • Permite a comunicação, o envolvimento e o alinhamento dos recursos humanos, assim como o ajustamento dos recursos da organização, de acordo com a estratégia que será definida como sendo a indicada para se atingir os objectivos pretendidos;
  • Considera a existência de relações de causa e efeito entre as diferentes influências anteriormente referidas e entre as medidas e as acções de desempenho;
  • Pretende assegurar o feedback (o retorno de informação de maneira a comunicar a estratégia com todos os intervenientes da empresa) e a aprendizagem mediante os resultados alcançados com as várias acções e medidas efectuadas (a curto e a longo prazo). Desta forma, tendo em conta o resultado positivo e/ou negativo, será facilitado o processo de revisão da estratégia inicialmente definida.

Defendemos que a definição da estratégia deverá ser feita num passo inicial associado à criação de uma organização. Evidentemente que nesta fase, alguns pontos fulcrais para esta definição não são muito adequados e/ou estão pouco demonstrados no inicio da sua formação, daí a necessidade de se adaptar a estratégia em função da evolução, actualização e crescimento da empresa. Para esta adaptação tem que ser possível medir, analisar e fazer a manutenção dos resultados da empresa. O desenvolvimento e adopção de um Balanced Scorecard nascem dessa necessidade.

Tendo em conta todos estes aspectos, o conceito de Balanced Scorecard que defendemos é demonstrado pela junção de diversas definições:

  • Citando Mark L. Frigo, "A Balanced Scorecard is a strategy-focused approach to performance management that includes financial and nonfinancial performance measures … derived from the organization's vision and strategy." Para Kaplan e Norton (1997, p.2): [...] o Balanced Scorecard (BSC) traduz a missão e a estratégia das empresas num conjunto abrangente de medidas de desempenho que serve de base para um sistema de medição e gestão estratégica.
  • A empresa QPR Software apresenta uma definição de BSC na qual nos baseámos para constituir uma definição que consideramos ser simples e abrangente: “O conceito do Balanced Scorecard ajuda a traduzir a estratégia em acção duma organização. Através desta ferramenta, a administração dispõe de uma visão compreensiva e integrada do desempenho e, simultaneamente, de um processo contínuo de avaliação e actualização da estratégia delineada de acordo com a missão da empresa. O BSC constitui, ainda, um facilitador da comunicação e compreensão da visão e dos objectivos estratégicos ao universo dos colaboradores.”

Fontes:
http://www.est.ipcb.pt/psi/psi_OG/docs/Balanced%20Scorecard%20versus%20Tableau%20de%20Bord.pdf

Grupo de Trabalho:
Jorge Afonso Joana Eusébio

terça-feira, 27 de novembro de 2007

Sistemas baseados em regras

Herbert Simon, acerca dos sistemas baseados em regras: Em vez do método de pesquisa força-bruta, temos um método combinado de pesquisa e raciocínio.


Esta frase é bastante explicativa daquilo que constitui um sistema baseado em regras. Estes sistemas são também conhecidos como sistemas periciais ou sistemas baseados em conhecimento. Trata-se de um sistema de apoio à decisão que procura representar o modo de raciocínio e o conhecimento utilizado por especialistas na resolução de problemas no seu âmbito de especialidade. Ou seja, existe um paralelismo entre estes sistemas e a forma como os especialistas humanos atingem um alto nível de desempenho na resolução de problemas, na medida em que estes conhecem muito bem as suas áreas de especialização.

Um dos primeiros sistemas baseados em regras conhecidos foi o MyCin, que foi desenvolvido na década de 70 na Universidade de Stanford e tinha como objectivo fazer o diagnóstico de doenças infecciosas através de dados sanguíneos e recomendar os antibióticos apropriados.

Nos anos seguintes desenvolveram-se sistemas idênticos aplicados a outros domínios de problemas, nomeadamente na área da auditoria contabilística e recomendação fiscal.

De forma mais abrangente, todas as situações, quer envolvam planeamento, diagnóstico, interpretação de dados, optimização ou comportamento social, podem ser expressos mediante um conjunto de regras bem definidas.

Um sistema baseado em regras é um tipo de modelo que utiliza regras explícitas para expressar o conhecimento do domínio de um problema e permite, através da confrontação do conhecimento existente com factos conhecidos sobre um determinado problema, inferir regras relativas a esses factos.

As componentes básicas deste sistema são:

i) Base de conhecimento ou base de regras

Constitui uma espécie de base de dados que, em vez de dados, contém as regras do sistema.

As regras assumem a forma de: Se x então y, em que x é a descrição de determinada situação e y é a acção desencadeada como consequência.

Designa-se por condição o lado esquerdo da regra, (antes do “se”), e por acção o lado direito da regras (depois do “se”).

A ideia por detrás da utilização de regras para representar conhecimento é a de que, utilizando um número suficiente destas regras, se consegue fazer uma cobertura completa do domínio de raciocínio que um perito utiliza para resolver problemas desse domínio.

Cada regra descreve uma região do espaço do problema. Usando uma abordagem do tipo divide-and-conquer (divide e conquistarás), consegue-se representar todo o espaço do problema por um conjunto bem definido de regras, reduzindo a complexidade desse espaço.

ii) Memória

Serve para guardar temporariamente factos iniciais e conclusões intermédias ou hipóteses.

iii) Interface com o utilizador

É o front-end do sistema, onde se introduz os factos do problema e se recebem os resultados ou conclusões retiradas pelo sistema.

iv) Interpretador de regras ou mecanismo de inferência

É o algoritmo que vai procurar fazer o “matching” (correspondência) dos factos iniciais do problema colocado (guardados na memória) com as regras existentes na base de conhecimento a fim de “disparar” a regra que melhor se aplica a esse facto. Quando há um match entre um facto do problema e uma regra, é feita a instanciação da regra e, se não existir conflito com outras regras derivadas de outros factos, esta é seleccionada e guardada novamente na memória ou, caso não existam outros factos para analisar, enviada para a interface com o utilizador.

A figura seguinte exemplifica o funcionamento de sistema.

O ciclo de confrontação das regras com os factos, sendo feita uma correspondência e seleccionando aquelas que se aplica a uma dada situação chama-se reconhecimento – acção.

Este tipo de sistemas tem grande aplicação nos casos em que se consegue representar pequenas peças de conhecimento do domínio de um problema mas não se conhece um critério global de solução óptima.

Se colocarmos um especialista a resolver um problema ele irá seguir um determinado caminho para chegar a uma solução; outro especialista poderá seguir caminho diverso e, ainda assim, chegar à mesma solução. A resolução do problema depende do caminho adoptado, ou seja, das peças de conhecimento que são analisadas por cada perito, sendo extremamente difícil definir o que é a solução global óptima.

Uma das grandes vantagens deste tipo de sistema é a possibilidade de substituir a base de conhecimento, mantendo as restantes componentes, para se ter um novo sistema pericial de um diferente domínio do problema. A explicabilidade da solução é também uma das grandes vantagens a salientar, pois a aplicação de modelos num contexto de negócio pretende-se o mais transparente possível para que a decisão tomada seja claramente entendida por todos os intervenientes. Por outro lado, se estivermos perante um problema que se estruture em demasiadas regras, a sua abordagem via este tipo de sistemas pode ser de difícil implementação.

Sistemas periciais vs Árvores de Decisão

Os sistemas periciais implicam uma estruturação prévia do conhecimento (com base em regras, como vimos) que permite deduzir novos dados. As técnicas de Data Mining podem ser encaradas como o inverso: permitem “vasculhar” a memória que reside nos dados e descobrir padrões e regras significativas. Numa perspectiva de extracção de conhecimento bottom-up, não existem pressupostos e é dada aos dados a oportunidade de se expressarem.

A extracção de conhecimento pode ser:

- supervisionada: a tarefa consiste em explicar o valor de um determinado campo com base nos outros. Seleccionamos um campo alvo e pedimos ao computador para o estimar, prever ou classificar. O exercício de análise de churn posto em prática nas aulas em Clementine usando Árvores de Decisão é um exemplo típico deste tipo de aprendizagem. Partindo de um conjunto de variáveis que caracterizavam clientes cujo comportamento de abandono é conhecido (a variável alvo aqui tomava dois valores possíveis: churners e não churners), foi possível obter um modelo que diferenciava estas duas tipologias de clientes e que, face a um novo conjunto de clientes atribuía uma probabilidade de pertencer aos dois grupos.

- não-supervisionada: não existe um alvo, pedimos à heurística/algoritmo para identificar nos dados padrões significativos. A segmentação de uma base de dados de clientes é um dos exemplos de aplicação da aprendizagem não supervisionada, pois apesar de o output final ser a constituição de agrupamentos de clientes com base em semelhanças, não existe uma classificação pré-definida. O K-means é um dos métodos mais usados neste tipo de problemas de negócio.

Retomando a temática das Árvores de Decisão iniciada nas aulas, vimos como uma das suas principais vantagens é a extracção de regras, que podem facilmente ser expressas em linguagem corrente, de modo a serem bem compreendidas pelos analistas e pelos gestores. Apesar de muitas vezes não ser fundamental conhecer a forma de funcionamento do modelo, existem problemas onde a possibilidade de explicar as razões que justificam determinadas decisões é essencial.

Se nos Sistemas Periciais é fundamental envolver os peritos para explicitar as regras que expressam o conhecimento do domínio de um problema, com as Árvores de Decisão o processo é o inverso. As Árvores de Decisão abordam o processo de extracção de conhecimento numa perspectiva de indução, ou seja, há uma generalização dos padrões encontrados nos dados que depois se traduzem em regras, sem existir um conjunto de premissas formuladas inicialmente sobre as relações entre objectos. Contudo, há que controlar a quantidade de regras geradas pois a knowledge-base extraída pode ser tão má em complexidade tempo e espaço como a base inicial - não nos esqueçamos que, no limite, cada entrada de uma tabela pode originar uma regra. Essa questão é abordada através de técnicas de desbaste da Árvore de Decisão (prunning) e na minimização da diversidade nos nós terminais da Árvore (ou seja, garantir a maior proporção possível de objectos correctamente classificados). Estas técnicas serão devidamente detalhadas no 3º trimestre da cadeira de Data Mining. Irão ver que, no fundo, é como jogar ao jogo das 20 perguntas: a resposta à primeira pergunta determina as questões seguintes e na maior parte das vezes chegamos à solução final sem serem feitas todas as perguntas possíveis, porque os padrões já encontradas por associação das respostas às perguntas anteriores (é vermelho? SIM, é redondo? SIM, é um fruto? SIM), permite-nos chegar à resposta correcta na maioria dos casos (É UMA MAÇÃ???!! NÃO! Vêem aos pares? SIM!! ENTÃO SÃO CEREJAS!).

Por Ana Cristina Cardoso e Ana Sofia Marques

domingo, 18 de novembro de 2007

TPCs 16 e 17 de Novembro

Os TPCs das aulas desta semana são:

a) Fazer a metadata de negócio do problema que cada um representou através de um diagrama de influência;
b) ler o capítulo n.º 7 do livro Seven methods for transforming corporate data into Business Intelligence (Dhar & Stein), que é sobre sistemas baseados em regras (ou sistemas periciais).

Para melhor compreender a importância da análise de dados para BI, ler os seguintes capítulos do livro Discovering knowledge in data (opcional):
- cap. 1 (principalmente a parte final que respeita a what tasks can data mining accomplish?)
- cap. 2
- cap. 3

Por: Ana Cristina e Ana Sofia

quarta-feira, 14 de novembro de 2007

Fuzzy: A lógica do mais ou menos.



Aristóteles, filósofo grego (384 - 322 a.C.), foi o fundador da ciência da lógica. Uma teoria toda ela baseada em certezas absolutas como o Sim, o Não, o E e o Ou.

A lógica Fuzzy ou das variáveis difusas, assume que, entre um Sim e um Não, existe um Mais ou Menos, ou seja, entre a certeza de ser e a certeza de não ser, existem infinitos graus de incerteza.

Estes tipos de incerteza, no entanto, são diferentes da incerteza a Teoria das probabilidades. Enquanto as probabilidades se aplicam a casos e sistemas independentes, as variáveis fuzzy caracterizam-se pela sua inter-dependência, é que a lógica Fuzzy aplica-se principalmente em conjuntos de variáveis contínuas, que podem ser incluídas em vários conjuntos, sendo conhecidos por Conjuntos Nebulosos.

Por exemplo, um homem de 1,75 é alto ou é baixo?

Não podemos responder concerteza se ele é baixo ou se é alto, mas podemos atribuir-lhe uma percentagem de "baixo" e uma percentagem complementar para"alto", no entanto uma coisa é certa, entre o homem de 1,75 de altura e um outro de 1,80, este último é de certeza mais alto que o primeiro.

Desde que foi inventada, em 1965 por Lotfi A. Zadeh (Universidade da Califórnia, Berkeley), que existe uma certa concorrência com a teoria das probabilidades, contudo, a Lógica Fuzzy, com base na teoria dos Conjuntos Nebulosos (Fuzzy Set), tem-se mostrado mais adequada para tratar imperfeições da informação.

Os conjuntos Fuzzy constituem uma "ponte " no caminho de aproximar o raciocínio humano ao da lógica executada pela máquina.

Na prática, as variáveis difusas caracterizam-se por pertencer em simultâneo a vários conjuntos numa determinada proporção entre eles. Esta proporção é designada por Grau de Pertinência.

Este conceito de dualidade, estabele que um determinado estado, pode e deve coexistir com o seu oposto, e deste modo faz da Lógica Fuzzy, uma lógica natural, até mesmo inevitável.


Figura 1: Exemplo da intersecção de variáveis entre conjuntos



Características da Lógica Difusa


- A Lógica Difusa baseia-se em palavras e não em números, ou seja, os valores verdadeiros são expressos adjectivos, por exemplo: quente, muito frio, verdade, longe, perto, rápido, vagaroso, médio, etc.

- Ou então em predicados como por exemplo: muito, mais ou menos, pouco, bastante, médio, etc.

- Possui também conjuntos de quantificadores, como por exemplo : poucos, vários, aproximadamente, habitualmente.

- Faz uso das probabilidades da lingua como por exemplo: provável, improvável, que são interpretados como números fuzzy e manipulados pela sua aritmética.

- As variáveis são sempre associadas a um grau de pertinência com valores entre 0 e 1.


Figura 2: Exemplo de aplicação de variáveis fuzzy



Vantagens da utilização de variáveis Fuzzy



- Requer poucas regras, valores e decisões;

- Fácilmente se integram com outras variáveis observáveis;

- O uso de variáveis verbais aproxima a sua aplicação à lógica do pensamento humano;

- Simplifica a resolução de problemas;

- Proporciona uma análise rápida e facilidade de criação de protótipo dos sistemas;

- Simplifica a aquisição e transmissão do conhecimento.



Exemplos práticos de problemas Fuzzy


Para podermos perceber melhor este conceito, nada melhor do que dar-mos uma olhada aos exemplos em baixo:


Exemplo 1: Classificação de
Casas


Uma imobiliária pretende classificar as casas que tem para oferecer aos seus clientes.
Um dos indicadores de conforto é o número de divisões da casa.
Em baixo representamos o universo de tipos de casas num conjunto (FuzzySet).

U = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}

Este conjunto descreve o numero de divisões das casas.

A Imobiliária pretende descrever o grau de conforto que as suas casas proporcionam a uma familia de quatro pessoas.

Solução: O conjunto difuso “Tipo de casa confortável para uma familia de quatro pessoas” pode ser descrito do seguinte modo.





Que conclusões podemos tirar daqui?

Primeiro sobre o conjunto fuzzy: Verifica-se que associado ao numero de divisões da casa existe um classificador que vai de zero a um. É o Grau de Pertinência.

Sobre o resultado: Lógicamente que casas até 4 divisões crescem no conforto oferecido. A partir das cinco divisões, o conforto decresce consoante o critério estabelecido.


Exemplo 2: Representar a faixa etária


2-1. Representar o conjunto Universo da idade razoável para os seres humanos.

U = {0, 1, 2, 3, ... , 100}



2-2. Assumir que o conceito de Novo é definido pelo seguinte conjunto trapezóidal:



O conceito de velho pode também ser representado por um conjunto onde os membros estão definidos da seguinte forma:



Podemos deste modo definir o conceito de meia idade como não sendo nem novo nem velho. Isto faz-se utilizando operadores da lógica Fuzzy:



Podemos assim definir um conjunto fuzzy que represente o conceito de meia idade através da intersecção dos elementos complementares aos dois conjuntos anteriores - Novo e Velho.

Em baixo podemos observar o efeito gráfico desta intersecção de conjuntos:




Podemos pelo gráfico concluir que a intersecção dos Novos com os Velhos dá uma boa definição do conceito de Meia Idade.

Para ver mais exemplos consultar:
http://www.wolfram.com/products/applications/fuzzylogic/examples/



Infra-Estruturas Fuzzy


A resposta de um sistema Fuzzy é contínua e suave com o tempo, aprovada para o controle de sistemas continuamente variáveis, como por exemplo:

- Centrais nucleares, refinarias, processos biológicos e químicos, fornos de calor, máquina diesel, tratamento de águas e sistemas ferroviários de controlo automático.

A Lógica Fuzzy tem encontrado grandes aplicações nas seguintes áreas:

- Sistemas Especialistas; Computação com Palavras; Raciocínio Aproximado; Linguagem Natural; Controle de Processos; Robótica; Modelação de Sistemas Parcialmente Abertos; Reconhecimento de Padrões; Processos de Tomada de Decisão entre outros.


Exemplo de dispositivo Fuzzy


Conclusão

A lógica Fuzzy permite lidar de forma mais eficaz com a gestão de modelos e sistemas complexos, principalmente na gestão de ambientes incertos.
Nos últimos anos, temos vindo a assistir a uma utilização combinada entre esta lógica das variáveis difusas e as Redes Neuronais, que possuem características de adaptação e aprendizagem.
É com base nesta nova espécie de controladores neurodifusos que surgem cada vaz mais sistemas adaptativos e inteligentes que poderão, num futuro próximo, não apenas ajudar a decidir, mas também eles próprios tomarem as decisões, com base na percepção da envolvente.

Rui Almeida Santos



Fontes:
http://www.renci.org/publications/presentations/Autopilot.PerfTuning/sld027.htm
http://www.geocities.com/logicas2000/Fuzzy.htm

segunda-feira, 12 de novembro de 2007

TPCs 9 e 10 de Novembro

Boa noite, eis os TPCs para estas próximas duas semanas:

1 Definir de acordo com os standards portugueses:

           - Pequena , Média e Grande empresa (relacionar com nº de empregados e volume de negócios,por exº)

2 Dar exemplos de variáveis e regras fuzzy no nosso proj gpdw...

Leituras recomendadas: "Making Smarter Decisions" (pdf no osiris); e Simon.

Cumprimentos